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

Parte I PROBABILIDAD .

.

e } es un subconjunto. el cual es un subconjunto (propio) del conjunto de todos los resultados posibles {L.5. EJEMPLO 1.e conjunto es un pilar fundamental de la probabilidad y la estadística y de la matemática en general. Si o y b pertenecen aC escribimos a._l 'Cupítulo Coniuntos y probqbilidqd EL CONCEPTO DE CONJUNTO 7 El concepto d. léase"elconjuntodeloselementos¡talesque¡es una vocal" donde la línea vertical I se lee "tal que" o "dado que". grupo y colección. o.2. ¡ |¡ es un triángulo en un plano ) es el conjunto de los triángulos en un plano. u}. El conjunto { Obsérvese que el método de extensión no puede utilizarse aquí.2. A tenemos A C A. e. como siempre lo supondremos.b. 4. 2.6. llamados míembros o elernentos del conjunto. mientras no se especifique lo contrario. de {o.3.4. Sinónimos de conjunto son c/cse. escribimos de B. Al lanza¡ un dado los resultados posibles cuando el resultado es "par" son elementos del conjunto {2. EJEMPLO 1. 6).Para que un conjunto seabiendefínido.4. SiA C B pero A + B llamamos aA un subconjunto propio EJEMPLO 1. u. 3. Un conjunto puede definirse haciendo una lista de sus elementos o. describiendo alguna propiedad conservada por todos los miembros y por los no miembros. denotamos un conjunto por una letra mayúscula A.1.6\. o.escritoAcB6B:Ayleído"AestácontenidoenB"o"BcontieneaA" respectivamente. Un conjunto puede considerarse como una colección de objetos. pero no un subconjunto propio. El primero se denomina el método de extensión y el segundo el método de comprensión. a. es decir si B.5. En general. EJEMPLO 1. _ Si un elemento a pertenece a un conjunto C escribimos a€ C. i. Obsérvese que la sola redistribución de los elementos no cambia el conjunto. SUBCONJUNTOS Si cada elemento de un conjunto A también pertenece a un conjunto B llamamos a A un subconjuntodeB. En este caso AyB tienen A+ Si A no es igual a B. B. e. Sic noperteneceaC escribimos a é C. y un elemento por una leha minúsculao.6}. 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. 4. EJEMPLO 1. debemos estar capacitados para determinar si un objeto específico pertenece o no al conjunto. C. u ) es un subconjunto propio de {o. . I a. A y B no tienen exactamente los mismos elementos. 5. Si Ac B y B CAllamamosa A y B iguales y escribimos A : B. El conjunto de las vocales en el alfabeto puede definirse por el método de extensión como { a. si esto no es posible. o. 3. EJEMPLO 1. b e C. i. uloporelmétododecomprensióncomo{rlreeunavocal}. i. Se sigue que para todos los conjuntos exactamente los mismos elementos. i. { 4 o. puesto que los dos conjuntos son iguales. e. u}.

7. 6}1. Si lanzamos un dado. l-3 Fig. es un EJEMPLO 1. OPERACIONES ENTRE CONJUNT\OS 1. EJEMPLO 1. sirven para da¡nos una intuición geométrica respecto a las posibles relaciones entre conjuntos. Fig. 1 El teorema siguiente es verdadero para cualesq Teorema I-I.T. CONJUNTO UNIVERSAL Y CONJI. 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. 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. 1-2). Intersección. 1-3). El conjunto de loe rcsultados que consisten de las caras 7 u 11 sobre un solo dado es el conjunto nulo. El conjunto de todos los elementos (o puntos) que pertenecen a A o a B.9. Si AC B y B CC. el conjunto de todoe los resultados posibles es el universo {L. o simp espacio uniuersal y se denota por u. Tales diagramas denominados diagramas de Venn. 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. .8. En tal caso los subconjuntos de zt (como A y B indicados y sombreados en la Fig.4. 5. 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 . Unión. se llamala unión deA yB y se escribe Au B (región sombreada en la Fig. 1-4 2. 1-1) se representan por conjuntos de puntos dentro de los círculos.JNTO VACI( Para muchos propósitos restringimos nuestra d fico denominado el uniuerso del discurso. o tanto como aB.2.3.a CONJUNTOS Y PROBABILTDAD lcAP. l -2 Fig. entonces AC C. EJEMPLO 1.

u el 1/. 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. 1'6).guenotienenelementoscomunes'sella¡¡ran coniuntos disiuntos.69 AUQ-A. símbolos de inclwión . 4.An(BnC) = (¿nB) nC -.B (región sombreada en la Fig. el B y lo escri se llama saXl-B Fig. En la Fig.{ = A Primera ley De Morgan Segunda ley De Morgan Para cualquier conjunto generalizarse (véanse Problemas 1.4u(anC) = (AuB)n(AuC) A-B = AñB' Si AcB. AnU (AuB)' = A'ñB' (AnB)' = A'UB' A = (AnB)u(AnB') Los teoremas L-Lzo.esdecir. 1-4). L'L.74).4u^B)uC I. A y B son disjuntos.cAP. Diferencia. se escribe Fig. escrita por A .AñB1C An(BuC) = (AnB)u(AnC') .11. entonces A')B' 6 B'c. l-6 AIGUNOS TEOREMAS RELATIVOS A CONJI.'NTIOS AUB = BUA Au(BuC) : (.cy conmutativa de l¿s uniones = AUBUC Ley asociativa de las uniones Ley conmutativa de las intersecciones Ley asociativa de las intersecciones Primera ley distributiva Segunda ley distribuüva AñB = Bl\A . t-Lzb A YB y 1-13 pueden y 1.. interrecciones por uniones.AnQ=9 AU'al -. El conjunto que consiste en todos los elementos de A qtlle no pertenecen a B llama la diferencia áe A y B. cyf.1l CONJUNTOS Y PROBABILIDAD DosconjuntosáyBtalesqueAnB:p. 3. se B Si A : UB). l-5 Fig.

no defectuoso}. Si tiene tantos puntos como hay en algún intervalo en elejer. (0. Si elemental o simple.esdecirunodeloselementosdelconjuntóíqs)(ó{0. entonces el resultado del experimento es el tiempo f en horas que se encuentra en algún intervalo. sedenominaespacio muestral infinito no contable. etc. = 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. Obsérvesé que eJ córresponde al conjunto universal.or . . es decir SC. 0 ú :: 4000.16. Así cuando se produce un tornillo será un miembro del conjunto {defectuoso. EJEMPLO 1. simbolizadaporc(ó1). EJEMPLO 1..tal como 0 f r: S 1. 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 tenemos una máquina que produce tornillos.2. o una "cara". Frecuentemente es útil dibuja-r un espacio muestral gráficamente. Con frecuencia habrá qás de un espacio muestral que describe los resultados de un experimento pero hay comúnmente sólo uno que suministra la mayoría de la información. Si un espacio muestrdl tiene un número finito de puntos. En tal caso es deseable utilizar números en cambio de letras siempre y cuando sea posible. Los siguientes son aLgunos ejemplos. EJ EMPLO 1 . donde suponemos que ninguna lámpara eléctrica dura más de 4000 horas. simbolizado por S ( ó 0 ).1 0.SC. Si un experimento consiste en medir "la vida" de las lámparas eléctricas producidas por una compañía. 3.CS. 6 | en tanto que otro es lpar.12) puede dibujarse por puntos en la Fig. se denomina espacio muestral infinito contable.6). impar) Sin embargo. por ejempio. EJEMPLO 1.dsdecirdos EJEMPLO 1. l-? tos como números naturales 1. 4. Silanzamosunamonedadosveces. 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.CONJUNTOS Y PROBABILIDAD [cAP. cara la primera y sello la segunda. un espacio o conjunto muestral de todos los resultados posibles se da por {1. el resultado del experimento es que algunos pueden estar defectuosos.11.en tanto que uno que es infinito no contable'se llama espacio muestral continuo o no discretoSUCESOS posibles.12. g. por ejemplo. si un resultado es divisible por 3.14.. es decir es un conjunto de resultados el resultado'de un experimento es un elemento de A decimos que el suceso A ha ocunido. Tales experimentos se denominan experimentos aleatorios. EJEMPLO1. 2.5. 'EJEMPLO 5. . . es lógico que el último no sería adecuado pan determinar. Un principio fundamental es que si efectuamos tales experimentos repetidamenle bajo condiciones aproximadamente idénticas obtenemos resultados que son esencialmente los mismos. como en el Ejemplo 1. Un suceso es un subconjunto A del espacio muestral.se denomina espacio muestral finito.15. 1)).13.SS) caras. si lanzamos un dado el resultado del experimento es uno de los números en el conjunto {L.3. 1-7 donde. Sin embargo. Si tiene tantos punl'ig.1 ) representaselloen el primer Ianzamiento y cara en el segundo lanzamien[tr.2.16.elresultadopuedeindicarsepor{CC. 4. Si lanzamos una moneda eI resultado del experimento es un "sello". Unespacio muestral que es finito o infinito contable frecuentemente se denomina espacio muestral discreto. 1 EXPERIMENTOS ALEATORIOS Todos estamos familiarizados con Ia importancia de los experimentos en la ciencia y en la ingeniería. Un suceso que consiste de un solo punto de cJ frecuentemente se llama un sueeso . por ejemplo.

y el conjunto vacío Q.como frecuencia relativa o a posteriori. que se llama el suceso imposible puesto que un elemento de Q no puede ocurrir.lm9s que su probabilidad es cero. CC} EL CONCEPTO DE PROBABILIDAD En. Si estamos seguros de que el iuceso ocurrirá decjmos que su probabilídad es 100% ó 1. nes relativas a sucesos pueden traducirse en el lenguaje de-la Pu-esto que los sucesos son conjuntos es lógico que las particular tenemos página 3. Como medida de la oportunidád o plobabilid.'sello" (suponiendo que la moneda no se pierda ni caiga verticalmente). y de estas dos maneras una cara puede aparecer en una sola manera. perosi estamos regutJs de que'el suceso no ocurriú d_e9. Enfoque. Si después de n repeticiones de un experimento. 2. 1.esdecirAñB:Q. Equivale adecirque laprobabilidad contrasu ocurrenciaesdel 75% al25vo o de B ai. como se indica en la Fig. 1. 0). entonces podemos obtener otros sucesos en cJ. Como sucesos particulares tenemos el suceso en sí mismo. En ólgebra de sucesos que coffesponde al álgebra de conjuntos indicada en la e.cualquier experimento aleatorio siempre hay incertidumb¡e sobre si un suceso específico ocurrirá o no. 1l CONJUNTOS Y PROBABILIDAD EJEMPLO 1. todos igualmente factibles. SS } así tenemos A U B: {Cg A': {SSl SC.cAP. w tloríá de conjuntos e inversamente. 4.17.B es el suceso "A pero no . Al llegar a este resultado suponemos que la moneda es honrado. es decir que no está cargado. 1) y (1. B : { CS. A' es el suceso "no A".18. EJEMPLO 1. Por ejemplo. Flxisten dos procedimientos importantes por medio de los cuales podemos obtener estimativos para la probabilidad de un suceso.[ proposicio Fig' 1-8 Empleando las operaciones de conjuntos en sucesos en Así si A y B son sucesos. A. Supóngase que deseamos la probabilidad de que resulte una cara en un solo lanzamiento de una moneda. donde n es muy gmnde. . razonarno{¡ que la probabilidad requerida es 112. si la probabilidád es de 1f4. si lanzamos una moneda dos veces. SC. un suceso ocurre h veces. 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". entonces ta próbauilidad del suceó es h/n.Puesto que hay dos maneras igualmehte factibles del resultado de la moneda. Enfoque'clásico o a priori Si un suceso puede ocurrir en h maneras diferentes de un número total de n maneras posibles. Esto quiere decir que no pueden ocunir ambos. 1-8. el suceso que sólo resulte una cara es el subconjunto del espacio muestral que consiste de los puntos (0. CC}. entonces la probabilidad del suceso es h/n.ad con la que podemos esperar que un suceso ocurra es conveniente asignar un número enhe 0 y 1. AU B es el suceso "Aó B o ambos". A n B es el suceso'qtanto A como B" 3.B". Esto también se llama laprobabilidad empírica del suceso. Entonces A : {CS. excluyentes. SS) : eJ A-B- Añ B: {CS} {^SC. 2.19. SilosconjuntosconespondientesalossucesosAyBsondisjuntos. que es el suceso cíerto o seguro ya que un elemento de eJ debe ocurrii. frecuentemente decimos que los sucesos son mutuamente. CC. diríamos que hay y 26Vo de oportunidad de que ocurra y un 767" de opoitunidad de que no ocurra. simplemente "cara" y . EJEMPLO 1.

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

Se lanza solo un dado..P(üñAz\ - P(A|¡A. El espacio muestral es e-I: {1. esdecir si suponemos que el dado es honrado.. + 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).2. si A (10) t..P(AsnA) (rr) + P(Lt\AzñAs) También pueden hacerse generalizaciones a n sucesos... Az.5.entonces P(A) = P(AnAi + P(AñAz) *'.. entonces 1 6 .cAP.2.) + P(Ar) + P(As\ . Teorcma 1-20: Para dos sucesos AvB P(A) Teorema = P(A1B)+P(A1B'\ (12) 7-21: Si un suceso A debe resultar en uno de los sucesos mutuamente excluyentes At.B\ Generalizando. Podríamos lógicamente emplear otros procedimientos para asignar probabilidades. Véase Problema 1. 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. entonces P(A:U AzU ¿") : P(. Az.3.21. Hallar la probabilidad de que resulte 2 ó 5.. Ar.. Si asignamosprobabilidades iguales a lospuntos muestrales.+P(4") = 1 (e) 1-19: Si A y B son dos sucesos cualesquier4 entonces P(AuB) = P(A) + P(B) . + P(ánA") (rr) ASIGNACION DE PROBABILIDADES entonces por el Teorema 1-18 Si un espacio muestral el' consiste únicamente de los sucesos elementales Ar.A.h h =: (15) un suceso compuesto por h sucesos simples tenemos P(A) (rd) Esto equivale al enfoque clásico de Ia probabilidad dado en la página 5.4.6}. EJEMPLO 1.79.... como el de la frecuencia relativa de la página 6.4...P(A. 1l CONJUNTOS Y PROBABILTDAD P(Ar) Teorema +P(A2)+.]) ... á3 son tres sucesos cualesquiera.. si suponemos probabilidades iguales para todos los sucesos simples. En particular.An (1+) P(Ai + P(Az) + .

P(BIA\:"+#=#=? Por tanto. se convierte en el nuevo espacio muestral remplazando el original e-I. 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.á PROBABILIDAD CONDICIONAL = t 1 Sean A yB dos sucesos (Fig. Por tanto P(2u5) = P(2)+P(51 = *. . TEOREMAS SOBRE PROBABILIDAD CONDICIONAL Teotema 1-22: Para tres sucesos cualesquieraAl. (b) se da que el lanzamiento resultó en un número impar. El resultado se generaliza fácilmente a n sucesos.. es decir la probabilidad de que B ocrura dado que A ha ocu¡rido. . A. 1-9) tales que P(A)> 0. entonces P(A'. la ecuación (-18) nos dice que la probabilidad de que tanto A y B ocurran es igual a la probabilidad de que A ocurra tantas veces la probabilidad de que B ocurra dado que A ha ocurrido. r-9 EJEMPLO 1. A3 tenemos P(AtñAzt\ás) = P(A) P(A2l At) P(Asl Atn Az\ (1e) En palabras. 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 .) + p(A)P(Al Azl + . . A2.22. AnB Fig. Puesto que se sabe que A ha ocurrido. (b)SiAeselsuceso{númeroimpar}observamosqueP(á):316= Entonces 1/2. (o) no se da ninguna otra información. Denotamos por P(BiA) la probabilidad de B dado que A ha ocurrido.) excluyentes á1.Ya queB es la unión de los sucesos 1-18 que 7.41 ha ocurido tantas veces la probabilidad de que A3 ocura dado que At y Az han ocurido.2 6 g observamos por el teorema P(Bl = P(r) + P(2) + P(3') = -+-+-= 6662 1l1l suponiendo probabilidades iguales para los puntoc muestrale¡. ilamamos a P(B I A\laprobabilidad condicio¡wl de B dada A. Hallar la probabilidad de que en un sólo l¿nzamiento de un dado requlte un número menorque 4. 1 indica por 2 U 5.CONJUNTOS Y PROBABILIDAD El ¡uceso que resulte 2 ó 5 ee [cAP. = P(A)P(A|A. TambiénP(AñBr:216:1/3. . (o) Si B denota el suceso {menor que 4). el saber que el resultado del lanzarniento es un número iinpar aumenta la probabilidad de Ll2 a 213. Teorema 7-23: Si un suceso A debe resultar en uno de los sucesos mutua[iente Ar. + p(A")P(AlA") (20) . . Fácilmente se demuestra que la probabilidad condicional satisface los axiomas en la página 6.

1-10). La generclización a más de tres sucesos se hace fácilmen- TEOREMA O REGLA DE BAYES Supóngase que . 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 . entonces todas las fr cosas pueden realizarse en el orden especüicado en nr rr2 . = P(A)P(Az)P(A) (qsl Ni (22) ni (23) son sufrcientes por sí solo. . como se deduce Algunas propiedades de la independencia están dadas en los Problemas 1.A1.23. .92. .. PRINCIPIO FUNDAMENTAL DE CUENTA. es decir la probabilidad de que B ocuna no está afectada por la ocurrencia o no ocurrencia de á. An que pueden causar la ocunencia de á. P(A¡nAx) = P(á)P(A*) j+lc donde j. . ANALISIS COMBINATORIO la enumeración o cuenta directa de los puntos del muestreo necesa¡ios para obtener las probabili dades no es difícil..a de contar. Sin embargo. Inversanente.¡ maneras diferentes.. entonces decimos que á y B son sucesos independicnües. V finalmente una k-ésima cosa puede realiza¡se Qr fl.2. .3 (221 'y también debemos tener P(ArñAzñAr) te. . ??¡ rn?D€rds diferentes. . Si un hombre tiene 2 cami¡as y 4 corbaüac enüoncee tiene y luego una corbata. . Si P(AnBl = P(A)P(B) de (I8).91 y 1. llamado diagrama órbol debido a su apariencia (Fig. ¡ealiza¡se EJEMPLO 1. Por esta razón con frecuencia se hace referencia al teorema fle Bayes como el teorema sobre laprobabilidad de causs..k=t.en n2 maneras diferentes. . Ar.cAP. An son sucesos mutuamente excluyentes cuya unión es elespacio muestral ef. . Az. surgen problemas cuando la cuenta directa se convierte en una imposibiüdad práctica En tales casos se ernplea el anólisís combinntorio. Ar. Esto es equivalente a entonces A y B son independientes. Entonces si A es cualquier suceso tenemos el siguiente teorema importante : Teorema 1-24 (re$ade Bayes): P(AklA\ = P(Ah) P(AlAx) (2t\ ) P(ár) P(AlAn) Esto nos permite hallar las probabilidades de los diferentes sucesos Ar.. si se cumple (2I) (21) Ar. se emplea frecuente' mente en conexión con el principio anterior. es decir uno de los sucesos debe ocurrir. As son independientes entonces deben ser independientes por parejas. 1l SUCESOS INDEPENDIENTES CONJUNTOS Y PROBABILIDAD Si P(B lA) = P(B). 2' 4 : 8 maneras de eacoger una cami¡a Un diagrama. que podría llamarse una forma sofisticad.

43 y 2p EJEMPLO 1. ...to. Para el caso particular cuando r: . ?a. . Tz. . 52 y las corbatas por ?1. 41. (25) se conüerte en = n(n-l)(n-z).6. + .. o permutaciones diferentes como generalmente se les Uarnc está dado { 5 6 8 por Fig. El número de permutaciones diferentes de las 11 leüras de la palabra u M/SS/SSIPP. B. n2 son de un segundo tipo. que rt4t4l't COMBINACIONES 11! = 34 650 una te e cion En una perrnutación estamos interesados en el orden de-la distribución de los objetos. . . EI número de ordenaciones o permutaciones diferentes que consisten de 3 letras cada una y que pueden forma¡se de las ? letras A. = n(n.26. -se deduce por el principio fundarnlntal de cuenta que el número de ordenácionás. y luego de hacer esto n de .5 = 210 . en muchos problemas estamos interesados solamenos sin inteiesar su orden. . . l-10.2).r + l\ donde se observa que el producto tiene r factores. n.l)(n . elnúmero de permutaciones de n objetos lomados de r en r. rr. . Tt. . lógi tos es Sup n conjunto que consiste de n objetos de los cuales nr son de un nguir entre sí). F. Llamamos a . I 2 1 Fig.P. 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. Así el núm&o de permutaciones diferentes (28) Véase Problema 1. G es ¡P:t = fi. .l.s de escoger el primer objeto..10 CONJUNTOS Y PROBABILIDAD [cAP. D.P.P.. consiste de LM. . = . l-10 (25) .34. son del hnr + nz + . 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.24. (n . . Si las camisas se representan por S¡. y finalmente n 1 formas dó escoger-el r-ésimo objeto. C.1 : nt (26) que se denomina n factorial. . Dichas selecciones se llaman combinah misma combinación. clr no se Aquí. Así abc es di o lo Sin embargo. E.7 manerias r * escoger ét segunaoiU¡e_ to-. EJEMPLO 1.

_.48. r! (30) /n\ ( J=( /n '. Para un estudio más detallado de la fórmula de Stirüng véase el A¡Éndice A.s! COEFICIENTES BINOMIALES 56 Los númerós de (29) se les llama frecuentemente los coeficientes binomiales puesto que provienen de laexpansión binomiat (r 1- u)^ : * . El símbolo .'6 = .r'2 :25".(t)**. @-l (:.s resrreltoa CONJTINTOS 1. (|)*-lt * (i)*"-.e¡decirA . escogerse o ¡elecciona¡¡e de un (91') 3 ca¡t¿s pueden total de 8 sc¡ = lt) = 8'J. En tales casos se utiliza la fórmula (38) nl .36) ln\ \"/:nt¿r=rl@=T. Por esta raz6n decimos que el I unaexpansión asíntótica del lado izquierdo. :25)que se lee"el conjunto de todosloselementosde¡ talesque. Indique cómo describir a. .. Sea A el conjunto de todos los números reales cuyos cuadrados son iguales a 25.28.)" (n) Tienen mucha.describé dando sus (D) Puesto que t2 :25parar:5y x:-S.27.r.:nC. .s propiedades interesantes. EI n(¡mero de manera¡ en lae cuales cartas diferentes es nU.podemosesaibir A: {5.(n-r-rr\ r! ó nP. es la base de los logaritmos naturales.4 por (c) el método de comprensión y (b) el método de extensión.1. Véase Problema 1.yEñn"e-n donde e : 2.(t¡*" . EJEMPLO 1.\s/ . 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.cAP. .71828. que también puede escribirse como (2e\ ("\ \r/ Fácilmente se demuestra que n(n-L\".r/\) \r/ \n EJEMPLO 1. Problenra. (l)* = APROXIMACION DE STIRLING A r¿ ! xa+ 4x3y!oxzyz *4xy3 +ya Cuando n es muy grande la evaluación de aproximada n! no es práctica. .en (33) signifrca que la relación del al lado derecho se aproximá a 1 a medida eü€ /l + o. + . se. y)t = r:{ * (Í)".-5). . (a) A:kl* elementos. U (n Tenemos (véase Problema 1.

üenemoe A-B = AñB'= (f) BñC = {6. -4} y los subconjuntos de u están dados por A : {-\n.o} u {0.6. es deeir B ee un subconjunto de A.-. se sigue queA: @..L2 CONJUNTOS Y PROBABILIDAD lcAP.r. tenemosque¡ € C.+.4} utilizando el re¡ultado de (b). Por el Teorema 1-8. 0.-4}n{+. Puesto quetambiénBCC.-rt. si el universo 'u = {}. C' : conjunto de los elementos en 'll que no están en C : {0. ee deci¡ ¡ € A.-¿}. OPERACIONES ENTRE CONJUNTOS. (b) AUB. . entonces B) A..3. (e) A-8. +. (d) B'u C'. Demostra¡ que si Ac B y B cC. Aeícadaelemenüodeá esunelemento de C y por tanto A C C. el conjunto vacfo.enconhar(a) AnB. (o) (b) (o {rln+ü} -.-r/2.Demostrarque BcA.5.-4}n{0. ¿Es cierto que {2} : 2? No.-{r). página 3.2. r. AsícadaelementodeB perten. 1.2.+. -4} = {+.0. ) La proposición es falsa.-fr}. DIAGRAMAS DE VENN Y TEOREMAS SOBRE CONJT.üenemosB:{g.-4} = Entonces (BnC\' = {0. (e) A .r).0. -rt.-4} = {-18.6.+.". Asf. (b) "A es el conjunto de ¡ tal que 12 : 4 y ¡ ) 9'.6.r} = {0.{0. Si A = {r l r2=4.t. Sea r cualquier elemenüo de á.-4} = t-\ñ} (D) . Puestoque el conjuntovacloesunsubconjuntodecualquierconjunto..r. r.8 = {6. B: {x I x2 -8r+. Puesto que no hay un númeror tal que x2 :416x:2.-fr.5. r>g} y B: {fr | r<l}.lQ}. n].r} {*. no hay objeto que no sea igual a sí mismo. (d) B' : conjunto de los elementos en t/ quenoestánen g = {0.u C.6}.5. tenemos x€ B.4.5)=0 sólosi x:B6x:6.-qyC = {+.-4}. (a) AnB = {-12. (s) (AnC) e (Bne.o. {*.5._\E} . Otro método. El error radica en escribi¡ {@} por @.15:0). es decir cada elemento de A eetá en 8. Entonces B.-4} (c) (AuB) n C = {-{2.sededucequeACB6B)Aylrrpropocición Obaérvese que esto se lee es verdadera- 1. = {0. Entonces ya que AC B.r._\E}. puesto que {9} es un conjunto no voclo que conriste del conjunto vacío. 5. Determinar cuáles de las proposiciones siguientes son verdaderas y cor¡egir las que son falsas.5.4 u n = {-fr.-tf2. Yaque x2 -8x * 15:0 ó (r -3)(¡.'NT\OS 1.o. (/) (Bn C).5.pueotoqueloe elementos 3 y 5 son enterosimpares."áÁ y porüantoBC 1.. seaA={rl*esunenteroimpar).-2ly * )9.B: eonjunto de elementos en A que no están en B : [0.0}n {5. Entonces {x I x * x} : e.--4} n {+. pertenecen á.+. aA. entonces AcC. ".o} u {5.o. 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. Cualquier objeto particular se supone ee igual a sf mismo.0|. (c) (AUB)nC. 2 es wn número re¿l mientras que {2} esw conjunto que consiste del número real 2.0.-{2. 1 L.

(AnB) u(AnB') A : {r I reA) = {. 1.-¿l = {+. 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. (AuB)' = {r I r4Ar-tB} = {" I rCA.al : (ArtB) u (A^B') : (AñB') u (A¡.@.9.-¿} [Vóase pa¡te (f)]. Ao(BuCl = = = = = l r€A. (c) Demostrar la primera ley De Morgan.-4} Entonces t. 13 el de la parte (d) ilustra la segunda ley De Morgan. (A¡C\ u(BnC) : @u {*. 1-12. En el diagrama de Venn de la Fig. Demostra¡ laprimeraley distributiva.7.2. Sea C:8' en el Problem¿ 1. (sl AnC = {-\/-2.reBuC} I re A. l reA¡B 6 neAnB'} M6todo 2.r€B') (b) = A' ^B' El resultado puede extenderse a cualquier número finito de conjuntos (véase Problema 1.-ll . elconjuntovacío. Entonces A n (BuB') A r.cAP.nn.xeB 6 reC} I s€A. sirve para euminishar relaciones posibles entre conjuntos que luego pueden probaree por métodos similaree al dado en (o ). {r {" (AnB) u (A nC) 1. Teorema !-L?tt. página 3. 1-11 la región sombreada representa (A U B)'. . l-12 Obsérveee que un diagrama de Venn no suministra una prueba como la dada en la parte (o). Fig.74). = (AnB) u (AñB'). 1l CONJUNTOS Y PROBABILIDAD Obsérvese que este re¡ultado conjuntamente con Tborema 1-12b.neB\ = {r I neA'. Sin embargo. B n C = {}. En Ia Fig. (b) Ilus- har el resultado de la parüe (c) empleando un diagtama de Venn. Región sombreada = (AUB)' Región doblemente ¡ÜEÉru¡r qvvrs¡¡¡E¡¡w rayada ]_"7.reB 6 r€A.0} n {*.69). página3:Tenemoo An(Bu C) = (AnB)U(AnC). Luego At ñ f|' se representa por la región doblemente rayada en donde se encuentran ambos conjuntos de líneas.8') A = (AnB)u(AnB') El resultado puede generalizane (véase Problema 1. 1-11. Demostra¡ que para cualquier conjunto A y B tenemos A Método 1.reC) @ | reA"'B 6 xeAnC\ {. (o) Tenemoe págrna 3: (A u Bl : A' n B'. l-ll Fig.8. y se observa que esta región es igual a la región sombreada de la Fig.8. Teorema 1-6.

picar. (e) A.11. .. . 1.B -{reyperono trébol} Es lo mismo que A ñ B' . picas. jota.10 sea. Emplear la Fig. (q AnB. B. (d) A.UB. por ejemplo. . pica}.. : (rey o corazón o diamante o pica). (n A'-3' :{no rey y no "no trébol") : {no rey y trébot}: (cualquier trébol excepto el rey). B': {no trébol} : {corazón. (b\ A' se 1.. de acu gamas Fig. diez. También puede considera¡se observando que (A ñ B) U (A n B') : A.A. picae. @) AUB'.2). (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 ). . Refiriéndose al experimento del Problema 1. podemos indica¡ una jota de picas por (11. . (f) A. . (o) A U B = {o rey o trébol (o ambos. 3. Describir el espacio mueshal (o) no se tiene en consideración el palo (b) si se tiene en cuenta el palo.4 u B. Denotando corazones. 1.n(8. = A.B. diamante. 13}.{rey y no trébol}. . rey. diamanües y tréboles.nB. ESPACIOS MUESTRALES Y SUCESOS 1. de Teorema 1 era simila¡ todos lo¡ obeervarse de la Fig. .(g) (AnqU (AnB. También puede considera¡se observando que A.12. reina.). 1-13. Describir los sucesos (a) AUB. 1 EXPERIMENTOS ALEATORIOS. diamantes y tréboles. rey de corazones. (e) A-8. puede indicarse como {1.1-14. diamantes y héboles respectivamente por l. I diagrama eden de indicarse A U B. (o) Si no tenemos en cuenta los pdos el eepacio muestral consiste de as.L4 .10. si . Luego el espacio muestral consiste de 52 puntoo indicados en la Fig.11 com ^ B' .CONJUNTOS Y PROBABILIDAD [cAP. Se extrae una carta aleatoriamente de una baraja de 52 cartas. (E) @ nB) U (A ñ B'):{(rey y trébol) o (rey y no trébol)): irey}.).4 el suceso {se extrae un rey} o sencillamente {rey} y B el suceso (se extrae un trébol} o sencillamente {trébol}. dos.4.-8. y (b) Si tenemos en cuenta los paloc el espacio muestral cronsiste del as de corazón. . 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 para describi¡ los s sucesos (a).. . 2. . . 2.

B) son mutuamente excluyentee. axioma 3.Puesto que P(eJ) sfnp = Q se sigue del Axioma P({)) 3 que s = P(d)+P(Q) 6 = 1.Ar ) - 0 por el Axioma 1. (o) Tenemos AV A' :s[.14.A¡ ) en donde . 1-15 (1) AUB: AUIB -(. también ee rigre queP(. tenemos usando el Axioma 3 y el Teorema 1-14: P (A u B) | i'.4n8)l Entonces puesto que los conjuntos A y B . l-15 (An CALCULO DE PROBABILIDADES 1.13.At son mutuamente excluyentee.Ar. página 6. Encontrar la probabiüdad de . (b) Teorema 1-15. página 6.(A ñ . Para demostrar que observamos que A C et.42 ) = P(Al ).P(Ar) Puesto que P(. asr que Entonces por el P(42\ = P(ár) * P(A2.77).^^'rl i' r"u r--' resultado (l ) puede establecerse directarne¡rte (véase Problema 1.42 . (c) Teorema 1-16. Demostra¡ el (c) Teorema 1-14. Entonceepuesto gue. Así por el Teorema 1-14 [partc (o)] y el Axiom¿ 2 P(A) < 1 primero P(A)=P(¿)=1 (c) Tenemos eJ : eJuQ. Demostrar (a) el Teorema 1-17 y (b) el Teorema 1-19. (o) Tenemoe Az : At U (Az . página 6.cAP. P(Az.41 y Az . Fig.15. (b) Con anterioridad sabemos que P(A) > 0 por el Arioma 1.At) = P(Azl . 1l TEOREMAS SOBRE PROBABILIDAI) 1. ñ A' : Qtenemog 1 es decir PIAJA') = P(ó) 6 P(A)*P(A') = P(A') = l-P(A) (b) Tenemos el diagrama de Venn de la Fig. Una carta se extrae aleatoriamente de una barqia de 52 cartas. Aunque hemos utilizado el diagrama de Venn el i rlu^') ".

(d) un corazón. en particular "as" tiene una probabilidad de 1/13. 4 bolas blancas y 5 bolas azules. (d) no roja.10(tr). diarnante. 1 que sea (g) un as. (f) un diez o una pica" (g) ni un cuatro ni un trÉbol.# = 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. (b) blanca. respectivamente. Por tanto puede denotarse por P(4' ñ ?').* h* . Así. Una bola se extrae aleatoriamente de una caja que contiene 6 bolas rojas. P(4'^T')= 4(4 U ")'l: L- P(4 U ?¡ : 1. D. a cada punto mue¡hal. 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.. Puesto que este complemento tiene 52 .16 CONJUNTOS Y PROBABILIDAD [cAP.52. (c) azul.2. rcy. Determinar la probabilidad de que sea (c) roja. .. t (b) P(11 ñC¡= :- (c) I * -I^ 26 ) +P(6 ñD¡: 62 52 = I " .n. en tanto que S U C significa tres o corazón. Pero por el Teorem a 1-t2 (a).[P(4) +P(")-P (4 n T)] _.sz = Lg Tbmbién había sidq posible conseguir este resultado del espacio mueshal del Problema 1. asignando probabilidades iguales de tl52 : L162.13 . doo.. Por simplicidad utiücelnos C.P(C) = ! P(L0 Ln = ?uti[zando laparte (d)y elTeorema 1-1?. .lsnc) = #. trébol. (c) un tres de tréboles o un seis de diamantes.* (d) P(c):P(ln c 62ñc6.. l-r 1. eeto es 1/4.. Asf g n C significa tree de corazoneo.L ñD ó 1 n ") =P((1 n c) +P(1 nP) +P (1 nD) +P(1 n r) 11111 = 52. (e) P(C') - 1 .1l _ 9 . (e) roja o blanca. 13 pot aa. ? para indicar coraz6n. P¡ @ Puesto que 10 y P no son mutuamente excluyentes tenemos del Teorema 1-19 UP):P(10) +P(P)-P(10 ñ : 1/13 + rl4 - 7152 : 4lI3 @) La probabilidad de no cuatro no trébol página 9. (e) cualquier palo excepto corazones.y 1. 1. # -. P(6 n (o) ") P(1): PG^e ó 1nP ó.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. (b) una jota de corazones..10(o) en donde cad¿ punto mueehal.la probabilidad requerida es 36/52 = 9/13.4' ñ T' = (4 U ?)'.. por ejemplo.. página 6. pica. P.16 : 36 puntos muestrales en él y cada punto muestral tiene una asignación de probabilidad Il52. 1-16.16. Empleemoe el espacio muegtral del Problema 1. .

) '!' .'"::. r(RUB)=P(A'): 1-P(A): I . un total de factibles. 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. 5 ó 6 son 3 resultados de las 6 probabilidadés igualmente factibles) y P(Az): ltO (ya que 7.á = | Método 3. Método 2. 6 6 6 en el primer lanzamiento V 1.2. 1l CONJUNTOS Y PROBABILIDAD Método 1.4 1) :316 (ya que 4. 19 1 . . --6+4+5=1b=s 662 Nuestro espacio muestral corisiste de 6 * 4I 6:15 puntos muestrales.t""i: . página 6.6:36 maneras. 2. P(roja o blanca) : P(R u r) : -"""'. norparte(c). Hallar la probabilidad de obtener 4.cAP.P(At)P(A. Método 1.1?. respectivamenüe. Entonees L1 (o) P(n)= Mótodo 2.H 10 2 6+4 6+4+5 . . Denótese por R. Entonces P(ArnAzl . blanca y azul.3ó 4 son 4resultadosdelasGprobabilida' des igualmente factibles). (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.. Entonces si asignamos probabili' dades iguales Ll15 a cada punto muestral observamos que P(. 4: 12 maneras en que tanto A1 como .::"fl'"". Luego estamos buscando P(Ar ñ A2). Cada una de las 6 maneras en las cuales un dado cae en el primer lanzamiento puede asociarse con cada una 6. Un dado honesto se Ianza dos veces.También i"-or usado P(.3 6 4 en el segundo lanzamiento.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). que P(nuB):P(R) +P(B):?*# = ? PROBABILIDAD CONDICIONAL Y SUCESOS INDEPENDIENTES 1.364en elsegundo lanzamiento".J.R ) : 6/15 : 215. ' SeanAl elsuceso "4rS ó 6 enelprimerlanzamiento" y Az elsuceso "7r2. Puesto que los sucesos R y B son mutuamente excluyentes se deduce de (4). . de las 6 maneras en que cae en el segundo lanzamiento. B y A los sucesos de extraer una bola roja. Método 2.15 . .5 o blanca También puede resolverse l¡tilizando el espacio muestral como en la parte (c). P(AroAr) = P(At)P(A2lAr\ -. debido a que hay 6 puntos muestrales que corresponden a "bola rojatt.42 ocurren.

Por ejemplo (5. 1 Esto indica directamente que A 1 y A2 son independientes puesto que . extracción". . l) (3. I a a aa (r. Puesto que se incluyen 8 puntos tenemos que P(A ): 8/36 : 219. puesto que también hay 4 ases en las ó2 ca¡tas para la segunda extracción. (2. entonces P(A2 | A r) : 4152. de una baraja de 52 cartas. dados se muestra en la Fig. En este caso hay 4 maneras de sacar un as en la primera extracción y 4 maneras de saca¡ un as en la segunda exhacción de tal forma que el número de maneras de sacar :rses en la primera y segunda extracción es ( ) (a)i Así la probabilidad requerida es (4)(4) = (52\(52\ 1 169 (b) La primera carta puede extraerse en una de las 52 maneras posibles y ya que no hay remplazamiento la segunda carta puede extraerse en una de las 51 maneras posibles. 1.l Método 2. A.6) I (¿.2 a (6. Puesto que los dados son honestos y hay 36 puntos muestrales asignamos la probabilidad 1/36 para cada uno.18. P(A¡): 4152. También. Entonces estamos (o) Puesto que para la primera extracción hay 4 ases en las 52 cartas.2) signitica que el resultado del primer dado es b y el del segundo 2. Así que ambas cartas pueden extraerse en (52)(52) maneras. Hallar la probabilidad de que ases si la ca¡ta (c) se remplaza. Entonces P(A.6) (2.3) Si A es el suceso "7 u 11" entonces A se indica por Ia porción sombreada en la Fig. Método 1.P(Al -- L 27 -::99 1o.tp(A2 A¡\ = (52")(*) = . = las 51 cartas restantes. \.2) a a aa (5. r'(A.)(á) = P(ArP\A2l (2. 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. si la carta se remplaza para la segunda extracción. Sea A1 buscando suceso ttas en la primera extracciónt' y . Se extraen dos cartas. todas igualmente factibles.42 suoeso "as en la segunda P(Arñ A2): P(A1) P(A2l A t). 1-17. 6) El espacio muestral para cada lanzamiento de los (r. a (2. .6) a (3. así que P(A2l Ar Sin embargo si ocurre un as en la primera extracción quedarán 3 en ) : 3/51.3) (8.3) (3. todas igualmente factibles.' ( #)l#) == # r\ P(A1l:4152.2gara indica¡ y 2o."A) = P(A) P(A.nA") =+:(. l-17 Utiüzando subíndices t.3) (4. (b) no ambar¡ sean se remplaza. {) (5. Entonces P(ArnA. l) (1. Así ambas cartas pueden extraerse en (52 ) ( 51 ) maneras.2l a a (6."t (ol La primera carta puede extraerse en una de las 52 maner:u¡ posibles y ya que hay rempl. 6) a 1.19.) = (b) Como en la parte (o). /. l'ig.2. oaa (3. 1-17. r) (2.18 coNJUNTos y pRoBABILTDAD lcAP. aa {) (6. 6) ({. Encontrar la probabilidad de no obtener un total de 7 u 11 en ningunó de los dos lanzamientos de un par de dados honrados.azamiento la segunda ca¡ta también puede extraerse en una de las 52 maneras posibles.1) a Se deduce que la probabiüdad de no dada por ? u 11 está 345 Primer dado P1A'¡ '= | . p(A.

P(ningún 4) : 1 -P(no 4 en 1er. lanzamiento) = | .cAP. 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+ \=.21.6 : 36.P(A')P(A'2| = '! -(8X*) = *" Método 3. Sea A I: suceso "4 en el primer lanzamiento" y : suceso "4 en el segundo lanzamiento".16. Requerimos P(Rl ñ 82 n A!\. Así Art. número de maneras en las que A 1 ocurra pero no Az nf¡mero de maneras en las que .42 ocurran : 1 . blanca y azul si las bolas (a) se remplazan.J requerimos A2: : suceso "4 en el prirner lanzamiento o 4 en el segundo lanzamiento o ambos" suceso t'al menos un 4" A2). 4 Az 1.20. lanzamiento y no 4 en el 2o. Nfrmero total de maneras igualmente factibles en las que ambos dados pueden caer También. 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). Hallar la-probabilidad de obtener al menos un 4 en dos lanzamientos de un dado honrado. Si Rl .A2 ocurra pero : no At : 5 5 número de maneras en las que tanto A 1 como . I}2 : süc€so "blanca en la segunda extracción". Los sucesos A t I Az no son mutuamente excluyentes. entonces los sucesos son independientes y p(. 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. pero Bon independientes. (b) no se remplazan.P(ALñ42) = P(A) + P(A!) . llallar la probabilidad de que se extraigan en el orden roja. P(al menos un 4) Entonces P(al menos un 4) P (ningún 4) = 1 : 1 . P(ArU Método 1.P(A'rnA'"\ = | .Rr ) p(82 lnr )p(A3 In.P(At) P(Az\ 1 r /t\/t\ rr Por üanto. : guCe¡o (o) Si cada bola se remplaza. por (1Ol V QI ) = 6'u-\ui\u/ * = * Método 2.suceso "roja en la primera extracción". Así la probabilidad pedida es (4X3) (52)(51) I 2 1.Rr n 82 ñ At):p(. A3 "azul en la tercera extracción". : 6. P(A'tuA) = P(A) + P(A) . Se extraen tres bolas sucesivamente de la caja del Problema 1.

Un talego contiene 4 bolas blancas y 2 bolas negras. (b) ambas sean negras. página 8. hallar la probabilidad de que (¿) ambas sean blancas.20 CONJUNTOS Y PROBABILIDAD Luego el número de manera¡ en l¡as cuales por lo menos uno de los sucesos 11. 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. Demostramos el teorema para el c¡¡so n : 2. si se obtiene sello se saca una bola de la caja /I.)("+-ri-r:ri ---r:\ \2/\2+8/ \-/\-. página t.2/ 5 z TEOREMA DE BAYES L25. Az: II. Por tanto P(. I|2 : süc€so "bola blanca del segundo talego". Axioma 3 empleando (I8).22. Az entonces A = (AnAr)u(A¡42) PeroA ñAt y Añ Az son mutuamente excluyentes puesto que A1 y A2 lo son. Extensiones para valores mayores de n se obtienen fácilmente...4 debe resultar en uno de los dos sucesos mutuamente excluyentes At. Asípor P(A) = P(AIA)+P(A^AI') = P(A) P(A i A) + P(42\ P(A I A2) 8.24 que quien lanzala moneda no revela si resulta c¿¡ra o sello (de tal forma que la caja de 14 cual se sacó la bola no se revela). At : I. Puesto queA resulta en uno de lossucesos mutuamenüe excluyentes 1-22 (Problema 1. Supóngase en el Problema 7.23 con A: R. plear los resultados del Problema 1. Puesto que una bola roja puede resultar al escoger cualquiera de las cajas podemos em.) . Si el suceso . (d) P(BtnBil:P(Br )P(B2lBt):P(Br )P(B) = lt!")/-=) + 5/ = I 4 \4 + 2/ \3 P(B'tñnb:pelp@. (c) una sea blanca y una negra. Se lanza una moneda honrada.I. Demostrar el Teorema 1-23. . Hallar Ia probabilidad de sacar una bola roja.26.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. pero revela que se sacó una bola .píryina9). Así la probabilidad de sacar una bola roja P(Rt - P(nP@ Il+P\II\P(RIII¡ = /t\/ I \ /r\/ z (. j Dor tanto ". La contiene 3 bolas rojas y 2 azules en tanto que la caja II contiene 2 bolas rojas y 8 azules.. Si se obtiene cara se saca una bola de la caja.23) Ay A2.. 1 : Ar ó A2 ocurraes- 5 +5+ 1 L. fcAP. Demostrar el teorema de Bayes (Teorema L-24.23.. SeaB¡ : suceso "bola blanca del primer talego".\P(A:A.O*' P(A\'Aki \ P1A¡ A¡ = P(A) P(A I Ak) P\Ak^A) = --PÁt ) P(A¡l P(A' Akl 1. Si se extrae una bola de cada talego. otro contiene 3 bolas blancas y 5 bolas negras. An tenemos por el Teorema P(A) = P(AI)P(A Ar) + ' " + P(A.41 U Az): 11/36.24.

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

persona!¡ tomadasde 4en 4es = tC.29. Se quieren sentar 5 hombres puede asociarse con cada ordenación de las mujeres. 3. puestos). . 1. 9 . Cada ordenación de los hombres Elnúmerodeordenacionespedidoes = "Pr.8.. .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. Otro métod<¡.rP. = r¡ ! como en el Problem a 1. hay 9 formas para ocupar el segundo puesto.. 2. La primera posición puede ocuparse por cualquiera de las cinco bolas.6 . á maneras de llenar la cuarta posición.22 CONJUNTOS Y PROBABILIDAD [cA?..3 = 860 (c) . (¿) aP¡ = 8.3. Así pues. por tlnto: El número de ordenacionesde lag 5 bolasen una filaes En general. 120 Elnhmerodeordenacionesdenobjetosdiferentesenunafilaes=n(n-l)(n-2\. Halla¡elvalorde (a) . ¿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. 1. 8.28.Pr.r * l) Esto se conoce como el número de permutaciones de n objetos diferentes tomados de r en r y se denota por P. Por tanto: El número de ordenacionesde 10 En general. = 5.7.31. I . . (c) tsPt. 4. g.7: 4536son los númerosque pueden formarse. y 4 mujeres en una fila de modo que las mujeres ocupen los sitios pares. Entonces 9' sPs : I . Obsérvese que cuando | = tr. Entonces I ' 10 ' 10 ' l0 : 9000 son los números que pueden formarse. (b) si los números no pueden rcpetirse.1.30. es decir hay cinco maneras de llenar la primera posición.4. (b) uPo.8. (n . S para ocupar el tercero y 7 para ocuparel cuarto. puestos). (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).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.. y finalmente sólo 1 manera de llena¡ la última poeición. cuando esto está hecho.. L = b! =. tercera y cuarüa pueden ser cualquiera de las 10. l. (d) rPr.32. ¿Cuántosnúmerosdecuatrocifraspuedenformarseconlosl0dÍgitos0. nPr.T = - 5040 El número de ordenaciones de n objetos diferentes tomados de r en r ea n = n(n 1) . ¿De cuántas formas pueden sentarse? Los hombrcs pueden sentarse de 5P5 formas y las mujeres de 4Pa formas. Cuando esto se haya hechó hay 4 maneras de llenar la segunda posición..2. = e 15 (d) ¡P¡ = 3. (o) La primera puede ser cualquiera entre g (el 0 no).oPo = 514! = (lZO)\24) 2gg0 1.2.336 (b) Pq = 6. La segunda puede ser cualquiera entre 9 (no puede ser la que ocupó el primer puesto).1 = 6 1. El primer número puede ser cualquiera entre 9 y los tres restantes pueden elegirse de gPa formas.. 1 Debemos ordena¡ 5 bolas en 5 posiciones así -. 7 : 4586 sonlos númerosque puedenforma¡se. Luego hay 3 maneras de llena¡ la tercera posición. La segunda..5.

¿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. Cuatro libros distintos de matemáticas. 1l CONJUNTOS Y PROBABILIDAD La primera cifra puede elegirse entre g. Entonces se tienen 9 libros que pueden ordenarse de 9P9 . + tt¡ = n. . Entoncesel número de ordenacionespedido será = 9l a! - 8 709 120 1.34. 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. loslibrosdequímicade2P2:2! formasylostresgruposde3P3:3! formas. Multiplicando N por el número de ordenaciones (o ) de las 5 bolas rojas entre sí. (b) si dos personas determinadas no deben estar una al lado de la otra? Considérese una de ellas sentada en cualquier parte. El primer dígito puede elegirse de 9 maneras y los dos siguientes de gP2 formas.33. . 23 (c) ' 8'7 : 5O4 Otro método. 1 n"+ . ¿De cuántas formas distintas es posibliordena¡los si (c) loslibrosde cada asignatura deben estar todos juntos. 6! = Considérense las dos personas que no han de ir juntas como una sola. Se ordenan en una fila 5 bolas rojas. . n#l* 1. I 1. que lo pueden hacer de 5! formas. la segunda entre 8 y la tercera entre ?.24O: 480 formas. rt. Entonces. Así pues. 10 ! EntonceslSl 2: 3l)N = t0! y N - 101/(5! 2t Bl). multiplicando N por 5! 2l 3!) se obtiene el número de ordenaciones de 10 bolas si todas ellas fuesen distintas. Entonces el número de ordenaciones pedido será = 4't. (b) de las 2 bolas blancas entre sí y (c) de las 3 bolas azules entte sí (es decir. de modo que dos de ellas no estén sentadas juntas es 720 . g. .36. Pero los libros de matemáticas pueden ordenarse entre ellos de aPa:4! formas. Entonces 9 son los números que pueden formarse. colocan en un eslante. (b) solamente ios libros de matemátitas deben estar juntos? (o) Los libros de matemáticas pueden ordenarse entre ellos de aPa: 4! formas.cAP. En todos estos casos los libros de matemáticas están juntos. Entonces hay 6 personas para sentarse en círculo.. ePz:9 .34estoes ¡ft - 10'f''8' . COMBINACIONES 1.35. mediante (o). ¿De cuántas formas pueden sentarse 7 personas alrededor de una (c) (b) mesa. Entonces ' 7 : 504 será el nfrmero pedido. ll0. . n2 son iguales. es decir. 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. los libros de física de 5p5 :6! formas. seis diferentes de física y dos diferentes de química se. n¡ En general el número de ordenaciones diferentes de n objetos de los eue ?r¡ Soriguales* donde. el número de ordenaciones de 6 person¿N sentadas alrededor de una mesa con 2 determinadas de ellas sentadas juntases de 5! 2! :24O. Entonces las 6 restantes pueden sentarse de ?20 formas. 6l 2l3! - 207 360 (b) Considerar los cuatro libros de matemáticas como un solo libro.9 ! formas. son iguales.PorelProblemal. se tiene el número total de formas en que 6 personas pueden sentarse alrededor de una mesa.. si (o) pueden sentarse de cualquier forma.

oCz = 10 . endibia. beno y achicoria? Cada verdura puede tratarse de 2 formas. si (c) puede pertenecer a él cualquier matemático y físico. n. De un total de 5 matemáticos y 7 físicos.. Puesto que cada una de l¡¡ 2 formas de considerar una verdura está asociada con 2 formae de considerar cada una de las otras verduras. 5.rl(n-rll n(n-11"'(n-r+1) r! . escarola. 15 = 150 (c) 2 matemáticoe de un total de 3 pueden elegirse de sCz formas. = #h = I si se define Nótese que formalmente aCa 0! = l. 1. Por tanto El número de ensaladas Otro método. En general el número de grupos distintos de r objetos que 8e pueden formar con.1 = o'' --ll (b) oCs = 6 ! = 6.Entonceselnúmerorequerido de ensaladas es -. se forma un corúité de 2 matemáticos y 3 físicos.2 = 6.2delasSverduras.Olf/Vvienedadopor ^ n"r nl /"\ \r / .ur .C.38.24 CONJUNTOS Y PROBABILIDAD lcAP.4!B! = 7. 1 El problema es equivalente a encontrar el número de grupos de 4 objetos que se pueden formar con 10 objetos dados (o de 6 objetos con 10 objetos dados). (c\ eC+ 7.. lo que es evidentemente 1. (b) un físico determinado debe pertenecer al comité. 3 físicos de un total de 7 dan 7C3 formas.4O. ae llamanúmerodecorñbinacionesdelosnobjetostomadosderenrysedenotapor. Número total de selecciones posibles = tCz'tCs = 3'35 = 105 L. 6 uCt=oC1 =6' 5ú ff (c) +Ca es el número de grupos de 4 objetos que se pueden formar con 4 objetoa. ¿De cuántas formas puede elegirse una comisión de 5 personas de entre 9 personas? /g) = ^c.CL-l tC2+5Ca+ sC4+ scs : 5 *10+ 10* 6* 1 : 31 .. ¿Cuánt¿s ensaladas pueden preparañ¡e con lechuga.6. Pero las 2s forma¡ incluyen el ca¡o de no seleccionar ninguna verdura. Nfimero total de selecciones posibles = sCz' zCs = l0'35 = 350 (b). _ e! _ \s/-sws-BJ]T- e. no teniendo en cuenta el orden de los objetos dentro del grupo.5 71 ^ (ol . 2 físicos restantes de un total de 6 puedtn elegirse de eCz formas. 3 físicos de un total de 7 pueden elegirse de zCs formas.rl nP' 1. Hallar el valor de (a) zCq (b) aCs.5. es:25 - 1 : 31 Puedeseleccionarseldelassverduras.SdelasSverduras. como si se escoge o como si se rechaza.6.8. 2 matemáticos de un total de 5 pueden elegirse de sCz formas.5.39. (c) dos matemáticos determinados no pueden estar en el comité? (a) 2 matemáticos de un total de 5 pueden elegirse de sCz formas. 4. el número de formas de considerar lias cinco verduras es 25 formas. b! ?.6.. Número toüal de selecciones posibles = sCz.objetos dados.b = 126 1. Entonces tC+:I..37.4 = l4. ¿De cuántas formas puede formarse.

11.*-. 1..!2 = 0. 2. Entonces: El nhmero de palabrae y las ? letra¡resultantee (4 q 7C1 ' óCa ' ?! : 35 . . La¡ 4 coneonantes pueáen elegirse (!e lC+ formas. De acuerdo al teorema del binomio *'\.Cs+ -.z.B. ee decir k = 4. .1l CONJUNTOS Y PROBABILIDAD 26 nCn Engeneral.eüc. de 1.r)l (n-r)(n-L)l * r(¿-1)! r! (n .43. 'xl (**!\" = r-:o (1?).42.r)l (¿-l)! (¿-1)! . Aeí10:4I6."¡ /¿-r\ /"-r\ \ " )-\"-t) El resultado tiene la siguiente aplicación interesante. 1b:10 * 6. lss 3 vocsles de s0g formac consonantes.y por tanto eetá dado por /12\ _ \n/= 12.1).. que consten 4 consonantes y 3 vocales? No es necesario que las patabras tengan significado.41. $ \k /' 3 \& /'.= xau /rz)'.11)"-. . \ r / \r-1l' (n-r*r)(n-1)! r! (n . ¿cuántas palabras pueden formarse. Con 7 consonanps y 5-vogaJes diferentes. Demostrar q"" Tenemos que 11) \r/ = l" . r0.r)'! r! (n . Si escribimos lo¡ coeficientes de la expaneión binomial de (c * U)" púa n :0.*.+!\"..cAP. Halla¡ el término constan6 en h exDansión de 1r.tFV=fr .r e =4e6 . 10 ' 6040 : 1 ?64 000 COEFICIENTES BINOMIALES 1.' \"/ ü/ \ El término conetante corresponde a aquel para el cual 3& . 4. n0r+ ncz+.1¡¡ 1" .1r . 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.. ee 1. ¡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¿. ! = 2r-1.t) + f" . 3 vocales) pueden ordena¡¡e entre sf de zPz : ?! forma¡.

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

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

:'. Acuerdan jugar un torneo consistente en 3 partidas. luego gana A. Quien obtenga primero un total de 7 q^? el juego.. un nfimero que tiene 6b dígitos.) P@.P(B') P(B.'. Probabiüdad = {¿)(f )($). Probabiüdad : 1 /6. luego pierde B.49. (b) dos partidas terminen en tablas. partida respectivamenüe.28 11 CONJUNTOS Y PROBABILIDAD lcAP.) suponiendo que los resultados de cada partida son independientes de los resultados de la¡ ohas. I|3 los sucesos "B gana" la 1a. luego A o B gane. A y B juegan 12 partidas de ajedrez de las cuales A gana 6. lanzamiento.':.íll 36 (d) P(B gane al menos una partida) : 1 . . lanzamiento.. luego A. (ó) quien lanza segundo los dados gane. es 1/6 como se determinó en el Problema 1. (c) A y B ganen altemativamenie.Asílaprobabilidad.46) 5 /s\ " \í)o'n'-' = t(. 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) = (. 1 = ¿los100 | ¡lor3142 + 11 = i(zl * de donde 50 1og50 - 50 log2?18 .6990) - 50(0.. luego B.P(B'roBj¡B'r) L ."u j /t\/r\/t\ * /r\/r \/r\ = \r/\5/\r/ \¡i \zi \¡i 5 . t.50 A y B juegan lanzando alternativamente un par de dados. PROBLEMAS DIVERSOS 1.'J?fi '.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. -/¿\/a\1¿\ = le ^ \3/\3/\3/ 27 1.4972) + 50(1. lallar la probabilidad de que (o) quien lanza primero los dados gane. Az.18 y Fig. 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. 1-17. Denótese por A B t. partida respectivamente. A pierde en el ler. supuestamente honradoe.04 x 100r. luego B) == ".de2tablasenBpartidases(réase Problema 1. y 3a...P(B no gane ninguna partida) t . 2a.i :.4836 N= 3. B gana 4 y 2 tnrmrnan en tablas.Xt(. (o ) La probabilidad de obtener 7 en un sólo lanzamiento de una pareja de dados. 2a. 1á¡ n gane al menos una partida.^. \a) = n /r\2/<\ (c) P(A y B ganen alternaüvamente) : P(A gane.z. (Esta suposición no sería justificable si un jugador fuera influenciad.:.4343) = 64. A 3 los sucesos " A gana" la 1.) . Hallar la piobabiüdad de que (o) A gane las tres partidas.:..10. y 3a. Bz.

cAP.tJ es cero ya Así iríamos 6 a 5 a que el primero que liance gana. gane es /t\ /s\/s\/r\ . pierde B.151 y 1./l)/q)lq\It\ \6/\6. "blanca en la segunda extracción".9 respectivamente. Nótese que la probabiüdad de un empate que 11 ' 6-5 11 1 Esto no serfa verdadero si el juego fuera limitado. lanzamiento. Una rnáquina produce un total deL2 000 tomillos diarios de los cuales en promedio elSVo son defectuosos. Suponemos que .' \6/\6/\6/\6/ * = /q\/r\T. Así Probabiüdad pedida = -H*-P 1.53.2)(0. pierde B. el 3'/o 6 360 son defectuosos y 11 640 no lo son. De 12 000 tornillos. Puesto que se sabe que la segunda bola es blanca solamente hay 3 formas de las restantes 8 para que la primera sea blanca. Sean ÁI.8)(0.8.52. Véanse Problemas 1.8 y 0. Hallar la probabilidad de que en 20 años (a) ambos vivan.*/q\'*/q)'* \o/\e/t_' \o/'. Bl. respectivamente.02 . Se extraen dos bolas sucesivamente de la caja sin remplazamiento y se observa. l|/ los sucesos que el esposo 0. ¿Cuál es la probabilidad de que la primera también sea blanca? Método 1.1) = 0. Entonces y lI/ son sucesos independientes.(5/6)2 11 .F/ y la esposa. de tal manera que la probabilidad es 3/8. estén vivos en 20 años. P(H): (o) P(ambosüvan) = P(H1W) = P(H)P(W) : (0. : 6L" /s\' * /r\* I _ \al \ui donde hemos utilizado el resultado 6 del Apéndice A con x r/6 6 : (5rc)2 - (b) Análogamente la probabilidad de que B gane el juego es 1q)/l) . gana A.9. estamos buscando P(Br lB2). Las probabilidades de que un esposo y una esposa estén vivos dentro de 20 años están dadas por 0.\6/ =5136=5 1 . I|2 son los suceoos "blanca en la primera extracción".51. que la segunda es blanca. (b) ninguno viva. 1.9) = 032 (ó) P(ningunoviva) = P(H'nW') = P(H'\P(W') = (0. 1l CONJUNTOS Y PROBABILIDAD 29 (3) A pierde en el ler.152. (c) al menos uno viva. lo cual puede ser o no razonable. Así la probabilidad de que g. Este resultado se obtiene así Si P(BJB)='+#=elwq=* Método 2. Una caja contiene 5 bolas rojas y 4 blancas. 1. respectivamente. Prqbabilidad = (áX8X8X8X+). P(W) : 0. Hallar la probabilidad de que de 600 tornillos seleccionados aleatoriamente 12 sean defectuosos. pierde A./s\/¡\/o\/s\/r\ * \6/-\6i \6/\u/ \6i \6/\Bi \u/\6i 1l-.

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

56.693 6 ln 2 = 6 (n . . Describir A de acuerdo al (o) método de extensión. la probabilidad de que la n-ésima persona tenga un cumpl'e¡ñoe diferent¿ de las otras n * 1)/365.58.865)"'\'. 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.23)(n'l 22) = g asf que n : 23.cAP. Problema.55. Suponemos que solamente hay 365 días en el año y que todos loe días de cumpleaños son igualmente probables.-4\ .. el segundo término y los términos superiores a la ae 1S¡ son dlespreciables comparados con el primer término. 1. . Entonces."' .1\:{.^" --!. Determinar cuántas personas se necesitan en el Problema 1..-k). Análoga' mente la probabilidad de que l¿ üerce¡a persona üenga un cumpleaños diferente de las dos primetas es 863/365.(..55 para que la probabiüdad cumpleaños distintos sea menor que U2.DeterminarsiACB o no.l.z\. Así la probabilidad de que la segunda persona tenga un cumpleaños diferente de la primera es 364/365.693. D = {t I 12<16). 1l CONJUNTOS Y PROBABILIDAD 31 1. Por tanto tenemos n.2 -r¿-506 = 0 = 0. Denotando la probabiüdad dada por p y tomando logaritmos naturales hallamos (r) @\ (3) lnp tnp =t"(r-#) -r'"(. si Ia segünda persona tiene un cumpleaños diferente. 3. debe ocurrir en uno de los otros 364 dlas. La primera de las n personar¡ tiene lógicamente algún cumpleaños con probabilidad 365/365 : 1. tnp = .n(r-l) i30 para n pequeño comparado con 365.). Sea A eI conjunto de los números natwales entre 5 y 15 que son pares.0. Enipleando los hechos de que para n . 12+22 i-.ln p r¿(rr : - -- 1) ?30 .. por ejemplo n ( 30. Halla¡ Ia probabilidad de que n personas (n < 365) seleccionadas aleatoriamente tengan n días de cumpleaños diferentes. "'+rn(t-#) ln(1 Pero sabemos de cálculo (Apéndice A. suposiciones que no se cumplen genetalmente en la realidad.' (Apéndice A' fórmulas 1 y 2) (Ir\ I+2+ "'*(n-1) = @.s supletnentarios CONJUNTOS 1.-*(n-1)2 - n(n . Finalmente.67.. asf que una buena aproximación en este Pa¡a (7) p : L12. fótmula 7) que -r) -= --c - T- 3 así que (I ) puede escribirse como = ft+z+ : 2.165/\'.r)(Zn -r) 6 obtenemos para (3) (5) *::":: 16) rnp = -!!+ñ! . (b) método de comprensión. SeaA = {r r2-3r*2=0}." .865 ) de 1. Por tanto tenemos es (365 - P(n cumpleaños diferentes) = #* # ffi = \'- ' 365 :-l! + 1 1\/'..

?0. A tenemo¡ A C A. Demo¡trarque (á -A)UA =á ¡ólo srBC A e ilugtrarlo utilizando un diagramade Venn.73. 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) lanzar un¡ moneda hasta que aparezc¿ un sello. L. (ñ) A . (e\ B-A. en un grupo de 600 hombre¡.ruNTOS. oPEBACIONES E¡ITBE CON. página 3. (o) Demostrar que (b) Demoetrar que ri p-f Ge[. (e) A-8.ñ(B. B. Tborema 1-120. ¿EE (A - B)' : A' .2. (c) Teorema 1-4. (bl AnB. (ü) B'.uC'). (c) A)8.66. (Véase Problema 1.p6gina 3. 1.61. A)8. (e) el número de partícular nucleare¡ que enhan a un contador Geiger. Emplear un diagrama de Venn para dibujar ceda uno de loo conjuntoo eiguientec: (¿) A n (Bucl (ü) . de loe siguientes experimentos aleatorios: (o) 3 lanzamientos de 1.66.A r. (c) Añ(BuC).7 o negar: Si A u (Ar\B) eilusha¡loporundiagramadeVenn.nC. 1. Demostra¡el (a) Teorema l-2. página (o) Eemortrar la segunda ley De Morgan. 1.5. Sea'tl el conjunto de todos loi enteros no negativos y conaidérenee loe nrbconjuntoc A = {xl¡e¡unente¡ope¡. 0 @uB) . (d) el númer.76. ei ¿[e como I Sea ci éeeI' o cl¿se de todos loe conjunüoc que no 8on elementos de eUos mi¡mo¡.(BnC) (e) A' - (BuC)' 1. 15¡(6. (s) (AnC)' u B. (d\ (AnBlu(AnC).62.68. Demo¡harque .60.(B. Generaliza¡ el recultado del Problema 1. (ó) Sir yy son do¡ númeroereales sr¡alesquierq entonces x1y. signifrcadodecadaunadelasoperacionessiguienüee: (f) B A. Afirmar -B = @. 1. entoncq cJeeJ. ESPACIOS MUESTBALES Y SUCESOS L. formule en palabras el (a't A'. Generdiza¡ las primen y eegunda leyec De Morgan a cualquier número de conjuntos.Encontrar (a) Av(BuCl. E¡tudiar la verdad o entonces A CB. 1 1. x>y O i Demostra¡ que cualquier aubconjunto del conjunto vacfo debe ser el conjunto vacfo.69' 1.69.6?. C = {4.32 CONJUNTOS Y PROBABILIDAD Demoeürar que para cualquier conjunto [cAP. (ü) Teorema l-8.1. I-a paradoja descrita se conoce Rusell. (e) A. (d') A-8.?f . B.68. página B. (o) Si A y B eon dos conjunüos cuáleequiena. Ilustrar el principio de dudidad haciendo referencie a losteoremas de la pfuina 3.72. B={2.2}. 1. 1. 1. entonce¿A = B.o de llamadas recibida¡ en une ce¡ttrat telefónica.4 u (BnC\ (c) A' n (BuC)' (rt) A . (fl (A-B) u (B-A).t B = IA-(AnB)] u ÍB-UnB)l 1. De¡cribir un espacio muestral para cada uno una moneda.0(¡=4) Encontra¡ (a) AvB.} ! B = {rlreounnfimeroprimo.5\ yrupóngarequeloerubconjuntoede'll son A:{1. 1. =y.(AuC).31. (c) A'uB. (d) AnB'.5}. 1. EXPEBTMENTOS ALEATOBIOS. y (D) ilustra¡la utilizando un diagrama de Venn.B'? Ju¡tificar l¡ ¡olución. (fllanzat una moneda y un dado.). (c) A'nB'. Un erperimento consiste en el lanzamiento de una moneda y un dado. . Seaununiver¡o 'Ll:{L. (Ó) el nhmero de fum¡dore. 1.. DIAGBAMAS DE VENN y TEOREMAS SOBBE CONJUNTOS 1. - . (b) (AuB)uC.4.?).76.6 A: falredad de las propoeiciones siguientce.9.3.64.

demostrarque pendientes.. 1.77. 20 azules y l5 naranjas. (e) Al menos aparezca una cara en tres lanzamientos de una moneda honrada. L.cAP. Sea A1 el suceso "reyen la primera extracción". Resolver el Problema 1. (c) ninguna sea naranja. (b)AyBñC. cartzs 1. (¡) solamente una sea roja.85. Determinar la probabilidad p. satisface los axiomas de probabilidad en la página 6 y por tanto todos los teoremas sobre probabilidad. (b ) A' es independiente de A es independiente de B demostrar que (o ) A es independiente de B . o un estimador de ella. Un experimento consiste en la sucesiva extracción de tres cartas de una baraja. y así demostrar eI resultado (l ) del Problema 7. B'.54. SiA. 1. Demostrar que si P(A ) >P(B ) entonces P(A I B) Si > P(. (e) pl(A1nAr) u (A"nAr)]. remplazando la bola extraída después de cada extracción.92.t1. ll CONJUNTOS Y PROBABILIDAD 33 TEOREMAS SOBRE PROBABTLIDAD 1.?9.83. B. (h) máximo una sea roja.90. 1. 1. (¿) p(A1^A'2ñA\). üe (sin Una caja contidne 2 bolas rojas y 3 azules. Hallar la probabilidad de extraer 3 ases aleatoriamente de una ba¡aja de 62 remplazan. (c) una sea roja y la otra azul. (g) al menos una sea azul. 1. o azul. y (I I ). 7. (e) la segunda no sea azul. Hallar la probabilidad de que si dos bolas se extraen aleatoriamenremplazamiento) (o) ambas sean azules. (d) sean rojas o blancas o de ambos colores (roja y blanca). CALCULO DE PROBABILTDADES 1. 12 defectuosos.8t.83. (i) la primera sea blanca pero la segunda no.82. pfuina ?. Csonsucesosindependientes.80. Halla¡ la probabilidad de que (a) ambas sean blancas. (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. blanca 1. 30 blancas. 1. . (¿) roja. (b) ni roja ni azul.(A ñ B) son mutuamente excluyentes. Se extraen dos bolas sucesivamente de la caja del Problema 1.t4. para cada uno de Ios sucesos siguientes: (c) La aparición de un rey. (d) blanca. Completar la demostración en el Problema 1.tA'r). .89.42 el suceso "rey en la segunda extracción". (c) no azul. Demostrar el resultado (1 1). pfuina Demostrar que P(A'uB') = 1 . (b\ p(AluA2\.84 si no hay remplazamiento después de cada extracción. @) p(A'rr. Hallar la probabilidad de que sea (c) naranja o roja.14(b) demostrando (sin emplear el diagrama de Venn) que AUB = AOIB-(AOB)I donde A y B .P(A¡B).1. PBOBABILIDAD CONDICIONAL Y SUCESOS INDEPENDIENTES f . as. 1. 1. (c) AyBUC. (c)A y B-C. jota de tréboles o reina de diamantes al extraer una sola carta de una baraja común de 52 ca¡tas.7t. p6gina Generalizar los resultados (I0 ) 30. (b) La suma 8 agatezca en un solo lanzamiento de un par de dados honrados. (b) ambas sean rojas. Se exürae una bola aleatoriamente de un caja que contiene 10 bolas rojas. y A3 el suceso "rey en la tercera extracción". 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).86.página 8. 1.4 ). (b) la primera sea roja ylasegunda sea blanca. Explicar el significado de cada una de las siguientes: (a\ P(AroA!r). son inde- .91.87. (D ) si las cartas (o) se no se remplazan.8 I .

CUENTA Y DTAGNAMAI¡ ARBOL 1. ¿De cuántas forma¡ pueden ordena¡se 7 libros en un eEtanüe ei (a) er posible cualquier ordenación.lO2. Una bola extrafda aleatoriamenüe de una de las. A ¡: auceao At. ¿Cuánto¡ números de cinco cifras pueden formarse con los dÍgitos L. AziA2. En cada compartimiento del primer joyero hay un reloj de oro. Se lanza una moneda tres veces. La urna I tiene 2 bola¡ blanca¡ y 3 negras. suceso "número impar en el primer dado". (¿) roC¡. 1. (b) las primeras dos cifras de cada número son pa¡es? lor números deben ser 1. ¿Cuántos números diferentes de 3 cifra¡ pueden formar¡e con 3 cuaEog. Az.96. Una caja contiene 3 bolas azules y 2 rojas mienüras que otra caja contiene 2 bola¡ azulee y 5 rojas.1O3. (b) doe mujerer determinadas no deben centar¡e juntar. .1O?. 9 ¡i impares.109. En cada compartimiento del Begundo joyero hay un reloj de plata. 1.9?. A2 = BuG€so "núme¡o impar en el segundo dado". Hallar el valor de (a) rC3.99. 1 1.1OO. Se TEOREMA O REGLA DE BAYES 1. (b) ¡C¡. (c) cada mujer debe eetarentre dos hombres? COMBINACIONES 1. Se extraen tres cartas aleaüoriamente (sin remplazarniento) de una baraja de 62 ca¡tas. (c) 2 libros deüerminados deben ocupar lo¡ exüremos? (o ) 1. Se selecciona una urna aleatoriamente la urna II. 1. Resolver el problema anterior si la8 cifreÁ de los números pueden estar repetidas. . Demostrar que A¡ . Hallarelvalor de(a) oP2. ¿cuál es la pobabilidad de que el otro compartimiento tenga un reloj de oro? 1. (ó) zPs. y una bola ertraída aleatoriamente e¡ blanca. en tanto que en el oho hay un reloj de piata Si seleccionamos un joyero aleatoriamente. . y lrr urna ffl. 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. 1. Utiliza¡ un diagrama árbol para determin¡r la¡ diferentes poribilidades que pueden suceder.106. 3.104. . ¿De cuántas maneraa pueden coloca¡se l. caja / contiene 3 bolasrojasy Sblancas.+tPt = nPtl.101. Hallar la probabiüdad de haber escogido la urna I. ANALTSIS COMBINATORIO. (D) 3 libros determinados deben estar juntos. 4 blancae y I nggra. .94.106. La escoge una bola aleatoriamente de la primera caja y se coloca en la s€gunda c¿ja sin ob¡ervar su color. . ¿De cuántas formas pueden 5 personas sentarse en un sofá si tiene sol¿mente tres asientos? 1. Atl At. abrimos uno de los compartimientoa y hallamos un reloj de plaüa.43 no son independientec.¿Guál es la probabilidad de haberla exbaído de la primera caja? Ttes joyeros idénticos tienen dos compartimiento¡. 2.34 CONJUNTOS Y PROBABILIDAD Sea lcAP. Hallar la probabilidad de que sea blanca. A3 lon independientes pero que 1.98.cajas reeulta azul.ent¿nüoquelacajalfcontiene4bola¡rojasy2blancas.4 doeee y 2 tres€s? 1.93. ¿Para qué valor de n es . (¿) roP¡. 3 blancas y 4 negras. á3 : "total impa¡ en ambos dados". En el tercer joyero eñ un compartimiento hay un reloj de oro.10t. L. I monedae diferentes en 2 posiciones diferentes? PERMUTACIONES 1. Luego ee extrae una bola de la segunda caja.96. ¿De cuántas formas pueden 3 hombres y I mujerec sentarse alrededor de una meea ei (o) no se impone ninguna resüricción.

111.119. 1. (f) la seErnda carta no sea una figura.122. PROBABILIDAD UTILIZANDO ANALISIS COMBINATORIO 1.113. (b) tres 1. (e) no más que una carta sea figura (jota. 3 corazones y 1 pica. par. ¿Para qué CONruNTOS Y PROBABILIDAD valor de n s€ cumple que 35 3' n+rC¡ : 7' nCzl. ¿De cuántas formas pueden seleccionarse 4 niños y 5 niñas si (o) no determinados? 2 hombres.. 1.(b)almenoe dos lanzamientos de un par de dados honradoe. (g) la seg. j=1 = n.117. Expandir (o) (o+y)6. (c) un economista determinado no debe estar en el comité? 1. ¿f). Demostrar que (o) É ..125. (b) un palo completo. (c) (t-r t)s.114. Si s€ extraen 3 tiquetes de la caja uno a uno' hallar la probabilidad de que alternativamente s€an impar. 1. \ r/ 1.4 mujeres. (d) (rz*21t.116.t24.+ r-''i" 2/ \l )=o \o/ \r/ /"\ * /"\ I 1.2n-1. 3 y 2 personas? y 3 personas.C. Hallar la probabilidaddeque (o)laprimera carta no Bea un diez de tréboles o un aa.( ") . t"l kCz\QC¿)/DC. Halla¡ el número de (o) combinacionee y (D) permuüaciones de cuatro letras cada una quepuedenformarse con las letras de la palabra Tennessee. (ó) ( )..110. 2 héboles."". unavez'(c)dosveces'en 1. Demostrar que (c) (b) \r¿l \o/ \r / + 1") * '.. Hallar el coeficiente de ¡ en lt * ¿)t.rnda carta no sea una figura dadoque la primera eí lo es. 3 niños y 3 niñas con 6 hombres.e cuántas formas puede un grupo de 10 personas dividirse en (o) dos grupos de 7 grupos de 5. En un juego de naipee ee reparte a cada uno de loe 4 jugadores 13 cartas de una baraja de 52 cartae.. (b) /11 \ (r-a)4. reina' rey).126.120.) = 0. Se extraen dos cartas sucesivamente de una baraja de 52 eartas./"\ . 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. impar o par' impar' par. Hallarlaprobabilidaddeobtenerunasumade?puntos(o)unavez. (b) en contra de A de perder los prir4eros dos juegos? 1. (b) deben seleccionarse un hombre y una mujer 1. ¿Cuántos comités diferentes pueden formarse si (o) no se impone ninguna restricción. (b) dos estadistas determinados deben estar en el comité. Calcular. (c) eC¡. (d) las cartas no sean del mismo palo.118. (b) j=t (-1). COEFICIENTES BINOMTALES 1. (c) al menos una carta sea un diamante. 1l 1. +/"\ \2 / /"\ . (h) las cartar son frguras o picas o ambas. lJna caja contiene 9 tiquetes numerados del 1 al 9.cAP. La¡ apuestas en favor de A de ganar un juego de ajedrez contraB son 3:2.. Con 5 estadistas y 6 economistas quiere formarse un comité de 3 estadistas y 2 economistas.115.121. . ¿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. Halla¡ la probabilidad de que uno de loe jugadores obtenga (o) ? diamantea. \4 / 1.f 23.-tj(.8 mujeres. 1. s€ impone ninguna restricción. (b) la primera ca¡ta sea un aÁ pero la eegunda no.

1.5. Hallar la probabilidad de que un jugador tenga de 13 cartas g de un mismo palo. 1. ¿Puede considera¡ee la moneda cómo honrada? Expücar. ¿Cuál es el menor número de lanzamientos necesarios en el hoblema 1. .'. hallar la probabilidad de que necesiüe 6 disparos. APROXIMACION DE STIRLING A n! 1.136..95? 1. (c) todas las letras son diferentes pero dos letras determinadae no puden estar juntas? tes. PROBLEMAS DIVERSOS 1. . Esüudiar lo eiguiente: no h¿y tal cosa de que una moneda sea honesta pu6to que en cualquier número de lanzamientos es extremadamenüe difícil que el número de caras y Ee¡lor eea igual.l47. Una urna contiene 6 bolas rojas y 8 azules.133.129.138.134. Al lanzar un par de dados la suma puede ser 2. 12.12E.140 para que la probabiüdad de obtener 11 por primera vez sea mayor que (a) 0. Se extraen cinco bolas aleatoriamente sin remplazamiento.I's probabilidad de que un tirador dé en el blanco eede 213.131. (d) 4 ases.140. Demostrar que para cualesquiera sucesos Ar. +P(Á") 1.13?.144. Cuatro enteros se eligen aleatoriamente entre 0 y 9 inclusive. 1. rey y as del mismo palo. ¡rara valores de n grandes.uAn) < P(4. (b) ¿Cuántos lanzamientos se necesitan para quela probabilidad en (o) eea mayor que 0.145. (b) máximo dqs sean igualee.143. - L. Obüener una aproximación al resultado del Problema 1. Hallar la probabilidad de que ocurta 11 por primera vez en el sexto lanzamiento. Demostrarque 1. (b) tn full que consiste en 3 cartas de un valor y 2 de otro (por ejemplo 3 diecer y 2 jotas. 1. ¿De cuántas formas pueden selecciona¡se 30 individuos de un total de 100? 1. 1. (D) 2 letras son idénticas. 1.132.142. (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. . An P(ArvA"u. 1. . Se extraen 3 ca¡üas de una baraja de 52.139.jota.51. 1..127.). Si diepara al blanco hastaqueledal¡primera vez. . 1. Supóngaae que al lanzar una moneda 500 veces hay una secuenci¡ de2(lsnzanientosqueresulüan"carast'.3. l.36 CONruNTOS Y PROBABILIDAD lcAP.reina. Un par de dados se lanzan repetidamente.135. (c) ca¡tas diferentes. Un espacio muestral consiste de 3 puntos muestrales con probabilidadeg a¡ociadas dadas gor 2p. Halla¡ la probabilidad de que (o) las cartas eean de un palo. ¿Podríamos asignar probabilidadee de 1/11 a cada uno de esos puntos? Explicar. etc. Hallar porcentaje de enor en la fórmula de Stirling para n : 10. A-(A nf¡: AñB'. Demosürarque siACB' entonces AnB:Q. . Az.130. Halla¡ la probabilídad de que (o) sean diferen1.146. Enunjuegodepókerhallarlaprobabiüdaddeobtener(o)unaescaleraflor. Halla¡ la probabilidad de que 3 sean rojas y 2 azules.queconsistedediez. . (b)al menos dos sean ages. p2 y 4p Halla¡ el valor de p. (b) 0.) + P(A)+ . 1.141. . ¿Cuántas palabras pueden formaree con 5 letras si (o) lae letras son diferentes.96? 1.. 1 1. 1.

152.8.155. que (Sugerencia: Consi¿s¡ar 1. (b) dos cincos.154. (d) ningfrn 5? ¿Puede resolverse el problema sin saber el número de cincos que tienen los otros jugadores? Expücar. 3. Generaliza¡ el resultado del Problema 1.149. Un jugador de póker tiene las cartas 2. (c) los cuatro jugadores tengan un palo completo._ \r/ (1 + r¡t (1 + o¡"-t y hallar el coeficiente de ¡j en el producto).541.(i)' una interpretación combinatoria. Este tipo de problema se presenta en física en conexión con l¡a es tad ísüca Fermi-Diroc. Demostrar que la probabiüdad para que la secretaria del Problema 1.11)'-* 1i)'-l \"/ \o/ \t/ . 4. . 1.156. (a) Un estante contiene 6 compartimientos separados.rtimientos separados.\¡/(.151.50 si el juego se ümita a B lanzamientos. 1.1ó3. 1. Este üipo de problema se presenta en física en conexión eonlaestadística Bose-Einstein. 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.cAP. (c) trer cincoe. Demostrar que /"\ = ! 1t'¡¡" . 1.)va". ¿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.150. una interpretáción combinatoria. ¿Cuál es la probabilidad de que obtenga el 5 suponiendo que los oüro¡ tres jugadores en conjunto tienen (a) un cinco.151. 1. Desea descartar el 8 y remplazarla por otra carüa que espera sea un 5 (err ese caso obtendrá una "escalera"). Resolver el Problema 1. CONJUNTOS Y PROBABILIDAD 37 (c) Un estanque contiene 6 compa. .:).¿De cuántas maneras pueden colocarse 4 bolas idénticas en los compartimientos? (b) Resolver el problema si hay n compartimientos y r bolas.6.ISrí"r"ncia.54 obtenga exacüamente I ¿-c / r\k sobres correctos ". 1. u¿ fi.t't .148.' Denoüando la probabilidad deseada comopñ (a). "dar ¿ letras en los 1. Demostrar l") . . (ü) tres jugadores. 1l 1.

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

.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 39 donde la suma en 2 se toma sobre los valores posibles de probabilidad. (o ) Suponiendo que la moneda es honrada tenemos P(CC) Luego I 4 P(CS) 1 4 P( SC) 1 4 P(SS) 1 4 P(X-0)=P(ss)=.2-2 Histograma FUNCIONES DE DISTRIBUCION PARA VARIABLES ALEATORIAS DISCRETAS varidble aleatoria X se define por La función de distribución acumuhda..+/(r") x.2..)f(u) (0 donde la suma a la derecha se toma para todos los valores de z para los cuales u = x. pata vrta donde obtenerse. Fig.1 x ( -.de la función de probabilidad notando que r es cualquier número rl = F(u) real. o simplemente la función de dístribución. Si X únicamente toma un número finito de valores lct. Una gráfica de f(¡) se llama grdfica de (b ) EJEMPLO 2. P(X:1) = P(CSuSC) = p(cs)+ p(sc) = i*i P(X=21 = P(CC) Así.1 y construir la gráfica de probabilidad.6.5 y 1.2-f Eepectro Fíg. por ejemplo X: 1 significa que esüá enüre 0. (a) Halla¡ la función de probabilidad correepondiente a La variable aleatoria X del Ejemplo 2. P(X < (8) La función de distribución puede F(rl = P(x=r) -. r. Tabla 2-2 =I r f(r) 0 I r/2 . (b) IÁ gráfica de probabilidad puede reprecentarse comoleindica en la Fig. 2-1 la suma de las ordenadas es 1 mientras que en el histograma la suma de l¡¡ áreas rectangulares es 1. es decir . 2-2..cAP. En el ca¡o del hislogama podemos considerar la va¡iable aleatoria X como continua. 2-1. como se indica en la Fig. o por un histogromo. lxla .) +. Íz rn entonces la función de distribución está dada por 0 f (r') f(rt\ + f(rü F(r\ = -@<fr1It rt3fr1trz rz3fi1rt : (5) /(r. En la FA. Recíprocamente la función de probabilidad puede obtenerse de la función de dist¡ibución. r/4 =I r/4 la función de probabilidad está dada en la Tabla 2-2.

DISTRIBUCION DE PROBABILIDAD Si X es una variable aleatoria continu4 la probabilidad de que X tome un valor determinado generalmente es cero. Sin embargo hay una probabilidad mayor que cero de que X esté entre 145 y 150 centímetros. F(r) se mues- Los aspectos siguientes acerca de la función de distribución anterior.)I__ f(r\dx=r donde la segunda es una proposición matemática del hecho que una variable aleatoria de valor real debe ciertamente encontra¡se entre . 2.@ e -. 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. 1. Estas ideas y la analogía de las Propiedades 1 y 2. EJEMPLO 2. deben notan¡e. tomando valores desde 0 hasta 1. 2. (b) Obtener (a) f'a función de distribución es lo F(r) = ll ln la ln [1 I -o(¡(0 0<r--l l<r12 2<r1de (D) Larepresentación gráfica tra en la Fig.40 EJEMPLO VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD lcAP. El valor de la función én un entero se obtiene del paso superior.2. Debido a la apariencia de la gráfica de la Fig.3. A medida que procedemos de izquieida a derecha (es decir subiendo la escalera) la función de distribución permanece igual o aumenta. que son verdaderos en general. 712. Este hecho permite obtener la función de probabilidad a paftir de la función de distribución. (o) Halar representación gráfica. 2-1. Debido a esto se dice que es vnafunción monotónicamente creciente. 2-3. la función de distribución para la va¡iable aleatoria X del Ejemplo 2. 1. nos conducen f(r) tal que o a poshrlar la existencia de una función 1. por ejemplo. Las magnitudes de los saltos en 0" 1. así el valor en 1 es 314 y no Ll4.n (6) . Por tanto no podemos definir una función de probabilidad en la misma forma que para una va¡iable aleatoria discreta (págrna 38).4.2 su 2. f(r\ > 2. . 2-3 frecuentemente se le llama función escalera o función paso. Entonces definimos la probabilidad de que X se encuentre entre ¿ y b como P(a<X<b) : Í"' f (n) d. la probabilidad de que su estatura X sea precisamente 147 centímetros sería cero. 714 corresponden exactanrente a las ordenadas en la Fig. 3. Si se selecciona aleatoriamente un individuo de un grupo numeroso de hornbres adultos. Esto se expresa matemáticamente estableciendo que la función de distribución es continua por la derecha en 0. pagjna 38. 2 son LlA.

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

ü# (121 at. 2s137 n La probabilidad de que X se encuentr€ entre r yxt Ax está dada por (8) p(r= xtn+ta) así que si = . : f(x) Si f(r) Fig. (10) es la /(¡) es continu4 es decir la derivada de función de distribución REGLA DE LEIBNIZ Pa¡a obtener (101hemos empleado el hecho familiar del cálculo de que $ !"' tlu) ou = Este es un caso especial de f (s) (11) h regla de Leibniz para diferencbción de una integral: *Í"". la cunra no puede caer por debajo del eje r. INTERPRETACIONES GRAFICAS es la función de densidad para una variable aleatoria X entonces podemos reptesentar y gráficamente por una curva como en la Fig.rr ¡g¡au f'** : f(n\tn A* es pequeño tenemos aproximadamente P(r<X<a*tr) (e) También observamos de (7) que al diferenciar ambos lados ry=r@) para todos los puntos donde función de densidad.' T*0" + F(az(a). se representa por el área sombreada de laFig.6. az y F se suponen derivables con respecto a. es deci¡ P(a 1 X < b).i.F@t(n). 2-l .'r(u.'.x)itu donde = f""jl.2-4.r.42 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD [cAP.2 (ó) Tenemoa P(r<x<2) P(X=21 - P(X=1) f(2) - F(1) n-n como en el Ejemplo 2. Geométricamente la probabilidad de que X esté enhe a y b. El área total limitada por la cuwa y el eje ¡ debe ser 1 debido a la propiedad 2 en la págna 40.a# ..'. 2-4. Puesto que f(r) Z 0.

. y f puede toma¡ cualquiera de los n valores !t. Y puede representarse por una tabla de probabilidad coniunta como en la Tabla 2-3.2.. a ul ft(s^l 1 Totales - zfu) f zfuz) iz@") e Gran Total .a) -. f X\ ü1 Ut u" U¡ 'Yr¡ y. f f (rr u. Análogamente la probabilidad de que f = y¡ obtiene sumando todas las entradas en la columna correspondiente a !r ! está dada por P(Y-ar): Para h : Tabla 2-3.'.. y son dos variables aleatorias discretas definimos lafunción de probabilidad conjunta por P(X=r. fz(g¡l = t=r 2f@t.a) donde (18) 1. Supóngase que X pucde tomar cualquiera de los m valoreg Ít. se hacen fácilmente modifrcaciones apropiadas.o 2.... Caso discreto... Entonces la probabilidad del suceso X': qiY : /p está dada por P(X = rj. !n. 1. f (rz.t\ Totole¡ ü f f f (rrai (rz..l t@) Í2 a) (rz.cAP. También pueden hacerse generalizaciones a más de dos va¡iables.mestasseindicanporlaenhadadetotalesenlacolumnaomargendel se extremo <ierecho como se indica en la Tabla 2-3. y es uno.. 2-5. n estas seindican porlaentradade totalesenlafilao margeninferiordela Tabla 2-B "'.2. !2.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 43 aumenta desde 0 hasta 1 y se representa por una culva como en la Fig. Y : Ar) = f(r¡.A*) ) n {15) Parai:l.. La probabilidad de que X : *. En los casos donde una variable es discreta y la otra conünua. f ai f (r^. La función de distribución F(*) = P(X s ¡) es una función monotónicamente creciente que DISTRIBUCIONES CONJUNTAS Las ideas anteriores se generalizan fácilmente a dos o más variables aleatorias.a*\ m (161 L. Si X. an) it@zl .Y=E) = f(x... yz) f (t*. tz x^. es decir la suma sobre todos los valores de x. Consideramos el caso típico de dos variables aleatorias que son ambas discretas o ambas continuas.Ím f (r-. l(xr. f(r.U*\ (141 Una función de probabitidad conjunta para X. se obtiene sumando todas las enhadas en la fila conespondiente a x¡ I está dada por P(X = r¡) = f'(n¡) = k=l f(a¡.

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

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

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

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

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

4).2).1. Utilizando el hecho de que los 36 puntos muestrales son igualmente probables. (c) LospuntosmuestralesparaloslianzamientosdeunpardedadosestándadosenlaFig. 2'9.3). así que cada punto muestral tiene probabilidad 1/36. Así para (3. Supóngase que se lanza un par de dados honrados y que la variable aleatoria X denote la suma de-los puntós. . Nótese que en la Fig. de acuerdo con si deseamos considerar a X como va¡iable discreta o continua. obtenemos la Tabla 2-4. 2-8 la suma de las ordenodas es 1 en tanto que en la Fig. 2-8 o en la Fig. (4. (3.1) así que la probabilidad asociada es 4/36. (2. Tabla 2-4 'x 1'17'página18.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 49 Problerna.La 2 3 4 5 6 7 8 q l0 3i 36 11 t2 1/36 /(r) 1/36 2t36 3/36 4/36 5/36 6/36 o/. 2-9 la suma de todas las óreos rectangulares es 1. (b) Consbuir una gráfica para esta distribución de probabilidad.cAP.Po¡ ejemplo.2) tenemos X : 5.Jo 4/36 2/36 (ó) Podemos emplear un espectro o un histograma como los dados en la Fig. (a) Obtener la distribución de probabilidad paraX. variable aleatoria X es la suma de las coordenadas para cada punto.s restreltos VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD DISCRETAS 2. garaX:5 corresponden los cuaho puntos muestrales (1.

Enüonces de los resultados del Problema 2. F(r) 1 33/36 30/36 27 i36 I 24/'. Se encontró quelrr probabilidad de obtener eractamente r veoea A en los n intentos es icrp'q. 2-ll (b) Véase Fig.".46 trató el caeo de n intentos mutua¡t¡ente independientes.) 3 se indica en la Tabla 2-5. siA e¡eleuceeo"niñott.2-L2.50 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP. La función de probabilidad para X.2 1/36 2fr13 3/36 3fr<4 6/36 4f s<5 sslso rr<"<rz I 12 0123 Número de ¡lños X = ¡ lrlq Fig.2.t-. 2-10 o en la la FI.3. (c) Hallar la disgibución de probabilidad de niños y niñas en familias con 3 hijos.. 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.(. (b) Représentar gráficamente la distriUución en (o).c.(.(i) \-'l /r \3 f(r) r/8 3/8 L/8 (b) La Eráfrca va¡iable X como discreta o continua. suponiendo iguales probabilidades para niños y niñas.". f(r) = . 0123 Número de ¡¡iñoc X = ¡ Fis. donde cada intento tenfa dos resultados posibles. 2-11. Fig. Obsérvese que el cero del eje r se ha desplazado.)"(t'-' = .1 hallamos F(rl = 0 -e 1r<. I 3/8 .JNCIONES DE DISTRIBUCION DISCRETA r/t 2. c.on probabilidadesp y g: 1-prespectivamente.2 2. (Obeérvese que X se define sobre el eepacio muestral de tres inüentos). A y A'. 2-10 (o) Tenemos que F'(r) = P(X = tl u=x 2 Ífu¡. ip=q:L12. (a) Hallar la función de distribución F(r) para la variable aleatoria X del Problema 2.L y (b\ repr€sentar gráficamente esta función de distribución. (a ) EI Problema 1. Por tanto.)' Tabla 2-6 fr 0 donde la variable ale¿toria X representa el número de niños en la familia. tenemos P(eractamente r niños) = P(X = r) = . dependiendo sobre si deseamos considerar a puede representarse como en la Fig.¿6 2r/36 18/3rt 15/36 12/36 9i 36 6/36 3136 .. D:3.

itan-rc .ran-l(--)J = l[r*-' " "if = i. I -u.e¡décir t-. )? estÉ entre 1/3 y 1. Un (¿) (a) Debemostener aXtienelafuncióndedensidad o". X del Problema 2.. rL t__J = 11h. z2 = 1 (ü) si* = x2 =t. t*tantolaprobabilidadpedidaes t(-'lstt oJ-t dn *lft dr IL'rJ¡5.t¿n-r (+)] I = z(z-z\ = 6 6/ "\4 2. 2-13.6./J f = " =.2-13 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 2. (b) Hallar la probabilidad de que f(r)=c/(n2+l). donde -o(ú.6. Hallar la función de distribución conespondient¿ a la función de densidad del Problema 2.. la constante c.entonces ó -l < x = -f.6.2 obtenemo¡ F(rl (ó) L8 gráfica = de la función de distribución de (o) se muestra en la Fig. f .<6. t:_flu)ttr = 1./ -\-'l (* :u." r¿*l = ?['*-'(1) .-.12 + | = "t"r-rrl r-o = "L.'= J-. (c) Hallar la función de distribución F(*) para la va¡iable aleatoria representar gráfrcamente esta función de dishibución. F(¡) I 7t8 6/r 6tE 4/E 3/8 2t8 I UE t Fig. 1 C" F(r) = )_-t{")a" = i)__ n du _ = !l-t.rr_rrl.\r-.2V @) (o) Uüilizando la Tabla 2-5 del Problema 2...r . _.(-.2l VARIABLES ALEATORIAS Y DISIBIBUCIONES DE PROBABILIDAD 51 2.r12*L =zC' oJ6.4. acf que c=Ur.cAP.

P(X>z) = f -(1 -e-r) = (c) e-4 p(-B<x<4) = ln¡rulou = f_roa"+ ton2r-r. La función de distribución para una variable aleatoria X es (L-e-2" o>0 F(r\ : J^ x1O [u Halla¡ (c) la tunción de densidad.2 2. donde r.42c.U\ : 0 de otra forma. 0 = U < 3. (b) la probabilidad de que X > 2. fir-\ = dt l-F1.7. = = F(2) = | . (c) Hallar P(X>l.A) = c(2r *y). se indican en la Tabla 2-6. debe ser igual a 1.) 2c 4c 6c 3c DC l4c 22c 42c 7c L5c Tota les+ 9c l2c .Y s2\. Puesto que el gran total. Y estÁ dada por f(r. (a) tos puntos muestrales (r. P(-3<X<4) = P(X=4) -P(X<-3) = r'(4) .¡l = f2"-u l0 r)0 r10 le-1 (ó) P(X>z) Otro método. (o) Hallar el valor de la constante c.y f(r. Por defrnición P(X =-21 = )" ze-z"du = -u-r"1.62 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP.e-4.8. )-11. (o) . Tabla 2-6 Y X 0 0 0 I c 2 3 Totales ü I 2c 4c 6c 3c 5c 6c I . las probabilidades asociadas con esos puntog dadas por c(2x * y). y) para los cuales las probabilidades son diferentes a crero se indican en la Fig.du = -e-2"1 = L-e-8 lo l{ Otro método. Por tanto. (b) Hallar P(X =2. Y = l). tenemos que c : L142. y pueden tomar todos los valores enteros tales que 0 < n 3 2. La función de probabilidad conjunta de dos variables aleatorias discretas X.F(-g) = (1 -e-e)-(0) = l-e-B DISTRIBUCIONES CONJUNTAS Y VARIABLES INDEPENDIENTES 2.. y (c) la probabilidad de que-3<X<4.

es decir | | f@.8 son dependientes.Y<2\ = t2l (2c g32 * Bc 1'4c) -f (4c*5c!-6c) :-: 'L 42 4 n otcomo se indica por las entradas sombreadas en la tabla. (o) 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 2-6.10. Demostrar que las variables aleatorias X.u) = lcnU 0(r<4.8 (b) y 2.Y : A) = P(X = r\ P(Y = Y¡ Pero. 2. De estos vemos que P(Y=Y¡ = verificación:1*3 +!+1 ''7 74'7 t4 fz( =t 2. Hallar las funciones de probabilidad marginal (c) de XV (b)de Yparalasvariablesaleatorias del Problema 2.Y=l)=5"=a 42 (c) De la Tabla 2-6 determinamos que P(X>t.Y=\ = asr que h P(x=4 = # P(Y=l) = I (2x rr y)142.u) d.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD De la Tabla 2-6 determinamos que 53 (b) P(X=2. Y <2).11.9.9. P(X = t. puede expresarse como una fi¡nción de ¡ veces una función de y.cAP. para todo r. 2<Y <3). Si las variables aleatorias. 1<g<5 de otra forma 1o (c) Hallar P(X>3. P(X=2.8.{.r du = I . no P(X--2. 2. l22c=17/2r n=2 fz(u) y puede obtenerse de los de probabilidad marginal pata Y está dada por P(Y = a) = totales del margen en la última fila de la Tabla 2-6. como se determina de los Problemas 2. Y son independientes debemos tener. Y es f (n. y. Y del Problema 2. De estos vemos que 6c=L/7 | P(X=r) = ft@) = jUc=1/3 verificación:l+1*11 '7 3'21 (b) La función =r r=0 u=t. (b) Hallar P(1< X <2. (o) Debemos tener la probabilidad total igual a 1.Y=L) + P(X=21 P(Y=L) E resultado también se deduce del hecho de que la función de probabilidad conjunüa. La función de densidad conjunta de dos variables aleatorias continuas X.. (o) Hallar el valor de la constante c.

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

de tal manera que su función de distribución conjunta eetá dada por F(r.14.. y) resultante.¿v I < Y < 5 [ 0 de otra forma L/96. Y puede escúbirse como el producto de una función en r veces una función en y. la Fig.| l rr. Por tanto Fzfu) Puesto que F2 (y) es continua en y = 4@r-t)tz+ tfy<b a=6 l. En la Fig. o 0 ( ¡<4 f de otra forma .(ul = { (.t : 5. l\¡.11. ! c(t = c : F(r. Se deduce que X.l\ (r6)(24) Fig. t = 1. Y del Problema 2. donde J tt.LL se observa que la función de densidád conjunta para X.F ¡ (r) V Fzp) se determina¡on en el Problema 2. Del Problema 2.ul = fr(r) f2(y). av = ut-[:. 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. !""=. Las distribuciones marginales .F(r. región sombreada en la Fig.13.n ffia. Fz@) = 1. En efecto.Y es diferente de cero. Puesto que f(x. 2. esta probabilidad está dada por 'í Í"'=.11 hallar P(X+ y < conjunta de 3). 1 < y ( 5 dentro de la cual la función de densidad X.' *u au)a* Fig. [f=. Y son independientes. En el Problema 2. La probabilidad rc. 2-I6 . 2-15 muesha la definición por trazos de .L2. podríamos remplazar en la expresión anterior [o u<r : 1. F{A) = 0.Yl = rz(az . 3.2l Para y VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD OD = 5. y) : Fr G\ Fz@).¡ ryl96 sobre fi. Para U < l. J ( por < . 2-15 2. Halla¡ la función de distribución conjunta para las variables aleatorias X. 2-16.cAP.

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

tt¡¡f". U: * ..18. f(r) = to de otra forma Halla¡ la probabilidad para la va¡iable aleatoria a = X4 + Puesto que l.U<u) = P(-B<X<\fr) = J-s f@lA.3 ( ¡ < 3 corresponde a 0 s z s 9 er tanto que 3 (¡( 6 corresponde a 9 ( u ( 36.e por el Teorema 2-3.)óx:L2-3u.3. 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 ¡. = P(. o el hoblema 2.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD es 67 2. de probabilidad pedida para U ea ( z-ni i s("! = 1o utilizando el Teorema 2-1.2 = _. HaJlar la densidad de probabüdad de la variable aleatoria U = )? donde X es l¡ va¡iable aleatoria del Problema2.3 y* = 6 rcn u = 6 y u -2re¡I¡ectivamente. En este caso no podemos emplear el Teorema 2-4 directamente ¡rero podemor proceder de la manera eiguienüe. u= r+11 6 r =n/F1. du ¡5 <tz:_su..A¡íparacadavalorderhayunoydamenteu¡valordeuy función de densidad para U ee s(ut Verificación: = ilt'.Loe valore¡ de u que correrponden a¡= .E2.cAP.sutz¡21 ].. Como se obeerva en esta ffuura el intervalo . | .. 2-18..!7.I9. página 46. La función de es disüribución para U G(ul = P('tlu') Entonces si 0 Fis.."1:-.'ll = 1 2. de otra forma .2-lt 5 r¿ = 9 tenemos G(u) = P(Il =ul = P(Xz=u) = Pl'-\n=X=rF'l nñ = J| -V-¡ Í@rar Perosi9(u(36tenemos G(u) rfr.+ l larelación entre loe valoreedeuyrdela¡variablesale¿torias donde u:2.Enüonce¡1.19. Puesto que ú'(u) : dx/du : .¡función u = 2. Tenemos tL = tr2 ó r = *\ñ.2. .16.17.2O. página 46. o por el Probler¡¿ 2.16 que la Tbnemosu:tl3(L2-f...3 ¡e deduc. Los valores de r para los cuales. 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). UyXqtídadapor y8€hatomadol¡raízrealpositiva.3 ( 6 corresponden a los valores para los cualeo 0 S 36 como se muestra en la Fig. recfprocamentg..82. La función de ptobabiüdad de una variable aleatoria X (2-' ü=1.

0 < a < 4 g(u'al = de oEa forma {o La función de den¡idad marginal de U está dada por 21u<6 ctfu) = f"^=oWo' J. 1 < y ( 5 correeponde a la regiiin 0( u ( 4. etcogiendo arbitrariamente l¡r eegunda relación.r'nu ffr:i:0" 'Sea u = t I 2y. Y tienen función de densidad conjunta r(x.-ro 0 6<¿<10 f4 afu.ol =#¿" . u : r. 2-r9 Entonce¡ por el Teorem a 2-4 la función de densidad conjunta de U y V (u(u-t:l/384 21u-o( 10.2 < u .<¿<36 de otra forma 21rsrz Verificación: zlb. El Jacobiano está dado por Fr 0r J_lr"0o oa lüu la" att lo =l I 1 11 -.a) (véase Problema 2. ! : ll2(u . Si las variables aleatorias X. 2 ea - Fig. = 2.=. 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. 2-19. = {. le * fil2136 z4B l.u 110 que ¡e muesEa eombreada en la Fig.u). función de densidad de U = X + ZY.IBUCIONES DE PROBABILIDAD Pueeüo que la [cAP.11) hallar la Método 1. Por üa¡¡to la región 0 I r 1 4.21. lo1u114 de otra forma . Entonces la ¡olución ¡imultiinea re¡ulta r : u.1.2 l*ibníz (12).58 VARTABLES ALEAT1ORIAS Y DISTR. función de den¡idad g(u) ee l¡ derivada de G(u) tonemos.

[.u2 t< 7) uztga-rls < L26'u 6 1 64u 1u2 < Eata región ee muesba eombreada en la Fig. Al dividir egüa¡ ecúaciones obtenemoe y/r = u/u aef que y = ut/v.2)2 (u reeultado dd método L para 6 ( u ( 10. 2-19. IL m de b Flg.au i*Z=.i 1<c<5 Pa¡¿ 21u ( 6 obserraÍros al r€ferirnoo a la Fig. u = x2 y . Nlétod.ytdrdy " = ÍÍ fta. eüc. I/aimagende0(x14.y=y2/3p-rl3.11) hallar la función de densidad conjunta de U no uu está dada por o<azlgu-r/t<4 gue son equivalentee a . Si las variables aleatorias & Y tienen la función de densidad conjunta 4' L <s <5 f(r. De un¿ manera análoga podemoe obtener el Al deriva¡la con respecto a ¿ 8e encuentra (u . Fíg.o 2.2-2O Fig. V = )PY.22.2l como VARHBLES ALEAI"ORIA"S Y DISTBIBUCIONES DE PROBABILIDAD 69 'lar p determina refiriéndo¡e a lae regioner ¡ombreadas I. Mo ¡oe conducealasolucióneimultánea s=p2/34-r/t.2-2L 2. 2."'' gunoo = Í"::'lW-#fo' + 4)t2304. El Jacobia¡¡o estó dado por . 2'20 gue la últim¡ integral ee igud a Í"--. Considére¡e u : xy2 .21.a) : {*''nu de otra forma :':' 0 L = XYz. 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.' I":".a función de di¡tribución de la variable eleatoria X + 2Y erüá dada por P(x *zY É ut = Íl rr2y 3 t@.cAP.L(y(Senelpla' (véase Problema 2.

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

ar@u .-*) = 1 2.8 y 2.f2(u-t:ld.24.w) = (" DISTRIBUCIONES CONDICIONALES fz@\lt@-u)dut = fz'ft "/u=-n 2. de densidad de U: X * Y e¡ y): f t@) fz(yl.fw=n . (o) Empleando los ¡esultado¡ en los Problema¡ 2. Ve¡ific¡ción: ao ifui = 6o. obtenemos (-' Ítrfz = . En este caso la función de den¡id¡d eonjunüa et f(x.e-tr¡ f -'. 2. pígna 47\" Tenemos Ít* fz = | /r(") fz@-o) Jo=-a Haciendo fa da u)= a.f . (y) respectivamente. así que por el Problema 2.to ¡iu>0yg(u):O¡iu(0.u:-dw.{olf2(u-olito = f t* fz que es la conuolucidn de h y fz.rru-u)f2@t)(-d. R'ex. (b) P(Y : 1lX : 2'¡ pan la distribución del Problema 2. Por tanto Cful = | JO f! (2e-2ül(ge-sru-u))do (" = 6"-su. 2.a J_ú En el integrando f1 se anula cuando u ( 0 y f2 8e anula cuando u ( u.d..8.f 2* f1 (Propiedad 1.u = (.26.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD 61 2. halla¡ la función de densidad de su sumao U = X Por el Problema 2.<0 L0 ü>o * fg"-to a=o " frfu\ '-\e' =1l0 a<0 Y.f¿ .olver el hoblema nes de densidad f t@).l) = 6(e-zt .cAP.27.9 t¿nemo¡ ftutrt = arf que con ¡ : 2 ffi:*+#t f(ylz\=g#f=+ P(Y=rlX=2\=/(1l3r=*z (ó) .- u de tal maneraque u = u-u. HaJlar (al f(y l2). Si X.23 la función s(ul = t'. Demostra¡ gue fi t.23 si X.241a función de den¡idad pedida es la convolución de f t y fz y eetá dada por c@) = ft*fz = f' fr(o.25. Y son variables aleatorias independientes que tienen funciones de densidad ft@l =112"-t' . Y son variables aleatorias independientes que tienenfunciof.o{üau = tfo'k-r"-"-rv\d.

(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. !2@) Para = Í' Brydr = 4aÍ-u2'l lo¡ otros valores de y. como 8e integrando con reapecto a ¡ desde r = y hasta Í: indica por la franja horizontal en la Fig. = Í. ft (¡) = (b) 0. 2-23.2 2. ¡. /(¡ | y) no ertó (ó) P(Y>l¿l+<x<l*drl = tr*. rt*) hallar (a) f(alr). pa¡a 0 ( y ( 1. Análogamente. La función de den¡idad condiciond no está defrnida cuando L8 función de densidad condicional de Y es..ffr:j:r.a) = {i. El resultado es (' Ítu. Fig. dada I 16 2. Pa¡a los ohos valoree de r.rYP* está.) = Jt=o Sxydy .'. (o) Para 0kc(1.4¡s pare 0 ( ¡ ( 1.2-23. Si X. 2-23 (c) La función de den¡idad condicional de X ec. (d) la densidad de Y.2E.rlrol+)0. El re¡ultado es para 0 (y(r.t'o<a<r [0 se muestra Hallar (a) la densidad marginal de X. (b) P(v > + I + < X <*+d'r).29.62 VARIABLES ALEATORTAS Y DISTBIBUCIONES DE PROBABILIDAD lcAP. (b) la densidad marginal de Y. : J'(i**r)0. y) er diferente a cero sombreada en la Fig. La región sobre la cual f(r. Y tienen la función de densidad conjunta r(r. para 0 ( r ( 1. 2-23. (c) la densidad condicio nal de X. f2Q): O. Y por f(r. hl.): fz@lr\ = !(u'a'-l = {'u'* h@\ lo La funeión de densidad condicional no está definida cuando JFr o=u=r otray (¡): 0- . La función de densidad conjunta de las va¡iables aleatorias X.i¿¡t\ = {o (2r/(L-azl a=r=l otra¡ O.¡. la deneidad marginal de Y se obtiene fijando a y e L. ft@la) (d) = ffi . = t¡*} ftulr\ h¡a oü¡o¡ ralore¡ de = definid¿.a) = {t^" de otra forma 1=1=.* :".

y a¡í { Y son dependientes.rrrro.ls rbF /"\2-1. Y son independientes. Entonces la probabilidad de pegar en el blanco es Jo I rb t(.[t . R es la dista¡rcia del impacto desde el centro del objetivo. Determinar si las variables aleatorias del Problema2.)']0" Aquí.2-21 Puesto que siempre se hace impacto en el 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. 2-24).r'lúttr = Í"' fo" &or : . La función de deneidad ertá dada por f(r) r_ /r)rl = "Lt . Ít@l = 4r?.A\ = 8rA.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 63 Verificación: fo' .31.cAP. la¡ funcionee de densidad de X. EnlaregiónsombreadadelaFig. fz(A) : AaQ-A2').. Eeto ¡e debe a la restricción 0 < y < ¡. la función de densidad estd dada por . Portanto f(r.t L \a/ 2. = lo'Ar"d.(. y) puede expresarsecomo una función de r por una función de y. Y están dadas respectivamente por (r) f . que flr.¡ _.r) = .)¿.U) Debe anota¡se que no puede deducirse a partir de f(x. = t. tal conclusión serfa verdadera- APLICACIONES A LA PROBABILIDAD GEOMETRICA 2. = . y) : 8ry. Dos puntos se escogen aleatoriamente en el intervalo 0 < de que la suma de sus cuadrados sea menor que 1. f(t.2-23.32.30. tenemos ("fr. htotdda -- Ío' 2.29 son independientes. Jo L /r)'lo' = \a/ --) r de lo cual c = 312a.(. que se supone üene radio b. Una persona jugando a los dardos encuentra que la probabilidad de que el da¡do caiga entre r y r t d¡ es P(r= Rtr+d. b(Boz-br¡ =. fot rrror¿a = fo 4A$-u2lda = | 7 f"'r. Suponer que siempre se hace impacto en el objetivo.21). Determinar la probabilidad Denótense por X Y la¡ va¡iables a¡ociadas con lo¡ puntos dados. ¡ < 1. Hallar la probabilidad de pegar en el blanco. + f t@) Í2fu). Íis.30. c es r¡na constante y o es el radio del objetivo (véase Fig. Si ecta ee remplazarí pu alguna reshicción en y no dependiente de r (como en el Problema 2. : T zalo lr-(i) Jl. Puesto que se supone que intenalc igualec tienen probabüdadee iguales.

yt = tr". Entoncee puerto que (3) repreecnte el á¡e¡ de R observamos que b probabilidad pedida es n14.ü Hallar (o) la constante c" (b) las funciones de distribución marginal para X y Y. l.'= _. Supóngase. (RP(X + Y > 4).'=-. = )) fr. U = 0. "(u. f tienen la función de densidad conjunta f(a. debemor 0ener c Í.:=. (h) si X.tsl duit't: Í. o sea un cuadrante de una circunferencia de radio 1 (Fig.t"É s "r* O"O" rI Se deduce que la probabilidad peüda *.l.l(u. a" au P(xz + Y2 = t er la región def¡nida gnt r2*y2 5 l. Y son independientes.2 (2t (t) donde r(x. f"'= --rru."_r"(to.í.(elP(X > 3).Y> Z).| 126 ts) d.t La función de di¡tribución marginal para Y es .. 2-26). (4t) la función de dishibución conjunta. f. f"'=o o(2-r I sl itr dv = !.'=.64 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAI) [cAP.'=--Í"": -ot.que las variables aleatorias X. (D) La función de di¡tribución marginal para X er fr(a) = P(x = al = Í.'=-. * +)ltro" Pare que e¡to ¡e¡ igual a 1. = 2l0c : Ll2lO. (d)P(3 < X< 4.33. x >: O.'y¡ = [. r.t tztut = {. ?f Fis.ffoua. (c) las tunciones de densidad marginal para XV f.u do Fz@l = P(Y =. (o) t a probabilidad total está dada por f.f. *+)0.'=. = o u2 a<o I l6v 105 6=y(b t"'=ozffauao I y26 .ud'o I"=" !'"=o\ffauao Í""=..Í""= _ .2-25 PBOBLEMAS DÍVERSOS 2. Í'='Í"'=oLt!du¿.Í"'=--odud'' = = Í"'=.

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

2.8 elJacobiano eetáda- .1) ó &: a2 6 PortntoY:*tE.3') = g F(z.Y es f(. Hallar la función de densidad de U : Método f Sea . do por U: XY.al + Fr(r) F2fu).Entonce.2rs = - 2U8 a = h(r) = ¡fi e8 u¡¡a rolución. etc. u: x 6r:u.al + ft@lfzfu) o. Lor result¡dos completoe se muestran en la Frg.yt = d+# F(r. Br2 . Xf si la función de densidad conjunta de X. 2.y 1 l. 2-2t (h) Las va¡iable¡ aleatorias aon dependientee ya que f(r. o<Y<1 de otra forma Suponemoequelafunciónde¡conoeidahestalqueloeinüervalocXSr.2 Cuando (¡.Y=y:l¡(*)üienenuna correrpondencia uno a uno en una forma continu¡. ala¡cuales correcponde u:Í1.y) = I 2z2y*xy2-8!-ZV2 420 F(x. y). obtenemos oha erpreción. Si X tiene la función de densidad f(s) = Halla¡ la función Y { l6rÍ-r\ L0 o(o(1 de oha fotma : h(X) que tenga la función de densidad s@) = {:zf(r-a\ 0 |. !: u/u.r.¡) = I F(r'Y\ = I F(r. Por tanto. r): P(ts< yI e¡ decir la¡ funcione¡ de Jo f " au$ - u) ttu = (u Prt(t Jo BAI t)2) d. para 0 ( r. lo que er equivalente F(r.vl -| F(r.2-28.84.yeatarolucióntienelaepropiedadeodeseadas. B.36.yl = F(r. Por incpeccióa. i) ¡e encuentra dentro del rectángulo.IBUCIONES DE PROBABILIDAD [cAP. P(X = di¡tribución deben ¡er igualee.ntonc€.a\ - o Fig. V: X. F(r.66 VARIABLES ALEATORIAS Y DISTB.

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

¿Cuál es la probabilidad de que se encuentren? Sean X.{})(}) = ¡!. 2-31 Entonces.. El lado derecho de (21 es el área de egta región.=¡ e drd o = 2A t" se Cuando la expresión anterior se iguala a la frecuencia de caídas observadas en experimentos reales.R = lf a" au donde R es la región sombreada que se muesha en la Fig. Dos personas acuerdan encontrarse entre las 2:00 P. P(c<c=c+dc) =?d. obtienen valores precisos de Í Esto indica que el modelo de probabilidad descrito es apropiado. puesto que X. . de las dos personas. las funciones de densidad de notamos que X y @ están ¿"¿r" po. La probabilidad de 1 ¡r/2 f(a/2)se { | | li )s=¡ ). la función de densidad conjunta es (r) f(r. 2. M.0<a<L de otra forma es Pueeto que 15 minutos de hora. 2-30 ee obeerva que la aguja realmente toca la lfnea cuando este ¡uceso está dada por X = (ol2) s€n @. con el conveniode que no se esperar¿ln más de 15 minutos. Pue¡to que X y @ son independientes la función de dencidad conjunta ee l(r'c)=?'Z=! ltlt De la Fig. Va que el cuadrado tiene área 1.2 P(r<X<rIdr) =la. Comoverificación 9 :de = | JoÍ Jo ¡rl2 I ia'=r L ?ll2 .37. M. fz|/) : 2ln. Y están dadas respectivamenüe por ft@l= lzful = (r 0:<¡=l de otra forma lo lo lr 0=a<L de otra forma Fig.68 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILÍDAD lcAP. 2-31. Y son independientes. en tanto que loe dos triánguloe de lar esquinas tienen áreas +(*X*) cada uno. fr(¡): 2ll. Por tanüo la probabilidad pedida ee 7176. que es igual a t . esdecir. y las 3:00 P. Y las va¡iables aleatorias que representan el instante de llegada.ul = : 1/4 f t@) fzfu) = 1o (l 0S¡SL. M. Suponiendo que a intervalos de tiempo iguales corresponden probabilidades de llegada igrales las funciones de densidad de X. medido en fracciones de hora después de las 2:00 P. la probabiüdad pedida (e) e(rx - vr É 1) .

(¿) P(X > r. Obtener la función de distribución y su gráfica para el (c) Problema 2. lbbla 2-? 2 3 Tabla 2-8 r f(n) I L/2 r F(r) I r/8 2 3 4 r/3 r/6 3/8 314 I 2.44.rlo s VARIABLES ALEATOBIAS Y DISTRIBUCIONES DE PROBABILIDAD DISCBETAS 2.47. repreeenüar gráficamente la di¡tribución. (o) hallar la di¡tribución de probabilidad para X V (b) repreeentar gráficamente la distribución. (a) construi¡ una tabla que muestre la distribuci6n de probabilidad de X V (b) representar gráfrcamente la di¡tribución. (b) Problema 2.48. s). 2. Comparar los re¡ultados con los Ejemplos 2. Una variable aleatoria X tiene función de den¡idad l(x) Ilallar (o ) = 1o = (ce-g" c)0 rso (d) P(X < 1).39 si s€ extraen las bolas c. 2.42. Sea X la yariable ale¿üoria que representa el número de ases extrafdos aleatoriamente en 4 ca¡tas de una baraja de 62 cart¡¡. (o) Conetrui¡ una tabla que indique l¿ función de dietribución de X y (b) representar gr6ficarnente e¡ta función de distribución. (D) Problema 2. describiendo la relación entre ella¡. La Tabla 2-8 muestra la función de distribución de la variable aleatoria X. Si se extraen doe bolas aleatoriamente sin remplazamienüo y X denoüa el número de bola¡ blancas. Hallar la di¡hibución de probabilidad de Z.on remplazamiento.40.2. Una moneda ¡e lanza tres vece& Si X es l¡ variable aleatoria que indica el número de caras que rerultan.46. (a) Construir una üabla que muestre la distribución de probabilidad de X V (ü) FUNCIONES DE DISTBIBUCION DISCBETA 2.38. 2. 2.2l VARIABLES ALEATORTAS Y DTSTR. (ó) P(1 < X < 2). (c) P(X >21. 2.41. (r) P(. = Determina¡ (o) la función de VABIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 2. Hallar la función 2. (c) Problema 2. la con¡tante c. de digtribución para la variable aleatoria del Problema 2.47.39. (dl P(X < 3).IBUCIONES DE PROBABILIDAI) 69 Problenra. Obtener l¡ función de dishibución y su gráfica para el (o) Problema 2.19.41.1 y 2. 2.18.89. 2.4O.38.42. Sea Z lz va¡iable aleatoria que repres€nta el númcro de ca¡a¡ menos el n(rmero de seüo6 en dos lanzamientos de una moneda honrada.E¡ suplernenta.46. Una variable aleatoria X tiene función de deneidad f(n) = | "r' 1 "r L0 L< aé2 21r13 de otra forma . Rnpre*ntar gráfrcamenüe las funciones de densidad y digtribución. probabilidad. Una urna tiene 5 bolas blancas y 3 neg¡a¡. Resolver el Problema 2.cAP. La función de probabilidad de una variable aleatoria X ee muestra en la Tabla 2-7. (D) P(l < X g).4L.

(d\ P(X > 21.70 VARTABLES ALEATORIAS Y DISTRIBUCIONES DE Hallar (a) la constante c. (d) P(l<X<2).67.2. (b) de Y para la función de dencidad del Problema 2. pendientes. 2. y): cxy parar: L. Demostrar que las variablec aleatoúas di¡ctetas X.57. 2. E)emo¡trar el resultado del Problema 2. De'rerminar ¡i X Y son independientes. 2 2). (b) P(X=2.69. y su función de probabilidad conjunta puede expresarse por el producto de rfna función en ¡ y una función en v. X dada Y.!: L. Hallar las funcionee de probabiüdad marginal de (c) X V (b) (c ) y para las va¡iables aleatorias del Problema 2.ñ. DISTRIBUCIONES CONJUNTAS Y VARIABLES INDEPENDIENTES 2. (c) P(X > 1). SiP(X:3):0hallar(o)laconstantec.56 para el caso donde las variables son continuas. Halla¡ la función de distribución para la variable aleatoria X del Problema 2. (cl P(llz < X < 3/2). f(r) = 1o 0=rÉ2 deotraforma Hallar (a) el valor de la constante c. (D) de Y dada X para la distribución del .56.Y = 3). 0< gr< 1 f(r'u) = 1o deotraforma Determina¡(o)laconstantec.49. X. Halla¡ las funciones de distribución 2. (b) P\X'> PROBABILIDAD [CAP. (g) P(Y = 3). Y son independientes solo si poro todos los uolo¡es de x. Sean 2. La función de distribución de una va¡iable aleatoria X está dada por 2.ót.ó8.2. (b) P(1-12< X <312). 0= ¡=1 deotraforma 2. Y variables aleatorias continuae que tienen función de densidad conjunta (c(r2*a2) 0Ér< 1. cerode otra forma. (b)lafuncióndedensidad.63.3. marginal (a) de X. (e)siX Ysoninde 2. (fl P(X = r). (e\ P\Y < 2).54. ¿Puede ser la función (c(I-12) F(r\ = 1o una función de dishibución? Explicar. (c) P(I<X< 2.52. 2. Halla¡ la función de probabilidad condicional (o) de Problema 2. 2. La función de probabiüdad conjunta de dos va¡iablee aleatorias discretae )d Y eet6 dada por f(x. DISTR¡BUCIONES CONDTCIONALES Y FUNCIONES DE DENSIDAD 2.54. (d) la función de dietribución. Sea X una variable aleatoria que tiene una función de densidad (r. Hallar (o)laconstante c.3.60.(d)P(Y<{).(c)P(|<X<*). Y = 2).(b)P(X<+.56. (c) P(X>l).64.Y>+).

Hallar la función de densidad condicional de (c) Xdada Y. 2. (c) r¿.2l VARIABLES ALEATORIAS Y DTSTRIBUCIONES DE PROBABTLIDAD 77 2. 2.rl:j"<s<L Hallar la funcióa de den¡id¡d ondicional de (a) X dada Y. Sea la den¡idad de X Í@l = Halla¡ l¡ densidad de (¿) 3X (l/2 to -l<r(l deotraforma .7O. Demo¡tra¡ el Teorema 2-2. 2. (ü) Y dada X. (ü) *.64. . 2. hall¡rladensidadde Y = tan-rX.2I y verificar su reapuesta. -. si f(r. (b) Y dada X. de otra forma [^ la función de ilen¡idad conjunüa de X. Completar la labor necesa¡ia para hallar gt(u) en el método 2 del Problema2. u >0 n1O 2.6t. (b ) Iluatrar el re¡ultado en la parte (a) erco$endo f(rl = i: l0 y verificar la solución.*. Si X tiene función de densidad f(r) Hallar la función de den¡idad de l"-.69.67. DemostrarelTeorema 2-3. (bl Xs + 1.66. Hall¡¡ la densidad condicional de (c) X dada Y.@) < 0. 2. Siladen¡idaddeXes f(r)=U"(r2 *1). (e-(r+u) x>0.2. (*e-2.66.63. < 5 < @.(ulZ 0. 2.. n)0 = to r=o Y: X2.p6gna 46. l.62. (D) Y CAITIBIO DE VARIABLES 2. 2. para la digtribución del Problema 2.ú = { 0 J^ ^¿_.71. hal|arlafuncióndedén¡idad deY=*.paraloscaso¡ (al g.6!.(¿) S 0.72. Veúfic¿r que la integral de gr(?r) en el método 1 del Problema 2. y>0 f@.at = 1. 2. SiXüienefuncióndedenaidad f(r):(2v)-r/2"-érz. (o ) Si la función de den¡idad de X es f(r ) hallar la función de densidad de X3 .2L e¿ igual a 1. Y. Sea dada X. -a <a < .cAP.57 . 2..página46.

Emplear el Problema 2.8O. Doc puntor ¡e seleccion¡n aleatoriamente ¡obre un segmento de lfnea cuya longitud a o ) 0.r""""va¡iablesaleatoria¡taleequeX:R co¡O. Sean función de densidad de X. 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. osv51 to deotraform¡ la función de densidad conjunta de Y. APLICACIONES A LA PROBABILTDAD GEOMETRICA 2.74. 2. hallar la fi¡nción de den¡idad conjunta de U y V. 2.22.2 2. Re¡olver el Problema 2. Si la¡ va¡iables aleatorias independienteo X1 y X2 están di¡tribuidas idénticamente con función de den¡id¡d | (t) f te-t t>:0 L0 ú<0 hallar la función de den¡idad de X1 * X2.75.8E.76. y tienen función de den¡idad onjunta f(r'u) = y tJ (e-(t+vt r>0. Sean X. -e 16 1o.a) = (2r\-rs-(r2+Yt). V = X I Y.77.).22 pare. y:8 ¡enO demoeEarqne la -@ I e¡ ob\=i ¡r"-tz/2 r=0 r'(0 l0 2.76. Si X. f.79. yz0 deotraforma {o = X/Y.21 primero efectuando la Ea¡rdormacií¡ 2Y 2.t2. .R y @¡ott tt. < U < @.7t. ofrf 1. Hallar la función de dengidad de Z = XY. (bl V = XzY.72 VABIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD Verifica¡ por medio de integración directa [cAP.halla¡ la función de den¡id¡d de (a) U : XYz. CONVOLUCIONES 2. l¡ función de den¡idad conjunta h¡lloda en el hoblema 2. Y variables aleatorias que tienen función de den¡idad conjunüa Í@. Sean X. 2.t1. 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. para hallar la función de den¡idad de U = X + Z. Si. 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. Sea l(n'u) = ){ (1.emosha¡que (a) lt*(fz*fs)=ft*fz*ft*fs' (b)/rt'(lz+fs) =(/rof)*fs' = Z y lttryo utiliz¿ndo convolucione¡ 2.

E8. deotraforma Hallar la función de densidad de la va¡iable aleatoria Y: X2 y verificar ¡u ¡olución. 8i no lo toma. La función de probabilidad de una variable aleatoria X está dada por f(r) dondep es una constante.GlP(x+r>1).t¡. 2. (c) Representar gráficamente la función de den¡idad y la función dedistribución. Supóngase que f(r) : cl3t.1.. Dos variables aleatorias independientee. (b)P(X> 1). (d) Hallar P(2 = X ( 5).u r€. r :1. P(l<x<2.Y=ll.. X.t9. tomará el metro.t6. Supóngaee que 2. Dos segmentoe de línea. es la función de densidad para una variable aleatoria 2.9O.E4.2l VARIABLES ALEATORIA. t)o es la (0 rS0 (b ) Determinar P(1 función de distribución para una variable aleatoria X. y la¡ 3:80 P. encontrar c.91. ¿Cuál es la probabiüdad de que tome el meüro? Se sabe 2. (d) y (e)? Jurtifrc¡¡ . (e) HallarP(2 s X< 3). Un¡ pcr-na decide 6 minuto¡. 2.cAP. (o) Deüerminar a (b) Hallar la función de di¡tribución.t7. (e) H¡tlarP(X > 3). ir a egta estación entre e¡tos tiempoe aleaüoriamente y eoperar por el buc mÁ¡imo que un bus llega a una estación deüerminada entre la¡ 8:00 P. e¡ la función deprobabilidadparaunav¡¡iablcdeaüoriaX (o) Determinar c. F(rl = 1"0_"_. (c) Repreeentar gráficamente la función de probabilidad y la función de distribución. (b) Hallar la función de distribución. .ln 2)lZ. ' PROBLEMAS DIVERSOS 2. (a) Demostrar que para una constante c apropiada.¡¡ue.92. 2.S Y DISTBIBUCIONES DE PROBABILIDAI) 73 2. Y tienen funcione¡ de den¡idad reapectivar f(n) "ao = {:'u-'" rÉo Lo (cl c@) = {o (c2Ye-st Y>o u=o (e) Hallar(o)ct!cz.. 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 . . (d) P(l <x<21.(d)HallarP(X> 1). AB yCD tienen longitude¡ de 8 y 6unidadesrelpect¡vamente. < X < 2).. Una va¡iable aleatoria X tiene función de densidad l$tr-¡z) o<¡51 f(xl = t.DoopuntosPyQ se escogen aleatoriamente sobre AB y CD reepectivamente.86.0 {o deotraforma X.9L ¿cuil ea la relación en'tre la¡ rcluciones (c). f(r) = ( cre-22 r >. 2. P(r=1). M. 2. M. Halla¡ (o)P(0 < X< 3). En el Problema 2.

. Y son independientes. u=0. x. Y variables aleatoria¡ independientes cada una con función de densidad .X2 + Y2. (c) Dererminar si X y Yron independienter. 2. ¿Cull er el análogo del teorema de la convolución para variables aleatorias di¡creta¡? Ilustrarlo usando el hoblema 2. y > 1). -. ¿por qué? +l En el Problema 2.79 a tres o má¡ va¡iables.0<U<t de otra forma P(X + (a) Determinar ai Y> rl2r. ¿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. X Y va¡iable¡ aleatoria¡ que tienen función de den¡idad conjunta f(r.. (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. Y son independientes.a) = de deruidad (marginal) de Y.L. 2. (d) Hallar 2. Hall¡r ta función de densidad de Z .91 halla¡ la funciónde den¡id¿d de (o) X2. 2.101. Sean X. (D) Hallarp(1 <x<1. f tienen función de den¡idad conjunta f (r' u) = t o llla 0(¡(U.74 VARIABLES ALEATORIA"S Y DISTRIBUCIONES DE PROBABILIDAD sean lcAP.(u) = ¡1e:r donde l. * Y es ) 0.ur = {"-'o |. (c) HallarP(Y = r)..y>1).102. dada en la Tabla 2-9.(d)lafunción Hallar(o)laconstantec. (b) X Si -X..2 2.. y < g) = p(X > p(y < +. t2<X< l)..96.2.s7. 0 os¡=2'o<Y=' de otra forma 2 (o) Determinar ei X.94.101.98. (b) ttallarP(l S X< 3. Estudia¡ ¡i considerra que eltar oupoeiciones Bon realistas y cómo podrÍa mejorarlas si no lo son.103.( tt ( -.1.. (d) Harlar P(Ll2 2.93 ee cumple que P(X > +. 2.). Supóngase que la función de probabilidad conjunta de las va¡iables aleatoria¡ X.(c)lafuncióndedensidad 2. La función de probabiüdad conjunta para las va¡iable¡ X.93. Demo¡trar que la función de den¡idad de X s(u) I @# u=0. Generalizar (o) et hoblemz 2. Y está.Y<312).(b)P(X>Ll2. Y está dada por I r/9 r/6 r(r. + y.99. nal de X y f. o<Y <2 | c(2r+Y) o(¿(r' o de otra forma I (marginat)deX. Sean -(_ Y vari¡ble¡ aleatori¿¡ independiente¡ di¡tribuidae idénticamente y con función de densidad (2v)-r/2¿-úr2. (b) Hallar p(X>tlz). En el Problema 2.78 y (b) el Problema 2. (c) Iüllar p(x<rlz. 2. /(z) = 2.1ü1.2.L se rompe en dos parües. Un¡ estaca de longitud .y> 1/B).96.

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

en tanüo que ni pierde ni gana si obüiene otro resultado. ..1.(. = f:..f(r. Otras medidas se consideran en la página 84. 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. ütf(el\ E(n = + '. wlor esperado o brevemente esperanza de una variable aleatoria. + r^f(x^) : Lr.Capítulo 3 Esperonzo motemóticq DEFINICION DE LA ESPERANZA MATEMATICA . .(. r^ la esperanza de X se define como E(X) = xrP(X=rr)+. . .6sonxr. Para una variable aleatoria discreta X que puede tener los valores xr. .. Así el valor eeperado o eaperanze el E(n =.Un concepto muy importante en probabilidad y estadística es el de la esperanza matemóüca..)(á) *r-'or(l) = 76 b . . 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).Í6respectivamenteconprobabilidadea f(r1 ).r(t) . Supónga¡e un juego con un dado. x2. xn . tenemos de (2) E(X\ = (e) que se llama la media aritmética o simplemente la rnedia de se . ... f(xz).+ rnp(X=r^\ = ix¡p(X=ri¡ o igualmente. En ede juego el jugador ga¡ra g20 si obtiene 2.. . pierde $30 gi obtiene 6.. EJEMPLO 3. por lrx.(á) +(r0)(:) . de cuando las probabilidades son iguales.....)(:) .) = Zrf(r) r. f(xc). Hallarl¡a suma esperada de dinero Sea X la variable aleato¡ia que representa la canüidad de dinero ganada en cualquier lanzamiento. . Para el caso especial tt*Iz+ "'+I" 11 (z) donde la última suma se toma sobre todos los valores up-=or"Oo. ganado...'. La función de probabilidad para X se indica en la Tbbla 3-1.2.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.2¡. g40 si obtiene 4.. si P(X (I) = x¡\: f(x). . . Las posibles cantidade¡dedineroganadocuandoeldadoresultaL..

¡0. entonces E(cX) Teorema Si (s) X. 0<r12 de otra forma E(xt = Í:_. . entonces E[s(x)] : g(n)f(r) + s(rz)Í(r"\ +'. La función de densidad de una variable aleatoria X está dada por f@l = El varor esperado de X es f*u 1.= *|. Y) se obtiene por aleatorias se hacen fácilmente. Si X es la va¡iable aleatoria del Ejemplo 3. + g(x")f(n"\ (5) = É' s(r.Entonces Y FTJNCIONES DE VARIABLES ALEATORIAS Sea X una variable : g(X\ también (¡ | s(¡)==y) es una variable aleatoria y se deduce :* 1..'. Así por " -Ur.2.oO¡f@)dr Generalizaciones a funciones de dos ejemplo si entonces la esperanza de g(X.rrr-z.) = ) i 2. y\..con función de densidad f(r).) /(". Si P(Y=v¡: X es una variable aleatoria discreta con función de probabilidad /(¡).a) f(r.f"_rt" -2x'¡f@)dx . Y son dos variables aleatorias continuas con función de densidad conjunta f(r. entonces (6) Elsul = f.2.3l 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(X+ y) = E(x) + E(y) entonces (e) Teorema Si X. Y son variables aleatorias. .y) r)r d. Se deduce que el jugador puede esperar una ganancia de $5..y \7) 3.. E'ex2_ zx) .Y)l EJEMPLO " = ¿-. Por tanto en un juego honrado es de eeperarse pagar $5 EJEMPLO 3.3.ables X.=+ aleatoria.r(r)dr = Í. Si s(r) /(¡) X es una variable aleatoria. Els(X. Y son variables aleatorias independientes. E6n : E(X) E(Y) (10) Generalizaciones de estos teoremas se hacen fácilmente.fo" . = Ío'tro.Jf*f g@.cAP.(i.l(ir) a' = * : cE(X) ALGUNOS TEOREMAS SOBRE ESPERANZA Teorema 3-I: 3-2: 3-3: Si c es cualquier constante.

tr71x-¡l f(*). para el caso de dos distribuciones continuas con la misma .¡ media 6 p = E(X) = 4/3.2. Fis.t)rl = Í__ O - ¡. &1.)2 f(n) ita (151 I-a.media y se le denota por t. V la varianza por o2. 3-r EJEMPLO ' 3. x^Si (1t) es X es una va¡iable ale¿toria continua con función de densidad f(r). De acuerdo con el Ejemplo 3. ¡. A la raíz cuadrada posiüva se le llama ladesviación típica y por úx = t/@ X = . ALGI.("-á) rota" = J.- y la desviación tfpica "=\F=+ Obsérvese que si X tiene ciertas dimensiones o unüadeq por ejemplo entímetros (cm).+ (a"-plzlln que eslavarianzade turconjunto dez númerosf¡ ¡ .'¡* = ..NOS TEUREMAS SOBRE VARIANZA Teorema 3-4: é: donde p = E(X\.4. la desviación típica se denota por o en cnmbio de o*. EÍ(X -p)'l = E(Pl - p2 = E(X') .. .l0(Xll (161 . Es por esta rcz6n que con frecuencia se utiliza la desviación típica. varianza (o la desviación típica) es una medida de la díspersión o wriaeión de los valotes de la variable aleatoúa alrededor de ¡r. anotamos que la esperanza de una va¡iable aleatoria X frecuenüemente se le llama la. entonces la varianza "? = EÍi/. 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. = J-. tenemos ¿ = l(u-p)r+(rr-p). Si es una va¡iable aleatoria discreta con función de probabilidad entonces la varianza es a'l = E[(X. Hallar la varianza y la desviación tfpica de l¡ va¡iable aleatoria del Ejemplo 3. en tanto que si los valores tienden a distribuirse lejos de la media..A DESVIACION TIPICA Anteriormente e_n la página ?6.. plrf(a) ee\ Donde no exista lugar a confusión.. es decir cm.p)rf(xtl = X (rEn el caso especial de (13) (I3) dondelas probabilidades son toda¡ iguales. Si los valores tienden a concentra¡se alrededor de la medi4 la varianza es pegueña.2 l.3 TI|' VARIANZAY I. +. Entoncec l¡ varianza re encuenha por 02 = r/ t\21 tl("-n/l es / ¡\2 (z/ 2 ¿\r/f \ . ("-i) l. La situación se representa gráfrcamente en la Fig.p)r) = 2 @.78 ESPERANZA MATEMATICA lcAP.¡... entonces la varianza de X tiene unidades cm2 en tanto que la desviación típica tiene las mismas unidades que X. la varianza es grande.

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

la justificación del nombre función generatriz de momentos es lógica. Entonces X.r.-" (32) es decir. la función generatnz de la suma de va¡iables aleatorias independientes es igual al producto de sus funciones generatrices de momentos.=t eo'f(r¡) = 2 ) _. Donde no exista lugar a confusión escribimos M(ü) por M"(tl..4pip I FI. Yson variables aleatorias con funciones generatrices de momentos M * (t) y M . (t) respectivamente. Y tienen la misma distribución de probabilidad solo si M. En palabras. FUNCIONES CARACTERISTICAS Si remplazamos ú : i<.16(D)l = fi*"Oll. ¡ri es la r-ésima derivada de M * (ú) evaluada en ü : 0.función generatríz de momentos se define como Mx$) ee decir = E(e'*) er"f (28) (variables discretas) (2el (30) M*(t) = M"(t) ¡ . 2p" 6¡Ir¡12 tt.t"2 lrt = t"L-Bp'rtr * l"t : t't. = l"L.3 Como casos especiales tenemos.'NCION GENERATRIZ DE MOMENTOS (27) - 'i|¡'a I-a.r(t\ Teorema = """'**(l) (33\ 3-9: Si X. (r) . entonces M**"(t) = Mx(t)MtQ) (3 /r) Generalizaciones del Teorema 3-9 a más de dos variables aleatorias independientes se hacen fácilmente. AIfUNOS TEOREMAS Teorema SOBRE LA FUNCION GENER ATR. f M " son variables aleatorias con funciones generahices de rnomentos M y "(t) (t) respectivamente. donde i es la unidad imaginaria en la función generatriz de momentos obtenemos una función importante llamada lafunción característíca. Teorcma 3-I0 (Teorerna de la unicidad): Supóngase queX.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. IUI y (t\ idénticamente.#l+ "' * r:#+''' ¡"i (r 1) Puesto que los coeficientes en esta expansión nos permiten hallar los momentos. De la expansión podemos demostrar que [Problema 3. utilizando pl = p ygb:1.15 (c)] M*(t') : I + tLt * r.80 ESPERANZA MATEMATICA lcAP. entonces la función generatriz de momentos de (X + a)/b es + Mr*ro.. erf(r\ dr (r) (variables continuas) Podemos demogtra¡ que la expansión en serie de Taylor es [Problema 3. La denotamos por .

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

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

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

y.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.34). Aunque la ntedia es la más empleada.) Sn/n (60') Puesto que Sn/n es la media a¡itmética de X1 . Un resultado más fuerte. ..ro sería 0. =o "( *-" =. f(r) es máúma. Si h : 2 en la desigualdad de Chebyshev (59 ) vemoo que P(X-pl>2s) í= 0. es que p con probabilidad uno. Xz.3-2 . En el caso de una üstribución discreta puede no existir una mediana única (véase Problema 3. también se emplean otras dos medidas de centralizaciiln. 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. 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..84 EJEMPLO ESPERANZA MATEMATICA lcAP..10 6lO% y se Fig. En tales casos decimos que la distribución es bímodal. . . trimodal o multimodcl respectivamente.2. r): 1l2. cada una con media g y varianza o2 finitas. En tal valor r. variables aleatorias mutuamente independientes (discretas o continuas). el ánea a la izquierda de r.. lim + X" (n=L.q en la Fig..pero cuando n '+ @. . el resultado del Teorema 3-19 se llama ley de los gundes números en forma débil. Teorema es una consecuencia interesante de 3. Estas son lamoda y lamediana. 3-2 es c.75 Literalmente. que esperamos sea verdadero. realmente es falso. . la probabilidad de que X se encuentre dentro de 2 dewiaciones típicas de su media es rnayor que o igual a 0. Cuando se hace referencia a la "ley de los grandes números" sin ninguna especifrcación.6.25 6 P(lx-pl<2"\ > 0. llamado la ley de los grandes números.25.19 (LeV de los gnndes números): Entoncessi S. este teorema establece que la probabilidad de que la media aritmética S. la desigualdad de Chebyshev. . Xn. 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.75. en contraste.\. tiende a cero : g. . Sean X. tiene la mayor probabilidad de ocurrir. Por ejemplo. Algunas veces tenemos dos. : Xt* Xz+ . 2.. se implica la ley débil. Moda..3 3. equivalente. la probabilidad de que X diflera de su media en más de 2 desüaciones típica8 €8 menor que o iEral a 0. Con li31 frecuencia este resultado se denomtna ley de los grandes números en forma fuerte. La moda es el valor que con mayor frecuencia ocurtre. Mediana La mediana es el valor de r para el cual P(X = x): P(X. tres o más valores que tienen relativamente grandes probabilidades de octrrrencia. Los valores que corresponden a tales áreas se llaman uolorcs percentila o simplemente percentíhs. o en otras palabras. 1./n difiera de su valor esperado ¡¡ por más de e. Así por ejemplo el área a la izquierda de la ordenada eD f.

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

0005) + (0) (0.3. Es posible definir coeficientes de sesgo y curtosis utilizando otras medidas de centralización y dispersión.002) + 3000 (0.o\El = t7 \o. Sean X. |s = i . = 1 PorüantoS:2.41.9?75) : 6.'(*).002 3000 0.'(#).(i)" = +.(*) . El precio justo a pagar por un boleto es 6 peeoo.1.02) + 750 (0.(i). Sin embargo una lotería gana dinero.86 ESPERANZA MATEMATICA lcAP. Hallar la esperanza de una variable dada por aleatoria discreta X cuya función de probabilidad está Itrl Tenemos : (i)' (t=r. . 20 premios de $750 y 5 premios de $3000 Suponer que se colocan a la venta 10 000 boletos.. el precio del boleto sería más alto..os diferentes valores de X conjuntamente con sue probabilidades se muestran en la Tabla 3-2. En una lotería hay 200 premios de $150. que tiene un coeficiente de curtosis igual a 3.. 3.3 que es una cantidad adimensional.977t D(x): (150) (0. hágase á.'(*) .002. Véase también Problema 3.s. ¿Cuál es el precio justo que se debe pagar por un boleto? Sea X la variable aleatoria qrre denota la canüidad de Tabla 3-2 d:..(+).) E(xt = Para halla¡ esta suma. [..0005 0 P(X : r\ 0. Entoncee Restando. Y los puntos que aparecen sobre los dos dados... Comúnmente se compara con la curya nonnal (véase Capítulo 4)..s resueltos ESPERANZA DE VARIABLES ALEATORIAS 3. Problerna. - E(Y) ^/t\ = tll) * \o/ "' .00 ó 6 pesos. Tenemog E(x) Entonces.2. La esperanz¿ de X en pesos es r (pesos) 150 0./ 'l*)* 7 E(X+Y) = E(X\*E(Y) = 3. pero los definidos anteriormente se emplean con mucha frecuencia.z.'(+)..02 750 0.ero que se ganará un boleto. Por ejemplo la probabilidad de obtener uno de los 20 boletos que dan un premio de $ 750 es 20/10 000:0. js = !+ | + á + # +. Hallar la esperanza de la suma de puntos al lanza¡ un par de dados honrados.. s = . por el Teorema 3-2.

v) dx lra/96 o<r14'LcY15 de otra forma io l.)-' r(#) = + (d) Por los Teoremas 3-1 y 3-2. @ú r(x.(ffi)a.=.-'a) E(Y) = E(X) + Si cualquier variable ee continua.rrr(g-"\ e")\-) + tzt\ -a /Jl. = zf-. \-T) X.6.o.). = 1 .y) dr dy = Í.a."-r. Puesto que Y eon independientes.Í:. página Z?. . = 3 : Í:. . pág¡na?7. o.a) = ¿+"'o'Y) + ) 2Yf. = .údrda = Í. EsPERANZAMATEMATTcA Una variable aleatoria continuaX tiene densidad de probabilidad dada por Hallar (a) E(X).rl _'/ _ / '-z'\-'tl' = . o. Y estádada por 3.cAP. Sea f(r. arl(ffi) a. conjuntamente con (o) y (b) E(zx+sy) = z^(x) + BE(y) 3. = # (D) E(yt (d) (c) E(zx +Br) { .n=o l"'=.5. . (b) E(Y).rr /'-z'\ .o=o Halla¡(a) E(X). Í:=. .a. . y) la función de probabilidad conjunta de X. considerada discreüa. = fo.a) = (a) E(xt : Í:" Í:r f(r. (c) E(XY).. Entonces E(x+y) = ))t"*úf(r. 1 E(x2) = !l* x.3l 3.(#)0.4.fL. \ ":1"\ (1)\=4 /_jl. @n las sumar apropiadae remplazadas por integraciones: Obsérvese que el Teorema se cumple ¡i X. tenemos utilizando partes (o) y (b) = E(x) E(y) = (*X+) = # = r(.e"-"\a. (b\ E(X. Y son independientes o no.t(g=\ll' : .!:" f-er+Byv(r.l@ ar = z fo* xze-z.fL. (d) E(zx +By).'=" f:=.r. la demo¡t¡ación se de¡arrolla de igual manera.e" *ta(#) dr ds = ! OEo método. La función de densidad conjunta de dos variables aleatorias f(r. Demostra¡el Teorema X2. Y.y f(r.a\ dr da = E(xyt Í. f(r\ = {"-* lO o>0 r-=0 (¿) (ó) E(x): íl-rrrr. = + (c) E(xy) : !:" Í:. dv = Í"'=.

(l) var(X) Var (X * ' .10. y) la función de probabilidad coniunta de X. Por tanto Y. Tenerno¡ E'(x ^"' * u' -'u.u) = ) ) .(+)-Fr.. ea decir. Halla¡ (a) la varianza y (b) la desviación típica de la suma obtenida al lanzar un par de dados honrados. (o) Como en el Problema 3.'/'Q)2afztu) .r.4.*(á) # :%1 Entonces.:r:¡:* . de ¡i X. Y rcn E(XY) = 22 Í!J! --t ra f@. Obsérvese que la validez de eate teorema gira alrededor de si f(. VARIAT'IZA Y DESVIACION TIPICA 3. Si la¡ va¡iablec X.7 Y) = Var (X) (Y) = F (b) ox+)."*' ""'*"' =i'|í'. tenemos E(X): E(Y)= 7 12.8.)'= i o = tFf-var(x) = \E = t r" : Ot¡o ¡nétodo. püa todo ¡. página 77. Pa¡a va¡i¡blee dependientec generalmente no ee cumple. Sea ¡t(¡. (o) Del Problema 3. p6g¡na 78. Hallar (¿) la varianz y (b\ la desviación típica para la variable aleatoria del Problema 3. Y ¡on independientes. = Var(Y) = +-(. puetüo que X. y) puede expresarae como una función de r multiplicada por una función I. Entonce¡ l¡ varianza e¡ Var (X) = Etá .)'= * Var y.(.4 l¿ media de X ee ¡t= E(Xl -. E(x2) = E(vz¡ ='.9.2. con¡iderada di¡creta. Demostra¡ el Teorema L4.7.p\zt = '[(* -])'] = l:_ (" _'L)' t*. y): f tG) /2 (y). con las eumas apropiadae remplazadas por integracioneg.\2 ^a = f-('-L)''"-"0' = i = El(x-r)21 E(xz¡-ll(x))2 = t.88 ESPERANZA MATEMATICA [cA". Por el Teorema 3-4. Demoshar el Teorema 3-3. Y ron independientee. por el Teorema 3-4.y f t@) fz(a) )1. Además. / . y. = Wa"(X+Y) = 1/g v6 3." (')no(')l E(X) E(Y) Si cualquier va¡iable e¡ continua la demoetración ee desarrolla de igual manera. tenemoe f(x. o. por el Teorema 3. var(X) (D) 3.1/2.3 3. independienteo.

3] ESPERANZAMATEMAIICA 89 3. * t-t'(T)t1"'-.r?2. se ri' y emplear cl Teorema 3-6..pl|.lt:0.!^r_':i.)¡.:. + r-r¡t('. Er(x-'''. Y .r. e¡ decir cuando a : ll.11. = t(4=\ / =. . .. f)e esto vemos que el valor do (t¡ .py) + (Y .pi E(Y - py) - o ya que X.px)2 * 2(X .pv)l * El(Y EI{(X Var (X) + Var (Y) px)(Y pvl2) El(X - - pv)l = E(X .t'+ "' + {-r\r\l)r.pv)}21 EllX .'tut '\'/ + "' + (-L)'-'( t ... Si X* : (X .o)n = O.tt): E(X).u\(Y . Pr = El(x-pl'l = nfL x.ttv eon independiente¡.EÍ6 . p{ina 79.i. Demeshar el resultado (26). . MOMENTOS Y FI. La demo¡tración de (I9).-iut + "' + (-l)'-t¡ur * (-l)-rnt donde al combin¡r loe do¡ úlüimo¡ término¡ re¡ulta (-l)r-1(?'- 1)p'. página 79. !¡rw-u¡ = L¡nwl-r) = a' o \ (x*) 0 (b) var = u" (?) = \o¡1x - u¡"1 oz =I utilizando el Teorema 3-5.a)2 pueeüo que E(X .E(x.." -. Y y por tanto X gue al remplaz.í':.t .ft\tr*"-. pág¡na 79.px) + (Y ./ /\ /"\ = .TNCIONES GENERATRICES DE MOMENTOS 3.px)(Y . \t / \r/ + . mínimo de El(X-o)'l ocutre cuan- 3. * .)"n'-' + (-t)'p'l J \r-r/.(i\*.págna79. Demostrar el Teorema 3-6.' . + (-r\'-'( n .ltx.P)21 + (P . página ?9..(i )/..u.n)21 E[(X . y el hecho de que E[(X tt)z1= 3.r. = .. (a) puesüo que E(X) = E(x*t ¡r. Var (X + Y) = E[{(X + Y) - (px + pv))2] = = = = utilizando el hecho de que . Demostrar el Teorema 3-7.14. .-.ar Y gnr -Y ..t:.12...tt)lo es una variable aleatoria normalizadq demostrar que (u) E(X*¡ = 0' (b) Var (X*¡: 1.-'u \I/ + .cAP._i.13.)t(")u'-l + (-t)rpr \.2] + zEl(X .\x..

rfr.*rá#*u.. (o) Eqetx¡ = .*#..*"-..I con probabiüdad 1/2 cada uno.. (b) el resultado (g2).16.. página g0.-"'ro.. (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 . = 2 fo'e<t-z>'d. 8-18. = .ú3x3.-'.. g s._" 3.(á) = |G..90 EspERANzA MATEMATToA [cAp.Lf". Eltt (o) la función genératriz de momentos y (b) lós primeros-cuatro momentos alrededor del origen.16. página g0.t (D)Tenemor hsonce¡ et = e_t t+r+#.. Todo¡ los momentos impares 6on cero y los pares Eon uno. (r) (zl (I)V e\ = 1_¿+ r+_#*fr_ .r|r*frr.e t-oma¡ los valores 1 y .* pL=1.(. Apéndice A) tenemoe Mxe) = E(etx¡ = n(t+tX-t2x2.17.r ze<t-Dt : -T=Tlol@ = z li't<2 z-t. Y ron independiehtee.1 = . ffirol.) cn(ú - o)" cn = i. p'+=L. = L*pt*uLr4. M(t) = Eletx¡ = f" J eEf(t)dr fo" ""1. Demostra¡ el Teorema B-9. La variable aleatoria X pugd. Pcto Al comperu Mx(\ tenemog t!:0.. = L+tlt*uL#*ri#*. Demoshar (o) el resultado (Br ). 'r"') \ . cualguier función de X y cualquier función de y son independientes.. -T! \ 12 rg t + tU(x) + ae(xr) +¡a1xa¡ a .2'..*#*...'. una variable aleatoria x tiene función de densidad dada por f(r\ = {z'-" [0 (ol r>0 r(0 momentos alrededor {4t* (o) la función generatriz de momentos y (b) los primeros cuafuo del origen. ¡á=0. !utt" quc X. (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.) * ..+"-.

(+) * . 3] (b) S¡ lúl ESPERANZA MATEMATICA 91 ( 2 üenemo¡ z_t z L_tlZ 1 I = '. tenemos ttl t2 = r-(*)'= # = 02 Fr .i¡en.'.*.r)\B/ -t\Ei _ ^.\51 .216 pi = E(Xr) = .r.r. El resultado también puede obtenerse del Problema 3.17.-+e i.cAP.".17(o) al remplazar t : i<¿ 3. Jo "ot./+b(.".8?b B6eg 8?50 ztcy q\. = ./ \ -/ = cosa coso empleando las fórmulas de Euler ¿io con 0 * isena s-io = cos. para unava¡iable aleatoriaX con función de densidad r(r) (c) = i.'''-r2)/8r :"=i. = l(3. = E(X) =#Í""*z¡s-¡z)itr =f pL tt = Elxz¡ = # 1"" *rn - s2) d.Lp.(l) -. tti = *. Halla¡ la función característica de la variable aleatoria X del Problema 3.*L*!-L*!*. /t = \. p6gin 80.19.) = \ -. pi (b 12) dr = -51 ) Utiüzando el resultado (27\.. Por tanto. 2 4 8 p'n 16 Pero M(t) = * tt + uí#* rtfr+ tt^fi+ "' = P¡... (b) alrededor dc la media.. = 27-s\s5."./!\'_ .'.1!) * r/9)' 85 "./!\. 3. Hallar los primeros cuaho'momentos (c) alrededor del origen.21. = . '. t = )2. .. al comparar términos." = B t. : c¿.20..\. "\5/ tt4 y.'NCIONES CARACTERISTICAS 3. 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 . La función característica está dada por Eteiux. = 2 ^f FI.216 -r.

r'.útit¡) l€ lo lo ."r. e-(a-i@)¡ 2 a*io l-" ' . Si X. o" = asf que I . 3.pvX.E(X)E(ts) = 0 . = *t_""^"0.6-'l "iar¿-.p*y .o<t> ¿sf . Demostüar el Teorema B-14.lxtty = E(XY) _ E(X) E(Y) Cov (X. Puesto que f(r) es una función de densidad tenemog Í)."-*l* = -Alo = I - Entonces c: ol2.pv)] = E[Xy . 3.3 D(etx¡ = f-.92 ESPERANZA MATEMATICA La función ca¡acterfstica está dada por lcAP. = "{lo 4f-o u-n<-.t an + !o' "-"r.24..¡xXY . Hallar la función característica de la variable aleatoria X con función de densidaa f@) = ee-atEt.r = "lÍ:.ryttx * pxpv = ElXy).Fxpy . Yl = E(XYI -.pxE(Y) . -oo < Í 1 @.c-atxt d.l*-ei. a. e<o+iarz * Jo ¿-<a-. . Demostra¡ el Teorema B-15.20) ceñ d = ao.f(r)dr tlÍ-"eíore-o<-x.22.* npv] = E(XY) .. úu empleando las fórmulas de Euler (véase problema 3.. l:. arf 2c O + . página 82. + fo* n.e-ho 2ia.23 = Cov(X. página 82. Por definición la covarianza de X..f?o/. Y es oxy = Y) = El(X ._(a_io) ü a L 2(o* io) 2(a. Por tanto.io') = _a2 a2 * o2 COVARIANZA Y COEFICIENIE DE CORREIACION 3.pyE(X) * E(pxpvl = E(XYI . y eon independientes entonces E(Xy) : E(Xl E( y) . la función ca¡acterística está dada por E(eiax¡ = .rrrrru.o = 8en Cú.LJ_-e(a+t@)ro" q.donde c ) 0 y c es una constante apropiada. por tanto por oxy el problema 8.23. = 2a io l-o = | al@t la ela@ .

at) = rr. (b) t 93 (¿) 3. dy = %T t 16 ri = ñ)"=.25 si las va¡iables aleatorias X. si las va¡iables X. + (0)(1Xc) + (0X2X2c) + (0)(3)(3c) + (1X0)(2c) + (1X1)(3c) + (1)(2Xac) + (1XBX6c) + (2)(0)(ac) + (2X1)(6c) + (2X2X6c) + (2XB)(?c) 427 ld.y) = ?rh f(..) (e) E(xz¡:22r2f(r.O.ú = .-.'..r.cAP. Ju=o {rú{rr r sl dr dv = ..2103 apror. (c) E(XY).ol. * (1)z(1ac) E(Y2') lllr"t *l =t .al = )"rl-)ftr. (s) Var(Y).or. página 50.a\ .26... lr.*. EsPERANZAMATEMATIcA y).alf '* = *.. 2.3.:-* J.r".o.n". (¿) (b) = ))o/("..tuo = re2c: #= + = (fr (s\ (r) (ñ oxy o2* = var(x) = E(x2r-l*(x\)z = +-('*) ffi 4= = var(Y)= E(Y2')-lE(Ytl2= cov(X. Utilizando c : LI 2LO tenemo¡: (¿) (c) E(xt = E(Y\ E(xY) h + s) dr t. (/) Var(x).at) = 4. .=. (0 p.a\l = . (e\ E(Y'). página 52. sl Hdla¡ Cov (X. txv o = oxnv -."=.. (d) E(X').J"-o{o)1"Iuld'rita = I70 6s = tf67580 . Y se definen como en el Problema 2. E(Y).lyL47.. =# =+ = 22u2f(u. Y se definen como en el Problema E(x) (a) E(X'¡. [] tA.26.. f"t=u our.o1.y) = E(xy)-E(x\E(yt ?-(it)'=:* = +-/+)l+) = --+ r47 7 \21l\7/ -0./zso r/55 -20: = 3.8.ul = )y. .o. Resolver el Problema 3.lrrr"o*.(1)(1ac) +(2)(22c\ = 58o = E = n 78c E(Yt = 22af..(1)(9¿)+ (2)(L2cl+(3X15c) = = = 22nufia.ur"..= = t/zwan ' 15514. = E= + (c) D(xY.[) ¡@...

30.g.28.pág1na62.94 ESPERANZA MATEMATICA fu'=o [cAP. Esto oru o"oo oo. * a) dr tru = # otr . página 61.27. [. X: 2 es E(Y =2) "x = ? r(+) X: donde la suma se toma sobre todo y que corresponde a E(y. Demostrar la desigualdad de Chebyshev.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. .zlB del Problema 8. Si f(r) es la función de densidad de X entonces . Hallarlaesperanzacondicionalde(c)YdadaXv(b)XdadaYenelProblema2. pág¡na62.rrr. * v) dx da = cov(x. Hallar la esperanza condicional de Y dada X : 2 en el problema 2. f u'.27. . = var (y) = E(vz¡ _ l'(y))2 = t# _ (#)' = t.(ui) .za condicional de Y dada 2(L-ys¡ 2(l+y*y2) --¡O+7I- x para eI problema 2. Hallar lavariar¡.(#).. DESIGUALDAD DE CHEBYSHEV 3."=..^:. .x=2) = -. p= oxoy -200l3969 /50s615e6-0 {r6únsn -200 t/zsnr/te zzs = ESPERA}IZA.(#)' = *tq*$ o2.03129 aprox.2g. VARIANZA Y MOMENTOS CONDICIONALES 3.(rlytdr = í"'"(#*S* El=a\ 3.rrrr.29.y) = E(xy)-E(x\E(y) = ?-(?f)(*t) oxy = -# -0.\r-. pág¡na 62.28(o).2g. La demosbación para variables discretas es semejante si ee remplazan las integralee por sumas. la función de probabilidad eondicional de Y dada X : 2 es ftutz) = Entonces la esperanza condicional de Y dada + 2. (o) (ó) E(ylX=r) = Í-_afrtuldau = ír'r(rr")* = + E(xly=y¡ = f_-". Presentaremoe la demostración para variables aleatorias ecntirruas. .)\t)* J_- donde hemos utilizado el hecho de que ltz: E(Y lX: r) :2.var(X) = E(xz¡-ll(xtl2 = #. 3 (d) (el u') b) (h') (t oxy =# E(Yz¡ = h f.=o. Como en el hoblema 2.# E(xz¡ =h Í.(iu) = ii 3.(#).

t <1) = "(l*-*l .18. como se pide. página 84. (c) hallar P(lX . '|.18.t)/ = . el valor de la integral solamente puede disminuir cuando el int¿rvalo de integración se reduce. ..31.¡rl > 1). ¿lr-al=e Pero Ia frltima integral es igual a P(lX - pl ? . 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-?.(l*-*l \t o2 =t)/ = 1-(1-e'r) = p2 e-s = 0. (b) Utilizar la desigualdad de Chebyshev para obtener un límite superior de P(lX .. LEY DE LOS GRANDES NUMEROS 3.+E(x")l = L(nt) = = Var(Xr)*.'.¡.*Var(X.18. Así por la desigualdad de Chebyshev con Tomando el límite cuando n ) -. Demostrar la ley de los grandes números establecida en el Teorema 3-19. Tenemos E(Xrl = E(X2l = .32..cAP. Para la variable aleatoria del Problema 3.25 Comparando con (o) observamos que el límite dado por la desigualdad de Chebyshev e¡ ba¡ta¡te crudo. En la práctica la desigualdad de Chebyshev se emplea para dar estimativos cuando es inconvenientc o imposible obtener valores exactos.ul=') 02 esto se conviertq. /ts r|.. DeI Problema 3. La desigualdad de Chebyshev P|X-pl > f) resulta P(lX¡r] = 1) < oz = 0. Por tanto P(lX-rl > 6) 3.rl > 1) y compararlo con el resultado en (a). | \ _ ul=_ .|) ol ¿l \l \ o = J¡ | f :l/2 Ze-udr = 1 - e-3 Portanto (b) Del Problema 3.. ".04e?e = plr- = 7/4.* .) = ¡toz tt Var(S") = Var(Xr*'. Entónce¡ P1x ¡.|ww. ¡¡ (o) = 1/2.) = o .t+.). = E(X) = p Var(Xr) = Var(X2\ = "' = Var(Xn\ = o2 Entonces t(*) = "(*'*'.x.(-:.*X.3l ESPERANZA MATEMATICA 95 02 = EI(x - p)21 (' = J-* @ - p)2 l(r) dr Puesto que el integrando es no negativo.'*"') .

El máximo relativo de la derivada es cero. (b) Hatlar la mediana. Ob¡érvese que este valor da el máximo ya que la -24x 187 .¿rL 81 -_l = 'r2) df ar. Halla¡ (a) la moda y (b) la mediana. (o ) La moda se obtiene hallando donde la densidad f (x) ea máima. e8to e3 f(r ) ocurre dondc . una va¡iable aleatoria discreta tiene una función de probabilidad f(r) : !12' donde 2. En este caso probabilidad esLl2. (c) Comparar la moda" la mediana y la media.?3 aprox. y (c) compararlas con la media. = fr: aegunda derivada. que debe enconharse entre 0 y B.96 ESPERANZA MATEMATICA lcAP. r. (c) ' E(x) = + ('¡z(g-xz\da = !(t*-+)l'= 8l\ 5/lo 8lJo que prácticamente ee igual a la mediana. que ea La moda pedida. . Ahorapara0(a ( 3.3 OTRAS MEDIDAS DE CENTRALIZACION 3. es Í: L. eetá dada por = n-Zr/.[. . (b) La medianaee 1. ea negativa para x = 1fá.62 apror. (a)/ La moda es el valor de 4 asociado con la probabilidad más grande.33. 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. P(x<a) Igualando eeta = *..9 - -'l 86 - 8l l2r2 = u Entonces .36='ñ¿r ze) az de donde o = sli{z- q Por tanto la mediana pedida. 3-6. la mediana y la media se muestran en la Fig.60 = 1. aquel valor deo parael cudlp(X é a): ll2."on-r2tdr = #(Y-t) 2aa_36a2 all2 hallamoe que *91 = 0 de donde _ia2 = 36a\436P-4(2X81-) . La moda.84. para el cual la . . . l(r't 3. r: 1.

PERCENTILAS 3.l : 2.P(X=r):l12yP(X. o sea ¿ 0.t):ll2. :. Por coneecuencia escogemos el punto medio del intervalo.121 reepectivamente.b1 aprox. Determina¡ (a) el recorrido.3l ESPERANZA MATEMATICA 97 (b) Si¡escualquiervalorentrely2.cAP.33 hallamos que s : 0.n "¡fa' = Í^" (.Portantacualquie¡númeroentrel y 2 podrfa representar la mediana. (b) Por el Problema 3. a (c) f. Empleando el método del Problema 3.".a septuagésima quinta percentila es el valor de ¿ tal que (18o2 - a4 ¡¡8t: o @a.1253 3693 8750 (a) Coeficiente de sego -: o. Entonces E(lX = D.o . Y CURTOSIS de (a) sesgo 3.098 aprox.esdecirlasoluciónde(18a2 : 0.)[#'n .0 : 3.3.35 los valores de la vigésima quinta y septuagésima quinta percentilae son 1.l0.10.36. Hallar el coeficiente y (b) curtosis para la distribución del Problema 3.60 : 8/ó. tomamoseluolor móximo de ¡: 3.r - pl f (n) dr = l"' l' .25.33.33 la media Desviación media ee lt : 1. Del Problema 3. es decü 312. (o) Puesto que todos lós valores ¡ ) 3 tienen probabilidad cero. I.")] d' + Í.33. Por tanto el orden de las tres medidac es contrario al del hoblema 3.37. OTRAS MEDIDAS DE DISPERSION 3. (c) Del hoblema 3.r :: . (b) La vigésima quinta percentila es el valor de a tal que (L8o2 P\X<a)=#(Y-fl = "# aa -a4¡¡8t \l8L : O.. Por tanto Recorrido semi-intercuartflico = ?121 .L21 aprox. . (c) Como se encontró en el Problema 3.33(b) tenemos (o) LadécimapercentilaeselvalordeoparaelcualP(X5o):0..098 y 2.19 tenemos 02 ll 25 It3 oo - 32 8?5 -0.? 5.'"¡)a' = SESGO 0. (b) el recorrido semi-intercuartílico y (c) la desviación media para la distribución del Problema 3. : 2. (" . = - p|) = l_".68 aprox.655 apror. Del hoblema 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..-1998 0.*l[#.19. Determinar los valores de la (c) décima.33. : 1.35. Entonces el recorrido es 3 . M. tomamos el uolor mínimo de ¡ : 0.

.' '^'y'. ú"r**:r. "" Entonces j f'= " -iia 4.. . 4¡ J...1.1. ../" . respecto I @ desde 0 hasta 22._ . y la varianzaes 02 : M"(O)-ÍM'1O¡12.r-. que tiene una curtosis de 3. la serie de Fourier se rernplaza por la integral de Fourier (véase página 81). ¿ k icr_. = I#+i:"-o 2¡ tt'' sr(.3 (b) Coeficientedecurtosis = et :. f tl' . .l l''.. . o1_o o.u-¡ . También la distribución distribución normal...tlZ Se deduce que hay un sesgo moderado a la izquierda... Sea p. X una variable aleatoria que toma los valores t n....." . J. n2.i)o ¡f.rf t1o k+j k---j Por tanto rt ¡ P¡ .. PROBLEMAS DIVERSOS 3. como se indica en la Fig.> ]¡xeik.. Si M(tl es la función generatriz de momentos para una variable aleatoria X demostra¡ que la media €S g : M'(O. coS c do -e ':.Para una variable ¿leatoria continua. Utilizar el Problema 3. remplazaudo j por h..39. = . (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 -. puesto que f_"n. .n.r i r)d (¿@ I ¿ir r 1. ..l ¡rt" ..(". .98 ESPERANZA MATEMATICA lcAP...¿.39 para obt€ner 14 distribución de probabilidad de una variable aleatoria X cuya función característica es O(<¿ ) : cos . 3.¡ rru.. = 2¡p f -o --n .Iu-| é(o) E1er. = o" = M"(0) - lM'10¡12 1. tenemos remplazando r : L y r : 2.(ar tra -= k =S o*Ja " ¿i{r'.1.x¡ ¿ior¡ = - i -) r^.39 I pt. . - I zt.página 80.. " t*''L i:.38.. yp¡ los coe¡icietttes tte iour¡"r. . (b) Mulüiplicar ambos lados de la expresión (r) . . De (32). Qk¡).. pk 1 12= T.. es algo menos apunüeada que la 3€. ti = M'(ol Entonces de (27) tL = M"(o) p = Iú'(0) 3. Del Problema 3..Z.j .t_ | eú .{o) r/o Con frecuencia llamamos Q$.40. f-ri".

3-? (b) Tenemos p. 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.1"/l) = -{. 2 2'\2/ = .\2/ {.Pa¡alo¡oEdvalore¡dektenemo¡p*=0. (o) f(t)= l¿-"'" l/Zn- -co<n<e l!\ : llt = O y lt\:0. Análogamente obtenemos ti = E(xr¡ = h fl= o.'\2/ Entonces = EI(X. con probabiüdad Ll2 con probabilidad Ll2 -r 3. # to' '"t2"-'d'o B L 4.k:-1hall¡mogp-r=*.41. 3 Por tanto el coeficiente de curto¡i¡ e¡ -i-ó . -f rz ¿. Por ta¡¡to la va¡iable aleatoria ectá dada por X=) Comó una verificación vúas€ hoblema 3.1"/1) = r \/.2"-22/2¿¡ ¿u = + 'to f'sz¿-x'/z¿.si./. {2¡ or. . (. "_. = Z Jo {i .)21 = E(X2) = pí = ps = qllX -p){] = E(X4) = p'n -o2 'lt4-.. Iülla¡ el coeficiente de (c) sesgo y (b) curtosis con densidad de la distribución defrnida por la curua normal. Por tanto el coefi- La di¡tribución tiene I¿ apariencia de la Fig.cAP. Por simetrÍa./g\ = {." *. 3-7. = h Í.2.. = E(xz¡ = -+ ¿l" l/2r -.8..x2/2 ¿.20.p.3l ESPERANZA MATEMATICA 99 Si&:lhallamosr'=$. cientc de sesgo es cero. (r |. \ Fig.= -z-rll) .

¿Cuál es el número esperado de puntos que resultan en 3 lanzamienüos sucesivos de un dado honrado? ¿Parece razonable su solución? Explicar.zl \ 'xv\2 "i" "x/ --t-"i = ""*"1-o'*"=-0 ó *=1 '7ní queesequivalenteap2 < "'*"?."Í\"-.49. + n?.47. La función de densidad de una variable aleatoria X es /(r) = (e-r r>0 de oüra forrns 10 Hallar (o) Eo(l. (c) E(XY). (c\ E(Xt).3 3. (b) E(Xz *)a2). Una variable aleatoria X se define | -2 prob.{) * -.s suplernent&rio s ESPERANZA DE VARHBLES ALEATORIAS 3.. 3.Y El(Y _¡v)21 c(X - Px))21 = 0 / ol. 3. (b) E(Xr).¡.-". = o?.45. Hallar (a) E(XI. ll2 . g. I Problerna. I 1 3.zcEl(X.otr ___q__ . . 1/3 por . Sea prob.x)(Y- pv)l = + c2al - 2co*.44. Sean X.100 ESPERANZA MATEMATICA p [cAP. -2"":'\ -" -* \"r* ) -/ = oí+oil"-. (b) E(zX + 6).!\'Entonees el lado izquierdo puede escribirse El¡. 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). Una variable aleatoria X tiene la función de den¡idad (e-' r>0 /(r) = {l0 ^ ¡(0 Hallar E(e2x/31.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. 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). (bl E(}X-21.42.Y = ] 3 prob. Para cualquier constante real c tenemo¡ . * c2El(Xr ¡x)21 .( ".46. Demosbar que -1 < s1 (véase página 82). (cl E(X21. 9. (c) E'l(X-1)21.48. / .

(ó) E6?+ X'r+ .62.(zr+y) 0<r='I. Sean X1 .55. ¿Se cumple que (c) E(X + Y) = EIX) + E(yl. E(Y\. . ¿Se cumple que (o) E(X + Y) = E(X\ + Sean X.. . que (o) D(X + Y) = E(X) + E(Y). Y va¡iables aleatorias con deneidad conjunta f(r'al = iat' Io o-<:us1' o<tl<1 de otra forma Hallar (o) E(X). (d) E(XY). 1/B prob. Sea X una va¡iable aleatoria con función de den¡idad (1/4 -2f x=2 l(rl = jo deotraforma Hallar (o) Var (X). 3. (b) E(.'. (b) E(2X2-Y2). (c) E(X-rY). (ft E(xY).52? Explicar. (f. Si /(t. (b\ E(XY) : E(X) E'(Y). (b) "x..54. 3. (x) = io x>-0 de otra forma Hallar (o) Var (X).48? Explicar. 1/3 \o prob. (b) E(Xy) -.0lyf 3. (b) E(Y). 1/4 Hallar (o) E(3X+2Y). Hallar (o) la varianza y (b) la desviación típica del número de puntos que resultan en un EoIo lanzamiento de un d¡do honrado.0=tt<2 lr(t*u) l\x'a) = f deoüraforma 1o (b) E(Y). (d)E(XY). (d) E(X2t'). + Xn).57.50. 3. . = I Z [ -_r Hallar (o) E(Xt+ prob. 3. VARIAT{ZA Y DESVIACION TIPICA 3. Sea X una variable aleatoria con función de densidad f (e-.66.E(X) E(Y). 1/6 Xzl . en el Problema 3. 0f s<I.58. en eI Problema 3. 3. (b) "x. 3/4 prob. Xn n variables aleaüoria8 que están distribuidas idénticamente tal que | 1 Xt. .49. s) = ] : de otra forma |0 Y). Sean X. tc)E(X+Y\. Sean X. X2.69.3l ESPERANZA MATEMATICA ¿Se cumple 101 3.XY\ 2 = E(X) E(Y\.7/2 prob. * Xil. en el Problema 3.50? Explicar. Y variable¡ aleatorias independientes tales que ^ vt || prob.cAP.51. 3. Y va¡iables aleatorias con función de densidad conjunta Hallar (o)^E'(X).2/3 v) | 2 i -a prob. . (cl E(XY). 3. 3.53.

3.44.43.70. 2\21 Si una va¡iable aleatoria X es tal que E[(X Demostrar el Teorema 3-1.(0) + 6M"(o)lM. (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. Si M(ú) es la función generatriz F:t de momentos de la variable aleatoria X. 3. E(X2 ) : 8. E(X): 2. (b) de la media. Hallar la función carar:terística de la variable alcatoria X con función de densidad f¡): (x/2 io 05rtZ deotraforma . 3.64. Halla¡ Ia función ca¡acterística de la variable aleatoria (a X = 7 ó I prob. 3. página 77.61. demostrar que el 3o. En el Problema 3.44.73. Hallar (o ) Var (X ). 3. ESPERANZA MATEMATICA Hallar la va¡ianza y la desviación típica para la variable aleatoria X del Una va¡iable aleatoria X tiene (a ) [cAP. Ei6 - . y 4o.43. 3. (b ) ox. (c) o¡. Hallar los primeros cuatro momentos alrededor de la media en el Problema 3.72.63.67. 1/2 prob.7 lxl I a deotraforma 4. página 81.. p Prob' g=L-P Hallar la función característica de la variable aleatoria X que tiene función de densidad í'llZa f(r) = 1o 3. 3.6 hallar (a) E(X).62.69.r02 3.60.01 - 3M"(0) ¡l'(0) + 2lM'(0\13 Ifrivr(Q) 4M. Demostra¡ el Teorema 3-11.71. 1/2 -tn primeros cuatro momentos alrededor del origen. - 1)2] = L0.'(0) ¡f. (b) Problema 3. (á ) Problema 3. MOMENTOS Y FUNCIONES GENERATRICES DE MOMENTOS 3. Hallar (o) la función generatriz de momentos de la variable aléatoria x = y (b ) los ( U2 1 prob. 3.68. (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. Hallar el hésimo momento alrededor (a) del origer^.. 3.65. Si X tiene función de densidad ¡t") : -i (l/(b-a\ O a'=r=b de otra forma. g Problema 3. momentos al¡ededor de la media están dados por = p1 - ItI"'(. 3. (a ) 3.66.67 halla¡ los primeros cuatro momentos alrededor de la media. (b) Var (X).

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)

99?3 (10) ¡$$. es decir si hacemos (6) z=r= entonces den¡idad la media o el valor esperado de Z es 0 y la variartza es 1. 99.". En este caso la función panZ puede obtenerseapartir de (4) alremplazar! = 0V o: 1. La función de distribución correspondiente está dáda por F(z) = P(Z < z) = I t/2" Í'-"-. 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. P(-3< Z<3) = 0.451/" y 99. Tenemos z de la variable tipificada el wlor tipificado.9545..z. 4-1 se muestra una representación gráfica de la función de densidad (7)..73% del área total..z: + . En esta representación gráfica hemos indicado las áreas dentro de L. (r) Este resultado se conoce frecuentemente como la iunción o la distribución de densidad normal tipif!eada.. 4 En este caso decirnos que la variable aleatoria X está normalmente distribuida con media g y l.46%.73% Fig. algunas veces conocida como la curva normal tipificda.27%. du = + # fo' .68. resultando de f(z) : le-"'" V2" . P(-Z=Z<2) = 0.2 y 3 desviacionestÍpicasde lamedia(esdecir entue z: -1y * L. que es uno.110 va¡ianza DIsrRIBucIoNEs DE IRoBABTLTDAD coN NoMBBE pRoplo [cAp.6827.8 yque3) las cuales rcn iguales aJ.u y F(z) : á['. ert (z). *t(ft)] (e) En la Fig. La función F(z) eú(z) = z-frÍr' e-u'd.Nl/s-> 96.96. Esto quiere decir P(-1<Z=L) = 0. du (s) se Algunas veces llamamos al valor encuentra relacionada con la función enor. Si hacemos que Z sea la variable normalizada correspondiente a X. 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.-. : .-2y I2.

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

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

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

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

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

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

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

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

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

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

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

. Para una secuencia de n pruebas de Bernoulli definimos n /n\ '?n ('/tr"')'0"-' (a -l.0. Médodo 1.7. sean defectuosos.:: =:"0. (ü) p(X = 0) = (c) P(x <e) = (fi)to. Si X está'distribuida binomialmente. página49).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 . La probabilidad de un tornillo defectuoso e8 p :0..' (0.'(\*.6.0. Entonces es g : I . (c) menos de 2. (b) 0. f (r) P(x = r) = (!\o.q" . determinar la probabiüdad de que de 4 tornillos escogidos aleatoriamente (a) 1.n) .L22 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. 4.. de un tornillo no defectuoso va¡iable aleatoria X el nl¡mero de tornillos defectuosos.8)r = ¡. HaIIar Ia probabilidad de obtener un total de 7 al menos una vez en tres lanzamientos dé un par de dados honrados. = = Método 2.4 Número esperado de familias con 1 ó 2 niñas = tZOOOill) ' '\ 6 / \/ = 125 1250 (d) Nfrmero esperado de famiüas sin niñas = (2000)( i ) = 4.8.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 2.2.detalmodoquelaprobabilidaddenoTenunsololanzamientoesq:1-p:516. Si el 20 % de los tornillos producidos por una máquina son defectuosos.. Sea la (o) P(X: t) = (rn ).p:0.46e.rt't0..pet¡" Xi ' |0 {[1 si fracaso en la prr.8)a = s. = 1:)l+Y/q\' \"/ \"/ \6/ - r25 216 y 4.l# = fr X que está distribuida Hallar la funCión generatiz de momentos de una variable aleatoria binomialmente. P(al menos un ? en tres lanzamientos) = | .6.46e6 ffi ? ...1./ ) _)p.r.n" .

v (3 ) se convierte en P(lz -.cAP.. = X.) / \ 14 'l y tornando el límite cuando n -+ @ = 2+ ¡4r. Por tanto la desviación tipifrcada o = y'56 = 6. halla¡ (a) la media y (ó) la desviación tipiticada para el número de tornillos defectuosos de un total de 400 tornillos. Por la desigualdad de Chebyshev.la ley de los grandes números (en forma débil) pa¡a las pruebas de Bernoulli." *Var(X) = npq donde hemos utilizado el Teorema 3-7 para o2 . con S. . 4.L52\. página 80. Procediendo como en el Método 2 del Problema 4. de Los resultados anteriores también pueden obtenerse (pero con má¡ difrculüad) derivando la función genaetriz momentc (véaee Problema 3. Si la probabilidad de un tornillo defectuoso es 0.)l*.i)'== . entonces F = P(lX.1 ):40.1. tt = flp.) Í+ó \l ?¿ -l = / = 0 El resultado también se deduce directaménte en el Teorema 3-19.9. y1 E(X) = 0q*Ip = var (x. (b) l'Iananza o2 : npq: (400) (0. . LEY DE LOS GRANDES NT. págirra 84.) + (r - p)2p = i)". :-. página 83. Demostrar el Teorema 4-7..1 = .y (I)rc convierte En particular si X tiene distribución binomial o de Bernoulli.8..t/V6d..i . entonces ¡. .4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L23 de momento¡ Entonces las X¡ son independientes y tenemos X: Xr * Xz *.esdeciresperamolque40tornillosesténdefectuo¡os.'* Xn.IMEROS PARA LAS PRI.. si X es cualquier va¡iable aleatoria con media tas.t y varianza 02 Íini- (r) en tol P(X-11 -ko\ flp.'EBAS DE BERNOULLI 4. Demostra¡ que la media y la varianza de una variable aleatoria distribuida binomialnente son p: np Y o2 : npg respectivamente.lro. o - {-npq.e*pet M(t) = M tQ) LI2Q\' ' ' (i=1. Pa¡a la función geraeratr:iz Mj(t) = stoqlettp .10..9) : 36. n..n) (Q Entoncee por el Teorema 3-9.2.npl > k1/i-npq) < i ó (3) Si hacemos c = k \l T.q Entonces o2 p:E(X)=E(X'\+E(X2)+"'+E(X")-np = Var(X) = Var(Xr) *Var(Xz) +. tenemos.7 tenemos para/: L.38) o direetamente de la función de probabilidád (véace Problcma 4. o =. 2. (o) Medialt:np:(400)(0.)(0. como se requiere.1. li* Pll{-. M"(t) - 'f pst¡n 4.

2910 = 0.12. represenüa la probabilidad de que Z eaté entre -0.81y z = L.46 " 1 e-u.as 0. 4-3 (b) Area pedida : área entte z : O y z: *0.!772 + 0.211 = + (''" {2r .1828 O yz ) lo mi¡mo que P(0..11.ildlt + _= |^2 ¿¡ = O.68 y z : 0.t _o. (c) entre z : -0.46 f ZÉ2. 0.C.81 0.a'ley de los grandes números establece en este caso que la probabilidad de la proporción de los 3 en n lanzamientosdiferiendodel/6pormásquecualquiervalor€)0tiendeaceroamedidaquen-+€. = "-u!/t 0. (d) entre z: 0.6636.46 y z: 2. baje por la columna z basta alcanzar el valor 0. Halla¡ el área bqio la curva normal tipiñcada (a\ enfte z: Q y z: 1.941. DISTRIBUCION NORMAL 4. P(-0.94) O y z = 0. Entoncee.46 y z : O) * (área ent¡e z : O y z : 2. .i77Z + 0.46 y 2.6636 e-ú'/! clu = 0.gg4g z=O .4738 - : 1. \. Por tanto P(-0.46) * (área enbe z:0 y z : 2.68 y 0.6.¿ ¿-uzr!¿u = -! Jfo \E = ___1__ -o.0.94.+e "-u2t2f.25f ? El área.2517.4964 | t/Zt Js \/2r Jo "-uz/z 1 (d) Area pedida : (área entre z : : E¡to es - (área entrez : 0.4864 : 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.L (o) Utiüzando la tabla en el Apéndice. El recultado.3849. Por tanto P\0=z=r.28.2) = | {u ¡rz Jo ¿r.=12 Fig.21.68 (por simetría).(área enhe z :-0.2L) : (área entre z : O y z : 0.u + t/2" 'lo + ('"' "-u2tz 1¿4 2l 10.4 4.2.rz¿u (c) ñ J" Area pedida . baje por la columna ma¡cada con z hasta alcanzar el valor /. Por üanto'.2I) : O. Por tanto .(b) entre z:-O. proceda a la derecha hasta la columna 8.81 = Z = L.L24 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.2.Luego proceda a la derecha h¡sta la columna marcada 0.68 "- u. El resultado. es el área pedida y representa la probabiüdad de que Z estÉ ent¡e O y 7. [.27. ee el área pedida y representa la probabilid¡d de que Z eté entre -0. (e) a la derecha de z: - L. 0.68 sz=o) = -! l'o {2¡ J = | r' -o.

8621 .5 kg.1 y bajo la columna 6.5.5 y 0' (c) Si z fuera positiva el área sería mayor que el área entre que es 0.5 y 0 ) .O2L7 : 0.O2l7 + 0.8621.69.30 47.de 91 kg. hdlar el número de estudiantes que pesan (a) entre 48 y 71 kg.5:0. 4.3??0.14.(área entre 0 y z) (área entre 0 y z) 0.35. (a) En la tabla en el Apéndice C.cAP.4332 :0. suponiendo que se regis' han al valor de kg más próximo. z : -1. o.5 kg y la desviación tipiiicada es de 10 kg.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROP¡O Area pedida L26 (e) - (área entre z: -t.5 kg en unidades tipificadas : (71. El problema es equivalente a resolver para z la ecuación rfz G ). el valor 0'3?70 se encuentra a la derecha de la fila ma¡cada 1. de lo cual z:1. Si "área" se refiere al área bajo la curva nonnal tipifrcada. con menos precisión. (c) el área enhe - 1.28'y z = O) T 1área a la derecha de z : 0) = 0.4332.5: 0.0217. (b) Puesto que el área es e-tt/2 du = 0'3770 mayor que 0.4115 de lo 2: z es negativa pero a Ia izquierda de -1. (o) Los pesos registrados entre 48 y 7l kg pueden realmente tener cualquier valor entre 47. Area entre -1.16.4332- : 0.0277 (árca entre -1.5: -2. El peso medio de 500 estudiantes varones de una universidad es de 68. o.7O ?1.09. (b) más.4332.O2l7 : Entonces el á¡ea entre z).0.28).16 es otro valor de z.4549 y z: l'ig. Entoncec la z pedida es 1.5 y z sea 0.4332- Entonces el área entre 0 y z es cual e: -1.5 y z : 0. Suponiendo que los pesos están dishibuidos normdmente.L6. -1.8997 Esto es lo mismo que P(Z > -1. Area entre z v -t'5: 9ü. Por tanta z: + 1."O.5.:1Tí"11u (área entre 0 y O. Por simetría.5 )/10 .5: 0. Caso 0.5)/10 68. : (47 . z : -t. por tanto z debe ser negativa.5.694 utilizando interpolación lineal.3997 + 0. hallar el valor o los valores de z tales que (a) el área entre 0 y-z sea 0.3621. 0 y z esO. 4.5 kg en unidades tipificadas 68. Caso 1: z es negativa pero a la derecha de -1. z debe ser positiva.5 y 71. Area entre 0 y z es 0.13.4-ll -1. (b) el área a la izquierda de e sea 0.

2 : -7. El propósito prira el cual se han diseñado las lavadoras permite una tolerancia máxima en el diámetro de I.5 Proporción pedida de estudiantes 91'5 kg en unidadee tipificadas: (91.4 Proporción pedida de estudiantes : : = (área entre z = -2.26 en unidades tipificadas 1.266 a 1.5)=0.l.26 (1.300) 0.10 y z:0. : Z.2) .2 L. 1-14 Obsérvese que si consideranros el intervalo L.(área entre z : O y z : 2.2 Por tanto el porcentaje de lavadoras defectuosaÁ es 10002 Fig. suponiendo que los diámetros están dishibuidos normalmente.I. = 300. Hallar la función generatrrz Tenemos de momentos para la distribución normal general.29 cm. etrt+oot-tu2/2.(dos veces el área enhe z : = 2(0.30) 0. (D) toe e¡tudiantes que pesan más de 91 kg deben pesar al menos 91.275)l O.0125 cm.5 . . M(tl = E(etx¡ = L= Remplazando (x ot/2r J -- (' ette-(t-tD2/2c2 dtr g.SO) (área a la derecha de z : 0 ) .91¡ = 6.68.(área bajo la curva normal entre z : L. Sin embargo para doe cifrar significativag los resultados son iguales. 4-r3 Si W denota el peso de un estudiante escogido aleatoriamente.1. r.11.6)/10 : 2. de otra forma las lavadoras se consideran defectuosas.600) kg.5 - 0. podemos resumir los resultados anteriores en términos de la probabilidad al escribir P(47.0126: L.1179 = kS ee 0.4893 = 0. 1.2) yz Proporción de lavadoras no defectuosas .O]-25: -1.16.29 en unidades tipificadas : : (1.29 . (área a la derecha a.3849) = 0.600 P(W -.6000 Entonces el nfimero de estudiantes que pesa entre 48 y 7f 500(0.7698 ó O yz : 77% -1.2 .0107 es 2.30 Entonces el número de estudiantes que pesa más de 91 kg Fig.10 y z Ol * (área eítte z = O y z : 0.9tOt 4.5<W<71.30) : (área entte z: -2.29 cm como representando realmente los diámeüros de¡de L.2 -77% = 23%.275 cm y la desviación típica es 0.275')lO. . Determinar el porcentaje de lavado¡as defectuosas producidas por la máquina.010?): $.L26 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.30 = 600(0. 4. La media del diámetro interior de una muesha de 200 lavadoras producidas por una máquina es 1.295 cm. el resultado anterior se modifica ligeramente. d1) = "ut'<o2t2/2t (J-ú "-tr-ort" l/2" .4821 + 0.26 a 1.26 s 1.tt)lo: uenlaintegralde M(tl = -= | \/2r J-14q modo quer:¡¡+ dx: o d4 tenemor dt.

58 6.* "á Ar P(X=A) /ro\/fY/r\'_ = \4 /\z/ \z/ P(X=6) = 106 stz /to\/r\o/r\n _ = (.5 en unidades tipificadas : (2.5 a 6. mostrada a trazos.6.5)/1.7784 Probabilidad 2341678 Nfrmero de caras Fig.e O. )\. se'deduce que 3 a 6 caras pueden considerarse como 2. (o ) Sea X la variable aleatoria que da el número de carag en 10 lanzamientos.ó8 : -1.cAP.7734 que se compara muy bien con el valor verdadero superiores de n. Entonces dadas por/r= np=10(4\= 5yo = {nw = y'(10)(+)(+) 2. 1-16 (ó) La distribución de probabilidad para el número de caras en 10 lanzamientos de la moneda se presentan gtáficamente en las Figuras 4-15 y 4-16. Cor¡siderando los datos como conünuoe.58. (b) la aproximación normal a la distribución binomial.5 .4429 + 0. Tqqbié"r!g_.¿*\ / = ewt+(ozt2/2) APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL 4.)'_ .-o) l+Y 5 ll)' : . Entonces p(x=B\ = P(x ('f)(..E \ /\2/ \2/ =5) = l. La probabilidad pedida es la suma de las áreas de los rectángulos sombreados en la Fig.58 y z : 0.7718 (área entre d. obtenido en la parte (o).68 y z = O) * (área entre z : 0 y z : 0. 4-r5 23{587E Nfrmero de caras Fig.17.58: 0.) ffi..5 en unidades tipificadas : (6.95) (área entre z :-1. 4-16 y puede aproximarse por el área bajo la correspondiente curva ncrmal.5)/1.es la probabilidad pedida es P(B=x<6) = #.5 caras.X. en la Fig.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L27 Entonces sustituyendo u - ot: u hallamoc que ettt+(c2t2/2)( M(t) : + f\t/2" J-* "--.95) : O.p94!l y la varianza para la distribución binomial están = 1. ro¡ Entonc.3289 : 0.95 Probabilidad pedida : : z: -1. 4-16 trata los datos como gi fueran continuog. Hallar la probabilidad de obtener entre 3 y 6 caras inclusive m 10 lanzamientos de una moneda honrada utilizando (c) la distribución binomial. La precisión es aün mejor para valores .)\.#*¿%*# 03 = # = 0.

02y z: Probabilidad pedida -O.3557 -0. 219.. o si conslderamos los datos como continuos. es decir etabacargoda 280. o si consideramos : (219. . Una moneda honrada se lanza 500 veces.02 18.7 3 Probabilidad pedida : (dos veces el á¡ea bajo : 2(0'4968): 0'9936 la eurva normal enb.(lX*) : -5. Hallar la probabilidad de que el número de caras no difiera de 250 por (a) más de 10..94 y z: 0.. remplazando 18 por 14.94 ib) Necelitamoe la probabilidad de que el n(¡mero de caras la encuentre entre22O y datos como continuos.5 se 0.(área entre z : O Y z :-1.)(+) = I 1.94) : (dos veces el área enhe z: O y z :0. .5.5 en unidades tipificadas : : (área bajo la curva normal entre z: -0.6 .5 y 280.18: .35) : 0.5 en unidades : (área bajo la curva normal entre z: -5..311 : (área ent¡e z: O y z: -5.OB tipificadas : -0. un 4 debe apariecer 14 vece¡ o menos en aproximadamente la décima parte de estas muestras. = ..0885 Se deduce que si fuéramos a tomar muestras repetidas de 120 lanzamientos de un dado.. podríamos considerar que la moneda no 4.5 en unidadee tipificadas :-5.O2 14.b.37) -0. entre 219.(.7 3 280..4 4.1443: 0. .5 .'.(i) = 250 s '= \/ill = .02) : : -(área enhe z O Y z : 0.4115 : 0.L28 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP. ¡ rzo\1¡\''l5_\'o' r8 \.mr. Entonces -0.5 en unidades tipificadas : 2..18.3? (D) Procedemos como en ha parte (o). Un dado se lanza1-2O veces.5 - 250 )/11.5 en unidades tipificadas 28O. (rzo\/r\/!\'.5 cuatros. empleamos la aproximaclón normal.0..20)14.02) . 239.6 - 2O)l4.e z: O y z:2. t.- -1.5 y 260."p: .08 . : 4.250y11.18 (o) Necesitamo¡ la probabilidad de que el número de caras se encuentre enbe 240 y 260.6528 = (239.5 en unidades tipificadas hobabiüdad pedida .35) : (á¡ea entre z : O y z : -5. entre 239. (b) por más de 30..94):2(0.' La probabilidad de que resulte un 4 es p: l16 y de que no reeulte esg : 5/6.3264): 0.19.31-i Probabilidad pedida : (área bajo la curva normal enhe z : -5. Esta se encuentra exactamente ¡rzo\/f\"i 5\'o' .5 -..18 : -2.5 en unidades tipificadas: (14.73\ por más de 30. pbr (o) Deseamos la probabilidad del número de 4 entre 0 y 18. 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. suponiendo que el dado es honrado.5 a 18. o \ i \6/ \6/ -{.0.02 y 2 : -1.OB pero debido a que el habajo involucrado en la computación es excesivo.5 en unidades tipificadas : 1-0.6/ r7 \ /\6/ \6/ \ /\6/ Con¡idenndo los datos como continuos que 0 a También .0. Hallar la probabilidad de que resulte 4 (c) 18 veces o menos y (b) 14 veces o menos.94 260. l8 cuatros pueden tratarse como tt = ttp = Entonces 120( )l = ZO \o/ /t\ y q = 1/-n7tq .

que ee la distribución de Poisson. Segundo. 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. 4. 1. = "-^.i)-' + m/ \ \ cálculo = €-tr empleando el resultado conocido del . Primero. Establecer la validez de la aproximación de Poisson a la distribución binomial. 1'-t)/'-?).4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L29 DISTRIBUCION DE POISSON 4. La funóión generatriz de momentos para la distribución binomial (3) es (q*pet)" = (1-p+pet)" = [1+p(et-l\]n Si \: np de modo que p : )t/n. .-r)" r?. obseryamos queP(X: ¡) ) r=0 O para r = 0.. Si X está dishibuida binomialmente. Verificar que la función límite (2) del Problema 4.'ir . Entonces donde E(X) /-\ (I ) se convi'erte en rl Entonces cuando ¡.21. . : rtp de modo que p : I/n. Hilgase ¡. página 80. entonces (f) P(X=r\ = l'"lqrq¡-r \r/ : np.er = 1 y se completa la verificación. Otro método. dado que ).I \n/ / r \ ¡-¡ ) n1@./ \ --> = (r-\)'1t . . tenemos >{] !a1*="¡ = t=O -.20.+:: ¡=(l ' ' e-). n/\ n/ \ en tanto que ('-+) +.rl ('* i) = Se deduce que cuando n (2') / \¡ eu - pero I permanece frjo (es decir p -+ 9¡ P(X=r) + ¡:q. ) 0.20 realmente es uná función de probabili' dad. (¿-r)(1) /.cAP. El reeultado pedido entoncec ¡e deduce utilizando el Teorema 3-10. ' ..

lioo ¡ln p¿tar liii¡ {ili ¡n . sultan defectuosas. Diez por ciento de las herramientas producidas en un proceso de fabricación determinado re..1# ^:?¡p:(2000)(0.1.1) - 1.18 En general la aproximación es buena si p É 0.22. La variable tipificada para X es X* = (X .- 6 P(X=2) = %: = 0.001.23.e¡' = \z/ 0. t ¡t qn.(d) I¡¿-)\ donde p(x-Bt . 4. Si la probabilidad de que un individuo sufra una reacción por una inyección de un determinado suero. )r.' .r¡r1s.180 (b) P(X>2) = 1-[P(X=0) *P(X:1) +P(X=2)] _ I fzo¿-z. (o) La probabilidad de una herramienta defectuosa es p :0. _/1t\ para X* es ".130 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. Denótese por X el número de herramientas defectuosas de las 10 escogidas.t ¡n = le(qe + pet. determinar la probabilidad de que de un total de 2000 individuos (c) exactamente 3.323 Una evaluación exacta de las probabilidades empleando la distribución binomial requeiiría mucho más trabajo.re = (10)(0. (b) más de 2 individuos tengan reacción.1e37 ó o.2te-z --z! .24./íil 2 o et't-(.001) :2 _ 0. X tiene una distribución de Bernoulli. es 0. tfi-oa = > ¡=0 |\_. empleando (o) la distribución binomial. vC. pero ya que las reacciones se suponen sucesos raros.r -Lót 1! ) = l-6e-z = 0.np)/l/nW y la función generatriz de momentos Eletx'¡ E(et<x-nú/t'/-nil¡ tnnr rliii g 1"txrl noÁ ¡ "" = e-tnpt. (b) la aproximación de Poisson a la distribución binomial. exactamente 2 estén defectuosas.tr r/iñ 1o + per/ lliii tvr ll-nw 1n ¡pt e ' tnp. Zze-21 -.183e ó 0. podemoa suponer que X tiene una distribución de Poisson. TEOREMA DEL LIMITE CENTRAL 4. Entonces de acue¡do con la distribución de Poisson I¡¿- P(x--x) .4 4. es decir P(X:x\ -. Entonces de acuerdo con la distribución binomial p(x:zl (b) Tenemos )\: np (tJ )10.1 y \ = np 5 5./)(p"..0"-' . Denótese por X el número de individuos que sufren una reacción. e t. 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. Halla¡ la probabilidad de que en una muestra de 10 henamientas seleccionadas aleatoriamente..

Sl es s" -JP oVn E(etsi¡ - Efet<s^-nutror/i 1 . p)2 .1 donde.'. = {Eletrxr-utr"ñ1¡" . 4...) = nu y... hemos utilizado respectivamente los hechos de que las X¡ son independientes y que están di¡tribuida¡ idénticamente.. .XntienenmediallyvarianTa ¿(s") = E(X)+E(X) + "'+ E(X.r¡1*'-p)21 * . página 80.25. t2 Portanto E(etx'l: (r*!+"')" \2. Entonces... Por tanto. Por tanto +X2+"'*Xr.Elet<xt-. .cAP.+.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Entonces empleando la expansión 131 eL hallamoa = L*u* t+gl u2 uj +"' qe-to/. se sigue el reeultado pedido..n6r-É) n orJ + ft. por el Teorema 3-10..si¡ = / Iz (t*. e(x2-tt)/"G.. /.E(er.....EntoncesXt.)/ot/.. por una expansión en serie de Taylor. Zo'n o\/n que .. = q+p+-'iroo : L+h+. pig¡naLL2\.-] + 2o2n + ovn J = de modo E'(1) + l. tzqz . Var(S") = Var(X1)*Var(Xzl+" '*Va¡(X) Se deduce que la = noz variable aleatoria tipificada correspondiente a S...f = Efet(xr-ülo6). o\t z"Pq-r / '/"Ñoo(n-!-g\ * .qte es la funci6n generatriz de momentos para la distribución normal tipifrcada.?/ Pero a medida que n + e el lado a la derecha üiende a et2/2.. Demostra¡ el teorema del límite central (Teorema 4-2. Paran:L.tenemosSn:Xr o2.2. Así el resultado pedido se sigue por el Teorema 3-10. es sÍ La función generaEiz de momento¡ para .queeslafunción genetafrizde momentosdela función normal tipificada. .Elet<x"-Dta{. en los dos últimoe pasoa. página 80. = r+fi+. et<x^-tJ/ol..r[r + L t(xt _ p) tz(x-t. = . "' \ -...Xz. tq .Elet<xz-ú/"6).(t ) h+ m.tar I peta/tlnnf.. debido a que las X¡ eon independienter. = r++@++Gz)-. Elet<xr-u)ro{i1 ..) \ n Pero el límite de esta expresión a medida que n -+ @etet2/2.

P(roja en cualquier extracción) = # P(blanca en cualquier extracción) = h P(azul en cualquier extracción) p(B rojas.t \A/ Pero la misma selección puede realizarse en otros órdenes diferentes. .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. 2 blancas y 1 azul en ese orden es /s\'/¿\'/rY \tll \. Método 1 (por fórmula). Entonces la probabilidad de escoger 3 bolas rojas /5tl2\3 . 4 blancas y 3 azules. lJna caja contiene 6 bolas blancas y 4 rojas.t i .rt. Método 1.h(¡r)'(#)'(. rc 2l . 12. 2 blancas y 1 azul. y el número de estas formas diferentes 6l 3!2!1! como se expuso en el Capftulo 1. Una bola se selecciona aleatoriamente de la caj4 se observa su color y luego se remplaza. ) Por tanto el número de mueshas y 2 rojas ".i Entonces r azur) = . /o\ /r'i \.26. pb = 4/72.132 DISTRIBUCIONES DE PROBABILIDAD CON NQMBRE PROPIO lcAP. En forma análoga la probabilidad de escoger 2 bolas blancas e (4ll2l2 y la de escoger 1 bola azul (3/12)t .El número de formas diferentes de seleccionar las 2 bolas restantee de las diferenües que contienen 3 bolas blancas /a\ 4 rojas * (. Hallar la probabilidad de que después de 5 pruebas del experimento se hayan escogido 3 bolas blancas. Entonces la probabilidad pedida es lr Método 3.+)' = ffi es es Método 2.'. Po=' 3/12' Porexpansión se obtiene elresultado anterior. i-paIpo)G donde p. Se realiza un experimento en el cual se selecciona una bola aleatoriamente y se observa su color. DISTRIBUCION HIPERGEOMETRICA 4. Halla¡ la probabilidad de que de 6 bolas seleccionadas de esta forma 3 sean rojas. El número de formas diferentes de selecciona¡ 3 bolas blancas de 6 blancas * \r/.ri \z ) /ro\ \5. Por tanto Ia probabilidad de escoger 3 bolas rojas.4 DISTRIBUCION MULTINOMIAL 4. pero no se remplaza la bola. Una cqia contiene 5 bolas rojas.\ [ . La probabilidad de escoger cualquier bola roja es 5172. 2 brancas. 6t In\"lt\-/:lY z!r!\itl/ \itl \rrl $/ La probabilidad pedida es el término 44p" en la expansión multinomial de (p.

4. tiene unadistribución Cauchy en.dz T .modo que = r*tu*lfí*. E(erx¡ = g (" -J".. Entonces por(I9).r-n '. = ffi= Yt+Y = Entonces la va¡ianza está dada por s2 = E[(X-u¡21 = E(Xzl-uz ry4y_ (+). 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.' La función de densidad de @ es < j. (a) La función gerreratriz de momentos de X es -¿. r = 3. -> t!! I y la integral a la derecha diverge.cAP.#ruo. = n# Í.30.l \ /10\ \5/ 4.. .laprobabilidadpedidaes . Sea @ una va¡iable aleatoria distribuida uniformemente en el intervalo -l=t trarque X: atan @. n=6. = E(x) = E(xz\ l"'* = #:af" b2-a2 Z(b-a\ a*b 2 (b) Tenemos = I. PIX=S) DISTRIBUCION T.'NIFORME 6 = \/4 }i|j.159). Esto puede verse al notar por ejemplo que si r ¿ 0." = o 2 .'f-+ = #tl. Demostrar que la media y la varianza de la dishibución uniforme (página 114) están dadas respectivamente por (¿) ¡.29. ¿ > 0 e. Í"..páginallS. (a) t. J-.' 7't|^ou" (b) La función característica de X es E(eiox) = g (¿..4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Método 2 (empleando la fórmula).@ 1x1*. i J-6 x'' + a: ""'l' . = firo_ot. 7+ azctr sin +-ai )-.r! * la cual no existe si ú es real. Oemos- /(a) = ! -L2- . Tenemos b 133 =6. r= 4.2+d2dr ' _ donde hemos utilizado el hecho de que los integrandos en el segundo renglón son funciones par e impar respectivamente. X con DISTRIBUCION DE CAUCHY 4. Puede demostrarse que la úlüima intcgral existe y es igual a e-aa (véase hoblema 4.cos or = . a f . o > 0. de.rr¡ r¡¿n' ("' 2o (" cosor r=. Jo r. (b) o2 : Ll72(b -a)2. : Ll2(a + b).28.

ya que I'(a + 2) = (c * 1) r(c * 1) = (a * 1)a I(a).¡a-\d. Demostrar que la media y lavananza de la distribución gamma están dadas por (a) p: aP." "loo"¡.+fl Jo * l* _ r(a)I'(p) r(c r'(a + 4)- Jo (t *su+t11 2) l'(B) n)e-r ¿." ". p = E(x) = ### fo'*¡. = r@l#l = :a+-a DISTRIBUCION GAMMA 4. (b) o2 (a) = oB2.19: t tenemos E(xz¡ = ff"*. El segundo momento alrededor del origen es * 0) l'(a + 1) r(B) o I a B E(xz¡ = f(a)f(p) (t .1o" xlQ: t tenemos : f.33. . r Y dx Íz+a' Entonces por el Teorema 2-3. Hallar lavarianza de la distribución beta. l'(a r.... .31.4 ¡: a tan 0 tenemog o-t¡¡-L! a .o*r"-ro. HaJlar la media de la distribución beta."-r{r-x)F-tlitr = frffiJ. t.'#0" p2(a*t)a. página 46." ffi..¡^.32. la función de densidad de X está dada por s(r) que es la distribución de Cauchy. = Í.z¡ro-r1l. Por tanto p2 = Bz(aIL)a"2 .t p\ f I sa(r - ¡)e-r fls rt"lrtBl r(a+1+B) I(a + É) dr(d) r(B) r(a) r(B) (" + P) f(4 + p) = 4. r(a+2+ ¡t) _ r'(a * É) (a * l)a r(a) r(B) t'(a) t'(É) (a * p * 1)(a + p) I(a + p) r(a) r(É) * B) r(d + _ (a-rB)@+B+1) "(el_! .. fo"' .r .)*: = ift)"("+z) = n2 Í.134 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Considerando la baruformación [cAP..E(X2) - (ap)z - "Bz DISTRIBUCION BETA 4.lff.rÍ"." = ffirt"+f¡ = R RemPlazando p= Bon f' Fe-tdt aB (ó) Remplazando E(Xz¡ = t.

es con (¿ dA v. pero procedemos de :0.r2 Al remplazar (l - 2t)n/2 = 7. do ) función generatriz de momentoo de Z = X. t : (1 - N¿¡-Qr+v2t/z (b) Se observa del Problema 4.t Pero esta es una distribución chi-cuadrado con 1 grado de libertad. pá4ina 1-1.la varianza es 02 = E(xz¡-l'(x)l= _(rro)'= cr6#T_Fn : (1. como se ve al página 116.ztl-v/2 fa u<v/z)-re-udu = (L-zt¡-'rz r'(v/z) )o 4.34 que una distribución cuya funéión generatriz de momentos es (1 2t)-<vt+v2)/2 es la dishibución chi-cuad¡ado con v11.r2.B2. Demostrar que X2 tiene distribución chi-cuadrado con 1 grado de libertad.'tz¿s = + J-¡¡ f = + Jo 1/2n l2n donde en el último renglón ae utiliza el hecho de que la función de densidad normal tipificada es cero. Esta debe ser la distribución de Z. por el Teorema B-18. Efectuando el cambio de variable x : *t/T en la última integral./2dü (-. grados de liberta u2 Z:Xt *X.'rz¿s (-fr"-.)Eqéx"¡ : 1l-2t¡-'r/2 1l-2t)-vz/2 utiüzando el koblema 4.t2r(v/2)Jo " r-2t \r-2t/ : ll .CUADRADO 4.v2 gadosde übertad. obtenemos P(Y < ú = -! fs rrrze-uz t/2r Jo d. DISTRIBUCION CHI. y utilizar el hecho de que r(á) = V7.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 135 Entonces. Sea X una variable aleatoria distribuida normalmente con media 0 y varianza 1.36. grados de libertad. página g1.36. 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.-rr/2e-. utilizando el Problema 4.a una distribución normal para X. Y: x2 dad.s(v-2)/2e-<L-2t>r/2 dr =J-r(v/2) )o 2. Al generalizar los resultados anteriores obtenemos una demostración del Teorema 4-4. ! X. a * v. Puesto que Ia correspondenX y Y no es uno a uno no podemoe aplicar el Teorema 2-3 como está.84. .1 en la última integral hallamos M(tl = 2.34.cAP. 4.2t)-. colocarz: 1 en (39). Pa¡a ( 0es lóglco que P(Y SU) y> 0 tenemoe P(Y<u): P(Xz<a) = P(-\/u=X<+\/a) +fr"-. cia entre Paray Deseamos hallar la distribución de la manera siguiente. Sean ¡t y X. ea M(t) : Enet(xr+xü1 : E(etx.6.

píryina 116.la cual del Apéndice E es 12.. Por ejemplo. si el número de gndos de liberbad v es igual a (c) 15. Entonces del Problema 4.39.O25 representa la percentila 2. .0.61. entonces el á¡ea a la izquierda de representa la nonagésima quinta percentila. Entonces procédase hacia la derecha hasta la columna x%r.05.35(b).2-. X. El resultado 11.831 y 12...025: 0. la cual es igual a 15. xi representa la décima percentila.10.O. como puede observarse de la tabla. Es de interés notar que los valores de la mediana están muy próximos al número de los grados de libertad' En efecüo.04 en tanto que el área a la izquierda es 0. (b) 2I. el área sombreada a la derecha puede ser 0.136 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 2. Sin embargo. (b) 28 y (c) 40 grados de UtÍIizando la tabla en el Apéndice E.026. X.34correspondienteav:9.2gs. x. el área sombreada a la izquierda de x3 es 1 ¡j iepresenta la percentila 9?. si el á¡ea sombreada a la izquierda es 0. y Si el área sombreada a la derecha es 0. búsquese el valor 5. qi" Z = X?*X2" tiene distribución chi-cuadrado con 1 * 1:2gradosdelibertadsiXr y X2 son independientes.1 es el valor pedido de 12. .esr.9?5 Análogamente. 4. xz:. (d) el área sombreada a la derecha: 0.la cual es igual a 0.37.831. escoger las dos áreas iguales.(b) 2T. para v : Por el Problema 4. (d) Si el área sombreada a la derecha es 0.025. (b) Puesto que la distribución no es simétrica.05.Ia cual es igual a 1.3correspondiente^v :40. en este caso cada área:0. Demostrarel Teorema 4-3.tán distribuidas normalmente con media 0 y variánza 1. el área a la izquierda de x? es O.05.¡r. (b) el área total sombreada: 0.38. (c) el área sombreada a la izquierda: 0.0.025. lcAP.01. Hallar el valor de la mediana de libertad. Por tanto los valores son 0. 4-18 (o) Si el área sombreada a la derecha es 0. ¡! que corresponde a (a) 9.36 vemos que si X¡ y X2 es. x.40.150. xl es (1 . y x? (c) Si el área sombreada a la izquierda es 0.05. (c) 67. Hallar los valores de xf. los valores: (a)25. entonces X? V X3 tienen distribución chi-cuadrado con 1 grado de libertad cada una.O5): 0. Entonces. (b) 32. (c) S9. hay muchos valores para los cuales el área totál sombreada : 0. el átea a la izquierda de percentila 99.x?o¿s.99 y ¡22 representa la 4.0 correspondientear: av:21. (c) 50' Utilizando la tabla en el Apéndice E hallamosenlacolumna ¡2er. se acostumbra. al menos se especifique lo contra¡io.. a! es 0.10.01.5 correspondiente a z: 50.8.3correspondiente av:28.95 y xz2 Refiriéndose a la tabla en el Apéndice E.? conespondiente a la derecha de la distribución ¡2 es 0.05.5. x! por los cuales (a) el área sombreada a la derecha: 0.01.4 4. (Véase las consideraciones sobre notación en la página 116). El resultado general para todos los enteros positivos l. en la columna /.1. La representación gráfica de la dishibución chi-cuadrado con 5 grados de libertad se muestra en la Fig.¡ (puesto que la mediana es la percentila 50 ) los valores: (o) S. Véase Problema 4.. Hallar los valores de ¡2 para los cuales el área de la cola 15.¡2.8.¡ se deduce en la misma manera.5. u"mo. 4. Fig. parav> 10 los valores de la mediana son iguales av . hallamos en la columna ¡.7. 4-18.

va J"' {2r2. Debido a que Y y independientee ¡u función de den¡id¡d coqjunta er 6l producto de (I ) y (2). #.(' F(r) = _ tf Jr=-.cAP.tzl(vl7\ Jz=o = .ss+rtrOool-t¡z = |(1.t' / 2 e. / mayor que 30.(z.rf ¡"ffi "-r.\2/ r\ (l + u2¡'¡<'+t>rz .rzrl.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPTO 13? 4. himero fijamor r z b = integramos con reepecto a y de¡de . DISTRIBUCION ü x3s¡ dado en el Apéndice E. *^ I' = - *l Í": como z('' ."^' + zo+"/2 Í"'=-* d. -/./4 f ( 7<rrz>-r e-<yz+ztrz ¿.t¡ e¡tl c¡¡i dbEibuido norm¡lmenüc con medie certr y varianza uno..0(v¡lorre¡l =L24..FA = zp I t/Ft x| = *(zo+tffj¡z (o) Si v=50.zl ztÍt + <t2 | v>r a")au ( " Susüituyendo F(r) = G./ .er dccir z<v/z)_te_ :|-r+zr/2 para -o 1g 1lo.42.=o"r.. Por tanto tenemos Remplazando F(xl = .100 gados de libertad. dud.64+rfss¡z =69.r/2..locuale¡tÁde¡cuerdooonelvalor6?. DE STUDENT 4.64+/199P = 124.u [f=. podemoe ercribir. zo/2)-re-z/21ffi e-uzzr2.= .z \f 2nz."a']au de acuerdo con lo pedido. oon un alüo grado de aprorimación.-j(* .u\ . Para . tn¡r( z\ Ju= -' . Hallar xlerpm (a) v : 60 y (b) y . 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.lt * T ) eeto puede eocribir¡e d..3).Lu€{p integrannr_conrespecto az de¡de 0ha¡t¡o.o 6 . Entonca ti z.2.es+ftool-t)2= +(1. .@ hast¿ rl/z/r.6 = f.tzt'(vl2\ ).rr-r"-.. '\ z / (. z ) La función de di¡tribución de I = Ylt/ffi e¡ F(u) = P(T=r) = P(Y=er/Zfi) = y@2.Elrode donde t6=t = .#.. podemor utiliza¡ el hecho de que ({Tx2 . página 117. er la percentil¡ 10Op de l¡ di¡trlbución nornd tipilicada.tz¿ul¿" LJ":_-e A = urfi en la integral entre parénteais rectangulares hall¡mo¡ ..41. Demostrar el Teorema 4-6. xlgs = \@.y ¿2 # donde la integral ¡e toma ¡obre la región ( del pleno lz parn l¡ cr¡¡l g ut/ñ. (b) Si r=100.

la/2.01 es (e) -2. entonc€s por simetría el área sombreada a la derecha es 0.43.r) a\. (c) Si el irea total sin eombrear ee 0.82. ) 0 y 0 de otra forma. t. hallamos en la columna te.css = 3.l4\ -1- f 'pw\"rz'-' ID'-''-"e '"''o'-. búsqueee en Ia columna y el valor 9. La representación gráfica de la distribución (c) el área sombreada a la derecha en la Fig.01. ú es 0. (c) el área total sin sombrea¡: 0. dada por 1 (. sea 0. De la t¿bla t ss = 2.9?5 y úr reprecenta la percentila 9?.:: ::'.:.u) = . (d) Si el Área sombreada a la izquierda es 0. (c) 200. De la tabla hallamos t. ú.olumna ¿..lL=-=_rü=02 L"a/ ar t'2ú | vl1t2' .gg) = 0.(b) 1.:"i = l::"'.25. t.75 correcpondienteay:16. (b) el área total sombreada: 0.) = 6"i.90. Sielá¡eaalaizquierdadeú¡ es0.0.'') (?ñ rr^ o(vz/2) -| "-'.ú. (b\ 27. Efectúe Ia transformación u 1/ v1 . losvalores: (o)L.entoncesúl correspondealapercentilagO.70 correspondiente a v = 27i (c) 1. 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. El resultado 1. -1)(v'\/2) "-.e.005. entonces el área total sombreada es (1 .O.01 y el área sombreada a la derech¡ es 0.'. vlW v2 .nD\]uJur0. ) 0.DZ=ü l1U7D Entonces el Jacobiano es i'. Por tanto el área de t para el cual el área sombreada a la izquierda es 0. a. ODt=r. Halla¡ el valor de ú1 para el cual de Student con 9 grados de libertad se muesha : 0.4 4.er5.82. t. Del Apéndice D hallamoe 2. (e) el área a la izquierda de ü.[.05. La función de densidad conjunta de f '' V¡ y V2 etá.645 correepondiente a y: 200. 4.O5): 0. En el Apéndice B e¡te valoi corresponde a la enhada en la última fila ma¡cada ó). DISTRIBUCION 4.99.45.05. .05.rl).025 por simetría. (d) el área sombreada a la izquierda : 0.05. r / Ll+ lvt/v)).26 como el valor pedido de ú. tenemoe | 1U) t. (El último e¡ el valor que se obtendría utiüzando la cu¡va normal. 4-19 tt (a) Si el á¡ea sombreada a la derecha es 0.44._tr Fig.95 y úr Refrriéndonos a la tabla en el Apéndice D.. entonces el área a la izquierda de ú¡ es (1 repreeenta la percentila 95.1 ez(vt+ v2)/2 lQl/21 f (u2/2) <t | + ú2)' ri o. J z t .138 DTSTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO ú [cAP.0.90.quedelatablaes igual a 1.es.2 g(u. Entonceg búequese la c. Por tanto el á¡ea a la izquierda de ú1 es (1 .t u(v2/ 2) .e0. entonced el área sombreada a la derecha es 0.83 es el valor pedido de t (b) Si el área total ¡ombreada es 0.01/2 : 0.025): 0.38.01. ¿.5.::l = l"*:" 'u':'" Denotando la densidad como función de u y w por g(u.01. Deimostrar el Teorema 4-?.99.05 Refiriéndonos al Apéndice D. 4-19. .

s. que es el reeultado pedido.r..r' / 2(. ( " *.5 L6l = (72.ss : t?n (b) fl.47. (o) DeI Apéndice F.r.so.326.80.1-2\/ /\.5.t)- tyt ('4fa) (.48. (d) F.257.oc. (b) F .2* .18)2. ro. etc.'r2\ ) = 0 ó trt ry = /. 10. ¡2 y ú 4. .46.o. página 118. /.¿t. 4.l¡. F.'.9.ee.8 = 3. /. A diferencia de una conetante. r.rr. rs = 3.30.-'1t'"tvp)-uvr\j-:. \.t .\rt.2* r.\ z /...0 = 4. .4l si u DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 139 > 0.ut = t'(P) ap Jo da) ) 0 y 0 ei rt É 0. u.ul F'. hallamos F. hallamog . r¿ desde La función de densidad (marginal) de U puede encontraree integrando con recpecto a decir 0 ha¡ta €.au d..(vz/2) Jo -tL-!:j!::-:(I5).L5. página 118. Pero de Tenemoe (r h(u) / v2\vr/2 4Q 1/'' .*r.cAP. = # = 0.F' gs. RELACIONES ENTRE LAS DISTRIBUCIONES F.l= *. donde. la función densidad de la di¡tribución F es r[(t.78)2. 7. i \rn) - 2\ / v' \ si v. 4.71)2. . 11 .+v2't/2r-r = 0 Dividiendo Wt ut|ti2)-2(t2l t¡t)-[("\+t. Apéndice A..t r rz)tz Si tiene un máximo relativo se presentará cuando la derivada sea cero. hallar (¿) F.2\/2)-t e-tt+<v{/v2)t(o/2> z(tt ' u2)/2 t0t/21 l.rt) - (¡'r +t2)/2 - . ir ua 0.e75.ss : ".o5 en el Apéndice F con e¡a¡ en l¡ distribución ú bajo ú. ) 2' de (.0g (d) Por el Teorema 4-8.ob.TZ) \ (-" se Utilizando el criterio de la segunda derivada podemos demoetra¡ que realmente trata de un máximo.i/2)--t (v2:L vru)-(r.- r1u)-¡(. Demostrar que la distribución F es unimodal en el valol ¡v' ' La moda localiza e! valor máximo de la función de deneidad.7L = (2..t e. (c) Por el Teorema 4-8.o. Verificar que (o) /.n. es decir (r. Utilizando la tabla para la dist¡ibución F en el Apéndice F.. = 0.1 = (3..io = F_¡ .rr. 15.. : (4.ot.\i = /v' I vr\ ) si u ) 0 y 0 ¡i z¿ 5 0. er hkt) = ei u (.96...50¡2. rr.\z .\/2i-r.. \ : ¡..'rrr.. primera f.+t. =- 9. (c) = 10.s.1 -.. hallamoa \-i.. (b) Del Apéndice F. Vemos que 18. rr. ro. > 0 y 0 de otra forma. (a) Comparar ia¡ entradas en la columna de la tabla F.. donde vt -.o.

2 -. Demostrar el Teorema 4-9.)" .r( .48.66)2.49. página 118.. P.-./ para u /_u_r.sí generalizar los resultados del Problema 4.'.'.r(l +3!) t r-ru+l)/9 ) O.-¡l r.60)2. 34. Sea 11 .l./" + 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. 98.92)2.4*)___\-.Ft-o) f(u): 0 para ¿ < 0.+tfttur¡ = P(T s +VFt-p) .página 11?]. I ^F. Vemos que 4050 : (63. vemos que el lado izquierdo de la última ecuación es igual a z. que puede establecerse simplemente como F r-p = t? ott¡ l(4í).(. Re¡olviendo. Entonces y a. 4.rtF. + r\ r( ol -r- .es el nhmero tal = 7- * t\ "/" .eer. pfuina 116..P(f 0) = = P(T=+\E|-+ donde hemo¡ usado la simetría de la distribución ú. .5 = (9.. Por tanto ^\ F.9 " / +1\ -t'* "" t / vv/21l-12v-(.84)2.0 <'T = *t/Ft_o) ú donde ? es una variable aleatoria con distribución de Student con u grados de libertad.4 (b) Comparar la¡ enhadas en la primera columna de la tabla F. P(.'. v2 = v en la funeión de densidad para la distribución F f (ul = .o) r\ \ '/ ll '=2 | '\ . Por tanto t-P 2 = Pp<T:. Entonces por la definición de un valor de percentila.u/2¿-r/2(y + ul-(r1tr/2 ^/.ee en el Apéndice F conegarenladistribución ú bajo ú.)" \/ Com¡rarando con (42). t { l'-'u-r. 21.140 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP. \ : {". tenemos P(T=+tlrno¡ = t -Pi .(4.l / +z\-r¡ \ '/ ¡=.t. '\2/'\2/ "11\ "/r\ t -/..*rr.1 = (5.r¡ n'(. etc. y que P(U 5 .

_ 9. Análogamente la probabilidad de no obtener un 3 en el segundo lanzamiento ee 5/6. Véase Problema 4. K (r(r .r'il ) y y puesto que este es un producto de una función solamente r. 3. er el Apéndice F (correspondientes las enhadas bajo x:nn en el Apéndice E. etc.. Verificar el Teorema 4-10. producto de una función solaménte en.ú los valores de = t-+o-. Esto es posible sólo si p : 6.F e.Por tanto la probabiüdad de obtener un 3 en el quinto lanzamiento es 1/6.00 =..145. 4. Comparar las entradas en la última fila de la tabla .. página 118. f(x. Por tanto ú es estrictamente +\/F. lo cual provee la verificación requerida. si X. = @) con = "'13. se convierte en l@.il = (4 .GB a ¡'.¡ !.. Entonces vemos que 6. tt tt¡/z.21 .:\/2= en . etc. en el Apéndice E.. r por una función solamente en y para todos ser el Inversamente. DISTRIBUCIONES DIVERSAS 4.51. )Lo..50.7 2. + * en la distribución F en DISTRIBUCION NORMAL BIDIMENSIONAL 4.r y una función solamente en y. Y son independientes.. 3. Si el coeficiente de correlación p = 0.4] DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L4t Pero. la probabilidad pedida es Y/r\ \6i \6/ / s c.52. 4. La prueba general del Teorema 4-10 se deduce tomando el límite cuando U2 la prfuina 117.L . lotll.+.. entonces la función de densidad normal bidimensional (49). ya que la función de densidad de Ia distribución positiva. s.8t (b) -.78 = #. Ll .95 y (b) p : 0.02 = #.s2 T r. por definición. Y son independientes.¡ es el número üal que P(T=tt.. Demostrar que X... Y son independientes solo si su coeficiente de correlación es cero.'. Y variables aleatórias cuya función de densidad conjunta es la distribución normal bidimensional. 't7 2.25 77i6 . -. y este nfimero se determina finicamente. = tt-(p/zt ó Fr-p : tl2t'-tptz'. que era lo que se querfa demostrar. para (a\ p : a1 0. s...60 -.99. Sean X.1. Méüodo 1..94 3.'.CAP. página 118. La probabiüdad de no obtener un 3 en el primer lanzamiento es 5/6. y se deduce que X. lo cual provee la verificación requerida. y) dada por (49) debe para todos los valoxes de x. Entonces vemos que a r': ó) con etc. Entonces la probabilidad de no obtener un 3 en lo¡ primeros cuaho lanzamientos es (5/6)(5/6)(5/6X5/6): (5/6)4.r"?ll--+"-.4!¡ 4 2. (c) Comparar las entradas en Ia última fila de la tabla F o= en el Apéndice F (correspondientes las entradas bajo ¡.(p/z\\ = l-?. Hallar la probabilidad que en lanzamientos sucesivos de un dado honrado resulte un 3 por primera vez en el quinto lanzamiento.

: atb pa. página 118. 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.26 (c) P(al menos uno re gradúe) = 1 -P(ninguno se gradúe) :0-92224. ó aprorimando 0. se gradúe.08 (D) P(re gradúe uno) = 5Cr(0..4)0(0. (c) al menos uno.6)4 = 0. etc. Verifrcar las expresiones dadas para la (a) media. \i)"-".L42 .be-! = o-2/br\t + a) Entonce¡ / o\ ¿u 02 = El(X-u¡21 = E(Xz)-uz = PROBLEMAS DIVERSOS o-". 4 Utilizando la di¡tribución geoméhica.r I ú ). 11.p(\ t + +)-l ó/J 4.55.64.63. i) integral.¡ :6 Gzl vemo¡ que la probabilidad /t\/o\' _ \6/ \6 / página 119.ra evaluar la (ü) E(Xz¡ = fo- oOro*r¿-oto¡lg r "b ('/z\r*ttro> e-!:u(t/b)-t = o"o )o \.4. i7't6 4.4)1(0.oJs u. . Determinar la probabilidad de que de 5 estudiantes (a) ninguno. (a) P(ninguno ee gradúe) = 5Cs(0.2692. ¿Cuál es la probabilidad de obtener un total de 9 (o) dos lanzamientos de r¡n pa¡ de dados? en veces. 4. La probabilidad de que un estudia¡rte que ingrese a la universidad se gradúees 0. etc.977?6. 6 = 36 forma¡ en las cuales ambo¡ dadoe pueden caer. 2¡. alf hay 6 . 1 en el primer dado y 2 en el regundo dado.of ¡(1 + 3) b/ L\ .q:616.6)r : 9. E¡ta¡ ¡on 1 cn el grimer dado y 1 en el regundo dado. pedida er pRopro [cAp./ du (' = o-r.tbr donde hemo¡ ütilizado Lr ¡ustitución u f@ ab ('/"\ du /' (r.92. eon p: Ll6. de la distribución Weibull. (o) t' = E(X) = JO f abrb e-o"o d. (b) la variarrza. (b) uno. - f. (D) al menos dos veces en 6 ¿ead¡¿o¡ por (1.""tb)-t a-ub I ur/be-! du Jo a_. DISTRIBUcIoNEs DE rRoBABTLTDAD coN NoMBRE Método 2 (utilizando fótmula). ó aproximando O. ó aproximando 0.

.1. hallar (c) la media y (b) la desviación típica para la distribución de tornillos defectuosos de un total de 400./ * '"'(.0 (6.6u.56..3418 - y e = 0) (áre¡ entre z :{. (D) Varianza : npe: (40OXO.2. (6.6. 5).1XO. es decir podemoselpemr que 40 tornillo¡ esüén defectuosos.5 en unidader tipificadar : 5.\0/ \e/ \s/ ^/l\'/q\' ffitZü 7268s 4.0676 : O. Para aplicar : 6.5 puntoe. eb necesario con¡idcrar los datoe como si fueran continuoe. Suponiendo que las calificaciones están distribuidas normalmente. (c) la calificación mínima delL0% más dto de la clase.2:{).1): 40.9): 36.-"^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.4I DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 143 De estas 86 forma¡ todar igualmente factibles ¡i los dados ¡on honrado¡./ \.6. Por tanto una calificación de 6 puntos ¡e cor¡sidera como 5. la distribución está sesgada a la derecha./r\'/e\a. Las calificaciones de un parcial corto en biología fueron 0. 4. ^ /r\'/e\'.er)*P(9cincovecer)*P . determinar (c) el porcentaje de estudiantes con 6 puntos.ó6. 4. Entonces la probabilidad de un total de 9 en un ¡olo lanzamiento de un per dddados esp :4136:1/9 y la probabilidad de no obtener untotaldeg enunsololanzamiento esq=L-p8/9. ^/r\'/a\'. P(al menoe 9 doa veco) : 1 - P(9 cero vecer) - P(9 una vez) : .17 (5. (a) Media : np :400(0. 4-20.2788: . dependiendo del número de respuestas conectamente solucionadas de un total de 10. ^ /r\ta.6 a 6. 10 puntos.2. Si la probabilidad de un tornillo defectuoso es 0.5gr 441 * ss1 441 .cAP. . La calificación media fue 6.6 (área entte 0.5 en unidadee tipificadar hoporción pedida: á¡ea entre : : .-.? y la desviación típica fue 1. (o) P(9 do¡ veces en seis lanzamientos¡ = 6"'\t/ /q\t-' .2 = -'1. un total de 9 ocurte en 4 cqlos¡ (3. (4.17 z: -1 y z:-4.58. (b) la calificación máxima del L0% más bajc de la clase. L. 3). (a) (b) Coeficientedeeeego= Puesto que es positivo. ^ /r\u = 'c'(o/ \é/ * '"'(.7)1L. Por tanto la de¡üación tfpica = /56 = 6. (a) la di¡tribución normal a datos discetoe. Halla¡ los coeficientes de (a) sesgo y (b) curtosis de la distribución en el Problema 4./ \ó/ * '"'foi ó * '''Gi 72689 1 10240 960 48 61 = 681 440 65f ¿¿T .7)1L.a di¡tribución ee s+l---^6:q : 3+ff1-6(0'1X0'9) = nuq 3'01 ligeramente má¡ apuntada que la distribución normal. 4). (5.133 coeficienüedecu¡tosis: l. Véase Fig. ."'\g/ ' ^/rY/s\u. 6). == vnpq H = 0.5?.17 z: -1 y 277o z: O) 0.5 ..5Bt 441 = 531 441 441 Otro método.

60.r2 la calificación mínima pedida zz =L. 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. zt Enüonces zt = (xt .69. 4.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. 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. Entonces (x2 - 6.on O como el origen.x2:8.26 6 aproximando y al entero má¡ cercano. Por tanto la probabilidad de no contar en el tiempo At ec 1 .4 . = 0.I At. Por tanüo c = I y l¡ probabilidad pedida ee (11 Po(¿) = ¿-^t 4. Entoncee tendremos una cuenta en el tiempo f * Af en lor riguientee dos ca¡o¡ mutuamente excluyenter: (i) 1 cuenta en el tiempo f y 0 cuentar en el tiempo At (ii ) 0 cuenta¡ en el tiempo ú y 1 cuenta en el tiempo Aú . exiatirán término¡ adicionalecqueincluyen a (Aú)'y órdene¡ ruperiores.40 : -L. Si se suponen lar llegadae de lae partícula¡ sucegos independientes.28 (aproximadamente). Máe precisamente. Un contador Geiger se emplea para contar la llegada de partículas radioactivas. por simetría : L.7)lt.Z:-t.P6(0): c e¡ la probabiüdad de no cuenta¡ en elüiempoGrro.4-20 Fig. 4-21 (b) Sea r ¡ la calificación máxima pedida ] z¡ !u equivalente en unidadec tipificadas. a Area entre zt y O: 0. 4-2L el la izquierda de z¡ eo LOT. Refi¡iéndose al Problem^ 4. (c) Sea .2 u 8 aproximando al entero má¡ cercano.69 halla¡ la probabilidad de exactamente una cuenta en el tiempo t.I -0.10. 4-22 repteeenta el eje de tiempo c. At. De la Fig.28y Ír:6.4-22 o ran si AÍ es pequeño.L14 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP. La Fig.7)17.que lógicamente e¡ 1.2 ! 22 Eu equivalente en unidades tipificadas. 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.17 I'ig. rin considerar los términoe que incluyen (Aú)2 y término¡ cuperiores. la probabiüdad de no cuenta en el tiempo t Entonces Po (ú + At) es la probabilidad de no cuenta en el üiempo ú + Aú. Si (b). Por tanto.6. Halla¡ la probabilidad de que en un tiempo f no se cuenten partículas. pero no se consideSea P6 (ú) r-----]--l Fig.28.28. por tanto área. tenemoS (r) De (I ) obüenemos (2) Po(ú+a¿) = lú Ps(Ú)[1 -IAú] = -IPo (¿) At+0 lim Po(¿-f a¿) - PoQ\ e¡ decir (.

67.t * \P. (b\ P(X <21' (c) P(1<x=3). (c) 2. (d) 3' @l a. Iülla¡ la probabilidad de (o\ 2 o már honradas. 4 caras en un solo lanzamiento de 6 monedas hallar (o) P(X = 4. Suponer 4. sin coruiderar los té¡minos que incluyen (Aú)2 y ruperiores. @l 6 caras. Por tanto.59 esto convierte en dP. tr¿-At (3) dt = ^Pl o d. que es cero. X denot¡ el número (d) de caras en un solo !¡nzamiento de 4 monedas.¡e-rtt esto puede escribirse como d.ar una moneda honrada 6 veces aparezcan (o) 0.I"(t) = XF'o(¿) - IP1 (¿) ge Tomando el lfmite cuando Af -+ 0 y utilizando la expresión para Pe(ú) obtenida en el Problema 4. (n 5. P1(0) eo la probabilidad de 1 cuenta en el tiempo 0. ¿cuántaseeperaríantener(o)3niños. Hallar fal¡o. ¿@xtPr) = x que al integrar (6) Pr(t) = \¿¿-rú+c2e-\r Si : t:0. (r) Esto puede escribirse Pl (ú + a¿) = Pr (ú)(1 - r aú) + P0 (¿)r a¿ Pr (¿ + (2) l¿) Lt . la probabilidad de acerta¡ correctamente al meno¡ 6 de 10 res¡ruestas en un examen tipo verdadero- . Por tanto (7') = ¡¿¿ . 3).61.cAP. (c)o2ó3niños? probabilidades iguales para niños y niñas. u) Multiplicando por (5) e^¿ d.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). 4.66.I a¿). caras. Hallar la probabilidad de obtener un total de 11 (c) una vez. Halla¡ la probabilidad de que al lznz. (b ) menos de 4. (b ) 1.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 145 La probabilidad de (i) es P1(ú)(1 .69. 4.i que es [a distribución de Poisson.rlos DISTRIBUCTON BINOMIAL (BERNOULLI) 4. Problerna.64. Si P(X=2).P.62.s supletnenta. . (b) dog vece3' en dos lanzamientos de un par de dados honrados. con un par de dados? ¿Cuál es la probabilidad de obtener un 9 exactamente una vez en 3 lanzamientos 4. DeSOOfamilia¡con Shijos.(b)5niñar. La probabilidad de (ii) es Po(ú)I at. Utilizando e¡to en (6) hallamos Pt (Ú) c2 0.66.

2 respectivamente.69. -0.El m inclusive. dondeZestádistribuidanor¡nalmenteconmedia0yvarianzal.79' 4. La calificación media de un examen final fue 72 y la derviación típica g.900.15 y z *aO. (a)Determinarlas calificacionestipificadasdedog estudiantes cuyos puntajes fueron 93 y 62 respectivamente. (d) iguales a 0.58.81' 4. Z está distribuida normalmente con media 0 y varianza 1. ¿Cuál es la cslificación mínima que debe obiener un estudiante para recibir una A ? Si un conjunto de mediciories está distribuido normalmente. 4.80' 4.608 pul. haltar (a) P(Z = -1.96 =_ Z < t.5722.74.64). Demostrar las fórmulas en la página 109 para los coeficienües de seego y curtosis. (d) igual a 1.t ! 2 o. (dl al menos I persona esté viva. (c) solament e 2. 4.615 pul.618 pul inclusive. DISTRIBUCION NORMAL 4.L46 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.2 o.23yz:1.2266. (/)ala izquierda de z:-2.4O. (c) el área entre de z tales que (a) el área a la derecha de z sea 0.75. determinar el porcentaje de los cojinetes de municiones con diámetros (a) entre 0. (D) mayor que 0. 4. (ó) el área a la izquierda de z sea -0. 4.6 y 1.86. Demostrar que si una dishibución binomial con n : 100 es siméhica. (b) P(-1.?O m y desviación típica 10 Si los diámetros de los cojinetes de municiones están normalmente distribuidos con media 0.50.7O. (b) Determinar los puntajes de dos estudiantes cuyas calificaciones tipificadas fueron y 1.gShallarlacon¡tanteatalqueelporcentajedelo¡casos(o)dentrodelrecorrido 7 í'.84.b superior de los estudiantes recibirán una calificación A (excelente). 4. 4.(b)z=I. su coeficiente de curtosie es 2. z:-I. Evaluar (o) ) (c - p\3 f (r) v (b) > (r .4 4. Hallarz¡ si P(Z-21)= 0.82.2O y z --2. (d) el áreaentre 1.79.61? pul.78: Hallar los valores sea 0. (b) menos que p . entre (o) 4. 4. Un agente de una compañía de reguros vende pólizas a 5 personas.8{. (d) correspondientea z>:2. 0.45.6140 pul y desviación tipificada 0. Si X está distribuida normalmente con media 5 y desviación tipificada 2. (c)z:-2.t'c.!6. Hallar la probabilidad de que en 30 años (o) Ias 5.52 y a la derecha de z: 1. El l}'. Interpretar los resultados. Hallar el área bajo la curva normal (o) a la izquierda de z : -1. (c) Si las estaturas de 300 estudiantes están distribuidas normalmente c\on media 1.82.76.0025 pul.23 y z sea O. En un examen la media fue 78 y la desüación típica 10. 4. (e) el áiea en¡e-z y z 4. hallar P(X > S). (c) menores que 0.83.610 y 0. ¿cuántos estudiantes tienen estaturas (o) ¡nayores que 1. 4. (c) a la derecha d. ¿qué porcentaje de las medicione¡ están (o) dentro del recorrido I. 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. (e)correcpondientea-0.? y n : 60. (b) a la izquierda de z:0.80< z< !. entre 1.e z: -1.55 m.O?30. Calcular la (o) media.4 respectivamente. (b ) al menos 3.5 o? 4'83. EnelProblema4.56. todas de edad idéntica y con buena salud.?8.71. (b) menos que o iguales a 1. llallar el área bajo la curva normal z: 0.85- 4.77.?0 m? cm. (b) desviación típica. ¿qué porcentaje de esas mediciones diferirá de la media por (o ) más de media desviación típica.9. (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.r)af(rl para la distribución binomial.oo ¿ea 22c/a. lt!aosea . (c ) mayor que g 1. (d) coeficiente de curto¡is para una dishibución binomial en la cualp : 0.72. (b) por fuera del recorrido ¡t ! 1.0314.85V 4. Si (c) P(lzl > r).85 m. (c) coeficiente de sesgo.96).68.59 y 1.6 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.

90.88.10O. del límite central no sea válido en el caso que X¡ . r¡ : L - p. f.96. página 113. . ( L 1 prob.(b)2. Halla¡ la probabilidad de que 4.(Sugeren- cia: Utiliz. . Generalizar el resultado a n variables. Hallar la probabilidad de obtener más de 25 "sietes" en 100 lanzamientos de un par de dados honradoe.entoncesXr+X2 tieneunadistribucióndePoissonconparámetro). de loe tornillos sean defectuosos. Xz. 1/2 -r -t Demostrar el teorema del límite central para las variables independientes 'Yk donde g = | | 1 prob.92. . 4. Entonces se coloca la bola en el talego. Según Ia National Office of Vital Statistics of the U. (d) 55 o más. 1/2 prob. Se extrae una bola y se obsen'a su color.1 t\. Department of Health. ( t 3 ). "heses". (bl 24 o más de 40 preguntas en un examen tipo verdadero-falso. enunaciudadcuyapoblaciónesde200000ocurran(a)0. Se lanza un dado honrado 6 r¡ece¡. Hallar la probabilidad de que en un muestreoaleatorio de 400 tor4illos producidos por estamáquina (a)máximo 30. p pr. hallar la probabilidad de que en 8 de tales extracciones se seleccione una bola roja 3 veces. Demostrar el teorema del lfmite central para el caso en q rre X ¡. DISTRIBUCION DE POISSON 4. (b) menos que 90 caras.94. (b) cada ca¡a una vez.97. 4. 3 .98. f(r) =.95. . 4. Hallar la probabilidad de que un estudiante pueda acertar eorrectamente lasrespuestas a(a)12 o más de 20. (e) 4. 4.87.(f)menosdeS ahogados por año. 4. (c)entre y 46.99. Demostra¡ el teorema del límite central para las variables independientes xk = 4. (c) menos de 85 o más de 116 caras.(n5lámparar sean defectuosas. .(c)6. S. (b) entre 1 y 3.101. Utilizando (o) la distribución binomial y (b) la aproximación de Poisson a la distribución binomial. (c) menos de.#Tf DISTRIBUCION MULTINOMIAL 4. Explicar por qué se podría esperar que el teorema üengan la distribución de Cauchy. Si 3% de las lámparas eléctricas producidas por una compañía son defectuosas. 4.91.b.2.t9. o 2lámparas eléctricas sean defectuosas. Xz. 4l DISTRIBUCIONES DTSTRTBUCTONES DE PROBABTLTDAD CON NOMBRE PROPTO PROBABILIDAD PROPIO I47 L47 APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL 1. 4. (c)2. Education and Welfare.ar la función generatriz de momentos).0 de cada 100 000 personas. Un talego contiene una bola roja y siete blancas. Demostrar que si respectivostrr X1 ¡l X2 son variables independientes con distribuciones de Poisson con parámetros ytrz. Halla¡ la probabilidad de que el resultado sea: (o ) 1 "uno". arí generalizando el Problema 4. página I 1 1 . . Hallar la probabilidad de que en 200 lanzamientos de una moneda resulten (a) entre 80 y 120 caras inclusive. 36 LO"/o de los cuales son defectuosos.9!. (b)entre 30y 60.(e)entre4y8. el promedio de ahogados en accidentes por año es 3. Una máquina produce tornillos.97. -'. 2 "doses" y . <x< @ 4. (b) 7.93. hallar la probabilidad de que (of rnís de 5. (d) exactamente 100 cara¡.cAP. (d) 3. Demostrar el resultado (l 7).(d)8. En el Problema 4. hallar la probabilidad de que en una muestra de 100 lámparas eléctricas (a) 0. TEOREMA DEL LIMITE CENTRAL 4. son independientes y están distribuidas idénticamente con la distribución de Poisson. 4.

2 ó 3 en cuatro lanzamientoe de un dado honrado. S blrncar. (b) P(Xz > r2). 4. blancas. hallar P(lX . (b) ninguna sea figura. tl¡llar(o) P(X= 1).116. Hallar la probabilidad de que de 10 bolasextraída¡: (o) 4 rean rojas. 4.Hallat(a) P(X i.102.116. Si Xt y Xz son independientes y distribuidas de Cauchy.9: 4.108. Verificar que (31 ).111. 4.págrna114. 4. 4. ó (24\ se para resolver el Problema 4. 4. 4. sesgo y (b) curtosis de una di¡tribución uniforme. (c) al menos una sea roja. Demostrar directamente que (22).121. Emplear la aproximación binomial (18) obtenida.(b)8 sean rojas y 2 amarillas. Si se seleccionan 8 bola¡aleatoriamente (sinremplazamienüo) determinar la probabilidad de que (a) 4 sean rojar.110.Hallar(al P(X <1). 4. Hallar la función generatriz de momentos para la di¡tribución uniforme. hallar la probabilidad de que (o) 10.4 4. Una caja contiene 5 bolas rojas 5l l0 blancas.107. Hallar la probabilidad de no obte4er un 1. Una caja contiene una gran cantidad de bolas rojas.105. DISTRIBUCION HIPEBGEOMETRICA 4.11?.págin.106. Z. Si se seleccionan 13 cartas aleatoriamente (sin remplazamiento) de una baraja de 62 cartas. sean del oriente. y (b) la función caracterfstica de la di¡tribución gamma . página 116.11E.109.103. SiXestádistribuidauniformemente en-2< x=2. dad de que (a) 6 sean figuras.fl DISTRIBUCION DE CAUCHY 4. cuando N ' e. 2 zzulee y l amarilla. hallar la probabili4. Generaliza¡ el resultado del Problema i. entoncel su mdia 4. 4. (b) P(lX-11 = +).z 114. o:2. (b) no más de 2. página 108. Demostrar que si X1 y X2 son independientes y tienen la misma distribución {e Cauchy. Determinar los valore¡ modales de la distribución gamma.104.119. es una función de densidad. (b) todas sean blancas. Determinar el coeficiente de (a) > ll 6/. 4. normalmente con media 0 y varianza l Demostra¡r que Y: Xt lXz tiene una distribución DISTRIBUCTON GAMMA 4. 4. Una variablealeatoriaX tiene una distribución gamma conQ:3.106 y e¡tudia¡ la precisión 4. Si se seleccionan 20 aspirantes aleatoriamente.113.con < 2). página 115.120. recorrido gemi-intercuartílico es un eustituto de la desviación tfpica? aritmética también tiene esta distribución.114. Si X. (t) P(l = X=2). Suponga que X tiene una distribución de Cauchydeacuerdocon(29). De 60 aspirantes a una universidad 40 son del oriente. Hallar (a) el tercero y (D) el cuarto momento alrededor de la media de una dishibución uniforme.112.122. ¿Porqué en este caso el 4. Y son independientes y ambas eetán distribuidas uniformemente en el intervalo de 0 a 1. Yerificar la (a) función generatriz de momentos dadas por (33 ). azules y amarillas en la proporciün 4t 3z 2: L. Demostrar que el recorrido semi-intercua¡tílico para la di¡tribución de Cauchyeeo. DISTRIBUCION UNIFORME reduce a (I ).115.148 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cA¡.

pígirn 117. (d) el área a la derecha de ú1 sea 0.z¿i (d) F. : 6.142. Para una distribución chi-cuadrado con 12 grados de libertad.4l DISTRIBUCION BETA DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO t49 4.cAP. \b\ Yar (7zl -.rs. v: -f1 sea 0. (b) 19. (e) el área entre -f1 f f1 sea 0.¡.130.donde zo hra una distribución f de Student con 15 grados de libertad. - 2).rzo. área combinada a la derecha de ú1 y a la izquierda de -f1 4. Halla¡ los valores de ¡2 para los cualec el área de la cola derecha de la dietribución x2 de grados de übertad z ec igual a (o) 8.:10.os. (c) P(x?< U < x2z) = 0.140.rales a la derecha de xB y a la izquierda de x!.01. hallarlaconstantec talque (a\ 0. Hallar el valor de: (a) F.12?. (d) P(U 2 c) = Q.. hallar x2.05. Verificrü que (34).05. (b) 12. Resolver el Problemz 4.90. 250.2\' 4. ¡2o egtá x?ozs y (b) xizs para'r = 4.? 9:?^5: suponiendo ireae'ig. si el r.zoi (.¡' 4. Hallar los .10'(d)el sea 0.ti ti¡l gue (o) el área a derecha de ¡l sea 0.9:2.136. Q) F.' dada Por r * .(b)eláreaalaizquierdadetlsea0.1 de la función de densidad (45'¡.oo.(c)eláreaaladerechadeú1 eea0. hallar el valor de ú¡tal que (a) el área a Ia derechadeú1 seaO. (b) F.139. (e ) 150.131. hallar el valor ie .134.13?.132. es una función de densidad. 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. Halla¡ (o) 4. 4.05.gc.124. 4. (o) llaltar x! y x? tales que el área bajo la distribución x2 correspondiente a v -.2.rz. los valo-res de x? y x! no son únicos' 4.141.727 si el área de la cola derecha es 0.128. (c) 28.or'so'lr-. (D) P(-a= U 3 c) :0. Hallar (a) es la x.01 y ¡.01.páSrrra 115.i) 4. (c) el á¡ea a la derecha de xl sea 0.20 91tt: 1i Y_4_. (c ) 25.2gs para r = 150. Si una variable Utiene una distribución de Student con ¡. la distribución ú es 0.133. ee la 0.99.126.%t con y :7. Demostrar que para 1 grado de libertad la distribución ú es una distribución de Cauchy.9¡' P(U>c)= 4. Demostrar que la distribución beta tiene una moda l¡nica en DISTRIBUCION CHI-CUADBADO r: (a - l)/(a P(lX-+l = +). (d) 40. (b) el área a la izquierda de xi sea 0. Si la variable U tiene distribución chi-puadrado P(u < x?) : 0.. = t2ul(v1* .rúmero e. v ) 2. Demostrar que (a) E(xz) = DISTRIBUCION ú DE STUDENT 4. (d ) 60.01. si el número de 4. er igual a 1. / una buena aprorimación para percentila (100p) de la distribución normal tipificada.125.02'5yv=20'(c)eláxea 16. Hallar 4. y x! tales que (a) P(U > x?rl = 0'025.g.or. lJnavariablealeatoriaXtieneunadistribuciónbet¿cono:3. Demostrar que la va¡ianza de la distribución t de Student con t. (c) P(U = cl = 0'20.123. 4.eo.50.95.ol/l'.95.025.01.ss.55 ! 4.136.valores de grados de libertad I ú para los cuales el á¡ea de la cola derecha de es igual z (a) 4.98. (ó) y (b) x. Demostrar que para grandes valores de 4. + p . v.13E. (c) F./(. Verificar que la integral desde u lsugerencía: Hágase a : 0 hasta e v2u).129. (b) Demostrar que si la suposición de áreae iguales en la parte (o ) no se cumple. f f.ss. 4. grados de libertad DISTRIBUCION x . 4.90yy:25t (b)eláreaalaizquierdade-ü1 sea0.

. (véase página cada unacondistribucióngeométrica. Demostrar los resultados (20) y (23). . ento'nces ) Xf ti"tt" 51. PROBLEMAS DIVERSOS 4.156..147.. página LL8. ¿Puede deducirse la ley de los grandes números en forma débil del teorema del límite central? JuEtificar su solución.. Xz.150 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.r. DISTBIBUCION NORMAL BIDIMENSIONAL 4. Sean las variables independientes n X¡. son independientes pero no necesaria. b. Y mnjuntamente tienen la distribución bidimensional (19). demostrar que e8t6n distribuidas marginal- "? y oi respectivamente. + Xn. Demostrar que cuando v "> @ la distribución f de Student tiende a la distribución normal tipificada.c<ts -.14E. (a > o' o . Y tienen la función de densidad conjunta f(r.153. Verificar que estas constantes son l¿¡s dadas en (19). Demosha¡ el teorema del límite central para el caso donde Xt. Generalizar el Problema 4. página 118.. É^ ¡=o ..r.157.X.A) = ke-(!¡z+2bra+"v'l donde a.e8¡zsa \z /' * (tlu)to..^h.. Demostrar el Teorema 4-8. . y varianza 1.Porevaluacióndelasseries dos del Problema (") 4.6O.' o) 4. Demostrarque k=l ) X* tiene distribución de Pascal 118). k=1.7ffi1.0r. RELACIONES ENTRE LAS DISTRIBUCIONES CHI-CUADRADO. 4. 4.15E. constantes y b2 < ¿c.36. mente tienen una distribución idéntica.. Si X está distribuida normalmente con media g y variznza grado de libertad? Véase Problema 4.. Si Xr.. c. de 4.4 4.I Y T' 4.155.144..161..n. prfuina 118. 4.. Hallar la función generatriz de momentos de la di¡tribución hipergeométrica. Demostrar el Teorema 4-5. Demostrar el resultado (46).154. página 114.16O. 4.149.37 demost¡ando que si buidas normalmente con media 0 grados de 4. .prgradoe X¡ + . Halia¡ el valor aproximado de (t3o)..0.o2)a(0. página I44.145. Si X.143. ¿tiene X2 una distribución chi-cuadrado con 1 X1. . libertad respectivamente. demostrardirectamentelosresulta- 4.1 o2 . Demostrar el Teorema 4-10.pfuinal77. Completar la demostración de la ecuación (8) del Problema 4. . .159.. (Sugerencia: Ilaga la transformación u : 1/u).e8)2ez \3 /' y dar una interpretación de probabiüdad. 4.162.146. 4. Suponer que X. Demostrar que 2u (. página 116.. rj +n'r l¡ = ¡'oof 4..150.0. mente con varianzas h aon 4.. hallar la función de distribución de lonva¡iablesaleatoúasindependientescon di¡tribuciónchi-cuadradoypr. 4. 4. 4. k=l son variablee aleatoria¡ independiente¡ disürluna distribución chi-cuadrado con y libertad.8. (ó) io "..X.

(c) la velocidad más probable. . (c) v1* 4.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 4. y varianza de la distribución gas para loc casos (o) (b\ v2= 4.164. Determinar (a ) la conetante c. página 119. Estudiar qué le sucede a la media ¡i (o) r = . 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.esdecirlarafzcuadradade la velocidad media al cuadrado). Estudiar qué le sucede a la varianza de l¿ distribución t 4.F' f.cAP. (b ) la velocidad media.162. (d) la velocidad efectiva(rme.163. (b) v = 2. Comparar sus resultados con l¡ entrada 5.

.

Farte tl ESTADIST¡CA .

.

mientras que si cada miembro no puede seleccionarse más de una vezwllamamuestreo sin remplazamiento. Esto se hace con el propósito de inferir cieitos hechos respecto de la población de los resultados hallados en la muestra.1 podemos hablar de la población de 12 000 estaturas (o pesos) en tanto que en el Ejemplo 5.Nesinfinito. n = 100 mientras que enelEjemplo S.2. En el primer caso un objeto determinado puede seleccionarse una y otra vez. comítnmente denotado por N. Se podría obtener una muestra al examinar. loa primeros 60 lanzamientos de la moneda y notar los porcentqiea de caras y sellos. la palabra poblacíón se utiliza para denota¡ la.lo cual puede resultar difícil o imposible. tenemos la alternativa de colocarlo o no en la uma antes de una segunda extracción. La población consiste en iodos lc lanzamientos poeibles de l¿ moneda. Tercero. N : L2 000. EJ EMPLO 5. En este caso los tornillos producidos durante la ¡emana conforman la población. En forma semejante el número en la muestra se llama el tamóño de la muestr. Así en el Ejemplo 5. un proceso conocido como inferencia estodística. En el Ejemplo 5.3. donde cada bola seleccionada se regresa luego de observar su color. por ejemplo. que se llarna la muestra. mienhgs que en el segundo caso solamente puede seleccionarse una vez.c. puede llegarse a la idea de examinar solamente una parte pequeña de esta población. Primero.s observaciones o medida.S. El-proceso de obtener muestras se llama muestreo. El muesbeo donde cada miembro de una población puede seleccionarre más de una vez se llama muestreo con rempla. llamado la población.4 podemos hablar de Ia población de todos los 200 colores en la urna (algunos de los cuales pueden ser iguales). zamiento.n: 60. 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.Y SIN REMPLAZAMIENT\O Si extraemos un objeto de una urna.4. la población puede ser finita o infinita. MUESTREO CON. Segundo. 1 . en tanto que los 120 tornillos escogidos constituyen la muesha. Desearíamos extraer conclusiones reapecto a los colores de 200 bolas (la población) en una urna seleccionando una muestra de 20 bolas de la urna. generalmente finito. Deben nota¡se varias cosas. En cambio de examinar un grupo entero. Desearfamos ertraer conclusiones respecto a la honradez de una moneda deüerminada al lanzarla repetidamente. la palabra población no tiene necesariamente el mismo significado como en el lenguaje común.s y no los individuos u objetos. el número se llama el tamaño de Ia población.Capítulo 5 Teorío de muestreo POBLACION Y MUESTRAS. 155 . 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. INFERENCIA ESTADISTICA Con frecuencia en la pÉctica estamos interesados en extraer conclusiones válidas respecto a un grupo grande de individuos u objetos. como en "la población de determinada ciudad es de 180 000". EJEMPLO 5.1. EJEMPLO 5. denotada pot n.

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

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

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.-.¡ n lcAP. . (s) El Teorema 5-5 es una consecuencia del teorema del límite central. 1. De otra forma Io anterior es conecto si remplazamos o/l/-n en (7\ por o* como se da en (6).á dada por E[(X-ti'l: "l = ¿ n donde o2 es la va¡ianza de la población.(¡¿ -n\ -f / en tanto eue ¡r* aún se da por (4). = 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. 9. est. denotada por oi. está dada por E(X) = donde ¡. Nótese que (6) se reduce a (5) cuando N .. Teorema 5'1: La media de la disbibución muestral de medias. entonces la varianza de la distribución muestral de medias. Entonces es natuml buscar la distribución de probabilidad del estadístico muestral X. 2 entonces la media muestral . 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. la media de la población. estn lim P(Z -z z) = -= f = J 1 vzr -* "-uztz ¿r.r es F*. = t' es la media de la (l) población.6.ux. denotada por . dada por Z: es x-r "/\n es (7) normal reintóticamente. Teorema (5) 5-3: Si la población es de tamaño N. oft = . entonces (5) se remplaza por o2/N . y si el tamaño de la muestra es n S N. que se llama la distribución muestral para h media de la muestm o la distribución muestrcl de medias. Entonces la variable tipificada asociada con X. Si una muestra de tamaño 5 resulta en los valores muestrales 7. Los teoremas siguientes son importantes en este sentido. Teorema (6) 5-4: p y vaianza o2 entonces la media muestral p y vananza é/n.158 TEORIA DE MUESTREO Jrf ll |"'Fi. página 112. Se supone aquí que la población es infinita o que el muestreo es con rernplazamiento. si el muestreo es sin remplazamiento. 5 (3) EJEMPLO 5.

P1 .ltsr-ttrs. (11) es con utilizando (4) V (5). La media y la desviación típica de esta distribución mueshal denotada respectivamente Pof ps. . .t¿*1-x2 : F*. Y os.cAP. Entonces obtenemos qnad. (10) dado que las muestras escogidas en ninguna forma dEpendan enbe sí. las variables aleatorias Sr V Sz son independientes). Esto resulta en una distribución muestral para 51 cuya media y desviación típica denotamos por Fs. es decir las muestras son independienües (en obas palabras. Si por ejemplo Sr y Sz son las medias muestrales de dos poblaciones.Sr. Por ejemplo. - pr) (12) en tal caso tiene casi una distribución normal si n.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. 30). J¡ o". la población puede ser los posibles lanzamientos de una moneda honrada. . extraída de la primera población computemos un estadístico 51. exftaída de la segunda población computamos un estadístico 52 cuya media y desviación típica son ¡..Este resultado también es válido para poblaciones finitas si el muestreo remplazamiento. 5l or. 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.P2t ox.-s. 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.o*.tr. Nótese que las ecuaciones (9) se obtienen mucho más fácilmente al dividir por desviación típica (np y {npq ) de la distribución binomial. que se llama la distribución muestml de la diferencia de estadísticos. Resultados = semejantes pueden obtenerse para poblaciones finitas en las que el muestreo es sin remplazamiento empleando (4) v (6). la segunda ecuación en (9) se remplaza por o¡ corDo se da por (6) con o = {-pq. o = \/le. oz respectivamente por . La variable tipificada Z= (Xr- Xr) 'rl tm* ^* - (r. St . n. Considere las posibles muestras de tamaño n extraídas de esta población y para cada muestra determina'r el estadístico que es la proporción P de éxitos. están dadas por Psl-Sz. Para poblaciones finitas en las que el muestreo es sin remplazamiento.-s.-sr. r€sp€ctivamente.P*. = 1/Q¡ "t". Para grandes valores de n(n > 30) la distribución muestral está muy próxima a una distribución normal. DISTRIBUCION MUESTRAL DE DIFERENCIAS Y SI'MAS n'la media y la Se nos dan dos poblaciones. En forma semejante por cada muesha de tamaño n. os. Por cada muestra de tamaño n. r€sp€ctivamente. En el caso de la moneda P sería la proporción de caras que resulten en n lanzamientos. = *4. y n2 son grandes (nr. denotadas por Xr. Xz respectivamente. si p y q: 1 -p son las probabilidades respectivas de que un miembro dado exhiba o no exhiba una propiedad determinada. como se ve del Teorema 5-5.5l TEORIA DE MUESTREO 1ó9 DISTRIBUCION MUESTRAL DE PROPORCIONES Si ura población es infinita y distribuida binomialmente.

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

Para una demostra- CASO DONDE LA VARIANZA POBLACIONAL SE DESCONOCE En los Teoremas 5-4 y 5-5 hallamos que. (21) está normalmente distribuida si la población de donde se toma¡on Ias muestras de tamaño n está normalmente distribuida. . En (2I ) hemos supuesto lógicamente que se conoce la varianza poblacional o2 . DE VARIANZAS Tomando todas las posibles muestras aleatorias de tamaño n extraídas de una población y computando la varianza para cada muestra podemos obtener la distribución mueshal de varianzas. se Debido al Teorema 5-6 la variable en (20\ ción de este teorema véase Problema 5. Es natural preguntar qué sucedería si no conocemos la varianza poblacional. Una mejor idea es remplazar la o e-n (21) por la variable aleatoria S dando la desviación típica muestral'e investigar la distribución del estadístico correspondiente que designamos por ft1 X-t. en muesa la particular diferencias de medias. Sin embargo. que ? tiene una distribución de Student con n Teorema demuestra en el Problema 5.cAP. podemos considera¡ él estadísü próxima a 1 indicaría una pequeña pequeña indicaría una gr¿rn áiierencia mientras que una relación diferencia. 5-7: DISTRIBUCION MUESTRAL DE RELACIONES DE VARIANZAS En la página 159 indicamos cómo pueden obtenerse distribuciones muestrales de diferencias. pagjna 117. denota con frecuetlcia por ¡2.24. Si.grados'de libertad. En cambio. 5l TEORIA DEMUESTREO 161 DISTRIBUCION MUESTRAI. 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. - 1.22. S/\n X-t' slltn'- (22) r ü Podemos entonces demostra¡ utilizando el Teorema 4-6.i2 o2 (20) o- La distribución de esta variable aleatoria se describe en el'teorema siguiente. Se encuentra que el Teorema 5-7 es válido aun cuando las muestras se tomen de poblaciones que no son normales p-ero que tengan distribuciones en forma de campana como la distribución normal. Puesto que no tenemos que conocer la varianza poblacional con frecuencia nos referimos al anterior tipo de muestreo como la teoría de pequeñas muestras o teoría de muestreo exacto.la variable tipificada Z= X-¡t "/yñ. en tanto que es normal asintóticamente si la población no es normal dado que n >: 30. En cambio de hallar la distribución muestral de S' ó S' es conveniente hallar la distribución muestral de la variable aleatoria relacionada nS! . resulta ir¡ ande o e un bien complicada.1 grados de libertad. Una posibilidad es estimar la varianzá poblacional utilizando una o más varianzas muestrales y luego colocar la corespondiente^ desviación típica en (21).Si. UtilizAndo la misma idea po es más buci ¿" diferencias de varianzas. 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 . Establecemos esto en el teorema siguiente.

. la moda. Tabla 5-1 ERRORES TIPICOS PARA ALGUNAS DISTRIBUCIONES MUESTRALES Sus Distribución muestral Error típico Notas especiales Se cumple para muestras grandes o pequeñas donde la población es infinita o el muestreo es con remplazamiento. u. n 1 grados de libertad.j respectivamente.: ir. el sesgo.1. lo que se cumple para poblaciones normales.-8: Si se extraen dos muestras aleatorias independientes de tamaño m y n respectivamente de dos poblaciones normales con valianzas oi.p en todos los casos son dn¡crr Medianas - "!t.100. el estadís_ tico F lr^ -_ '1. Proporciones oP \ ^7ett " ¡ !.?/. Para n '.i Las notas para desviaciones típicas sqn igualmente aplicables aquí. (r/ I lo 't/tt l1(t1 que es casi igual a o2para valores deir trr j . d .!f S. los momentos. La distribución Medias o.!!1.2533 0 \/n Para n = 30 la distribución muestral de la mediana es muy próxima a una normal. EI teorema también puede aplicarse en el caso de que las distribuciones de población no sean normales pero tengan forma de campana..puede utilizarse (2 ).Sl.t o \/n muest¡al de medias se ájusta mucho a una normal (normal asintóticamente) para n = 30 incluso para poblaciones no normales. (1) . Por ejemplo la mediana.1 ) en caso de que la población sea Va¡ianzas (-') O. la curtosis. (l) Desviaciones típicas o" Os !t/ 2n población oq está dada por (1) solamente cuando es normal (o aproximadamente (r) normal)..o con gran aproxima- O. Para n =) 100 la distribución muestral de la S es muy próxima a una normal.¿s ción.t normal. etc. ttp . 6n Las notas anteriores para medias igualmente aplicables aqu í.-_.5 5. Enlonces si las varianzas de las muestras aleatorias están dadas por . Nótese que (2) se reduce a (1) cuando ¡.ac\ \{r/ tiene la distribución F con ffi 7.ra : 3o4 . la media poblacional en todos los casos.Í . Sr respectivamente. Si la población noesnormal. r. /. OTROS ESTADISTICOS Muchos otros estadísticos además de la media y la varianza o desviación típica pueden definirse para muestras.t62 Teorema TEORIA DE MUESTREO [cAP. Nótese que (2) se convierte en (..: nSj/('n 1)or. Los resultados dados son válidos solamente si la población es normal o aproximadamente normal.

por ejemplo. se conoce como d¿süribución de frecuencia o tablade frecuencia. Io que se llama uninterualo de clase.5-62.5--65. Ya que una estatura registrada tromo 60 pulgadas realmente está entre 59.5 pulgadas mientras que unaregistrada como 62 pulgadas realmente está entre 61.-r-l correspondientes a esta clase Ia correspondiente frecuencia de clase es 5. la frecuencia relativa o porcentual correspondiente a la clase 63-56 es 18/100 ó 18'i. o al menos sus medias y desviaciones típicas (errores típicos). es difícil observar las diferentes características o computal estadísticos tales como la media. consiste de estaturas desde 60 hasta 62 pulgadas. Tabla 5-2. . EI punto medio del intervalo de clase. El ancho del intervalo de clase 7-ésimo. DISTRIBUCIONES DE F. se ¡nuestqan en la tabla anterior.Por e¡emplo.'RECUENCTA Si una muestra (o una población) es grande. Es interesante observar que Ia gráfica parece indicar que la muestra se extrajo de una población de alturas normalmente distribuida.) de tro estudiantes É tr-r (::i t'. denominada la frecuencia de clase. 5-1.:) riri {l¡ ¡ lii 12 o ilr -71 27 8 .'J ir z 61 64 6t- l0 ?3 76 (pulgadas) Estatura (p [:ig. inciicadas por 6G-62. Por esta razón es útil organízar o agrupar los dofos. En este La primera clase o categoría.5 pulgadas. que puede tomarse como representativo de la clase. 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.5 se conocen como límites reqles de clsse.5 y 60. Orden3mos los datos en clases o categortbs y determinamos el número de individuos que pertenecen a cada clase. EI siguiente intervalo de clase sería entonces 62. etc. conjuntamente con los dados. desviación típica. denotado por c¡r que comúnmente es el mismo para todas las clases (en cuyo caso se denota por c).5 y 62.5-59. es Ia diferencia entre el límite real superior e inferior. como se muestra sombreado en la Fig.5. etc.5-62. El histograma correspondiente es entonces semejante al de la Fig.5. Tabla 5-2 ESTATURAS DE 1OO ESTUDIANTES DE LA UNIVERSIDAD XYZ o H o 10 (pulgadas) fir) Estatnra i Número -f. La ordenación resultante. 60-62 es 61. Puesto que 5 estudiantes tienen estáturas casoc:62. En el intervalo de clase 59. Algunos de estos.5 los números 59. Distribuciones muestrales para estos estadísticos. podríamos haber registrado el intervaIo de clase como 59.l . puecen enct-¡ntrarse con frecuencia.. se llama marca de clase. o por un polígono de frecuencios uniendo los puntos medios de los techos del histograma. el resultado sería una distribucíón de frecuenciarelatiua oporcentual. 5-1 ercepto que el eje vertical es frecuencia relativa en cambio de frecuencia.5 y 62.cAP. Si en la Tabla 5-2 registramos la frecuencia relativa o porcentual en cambio del número de . 5l TEORIA DE iúUESTREO 163 definiciones son análogas a esas dadas para poblaciones en el Capítulo 3.5:3. Como ilustración suponga que una muestra consiste de las estaturas de 100 estudiantes de la univelsidad XYZ. La suma de ias áreas es 1 ó l-00'. DISTRIBUCIONES DE FRECUENCIA RELATIVA Y OJIVAS estudiantes err cada clase.

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

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

r ) 4.2\ Esto pone de manifiestrque '' .29..* . 7.8) (11. (c) Hay iC-.40 = 2'32 Esto pone de manifiesto el hecho de que para poblaciones finitas en las que se efectúa muestreo con remplazamiento (o poblaciones infinitas)..0 9.8. o: 3.U t< (.f.0 otr 3.5 5.6) \2.6). or".2) (6.05.0 -('25-10 - c. 5. + (9.D 6.8).47. Estas so r (2.11) 4... se considera la misma que (8.b - 6.3).8) (8.0).2t (3.2.O. 7. éstas son (2..5. Las correspondientes medias muestrales son 2.1-¡ . 5.5.0 y la media de la distribución muestral de medias .11) (3.5.0 es 8.05 Y ox r. y la media de la distribución muestral de medias es 9. (3.2) (11.40 de modo que o. 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) (8.5 11. Lo mismo que en el Problema 5.5 + 9.!lr_115. 4.2). de acuerdo con el valor anterior. que es el valor obtenido anteriormente. sumando los 25 números así obtenidos y dividiendo por 25.3) 111.\ N _irl.o2/ N . 6.5 9. rj).8) (6.5.6) (tt.1¡ muestras (2.8. 11). 8).0 : itO + 6.6. 3) (2. l'I1!11-q9-"'-lgl-99'":'I9't3ls 25 comprobándose que ) 150 tt - o'' t{' -.166 TEORIA DE MUESTREO lcAP.8) \3. (d) I'a varianza o{.5 + 4. (o) y (ó) como en el Problema 5.3).1. de la distribución muestral de medias x es 6.0.6) (6. + l:1.0 7.6.. 4 135 : -. 8.5 7. por ejemplo.4. El resultado final es .puestoqueel segundo miembro es 10.11) (1r.0¡:: -f -' .11) (8.5 = 6. ) "l . 4.40.5 6. 3) (3. 5. ¡'. (2. ll ). (2.11) (6.* 2. Para una demostración general de este resultado véase hoblema I .3) (6. (3. nuesto que segundo -:^-L-^ "" (.5 7.2.8/2 = 5.5 . (3. (8. 7. Para una demostración general véase Problema 5. 6) (3.to oue el sesundo miembro ^^ . 2) (8.0 5. 11) La selección (2.0. de la distribución muestral de medias se obtiene restando el valor de la media 6 de c¿da número de (1 ).0. 5.-.0 5."2*= o2/r.0 -i. Para una demostración general véase Problema 5. (6. 10'8/5 ."\.5 I. 3) (rl. _Í ) .0 poniendo de manifiesto el hecho de que tÍ - (d) La varianza.0 (2.0r 6.1 para el caso de muestreo sin remplazamiento. 11).0 4. 8).0 8. elevando al cuadrado cada diferencia.0 6.5.5 (c) Hay 5(5) : 25 muest¡as de tamaño dos que pueden extraerse con remplazamiento (puesto que cualquiera de los cinco números de la primera extracción puede asociarse con cualquiera de los cinco nfrmeros de la segunda extracción).?.5 ¿" (l 8.0)2 = 4.01.0 + 7. ¡r: 6 y o2 :10.0 O.r' = 16.5 1 4.2) 12.5 + 10 /r.8) Las correspondientes medias muestrales son 2. (6.5+ 5.

5 Proporción de muestras con medias entre 66.(área a la izquierda de z : -2.3 pulg. pues.6 pulgadas y puede.67 Proporción de muestras con medias menores de 66.3 cabría esperar una media (o) entre 66.8 y 68.3.3 La media X de una muestra en unidades tipificadas viene dada por Z X-p* aX X-68.3 .304 o cero.02 ? .0098): 0.5.67) : : (área a la izquierda de z : 0) y z : O) . 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. sino solamente una distribución muestral experimenú¿1.0 : 0.0)/0. pulgadas. Supóngase que las estaturas de 3000 estudiantes de una universidad se distribuyen normalmente con media 68.6 pulgadas 3000 3000 (b) p* = p - 68.0 pulgadas y desviación típica 0. considerarse la misma que en el muestreo con remplazamiento.5l TEORIA DE MUESTREO r67 5.(área entre z : 0.4 en unidades tipificadas: (66.4772 + 0. 0.8 .8 en unidades tipificadas 68. Por ello. la media y desviación típica esperadas serán muy próximas a las de la distribución teórica.0)/0.3 en unidades tipificadas : : (66.4 - 68. 5.4 pulgadas .0 pulgadas y Yox=- ox = o=3 \/n {zs = 0.1915 : 0.0038 -2 A7 Entonces el nhmero de mueshas esperado es : (80)(0.0 pulgadas.02 onzas.5 - 0.6 (68. Así se tiene.5\ :(áreaentree:-2yz:O) * (área entre z : O y z : 0.6687 Entonces el número de muestras esperado es (80)(0.4962 : -2.68.30 500 /ioo 500-1 - 100 0.6 pulgadas.0 y z : O. que son muchas más de 80. por tanto.25 -1 que es ligeramente menor que 0. cabría esperar que la distribución muestral experimental de medias se distribuya aproximadamente normal con media 68.02 onzas y una desviación típica de 0.4 pulgadas? ¿En cuántas muestras del Problema 5.cAP. (b) de más de 510 Pa¡a La distribución muestral de medias ox- o yn !* = p = N-n N-1 5.0pulgadas o vn N-n _3 N-1 \/% .5) : O. (b) menor de 66. habría mucha aproximación entre las dos disbibuciones muestrales. para todo propósito práctico.67 0. puesto que el número de muestras es grande. (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. 5-3 5. cojinetes de bolas tienen un peso medio de 5.6 : -2. Así.4.68.8 y 68. Si se toman 80 muestras de 25 estudiantes cada una.0 0.30 onzas. ¿cuál será la media y'la desviación típica esperada de la distribución muestral de medias resultante si el muestreo se hizo (o) con remplazamiento. : (área bajo la curva normal entre z : -2. De aquí que con 80 no se obtenga realmente una distribución muestral de medias. (b) 66.6682) ó 59. \a) p*.0)/0.6 : -2. Quinientos onzas. Sin embargo.0 pulgadas y dewiación típica 3.6 (o) 66. Fig. = tL = 68.

E6)) = L(rr\ = t! 6.00 onzas.4985: 0.ruo2. DISTRIBUCION MUESTRAL DE PROPORCIONES 5.22 : --0.5 . tenemos l¿-12 E(X¡) = * Entonces ya que la media muestral se define como -Y='' x. F'ie.10 .5 y 72..6.7 4 y z : O) = 0.(. solamente se darán 3 casos cada 2000 de obtener una muestra de 100 cojinetes con un peso total superior a 510 onzas. Se procede como en el Capítulo 4.10 onzas. página 158.5.00 - 5.216-1 (área entre z : : 222 -074 Fie. se pide Ia probabilidad de que el número de caras se encuentre entre 47.0015 : (área a la derecha de z Así.48(i8 . Se 1-2O.8.02)lO. 5. X2. la cual tiene media ¡1.22 y z : -0.7.(área entre z : -4.10 en unidades tipificadas: (5.22 y z : O\ .96 Probabilidad pedida : 2.96 en unidades tipificadas: (4. (a) ' pide ra probabilidad de que el número de caras en los 12Q lanzamientos se encuentre ent¡e 4O(/o de 6 48.168 (o TEORIA DE MUESTREO lcAP.(área entre z : O y z = 2.+-\1L tenemos como se requiere l E(X) = ]lEtX. son ina"p"nl'i"nt".0.O2\10.+"'") =.. (x1) r rI (x.O27 : 2.0. y 6Ol/" de l2O.. Hallar la probabilidad de que en 120lanzanientos de una moneda el número de ca¡as (o) esté comprendido entre el 40% y el60%. . Demostrar el Teorema 5-2..027 5.7 4) (áre^ entte z : -2.2704 : 0.5-4 (ó) El peso total excederá de 510 onzas si el peso medio de los 100 cpjinetes sobrepasa las 5.+ "' + -' Entonces puesto que X¡. Demostrar el Teorema 5-1. 4. '1-.ttr rr"rr"n Var uuri^X. 3-7 " x.96 ) El peso total se éncontra¡á entre 496 y 500 onzas si la media de los 100 cojinetes y 5.) - . tenemos por los Teoremas 3-5 y Var (X) -f vu. X. En esta población la probabilidad de cara es p : I12 y la probabilidad de sello es C :1P : l12.96 5. (b) sea 5/8 o más del número de lanzamientos. Puesto que el número de caras es una variable discreta.pues. Se consideran los 120 lanzamientos de la moneda como una muestra da la población infinita de todos los posibles lanzamientos de la moneda. página 158. mediante la aproxlmación normal a la binomial.7 4 : -2.t - . 6 72..02)lO.5 se encuentra entre 4..96\ (área a la derecha de z:0) .5.96) :0.00 en unidades Probabilidad pedida tipificadas : (5... Puesto que X1.O27 : -2. Tenemos . son variables aleatorias que tienen la misma distribución que la población.5-5 5.

40 y se Buma .0041 7.detamaño 120 cada una. no concuerda exactamente.65) : 0.8. puesto que L1240: 0.48 Probai¡ .4960 : 0.28) 2(área errtre z : O y z : 2.00417) y (0.00.74% de ellas con porcentaje de ca¡as entte AOVI y el .I9 : -2.5/120 y (b) Empleando el segundo método de (o) se tiene. Adviértase que (0.5 en unidades tipificadas = - 60 72.uo ".6250. (o) En el apartado (o) del Problema 5. puesto que no se ha utilizado el hecho de que la proporción es realmente una r¡ariable discreta.np = rzo(!) = oo o= 47 \/"pq 47. = 2.60 5. - 0.60 + 0.00417) corresponden a las proporciones 47. Teniendo esto en cuenta se resta 11 Z" = Al¡.t9 yz : 2.5 .51720 del primer método.cAP.0040 -_ 0'6250 5.50 0.40 0. ¿En cuántos individuos cabe esperar que (o) el númoro de caras se encuentre entre eI 40% y el 60% desuslanzamientos.60.I9 en unidades tipificadx: ffip z sí la probabilidad pedida es el área bajo la curva normal entre 0.977 4 ttp=P:i=o.0456 40Vo enunidades tipificadas 60o1c -2.(áreaentre z : 0 y z : 2.28 : : : Otro método.4857) : Aunquees:cresultadotiene dos cifras significativas.5 5.5 en unidades tipificadas = 72.50 = _2.s los posiblea l¿nzamientos de una moneda.86 : (área bajo la curya normal a la derecha de z : 2.0456 = 2.971.60+0. (área bajo la curva normal entrez=-2.0'60 = 2.5 .28 que concuerda con lo obtenido por el primer método. Aquí se consideran S00muestras. Así pues. 5l TEORIA DE MUESTREO ¡r: núrnero de ca¡ae esperado .8 se ha obtenido que todas las posibles muestras de 120 lanZamientos de una moneda. i:abe esperar el encontrar un97. 0. (b) 518 o más de sus lanzamientos resulten cara? Este problema está estrechamente ligado al Problema 5. las proporciones pedidas en unidades tip! 0.9.=1p= ^FY = 120 = 0.0r56 - 0. = .6250 - 0.4887 ) : O. puesto que 5/8: - 0.0.40 72.19 : 2(0.fn ficadas son.0041?-0.00417) en unidades tipificadas Probabilidad pedida . que 0'00417 0.0456 (0.65\ : (área a la derecha de z : 0) .28) 2(O.28y2:2.48 .1. Cada persona de un grupo de 500 lanza una moneda 120 veces.117 l1 a 0.idad pedida = 2.28 _ y 0. de 0. de la población infinita de todo.

02(0.25 y como antes la probabilidad pedida (b) {0.a es .5 en unidades tipificadas : " : {"w : (11.8 : - 1. L/2tt.5 6OVo.0025 : 0.3869 :0. 0.-' 0. (a) Puesüo que I. sería 100.18) 0. ¿Cuál es la probabilidad de que en una partida de 400 piezas sean defectuosa.21 (área bajo la curva nonnal a la derecha de z : l.0764.o3_o.11. (b) Razonando como en (o).98) v = 400 _ 0.5025 o más. Es interesante advertir que en 500 . En ó00 muestras se puede esperar 97 . ó 489 muestras con esta propiedad.10. método del apartado (o).1056 Si no se hubiese aplicado la conección se hubiese obtenido 0.0352 L12n: ll40O: 0.7 4% de 500. Se sigue que en 489 individuos se esperaría que su número de caras se encontras€ entre eI 4O% y el 6O%.0.14 = 20 0.) Entonces.5025. También puede utilizarse el aegundo 5. hubiese obtenido 0.0025.0040) de sus lanzamientos sean caras.02 I 0. (2()'o de 400) = 3 Entonces 11.5025 Probabilidad pedida : .489 : 1I individuos cabe esper:ü que su número de caras no se encuentre entre el 4O% y el 6O% de los lanzamientos.00125.5000 - 0.4G y ". En concepto continuo. (b) 1000 individuos elegidos aI azarde entre la población votante se hubiese obtenido una mayoría de votos para dicho candidato.5/200 = 0.0'02 -: 0.2t) : 0.18 Probabilidad pedida : : (área bajo la curra normal a La izguierda de z 0.170 TEORIA DE MUESTREO lcAP. se tiene (o. (b) 2% o menos? PP'=P=0.5 y así la proporción sería 100. una mayoría se obtendría en la muestra si la proporción en favor del candidato fuese 0..46)/0.5 o más. Este tipo de error es un rresgo que se presenta siempre que se trata con probabilidades. pero ésta.00125) en unidades tipificadas 0'02 r 010q1?5 .26): 0. se concluye que en (500X0. (Esta proporción puede también obtenerse dándose cuenta que 101 o más indica mayoría.5025 en unidades tipificadas : (0. (3% de 400 ) : 12 piezas defectuosas. : 2 personas se esperará que los 5/8 o más 5.0714 se : O. Se ha encontrado que el 2% de las piezas producidas por cierta máquina son defectuosas.s (o) 3% o más. Tales individuos pueden razonablemente sospechar que sus monedas no están bien hechas aunque sí lo estén.1131 . Los resultados de una elección demostraron que un cierto candidato obtuvo el 46% de los votos.5000 + 0.1056.57L4 Si no se hubiese aplicado la corrección. 1/800 0.50 + 0.={-= . p0. 12 o más significa 11. Determinar la probabilidad de que de (a) 200.007 Mediante la corrección para variables discretas..8)12.p = :p = 0.oo125)enunidadestipificadas=W=|. como variable continua.5000.02 (o) y oP=tE= : 1/ 0.5 y'1+oo)1onz)¡rsg : 2. Otro méüodo.25 hobabilidad pedida : (área bajo la cu¡va normal a la derecha de z : I.0362: 1.

[. = mediadelapoblaciónU. Si se toman muestras al aza¡ de 125 bombillas de-cada fabricante. -3)2 + (3-3)2 + (4-3'¡z b L7 3 Eeto concuerda con el reeulüado general para muestras independient"" ou.ia de 1400 horas con una desviación típica de 2OO horas.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 (U1.5025 en unidades tipificadas = ff*s : 0. ¿cuál es la probabilidad de que las bombillas deA tengan una du¡ación media que sea al menos (a) 160 horas.5000 - 0. = (2-3)2 * (4-3)2 =l ó ou"= l. (t) vr. 8 y U2 lavariable de los elementos de lapoblaciín2.cAP. (f) n'u r- u" = mrianza de la población (U 1- U 2) (1-3¡z + (5-3)2 + Oo.6l (b) pp TEORIA DEMUESTREO = p: 0.4964 DISTRIBUCIONES MT. ou.) o (e) . = FLrt = 4Lrr. (b) 250 hóras más que las bombilhjde B? .) nu.4.m=!T.q/n = y'd.a demostración del resultado general se deduce del Teorema g-7 .46@Ba)/1000= 0.j ut-v2 (6-3)21(-.0036 = 2..0158.-(e) ou".. (b\ pu. = t/f.. rnientras que las de otro fabricante B tienen una duración media de 1200 horas con una desviación típica de 100 horas. = media de La ]{S*?*8) = l. o.Ur) Fur-u. = varianzadelzpoblación U. ofi. Calcular (a) *u.6g) = 0.iu._ri._u. sacado de (o) esto concuerda con el resultado general FLtr_uz= y (b).69 Probabiliüd pedida : (área bajo la curva normal a la derech¿ de z = 2. 14 (d. Sea Ut la variable de los elementos de la población 3.' Éiinz.' ¡ecado dc 5.. (f. 7.46. (o) (b) (c) Éy._u".. Las bombillas eléctricas de ün fabricante á tienen una duración Lned. @).. = població n lJn = f. (d) V @ ).. y 0.13. 6 r¿.]ESTRALES DE DIFERENCIAS Y SUMAS 5.7 g . = varianza de la población I/' (3-6)2 + (7-6)2 + (8-6)z _ 33 a2u...= \Ej7r-.12..

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.

Nótese que las Figs. 153 y 140 libras.2.(6)(5) +(2)(3) +(2)(6) + r5)(4) I (2)(2) +(3)(8) 6+21-2+5+2+3 96 20 = 4. así por ejemplo.TEORIA DE MUESTREO Nfimero de lanzamientos Nfrmero de caras (frecuencia acumulada ) 0 Porcentaje de lanzamientos (frecuencias acumuladas porcentuales) 0.aparece para todos estos valores (indicado por la línea horizontal). Método l.2 52.4. La Fig. L48.4. 5-12 Fig. 1.0 3.3 + 4 + 5+ 4 + 8 1 2+ 5+ 4 20 =ñ:n'" Método 2.75. 5-11 es Ia más lógica para representar datos discretos. Hallar el peso medio de todos los estudiantes. dos 6. Hay seis 5. formados por 76.56 ó 1.4 81 . el porcentaje de lanzamientos en los que haya menos de 2 caras es igual aI porcentaje en las que haya menos de 1.2ol.8. 2x It 5 qA +3 | fi + 5 + 4 + 5 + 2 + 8 + 6+ 5+ 4 + 8l. cinco 4.8.23 caras.10 N-^ EOU G' o :! .4.8 5. Cuatro grupos de estudiantes.5 100. dos 3. 5-11 y 5-12 corresponden a las Figs.5.10 Hzo o lzo A 0123456 Número de caras 6 0123.1 Número de caras Fig.5. Entonces _ )/¡ n .6.2.8 18.0 o o É o C t{0 6 N^^ Eou o O .8. VARIANZA Y MOMENTOS PARA MUESTRAS 5.6. 5. 5-12 muestra el polígono de frecuencias acumuladas u ojiva de los datos y los trata como si en esencia fuesen continuos..31. 20.3.3. respectivamente.10 y 18 individuos registran una media de pesos de 162.4. CALCULO DE LA MEDIA.4.1 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?.6.5-ll (c) La representación gráfica puede indicarse como en la Fig. dos 2 y tres 8. . 5-11 o en la Fig. 5-12. de modo que eI mismo porcentaje l8. 5-9 y 5-10 de la parte (a). La Fig. Hallar la media aritmética de los números 5.5.32.

rj. 63-65 pulgadas.. si 5 tienen una estatura de 61 pulgadas.33.34.página 164. El método se denomina el método claue y debe emplearse siempre que sea posible.35.. 67. xj . Derivar la fórmula clave (27).¡ (tambiénescrito brevementecomor =a I cui. 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 >/ - + . alcú" 2f¡u.o. etc. especialmente para los casos en los que los números son grandes y hay muchas clases.ffiq = 6?. pulgadas. Utilizar la fórmula clave del Problema 5. Utilizar la distribución de frecuencias de estaturas en la Tabla 5-2. 5 = 150 libras 5.180 sfn TEORIA DE MUESTREO lcAP. se consideran como teniendo estaturasde 61.45 pulgadas . 5.45 pulgadas Los cálculos involucrados pueden conveitirse en tediosos. = a*c! )/'rr' . pígina 163. Denótese la clave de marca j-ésima por .. etc. La solución puede ordenarse como se indica en la Tabla 5-10. Técnicas breves se encuentran disponibles para disminuir el trabajo en tales casos. XYZ. para la media aritmética. es igual al tamaño de intervalo de clase c multiplicado por algún entero u¡. es decir r¡ -o:cltj óx¡: a *cu. Entonces la desviación de.r¡ con respec[o a alguna marca de clase determinada a. la es La solución se indica en la Tabla 5-9. )/'(o*crr¡) = o>f. -.t yaque n=2f¡. por ejemplo. Véase Problema 5. para hallar tatura media de los 100 estudiantes de la Universidad.)" = 67+ (i%). T abla 5-lO 5. 18 tienen una estatura de 64 pulgadas.35.64. La media está dada por fi _ 2f¡r¡ = = nnnn. etc.34 para hallar la estatura media de los 100 estudiantes de la Universidad XYZ (véase Problema 5-33).. Adviértase que todos los estudiantes con estaturas de 60--62 pulgadas. Elproblema entonces se reduce a encontrar la estatura media de 100 estudiantes. )fu = l5 u = "*(?t.

Del Problema 5.32.39. Tabla 5.37.45 -0. Hallar (c) la varianza y (b\ la desviación típica para los números en el Problema 5. : y'Gb.cAP. Entonces n20 _ 59. Hallar la desviación típica de las estaturas de los 100 estudiantes de la Universidad XYZ Véase Problema 5.20 .8)2 _ (b) De (o\. HaIIar Ia desviación típica de los pesos de los estudiantes del Problema 5. (o) Método 1.z - 2 f(r .6025 11. Como en el Problema 5.34 tenemos ri = a + cui y ft = a*c'" 2f.a solución puede ordenarse como se indica en la Tabla 5'11.45 2.Do 18 42 27 8 0.36.8025 72-74 246. donde hemos utilizado el hecho de que las 5.33.5050 I¡D.2025 6.45 pr.45 lr - fr)¿ Frecuencia 5 / f(r ñ\2 60-62 63-65 66-68 69-71 -6.31 tenemos ú = 4.0L25 214.31. página 164. Derivar la fórmula clave (28). . para lavarianza. 5l TEORIA DE MUESTREO 181 5. x: 67.8)2 = 2QA (2_20 4.9025 208.r\2 n 15(162.10 libras. Como en el Problema 5.6 (libras)2 : \6bS libras : 8.36.7500 f(r TL n\z 852. = a*cú' t¿ .4200 n=)/=100 2 2f(r-ñlz= 852.45 4t. = +:q = 65'6 en unidades libras cuad¡adas o (libras)2 .11 Estatura (pulgadas) Ma¡ca de clase 61 r r- r-r = 67.4. s2 = 59.2460 8.rlgadas.u.55 o.8):¿ + 3(8 - 4. " 2f(r-r\2 _ n 6(5 .92 pulgadas 5.33.DO'O 64 67 70 73 -3.20 20 2.5025 30.7500 100 = {dEfB = 2.150)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.38. 5. [.8. aír 20 Méüodo 2.96 y "-rfzs6=1.

40 obtenemos la Tabla 5-13. 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 . La solución puede ordenarse como se indica en ta Tabla 6:12.> f .39 para hallar la dewiación típica de las estaturas en el Problema 5.u? = ¿2 ¿2 * . 2lu=75 )fqz = 97 lalEr lo-s primeros del Problema 5. b = f./¡¿)'l = ¿21¿ ."? -'#2 2ú2c2 r¡u.f!n'LN c2[u2 (. 2 't t f.\t 't t l = = ".f ¡@.L82 Entonces s2 TEoBTADEMUEsTREo [cAp. De la frltima columna tenemos ¡ como en el Problema a2 = "rfL>l!'.40.u? -t t - C2[ /2f.az¡ n \n /l = ta)'f-re? / rs Vl = Ltoo-\t*/J ^ ó'b-275 y s: 2. : }> f . cr¡atro momentos con respecto a la media para la distribución de estatu¡as Continuando el método del 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. + c2úz *> r.1"u.jú. Utilizat la fórmula clave del Problema 5.35.{r.- o¡.u.-a¡z i) = "i 2 ¡ .o. = ¿2.33.33.92 pulgadas.<"? . + tlz) 2xt = *2 : t._ "o¡.'1 \fu/J _ ú2]l 5.41.'r". Esto nos permite halla¡ 6.

Hallar los coeficientes de (o) sesgo y (b) curtosis para la dishibución de estaturas del Problema 5.3759 ffiz:s2=8. que tomamos como 67 pulgadas (la marca de elase). (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 27.4MiML+ 6M'r2ML- BMin) 81[2.41.1b)B] = -2.15 ML=Zy = o. ffi2=s2=8.3?59 5.15)(0. explicando cualquier discrepancia. 46..1s)2] = ca(ML-gLI|Mi+ zM'Lz) = 2?[0. que tomamos como n(¡meros muestrales aleatorios.97 M.. De (D) yemos que e8 menoc apuntada que la dishibución normal (que tiene un coeficiente de curtosir: 3). En forma semejante 77.6l Entoncee.33.cAP.67 pulgadas respectivamente.9?) + z(0.EO notación de la página 165..42.9? .5275 Entonces mB = -2.53-4(0. (c) Comparar los resultados de (b) con los valores teóricos. PROBLEMAS DIVERSOS 5.33) + 6(0. -0. Así 51 conesponde a un estudiante con estatura 66-68 pulgadas.15)2(0.41. utilizando La TEORIA DE MUESTB. 67.6275 B(0. . tenemoe 183 M] = >fu n = 0. lttt = ffi2= ffi3= 0 0.. (o) Emplear dos dígitoe para numerar a cada uno de los 100 estudianües: 00.^=>+=2.6932 a3 Coeficiente de eesgo = a. (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.97) -3(0. 40. (b) Hallar la media y la desviación típica de la distribución muestral de medias en (o).15X0. .5275 rttt Coeficiente de cu¡tosis as=E = : 199. (o) DeI Problema 5.5275)3 (b) Del Problema 5. los 18 eetudiantes con estaturas 63-65 pulgadas se numeran 05-22. 99 (véase Tabla 5-14). Entonces extraeremo8 nl¡meros muestrales de la tabl¡ de nf¡meros aleaüorios (Apéndice I). 27. Del primer renglón hallamos la secuencia 5I. Asf los 5 estudiantes con esüaturas 60-{2 Tabl¡ 6-14 pulgadas s€ numeran 00-{4.(0. etc. cada uno de los cuales determina la estatu¡a de un eetudiante determinado. etc.43.53 M'r') = 9[0.14 m+ Entonces = 199.BB Mí= >fu2 n y de (32). Cada Nf¡mero Estatura n(rmero de estudiantes se denomina número'muestral.nL¡ = ca(M't. 7'1.15)41 : 199. OL.6982 . fflg = p: { (8.88 "z1ML- 8. 02.3759 qa-szrgy _ 6 al = z't+ De (o) vemos que la distribución está modetadamente sesgada a la izquierda. 46 resultan en'estatu¡as de 70.

?1.25 Cl¡enta Í 1 u fu fu2 16 0 8 6 0 2 ñ( /t/t )#{ 6 4 A a+67.50 66'.24 64. 34. 33 m. 40.ón dc l¡ trbl¡ de nl¡rncro¡ dcatoiio¡ h¡brfrmo¡ podido inici¡¡ en eualquier parte y escoger cualquicr patrón dctetmindo.25 67.64. 67. 70 6L. 70. 70. 67 67. 20.64. 6L.36 08.50 79.87 26.28. 67 Ír¡f¡f media 66. 67. 70. 53.75 67. 67 70. 39 13.30 58.32 8. 67. 10.03.50 1. tt. 67.02. 67. Medi¡ = a*cú Derviación = o*c2fu típicr = = e - 6?. 70.75 65. 67. 67. 75.77.25 70. 15.41.99 23. 67. 58. 73. 64 67. 70.60 67. 21. 3 14 16 4 I l.98.09. 56.91. 76.93 14.5 Por eete proceso obtencmo¡ l¡ T¡blr Fló quc rnue¡tra lo¡ n(¡mcro¡ mue¡trale¡ extrafdor. 67.50 68.57.00 64. 55. 56. 45. 70. 06.23.25 65.25 68.22. 96. 6? 15.2L. 67 .00 70. 67 70.64. 67. 67 70. 70. 70. 73.70.83. 87 fl.25 64. 67. 67 70.73 67. T¡bh 6-ró Nf¡meros muesFale¡ Est¡twr¡ o- E¡la+ Nfrmeros muestralea extrafdo¡ rrcqrondieatcc 67.96.74. 98. 18 70. Esta ee una distribución mucet¡al de mediu.69.67 67.64. 07. 67. 86 6.00 66.31. 67.64.25 67.28.70. 64. 63.00 (0'75)(23\ = * 'ñ- 67'58 Pulgadaa 2fuz />1"\' n -\ i " (0.'7L.64.46. 73 67.70 70.75 66.54 2:2.91. 05. 16. 31.91. 64.25 69.0L.52 13. 70 73.97. 73 67. 61.70 medi¡ 67. 67.67 64. 42. 51.70 Trbl¡ 6-16 Media muestral 64. 67. 67. 67 67. 67. 67.50 68.93 27.50 68.84 64. 30.25 66. 68.75 68. 03. 70 67.6r.70.27. l.00 extnfdo¡ Estatr¡¡as corespondientec 64. 65. 56.8s 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. 64 67. 67 29. L¡ medi¡ y la derviación tfpica ee obtienen como es usual por los métodos claves delcrito¡ anterbrmeuüe.04. 64.74. 45.97 24.50 65. 64.44. 73. 67.79.50 69. 67. 10.75 69.00 68.25 67.82. 93.50 68.76) = 1. = 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). 60.73. 43 1f.33. 13. 67 23.58.79 70.64 73.62 4.50 66.00 66.70. 73.25 69. 70 64.184 TEORIA DE MUESTREO lcAP. 1t. 19. 67.fu.64. 67.25 68. L2. 07. 90.41 pulgadar . 64 70.70 7. 58 70. 21. 73.67.08.08 12.73 73. 67 64.2L 10.42. g8 25.24.75 69. 46 2.54. 81.00 67. 64.00 -4 -3 -2 -1 0 1 -4 0 -4 -6 0 0 4 / 28 45 16 23 d D . 64. 73. 51. 67.93 5.6L. 59.96. 70 64.f = n 30 4 ).50 67.58 9. 11. 67 64.25 69. 67.00 67. 70. 19. 70.93. 64. 12 3.

10.8%. donde la dewiación típica poblacional o = 2.8 libras en unidades típicas : (8.0 es (0. /(r) tr.45 pulgadas (vóase hoblema 5.41 pulgadas de la parte (b).8libras? La distribución mueetral de desviaciones típicas es aproximadamente normal con media 10.0 libra¡ en unidades típicas: (11.46 pulgadas. dada por o*.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.a a. Puesto que o/t6':2.0. Ia probabilidad de que 3 de las primerae 4 observaciones sean mayores a u mientras que la cua¡ta obsenación se encuentre entre u y u I du e¡tá dada (1) . de (b) 8.5l (c TEORIA DE MUESTREO 185 ) es t a media teórica de la distribución muestral de medias.0 libras.. La desviación típica de los pesos de una población muy grande de estudiantes es de 10. ¡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 €. esto es Q\ (r) f" sean .g2/fi = 1.50Ib v400 5.3'/'.a la media poblacional ¡r que 67.58 pulgadas de la parte (b).f 'LJ" f t@ta*l'/t.".0)/0. ¿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.) au . Hallar (c) la media y (b) la dewiación típica de la distribución muestral de las dewiaciones típicas.cAP. por tanto el porcentaje pedido es 2.46. es igual a o/y'[.4.0 libras. Una muestra de Por 6 observaciones se hace aleatoriamente de una población. El área bajo la curva normal a la izquierda z : -2.50 libras. Se escogen muestras de 200 estudiantes de esta población y se calculan las dewiaciones típicas de las estaturas de cada muestra.1 aJ. Las discrepancias se deben a que solamente 30 muestras fueron seleccionadae y el tamaño de la muestra fue pequeño.0 libras y desviación típica 0.4 es (0.0.0 lb ( lr) \/2" + = 0.50 : 2.44 tendrían dewiaciones típicas (o) mayores que 11. dada por a¡.con el valor de 67. La desviación típica teórica (error típico) de la distribución muestral de medias.' ¡p¡ a*)"lJ'"-r.5 .4918) : 0. 5. (a) : 11.) ps: o = ts=-' o 10..33).45. Í:-lÍ.10. por tanto el porcentaje pedido ec 0. pfuina 162. De la Tabla 5-1. es ig¡ual.5 .8 . tenemos: ( ¿[.0.4772) = 0.. Podemos considera¡ que el muestreo es o de una población infinita o con remplazamiento de una población finita.92 pulgadas (véase hoblema 6.r.?d L -r. El área bajo la curva normal a la derecha de z 2.0082. (b) menores que 8. .44.r .t J. ¿Qué porcentaje de las muestras del Problema 6.50 : -2. de acuerdo. Entonces la probabilidad de que las primeras 4 sean rnayores que ü y las 2 últimas 6ean menores que u es decir - nc.40) y el tamaño de la muestra n : 4.0 .0y0. ) ea el producto de (1 ) y (2). 5.t. estamos de acuerdo con el valor de 1.l' ra.0228.

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

el lado izquierdo e8 cero. 5. (b) sean rnayor de 22.á var(X¡) * . ó. 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.4L onzas? y 22. (c) la media de la digtribución mueshal de medias. .48.( rr-:--r l(-.e 22.' " ) = .N-1J '¿\N-1/ Problern DISTRIBUCION MUESTRAL DE MEDIAS a.. Encontrar (c) v (d) directamente de (c) y (b) mediante las fórmula¡ 5.40 onzas y dearriación tfpica 0.p) = -Noz r \ -2 'r' X¡) = . Por tanto I+v:l Cov (X¡.4L .51 si la población 5e compone de 22 cojineter.f x"\ D p (.62.49 si el muestreo fuese sin remplazamiento. Resolver el Problema 6." +a¡v = a N 02.51. Si se erüraen 300 mueetras de tamaño 36 de e¡üa población. (d) ¡ean menor de 22..7.Ét ".) = #[.47 están dadas respectivamente por t*= (o) E6) = "1 =*"(x=) /X' +.37 onzaa.N\N-rl' 't/ 5. (b ) la dewiación típica poblacional.x¡)] = #ú* *. ¿en cuántae de lag mue¡tras aleatoria¡ cabe ecperar que sus medias (a) ertén enl'l. cov(x¡. (d) la dewiación típica de la distribución muestral de media¡.50.51.rlo s 6.42 onzae.iE(x)+"'+E(x")l 1 =1 n (p -r "'+p) donde hemoe empleado el Problema 6.1'". g (o¡ - p)(o. (c) sean menor de 22. ya que por definición a1 187 -la2+'.LL. Resolver el Problema 5.¡ = . y el Problema 6-4?.a7 @).048 onza¡. = p (b) Uüilizando loe Teoremar 3-5 y 3-16 (generalizadoe).á.cAP.49. En el Problema 5.(-r¿_ i)] = Lfr-"-rf = 4(N-"\ nl. obtenemos var(x) = Sv^.Ét suplernenta. adecu¡das. Considerar toda¡ lae posibleamuestrasde tamaño dos que pueden extraers€ de esta población con remplazamiento. Una población est6 formada por los cuatro nfrmeros 3.53..38 o mayor de 22.N-1 ^' . NÉ y la primera suma en el lado derecho er igual por definición. (b ) sin 6.6l TEORIA DE MUESTREO En esta ecuación. Hallar (o ) la media poblacional.(n_'. Loa peeos de 1600 cojinetes de bolas se distribuyen normalmente con medla 22.39 onzas. 15. remplirzamiento.(. Demostrar que (c) la media y (b) la varianza de la media muestral del Problema6.

En lugar de bolas rojas y blancas.54 si la muestra extraída ee de 64 tubos.6?. ¿Cuáles son las probabilidades del Problema 5. comprobar que .66 si las exüracciones son sin remplazamiento al obtener cada colección. se pueden usar hojas de papel. 6.6t. Lo mismo del Problema 5. (b) 98 o más bombillas buenas? 5. Supónganse iguales las probabilidades de nacimientoe de niño y niña.R o I en las proporciones adecuadas.5t. (d) 10 o más bolas blancas? Dseña¡ un experimento que ponga de manifiesto los resultadoe del Problema 5.63 si se comprueban 100 cables de cada fabricante? Explicar las diferencias.60. Explica¡ la diferencia. Los pesgs de los paquetes recibidos én un departamento de almacenamiento tienen una media de 300 libras y una desviación típica de 5O libras.60.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. Ciertos tubos fabricados por una compañía tienen una duración media de 800 horas y una dewiaeión típica de 60 horas. 5. ¿Cuál es la probabilidad de que las dos coleccionee difieran en 8 o más bolag Resolver el Problema 5. Si normalmente el 6Vo de las bombillas es defectuoso.59. (b) l2 bolas rojas y 8 blancas. Hallar la probabilidad de que en dos muestras aleatorias compuesta cada una de 200 votantec. A y B fabticzn dos tipos de cables.' ¿Cuál es la probabilidad de que dos grupos de estudiantes. Hallar la probabilidad de que una muestra aleatoria de 16 tubos. (b ) entre el 4O% y el 60% sean niñas.55. que tienén unas registencias .63.188 TEORIA DE MUESTREO lcAP.6 6.61. (b) menor de 785. sacadas de la urna con rempliazamiento.64. (ó) al menos 450 libras más que A? 5.66.57.65. De un total de 1000 muestras de 200 niños cada una.62.el 4Oi'o sean niños. Se extraen dos cotecciones de 30 bolas cada una con remplazamiento y s€ anotan sus colores. 5. formados de 28 y 36 eetudiantes. (c) mayor de 820 horas. 5. 5. y explic. Un fabricante despacha 1000 DISTRIBUCIONES MUESTRALES DE DIFERENCIAS Y ST'MAS 5.12. rojas? 5. ¿en cuántas cabe esperar que (o) menos del 4OVo sean niños. (c) entre 2 y 5 Una urna tiene 60 bolas rojas y 40 blancas. Los resultados de una elección mostraron que un cierto candidato recibió el 65% de los votos. (c ) el 63"h o más sean niñas? Resolver el Problema 5. sob¡e las que se escrriba la inicial . ¿Qué enores pueden introducirse al utilizar dos conjuntos diferentes de monedas? lotes de 100 bombillas cada uno. 6. (c) más del 640/o sean niños. Si U¡ y U2 son los co¡r¡\ntos de nhmeros del Problema 5. ¿Cuál es la probabilidad de que el peso de 25 paquetes recibidos aleatoriamente y cargados en un ascensor supere el límite de seguridad del ascensor.56. 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. ¿en cuántos lotes cabe esperar (o) menos de g0 bombillas buenas. que es de 8200 libras? DISTRTBUCION MUESTRAL DE PROPORCIONES 5. En una prueba de aptitud puntos? la puntuación media de lo¡ estudiantes es de ?2 puntos y la dewiación típica de 8 puntos. (c) 8 bolas rojas y 12 blancas.57 si se consideran 100 en lugar de 200 niños resultados. 5. respectivamente. tomada de entre ellos tenga una duración media de (a) entre 790 y 810 horas. difieran en su puntuación media en (o) 3 o más puntos.54. haya una diferencia superior al1^o"k en las proporciones que votaron por dicho candidato.nedias a larotura de 4000 y 4500 libras con desviaciones típicas de 300 y 200 libras. 5. respectivamente. 5.69. (ó ) entre el 43% y el 57% sean niñas. ¿en cuántas cabe esperar (a) igual número de bolas rojas y blancas. llallar Ia probabilidad de que de los próximos 200 niños nacidoe (o ) menos d. 5. (b) 6 o más puntos. (d) enhe ??0 y 830 horas.

376) .49. Una población normal tiene una vari¿nza de 15.tubos aleatoriamente hallar la probabilidad de que la dewiación tfpica muestral (o) no exceda a 50 horas.72 ei el muestreo es sin remplazamiento.0. una distribución ú de Student con r.999 300 1000-1099 1100-1199 las 600 horas.2 voltios.E0. donde ? tiene.60. Si se seleccionan 10 . De acuerdo con la tabla de distribución ú de Student para 1 grado de libertad (Apéndice D) tenemos P(-1 < 1) : 0.0. entie 0.2 veces. ¿Es la probabilidad de que una ttarianza sea mayor que 1. ?s 6. Con referencia a esta tabla determinar: (¿) f 'ímite superior de la quinta clase. página 161.82.599 600 . (ó) P(1. = 5.5I TEORIA DE IIIUESTREO ttur2 189 (a) 4.48. o menor que 0. (g) Flecuencia relatir¡a de la sexta clase.74.73. ¿Cuál er la probabilidad de que cuatro de estas baterfas conectadae en serie tengan un voltaje conjunto de 60. ¿qué porcentaje puede tener varianzas (a) menores que 10.tr*Lrr: ru.71. (d) Límites reales de la última clase.01? Dos compañías. DISTRIBUCION DE FRECUENCIA 5.799 800 .8f . (b) mayores que 20.899 900 .70. (b) el error tfpico de varianzas. DISTRIBUCION MUESTRAL DE RELACIONES DE VARIANZAS 5. (b) Límite inferior de la octava clase. la de la segunda. 5.79. Verificar si los resultados del Problema 5. El voltaje medio de una baterfa e¡ de 15. respectivamente. (c) Marca de clase de la séptima clase.i se confirman por este valor y explicar cualquier diferencia. para diseñar una tabla de distribución f de Student como la dada en el Apéndice D.05 y 0.21.72. I 6.50.5 veces la otra mayor que 0. 6. La duración parz A tiene una desviación de 40 horas la duración de B tiene una desviación típica de 50 horas. Dos muestras de tamaños 4 y 8 se extraen de una población distribuida normalmente.49 se confi¡man utilizando (a) P(-1 < f < 1) = 0. (b) 7.54 libras con dewiacionee típicar de 0. Hallar (o ) la media y (b ) la desviación típica de la suma de las cantidades.05. Determinar la probabilidad de que la varianza de la primera muestra sea mayor que (o) dos veces.499 500 .cAP. A y B fabrican bombillas. Si se extraen muestrae de tamaño 5 de esta población.50.78. (h) Porcentaje de tubos cuya duración no sobrepasa . (e) Tamaño del intervalo de clase.399 400 . Se pesan tres cantidades dando 20. hallar (o) Ia media de la distribución muestral de varianzas. = 1. 6 Frecuencia de Ia cua¡ta clase. referencia al Problema 6. Explicar cómo podría utilizar el Teorema 5-7. (b) ou1+ur = \Grtr.0 voltios y la dewiación tfpica 0. TOTAL 400 . Reeolver el Problema 6. 6.?6.3?6 < ? 1. (b) ambas b0 horas.699 700 . (b) se encuentre enüre 50 y 70 horas.77. La Tabla 5-17 rmuestra una distribución de frecuencias de la duración de 400 tubos de radio comprobados en la L & M Tube Company.46 y 0.01. Tabla 5-17 Duración (horas) 5.54 libras. Una en tanto que muestra de 8 bombillas se toma de A y 16 de 8.80 si las desviaciones típicas de las duraciones son (o) ambas 40 horas. (c) entre 5 y 10? la duración de tubos de televisión fabricados por una compañía tienen una media de 2000 horas una dewiación de 60 horas. Verificar si los resultados del Problema 5.97 y 62.35. y Se halla que CASO DONDE SE DESCONOCE LA VARIANZA POBLACTONAL 5. Número de tubos L4 46 58 76 68 62 48 22 6 Solueionar el Problema 5.8 o másvoltios? DISTRIBUCION MUESTRAL DE VARIANZAS 6. ó. Con 6.75.

736 0.733 0.737 0.733 0.88 consüruir (o) un histograma. O.739 0.?36 0.731 0.726 0.746 0.0. Las calificacione¡ de un estudiante en cinco aeignaturaa fueron 85.734 0.50. (c) entre 620 y 890 horas.735 0. (f) una distribución de frecuencias acumuladas.327.63. respectivamente.82. ocho 8.321. ?6.t4.736 0. hallar.732 pulgadas.742 0. Porcenüaje de tubos cuya duración es al menos de 500 horae pero menor de 1000 horas. (b) una distribución acumulada relativa o porcentual. Resolve¡ el Problema 5. (b) no superioree a 0.729 0. 0.734 0.739 0. (b un ) histograma de frecuencias relativas.82. (g) una distribución acumuhdá porcentual. 5. La Tabla dos.735 0. 6.82 construir (o) una distribución de frecuenci¿s acr¡muladas. Comparar estos resultados con los obtenidos directamente de la colección de datos de la Tabla á-18.743 0.49.93.730 0. (b) 9?0 o mág Los diámetros interiores de las arandelas producidas por una compañÍa pueden medirse con aproximación de milésimas de pulgada.95. ó.736 0. 5-18 niuestra los diámetros en pulgadae de una muestra de 60 cojinetes de bolas fabricados por una compañía.324. ee¡ie de nfimeros está formada a¡itmética ? por seis 6.731 0.83.96.738 0. (c) los límite¡ de clase. Para los datos del Problema 5.?30 y 0. 82 y 96. (c ) un polígono de frecuencia¡ relativas.746 0. (c) Si las ponderaciones asignadas a cada asignatura rcn 2. (b) los límites reales de clase.386. CALCULO DE LA MEDIA. (c) di¡tribución de frecuencias relativas.89. Con log resultados del Problema 5.732 0.333 y 0.94. Deüerminar el tiempo medio de reacción del individuo a los estÍmu- 6.190 (i) (j) TEoRTA DE MUEsTREo Porcentaje de tubos cuya duración es mayor o igual a 900 horas.55 segundos.82 construir (o ) una distribución de frecuencias reliativas o porcentual. Estimar el porcentaje de tubos del Problema 5. 4 y 6.736 0. ¿Cuál es ¡u media Las calificaciones de un estudiante en las tres asignaturas del curso fueron 77. 5. y 0.0. 0. ó.91. "de"*- Tabla 5-18 0. (h) una ojiva.86.735 0.732 0.?30 0.88.740 0. 0.725 0.735 0. sue clasee .734 0.735 0.741 0. Si las marcas de clase de gna distribución de fiecuenciaa de estoe diámetros vienen dadas en pulgadas por los números 0. lcAP.63.87.735 0. 5.736 0. siete 7.128 0.(a) el tamaño de intervalo de clase. (c) entre 0.737 0.724 0.44 los.78 y 89.?36 pulgadas.734 0.?30 0. ¿cuál es el promedio adecuado para sus calificaciones? (b ) ¿Cuál sería si todas las ponderaciones son iguales? 6. horas.733 0. Tles profesore¡ de economfa regieünron una ealificación media en sus eiámenes de 79.46. (c) una ojiva.729 0.735 0.E5' Para los datos del Problema 5. (i) una ojiva porcentual. (e) un polígono de frecuencias relativas. 93.727 0.52. 0.330. (d) un histograma de frecuenoias relativas.5 5.82 con duraciones de (o) menos de 560 horas. Construir una distribución de frecuencias de los diámetros utilizando intervalos de clase 5.728 0.0.89 para los dato¡ del hoblema 5. Construir (a) un histograma y (á) un polígono de frecuenciae ciaa del hoblema 5. nueve 9 y diez 10.738 0.92.?38 pulgadar.?39 0. Hallar la media a¡itmética de dichas calificaciones. Los tiempos de reacción de un individuo a determinadoe estímulos fueron 0.72t 0.744 0. (b) un polígono de frecuencias.732 0.732 0. respectivamente. (d) una ojiva porcentual.74 y 82.741 0.732 0.740 0.735 0. 0.738 0.742 0. Con los datos del Problema 5. correspondientes a la distribución de frecuen- 5. DESVIACION TIPICA Y MOMENTOS PARA MUESTRAS 6.89 determinar el porcentaje de cojinetes de bolas que tienen diámetros (o) superiores a 0. Una 6.737 0.740 una 5. 0.90.

7 .3- 9. 25 las clases. L. i) 5.9.6. Hallar la desviación típica de los número¡: (a) 3. . La Tabla 5-21 mue¡tra Ia distribución de los diámetros de las cabezas de los remaches fabricadoe por una Tabla 6-22 Freeuencia I 6 8 Diámetro (pulgadas) 0.7.7270 0. TEORIA DEMUESTREO 191 y 11 estudiantes.2.3-10.g?.7.6.7247-0.99. 11 .7271-0. (b) el méto' do clave.98' (b) 6.7255 0. para los daüos de la Tabla 6'20 empleando (o) el "méüodo largo". .1. El salario medio anual pagado a todos los empleados de una compañía fue de $6000.7249 0.7252 0. Tabla 6-19 Carga móxima Nl¡mero de cableg (toneladas cortas) 9. 15. Calcular la media de los datos de la Tabla 6'22. reqrectivamente. 12.8-10.5.726L 0.0.8-L3.102.?.6.8.. 7.cAP.2 TOTAL Í 98 75 56 42 30 21 15 11 6 compañía. Determinar la media de la carga máxima empleando (a) el "método latgo". 1. Halla¡ i 9.7253-0.100. 19. 2. respectivamente. 10' L6.7280-0.4.2.98. Demostrar que ¡as dos series tienen lae mismas desviaciones tfpicas.7282 TOTAL de de Sfmenos de 36-menos de 40-menos de 16 L2 30 36 40 45 I o 2 TOTAL 54 250 6.7 10.7264 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. L7. (b) 3.4.7259-0.0.7277-0. 1' 1' 5. 10. .7 L2.3-L2.7279 0.7265-0. Tabla 5-21 60 ó.6.6 se obtiene la s€rie 8.22.7268-0. ó. tlalla¡ la dewiación üípica para las distribuciones del (o) hoblema 6.2.0.8-r2.2 10. (o) Sumando 5 a cada uno de los nl¡meros de la serie 3.103.?276 0.2 11.262-0. (b) el método clave.7274-0. (c) nfimeros de los apartado¡ (o) y (b)? ¿Cuáles 8on lias relaciones entre las desviaciones típicas y las medias de las dos series? lo¡ ¿Qué propiedades de la media y de la desviación tfpica se ponen de manifiesto por lae series de 6.7. La Tabla 6-19 muestra la distribución de las cargas máximas en toneladas cortas (1 tonelada corta : 2000 libras) que soporüan cierüos cables producidoe por una compañla.5. (c) 0.4.106.104. 5.5l estaban formadas por 32.2. Determinar el porcentaje de hombres y mujeres empleados en la compañía.101.6por2ydespuéssumando6seobtienelaseriell.2 624 2 462 480 498 516 534 552 570 588 606 12. Determinar lacalific¿ciónmediaparatoda8 5. ¿Cómo están relacionadas las medias? (b) Multiplicandocadaunodelosnúmeros3.7250-0. ' 164.2.7258 0. Hallar la dewiación típica de la serie de nl¡meros de la progreeión a¡iümética 4.99.6.0. Log salarios medios anuales pagados a hombies y mujeres de la compañía fueron $á200 y $4200. 6. pero diferentes medias. 1.3-11. Calcular el diámetro medio.7267 0.8-11.1273 0.7256-0.7.7 t2 17 l4 6 3 1 Tabla 6-2O fr 11.

5.gg. 20 22 2 AI. S. y comentar las diferencias observadas. (b) curtosis para la distribución del Problema 5. la fracción p son unos mientras que la fracción q : 1 p son ceros. - l}rnlstn" * 4n. (a) Demostrar que . la distribución del Problema 5. Los momentos de segundo orden con respecto a la media de dos distribuciones son g y 16.g. mientras que los momentos de tercer orden con respecto a la media son -8. ¿cuál es la media? 5. t¡l F.l F.98. tlallar los momentos de (o) primero.1. 14. Hallarelcoeficientede(c)sesgo. Tabla 5-23 f t2 t4 16 18 5.120. I 4 o 10 7 5. 11.121.mt.(b)curtosisparaladistribucióndelProblema5.1 . Hallarloscuatroprimerosmomentosconrespectoalamediadelosnúmeros0. Si el momento de primer orden con respecto al punto 2 es igual a 5. (a) De un total de n números. l.2g. Hallar los momentos de (a) primero. (b) mz. (t l3s)? (c) Comparar los porcettajes'de (b) lo.8 respectivamente. 30 5. (b) asimetría? . (b) ¿eué porcentaje de diámetros se encuentra entre (r1 . Los momentos de cuarto orden respecto a la media de las dos distribuciones del Problema6. 5 5. 5'112. tt. l.30explicandoelsignificado 5. y (i) (i+ rFpara 5. "on 5.722. (c) tercero y (d) cuarto orden con respecto los números del Problema 5.114. (b) respecto al punto 5. 6.. ¿Qué distribución se aproxima más a la distribución normal desde el punto de vista de (a) apuntamiento. si la distribución fuese normal.98.111 y 5.111. (b) segundo.llE.1!2. teóiicos esperados. (D ) Derivar una fórmula análoga par^rns.10. Véase Problema 5.t s).. determinar los correspondientes momentos (o) respecto a Ia media.¡nz = ml- 5'115.116.. ) Construir una distribución de frecuencias para los datos y hallar la desviación (c) Comparar el resultado de (b) con el de (a). Hallar (a) ntr.2_ Bm.r5. (o) Hallar la desviación típica s de los diámetros de los remaches del Problema b. (t t 2s). (b) segundo. Hallar (o) m t . ¿Qué distribución está más sesgada a la izquierda? 6.108 para los datos del problema 5. 8. Hallar el coeficiente de (o) sesgo. - ?n: - 1m'rm! * l}m'r2nt!.lOO. (b) m. 5.r5 1. la fracciónp son unos mient:'as que la fracción q : 1 -p son ceros.111. (b típica. 5. 5. = nt. Calcular los primeros cuatro momentos con respecto a la media para la distribución de la Tabla 5-23. Hallar los cuatro primeros momentos con respecto a la media de los números de la progresión aritmética 2. comprobar las relaciones entre momentos (a) mi2. Comparar con el problema b. 3. Si loscuatroprimerosmomentosdeunaseriedenúmerosrespectoalpunto3sonigualesa-2.127. (c) tercero y (d) cuarto orden respecto al punto ? para los números del Problema 5.f 07. 5.-Btnini l2m'rs.L22.0. Con los resultados de los hoblemas 5.109.11g. De un total de n números.113. (c) lrq . (f) s.0. Calcular los cuatro primeros momentos con respecto a la media para la distribución del Prol¡lema 5. .108.111.nl_ thnirni+6ml2rn.li. 17. 5. (l). (c) respecto al origen. @') mt y (d) ma para los números. k) ¡¡.. (c) nt3.119. (a) Hallar la media y desviación típica para los datos del problema 5.f f O..126 son 230y 780 respectivamente. 5. Hallar (a) la media y (b) la desviación típicaparaladistribucióndelProblema de los resultados obtenidos.5.+. 5. a la media de 5. Hallar los momentos de (o) primero. (b) segundo. 5.-2bybO.1 y -12.124. 5'121.102(c).117.101. Demostrar que la desviación típica de La serie de números es fi. 5. Lo mismo del Problema 5. 1.125.g. @¡.123. Aplicar el resultado de (o) al Problema b.1o6. (b) rr.126.L92 TEORIA DE MUESTREO lcAP. (c) tercero y (d) cuarto orden de los números 4.

. ¿En cuántos lotee cabe esperar que (o) la duración exceda 910 horar.129 si la medi¿na de duración es de 900 horas. 6. a * 2d. pfuina 160.135.+(n-l\z=fn(n-Il(2n-1). Una población de 7 números tiene una media de 40 y una desviación típica de 3. Una mueetra de 8 obeervacione¡ se hace aleatoriamente de una población.115. halla¡ la media de la distribución muestral de varianzae si el muestreo ee (o) con remplazamiento.* (n .22.133.1 5.1 (b)Emplear(a)enel 6..131. página 175. ¿en cuántos lotes cabe eErerar que la mediana de duración exceda a 910 horaa? Comparar ¡u solución con el hoblema 5. .'*(n-1)=in(n-1).. tno = ñ(n2-l\3n2-7'td4 CompararconelProblema 5..aI progresión aritmética con primer término o y raz6n d) erlt6 dada por tl1-2 (n2 Dd2 . 5.129(o) y explicar ous reeultados.129.6l PBOBLEMAS DIVEBSOS TEORIA DE MUESTREO 193 5.104. 1z+22+32+". a * d.a*d.132. fSugerencia: 14+24 +34+' .128. (n-1)d (eadecirun¿ 6. (b) la dewirrción tfpica de la duración exceda 96 hora¡? ¿Qué ruporicioner deben hacerse? 6.. (o) Hallar la calificación mfnim¿ del 2O% superior de los eetudianües..cAP. En el Problema 5. son independientes.134. ¿Cuál es la probabilidad de que lae primeras tres obgervaciones sean mayores que las'últimas cinco? ó.al2d.a|(n-l)dson 11 ffit = 0. mz = i.1)a = $n(n-l)(2n-ll8n2-Bn1 ).. hoblema 6.. La compañfa envfa 1000 lotes de 100 tubo¡ cada uno.@z-L)dz.. Demostrar el resultado (I9).136.fsugerencio: Utilizar - l+2+3+. 5. En un exarnen las calificaciones fueron normalmente disüribuidas con media 72 y dewiación típica 8.130. Demoetrar que Vt y Vz definidas en el hoblema 5. (a) Demostrarquelarvarianzasdelconjuntoden nfrmerol a. Si muestras de tamaño 5 se ertraen de esta población y se calcula la varianza de cada muestra.. (b) sin remplazamiento. Determinado¡ tubos producidos por una compañfa tienen una duración de 900 horar y una dewiación típica de 80 horas. mt = 0. (b) Hallar la probabilidad de que en una muestra aleatoria de 100 eetudianües la calificación mínima del 2O% superior Eea menor que 76. Demoshar que los primeros cuatfo momentos con respecto a la media de progresión a¡itmética a.

. eonq de esttmocton : . La media X y la varianza 3' d"finid". página 162. ambas tienen la misma media. si la distribución muestral de S es aproximadamente normal (lo que se ha visto-. por la relativa facilidad con que algunas de ESTIMAS POR PUNTOS Y ESTIMAS POR INTERVALOS. la media provee una estima más eficiente que la mediana. si el tamaño de muestra es n > 30).l parámetro.3.Capítulo 6 rF I | .ACIONALES Sean ¡rs y o" la media y la desviación típica (error tÍpico) de la distribución muestral de un estadístico S.03 pies. Sin embargo.r--Bo. Si las distribuciones muestrales de dos estadísticos tienen la misma media.95. En la práctica se ellas pueden obtenerse.s*o.s. El valor correspondiente del estadístico eficiente se llama estima eficiente. ESTIMAS POR INTERVALOS DE CONFIANZA. por otra parte.que es cierto para muchos estadísticos. EJEMPLO 6. u-¡r"* 3o" . ya que en general Z(3) + o. La distribución muestral de la media y la mediana. se está dando una estima de intervalo. La precisión o conocimiento del error de una estima se conoce también como su seguridad. en las páginas 157 y 160 son estimadores insesgados de la media poblacional ¡r y de la varianza poblacional 02. respectivaménte.28 pies. Si. U 13 t) = o2.2. €l 68. utilizan estimas sesgadas o no eficientes. S realmente es un estimador sesgado de o. el estadístico con la menor varianza se llama estimador eficiente de la media. Véase Tabla 5-1. es decir. la va¡ianza de Ia distribución muestral de medias es más pequeña que la distribución muestral de medianas. Lógicamente se prefiere tener estimas que sean eficientes e insesgadas. la distancia real se encuentra entre 5. Los valo^res i y 3 z se llaman estimas insesgadas.31 pies. &s-2o"EFsl%a'" ó ¡r. EJEMPLO 6. cabe esperar que el estadísticoSseencuentreenlosintervalos&s o^s8Í. DE PARAMETROS POBI. 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. El valor correspondiente del estadístico se llama estima insesgada del parámetro. se está dando una estima de punto.2_5 y 5.46% y 99. se dice que la distancia es 5. puesto que E'(X) = u.28 + 0.27 % . L94 .. Entonces. SEGURIDAD La estima de un parámetro poblacional dada por un número se llama estima de punto de.73% de las veces. Si se dice que una distancia viene dada por 5. 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.1. Por tanto. pero esto no siempre es posible. la media poblacional' Sin embargo. EJEMPLO 6.

en el caso de un S insesgado).68. como otras veces sé conocen.1. Tabla 6-1 Nivel de confianza zc e9. S-2o" a S+2o" ó S-3o.96 o7 Y X + 2. 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.46%y99.46% y 99.28 1. a S * o' delasveces."\\ñ s (3) . entonces un intervalo de confianza para ? está dado por (véase pagina 161) (N -t. En la Tabla 6-1 se dan los valores de z" que corresponden a distintos niveles de confianza utilizados en la práctica.96. ps er los intervalos S . S -+ 2o. t 6 .73% s9% s8% s6% s5. El porcentaje áe confianza se"llama también nivel de confíanza.96.respectivamenllama¡ a estoé intervalos los interualos de confianza del68. En este caso utilizamos la distribución t para obtener los niveles de confianza. S +. de los límites de confianza se llaman coeficientes de confianza o ualores críticos y se denotan por zc.58 ox respectivamente. la desviación típica poblacional o es desconoc^ida.1.6746 En los casos donde un estadístico tiene una distribución muestral que es diferente de la distribución normal (como chi-cuadrado. Para niveles de confianza que no se encuentran en Ia tabla.27%..73% para la estima de ¡rs (es decir. & S*Sorenel 68.szs son los valores de ? para los que el 2.33 2.27%.r. Los números extremos de estos intervalos (S i o5. vienen dados por X r.73% o.F') se hacen fácilmente modificaciones apropiadas para obtener los intervalos de confianza. De los niveles de confianza se pueden obtener los coeficientes de confianza y recíprocamente. . son los límites de confianza del96% V 99% (ó 0.95. En general.00 0. Iímites fiduciales.srs . de modo que para obtener los límites de confianza anteriores. entonces los límites de confianza d'el95% y 99% para la estimación de la media poblacional ¡. para estima¡ el parámetro poblacional. Más generalmente.Grandes muestras (n > 30).96 o.99) para p".46% 95% 90% 80% 68.00 1. Utilizando los valores de o.6l TEORIA DE ESTIMACION 195 Análogaménte cabe esperar o se puede confiar en encontrar. Si el estadístico S es la media muestral X. se puede ver que los límites de confianza para la media póblacional vienen dados por Xtz"* vn N-tt. etn.58 o. Pequeñas muestras (z < 30). los valores de z" pueden sacarse de las tablas de la cuwa normal en el Apéndice C.szs y ú.96 1. obtenidos en el Capítulo 5.00 2. Poi estos se 99.05 2. Los números 1. se utiliza la estima muestral S o S. 95.73% "pueden Análogamente. $ I 3or) son llamados los límites de confianza del 68. Por ejemplo si -t.27 %.6% del área se encuentra en cada "cola" de la distribución ü.645 r. 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.. y S -r 2.27% 60% 3.cAP. INTERVALOS DE CONFIANZA PARA MEDIAS 1.45%y te.o. si el muestreo es sin remplazamiento én una población 2..68 2. 2.9q -V 0.

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

están dados por Análogamente. como las distribuciones normal y ü..cAP. : P. los límites de confianza paÍa la diferencia de dos proporciones poblacionales.I. para distribuciones no simétricas. entonces la variable aleatoria En el Capítulo 5. *'T donde Pt y Pz son las dos proporciones muestrales. = . En forma semejante ohos intervalos de confianza pueden encontrarse. (17) .o2. extraídas de las poblaciones.ozs = (13) De esto vemos que o puede estimarse que se encuentra en el intervalo S\n X. Así por ejemplo si denotamos por F. . como la distribución chi-cuadrado puede ser deseable ajustar las áreas en las colas de tal manera que se obtenga el intervalo más pequeño.6% del área se encuentra en cada "cola" de la distribución. S$ si. Porejemplosi x%rry X?szs sonlos valores de ¡2 para los cuales 2. Si se extraen de'dos poblaciones distribuidas normalmente respectivamente. INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS y n con varianzas Sí.F. g 4 Fo. vimos que si dos muestras aleatorias independientes de tamaños m de vatianzas ol.2 X!. desviaciones típicas y tamaños de las dos muestras extraídas de las poblaciones.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.ot y tr'.ozs (1t ) S{n-7 X.n2 son las respectivas medias. n - L gndos de libertad. esto se consigue utilizando colas de áreas iguales. Generalmente es deseable que la amplitud del intervalo de confianza sea tan pequeño como posible."1=.szs (1 5) con confianza de g5%. (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.28.6l TEORIA DE ESTIMACION L97 'donde Xpopnr y X2. of./4 s?/a s7/"7 A tiene una dishibución F con fr . W*"í-üt z"orr_r.02S o2 (12) ^. entonces un intewalo de confianzadel95% es v2 nS2 ^.entonces con98% deconfianzatenemos F. siendo las poblaciones infinitas. Para estadísticos con distribuciones muestrales simétricas. El proceso se ilustra en el Problema 6. - Pr. Sin embargo.975 o de manera equivalente -.S. flt! nz son los tamaños P. y Pt V Pz). p$na 161.P.ss los valores de F para los cuales 1% del área se encuentra en cada "cola" de la distribución.

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

= S tr.35)2 F (6. = n .ó. 95Vc ó 0.00055 cm2 Nótese que 0 = /0"00055 = 0.2.02 pulgadas.35)2 2(n-ñ\2 - n-l = = es insesgada + (6.3?-6.32 6. Dar una estima insesgada Problema 6.46 pulgadas. Para las cinco medidas puestas en orden de magnitud la mediana es 6.6136 s2 Así . el intervalo de confianza del 95% para la media poblacional ¡t es 66. ESTIMAS POR INTERVALOS DE CONFIANZA PARA MEDIAS (GRANDES MUESTRAS} 6.3.38: Estima insesgada y eficiente de la verdaderava¡ianza media: t : 67.? = /8.35)2 + (6.32 y 6.45 ! 0.45 ¡ + z. los lí¡nites de confianza son 6?.33. 4er. 2. (b) la verdaderavarianza.45 -- 0.35)2 5-1 0. y no eficiente del verdadero diámetro medio de la esfera del La r¡ediana es un ejemplo de una estima insesgada y no eficiente de la media poblacional.336. decir que ia probabilidad de que la estatura media de la población se encuentre entre 66. Se puede. 6.2. = i2 = . (a) Los límites de confianza del 95% son X t I.93.45 ! 1.37.3. que puede denotarse por 66. Para la muestra dada 67. Determinar unas estimas insesgadas y eficientes de (o) la verdadera media.JDani (b) Estima insesgada y eficiente de la verdadera varianza (es decir.!1t. no hay esencialmente diferencia entre 6. pues.cAP. 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. 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. En símbolos se escribirá P(66. (o ) Estima insesgada y eficiente de la verdadera media (es decir.33: Estima insesgada y eficiente dé la verdadera altura Del Problema 5.iroentre s yG. Una muestra de cinco medidas del diámetro de una esfera se registraron como 6.02): 0.02 pulgadas.88 < p < ti8.6l TEORIA DE ESTIMACION 199 6.96(2. (b) Los lfmites de confianza del 99% son X 2.37 centímetros.93 pr¡]Éadas como una estima de o (véase Problema 6.88 < tt<68. (b) la verdadera varianza.3?-6.96"/\f.57 pulgadas.TG pulgadas .96.58-?+ = V100 67. (o) Del Problema (b) ó.93/V100) ó 67.45 pulgad.88 y 68.023 es una estima de la verdadera desviación típica pero esta estima no ni eficiente. Determinar unas estimas insesgadas y eficientes de (c) la verdadera media. 6.saa = tln ! 2.36.02. JC = .3). Así. por tanto.4. 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. Adviértase que puesto que n es grande. 6.88 y 68.. n-1" (6.36 cm. - iT $. de la varianza poblacional). de la media poblacional).5275) = 8.58o/tñ.02 pulgadas es.95.as y i : 2.6136 : y.88 a 68.36-6.35)2+ (6. 6.

4í.E8y.824 t 0.0049oulgadas t/-zoo sn 0.96? como 1. (o ) Los límites de confianza del g5% son 6 (b) x t 1.= vn Vn V200 ó 0.73% para el diámetro medio de G.824:r0. son xtz. pues.200 TEORIA DE ESTIMACION lcAP. los límites de confianza anteriores se convie:rten en 67. 6.so! = Vn 0.21.824 0..6450'942 = 0. ñ!3+ \ñ - 0.0.824! 0. los límites de confianz¿ del 98% son r ! 23g+ = \/7i Asi 0. el área a la izquierda de z:-zce8 también lVo. z:zc Puesüo que el área total bajo la curva es 1. Para obtener los intervalos de confianza. puee.0069 pulgadas Fig.824=z. En general.6.7.824 pulgadas y uná desviación típica de O. se utilizaría t.i :. Los límites de confianza d. se supone que la población es infinita o tan grande que se pueda considerar que las condiciones son las mismas que poblaciones finitas si el muesheo fuese con remplazamiento. srn embargo. 6. Entonces por simetría. Oa z : zc ea O.O42 pulgadas.824t0. de modo gue no 6?.g6a = Vn 0-824:t 0. lugar de Para y muestreo sin remplazamiento.824 ! 0. los cojinetes del Problema Hallar los límites de confianza del (a) 98%.82¿!L. el área desde z eE 0. (b) 9O% y (c'¡ 99. se habría empleado ?: \/n/@4s = y'200[99s que puede tomarse como i para todos los propósitos prácticos. los límites de confianza del90ak son n!I. respectivamente.' o^. Lad medidas de los diámehos de una muestra de 200 cojinetes de bolas hechos por una determinada máquina durante una.73 pulgadas.ss9 = 0.006 Pulgadas .73V.824 * 2.b6 y 0. r. se puede considerar el factor es necesario = 0.008 pulgadas.el 99o/.{ñ= 0.45 t utiliza¡lo.824 t 1.semana dieron una mdia de 0. Si se utiliza.00b8 pulgadas Los límites de confianza d.824tSL93 = \/zoo .645.33. 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.69 (¡¡ < 68.6 Asf. el intervalo de confianza del 997o para la media poblacional ¡r e¡ 66.el 99.45 1 0. para n > 30 se puede asumir que s y 3 son prácticamente iguales.00??putgadas t 0.G. que puede denotarse por 66.69 a 68.49. de aquí que z":2. v (bl99% para el diámetro medio de todos los cojinetes.645a (c) .21 pulgadas.96ry = \/200 0. : t. es total. Adviértase que se ha supuesto que la desviación típica dada es la desviación típiez modific¿d¿ i Si la desviación típica dada fuese S.sa| = r*z.0U89pulgadas. : O es Asi pues.Hallar los límites de confianza del (o) 55"1.gg9!9 = \/zo0 0. (a) " lok.6-l (b) S" busca z" tal que el á¡ea desde z : entonces z.

21o.:n-L:10-1:g.26 &- Vlo-1 = 4.cAP.9Tolfi.Ze.23 zc h¡estoqueestodebeserigualaTSll. Fig. Puegtoque¡. ¿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 0.4 60 límitee de confianza pueden repreaentarse por Ítz"ox deede z 68.e?'.6 : 0.58o/{i.11. de aquf que el grado de confianza pedido *162(O.8 ó n : 96. lo¡ límitee de confianza del96% pedidos eon 4. Entonces los lfmite¡ de confianza del 964o eon .01 segundos? 0.Entonce¡ utilizando ¡ : 4.01 : 9.051/\/n = 0.38 pulgadas y una desviación típica s : 0.38 y c : 0.2S z"=L6 z"=0. <í n. (o) Los llmitee de confianza delglovo están dados por. arrojó una media de 75 y una desviación típica de 10.026 y el valor crítico correepondiente es ú.06. (ó) +2. 6-8 debe ser 0.58')(0.8. (d) t= 60? Pa¡a los coeficientes de confi¡nza del 96% ("doble cola") el área total en la Fig. (c) v : 30.96. (c'¡ t2.09. Una muestra aleatoria de 50 calificaciones de matemáticas de un total de 200.i=r. (o) ¿Cuáles sonloslímitesdeconfianzadel9Ú% para la estima de la media de las 200 calificaciones? (b) ¿Con qué grado de confianza poüá .Tomando o = la estima eerá menor de 0.05 segundoe. pues.38 t 2. Para lo¡ valores de v dados egtos son (a) t Z.4.f I l.682ó ESTIMAS POR INTERVALOS DE CONFTANZA PARA MEDTAS (PEQUEñAS MITESTRAS) 6.. : 166. Halla¡ los límites de confianza para el diámetro verdadero del (o) 96% y (b) 99%.96X0. : 20.26fvéaeet¿mbiénProblema6.9df (b) tos vn N-n A¡-1 = N-n N-1 75 t 1. AsÍ. Una muestra de 10 medidas del diámetro de una esfera dio una media ñ: 4. (d) =2.9.01 soliamente ¡i n es 167 o mayor.*. (b) Loe límite¡ de confianza del 99% son X t 2.2910.04.gzs:2. 1fi = (1. .00.n r1s/t/Á¡.01. ¿Cuáles son los coeficientes correspondientes pala la distribución úsi (a) v = 9. Eláreabajolacurvanormal : O t z: 0.10.7I 6.g6ol{n.96)(0.01. un sicólogo estima que la dewiación típica del mismo (c) . pues. Los coeficientes de confianza del 96Vo ("d. Asf el área ¡ombreada en la col¿ derecha es 0.setienequel. 8e tiene la confianza del99% de que el error de la e¡tima eerá menor de 0. TEORIA DE ESTIMACION 20L es de Al medir el tiempo de reacción. 6.Entonces los coeficientes de confianza pedidos son tú. 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.81.81 es 0.01 si (1.06)/0.t = t.r¿ -.0452 pulgadaa .05 segundos. (b).01 ¡i n e¡ 97 o mayor.orr. debe emplearse la fórroul¿ para poblaciones finitas con muestreo sin remplazamiento.hallamoat.q'-: 200 v50 200-1 = 75 + 1. Aef.r.oble cola") para la distribución normal vienen dados por i1. er decir.05. Entonces (2.decirse que la media de las 200 calificaciones es 75 r 1? (o) Puesto que la población no es muy gtande en relación con el tamaño de la mueetra.goo*. = * t1. 6-3 6.05)/\.29lO):0.50 2oo-L = 76!2.X+r"L .06 pulgadas. se tiene que el error ser6 igual a 0.96+ v50 (10) 200 .10(c)].04.siendo 0.38 + 0.

¿Qr'é tamaño de muestra debe toma¡se en el Problema 6.-'\ r1/pg-p)/n / rB I l-r'-tt'/z¿y t/2.6a5y'i6lBB)Io-75j7i : 0.l)6or. 0D > 0. - ó Prob(p > e-Bt/p6-ffi¡ = + J(t t/2r -.50.13 para que la confianza de que el candidato sea elegido sea del g5% z El candidato se elige si p ) 0. t 3ú058)16:¡8 10d 0.426 pulgadas. obtenidos mediante ios métodos de pequeñas muestras o teoría exacta del muestreo son más anchos que los obtenidos por los métodoe de grandes muestras. 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 6.06 como estima de o. J_.55 '^^ I(0'55)(0'45) :r 1'e6!ff : = 0.ssr(S/tñ-l.50 ó n= 27r .96.55 para estimarp. (b) Los límites de confianza del99% parap son 0. (a grandes ) Mediante loe métodos de Ia teoría de grandes muestras los límites de confianza del 95% son X t 1. Análogamente. = P t 1.96-9. (a ) Los límites de confianza d.14.55. t.f) = 4.045 TEORIA DE ESTIMACION lcAP. los límites de confianza del 99% son 4.13.55 t 0.049 pulgadas.73% para la proporción de todos los votantes que estaban a favor de este candidato. indicó que el 55% de ellos estaban a favor de un determinado candidato.9ó utilizando el Apéndice C indica que e-Bt/fi-fl/n:0.2/z¿y L645 Al comparar con Prob(p > 0.95. 6.06b0 pulgadas y el inüervalo de confianza del99% e¡ 4. (b) 99%y (c) 99.38 + 0.96-0-.446 pr'lgadas. (a) Soluciona¡ el hoblema 6.335 pulgadas y 4.1. los intervalos de confianza mues¡ras.88 + g.315 a 4. Para hacer este problema de una fo¡ma más exacta.pV" es normal asintóticamente.p')/\/p(l . (b) En cada caso.50): 0.el95o/o para la población p son P : l.58)(0. pues.38 * (2.b0 Entonces.L2. Entonces loe límites de confianza del 99lo rcn i t ú.202 Asf.Z5(0.045 : 4.18.06/y'10 .58ú6:5EXb:¡BtTdd = Los lfmites de confianza del 99.qq /lo - 4. 0.88 + 0.88 r 1. Una muestra de 100 votantes elegidos aleatoriamente entre todos los de un distrito dado.= v-n 4.27."-. Hallar los límites de confianza del (a) 95%.55 y la estima p : 0.55 del Problema 6. véase Problema 6.55 2.11 suponiendo válidos los métodos de la teoría de muestras.25. utilizando P donde B = : 0. = 3. y para tener una confianza del g5% de su elección necesitamos : 0.13.15. (c) 6.l = 4./e(l -p) ¡? V = 0. tenemoe 0.55 = o'55t0'10 donde se ha tomado la proporción muestral 0.50) Prob( que hob / J--ct t)_p . Puesto que (P .38 4.88 i g.06) /\t1.73% parap son 0.6 : se puede estar en la confianza del 96a/o de que el valor ve¡dadero se encuentra entre 4.38 t 0.55 + 0.. (b) Comparar los resulüados de los dos métodos.se5 - (b) Para v = 9.O37pulgadas ? donde se ha utilizado la desviación típica muestral 0.0 = 4.

cAP.?4 y el INTERVALOS DE CONFIANZA PARA DIFERENCIAS Y SUMAS 6. Una muestra de 150 bombillas del fabricante A dieron una vida media de 1400 horas yuna desviación típica de 120 horas.il3li. (a) Los lÍmites de eonfianza del 95Va son 0. se tienep = 0. 100 adultos y 300 adolescentes dijeron que lei gustaba.25 son las proporciones respectivas de adolescentes y adultos a quienes les gusta programa.16.27 da el intervalo de confianza del 95'ib como 0.60 La fórmula más exacta del Problema 6. Una muestra de 100 bombillas del fabricante B dieron una vida media de 1200 horas y una desviación típica de 80 horas./.25 = 0. (b) Al nivel del 99..23.33.50 encuentre entre 0.?9. z" = 1. se puede esperar con confianza d. esperar con confianza d.58\.el 99Vo que la verdadera diferencia de proporciones .25 = 0. se puede encuentre entre 0.AquíPr:300/600:0.6l TEORIA DE ESTMACION 203 6.17 y 0. 6..50 ! Pz : 100/400 : 0.31. Hallar los límites de confianza d9l (c) 96% y (b) 99.37 a 0. se puede esperar con el encuentre entre 175 y 225 horas.45 a 0.Zb + 1. se puede esperar con el 994n de confianza que la diferencia de las medias de las poblaciones se encuentre entre 167 y 233 horas. Así. el intervalo 0.0g. dando el intervalo 0.respectivamente.el ggVoson 0. intervalo de confianza del 99. pues.60 + 15. 95"/o de = 200 t 24.96/il2OtG0I80)2/100 Así.96. gt= Ptz" t z¡/F(=ffi.4 y B son dados por (a) *o.75.BZ a 0. z" = 3.45 a 0. SustituyendolosvaloresP:24140 = 0.50 - 0.t 1. (a) Al nivel del g5o. dando..06. pues. Mediante la fórmula aproximada p = P + 0.6V n:40 enlafórmula \tF(l=A/. pues. pues.g. se obtuvieron 24 ca¡as.tr 7.96 La verdadera = 0. ae confianza que Ia diferencia'de las medias de las poblrcionee (b) Los límites de confianza d./i120)r/15¡+-G0)r400 = 200 + 82.73% como 0. [-os límites de confianza para la diferencia de medias de.el 99% son: 1400 - 1200 12.15. En una muestra aleatoria de 400 adultos y 600 adolescentes que veían un cierto programa de televisión.25 ! Z. se Así.el 96% que diferencia de proporciones (ó) Los límites de confianza d. -loi*o'o -"1/"o-"" Los límites de confianza del 9b7o son: 1400 1200 .6.5B = 0.Xn-. 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. se As( pues.83. se tienep : 0. PzQz el - O. Los límites de confianza para la diferencia de proporciones de los dos grupoe están dados por 'll1 1t2 dondelossubíndicesly2serefierenaadolescentesyadultos.19 y 0. PtQt . Hallar los límites de confianza del (a) 95% y 99% para la diferencia de las vidas medias de las poblaciones A y B. En 40 lanzamientos de una moneda.73% para la proporción de caras que se obtendrían en un ilimitado número de lanzamientos de la moneda.

(b) 99%.f8. (c) 99. INTERVALOS DE CONFIANZA PARA VARIANZAS 6. = 0. Si Er. los límites de confianza del 99.1 voltioE y dc.20.9. oE.4O pulgadas.o/yEi.19 deberá tomarse para que con confianza del 99.2L. Hall¿rr los límites de confianza del (a) 95% y (b) 99% para la desviación típica de la población de tales bombillas.04 V.ozs. (b)LO%? De igual forma que en el Problema 6.08) 0. FfJ voltaje medio de las baterías producidas por una compañía es de 45. Y t¡. página 162)loslímites de confianza para la dewiación típica de la población son dados por S * z.r Bo/l-zn Ss/\/Zn. Entonceg el error porcentual de la desviación es 3s/t/-at (¿) Si 300 _ = s.1) = 180. ee puede esperar con confianza del 99'y'" que la deerüeión típica de la población se encuentre entre 87.204 TEORIA DE ESTIMACION [cm.4i0. * l'a..2 y 109.4:t0. = 1la1ffiy : 0.4 t de confi¿nza del 99.04 volüios. puesto que /¿rr = lLEt lr'.0b4voltios. 46O. pues. En este caso se aplica la teoría de grandee muestras.96(0.4 + 1. entonces n 1800.58(100)/r/Zbd = 100 r 12.t+ti. (b d. Se utiliza la dewiación típica muestral para estima¡ o. Hallar los límites de confranza del (c) 95% y (b) 99"/. (o) Alniveldel 95". utilizando s como una estima de o.r-= oE. pues.1 y 112. se puede esperar con confianz¿ entre 90. Así..* o".g.21 voltios.8 horas. La desviación típica de las estaturas de 16 estudiantes seleccionados aleatoriamente en un colegio de 1000 estudiantes es 2. = 45. se tiene ltlt+Ez+at+¿o = Fu. .4 + 2.96(100)i/200 = 100:tg.e75 y st/n/x..1 V y la desviación típica 0. 0.4 t = 180. * uotr* l'a. osr* Ez+t:.08)=180.08) = 180. Entonces.58(0.x {2n 300//t = 5. 82. El valor de 0.[4: "'rJ o'r. 6.4 t 3(0.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. 6.16 voltios. el tamaño de la muestra deberá ser 450 o más. (a) Loslímites de confianza delgSv" están dados por sy'7/x.73% la verdadera desviación típica de la población ::o difiera de la desviación típica muestral en más del (c) 6%. (b) Si }OO/\E : Aei pues. 5O%son:180.73"/o para o son S ..054 voltios se llama error probable.= lr'. entonces n : = 10. indica el nivel de confianza.08 ÉEr+nz+E¡+Eo = 4(45./nloslímitesdeconfianzason:100 11. donde 2. Así. La desviación típica de las duraciones de una muestra de 200 bombillas fue de 100 horas. = orr. el tamaño de la muestra deberá ser 1800 o más. o 6.4 (o) (b Los límites de confianza del95% son: 180.08) = 180.19.6?45(0. pues. Si se conectan 4 baterías en serie.73% y (d) 5O% para el voltaje total. Así.73% con: 180.24 ) Los lfmites (c) Loc lÍmites (d) toslfmitesdeconfianzadel voltios.4 V r de confianza del 99% son: 180. Por tanto (véase Tabla 5-1. de la desviación típica para todos los estudiantes del colegio. Es y Eq representan los voltajes de las 4 baterías. hallar lós límites de confianladel (a) g5%. ¿Qué tamaño de muestra en el Problema 6.19.9 horas. 0.

Paray:16-1:lSgradosdelibertad. y 18 respectivamente halla¡ los límites (o) Tenemos nt = l(t. pfuina 137' x. x1.r+l/Z[I6Ef-T¡z = jtz.73 y 2.14.?3 y xz. Por tanto se tiene la confianza del 99% de gue la desviación típica poblacional se encuentra entre 88. y St/T/x.40\f-16/2.n25 = 2._. Por tanto se tiene la confianza del 95% de que la desviación típica poblacional se encuentra entre 91.oe5=5.ozs. Este resultado debe compararse con eI del Problema 6.2 a. 6.5 y Entonces los límites de confianza del 95o/. it.3 horas. ee decir.2 y 111.83 y 3.9 y 1001800/t2. 1.el95')h están dados por Sy'-n.o75 = |{zsrr.¡¡5.ee5 Para v y Sy/i/7.68 y 4. 1. = 15.)rto = \/ 2o.92)2 = 253 lL6.9 horas respectivamente.26 6 7.' son 100y'2b-0 115..¡]oor=32.68 y 4..1 : 199 grados de libertad.!75= 5. Este resultado debe compararse con el del Problema 6.8 ó ¡.40Vf 6 /1. esto es.= r\ri= (f.t-t.t.50.s¡5. (o) Los límites de confianza d.n.9 y x. Por tanto se tiene la confianza del 95% de que la dewiación típica poblacional se encuentra entre 1." x%os 1_l . Entonces los límites de confianza del 997o son 2.11.5 6 x.7.s¡5=2.19(a).24 y = 6.6l Para o TEORIA DE ESTIMACION 206 x?ozs = 16- 1 = 15 gradoode libertad.49 pulgadas./x Para v : sr.g = 88.50.92)2 = : \2.83 y 3'84 pulgadas.. Entonces los límites de confianza del 99% son 100/Eñ6 de donde X sq¡ INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS 6. 200 .84 pulgadas. Solucionar el Problema 6. : 200 - 1 : 199 g¡ados de libertad.oos:4..sa+19.o .40\f-I6/5.15. Por tanto se tiene la confianza del 99/o de que la dewiación típica poblacion¡l se encuentra entre 1. x?szs = 27.14. s! = 20.23.9 y 115.sor-79. x2nzs de donde ¡¡.9212 : 239 161 = olz02s+V2(199)-1)e =.60 ó y.19(b).2.19 utilizando la teoría de pequeñas muestras. (b) tos lÍmites de confianza del 99\i.49 pulgadas. Si se encuentra que sus varianzas son 24 y (b\ 90% para la relación de varianzas.el99% están dados por Sy'-nl¡. 3? = t=r"i = (lf)rznl = "? = 18 de modo qrre 26.5 = 91'2 y 100y'200/12'1 = 111'3 horas respectivamente.40\R/2. rz = 10.22. Dos muestras de tamaños 16 y 10 respectivamente de confianza del (c) 98% se extraen aleatoriamente de dos poblacio- nes normales.2= 115.24 y 2. hallamos como en el Problema 4. X.cAP. (b) Los lÍmites de confianza d.SO+19.9 horas. están dados por Sy'-nlx ors y Sl-n/y.oos = 72. .ozs l-l Vz(rssl -r)z = itt.. Entonces los límites de confianza del 95% son 2.

Si n obsewaciones Xr & se toman de una población distribuida normalmente de la cual se desconoce la media y se conoce la varianza.zt oz 0.25. = 3)@*-Pl reeulta Q.23 hallamos los lfmitec de confianza para el (¿) (ó) ESTIMAS DE MAXIMA VEROSIMILITUD o.89 de modo que l/F.. v Q) 90% para la relación de las desviaciones de las desigualdades del Problema 6. pl" 'f (r.sg<!=z. tenemos pataUl: 15 y ez:9 grado¡ de libertad f or : 1/3.59. 6.47(d). pfui¡1g 19?. 6.47(b).'or¡ g. También del Problema 4.e5 2. Hallar los límites de confianza del (al 98% típicas del hoblema.6 Del Problema 4. = (b) Como en (o) hallamos del Apéndice F que confianza del g0% es F. gue tenemos (I) Puesto Por tanto l(rx.24. Por tanto el intervalo de #(ffi) s += 6 0.e¡ = 3. Entonce¡ utilizando (171.os : 1t2. página 13p. Halla¡ la estima de máxima verosimilitud de la media.84 V F.eo = ".89. 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.6?=1=r.96 parapl : 16 1 : 15 ! U2 =LO-1 =9 grados de libertad.(ffi) 4.#>@t-pl2 Tomando Ia derivada parcial con re4ecto raL 1:' fr.0.z8a =# : = rsee.206 IEORIA DE ESTIMACION [cAP. ü = \/2ro2 -J- r-<x¡-ü2rzoz L = f(nt. pl = (2to2)-tt2¿-zbk-r)2t2o2 (z') (r) Fijando íLldp = 0 t¡L = a -f.) Obsérvese que el intervalo de confianza del9O% e¡ mucho más pequeño que el intervalo de eonfianza del 98Vo. hallrrmoe para el intervalo de confianza del 98%. tenemos F ge = 4.4437 oí = * ('z'6'g)(?q¿. . como lógicamente era de eryerarse.eg oz 6. reculta .tn1z. Al tomar la raíz cuadrada 98% v el9o%. (#)(ffi3) o.23.

L n - pl pz-2pp*p2: (nI nes para zp\p2 "?P# z?lp Multiplicando los dos miembros por ¿ y simplificando. Entonces tomando la derivada parcial con reqrecto a 02. tenemos ee i'# Fijando aLl0o2 . estaecuaciónsereduceaafi*bp*c:0. . (c) Mostrar que p¿üa grandes valores de n la fórmula de (c) se reduce a p=P¡2" \FF -nn. z7 n -4ü r+4 n o P (b) Utilizar la fórmula de (¿) para obtener los límites de confianzadel99."2) en cambio d.13.p). se tiene P-P Elevando al cuadrado los dos miembros.P)/n Los valores mayor y menor de esüa variable tipificada son tzc.p oP = -1. halla¡ la estima de máxima verosimilitud de la va¡ia¡rza.e f(x¡.6l TEORIA DE ESTMACION 207 6. Si en el Problema 6. todo lo efectuado en el hoblem¡ 6.63. = -fi+ uár> @t-r)2 02= 2 (rr - pl2 PROBLEMAS DIVERSOS 6.25 ha¡ta la ecuación (2) aplica. 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) . se tiene e+ flt "" P(L-PI .13.27. En estos valores extremos.) Dividiendo numerador y denominador por 2n.0 hallamos Vé¿se Problema 6. b--(2nP+"7) y c=nP2.ca p= _6 + 1/@=lo" 2a z"P+27=W 2(n* z7\ 2nP I 22" * ""t/6F(L1VlT7" 2(nI zf. queda. donde z" deüermins el nivel de confianza.25 se conoce la media pero se desconoce la varianza. La proporción muestral P en unidades tipificadas . Si escribimos f (rx. (a) como la utilizada en el Problema 6. {P(L = *2" p(. - (2nP I * nPz = 0 Si o=n+z!.26.TS% delProblema 6.cuyassoluciop son dadas por La fórmula cuadráti. zi n -4nz | +! .cAP. (a) Si P es la proporción observada de éxitos en una muesha de tamaño n. por tanto.

. pero de tal manera que las áreas en cada cola no sean iguales.. (b) 98Vo.208 TEORIA DE ESTIMACION (b) Paraloslímitesdeconfianzadelgg.9 110. 6.05.a los cuales la suma de las áreas en l¡as colas sea61. 8.32 92.64.4 libras.utilizando de (a). Hallar los límites de confianza del (o ) 99%.'.O a 110.85. es de g1. X. La media y la desviación típica de las cargas máximas soportadas por 60 cables (véase Problema 5.22(a) fueron obtenidos escogiendo valores críticos de y2 de tal manera que las áreas en cada cola fueran 2.a.2 y 9.e4 91. (c) Comparar la desviación típica muestral con la desviación típicÁ de la población estimada. etc.100). horas Una muestra de 10 tubos de televisión producidoe por una compañía. g. (o) Solucionar el Problema 6.40 y 0. (c) Si n es gtande.$=12'76. entonces zf. zf.8. cuya amplitud sea menor que la del Problema 6. en general.7 a Lt3. ¡es=15.44.=B. 10.3 91. 6'33.00058 pulgadas.98) están dadas por 11.69 en acuerdo con el problema 6.r De la tabla se observa que un intervalo del95%.8.31. y 0./zn. de forma 6. Sin embargo.s2=12.29.8. .42 a a 111.ge = 15.o¡r y x e8l. X 032 y X 1¡2.6 p=0.30. dieron una du¡ación media de 1200 y una desviación típica de 100 horas. respectivamente (véase Problema 5. La media y la desviación típica de los diámetros de una muestra de 250 remaches fabricados per una compañía gon O. 10.55yn:100enlafórmula y 22"/nson despreciables y pueden sustituirsepor cero.?3 20. Las medidas de pesos de una muestra fueron registradas como 8..6 = 12.32. Un intervalo con amplitud af¡n menor puede hallaree continuando el mismo método de aproximación x.7 7.8 89. Valores Crítico¡ Tabl¡ 6-2 Intervelo de confianza d.rlos ESTIMAS INSESGADAS Y EFICIENTES 6.Es posible haltar otros límitee de confianza escogiendo valores críticos de X2 gar.e6 : 15.6.9 7. Determinar estimae insesgadas y eficientee de (o) la media de la población v (b) la varianza de la población.8.0 = 12.8 ¡.?3 ton.30 si se obtienen los mismos resultados para 30.09 ton.¡amente 19.2 19.28. se tienep : 0.el 95"tb Ampütud 2r.7s7=15. de amplitud sol. y (b)99dto para la media de las cargas máximas de todos los cables producidos por la compañía. respectivamente.6%. Estimar (o) la media y (b) la desviación tÍpica de la población de todos los tubos de televisión producidos por esta compañía.4 20. empleando t¡alores críticos tales como justifica el trabajo involucrado.s sr¡plernenta.0 a 110. (c) 95% y (d) 90% para el dirimetro medio de todos los remaches fabricados por la compañía. 50 y 100 tubos de televisión muestreados' (b) ¿Qué se puede deducü de la relación entre las desviaciones típicas muestrales y las estimas de las desviaciones típicas de la población para los diferentes tamaños de mueetra? ESTIMAS POR INTERVALO DE CONFIANZA DE MEDIAS (GRANDES MÜESTBAS) 6. respectivamente.z. 2g. ó 0.72642 pulgadas y 0.7. 6. lcAP. la disminueión en el intervalo que 8e obtiene es comúnmente despreciable y no Probletn.54 ¡.TSVo.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.Entonces.13(a)./Anz que se obtiene la fórmula pedida. Hallar los límites de confianza del (o) 951/. En la Tabla 6-2 se indican varios valores críticos y los conespondientes intetwalos de confianza del 95%.

6. Hallar los límites de confiánza (a) del 95% Una compañía fabrica cojinetes de bolas que tienen un peso medio de 0. (c) del 99. INTEBVALOS DE CONFIANZA PARA VARIANZAS Y DESVIACIONES TIPICAS 6. o.2[horas.g5. mientras que de 100 cerrojos de otra máquina 12 eran defectuosos.45.80. Dar los resultados utilizando la fórmula aproximada y la más exacta del Problema 6'27.41.36 si el error en la duración media estimada superar las 10 horas? ESTTMAS POR INTERVALO DE CONTIANZA DE MEDIAS (PEQUEÑAS MUESTRAS) 6. (b\ 99% y G\ 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.g?.82 con una desviación típica deO.94" Hallar (¿) los Problema 6. 0.a h diferencü de proporciones de cerrojos defrctuosos de las dos máquinas' Estudiar los resultados obtenidos. dio el 7O% de bolas rojas. (b)gg%y (c)99J37" para la dewiación típica de todoslos cables producidos por la compañía. ¿qué tamaño de muestra deberá tomarse puüa que sea del (a\96%.012 libras. HaIIar los límites de confianza del (o) g5%.cAP.638 libras y una desviación típica de y (b) del 99Vo pata los pesos de lotes de 100 cojinetes cada uno. ¿Cuál será el número mínimo de voranües que se deberá mue\trear para quelaeonfianza sea del (a) 8O%.43.46.2?. Hallar los límites de confianza del (a) 95%' (b)99o/oy (c) gg . 6. Una r¡rna contiene una proporción desconocida de bolas rojas y blancas.ParalosdelgrupoB fueron 6. Hallar eI error probable de la desviación típica del Problema 6'46' . Si la desviación típica de la duración de los tubos de televisión se estima en 100 horas. La desviación típica de resistencia a la rotura de 100 cables producidos por una compañía fue de 180 libras. 0. Para los pacientes del primer grupo el número medio de horas de sueño fue 7.42. 6.g1 sfoundos. y (b) el error probable para la media de los diámetros del 6. Se cree que una elección resultará muy reñida entre dos candidatos.(b\95%'(c\99% deladecisiónen favor de uno de los candidatos? INTERVALOS DE CONFIANZA PARA DfFERENCIAS Y SUMAS 6. Hallar grandes muestras y comparar Solucionar el problema 6. 6.76 y 0. 6.gg.73V"? 6. Hallar los límites de confianza del (c) g5%. Hallar los límites de confianza del (a) 95% y (bl99% para el tiempo reacción. Cinco medidas del tiempo de reacción de un individuo a un cierto estímulo fueron registradas real de 0.38 onzas los límites de confianza del (c) 95% y (b) 997o para la resistencia real' desviación típica de 1.7g% para la proporción real de bolas rojas en la urna.7 Bdn pá.g9. (b ) del 99%. para que la confianza de que la proporción ¿Qué tamaño de muestra se debería tomar en el Problema 6. respectivamente. al primero le fue dado un nuevo tipo de somnífero y al segundo un tipo convencional.6l' TEORIA DE ESTIMACION límites de confianza del 5O% 209 6.40. 6. respectivamente.33.73% la confianza de que el error en la media de la duración estimada no exceda de 20 horas? no debe ¿Cuáles serán los tamaños de muestra en el Problema 6. y una Una muestra de 12 medias de resistencia a la rotura de hebras de algodón dio una media de 7.44.86. 0. como 0'28. Una muestra de 200 cerrojos producidos por una máquina mostró que 15 eran defectuosos.24 onzze. (b)g|%t (c)997oV @)59. Una muestra aleatoriade 60 bolas extraídas con remplazamiento de la urna. De dos grupos análogos de enfermos A y B formados de 50 y 100 individuos. 6.3g.40 verdadera no difiera de la proporción muestral en más del 6Vo sea (a) del 95Vo.30 horas.3? suponiendo aplicables los métodos de la teoría de los resultados obtenidos.41. ESTIMAS POR INTERVALO DE CONFIANZA PARA PROPORCIONES 6.

e 24OO libras y una dewiación típica de 150 libras.61.58. Xn de esta población. . TEORIA DE ESTIMACION [cAP. . 6.54. Hallar el estiniador de máxima verosimilitud de ). 02 desconocidas. .57.60..56. En una prueba de 40 cables seleccionados aleatoriamente resulta una media de la resistencia de rotura d. hallar la estim-a de máxima verosimilitud de z. . Solucionar el Problema 6. . Xn de una población distribuida normalmente con media ¡l y varianza ¿Pueden determinarse estimas de máxima verosimilitud de ¡t y o2 en términos d. Hallar Ios intervalos de confianza del (a) 98% y (b) 90% para la relación de Ias varianzas. .62. del Problema 6. . .51 que tiene la menor amplitud? 6. ESTIMAS DE MAXIMA VEROSIMILITUD 6. 6.54 fueron extraídas de la misma población? Justificar su solución. Los coeficientes de confianza del 999á ("doble cola") para la distribución normal están dados por 12.e 11.54 si las muestras tienen tamaño 120 cada una.. . Una población tiene una función de densidad dada por i@l = 2rt/r/" ¡2s-v*. 6. basados en muestras de tamaño 10 cada una. hoblema 6.52.55.48.(b)v:12. La desviación típica compañía.(d)v : 30' (¿) v: 40? Una compañía tiene 500 cables. de la du¡ación de 10 bombillas fabricadas por una compañía es 120 horas. . .49 si 25 bombillas tienen la misma desviación tÍpica de 120 horas. PBOBLEMAS DIVERSOS 6. -t 1 r ( -. Hallar los intervalos de confianza del (o) 98% y (b)907. 6. Si Xr. . Las desviaciones típicas de los diárnetros de los cojinetes de bolas producidos por dos máquinas son 0.25 y 6. [(A'+t)st 0<¡:<1 de otra forma Xn de esta población hallar la estima de máxima verosimilitud de h.6 ¿Qué tamaño de muestra deberá tomarse para que la confianza sea del (a) 95%. . Xn se toman de una distribución de Poisson con parámetro tr desconocido. 6. X¡.49. Si se toman n observaciones.26? Explicar.042 cm y 0.58. r.035 cm respectivamente. .51. . ¿Considera que las dos muestras del hoblema 6. Comparar los resultados con los obtenidos empleando la distribución normal. .49 utilizando la distribuciíny2 si una muestra de 100 bombillas tiene la misma desviación típica de 120 horas. INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS 6.63. 6. .50. Hallar los igr la 6. . Si n observaciones 6.7T% de que la desviación típica de una población no difiera de la desviación típica muestral en más del 2%? 6.59.2to 6. . 6. Solucionar el (o) Problema 6. (o) ¿Cuáles son los límites de confianza del 951/o y 99% para estimar la media de la resistencia de rotura de los 460 cables restantes? (b) ¿Con qué grado de confianza podríamos decir que la media de la resistencia de rotura de los 460 cables restantes es de 2400 1 35 libras? ¿Cuál es el intervalo de confianza del 957. (b) gg% y (c) gg.? ¿Son lc mismos a los dados en los hoblemas 6.(c)v:25.53. ¿Cuáles son los coeficientes correspondientes para la distribución f si (o) v = 4. . para la relación de las varianzas de las poblaciones de donde se exhajeron. Determinar los intervalos de confianza del (o) 98%v @\gOVapara larelacióndelasdesviacionestípicasdel Dos muestras de tamaños 6 y E respectivamente tienen la misma varianza.62. X1. límites de confianza del (o) 96'/o y (b)99Eb pa¡a la desviación típica de todas las bombillas fabricadas Solucionar el Problema 6. Una población tiene una función de densidad dada por 8e toman n observaciones l(r) = l^0 [ Si se toman n observaciones X1 . 6. .52 y (b) Problema 6.

HIPOTESIS NULA Para llegar a tomar decisiones. se formula la hipótesisde que la moneda est. HIPOTESIS ESTADISTICAS. Si por el contrario.á bien. se puede querer decidir a partir de los datos del muestreo. se dice que se comete un 277 . ensoyos de significación o reglas de decisión. si un sistema educacional es mejor que otro. aunque sería posible que fuese un rechazamiento enóneo. conviene hacer determinados supuestos o conjeturas acerca de las poblaciones que se estudian.Capítulo 7 Ensoyo de hipótesis y srgnlllc(Iclon DECISIONES ESTADISTICAS t cJo . partiendo de la información muestral de las mismas. es decir. Análogamente. si un suero nuevo es realmente efectivo para la cura de una enfermedad. ERRORES DE TIPO Si en el supuesto de que una hipótesis determinada es cierta. nulns Cualquier hipótesis quedifiera de una hipótesis dada se llamahipótesis alternatiuc. etc. Si se rechaza una hipótesis cuando debería ser aceptada. 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. siunahipótesis-esp:'0.5. lo son sobre las distribuciones de probabilidad de las poblaciones. si una moneda determinada está o no cargada. donde p es la probabilidad de cara. si en 20 lanzamientos de una moneda se obtienen 16 caras. hipótesis se llaman también hipótests fluctuaciones en el muestreo de la misma po y se denotan por flo .56p>0.hipótesisalternativassonp:O. p : 0. 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 /. En muchos casos se formulan las hipótesis estadísticas con el solo propósito de rechazarlas o invalidarlas. en la práctica se tienen que tomar decisiones sobre poblaciones.Unahipótesis alternativa de la hipótesis nula se denota por Ilt . Por ejemplo. Tales supuestos que pueden ser o no ciertos se llaman hipótesis estadísticas y. se dice que se comete vn error del Tipo se acepta una hipótesis que debería ser rechazada.5. ENSAYOS DE HIPOTESIS Y SIGNIFICACION evidencia obtenida). en general. si se quiere decidir sobre si un procedimiento es mejor que otro.5. se estaría inclinado a rechazar la hipótesis de que la moneda est:á bien. 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.p#O. Tales decisiones se llaman decisiones estadísticag Por ejemplo. Por ejemplo. se formula la hipótesis de que no hay encia observada se debe meramente a diferencia entre ios procedimientos (es decir. si se quiere decidir si una moneda está cargada.7. a Muy a menudo.

1.1..05. 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. por ejemplo se elige un nivel de significación del O. 7-1. ? II. se dice que la hipótesis se rechaza al niuel de significación del0.05.7-l Sin embargo.El conjunto de lasz que se encuentran dentro del recorrido . va generalmente acompañádo por un incremento en el otro tipo de error. un intento de disminuir un tipo de error. En la práctica. z > I.96 (puesto que el área bajo la curva normal entre estos valores es 0. De acuerdo con lo dicho hasta ahora.. varianza 1) y se muestra en la Fig.212 error del Tipo da. Esta probabilidad se denota frecuentemente por o. 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. Como se indica en la figura.96 constituyen lo que se llama región crítica o región de rechace de Ia hipótes¡'s o región de significación. Esto equivale a decir que el estadístico muestral observado es significativo al nivel del 0.96 (es decir.96 a 1. ¡--lglj . si la hipótesis es cierta. el valor de e obtenido de una muestra real para el estadístico S se encontrará entre 1. El área total sombreada 0.96 a 1. lo cual puede ser o no ser posible..1. un tipo de error puede tener más importancia que el otro. La única forma de reducir al tiempo ambos tipos de error es incrementar el tamaño de la muestra.96 ó z 1. se puede estar con el 957o de confianza de que. al diseñar un ensayo de hipótesis. Esto no es tah sencillo como pueda parecer puesto que para un tamaño de muestra dado.96. ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. la probabilidad de cometer error del Tipo I. es decir. . supóngase que con una hipótesis dada.)/o. 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 .01.05 6 6"/. lo que quiere decir que es un suceso con probabilidad de solamente 0. ENSAYOS REFERENTES A LA DISTRIBUCION NORMAL Pa¡a aclarar las ideas anteriores.lo que significa que se puede cometer error con una probabilidad de 0.96 y 1. generalmente se fija antes de la extracción de las muestras.O6El conjunto de las z que se encuentran fuera del rango -1.05 o que la z obtenida del estadístico muestral dado es significatiua al niuel de significación del 0.O5. En cualquiera de los dos casos se comete un error al tomar una decisión equivoca- Para que cualquier ensayo de hipótesis o reglas de decisión sea bueno.96 podía entonces llama¡se región de aceptación de h hipótesis o región de no significación. entonces hay aproximadamente 5 ocasiones en 100 en que se rechazaría la hipótesis cuando debería ser aceptada.05 ó 0.1.96 a 1.96). debe diseñarse de forma que minimice los errores de decisión. es una normal tipificada (media 0. Si. aunque igualmente pueden emplearse otros valores. la distribución muestral de un estadístico S es una distribución normal con media p" y desviación típica o". Entonces puede decirse que esta z difiere signifícatiuamente de la que cabía esperar bajo esta hipótesis y se estaría inclinado a rechazar la hipótesis.95). Así pues. En la práctica se acostumbra a utilizar niveles de significación del 0.05 es el nivel de significación del ensayo. Representa la probabilidad de rumeter error al recbazar la hipótesis es decir.05 (área sombreada de la figura) si la hipótesis fuese verdadera.=lD6 I'ig. 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 ¡. y así se tiende a conseguir poner una limitación al error de mayor importancia. de modo que los resultados obtenidos no influyen en la elección.96 a 1. si al elegir una muestra aleatoria se encuentra que z para ese estadístico se halla fuera del recorrido .

para estimar o.33 ó -2. si se utilizase el nivel del 0. cuando se está ensayando la hipótesis de que un proceso es mejor que otro (que es diferente a ensayar si un proceso es mejor o peor que otro). en una "cola" de la distribución.8I -3.01 se sustituiría 1.7l / ENSAYOS DE HIPOTESIS Y SIGNIFICACION 2L3 (b) Se acepta Ia hipótesis (o si se desea no se toma decisión alguna) en caso conhario. Debe ponerse de manifiesto que puedgn igualmente emplearse otros niveles de significación.645 y 1.96 y -2. página 195. en las dos "colas" de la distribución.28 ó -1.005 0. En tales casos. Z = -. Tabla 7-1 Nivel de significación o Valores críticos de z para ensayos unilaterales Valores críticos de z para ensayos bilaterales 0. Cuando es necesário se utiliza la desviación muestral observada s (ó G).88 2.10 0. donde o es la desviación típica poblacional y n es el tamaño de la muestra.33 -2. aceptaríamos -EI6 de que la media poblacional es p : o utiliza¡íamos el estadísti-EÍe (o al menos no lo . ENSAYOS DE UNA Y DOS COLAS En el ensayo anterior se atendía a los valores extremos del estadístico S o su correspondiente z a ambos lados de la media.96 1. media poblacional.. será de utitidad para propósitos de referencia.58 2.58 2.58 y -2.81 2. con área igual al nivel de significación. los resultados son para poblaciones infinitas o para muestreo con remplazamiento' Para muestreo sin remplazamiento de poblaciones finitas los resultados deberán modificarse. Véanse páginas 158 y 160.05 001 45 0.96 en todo lo visto anteriormente por 2. Por esta raz6n.i: ¡t.002 ó -t. Ia región crítica es una región a un lado de la distribución. La Tabla 6-1..88 y -1. es decir. La Tabla 7-1. Si4 embargo. Para ensayar la hipótesis nula (f) co (I ). 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. Los co.08 ENSAYOS ESPECIALES DE SIGNIFICACION PARA GRANDES MUESTRAS Para muestras grandes. 1. utilizando un ensayo de dos colas.645 1.08 y 3. Tales ensayos se llaman ensayos de una cola o ensayos unilaterales. = op: o/1/i. es decir.6 1. La variable tipificada viene dada por Aquí S : X. puesto que la suma del nivel de significación y el nivel de confianza es L00%.58 ó -2.28 1. Entonces.cAP.la X-. puede también emplearse. tales ensayos se llaman ensayos de dos colns o ensayos bilaterales. tss =. En cada caso. media muestral. como por ejemplo.645 cí 2.-: ú1V11. Medias. que da los valores críticos de z para ensayos de una y dos colas a distintos niveles de significación. o. Valores críticos de z para otros nivelei de significación. se pueden encontrar utilizando la tabla que da las áreas bajo la curva normal. Por ejemplo. con frecuencia se puede estar solamente interesado en los valores extremos a un solo lado de Iá media.58 (véase Tabla 7-L).

Para ensay¿ü la hipótesis de que la media poblacional es menor que a acepta- iñ 2. ¡r" : ltp : p. utilizar las desviaciones típicas muestrales sr V sz (ó 0t y 3. la proporción de "éxitos" en una muestra.-'. donde p es la proporción y n es el tamaño de la muestrsi o" : o. Considérese la hipótesis nula de que no hay diferencia entre las medias poblacionales. 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. 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. de éxitos en la población (4) Aquí S : P. donde X en es el P-p \/pql" (5) número real de éxitos en una muestra.De (//).05 si ry olVn ríamos. .05 si (véase Tabla 7-1). Diferencias de medias. lt : !z. : ltulln.. si es necesario.= X/n. página 159.05 si p¿üa una muestra específica de tamaño n con media r (2) -1. Proporciones.EIo al nivel 0. La variable tipificada viene dada por z: En el caso de que P .-X2-0 z _:. Para otros niveles de significación cambiaríamos (2) apropiadamente.2I4 ENSAYoS DE HIPoTESIs Y sIGNIFIcAcIoN lcAP. como estimas de or y 02. 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.p.. '\ l x2 (7) ¡ donde se puede. = 0 O:.e6 = "ñ+ = 1. utilizando un ensayo de una cola. (5) se convierte (6) Z= X-np \nLPrI Consideraciones semejantes a las hechas anteriormente para medias pueden hacerse.. Entonces.. haciendo gr : Irz s€ ve que la distribución muestral de la diferencia de medias se distribuye aproximadamente como una normal con media y desviación típica dadas por . es decir. 3.e6 y lo rechazaríamos por el contrario.r._ = Xr-X" \. Con la variable tipificada dada por X. ? rechazaríamos) al nivel 0.. aceptaríamos Ilo (o al menos no la rechazaríamos) al nivel 0. donde e : ! .*r_*.

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

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

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. qué tamaños de muestras deben emplearse. por ejemplo. CURVAS CARACTERISTICAS DE OPERACION.31).32 y 7. Útt "trrayo ajuste de distribuciones teóric as.el aiuste de las distribuciones teóricas a las distribuciones muestrales es esencialmente el mismo que ál de decidir si hay diferencias importantes entre los de significaclón imporüante para la bondad del valores cle la población y la muestra.cAP. conviene utllizar papel grófico de curua normal o papel grófico de probabilidad. poüíamos realmente emplear el intervalo de confiaíza del Capítulo 6 para e¡¡sayar ttipótesir. r a¡ la bondad d. como a veces se le llama (véase Problema 7.136 y también Problema 6. Es posible evitar el riesgo de error < nunca la hipótesis.29). es posible frecuenten llamadas "modelos" o distribuciones "esperadas") tras de la población.05 es eq pigtm 195 conducente al intervalo de confianzadel96"/o se puede obsenrar que existe u eoría de ejemplo. GRAFICOS DE CONTROL DE CALIDAD importante conocer cuándo un proceso ha cambiado suficientemente. Un resultado semejante para_ ensayos de una cola requeriría intervaloi de confianza unilateralás.30. la si de modo que puedan darse los pasos rápid ejemplo en control de calidad. .14). Los gróficos de control suministran un método útil y sencillo para tratar tales problemas (véase Problema 1. el enmyo chi-cuadrado.33. El método utilizado general: típica de la muestra para estimar la media y des 7. POTENCIA DE UN ENSAYO Se ha visto cómo el error del Tipo I pued.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. donde s camb se deben simplemente a fluctuaciones causa de deterioro en las máquinas. 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. etc. al menos en el caso de los ensayos de dos colias. El problema de ensay En un intento para determina¡ si una distribución normal representa un buen ajuste para datos dados. érrores de los empleados. se describe más adelante.7. A pesar de que la necesidad de tales intervalos es rara' es posible definirlos (véase Problema 7. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 2t7 R. (/ ) en la (1e) ñ _ L. Sin embargo. significación.elo vn vn Por tanto.

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

| si las frecuencras esperadas pueden calcularse sin tener que estimar parrámelros poblacionales con los estadísticós muestrales. Véase Problema 7. se calcula el estadístico (2tt\ x2 = ?g#a donde la suma se extiende a todas las casillas de la tabla de contingencia.. ó ¡f. 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.r.1 de las frecuencias esperadas. las frecuencias esperadas se calculan de acuórdo con una hipótesis flo. los símbolos X¡ Y nP¡ representan respectivarnente las frecuencias obsenradas y esperadas en la casilla i. la prueba chi-cuadrado puede-ser empleada para determinar de qué forma distribuciones teóricas talés como la normal. etc. cero debe mirarse demasiado bien con ncias obiervadas concuerden en que x2 estÉ muy próximo Además de aplicarse a la distribución multinomial.) 0. las frecuencias observadas y esperadas concuerdan exactamente. las esperadas. En la práctica.44.L . TABLAS DE CONTINGENCIA (léase "1por h").e contin- Correspondiéndose con cada fiecuencia obsen¡ada en una tabla de contingenciahX k. La frecuenciá total de cada fila o columna es la llamada frecuencin marginalPara estudia¡ el acuerdo entre las frecuencias observadas y esperadas. la fiecuencia restante puede ser determinada. (blv : k .-Este procedimiento se llama ensayo o prueba de ehi-cuadrado de la hipótesis. A valores mayores de y2. se . por (21) se muestral a Como se demuestra en el elección de or tanto. de Poisson. que son los valores crít -se deduce que las frecuencias mente). no toinciden exactamente. . en cuyos casos se decide que i" concordancia es bastante buena a los niveles de significación de 0. Esta suma que es análoga a (21).Si bajo esta hipótesis el valor calculado de x' como xf. c aproxima muy estrechamente ción mejora iguales a simbolo en (-21) si las frecuen para los valores superiores.. mayores son las discrepancias entre las frecuencias obsen¡adas y esperadas. rechaza llo al nivel de significación correspondienl rechazará. hay un-a y según las reglas de probabilidad' o esperada gue se calcula bajo ncia se llaman frecuencías elemen' q.re ócupan ias corliilas de uná t tales. d.01 respectivamente. contiene hh térmnos.. aquellas que se obtienen de los datos muestrdes. pu-esto queDebe advertirse que en a.m si las frecuencias esperadas solamente pueden calcularse estimando m parámetros de la población a paftir de los estadísticos muestrales. aq con cierto recelo. en las que las fre tabla de clasifict¡' tabhs gencia. mientras que si ¡z.ENSAYOS DE HIPOTESIS Y SIGNIFICACION Si v2 : 0.05 a 0. paíá examfuia¡ tales situaciones se puede determinar si el valor calculado 4" I' ": -"noi eue ¡2". El número de gradosrde libertad z está dado por (a) v : h .j*h a distribuciones empíricas. ó Xl. es decir. Adviértase que el restar 1 a k es a causa de la óondición restrictiva (221 que denota que si son conocidas k .

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

la probabilidad pedida es /1\'t0 'oocoo( i) /r \6r' .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. .en unidadee tipificadas = 60. Entonces la probabilidad de rechazar la hipótesis cuando es correcta : 0. el área total sombreada (es decir.L0 y 210.) +'noc. entre 40 y 60 caras inclusive es lo mismo que entre 39.1. Para ensayar (c) Hallar la probabilidad de rechazar la hipótesis. puede utilizarse para la er¡aluación de la suma anteriqr la aproximación normal a la distribución binomial.s resueltos ENSAYOS DE MEDIAS Y PROPORCIONES UTILIZANDO DISTRIBUCIONES NORMALES 7.1O y z: 2.5 caras. 7-2. uo Pueeto que np o-{ffi=['r{ffi=' = _2.que muestra la distribución de probabilidad de caras en 100 Ianzamientos de una moneda bien hecha.7-2 z (60.) =.5 . se dirá que esta z difiere significatiuamente de lia que cabría esperar si la hipótesis fuese cierta. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION 22r Problema.-210 caras) FiE. (2) de otro modo.0. La regla de decisión se ve gráficamente en la Fig. está representado por el área total sombreada de Ia figura. \ql . Región de recbace ? El error que se puede cometer de rechazar la hipótesis (39.9642 : 0. 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. Por esta razón. cuando debería aceptarse q el error del Tipo.10) 7. cuando en realidad es cierta. (c) ¿Qué conclusiones se sacarían si en la muestra de 100 lanzamientos se obtuviesen caras? ¿60 caras? (d) ¿Podían ser erróneas las conclusiones de (c)? Explicar. 53 (o) (b) Por el Problema 7.2. ambos inclusive./ 1" (. /1Y.e la regla de decisión y es igual a 0. Según la distribución binomial.5 y 60.58%.0358 en este casc. 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.'| rrx'ti'\r/ /tY' \-/ \-/ \-/ \-/ \-/ La media y la desvi¿ción típica del nf¡mero de ca¡as en 100 hnzamientos vienen dadas por t.10 y nq son ambas mayores de 5. se acepta la hipótesis. Así.lO 2. la hipótesis de que una moneda está bien hecha. .. -.5 en unidades tipificadas = q9'5-:-E 60./lY' (.5.tp = 1oo(.1. probabilidad de error del Tipo I) se llama níuel de significación d. se rechaza.I0 Probabilidad pedida : : área bajo la curva normal e¡tíe z: 2(áreaentre z: O y z: -2.'lóJ /1Yo .CAP.0358.0358... 39.I de la regla de decisión y la probabilidad de cometer este error es igual a 0.. Hallar la probabilidad de obtener entre 40 y 60 caras inclusive en 100 lanzamientos de una moneda. Si en una serie de 100 lanzamientos sg obtiene una z entre -2. En una escala continua.0358 del apartado (o).5 - 50 = 2. la probabilidad de no obtener entre 40 y 60 caras inclusive si la moneda está bien hecha 1 . (b) Interpretar gráficamente la regla de decisión y el resultado del apartado (c).0358 6 3.

96 <(x-gz)l¿. . Entonces. Entonces el área entre 0 y zr = 0. -zr Fis. (d) Si. Se puede argüir que con solo una cara más que se hubiese obtenido.05.96(4)< (x6 32.Asípues.? en lugar de 0.68 y Bz + Entonces la repla de decisión sería: (l) Aceptar la hipótesis si el nfrmero de caras se encuentra entre 22 y 42 inclusive. el área entre 0 y zr es 0.96 y 1.025 por simetría.84que 32) < 1. se habría rechazado la hipótesis.01. ? (c) Según la regla de decisión.5i2:-1.01 . cada área sombreada en la figura anterior es 0.16<X< 39.1.2. np. una posible regla de decisión es: (I ) Aceptar la hipótesis de que la moneda est:á bien hecha si Z está entre -1. se ve que con probabilidad 0.bg (másexacüarnente 2. sería el caso cuando la probabilidad de cara fuese realmente 0. (o) Primer método: Si el nivel de significación es 0.58o. nótese que la media y la desviación típica de la distribución binomial exacta de caras están dadas por ! . es decir.1.O25O : O-4750. El error que se comete al aceptar la hipótesis cuando debería decisión. 2.96(4) la regla de decisión anüerior. SiZ:1.05 y (b) 0.< 1.58(4\: 42.que también conducea ) obtenerse de la Tabla ?-1.1.32 y o -= t/iw = y'6llos)(05) = = (X p)/o 4 bajo Ia hipótesis de que la moneda está bien hecha.96(4): 1.96 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. en ambos casos se aceptaría la hipótesis de que la moneda está bien hecha.23-7.960 y ¡J + l.96.O.(X-32)14:-1.(X-32)l¿:1-96óX:39. es decir.16 y 39. 7. (b -1.84.96(4). Así. entre 25 y 39 ambos inclusive.96(4) :24.84.t6. pues.á bien hecha si en una muestra de 64lanzamientos de la moneda se toma un nivel de significación de {c) 0.96 y 1. (i ) Se acepta la hipótesis de que la moneda está bien hecha si el número de 24.95.005. Segundo método: Con probabilidad 0.0050 :0. es decir.966X=24.96. Estopuedetambién - el número de ca¡as se encontrará entre lr 2. el número de ca¡as se encontrará entre ¡¡ decir.1.58o y pt*.99 .96.5) .960.96yñpq lleva a Ia regla de decisión anterior.4950 ! zt = 2.25. Siguiendo el mismo procedimiento del método segundo del apartado (o ).76y 32+ -1. caras se encuentra entre (2) es Se rechazá la hipótesis en caso contrario. Entonces.96(4)< X< 32 + 1. Si el nivel de signilicación es 0. 89. cada6rea sombreada en la Fig.96{npq o entre 32 - 1.84. 7-3 es 0.96.96_ (2) Rechazar la hipótesis en cualquier otro caso. 24.96 equivale a . Tercer método: y np+1.3.575).222 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. Diseñar una regla de decisión para ensayar la hipótesis de que una moneda est.58(4):21.y z¡ : 1. por ejemplo. Para mayor discusión véanse Problemas 7 rechazarse ea error del Tipo 1I de la .96 < z < 1. Se puede aceptar la hipótesis cuando realmente debería rechazarse como.np: 64(0.5000 . Esto es lo que se debe afrontar cuando para tomar decisiones se toma cualquier línea de división.5000 0. (2) Rechazarla en cualquier otro caso. Entonces Z la regla de decisión resulta: = (X - 32\14.5.32. g2-2.7-B 2r Los valores críticos la Tabla 7-1- -1.

En un experimento sobre percepción extrasensorial (E.P. en muchos ejemplos prácticos es importante decidir si una hipótesis debe eer aceptada o rech¡zada.25\15. 7-4 Puesto que 32 unidades tipifrcadas (32 .P.26').3 que evite el enor del Tipo T? El error del Tipo I[ se c.01. Rechazar Ia hipótesis en ca6o contraúo. ¿Cómo se podría diseña¡ una regla de decisión en el Problema ?. la decisión rnantiene es decir. no significativos al nivel del 0.05 y el indiüduo tiene fue¡za de E. p es la ptobabilidad de que el sujeto elija conectamente el color de una catta. mientras que los resulüados significativos a niveles superriores al 0.5) en unidades tipificadas es 1.3(b) serfa: (I ) (2) No recltzz.645.S.06 se debe elegit z1 en la Pig.33. de modo que posteriores investigaciones del fenómeno están probablemente justificadas.4.Puestoque32(ó 31. . Asfrpues. se deduce que los reeultado¡ no son significaüuos al nivel de 0.5 V el sujeto está simplemente adivinando. 7-4 de modo que el área sombreada en la región crítica de r¡alores alüos sea 0.5. la regla de decisión del Problema 7. lo que se hace es simplemente no rechazarla. se concluye que al nivel del 0.entonceseláreaent¡eOyzt:0.S.645 los resultados Be deben a la casualidad.98 es mayor que 1.05 pero no al nivel del 0. los resultados son significativos al nivel del 0.645.5) = zb ! o=\/wq = /86(05)(-05) = ¡/Es = (a) Para un ensayo de una cola al nivel de significación de 0. Sin embargo.26)13. Algunos estadísticos adoptan la terminología de que lios resultados significativos al nivel del 0. Una completa discusión de tales casos requiere l¿ consideración de errores del fipo II (véanee hoblem¿s 7. la regla de decisión o enaayo de significación es: (f ) Si la z observada es mayor que 1. Esto puede también eacarse de la Tabla 7-1. Seglrn la üerminologfa.05. sino en la facultad de obtener aciertos numerooos.S.33. es decir. Fig.05 el individuo tiene fuerza de E. en lugar de aceptar la hipótesis.01 ¡on altomente significatiuos. Para evitar este etlor. Así por ejemplo.P. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 223 7.01.98 (ó 1.64:1.01 son probablemente significotiuos.6.) 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. Se elige un ensayo de una cola.ar la hipótesis si el número de caras se encuentra e¡fte 22 y 42 inclusive. puesto que no se está interesado en la facultad de obtener valoree bajos. Entonces el área enüre O y zt = 0. zl (2) Si z es menor de 1.84 llegándose a Ia misma conclusión anterio¡.23-7. los resultado¡ son totalmente casuales Ht: p ) 0. Si la hipótesis está dado por ff6 es cierta.05 y (b) 0. entonces se tiene que decidir entre las dos hipótesis siguientes: Si Hoi p: 0.05. (D) Sielniveldesignificaciónes0. Si el zujeto identifica conectamente 32 cartas' determinar si los resultados son significativos al nivel de significación de (c) 0. los resultados significativos al nivel del 0. Y zr : 1. (I) ee Adüértase que tealmente debería aplicarse una conección de continuidad. Es desconocido-para el zujeto cuántas cartas rojas o azules hay en el lote.4500. la media y la desviación tfpica del número de cartas identificad¿c correcüamente 3.S. lo que efnificarfa que ee rehuaa cualquier decisión en este caso.06 son no significatiws.01. es decir.5 y el sujeto tiene fuerza de E. 7. Sin embargo.P. se concluye que los resultados del experimento anterior wn probablemente significatiuos. 31.5 .cAP. puesüo que 32 en una eecala continua está entre 31-5 y 32.645.omete al aceptar una hipótesis que debería ser rectrazada.np = 50(0.4900Y2r:2.64: 1.54 p=.5 üiene un valor tipificado de (31.84) que es menor que 2.

9 y la aseveración Se elige un ensayo unilateral. se llama a veces niuel de significación erperimental o descriptiuo. altamente significatiuos (véase final del Problema ?. Por ejemplo. 7-5 toma como regla de decisión: (1) La aseveración no es legítima si Z es menor de -2.5).5(b).33 (en cuyo caso se rechaza H¡).0322 el estadístico puede decir que en base a la posibilidad de que en el experimento se llegue a una conclusión errónea sobre que el individuo tiene fuerza de E.84):0.r¡ = a.$) : 1AO y " - 7. 3.01. (a) Paraunensayobilateralalniveldesignificaciónde0.96 a 1. o de la Tabla 7-1. \/"pq = /?2ooxo. (2) Se acepta l/6 (o no se toma decisión alguna) en caso contrario.01. comprobar la hipótesis ¡¡ : 1600 horas contra la hipótesis altemativa r¡ # 1600 horas con un nivel de significación de (a) 0. mediante la simetría de la curva. con una desviación típica de 120 horas.1. Se tiene que decidir entre las dos hipótesis: Ho.01 . H1: ¡t* 1600horas Un ensayo bilateral debe utilizarse aquí puesto que g * 1600 incluye valores mayores y menores de 1600. .9 y la aseveración es correcta es falsa Hy: p10.r es la duración media de todos los tubos producidos por la compañía. Si ¡..dondegvoscnlamediayladesviacióntípicadelapoblación de todos los tubos producidos por la compañía.0322. La distribución muestral de X tiene una media r¿x-Éyunades. El estadístico bajo consideración es la media muestral X. Denótese porp la posibilidad de obtener alivio de la alergia utilizando la medicina.P. lt:1600 hora. (2) En caso contrario.33.9)(o. Ahora 16O en unidades tipificadas (160 .23: -4.l8O)14.s. Si se toma el nivel de significación del 0. es sobre el 3 por 100. la aseveración es legítima y los resultados obtenidos se deben a la casualidad (en cuyo caso Si se acepta 116 ). .6. que es mucho menor de -2. puesto que Ee esüá interesado en determinar si la proporción de gente aliviada por la medicina es demasiado baja.En una muestra de 200 individuos que tenían la alergia la medicina suministrada alivió a 160 personas. es decir. Se zl Fig. 7.S. El fabricante de una patente médica sostiene qu€ la misma tien'e un 9O% de efectividad en el alivio de una aler_gia. algunos estadísticos citan las probabilidades reales inherentes. 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. Asípues.224 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP. en este problemapuesto quep(Z > 1. como puede deducirse del koblema 7.23.viacióntípicaop:s/1/i. Entonces tre las dos hipótesis: se debe decidir Ho: p: 0. 7 Puesto que los niveles de significación sirven de guía en la toma de decisiones. Determinar si la aseveiación del fabricante es cierta.Ossetienelasiguienteregladedecisión: (/) Se rec}raza 116 si la z de la media muestral está fuera del rango .96. ta probabilidad citada en-este caso 0.33. por un período de 8 horas. entoncegz¡ : -2. si el área sombreada en la Fig.7.05 y (b) 0. La duración media de una muestra de 100 tubos fluorescentesproducidosporuna compañía resulta ser 15?0 horas. 7-5 es 0.

Para ensayar esta aspiración.¿ 7. ¿Puede mantenerse que. Se debe < 1600 decidir entre las dos hipótesis: Ho: lJ: 1600 horas. Al nivel de significación del 0. puesto que se ensaya I/6 conha una alternativa diferente en cada caso.7(a) mediante un ensayo bilateral. Debe aquí utilizarse un ens¿ryo unilateral (véase Fig.50. 7-5 es -2. utilizando la desviación típica muestral como una estima de o. laregiónsombreadadelaFig.96 en la regla de decisión del apartado (c) se sustituye por -2. y realmente no hay cambio en la resistencia 1800 libras. (1 Hs si Z es menor de -1.s frente a la alternativa horas. II1: ¡t{ 1600 horas. 7.9. en efecto.T-Stieneunáreade0.33.01 eI valor de z1 en la Fig. que es menor de -1 .1800 -------------ó. y hay un cambio en la resistencia Aquí debe emplearse un ensayo unilateral (véase Fig. (2) S.33 los resultados son significativos al nivel de 0. Ilo es aceptada (o no se toma decisión alguna).645. con los niveles de significación de (¿) 0. En el Problema 7. De aquí que se adopte la regla de decisión: (I ) Se rechaza H¡ si Z es menor de -2.7.05.01.1600)/12 : (L570 . ' (b) Si el nivel de significación es 0. se rechaza pues.33.58.1600y12 : -2. (a) Sielniveldesignificaciónes0. acepta H6 (o no se toma ninguna decisión) en caso contrario.01 y. por tanto la regla de decisión: -L. Entonces. Adviértase que esta decisión es la misma que la obtenida en el Problema 7. fle al nivel (b) Si el nivel de significación es de 0.0Sysetieneque zt : Se adopta. el valor de z es -2. se tiene X-p ol\n 1850 . no están siempre en concordancia.01. el rango -1. se ensaya una muestra de 50 cables y se encuentra que su resistencia media es de 1850 libras. ¡. Como en el Problema 7. Las decisiones concernientes a hipótesis'lfe dadas.oo loo/v5o que es mayor de 2. . se rechaza /16 al nivel de significación del 0.01. ensayar la hipótesis p : 1600 hora.58 a 2.cAP. que es menor de -2. La resistencia a la rotura de los cables producidos por un fabricante tienen una media de 1800 libras y una desviación típica de 100 libras.05. 7-4).96 a 1. el valor de e es -2. 7-5). puesto que z -2.33.645.05.8.96 a 1 . Puesto que / : (X .01. Bajo la hipótesis de que (I es rechazada.01? Se tiene que decidir entre las dos hipótesis: Ho: lJ: Ht: lt > 1800 libras. Se ¡ecltaza 7 . hay un aumento de resistencia al nivel de significación del 0. I/e es cierta.7(a). ) (2) Se acepta.50. /ls al nivel de significación del 0.05 y (b) 0.01 la regla de decisión es: ) Si eI valor de z es mayor que 2. Mediante una nueva técnica en el proceso de fabricación se aspira a que esta resistencia pueda ser incrementada. se rechaza pues. (a).50 se -l .645. naturalmente esperarse.33. De aquí se deduce que los resultados son olúamente significatiuos y Ia aspiración de mejora debe ser admitida.7 Como en el Problema de significación del 0. basadas en ensayos de una o dos colas. Esto cabe.7(b) mediante un ensayo bilateral.9 6.50 se encuentra dentro de este rango.F/0 (2) De otro modo. se tiene g : 1600 y o* = a/t/n = 120/\/L00 = 12. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 226 eneuentra fuera del rango Bajo la hipótesis I/6. 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. Adviértase que esta decisión es idéntica a la obtenida en el Problema 7.

"Z= l8r.606 donde se han utilizado las desviaciones típicas muestrales como estimas d.El6 . es decir. Para un ensayo bilateral.53 donde se han utilizado las desviaciones típicas muestrales como estimas de o1 y o2Entonces Con un enr¡ayo unilateral y al nivel de significación del 0. =o n*r-rr"= "? . En la primera clase la puntuáción media fue de 74 con una desviación típica de 8.226 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [g. Se hizo un examen p dos clases formadas por 40 y 50 estudiantes respectivamente.. De aquí se deduce que al nivel de 0. se tiene que Supóngase que las dos clases provienen de dos poblaciones que tienen de medias respectivas decidir entre las hipótesis: l\ y tJz.0ó hay una diferencia significativa entre las dos clases y la segunda es probablemente mejor.58. (b) 0.-*.8 pulgadas.01 no hay diferencias significativas entre ambas clases. mientras que 50 estudiantes que no mostraban interés en tal participación tenían una estatura media de 67.e o1 y o2.5. z ENSAYOS RELACIONADOS CON DIFERENCIAS DE MEDIAS Y PROPORCIONES 7.11. p2 .e 2.hay una diferencia significativa entre las dos clases la hipótesis lls.96. ambas clases provienen de la misma población.5 pulgadas. se rechaza la hipótesis lls si el valor de z fuese mayor de 1. I vez cada 10.la estatura media del primer gtupo ^o hay diferencia entre las estaturas mediases mayor que la del segundo ur?. Debe sin embargo ponerse de manifiesto que la hipótesis puede rechazarse al nivel de 0. 7. los resultados son significativos al nivel de 0. ! la diferencia se debe simplemente al azar H t : Pt * ¡t2 . los resultados son significativos al nivel de 0.01 si Z se encuentra fuera del iritervalo -2.96 a 1.01.01? ces. ?. ltz . Se debe decidir entre las hipótesis: Ho: llt : H t: Ft ) Bajo la hipótesis. - l"? . ¿Hay una diferencia significativa entre el restfltado de las dos ciases al nivel de significación de (a) 0.2 pulgadas con desviación típica d. = o n*r-'^" = !t-".05. = 1# = -2. n2 = 0. La estatura media de 50 estudiantes de un colegio que tomaban parte en las pruebas atléticas fue de 68.05 si Z se encuentra fuera del recorrido -1.05. De aquí se deduce que al nivel de 0.05 pero no al de 0. se deduce que los resultados son probablementesignificatiuos. Ensayar la hipótesis de que los estudiantes que participan en las pruebas atléticas son más altos que los otros.58 y 2.10 si se está dispuesto a correr el riesgo de tomar una decisión errónea con una probabilidad de 0.4s Puesto que los resultados scin significativos al nivel de 0.10. de acuerdo con la terminología utilizada al final del Problema 7. !40*50 = 1.lp. Entonces z= (a) (ó) Pata un ensayo bilaüeral. Enton- Bajo ferencia de medias están dadas por Ho: ltt : llz. = o*r-fr. ft1 "8.5 pulgadas con desviación típica de 2.645. .10. mientras que en la segunda clase la puntuación media fue de 78 con una desviación típica de 7. no se puede rechazar la hipótesis a este nivel de significación. La media y la desviación típica de la di- uir-i. Así pues.

.5¡z ¡ ". ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION 227 7. padecen una enfermedad. 7.zt. Ensayar la hipótesis de que el suero ayuda a curar la enfermedad al nivel de significación del (a) 0.tt d \/a>r2.r.o*r-*. (b) 0.70 y donde q : 1 p : 0. se debe deducir que los resultados se deben al azar a este nivel de significación. respectivamente se han recuperado de la enfermedad. 14.05. siendo en todo lo demás los dos grupos tratados idénticamente. Dos grupos A y B fo¡mados cada uno de 100 individuos.7 observada en las estaturas medias se tiene xt . (b) 0.r-r. Puesto que el valor de z es 1."2 nn (2. respectivamente las proporciones poblacionales curadas ( I ) utilizando el suero . H t : pt ) pz. (2 ) sin decidir entre las dos hipótesis: es decir. Denótese por P utiliza¡ suero.?50 - = 1.05 si Yif-t'uou (b) La diferencia observada ó 1/-n=8. Se debe r! p2. se rechazaría la hipótesis IIs solamente si z fuese mayor de 1. = 0 V p". el suero no es efecüivo Ho: Pt : Pz._P" orr.10 se rechazaría f/e solamente si el valor de z fuese superior a 1.75 n .zorro.L2.5 ó t57 n>1b? 50 De aquí que se debería incrementar cada muestra en al menos : lO7 .05.75/\n 0. De donde se deduce que a este nivel tambiénlas diferencias se deben al azgt.01 si : 28 al menos.7\n 3'75 La diferencia observada será significativa al nivel de 0. se tiene .7 3. Puesto que esta condición es satisfecha. (ó) De acuerdo con un ensayo unilateral (c) Si se utilizase un ensayo unilateral al nivel de significación de 0. bajo la hipótesis tiI6. (c) 0:10.7 pulgadas en las estaturas medias sea significativa al nivel de significación (o) 0./" Para la diferencia de 0.01.13.0648 donde se ha utilizado como estima de la proporción 65)1200 : 0. 0.ir_*.75 y 65 individuos. se deduciría que el suero es efectivo al nivel de significación de 0. = p de curas 0.10.l las diferencias observadas son debidas al az.xz 4 ."io" dos grupos per- o*r- *.09 3. se r*}lrazaría lahipótesis1116 solamente si z fuese mayor de 2. al nivel de significación del 0.54 (c) De acuerdo con un ensayo unilateral al nivel de significación del 0.CAP.#) = 0. ¿En cuánto deberíán incrementarse los tamaños de muestra de cada uno de los dos grupos en el Problema 7. = o o. Entonces ry- en los dos grupos muestrales el valor (?5 * P. deberá incrementarse el tamaño de cada grupo en ?8 será significativa al nivel de 0.01. = o?. Se encuentra que en los grupos Ay 8.645.28. . Se administra un suero al grupo A.33. (a) o.8 í¡ n>78 50 Así pues.05.30.y el suero es efectivo Bajo la hipótesis 116.01? Supóngase que el tamaño muestral de cada grupo eB n y qLe las desviaciones típicas manecen iguales a las de antes.0648 ro.650 0. pero no al grupo B (que se llama gtupo control).II para que la diferencia observada de 0. urr-r'.ebr(-#.t. Entonces. ui'!!=r.54.

645. se debe decidir entre la hipótesis (f/e ). Entonces 0.472. Denótese por pr y p2 las proporciones de todos los votantes de los distritos A y B. Bajo la hipótesis ^FIe. que son las mismas del problema anterior.560 dondesehautilizadocomoestimadepyqlosvalores +(0." 0.96a1.33. se compone de 300 individuos y si se curan 225 i* : 0. Bajo la hipótesis (Ho: pt:pr ) se tiene l¡.15.96. Si los resultados se deben realmente aL azar y se toma la decisión de que son debidos al suero (error del Tipo I). que se estudia con un ensayo bilateralCon un ensayo bilateral y al nivel de significación del 0. decir.0.-t'r= se ú'G. 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. Al nivel de significación del 0.encontrándosedentrodelintervalonosepuedetechazatH¡ a este (b .zol ro.t 0.Puesto queZ:1. z Adüértase que las conclusiones anteriores dependen de lo que se esté dispuesto a arriesgar de tomar una decisión erróneá.528 = z - P.750 = ro.01 de equivocación. se debe decidir entre la hipótesis (Ho : P t : pz\ y (Ht : P t * pz).-P. se rechaza É16 a este nivel y se deduce que el candidato es preferido en el dis' trito A .56)(300) 0.48)(200)l/500:0.14.650 0. Una muestra de 300 votant€s del distrito A y 2O0 del distrito B mostró que el 66% y el 48% respectivamente. Esto muestra cómo al incrementarse el tamaño de la muestra aumenta la seguridad de las decisiones. Puesto que éste es el caso. se deduce que el suero es efectivo con solo una probabilidad de 0. Entonces = 0 or. . Este es un riesgo que nb siempre deseamos suponer.zt y 195 del grupo B. Por otro lado.sol( r*-L * r*-L ) : 0.528 l'75 y 1-0.67 es puesto que el valor de z es mayor de 2.. _ 1.05 ensayir la hipótesis de que (o) haya diferencia entre los distritos. 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. (b) el candidato sea preferido en el distrito A. (¿) Si solamente se desea determinar si hay diferencia entre los distritos.0374 P.. que se estudia con un ensayo unilateral.13 si cada grupo dividuos del Grupo.05. .480 = -0^0456== nivel. En tales casos.01. z=ñ= - = 2. en muchos casos es imposible el aumentar el tamaño de la muestra. respectivamente. Solucionar el Problema 7.?S. estaban a favor de un candidato dado. es decir.05 se rechaza H¡ si Z fuese mayor de 1. ?.750 y 195/300 Adviértase que en este caso la proporción de gente curada en los dos grupos son 225/300 : 0..6b0 respectivamente.195y600:0. l'pr-pz = donde (225 0 ú¡'.70 utiliza como estima dep. = ú(¡D=@=00456 f(0. ?. se puede rechazar la hipótesis al nivel de significación del 0. Co¡r un ensayo unilateral y al nivel de significación del 0. se rechazaría Hs si Z estuviese fuera del in' tervalo-1 .228 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. se puede proceder a dar el'suero a grandes grrlpos de gente solamente para obtener entonces que realmente es inefectivo.P" = rrar. que están a favor del candidat<¡.0374 . se está forzado a toma¡ decisiones en acuerdo con la información utilizable y asÍ se tendrá que correr mayor riesgo de tomar decisiones erróneas. Sin embargo.

I/6 al nivel de 0. ¿Se puede admitir la afirmación del fabricante aI nivel de significación del (a) 0. En el pasado una máquina ha producido arandelas con un grosor de 0. ABI sería aconsejable comprobar la máquina o al menos toma¡ otra muesha.01 . que para 10-1 tad es el intervalo -3.86. se rechaza ffs . Puesto que ? -B . que para 6 Se rechaza.ee5. se rechaza Puesto que ?: 3. Ensayar la hipótesis de que la máquina está en buenas condiciones de producción al nivel de significación del (o) 0.26.É16 elr cáso contrario.F/6 si ? se encuentra dentro del intervalo --f. lo cual para 10 libertad es eI intervalo -2.36. (b) 0.4!9 ú0 -t -_. Para determinar si la máquina sigue en buenas condiciones de producción. .00. Un ensayo sobre resistencia a la rotura de 6 cuerdas fabricadas por una compañía mostró una resistencia media de 7750 lb y una desviación típica de 145 lb mientras que el fabricante sostenía que la resistencia media de sus cuerdas era de 8000Ib. se adopta la regla de decisión (1) (2) Se acepta f/¡ : si ? es mayor de -f. se toma una muestra de 10 arandelas. = 4---f. que resulta tener un grosor medio de 0. y la máquina Ht: P + 0.i6= = -8. Se rechaza -1 :9 gradosde lls en caso contrario. se rechaza .F/6 eri caso contrario. Ya que se rechaza lls al nivel 0. Para un ensayo bilateral aI nivel de significación del 0.f. . se adopta Ia regla de decisión (l) (2) (b Seacepta116 si ?esmayorde -ú. -t/n- t = 9!$-. se acepta.01? Se tiene que decidir entre las hipótesis Ho:. (b) 0.6). que para 5 grados de libertad da 7') -3. y la máquina de modo que se requiere un ensayo bilateral. Se desea decidir entre las hipótesis Ho: lt:0.o.01 se adopta Ia regla de decisión: (I ) (9) Se acepta .00. Puesto que T = -3.cAP. H lJ: 8000 libras.F/s.05. : ) Para un ensayo unilateral al nivel de significación del 0.ee.050. Se rechaza.86. ) Para un ens¿ryo bilateral al nivel de significación del 0. : 9 grados de liber- Puesto que ?: 3. y la afirmación del fabricante de modo que se requiere un ensayo unilateral.05 . -1:5 gradosdelibertad da ?) -2. y la afirmación del fabricante está justificada es falsa 1 : ¡t 1 8000 libras.86 . se encuentra en buenas condiciones no se encuentra en buenas condiciones Bajo la hipótesis (o H¡ se tiene . á ú. Se rechaza.25 a 3.05.050 pulgadas.05 pero no al nivel 0.26 a 2.L7¡"- 1= ?l|'!-_99rnJ .050.17.05 se adopta la regla de decisión: (I) (2) (ó) Se acepta fle si f se encuentra dentro del intervalo-f cz¡ a f e75. : ) Para un et¡sayo unilateral al nivel de significación del 0.003 pulgadas.01 .01.053 pulgadas y una desviación típica de 0.16. 7. Bajo la hipótesisae se tiene (o .05.un.Efs al nivel 0.01.F/e en caso contrario. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION Ú ENSAYOS RELACIONADOS CON LA DISTRIBUCION DE STUDENT 7.g.00. se dice que lamuestraresultaproboblemente significatiua (véaee la terminología del final del Problema 7 ..01. Se deduce que la afirmación del fabricante es extremadamente improbable que esté justificada.25.

.O5 a 2. a ú. mientras que el L Q. n1*n2-2 "=!ffi (a) I 12(0.44 y T= ltz - t07 9. Q. se eligieron 24 parcelas de terreno de igual superficie..2 : 72 + t2 .1 - 4.ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.1 fanegadas con una desviación típica de 0.y hay diferencia esencial entre los grupos Bajo la hipótesis lls.44\/ l/16 + l/t4 = 1. eue para 28 grados de libertad es el recorrido -2.01.?6 a 2. de los dos grupos. "tf. sé rechazará Ia hipótesis f16 si ? fuese mayor que ú. y (b) 0.y la diferencia se debe al azar H t: pt ) tt1. se rechazará la hipótesisl{6 si ?se encuentra fuera del recorrido --t r¡g¡. mientras que la media en las parcelas tratadas fue de 5. El I.ffi + 12(0-36)2 t/". Q.05? Si se denota por ¡l-.01.05.36 fanegadas. de 14 estudiantes de otrazona de la ciudad dio una media de 112 con desviación típica de 8.18. de los estudiantes de las dos zonas. Así pues. ? ?. se tiene que Ho: lt : ltz ! no hay diferencia esencial entre los grupos Hti ltt =* tlr.76.S! + nrS! n1 -ln2-2 Entonces t6+L4-2 =9. En una estación agrícola se deseaba ensayar el efecto deun determinado fertilizantn sobrela producción de trigo. respectivamente.05. no se puede rechazar Se deduce que no 116 al nivel de significación del 0. tiene que decidir entre las hipótesis se Ho: lt : ltz.Ef6 al nivel de significación del 0.05. Así pues. (cociente de inteligencia) de 16 estudiantes de una zona de una ciudad dio una media de 107 con una desviación típica de 10. no se puede rechazar É16 al nivel de significación del 0.01.3s7\n/12 + Urz = 1.ee5. y ¡r2 las medias poblacionales del decidir entre las hipótesis I.85 Con un ensayo unilateral aI nivel de significación del 0. Todas las demás condiciones fueron las mismas.40 fanegadas. ¿Hay diferencia significativa entre el I.4012 =o'397 v T= 5. eue para n¡ I nz .2 : 22gradosde libertad es 2.19. no se puede rechazar. Así pues. Para ello. de los dos grupos al nivel de significación del (o) 0. donde nrsl + n252.01.8 fanegadas con una desviación típica de 0. 7.2:. la mitad de ellas fueron tratadas con el fertilizante y la otra mitad no (grupo control). lo cualpara n1 * nz . (b) Con un ensayo bilateral aI nivel de significación del 0.2: 28 grados de libertad es el recorrido -2. ¿Puede deducirse que hay un incremento significativo en la producción de trigo por el empleo del fertilizante al nivel de significación del (a\ 7% V Q) 6%? Si ¡¡r y pt2 son las producciones poblacionales medias en los suelos tratados y no tratados.45 (¿) Con r¡n ensayo bilateral al nivel de significación del 0. "t/U"t+ Y"2 donde o - n.ctsa ú e75. T= Entonces xt- X. T- xt-x. Q.01. La media de trigo conseguida en las parcelas no tratadas fue de 4.ee. Q. hay diferencia significativa entre el I.16 + 74 .51. se rechazará Hs si T se encuentra fuera del recorrido -t.8 0.y el fertilizante incrementa la producción Bajo la hipótesis I/6.

e5.32)2/(O.serechazarálahipótesisfl6si?fuesemayor que ú.05. y cualquier va¡iabilidad observada se debe al azol Íi1: o1>. muestras en cuestión. empleando eubíndices 1 y 2 para las clasee A y B respectivamente.ee : 2. ¿Es el aparente incremento de va¡iabilidadsignificativa al nivel de signifióación del (a) 0. F.2 para 19 grados sig de I O.01 si el valor muestral de pues.máqlLlina era de 0. 4 = .4. lo cual para22 grados de libertad esL. LaclaseA tiene lGestudiantes en tanto que la clase B tiene 25 estudiantei. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 237 (ü) Conunensayounilateralalniveldesignificacióndel 0. (b) 0.EIe al nivel de vel de significación del 0. que ás igual a 36. 24 grados de libertad (véase Apéndice F).nn no podemos techazar ff6 al nivel 0.la clase A tuvo una desviaóión típica de 9 en tanto que la clase B tuvo una desviación típica de1'2. En el mismo examen. Entonces.EI6 al nivel de significación del 0. Vz:26-L=24. (b) Ya que f'.ltle al nivel 0.0 onzas.!4 = '*rrrr'= 1Eo Hay que decidi¡ entre las dos hipótesis : o ¡ = o2.?0. ENSAYOS RELACIONADOS CON LA DISTRIBUCION CHI-CUADRADO 7.05.72.05 que la variabilidad de la clase B es mayor que la de la clase A? (o) Tenemos. y los resultado¡ observados se deben alazar H 1 : o > O . Así puee.25 onzas.oz._Lr'? = if Itr¡ (e)2 = 86. p.01.01? Hay que decidir entre las dos hipótesis: Ho: o :0. Se deduce que el incremento en la producción de trigo alttilizar el fertilizante es probablemente significoúiuo. Una muestra aleatoria de 20 paquetes dio una desviación tipica de 0. en una asignatura específica. .1 para v : 20 . ENSAYOS RELACIONADOS CON LA DISTRIBUCION ¡' 7-2L. 9tt" 4'rn. sr g.É16 al ni- Se deduce que la variabilitlad se ha. (o) (b) Mediante un ensayo unilateral. sz :12 de modo -que G? = .06.74 eí Entonces.05. f ( F.v2 = 24 tenemos del Apéndice F.01.tá h. se rechaza.LL para 15. no se rechaza.32 on?T. Sin embargo antes de sacar conclusiones definitivas referentes a la conveniencia del fertilizante.05 Si el valor de X2 muestral fuese mayor 9ue x?gs. ¡12 fuese mayor- Mediante un enaayo unilateral. En el pasado la desviación típica de los pesos de ciertos paquetes de 40. Un instructor tiene dos clases.Por tanto . pues.Ffs al nivel de significación del 0.25 onzas.cAP. Así.01 paraZ¡ = L5.sr. A y B. probablemente incrementado. aunque no hubo diferencia significativa en medias de las calificaciones. sería deseable tener alguna prueba más.Z5l2 = 82.1 : 19 grados de libertad. que es igual a 30. se rechazará. llenados por una. se rechaza . vemos que tampoco podemos rechazar. El número de grados de libertad para las clases son respectivamente rr¡ :16-1:lb.25 onzas. y la variabilidad se ha incrementado El valot de 12 para la muestra €8 X2 : nsz/sz :20(0.8.. Y deberá efectua¡se una revisión en la máquina.Alnivel 0.01.8g. = E = *n@ = r. ¿Podemos concluir al nivel d-e significación del (c) 0.er:z.05 y (b) 0. se rechaza ^Ef6 al nivel de significación del 0.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. ya que Ad F( F .

Esto es de esperarse ya que no estamos tratando de decidi¡ si hay una diferencia en las medias de las calificaciones. probabilidad de error del Tipo I) viene: dada por el área toüd c de la región sombreada ba. la media y la desviación típica de la distribución de caras vienen dadas por !=np=(100X0. ¿Canbiarían sus conclusiones en eI ProblemaT. con la regla de decisión dada hay un gran riesgo de aceptar la hipótesis de que la moneda está bien hecha cuando realmente P : 0.5.6)=60 ú = lnpq = 60. (c)p :0.tO2: 0.2 es decir.5 4.6. con la regla de decisión dada hay muy poco riesgo de aceptar la hipótesis de que la moneda eetd bien hecha.¡O tn Entonces I: áteabajo la curva normal entre z --6'66 y z -2-O7 : 0. En el diagtama se ve claramente que la probabilidad de acepLr .5405 Asi pues. que representa el nivel de significación del ensayo de lfe.7 7.99 60.5 p=o.232 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP.5 en unidades 39.5 en unidades tipificadas = 39. cuando realmente P : 0.6. es igual a 0.3) = 4.5 4. 7-6. (b)p : 0. ?.24. .90 V(100)(0.7 (es decir. CURVAS CARACTERISTICAS DE OPERACION 7.7)=70 60.23 si (a)p:0.Efs cuando realmente p : 0.0192 Así. ?-6.6)(0. Puesto que la media real de las calificaciones no se usó para nada en el Problema 7 . En la práctica se pue' den presentar otras dos posibilidades: (I ) Se decide sobre c (tal como O. ¿cu6l es la probabilidad de aceptar la hipótesis de que la mohecha cuando la probabilidad real de ca¡a es p : Q.22.O5 ó O.2L no inüeiresa su¡ valoree.6.7-6 Si la probabilidad de cara es p : 0. La probabilidad de rechazar Ffe cuando debería aceptarse (es decir.5 caras Fig. rOalculada en el Problema 7.7. entonces la distribución de carag en 100 lanzamientos eetá representada por la curva normal de la derecha en la Fig. Para calcular esta área se obeerva que la distribución bajo la hipótesisp : 0.ó y 60. Con referencia al Problema 7 .07 -6.8.2(ol.18 yz : O.58 = 70 y'6oo)(oJ)(0.2L si existe una diferencia significativaenla media de las calificaciones de las clases? Justificar su solución.58 tipificadas = üipificadas - = = : -2. está dada por el área rayada p de la iigura.6 p-0.90 4.23.9' (d) P : O-4.5 39.? .102 -4. pues.5 en unidades ' = : r/"pq 60. número de caras en 100 lanzamienüos se encuentra entre 39. esta á¡ea d. y después se calcula p.7 39 5 caras 60.18 Entonces 9: área bajo la curva normal entre z : -4. llegando a una regla de decigión (2) Se decide sobre Q y P y después se llega a una regla de decisión. Solucionar el Problema 7.jo la curva normal de La izquierda en la Fig. sino solamente si hay una variabilidad en las calificaciones. se acepta cuando el p = 0. (a) Sip : 0.? tiene una media y una desviación típica que Bon dadas por p=np=(100)(0.66 to'l.O1).5 en unidades tipificadas = - 60 60 = = 0. Adviértase que en este problema se tenía la regla de decisión de la que se obtenfa c y p.0358.J? neda está bien La hipótesis ff6 de que la moneda está bien hecha. probabilidad de error del Tipo II).4) = 4.

llama curua carocterísüca de operación o curva OC de la re- la di¡tancia del punto máximo de la curva OC a la línea p ción del e¡rsayor : I es igual a a : 0.6.3 02 0.9 0.7 0.88 = 0. Representar gráficamente los resultados de los Problemas 7.2 0.0000 0.eedecir.8 0.9.6 0. Esta probabilidad es igual a 1 0.5405. (b) Sip=0.3 0.12 y z -4.0192 0.09ó8 al nivel de significa- En general. Be ve que sip = 9. (b) ( 1 p ) y p.0000 la Tabla 7-3.5. 7-z (o) El gráfico p.24.0358 :0.3 0.8 0.0000 muy aproximadamenüe. Sin embargo. p ee muestra en la Fig.6 0.6 en unidadeb tipificadas Entonces = ry = q9? : = = -4.12 p: área bajo la curva normal entre z : -10.88 -10.0 0. Nótese que p representa la probabilidad de aceptar la hipótesis p : 0.9 0.9: 0 pa¡a todos los propóeitos prácticoe./nW= 60.25. 1c) Comparando con (b) o por cálculo.9642 y ha eido introducida en - L-p 1.6 0.5405 0.8) = 80 y o=. blemas7. el apuntamiento mayor de la curva OC es la mejor regla de decisión pa¡a techazar hipótesis que no son válidas.1 0 0 (a) (D) Fig.5 0.t"p:0.5 se puede interpretar p como la probabilidad de acepoar p : 0'5 cuando debiera ser aceptado. 7.9642 0.0000 0. .24 construyendo un gráfico cuyos ejes sean (a\ I y p.4 0.se gla de la decisión o enoayo de hipótesis.(a).1 06 0{ 0.4 0. Interpreta¡ los gráficos obtenidos.. comolorobtenidosenlosProTabla 7-3 p B 0.enüoncea p=np = (100)(0.5 en unidades tipificadaa 39.5 cuando realmente p tiene un valor distinto a 0.0000 0.23y7.p:0.0 0.cAP.0192 0.1 0.23y 7.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION y'(100X0-S)(0¿) 233 =¿.2 0. (d) Porsimetríap = 0.5405 0. 7-1.8.? 0.8 0. La Tabla 7-3 muestra los valores de p correspondientes a valores dados dep. si realmente'p : 0.4 da el miemo valor deÉq.9 1.6 0.

00. ¿cuál es la probabilidad de aceptar el proceso primitivo cuando en efecto el nuevo proceso incremente la resistencia media a. Considérense las doe hipótesis (Ho: bras) Las distribuciones de las resistencias medias correspondiente¡ a estas dos hipóteeis se repreeentan. (c) Diseñar una regla de decisión para rechazar el proceso primitivo al nivel de significación del 0. 7 -7 (b). i 800 *sz.0 tb 307 tb 3r0 lb -1. Una compañía fabúca cuerdas cuyas resistencias a la rotura tienen un valor medio de 300 li bry" y una desviación típica de 24libras. : -1. La cantidad p se llama tambiénfunción caructerístico de operoción de un ensayo.01 si se pone dé manifiesto qu¿ debe rechazarse al ensayar 64 cuerdas. (b) Bajo la regla de decisión adoptada en (a).310 libras? Supóngase que la desviación típica se mantiene en z4libras. 7-9. Se acepta ^Éfs en caeo contra¡io. H t : ! -.0 libras en unidade¡ tipificadas : 300 (307. y el nuevo proceso es igud que el primitivo 300 libras. la regla de decisión anterior se convierte en: (I ) (2) (ó) Se rechaza 116 si la reeistencia media de 64 cuerdae excede a 30?. Se cree que mediante un nuevo proceso de fabrica- puede inc¡ementarse la resistencia media. I¡ cantidad (l . que debieran ser rechazadas.9qo.0 libras.26. de modo que realmente ambos gráficoe aon equivalenüee. es decir.0 lb. (2) Se'aceptqlfq pue¡to 'que z = cessi Z>2. *r.234 (D ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.27.01.26.33) =30?. respectivamente con las distribuciones normales de la izquierda y de la derecha de la Fig. Para hallar su valor nótese que 307. ? ) E gráfico (1 . y (Ht: tt: 310 libras).310 libras es cierta.26(br. Esta es Ia probabilidad de aceptar Ho: ! : 300 libras cuando realmente es la probabilidad de comeüer error del Tipo II. en caso contrario.p) ¡e llama a menudo función d. puesto que indica la aptitud o potencb de un ensyo para rechazar hipóüesie que son falsas. p ¡e muestra en la Fig. es 7.P). se puede hdla¡ p para loe caeor en que el . Esta curva ae obtiene ¡encillamente invirtiendo la curva OC. 7. de aquí que A - 310)/3 = Fig. ae quiere decidir enhe las hipótesis: Ho: U: Ht: ! ) Pa¡a 300 libra¡. tiene la siguiente regla de decigión (referenüe eon la Fig.33.00 = 0.158?.Enton= "lr/ñ 24/\/u Así. suponiendo que la desviación típica de las ¡esistencias se mantiene en z4libras.J = 't. 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. X>300+3(2. bajo la curva normal de la derecha a la izquierda de z dect. 7-9. ?-8): (t ) Se rechaza lle si la e de la media de resistencia muest¡al es riayor que 2. Razonando análogamente a como se hizo en el Problem¿ 7. y el nuevo p¡oceso es mejor que el primitivo se un ensayo unilateral d nivel de significación del 0. Constmir (a) una curva OC v (b) una cun¡a de potencira para ei Problema 7. ¡e llama curua de potencio de la regla de decición o ensayo de hipótesis. Si ción (a) ! es la resistencia media.e potencia.33.7-9 = iren.

ri ¡r tonces 307.1 0.8 o.5 en 0. ya que lae dog curvag eon esencialmente equivalentes. De la Fig. En esta curva 6e ve que la probabilidad de seguir con el proce' so primitivo. AquÍ y Tipo II.5) mediante un número de lanzamientos de la moneda.7-10(b).5.0 . La eituación planüeada se ve gtáficamente en la Fig. p : 0. se desea imponer las siguientes restricciones: (A) la probabilidad de rechazar la hipótesis cuando sea realmente conecta debe ser a lo sumo 0.9900 L1. la restricción (A) impuesta requiere que la probabilidad de error del Tipo I sea a lo sumo c : 0.6 6 p f 0.05.1 o más (es decir. (b) La curva de potencia se ve en la Fig.0000 300 305 0.05.cAP. sepuedenobtenerdeellalaomismasinterpretacionesque de la curva OC.0038 320 0. ?-10(o).28. si el nuevo da una resistencia menor de 300 librar. p > 0.1 p (lb) 300 300 3to 3t5 (o) (ó) Fig. Determinar el tama¡1o mínimo de muestra necesario y enunciar la regla de decisión resultante. por encima del cual se rechaza la hipótesis de que p : 0. y de aquí - 396 librae. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 235 nuevo proceco da un¡ resistencia media ¡r igual a 306 librar. (¡) U probabilidad de aceptar la hipótesis cuando realmentep difiera de 0. de modo que no hay probabilidad de aeguir con el proceeo primitivo cuando la media de resistencia es mayor de 316 libras. 7-11 se tiene: .0 libra¡ en unidades tipificadas: (307. límite al riesgo de error del Tipo I Por ejemplo.2 0.1687 316 0.. Tabla 7-4 tt 290 1. Por ejemplo.0000 296 1. etc.305y9 = 0.05. la curva baia ró- pidamente hacia cero. en- 9: i¡ea bajo la curva normal de la derech¡ a la izquienda de z :0.9 0.¡ o.4) debe ser á lo sumo 0.0000 p 0.6? : 0. es piácticamente.7 0.l (excepto para el nivel de significación del 0.5 0. 7.7486 3r0 0.6?.6 0.0 B 0.7-r0 (¿) La curva OC se muestra en la Fig.01 cuando el nuevo proceeo da una media de 800 librar). Para ensayar la hipótesis de que una moneda está bien hecha (es decir. 315 librae. Eeepués.?4Eo De esüa forma se obtiene la Tabla 7-4.05. se ha puesto Denótese por n el tamaño de muestra pedido y por ¡ el número de caras en los n lanzamientos.7-11. mientras que la restricción (B) requiere que la probabilidad de error del Tipo II eea a lo sumo 0 : 0.

Cada vez que se observa una media muestral se representá por un punto en el gráfico. (b) S€ rechaza la hipótesis + 17 . enfte 742 y 177 si el número de carac en Slg lanzamientos está dentro del recorrido 159.05. muestrales puede tlevarse por medio de un gráfico tal como ee muestra én la Fig. Sin embargo.574 .564 a 0..seeigueque I se encontrará entre (0.4 a 0. el procelo está bajo control. GRAFICOS DE CONTROL DE CALIDAD 7.7 BVo o brevemente lfmite¡ 3o.r) - 0.645 ó (t) o.05 en el "peor de loc casos".98. que representan la probabilidad de error del tipo II. ? (f. p = 0.) Eláreabajolacurvanorrnalp:0.73% de O. .O\4\'\/E) o Con confianza del 99 .6n 0. se debe lanzar p - 0..el 95V". la moneda al menos B1g veces.05.5. dentro del intervalo 0. la máquina (b) Un registro de las medias no s€rú adecuada y habrá que buscar la razón de su ineptitud.x :177.. se adopta la riguiente regla de decisión: (o) Se acepta la hipótesiep:0.ít/n Vnpq= "- :0.5. hay la posibilidad de que falle algo y se precisa una invesüigación del posible fallo. Se sigue que el tamaño de la muestra debe ser al menos 31g.806y'-n es De (3) y (4).49{n vnpq = '--. Cuando un punt'o se rale de estoe límite¡ control (tal como en la tercera muestra tomada el jueves). (b) Mostrar cómo se.6. (o ) 3o¡) a (p¡*3o¡) con el 9€. Se construye una máquina que pr-oducfuá cojinet€s de bolas teniendo un diámetro medio de una desviación típica de 0. Para decir.008yn=6.05 o menoa.6 a la izquierda ae es 0. es 0.674.7 3% se puede decir que la media muestral X debe estar denüro del intervalo (p¡ entre cae a m p ¡t:0.9801fa- e'¡ 9-. Los límites de control determinadog anteriormente se llaman límites de confianza del gg.008 pulgadas.025. y se obsen¡a el diámetro medio de la muestra. 7 0.5.6 r¿ * 0. Obeérvese que tomando la probabilidad de aceptación como De(/) x .n: 318.9É!= -r.Haciendo n : 319 en (3) o (4).Saladerecha a" 7 (9) El área bajo la curva normalp 09" O. se toma una muestra de 6 cojinetes ejemplo.524 * Puestoque De aquí que la regla de decición eea como sigue: (l ) Si la media muestral decuada para el trabajo pedido.4r rtñ- (n.29. ¡- np :1-77 - 159. 7'l2.5n = 1. es 0. = 0.96 r ó (Sl u.236 ENsAyos DE Hrpornsls y sIGNIFrcAcroN lcAP. La elección en cada caso depende de la¡ circunetancias particulares del tnismo.014l\/6\ y (0.6 n Y x - 0. tales como los límitee d'el 99% o d.584 pulgadas.5. En tanto que los punüoe se encuentran entre los límites 0.05 o menos cuando p tiene cualquier otro valor por fuera del recorrido 0.0. L7 .5\/n De 0. e¡ decir.egla de decisión mediante la cual se puede estar razonablemente cierto de qúe la calidad del producto esüá de acuerdo con las noÍnas requeridas.584 pulgadasi ee supone que la máquina es a- (2) De otro modo. Así pues. Por tanto un promedio ponderado de todas estas probabilidades. (2) es una cantidad muy aproximada.4s 1/A 0. (o) Diseñar una.49\/n n = o.6 n- 0.re'presentaría grárticamente la regla de decisión de (a).o:0. también s€rá 0.564 y 0.0'6n Realmente el área entre -f.6.5 en caso contrario. Para determinar si la máquina esconstruida para el fin que se destina. .llamado grófico de control de colidad.0. automáticamente tomarÍamos como 0.5 : . pueden igualmente determlnarse otros lfmiües de confianza.

30.506)5-¡. dondep y q son las probabilidades resy sello en un solo lanzamiento de la moneda..7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 297 Lunes Martes Miércoles Jueves Viernes $ € bD osal 1} a a t ü {.(0.31.9 ó 162 316. Para la distribución de frecuencias observada.C.2 ó 316 308. .43.30. La bondad del ajuste se estudia en eI ProblemaT. x F a os74 a a a t I a : o 0 s64 o Fis.0294 5 6 33 161.1619 0. La media del número de caras es ¡.7 ó 151 29. 7-12 AJUSTE DE DATOS A DISTRIBUCIONES TÉORICAS 7.0332 0. la distribución binomial ajusta- En la Tabla 7-5 se han obtenido estas probabilidades así como las f¡ecuencias esperadas (teóricas) y las observadag.47 rooo Igualando las medias teóricas y real se tiene 5p da viene dada por /(r) = .2 t44 342 287 164 25 7. Tabla 7-5 Número de caras (r caras) Frecuencia esperada Frecuencia observada 38 0 1 0. la media del número de caras es 2fr_ / _2470=2.3162 0. página 163 puede ajustarse a una distribución normal.7 ó 309 150.1507 0.¿94)¡(0.3087 2 3 ^ 0. : 2.cAP. página 178. Se tiene P(x caras en una serie de 5 lanzamientos) : f(¡) = sCrprqs-".4 6 29 33.47 6 p :0. Ajustar una distribución binomial pectivas de cara a los datos del Problema 5.1: np : 6p. El ajuste se observa que es bueno. Así pues. Utilizar papel gráfico de probabilidad para determinar si la dist¡ibución de frecuencias de la Tabla 5-2.494.

92 ó 39 27. Par:a.z z = .0 65. se observa que hay una distribución normal que se ajusta e¡trechamente a los daüos.6 &tatura (pulgada¡) Fis.6 68.6 74.5 7¡. De aquÍ se sacan las áreas bajo la curva normal entre los valores sucesivos de ¿.7L 6 28 7.grófico de probabilidad eepecial. s = 2. se obtienen lae frecuencias esperadas de la sexta columna. Y se pone de manifiesto que ee ajuetan ba¡tante bien con las frecuencias observadas realmente.2068 6L65 6&68 69-71 68. como se muestra en la Tabla 7-6.70 -0.4177 0. página 163.43 ít 7 4. como se ve en la Fig.6 menor que 64. caicular e de los límites reales de clase.39 2. = 61.5 menor que 70.2771 0.68 6 2l 38.5 oD.0 Io a E ql € ó a () 95 90 80 70 Q0 a (t 6 .44.6 menor que 73. dadas en la quinta columna.0 100. son pasadas sobre los límites reales superiores de clase. ?-r3 hoblema ?. ? 76 Frecuenei¡¡ Estatun (pulgad¡¡) menor que 61.5 7t.41 0. Ajustar una cunra nonnal a los datos de la Tabla 5-2. anotadas en la última eolumna. Véase o a I É to 5 o a d E 62. se rutiliz. Estas se obtienen restando las á¡eas sucesivas de la cuarta columna cuando las correspondientesz tienen igual signo y sumándolas cuando üienen aigno contrario (lo cual solo ocurre una vez en la tabla). la distribución de frecuencia¡ dada se convierte en una di¡tribución de frecuencia¡ relativas acumuladas.6 ¡¡+ 0.0413 0.35 y 5. La "bondad {el ajuste" de la distribución qe congidera en el Problema ?. las frecuencias relativa¡ acumuladas expreeadar en porcentajes.0 23. .t3 D 18 42 27 8 ñ.3892 0.92 pulgadas (x mente El trabajo puede organiza¡se como en la Tabla 7 -7 .72 -1.tlls. determina la bondad de ajuste de la distribución dada a la distribución normal. que da las áreas bajo la curva normal de 0 a z se obtiene con la tabla del Apéndice C.a -2.5 66. 7.6 Rcl¡tiv¡¡ Acumulada¡ (%) 6.0743 72-74 6 4 20. La¡az6¡ de esto se ve claramente con un diagrama.40 respectiva- La cua¡ta columna.6? 0.32.E 50 40 30 20 Primero.0 92.32.6 menor que 67.46 pulgadar.238 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla [cAP.5 62. Por lo anterior. Después.4920 0. en un papel.5 7L. El grado en que los puntoe así dibujados ee encuentran sobre una lÍnea recta.36 1. donde la media i y la desviación típica 6 se han obtenido en los Problemas 5. 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. 7-13. Multiplicando lo¡ valores de la quinta columna (que representan las frecuencias relativas) por la frecuencia total n (en e¡te ceso n = 100).

puede ser esto un indicio de la adaptabilidad de la distribución de Poison a la muestra de datos. Las frecuencias de caras y sellos observadas son. da 0.o loe números teóricos de días en los que ee presentarán ¡ accidentes (obtenidos multiplicando las correspondientes probabilidades por 50). Para conveniencia de la comparación.90 hallado. 313 {11 = Iq"+ill En l¿ T¿ble ?-9 aparecen lae probabilidadee para 0. Comparando con el valor de \ : 0. durante los cuales r autos tuvieron accidentes en una ciudad.60 hipótesis de que la moneda está bien hecha al nivel de significación del 0.01.05.4066 0.0111 4 6 6 ó Nótese que el ajuste de los datos dados a una distribución de Poiseon es bueno.f 0l2r + : (21)(0) '50 (18X1) + (7X2) + (?liQ_l q)(a) = .0494 0. 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.1. (b) 0.50 pótesis de que la moneda está bien hecha al nivel de significaeión del 0.eo Entonces. > 3.47 0.'12 ¡ 85. Ajustar los datos a una distribución de Poisson.05.3 y 4 accidentes de esta distribución de Poisson. Entonces y eeüos esperadas si la moneda está bien hecha son np : 100.63. La Tabla 7-8 muestra el número de días f durante un período de 50 días.rj días.CUADRADO ?.63. blemente bíen heclu.2. 0 r N(rmero de dÍasr Número de días obsen¡ado 2L 18 7 3 1 {r accidentes) 0. En 200 lanzamientos de una moneda se obsen'aron 115 caral¡ y 85 sellos.34. Tabla 7-9 Número de accidentes. véaee método 1 del Pro" blema 7.9?. Las frecuencias de caras vamente. 100 sellos) es h:2.84. de acuerdo con la distribución de Poisson. np2 : tOO.36.3659 0. a¡í com.v: + (85:!00)2 = 100 h 4. puesto que 4. . Entonces.7:2 -L = l. < 6.CAP. ?] ENSAYOS DE HTPOTbSIS Y SIGNIFTCACION Tabla 239 7-t 7.56 6 ó 20 18 8 2 1 0. El número medio de accidentes es Número de I Número de accidentes. hi' la ) El valor crítico xlso para 1 grado de libertad = 6.33 I 2 3 18. se rechaza la xlo¡ para 1 grado de libertad es 3.50 .1647 espeado 20.84. Para una verdadera distribución de Poisson. la varianza d : L. respecti- xz = (o) El valor crítico (b @t:lptlz -(rz:.* : P(r accidentes) 1118 2 7 o.24 2. LA PRUEBA CHI. respectivamente rr = 115. la euarta columna que da los números de días observados se ha repetido.33.30 8.01. Ensayar la hipótesis de que la moneda está bien hecha con un nivel de significación del (c) 0.. El cálculo de la varianza de la distribución da' da. puesto que 4.np)z npt npz - (115__100)2 Pueeto que el número de categorías o clases (caras. Entonces.

Método 2.240 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. Se sigue como en el Problema 7. Con la corrección para la continuidad. (rs-np¡.86. Solucionar el Problema 7. (rz-npzl2 . ^-------::-:-.34 que la hipótesis se rechaza al nivel de 0. Esto se cumple siempre que la prueba de chiruadrado eomprende dos categorías y se aplica la corrección de Yates. Entonces 114. (24-20\2.84.01 el intervalo sería -2. Véase Problema 4.)z .35. (rr.00 > 1.34 utilizando la corrección de yates.20. Método 1.5) =100yo=1fipq=/IZOO¡O. la media y la desviación tÍpica del número de caras espe- : (l1b -lOO)t7.86. x2 (conegida) = = (lzt - nptl nPt 1001 0'5)z + !1""- np2l npz - 0'5\2 (1115 - 100 _ 0. 7.60.34' Esto Con un nivel de significación del 0.2. Ensayar la hipótesis de que el dado esté bien hecho al nivel de significación del 0.35. es igual al valor de ¡2 corregido con la corrección de Yates p¡ra la continuidad del Problema7. (185 _ __ 1001 Í4. de nuevo en consecuencia del Problema 4. (23-20)2 +--lO .15.1.npr o _ (rt-np)2 .g. 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)2.5)z = _100 )_ (L[.s)z = 100_ 100 tt q^< 4. de modo que X2 : 5. Con un nivel de 0.L2.58. ? 7.84 y 4.05 pero no al de 0. radasen200 lanzamientosdelamonedason¡r=np=(200)(0.-nps)2 (ra-npe)2 < 11.63 se deducen las mismas conclusiones que en el Problema ?.05)2 7 -37.93_4)' _(15-20\2 . Nótese que el cuadrado de este valor.86.5)z _ . si el valor de z está fuera del intervato -1.06. Entonces.15.b8 a2.zvb Puesto que 4'205 > 3. 115 caras en unidades tipificadas Bajo la hipótesis de que la moneda está bien hecha.7OO)17 .00 la hipótesis de que el dado está bien hecho.5 en uni: (114. solucionar el Problema 7.5 .2o5 < 6.5.0.6)esh:6.07 :2.v:h-1-:6-1:b.00 20-+ n 20 Puestoqueelnúmerodecategoríasoclases(carasl.01. véase método 2 del Problema 2. no se puede rechazar Para 5 grados de libertad x%s: 1. El valor crítico a2e5 para 5 gados de libertad es 11. (ZJ2)2 : 4.O7 : 2. dades tipifica¿¿5 : 4.5 o más caras. La Tabla 7-10 muestra las frecuencias observadas y esperadas allanzat un dado 120 veces.36.4. (16_20¡z _ *--lO-+ +ñ=5. se rechaza la hipótesis de que la moneda eetá bien hecha.05 y un ensayo bilateral. Pa¡a una comparación con los métodos a4teriores.S¡(0f)--7. (rt-nptl2 .96. 7. a la distribución binomial.05. Esto conduce a las mismas conclusiones que por el primer método.1.96 a 1. . (2. puesto que 5.34 mediante la aproximación normal respectivamente. Nótese que el cuadrado del valor anterior.07.ema se cumple siempre que la prueba de chi-cuadrado comprende dos categoiías. De ello se sigue que la concordancia entre ambas frecuencias no es tan buena como para no dudar de Io deducido. es el mismo valor de X2 obtenido en el probl.5)2 . 115 o más caras equivale a 114.

x?ss: 11. ?.3 >2!3 sededucequeladistribución observada dífiere significativamente de la esperada al nivel de significación del 0..81.como 23. .05? El número total de guisantes es 315 + 108 + 101 + 32:556.ss= = 3.3. de modo que no se puede rechazar la teoría al nivel de 0. ¿Hay alguna evidencia que permitadudarde su teoría al nivel de significación del (a) 0.g El valor crítico d" x.zS lisos y verdes Struol = frtssol 104.01. que la Nótese que para 3 gtados de libertad. : 3. Una uma contiene un gran número de bolas de cuatro eolores dife¡entes: rojo. 5 naranjas. la aproximación de chi-cuadrado será errónea. Ensayar la hipótesis de que la urna contenga proporciones iguales de los diferentes colores.se esperarían fttssel = -- 312. 108lisos y verdes. r ry = 2s.76\2 3t2. Se deduce que cabe sospechar alguna tendencia no aleatoria en dicha tabla de números.7. En los erperimentos de Mendel con guisantes. . x2. ?.352 y X2 :0. De modo que aunque el acuerdo es bueno. Puesto que eetos números esperados Bon menores de 5. Una tabla de números aleatorios de 250 dígitos mostró la distribución delosdígitos 0.zb rugosoe y verdes ft Entonces tssol = x2= (o) (b) Para v Para v (3L5 3L2.L. . (b) 0.05.38. ¡$5: 0.'nr parav: h -1:9 gradosdelibertad es21-.. . de modo que no se puede rechazar la teoría al nivel de 0. 101 rugosos y amarillos y 32 rugosos y verdes.39. 4 amarillas y 1 verde.76 *W = 0.h=4yelnúmerodegradosdelibertadesv=4-1=3.01. teoría y los reeultados del experimento están de acuerdo. Se deduce pues.26 rugosos y amarilloe B4. Para evitar esto se agrupan las categorías de modo que los núme¡os esperados en cada categoría sea al menos 5. 9 que se da en la Tabla 7-11. ¿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.cAP. De acuerdo con su teoría.Qe-2512 try+ . estos números deberían presentarse en la proporción 9:3:3:1. 7. . Puesto que los números esperados están en la proporción 9:3:3:1 (y 9 * 3 + 3 + 1 : 16). Bajo la hipótesie de que la urna contiene proporciones iguales de los cuatro colores.470 Puestoquehaycuatrocategorías.40. amari'llo y verde.4?O > 0. cabría esperar 3 bolas de cada clase en la muestra de 12 bola¡. loe resultados obtenidoe están sujetoe a unh razonable influencia de error muestral. naranja. obseryó 315 lisos y amarillos.2.7I ENSAYOS DE HIPOTESIS Y SIGNIFICACION 241 7.352. Una muestra de 12 bolas extraída aleatoriamente de la urna dio 2 rojas.01.75lisosy amarillos tol.

-ss:3.r que conduce a las mismas conclusiones anteriores. Los resultados observados pueden imaginablemente deberse al azar. x' _ (1 -3¡:r ooo Puestoqueparav=4-1:3. lo mejor quizá sea incrementar el tamaño muestral haciendo más observaciones si se está interesado de una manera especial por alguna razó¡en el nivel de 0. la aproximación ¡' para frecuencias pequeñas es pobre.10). = siempre reduce el valor de ¡2 . se tiene (174 (correglda. se rechazaría la hipótesis a algún otro nivel (tal como 0.242 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.Entonces. (24-20\2 .05(aunque sí se puede al nivel de 0. los resultados que se obtienen utilizando la correc- ción de Yates son más dignos de confianza que los resultados no corregidos.:?.65 De acuerdo. pues con la X2 corregida.ü. de modo que (74-60)2 .Asínosepuedetechazrlahipótesisalniveldesignificacióndel 0. z.x2l)s==3.ces P("siete") : 1/6(360):60 veces 6/36 : 1/6 y P("once") :2136: 1/18.rP. Sin embargo.05.41.5)2 (124 - 2ol - 0.0. para las que la muestra dio 3 y 9 bolas.84. Un par de dados puede caer de 36 formas.Desgraciadamente.10). se agrupan las categorías de forma que la evidencia en contra de Ia hipótesis se muestre claramente. Esto se consigue en nuestro caso considerando las categorías "roja o verde" y "naranja o amarilla". .) x2 _ = -6-.1. = ry. "Siete" se puede presentar de 6 formas y "once" de 2 formas.07 Parav:2-1:7.05.(ig:lf-!éE.05. se tiene (9 ^cuando las proporciones de los colores sean iguales. 7. = - 60l 60 - . no se rechazaría la hipótesis al nivel de 0. en 360 lanzamientos cabría esperar "siete" y 1/18(360):20 veces "once". empleando la corrección de Yates. En general. Ensayar la hipótesis de que el dado esté bien hecho al nivel de significación de 0.. respectivamente.81 sellegaríaalasmismasconclusionesqueantes. se tiene x: = 0qj:_6Fo. se duda acerca de la decisión que se debe tomar. puesto que incluso el valor corregido de y2 se encuentra cerca del valor crítico. - e¡z -9 Parav:2-l:1. para grandes muestras tales como las de aquí. Esto cabía esperarse puesto que la corrección de Yates Debe ponerse de manifiesto que si se emplea la aproximación de siado pequeñas. (4--3)2 . ¿Es el resultado consistente con la hipótesis de que el nacimiento de varón y hembra son igualmente probables? .5)2 #-g*): = 3.puestoque4.xjr¡. En 360 lanzamientos de un par de dados. 7. Así pues. Sin embargo. (5-e)z . aun Otro método: Utilizando la corrección de Yates. Ento¡-. se observaron 74 veces "siete" y 24 veces "once".84.42. De otro modo.tz. de aquí que cuando no sea aconsejable agrupar frecuencias se debe recurrir a los métodos exactos de probabilidad incluyendo la distribución multinomial. se obtendría ¡2 a pesar de que las frecuencias sean dema- (2-3¡z . Puesto que el número esperado en cada categoría bajo la hipótesis de iguales proporciones es 6. ? Si se desea rechazar la hipótesis. l)na encuesta sobre 320 familias con 5 niños dio la distribución que aparece en la Tabla ?-12.84seestaríainclinandoarechazarlahipótebien.:-:_+r::__-::_:sis de que los dados estén X¿ 4. En tales casos.0?>3.

. .-r3)2 .103. Asf'puesto que X2 = 7 .1 .^ _ (18_10)2 (56_60)2. . 100.serechazarálahipótesisalnivel de significación del 0.yg:1-p:probabilidaddenacimientodehembra.45.412_ -58:t-- . el ajuste no es "demaiido bueno". x.1 : 4.13 utilizando la prueba chi-cuadrado.U Puesto que x:e5:11. Así se deduce que los reeultados son probablemente significativos y el nacimiento de varón y hembra no son probablemente iguales.9)2 . Se deduce que el ajuste de los datos es muy bueno. como 8e indica en la Tabla ?-14. Para v : 2 (que son la me- = 2. (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. Adviértaoe que ¡fo es equiyalente a afirma¡ que la recuperación eeindependie¿úe del empleo del suero.Entonpiobabilidadee de (5 niños). 100. Solucionar el Problema 7.(L44_161.---r¡If.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).. es decir. Seap:probabilidaddenacimientodevarón. 7.3. ..103.(26-29.=--_a6---_Eñ-----Jó¡-----i6b--_-Ed.44. xL¡s:0. Pa¡a rr = 2. 50. x2.30.os= 5.cA¡.= (s8_33. Para V 1 (que er el pará- los datos es muy bueno. De aquí (8_10)2 _.i".---T08J.?11.--_-16-_¡&.?)2. . y los reaultados son 10. (88_100)2. . TABLAS DE CONTINGENCIA 7.64 > O. Utilizar la pmeba chi-cuad¡ado para determinar la bondad de ajuste de los datos del Problema 7.--lóo:t- .. lag cla¡ificaciones 8on independientes.x2.43 20. X?ss = 9.1y0 niño¡seobtienemultiplicandolasres' (40-50)2. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla ?.49.2)2 . el ajuate no es tan bueno como pudiera = 4.--I¡Ié- .-. 50.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. (4 niños y 1 niña). De aquf queel ajuste de creerse. Para y : 4.2 : 2. 10. Bajo la hipóteeis nula lfq de que el suero no tie' ne efecto. v = k .959 > 0..13 *(18-2-0:68)2 *(a2:^-39=92\2-(27:3ft7rl2 *(8:?'j13)z:0.1 . cabría esperar que 70 individuos de cada uno de los grupos Be recuperase y 30 en cada grupo no se recuperase.05.!.(287_308. La¡ condiciones del problema se presentan en la Tabla ?-13. puesto que X2 = 0.m : 5 .?11.92 27.01.959 7. pectivas probabilidades anteriores por 320. 2. Determina¡ la bondad de ajuste de los datos del Problema 7.99. (164-150.os:0.?)2 . x.32.:z .212. BONDAD DE AJUSTE ?. "!ü Puesto que el número de parámetros utilizados para estimar las frecuencias esperads e8 m metro p de la dietribución binomial).68 38.1 . Entonces.1 y x.-El: .1 para y:61:6gtadosdelibertad.z = 6 4. v : k .sss:15. .(342_316.".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 . (110_100)2.43.4. . pero no al 0.m : 6 .L .

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.No ee recuperan cupetan TOTAL [cAP.5)r .47. 7. _ ¡¡ (corre(rda) = (i75 -70\.A Grupo B TOTAL 140 60 200 Puesto eue X.84.e5óx{-x. ya que. x2)x2ss correrpondea x>x.5)2 * ----?O- (i65-701 -0.13.38 es el cuadrado del valor de z : 1.54. (35-301 -0. como en la página 215 (véase Problema ?. Tabla ?-16 FRECUENCIAS OBSIERVADAS Sr.244 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla 7. Y y Sr. En la Tabla 7-16 se indican los estudiantes aprobados y suspendidos por 3 profesores: Sr. X. habrían suspendido 27 lL80 : Iíc/o de los estudiantes y DO .10 uüilizando z. 7.--. or^_.5)2 .5)2 * ----TO* ?O S0 _ . Nótese que X2 : 2. que es igual a la¡ dos dadas anteriormente.46. Z.ss : 3.51). se deduce que lob resultados no son significativos al nivel de 0.-. ? Tabl¡ 7-14 FRECUENCTAS ESPEBADAS BAJO Ho Se re. Asf pues. Y 47 L4 61 Sr.No ¡e recuperan cuperan TOTAL Grupo A (utilizando suero) Grupo B 75 25 Grupo A 100 100 (utilizando suero) Grupo B 70 30 100 (no utilizando suero ) 65 35 60 (65 (no utilizando suero) TOTAL (25 70 30 60 100 200 TOTAL 14r.vó Obteniéndose que las conclusiones del Problema 7.84 para 1 grado de libertad y puesto que ¡2 = 2. 200 140 30)2 o _ (75 x-1rc-?o70)2 - 70)2 . Ensayar la hipótesis de que las proporciones de estudiantes suspendidos por los tres . obtenido en el Problema ?.gs. Se No ¡e recuperan recuperan TOTAL 100 100 Grupo.Xz egelcua- Nótese también que yn ensayo unilateral utiliaando ¡12 equivale a un enEayo bilateral utilizando.30\2 (36 *ffi = 2'38 Tabla 7-16 Para determinar el número de grados de libertad. Está claro que solamente se tiene libertad lara colocar un número en una de las cuatro casillas vacías. (125-301 -0. Esto podría haberse visto rápidamente. pero en la que solamente se han puesto los totales.13 FRECUENCIAS OBSERVADAS Se re. ^. Solucionar el Problema 7. pueeto que una vez hecho esto loq números de las restantes casiüas vienen obligados por los üotales ya indicados. = I. X Sr.05.^se sigue que X er lo mismo que z en este caso. drado Cel valor de z. al rechaza¡ una hipótesis al nivel de 0.38 < 3. Sr. ya que la corrección de Yates siempre disminuye el valor de ¡¿". En general.45 son también válidas aquí.!t_.profesores son iguales.45 aplicando la corrección de Yates. porejemplo.05 utilizando X" equivale a rechazar esta hipótesis con un ensayo unilateral al nivel de 0.Puestoqueparalastablas2Xz. 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. 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. conaidérese la Tabla 7-15.¡. De modo que hay un grado de libertad.

Sr.60 64 180 64 180 Entonces o x-. Mostrar que para una tabla de contingenciah X h tad es (h .5135-547ó-----d25 9J5 --.gina 22O ._ (50-46. Y St.51.1Xk .1).S II A2 TOTAL fL¡ fiB I A B TOTAL II n2n¡ln n2n¡/n 'tL2 TOTAL n1n¡ln rl¡ fl3 b2 rL2 nrnsln n1 nl tt n Como en ql Problema 7-45. Z TOTAL 153 27 Aprobair¡c didos TOTAL 85% de 55 : 6l 4G. Entonce8 *. 7. Las frecuencias esperadas bajo FI¡ se muestran en la Tabla 7-17. solamente se está en libertad de poner al azat un número en una de las easillas de la primera columna y ot¡o en una de las casillas de la segunda o tercera columna.85)2 (56-54. pá. se puede rechazar lfs aI nivel de 0. X ¿IO Tabla 7-18 Sr.61.(h+Ic-l) = (h-lx/ú- 1) como se requería.r"/" a1b2 (o. Nótese que este resultado es válido si se conocen los parámetros poblacionales necegarios para obtener las fr. Puesto que x.10 si se está dispuesto a correr el riesgo de estar equivocado 1 vez de cada 10. Así pues. de otra forma se necesitan ajustes como los descritos en ( b ).99. Í4-9. considérese la Tabla 7-18.-. .25 OD : didos TOTAL 55 61 9. Se deduce que el número de gtados de libertad hk .CAP.n"n¡ln\z' nrnn/n ntftl. Nótese. Y 85% de S¡. sin embargo.75\2 . los resultados esperados bajo la hipótesis nula aparecen en la Tabla 7-20. (47.e 64 54. Está claro que como cada fila y cada columna han decumplir con loü totales. Z TOTAI. at__n_ = -nrrxJn (ór nrnsln)2 (b2. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION habrían aprobado el 86Vo de los estudiantes. después de lo cual.60)2 4175 -. Pero : (ar- nrnn/n)z (a".40 : Aprobados Suapen- Suspen.60-=4. Tabla 7-17 ITRECUENCIAS ESPERADAS RAJO Sr. todos los números restantes vienen obligados por lo8 totales.25)2 . no se puede rechazar I/e al nivel de 0.n2nslnl2 . 153 qn X Sr. que es igual que la Tabla 7-L7 pero en la que solamente se han puesto los totales.85 85V" d.05. que puesto que x:eg : 4. k > 1) el número de grados de libereg * & - 1 totales independientes de un total hÉ.L5% de 55 : I5% de 6t 9.zs¡ : 5. * ó1)(o1 * o2) o1*óq*a21b2 n a2b. 7.ecuencias teóiicas. hay en este caso dos grados de libertad. 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.75 = = 51. Hay h (fz > 1.núnR/n "r'.48.15)2 (8-9.49.15 61 15% de 64 8.40)2 (5-8.ó+ Pa¡a determinar el número de grados de libertad.

P)2 que es el cuadrado del estadístico Z.. entonces riI ) del Problema 7.45.4S.P)2 nWtPrA$ . r¿¡ = 100.Pr)]2 nrnínpnq = nfri\+LlllrJ (Ya que n = nt+tt2l (Pt. Ilustrar el resultado del Problema 7. n1=at*b¡ nz=a2*b2. -flg L-p l-P2 = bc -= = q = -. Sise aplica la corrección de Yates. P. f. el resulüado eg el mismo que en el Problema 7. .. se tiene p la proporción poblacional. Denótese por P1 y P2 las dos proporciones muestrales y blema 7.52.Prl .bq - aqb'12 donde A:&tbz-azbt. ns = ür*ó2. de modo que (r) (4) ú1 = nlPy az = nzPz. ns = 100. - O2 l¿z' fL¡ tl' ó.ln)? = -"r!rrrñr" 7. COEFICIENTE DE CONTINGENCIA ?.93 7. bz:35. yn:2OO. 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). Con referencia al Pro- (r) (2') P.46 ¡2 (corregida) = ---ñ^"" - = - (25X65)l (140)(60X100X100) . Dr = 65.n2P2n{l .tn)z = 200il(?5x35) 2.38 : Empleando la corrección de Yates. r¿r(1 - Pr). Halla¡ el coeficiente de contingencia para los datos de la tabla de contingencia del Problema 7.10012 = 1.azbtl . frA=úr*az. Or--m arb2 = - a2b. se puede escribir az-ry = ur-ry = Í2fts .=&r*a2*b1*b2. 7 Análogamenta Así. a2=26. EnelProblemaT. nt=140. bz = nz(l- Pz) tlg = flq Utilizando (3) y (4). n2:60.49 x2= n(ap2. dado en (IO) en la página 215. ^ (t) n /otbr-ozbt\2 n lotbr.a2b)2 -T nrn2nAnB nrn2(Pr.49 paralos datos del Problem^I.49 da x2 = n(1aft2..45.50. ¡e tiene del Problema 7. (/ ) se remplaza por (21 "rr"r"^"" : nL2 nrnznAnB x2 (conegida¡ n(ltl. ür : 'tL¡ = flP. C= vra = {*#fu : r/d'6112e = 0'1084 .246 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP.=.49. da x' : D'- n(a.51. a1 =75. 1-Pr . = #.ozbr\2 n /orbz-ozót\2 ml?¿B\ n n nzn¡\ n n¡r¡\ / / / n fatbr-tzDt\2 n ?zrs\ / que al simplificar.

o.X.. (f) p : 0. el e¡tudiante acierta alazar).= (100 zw En general. Para taleo ca¡os.".6 la probabilidad pedida será 1 - [P(? conectas) * P(8 correctas) + P(9 cotrectas) + P(10 correctas)] =|- ho0?(0. = 0.7)e(0. (ii) en caso contrario. suponiendo independencia total.3504 7.4)2+ ro0a(0.5 (ee decir. Esta tabla de contingencia aparece en la Tabla 7-21. = 1/@-ffi.(iX. En el problema 7./Zt(xz + n'l = t/ñl@6T 2oo-) = 0. 7l ENSAYOS DE HIPOTESIS Y STGNIFICACION 24V 7.?0?1.54. ee 0.50)2 (0 .0o)z (0 ..3)3+ r0Cs(0. La probabilidad de conteetar correctamenté Bajo la hipótesisp r pregunta¡ de las 10 será rcCrqqto-'. la probabiüdad de decidi¡ que el eetudiante no reeponde al aza¡ cuando es que si..54. Para ensaya¡ la hipótesis de que el estudiante acierte por car¡udidad.(á) = 0. adopta la siguiente regla de decisión: (i) si 7 o más respuestas son acertadas el estudiante no las acierta por casualidad. Nótees la probabilidad de error del fipo I. en la gue el número de fil¡s y columnas eon ambas iguales a &.7)8(0. (e) p : 0.3.56.? Bajo la hipótesis p P(menoc de 7 corectas) : - 1 -P(7 o mác conectas) 1 .8. para la dependencia total en uua tabla de conüingencia.L27). 7.¡* . hallar la probabilidad de aceptar la hipótesis p P : 0.(+Xá) * ..i .(g)p : O.618 .4)3+ roOs(0.t. (100 .4) + 10010(0. do¡ clasificaciones son perfectamente dependiente¡ o a¡ociadas. C. Seap la probabilidad de que una pregunta sea contestada correctamente.60)2 50 .4.13.6)?(0.?1e Asi ee que ésta pues. (d) p : O. Hallar el valor máximo de C para la tabla 2X 2 del Problema 7.ro)¿ . (Véase Problema 7 . Hallar la probabilidad de rechazar la hipótesis cuando es corTecta. . (b)P : 0.1?19.".6)101 = 0. " x.".2.[roOi(0.a 7.5 cuando realmente (a) p : 0..6)e(0.cAP.3)2+ r0Ca(0..-60 . En el Problema 7. (c)p : 0. hallar la probabilidad de aceptar la hipótesisp = 0.5 cuando realmente = O'7' : O. todor loe que tomen el suero 8e recuperarán y todor lor que no se lo tomen no Be recuperarán.55. el estudiante está adivinando.".3)10] = 0.21 valor máximo de C ee presenta cuando la¡ Se recuperan No se recuperan 0 TOTAL 100 GrupoA (utilizando auero) (no utilizando .(.---80. donde g =L- p. D Tabl. P(7 o más correctas) : P(7 correctas) * P(8 conectas) + P(9 corectae) * P(10 correctae) = . PROBLEMAS DIVERSOS 7. Un instructor hace un cuestionario forurado por 10 preguntas falso-verdadero.6)8(0.64.ueno) TOTAL 100 (irupo ó 0 100 100 100 100 200 .6. En tal caso.----80Entonceg el valor máximo de C e¡ . las únicas frecuenci¡¡ de casillas que no Eon cero aparecen en la diagonal que baja de izquierda a derecha de la tabla.9.7)7(0. son todas igualea a 50.3) + r0Cr0(0.53. (a) Sip : 0. Pueeto que las frecueneias eeperadas..

121 0.350 0. caraa en 6 f(x\ = P(x lanzamientos) = Entonces lae probabilidsdes de 0.8.05 ó 0.828 del Problema 7. 7-15. (g) pueden hallar¡e análogamente y se indican en la Tabla 7-22 junto con el valor correspondiente a p : 4. 7. **.6 y 6 caras son dadas.01.59. Nótese que la probabilidad se denota por p (probabilidad de error del Tipo II).5)(ee decir.05.5).ó) y (Ht:. Aquí se desea decidir entre la¡ hipótesir (Ho: p : 0. ee puede rechazar ñfe Ensayo bilateral: al nivel 0.013 0 828 7. Ensayo bilateral. Ad- la curva OC del 06 Si se hubiese dibujado (1 -p) yp. el resultado observbdo es significativo al nivel 0.64.06.0.05 y (b) 0. Tabl¡ ?-22 p B 01 1. pero no al 0.03125.7 hallado en el Problema 7 . respectivamente.1094.01).8 0. se puede rechazar. Se ha irrcluido también el valor para p : 0. Ensayo unilateral: Aquí se deeea decidi¡ entre las hipótesis (Ho: p: 0. 0. la moneda está bien hecha).999 0. (c).5 cuando realmente p > 0.01662 y P(6 ó 6 carad) = * +-# : 0.1 El grafico indica que la regla de decisión dada ee muy odecuado para rechazat p:0.5 dado por p : 1 .54.1094. Utilizar el Problema 7.trf6 llnivelde . pero no al 0. .4 0.2188.01 la moneda no está bien hecha? Considerar ensayos de una y dos colas.989 0.58. Sea p la probabilidad de ca¡a en un solo lanzamiento de la moneda.6) y (Ht: p > 0. Bajo la hipótesis (Ho: p: 0.5). Pueeto que P(6 ó 6 earar): * + # = éa:0.01. Puesto que P(0 ó 6 carar): t'o+* = 0. se habría obtenido la curvo de potencia de la regla de decisión. viértase la semejanza con Problema 7-27. si en la moneda sale 5 veces cara.248 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. $oluciona¡ el Problema 7. ? Loa resultados de (b). .9 0.2 0. +i.57.65. 1. Una moneda que se lanza 6 veces da 6 veces cara.618 0.56 para construir el gráfico de É y p obteniendo así la cun¡a característica de operación de la regla de decisión del Problema.05 ó 0.01 (es decir.7 0. pero no d 0. 03 02 0. 3.Puesto queP(6 caras): f¡ :0.000 0. 7. por #. 7-14.01. no se puederechazar. Ensayo u¡ilateral. p + 0.5 0.05.t+.1?19 : 0. 4. . 2. l0 09 08 0? El gráfico pedido es el de la Fig. Puesto queP(0 ó no ee puede rec}ntzar H¡ al nivel de 1ó 5 ó 6 caras) = 2(t) = 0.¡qn.Ele al nivel 0. como se muestra gráficamente en la di¡tribución de probabilidad de la Fig.1. .945 0.3 0.6 0.68. 0.t v i. ¿Puede deducirse que al nivel de significación (c) 0.!¡.

Mostrrir que una prueba en chi-cuadrado que comprende dos categorías es equivalente al ensayo especial de significación para proporciones (pagina 214)...Pl n(l-p)=nq TOTAL n .endientec... Xz X¡ tienen una distribución multinomial.'. el numerador en (2) tiene. .6t pa¡a demostrar que ¡2. ..Yz=U2r .aL.. por definición. npp respectivamente.. . p I Frecuencb observada Frecuencia esperada nP np II n(l. .¡p_r¡rll*l)q/ = '' \P Pq = (P-. iYr..= ut. de acuerdo con la resüricción (221. n(P. Tabl¡ ?. + ' ' ' + Y¡ es en sí migma una va¡l¡ble de Poi¡eon con parámetro np¡ * np2 + . y2= u2. (5) de la página 214. ce pueden describir las ei- ría I. Por t¿nto reeecribimo¡ (2/ ) como (r) x2 = /t'=^')'*f"'=^'\'*.61 demuestra que podemos remplaza¡ las X por lae Y independienúes con dietribución de Poisson ai ae cumple que Y¡ + Y2 + " '* Y¡": ¡.23 Si P es la proporción mue¡tral para La categoes la proporción poblacional y n eo la frecuencia total... (21) ea diffcil de manipular ya gue las X di¡üribuidas multinomialmenüe son dep. Sin embargo. busc¿ndo está dada por Iadi¡üribucióncondicionalqueeetamos P(Yt.96. i npn: n... *Y¡= n¡ = que ee la distribución multinomial de la¡ X [compárese (I6)..p)z = .l\z : npz trr : zpr respectivamente. . Epplear el resultado del ProblemaT. ... con frecuencias esperadas flPt. de (I ).Yz=Az.*/t'-^'\' \Vrr.+ph=L. el Problema 7. página 14?. el valor En cuanto aI denojminador. Enüoncec. Asl el denominador tiene el valor "":..1'"'-.. tiene aproximadamente una distribución chi-cuadrado.p)2 PQI'I¿ 7.¡Yt=Ur Y Yt+Yz+ "' *Y¡r= P(Yr+ Yz| "' * Y¡ = n¡ e-n n¡ Entonces. *Y¡r= n¡ PlYr=At. / \V^r/ \Vrzl . Demostra¡ que la dist¡ibución condicional de las f dado que Yt*Yz+ "'+Yx = es precisamente la distribución multinomial de las X.cAP.. Tal como oe establece. que Yr + Y. = (nP .nPz. .. como se define por (21). Sean f.60.62.:í-^*f e-^ dondehemo¡uuiüzadoelhechodequept*pz+." Por tanüo (2) ee conüerte en P(Yr=Ur...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.tYx=at I Yr* Yz-1. yx= ax) = 19#)1-+gj. ^#--"Jpltpf2"'plk 7..61.Yt va¡iablesmutuaÍienteiñdependientes con dist¡ibución de Poisson y parámetros tr¡ : npt.Y¡=Ur I Yz* . página 118].. Pa¡a la función de probabüdad conjunta de ft l¡¡ Y tenemos (r) (21 p(y..7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 249 7. Yr + ).págtna 218..L tu¿cione¡ por medio de la Tabla 7-23. Suponga que Xt.Y2=U2. sabemos del hoblema 4..

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

En un examen dado a un gtan número de estudiantes de muchas escuelas distintas.66. Discutir las razones de las posibles preferencias de uno de estoe ensayos sobre el otro.0. 7. + V!f.63 si ee quisiera que la probabitidad de rechazar la hipótesis siendo realmente conecta sea a lo sumo 0. y por tanto a la¡ Y o a las X reduce el número de grados de libertaá en X2 en 1. se quiere un nivel de significación del 0. Enaayar la hipóteaie de que los dados esüén bien hechos.65. Ensayar la afirmación del fabricante al nivel de aignificación del (o) O. y Denominado¡ (. Esüo provee Problernas suplem. . Recientemente.0ó? (d) ¿Cuál sería la regla de decisión si el nivel de significación fuera del 0.01. Un fabricante sostiené que al menos el 95% de los equipos que Euministra a una fábrica eetá de acuerdo con las especificaciones requeridas. * p¡(1) = de den¡idad paraW es p(rr) : (Zr)-r/2e-u2/2.40 onzas. donde z : h - las bases para las reglas dadas en la página 219. En una escuela determinada con 200 estudiantes el mismo examen dio una puntuación media de 75.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 26L Para evaluar el denominador de (5) notamos que la variable aleato¡ia W = lptZl * es l-p222 + . Solucionar el Problema 7. es decir.05 desde el punto de vista de (o) un ensayo unilateral y (b) un ensayo bilateral.1 y la desviación típica fue 8.e) = p(lWl < e) - e4(0)(Z€) = 7. 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. (¿) ¿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. normal (puesto que e8 una combinación lineal de la¡ variablee Z normaies e independientee). y que E\W\ = VE(O) + \/p2(o)+ . una muestra de 36 piezas de hilo dieron una resistencia media de 8. Comentar la significación de este resultado al nivel de 0. se adoptarÍa en el Problema 7.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 1.93 onzas.01? Se lanza un par de dado¡ 100 veces y se observa que un total de ('siete" apa¡sce 23 veces.69...7 o.66 ei el nivel de significación es del 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. ¿Se puede deducir al nivel de signüicación del (o) 0. Supóngase que en el Problema ?.(o¡ : 1 s Por tanto la función . Una urna contiene bolar roja. Un examen sobre una muegtra de 200 de talee equipos reveló que 18 eran defectuosos. no cargados. (o) Hallar la probabilidad de rechazar la hipótesis cuando en realidad aea correcta.OO.01.1i¡ ee rechaza en caso co¡rtra¡io.05? 7.cAP.63 se desea eneayar la hipóüeeis de que hay moyo.01 que el es ahora peor? hilo 7 .64.. (Zr)-t/2(ze) Al dividir (8) por (9) obtenemos el resultado deseado. 7'68.... (ó) Interpretar gráficamente la regla de decisión y el resultado obtenido en (o). La "demostración" anterior (que puede hacerse rigurosa) muestra incidentalmente que cada restricción lineal colocada alas Z. mediante (of un ensayobilateralyla¡.05 y (ó) 0. erplicando las conclusiones sacadas con estos ensa- .Of O. proporción d.05.9.e y azules. Var (W) = pr(l) * pz$) * . + {pt Zt.trLtroyo uniiateral y un nivel de significación del 0. ee decir. Para ensayar la hipóteeis de proporciones iguales de e¡to¡ colores. 7.ebolac rojas que de azules.67. la puntuación medi¡ fue de 74. yos..entarios ENSAYOS DE MEDIAS Y PROPORCIONES UTILIZANDO DISTRIBUCIONES NOBMALES ?'63. 7. (o) ¿Qué regla de decisión ?.

mediante un nivel de significación del (a) 0. ?. la puntuación media de 32 niños fue de 72 con una desviación típica de 8. Ensayar la hipótesis de que a los niveles de significación (a) del 0. En un examen de psicología de 12 estudiantes de una clase hubo una puntuación media de 78 con una desvia- 7. (b) 0.05. Análisis de 5 muestras de B dieron un pH medio de ?.01 las niñastengan mejor ortografía que los niños. respectivamente.01. .7 7 ensayar la hipótesis ¡¡ : 1120 horas contra la hipótesis alternativa tt diante un nivel de significación del (o) 0.24%. ción típica de 6.83.72. [.05 y (b) 0.7L. todos ellos tenían idénticas características de suelo.8f En el Problema 7.01.63 fanegadas.05.32%.05 y (b) 0. Una muestra de 75 bombillas de otro fabricante B dio una duración media de 1230 horas con una desviación típica de 120 horas. 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.72 ensayar Ia hipótesis de que las bombillas del fabricante B sean mejores a las del fabricante A utilizando un nivel de significación del (o) 0.05. 0. Utilizar el nivel de significación del 7.252 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Solucionar el Problema 7. 7.01 y (b) 0. Las especificaciones para Ia producción de una cierta aleación piden el 23.032.54 fanegadas. En el Problem a 7 . Explicar las diferencias entre esto y lo que se pedía en el problema anterior.05 y (b) del 0. ? 7. Una muestra de 8 bombillasdelaproducciónactualdiouna du¡aciónmedia de 10?0 horas. mientras que la puntuación media de 36 niñas fue de 75 con una desviación tÍpica de 6. 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.05 que el producto presenta las especificaciones requeridas? ?.01 V (b) 0. ¿Puede deducirse al nivel de significación del (c) 0.70 si el nivel de significación es del 0.a2. exposción a la luz del sol.05 ensayar la hipótesis de que las máquinas deben ser introducidas. ENSAYOS EN RELACION CON LA DISTRIBUCION ú DE STUDENT 7. Para ensayar los efectos de un nuevo fertilizante sobre la producción de trigo. una parcela de terreno se dividió en 60 cuadrados de áreas iguales. < 1-t2O horas. ENSAYOS REFERENTES A DIFERENCIAS DEMEDIAS Y PROPORCIONES 7. En seis pruebas de este tipo se obtuvo un decrecimiento en eI tiempo de producciónde 8.76.52 con una desviación típica de 0.05 y (b) 0. mientras que 15 estudiantes de otra clase tuvieron una puntuación media de 74 con una des- ./o con una desviación típica de 0. lcAP.2% de cobre.7 8.8 y 0.4a. ensayar la hipótesis de que el nuevo fertilizante sea mejor que el antiguo. respectivamente. ¿Se contradicen los resultados con los del problema anterior? En un examen de ortografía en una escuela elemental. Dos tipos de soluciones químicas. Con un nivel de significación del (a) 0. 7.49 con una desviación típica de 0.79 ensayar la hipótesis de que el contenido medio de cobre sea más alto que el que marcan las especificaciones. me- 7.024.01. Ensayar la hipótesis de que la duración media de las bombillas no ha cambiado. con los niveles de significación de (o) 0. Mediante unniveldesignificación del 0.O7o laintroducciónde tales máquinas en eI proceso resulta antieconómico. Utilizando un nivel de significación del (a) 0.2 con una desviación típica de 0. Unamuestrade 10 análisis dio una media de contenido en cobre de 23. A y B fueron ensayadas pa¡a ver su pH (grado de acidez de la solución). ¿Hay diferencias entre las duraciones medias de las bombillas de los dos fabricantes al nivel de significación del (o) 0. Ensayar la hipótesis de que (o) las dos máquinas tengan diferente calidad de fabricación y (b) la máquina B sea mejor que A.7 4. 7 .a media y desviación tfpica correspondientes a los otros cuadrados fueron 17.01 y (ó) 0.05 y (b) 0. Un experto efieiente mantiene que introduciendo un nuevo tipo de maquinaria en un proceso de producción se puede disminuir sustancialmente el tiempo de producción. A causa de lo costoso del mantenimiento de estas máquinas resulta que a menos que el tiempo 4e producción ee disminuyaen un8.19.80.01. determinar si los dos tipos de soluciones tienen diferentes valores de pH.77.5% y una desviación típica de 0.01? En el Problema 7 . El número medio de fanegadas de trigo cosechadas por cuadrado en los que se utilizó el fertilizante nuevo fue de 18.76. 1 . Análisis de 6 muestras de A dieron un pH medio de 7.01. 7. etc.05.73. Una muestra de 100 bombillas de un fabricante A dio una duración media de 1190 horas y una desviación típica de 90 horas. El nuevo fertilizante se aplicó a 30 de estos cuadrados y el antiguo fertilizante a los restantes.

Representar gráficamente los resultados del Problema ?. Adviértase que en esüe caso solo son necesarios los límiúes de control super.84. ?. durante los 15 últimos años. Después de introducir un cambio en el proceso de producción de estos cables. un cierto tipo de hilo producido por un fabricante tenía una resistencia media de roüura de 8.64 onzas y una desviación típica de 1. (e ) 0.77 una muestra de 20 bombilta¡ reveló una desviación típica en la duración de 150 horas. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION es 263 superior al segun- viación típica de 8. Ensayar la hipótesis de que la primera varianza poblacional es mayor que la de la segunda a un nivel de significación del (o ) 0.ores.CUADRADO 7.05 y (b ) 0. Solucionar el Problema 7. Comparar estos gráficos con los del Problema ?. cuando la proporción real p de bolas rojas sea (o) 0.89. ENSAYOS EN RELACION CON LA DISTBIBI'CION CHI.27 si se eru¡ayan 400 cuerdas.05. al nivel de significación del (a) 0. ?.93. Determinar los Iímites de control del (a ) 99% y (b)95% pam el número de tuercas defectuosas de cada muestra. (b) 99% sobre un gráfico de control de calidad y explicar sus aplicac¡o- nes.91. (b) (1 -p) y p. Hallar los límites de control del (a) 99.0f .05. Con la temperatura media del día 15 de cada mes.01 . En el Problema 7. (d) 0. (b ) 0. La resistencia a la rotura de una muestra de 8 cables dio una desviación típica de 300 libras.05 determinar si el primer grupo do.63.92.94.E8.90 construyendo un gráfico de (c)p V p. En el pasado.8.3.27 GBAFICOS DE CONTROL DE CALIDAD 7.01? CUBVAS CARACTERISTICAS DE OPEBACION ?.87 si las dos mueetras con¡i¡ten de 60 y 120 observaciones respectivamente. (c) 0. (b ) 0. Comparar estas curvas con las del ProblenaT .25 considerando Ia analogía de bolas rojas y azules con caras y sellos respectivamente. Dos muestras consisten de 21 y 9 observaciones. se toma una muestra cada 4 horas de 200 de las tuercas producidas. ?.cAP.65. En el Problema 7. Para mantener esta calidad de producción. ¿Concluiría que esto no es común? Explicar. Alrededor del lVo de las tuercas producidas por una compañía son defectuosas. se toma cada 3 horas una muestra de 16 piezas de hilo y se determina la resistencia media.6. (o ) Solucionar los Problemas 7 . (b) 0. En relación con el Problema 7.86. mediante un nivel de significación del (a ) 0. Construir (a) unacurva OC y (ó) . ENSAYOS EN RELACION CON 7 LA DISTBIBUCION F .28 onzas.7.9. t¿ ?.85. determinar Ia probabilidad de aceptar la hipótesis de que haya igual proporción de bolas rojas y azules.90.01.81 .26 y 7 . una curva de potencia correspondientes al Problema 7. tienen varianzas dadas por s? : 16 y s2 : 8 respectivamente. ¿podemos concluir que hay una diferencia significativa en la variabilidad de los valores del pH para las dos soluciones al nivel de significación del 0.82. Ensayar la hipótesis de que las temperaturas en esta ciudad presentan ahora menos variabilidad que en el pasado. Para determinar si el producto está de acuerdo a estas normas.95. desviación típica de las temperatwas anu¡legde una ciudad en un período de 100 años fue de 16" Fahrenheit. ?. Investigar la significación del aparente incremento enla variabilidad. La desviación típica de resistencia a la rotura de ciertos cables producidos por una compañía viene dada por 240 libras. Ia desviación típica de las temperaturas anuales fue calculada como de 10o Fahrenheit. Con un nivel de significación del 0. . ?. 7. (b ) ¿Qué conclusiones pueden sacarse de acuerdo con Ios riesgos de error del Tipo II cuando se incrementan los támaños muestrales? 7 .731o ó 3o.

Durante un largo período de tiempo.Lg?o D y 12% F. Un profesor nr¡evo da durante dos se_ mestres 22 A. Ajustar una distribución normal a los datos del problema 5.se muestran en la Tabla ?-2g. 7.0r .254 ENSAYOS DE HIPOTESTS Y SIGNIFICACION Tabla f 0 [car. El número de libros sacados de una biblioteca pública durante una semana determinada viene dado en la Tabla ?-22. con un nivel de significación del (o ) 0. el número de muertos por unidad y año debido a coz de caballo se dan en la Tabla ?-2b.99.66 C' 16 D y 12 F.05.96 y comparar con el ajuste obtenido utilizando la distribución binomial. 7. (o) Determinar las frecuencias esperadas. Ajustar una distribución de Poiss<¡n a los datos. Determinar si existe entre las máquinas una diferencia significativa al nivel dc significación del 0. Los resultados aparecen en la Tabla 7-26 junto con las frecuencias esperadas bajo la hipótesis de que las monedas están ces y Tabla 0 caras Frecuencia observada 7 -26 2 caras 3 caras t. .100.34 8.96. 7 z AJUSTE DE DATOS A DISTRIBUCIONES TEORICAS -24 2 7.rrru de 4 máquinas. solucionar el Problema 7. 3 4 . utilizar papel gráfico 30 62 16 l0 .05 si el profesor nuevo sigue las mismas nornns de puntuación que los otros.103.^ 30 Frecuencia esperada )0 90 3() ?. 7.40% C. Número de libros sacados Tabla 7 -27 Lun.g8 pueden ser aproximados estrechamente a una distribución normal. En 10 unidades del ejército prusiano y en un período de 20 años 1875-1894. 108 Mierc. 7 '97 Ajustar una distribución binomial a los datos dela Tabla 7 _24. 7. Ensayar la hipótesis de que la moneda está bien hecha utilizando un nivel de significación del (o) 0.CUADRADO 7'102' En 60 lanzamientos de una moneda se observaron 37 caras y 23 sellos.e 12% A. Juev.l 1 cara 108 bien hechas. Ajustar una distribución de poisson a los datos del hoblema 2.106.LB% B. Tabla 0 ? -25 I ?-101. Ensayar la hipótesis de que el número de libros sacados no dependa del día de la semana.100.gg.108. . 146 t20 7. Este proceso se repite un total de 120 veces y los resultados obtenidos. 6l ?. Se eligieron aleatoriamente tuercas de la producción de .05. 7. Ajustar una distribución normal a los datos del problema 5. Mar.0b. Una urna contienc 6 bolas rojas y B blancas. (á) 0. resultados obtenidos son consistentes (. 10. El número de defectuosas ""d" fueron 2. Se Tabla 7-28 0 rojo 2 blanco 1 rojo 1 blanco 53 si los extraen aleatoriamente dos bolas de la urna.98.05 2 rojo 0 blanco Número de extracciones con Ios esperados. 3. Ensayar esta hipótesis al nivel de significación del 0.r02 utirizando la corrección de yates. 114 Vier.1'04.05. se anota su color y se vuelven a la urna.107.105. 9. de probabilidad para determinar si los datos del Problema 5. (b ) 0. Delerminar al nivel de significación de 0. las puntuaciones dadas por un grupo de profesores en un determinado curso dieron un promedio d.01. (b) Determinar al nivel de significación del 0. 7. Se lanzaron tres monedas un total de 240 vese observó cada vez el número de caras obtenido. I 65 22 a l 10!¡ I LA PRUEBA CHI.

05 y en cada caso determinar si el ajuste es "bastante bue. (a) Utiliza¡ la prueba chi-cuadrado para determinar la bondad de ajuste de los datos del Problema?. la vacunación y esta enfermedad son independientes. Dott.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. Tabla ?-30 Aprobados Clase 7.05.100. Solucionar el Problema 7. Sobre una decisión de importancia nacional. enfer No se maron 'enferma¡on Vacun¡dos No Vacunados I L7 42 28 ?. A 72 64 t7 23 Clase B 7.cAP. las dos claees. 7.05 v (b) 0. mientras que a otros se les dio píldoras de azúcar (aunque todoselloscreíonque suspíldoraseranparadormir). Ia Tabla 7-33 da la relación entre las notas de los estudiantes en matemáticas y física.la Tabla 7-32. ensayar la hipótesis de que no haya diferencia entre los grupos vacunados y no vacunados.0ó.06. Hacer el problema con y sin la corrección de Yates.01.f09. A un nivel de significación de (a) 0.113.01 ensayarlahipóteaisdequeelnúmerodeaccidentes es independiente de la edad del conductor. es decir. 7. El resultado de sus respuestas se muestra en la Tabla 7-31.115.101. los votos de los demócratas y republicanos registraron los resultados que se observan en. 7.98.118. Utilizar el nivel de significación del 0.112 introduciendo la corrección de Yates.L17. 7.110. se Ies preguntó si las pastillas habían surtido efecto o no. Suponiendo que todos los pacientes dijeron la verdad.111.06. (b) Problema 7.ensayarlahipóteois de que no hay diferencia entre ambos partidos en lo que a esta decisión se refiere.05 y (b) 0.01.01 y (b)0. Mediante un nivel de significación del (o) 0. N nivel de significación del (a)0. ensayar la hipótesis de que no haya diferencia entre. tiene su efecto en el número de accidentes de automóvil (incluyendo todo tipo de accidentes) se indican en la Tabla 7-34. Posteriormente.116. Mediante la prueba chicuadrado determinar la bondad de ajuste de los datos de (c) Problema ?. IA Tabla 7 -29 muestra el resultado de un erperimenüo para investigar el efecto de vacunación de animales de laboraüorio contra una determinada enfermedad. De un grupo de enfermos que se quejaban de que no dormían bien. Mediante un nivel de significación del (o) 0. Mediante la prueba chi+uadrado determinar la bondad de ajuste de los datosde (o)Problem¡ 7.112. 7l BONDAD DE AJUSTE ENSAYOS DE HIPOTESIS Y SIGNIFICACION 265 7. Tabla 7. Ensayar la hipótesis de que las notas de física sean independientes de lás obtenidas en matemáticas. La Tabla ?-30 muestra el número de estudiantes de cada una de dos clases didos A y B que aprobó y suspendió un examen dado a ambos grupos.LOg? TABLAS DE CONTINGENCIA 7 Tabla 7-29 Se . a unos se les dio pfldoraspa¡adormi¡.ensayarlahipótesis de que no hay diferencia entre las píldoras de dormir y las de aziucar al nivel de significación del 0.01 y (b) 0.114.05 V (b) 0. medianüe un nivel de significación del (o) 0. (b)hoblema 7. Los resultados de una encuesta hecha para determinar si la edad de los conducüores a partir de los 21 añoe.(b) ¿Es el ajuste "bastante bueno"? Emplear el nivel de significación del 0. ¿Qué poeiblee dificultades en las t&nicas de muestreo como en otras consideraciones pueden afect¿r las conclusiones? .99.96. ¿Es consistente el resultado de (o ) con el del problema 7 .

1L2 y (b) Problema 7. es JUS:0.119.) 7.L23.1 .122. ? 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. (b) el coeficiente COLOR DE PELO Rubio No rubio 25 96 7. . 7.?r para toda tabla de contingencia. discutir las tablas de contingencia h X k X I.11?. pero se desconocen las proporciones de boias rojas y blancas en cada una de las urnas. Si nI y n! denotan. se toma una muestra de 50 bolas con remplazamiento de cada una de las urnas. ?.126.121. diantes.8165aproximada- 7. La Tabla 7-35 muestra la relación entre el color del pelo y los ojos de una müestra de 200 estu- Tabla ?-36 resultado contingencia.LL4. ( sin y con coeficiente de n de yates. Hallar el coefieiente de contingencia para los datos del Problema ?. Demostrar el resultado (2) det Problema 7.128. COEFICIENTE DE CONTINGENCIA 7. 7. donde n és la frecuencia total de todas las casillag. (o) Demostrar eu€ ¡2 = 2@l/np. Hallar el coeficiente de contingencia sin y con la corrección de Yates para los datos de (o) problema 7. 20. mostrar que la frecuencia esperada para la casilla perteneciente a la fila i y a la columna j es n¡n. Xu) r¡ñY Azules No azules 49 30 8-ó 7. Demostrar que el coeficiente de contingencia máximo para una tabla fr X k es 1/1t¡ PROBLEMAS DTVERSOS . 7'. respecüivamente. señalando las posibles aplicaciones que pueden_tener./n. donde n es la frecuencia total de todas las casillas. Dos urnas A y I contienen igual número de bolas.¡¡¡.121. Por similitud con las ideas desanolladas para tablas de contingencia h X &.125. la suma de frecuencias en la fila ¡ y en la columna j de una tabla de contingencia (frecuencias marginales).266 ENSAYOS DE HIPOTESIS Y SIGNIFICACIOD¡ Tabla 7-33 lcAP. Demostrar que el coeficiente de contingencia máximo para una tabla 3 X 3 mente.49. (b) Con el resultado de (c) hacer el Problema 7.117.127.

13?.01.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 267 dando la de A 32 bolas rojas y la de B 23 bolas rojas. ?.138. ?.56 si el 7 en la regla de decisión del Problema 7.48.l4O para obtener el valor de TOTALES lr2 n . el número medio de millas por galón consumido en 5 automóviles análogos bajo idénticas condiciones fue de 22.140.0Sinvestigarsila marca A realmente es mejor que B proporcionando mayor recorrido por galón. Ensayar la significación de este resultado a un nivel de (a) 0. Con una determinada marca A de gasolina.13g.133.05 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 8.55. 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. ?.142. Comentar cómo puede utilizarse la teoría del muestreo para investigar las proporciones de diferentes tipos de pescado presentes en un lago. Con otra marca B.54. (c) 0. 7. 7 n¡ ng üt fl1 b2 . (b) 0. Construir gráficos análogos a los del Problema 7.134. ?. Solucionar el Problema 7. es ahora 8. Al nivel de significacióndel 0.141. (b) 0. Solucionar el Problema 7.06 de que el estudiante no está contestando al azar. Explicar cómo podría definir interualos de confianza unilateroles y dar una posible aplicación.54. Durante un período particular hubo 40 calificaciones A en un grupo de 300 estudiantes.0ó.05. Generalizar el resultado del Problema 7. Una moneda se lanza 8 veces y se obtienen ? caras.4?.4 con una desviación típica de 0.05.10. Con referencia al Problema ?. ?. el número medio fue de 21.54 ?.01? Utilizar un ensayo bilateral. (b) 0'01.140. 7.6 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%. Utiliza¡ el resultado del Problema 12 para el Problema ?.64-7. Mediante un nivel de significación del 0. En eI Problema ?. Comentar los resultados. ¿Se puede rechazar la hipótesis de que la moneda está bien hecha al nivel de significación del (o) 0. Solucionar los Problemas 7.136.cAP. ?. 2.132 empleando un ensayo unilateral.131. ?.129.138 ¿hay mayor variabilidad en millas por galón utilizando la marca B que utilizando la marca A? Explicar. ?.132.135. A B Tabla 7-36 I &1 II A2 III dg ó3 'tLg TOTALES ?. Demostrar que para la Tabla ?-36 y2 " n = o(l+ú+"?\ * 2a (u" +ú+ rt2 'tL2 ns/ rr o?) ns ¡\ ?t I \t¿r / -.23 pzra el Problema 7.132 si salen 6 caras. 7. (c) 0.130.001' (d) 0.

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

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

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

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

la cun¡a de o de la estima. ' Estas ecuaciones.. obtenido de la curva de regresión de y sobre r. REGRESION Y CORRELACTON lcAP. (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. tenemos (23) (24) También podemos expres¿u s. ó.r €l valor estimado de y para un valor dado de ¡."t)z = 2¿2.8 REGRESION MULTIPLE Las una ces busc hay ás variables. c en (20) de modo que que (20) lz = tmtb)r+ "2a 2*. Genetalizaciones a más variables. por ejemplo.r)2 (22) r. Por ejemplo. entón". por la recta de mínimos cuadrados en términos de la varianza v del coeficiente de correlación como s?. entonces una medida de la dispersión con respecto a la curva de regresión está suministrada por la cantidad sg.-' perficies de regresión en espacios tridimensionales y superiores. si construimos p¿ües de rectas paralelas a la recta de iegresión de y sobre r a distancias vertióales te. Si r es la variable dependiente una ecuación semejante se llamarú ecuación de regresión de x sobre y. : a* br. con a y b dados por (4).96% y 97% de los puntos muestrales res. debemos hallar si n es lo suficientemente grande para que estén rectas alrededor del 68%.23. incluyendo ecuaciones lineales y no lineales conducentes a s¿.' : f"(L-r') Í l. = o2r +b>12*c)ry 2u" : "2u + b> ry 1. se hacán fácilmente. x. puesto que >(A U. y. llamadas las ecuaciones normales correspondientes a (20).262 CURVA DE AruSTE.. . n¿viértase qúe pueden obtenerse formalmente de (20) multiplicando por L. y respectivamente y sumando.denotamos por U". como se emtodas la. z. se obtienen como resul- ERROR TIPICO DE LA ESTIMA Si. si creemos que dos variables inaependi"áfus y. esto es -1 < r < 1. tenga la forma (20) z = a*br+cy Esta se denomina ecuación de regresión de z sobre r.s curvas de regreéión posible.: 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".c)y2 (21) tado de aplicar una definición análoga a la de la página 2sg. 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.2.

te hay una estima Las anotaciones anteriores se modifican fácilmente para Ia recta de regresión de r sobre cuyo caso el error típico de la estima se denota por s¡ r) o para regresión no lineal o multiple.. : nsl . Al tratar de hacerlo notemos que de (25\ V las definiciones de sy... r : + 1..(>rX>y) (3r) ra-ra (? . 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. La fórmula (29) se conoce como la fórmuln producto-momento para correlación lineal. Fórmulas equivalentes a las anteriores. se encuentra entre 0 y 1. que se utilizan en la práctica son M n2ry .cAP. REGRESION Y CORRELACION 263 Así como hay una estima insesgada de la varianza muestral dada por 3t : nsz/(n .24) (26\ 2@-ü' = 2ta -?/". mientras que la segunda suma se llama uariación explicadn. En otras palabras..1) igualmeninsesgada del cuadrado del error típico de la estima. 8l CURVA DE AJUSTE. algunas veces llamada coeficiente de determinación. En Ia práctica la cantidad 12. Se deduce de (26) y (27) que (28) Por tantc 12'puede interpretarse como la fracción de la variación total que se explica por la recta de regresión de mínimos cuadrados.r s€ comportan en una manera aleatoria o impredecible en tanto que las desviaciones /esr . Este está dado por 3r2. Si la variación total se explica totalmente por la recta de regresión. De otra parte si la variación total no se puede explicar.) .. La primera sunra a la derecha de (27) se conoce como la uarincíón no explicadc. Esta terminología surge debido a que Ias desviaciones y -U.*-u)' (27) La cantidad a la izquierda de (27) se llama la uariación total. y sy tenemos )('?-U""')' D2 = r Entonces podemos demostrar que (véase Problema 8. Por esta raz6n algunos estadísticos prefieren expresar (22) con n .x"l(E (32) a. entonces la variación explicada es cero y así r : 0.2 en cambio de n en el denominador.2). decimos que hay una correlación lineal perfegta (y en tal caso también regresión lineal perfecüc).r7 se explican por Ia recta de regtesión de mínimos cuadrados y así tienden a seguir un patrón definido. es decir..)2 * 2(u. r mide qué tan bienla recta de regresión de mínimos cuadrados se ajusta a los datos muestrales./(n .INEAL Hasta el momento hemos definido eI coeficiente de conelación formalmente por (I5) pero no hemos examinado su significado. y (en COEFICIENTE DE CORRELACION I. si 12 : L í.

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

En tal caso (37) se remplaza por X E{ÍX diferentes en general. Y pueden representar las estaturas y pesos de adultos en una población de la cual se extraen las muestras. f(x. según si se consideran discretas o continuas. Del concepto de cun'a de ajuste en muestras pasamos al de curva de ajuste para la población de donde se tomaron las muestras. es lógico de las anotaciones anteriores preguntar si hay una función g(X) táI que E{ÍY . como el de la Fig. 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. o aumentar la original. un diagrama de dispenión algo diferente se obtenüía generalmente. f tengan una varianza finita. (40'¡ . 8-7: Si Anotaciones análogas pueden hacerse para u¡ra curua de regresión de mínimoe ctndradoe de sobre Y. es una representación gnífica de los puntos de datos para una muestra particular.r. Por ejemplo X. como se define en ia página 83. Entonces se supone que X. rias Dada la función de densidad conjunta o función de probabilidad. y son variables aleatorias con la distribución normal bidimensional. y respectivamente.h(Yll'l = un mínimo y(SS) seremplaza porr = h(y)-. REGRESION Y CORRELACION 266 INTERPRETACION PROBABILISTICA DE LA REGRESION Un diagrama de dispersión.s(Xl)'} = un mÍnimo (sr) Una cun¡a con ecuación y : g(r) con la propiedad(37) se lla¡na curua de regresión de mínimoa cuadrados de Y eobre X. entonces existe una curua de regesión de mínimos cuadrados de Y sobre X con la propiedad (37). . Y. fÁgna 118.¡= h(y)son Un caso interesante se presenta cuando ta aistribución conjunta es la distribución normal bidimensional dada por (491. y). Tenemos el teorema siguiente: Teoreru Nótese & y son variables aleatorias con función de densidad conjunta o función de probabilidad f(x. Cada diagrama de dispersión resultaría en una recta o curva de regresión diferente. que E'(Yl X = rl es la esperanza condicional de Í dada X = x. entonces la cun'a de regresión de mínimos cuadrados de Y sobre X es una recta de ¡eg¡esión dada por (3e) donde representa el coeficiente de conelación poblacional. aunque esperamos que las düe¡encias no sean significantes si las muestras se extraen de la misma población. La conerión se implementa introduciendo las variables aleatorias X. dada por (88) u = s(n) = E(Y lX=c) siempre y cu-ando X. Al escoger una muestra diferente. Y tienen una función de probabilidad conjunta o función de densidad. y). de dos variables aleatoX.E(XIY = y). Entonces tenemos el teorema siguiente: Teo¡eru 8-2: Si X. /(. Lasdoscurvasderegresióny=g(rl.cAP. y). 8-1.8l CURVA DE AJUSTE. Y que toman log diferentes valores muestrales r.

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

Véase Problema 8.48. Entonces el estadístico t- su.8l CURVA DE A'USTE. De aquí pueden hallarse los tes de confianza para valores medios poblacionales predichos. lo : a * bxs. fo = E(YIX = co)]. . Í : Ís para la población.. Para p + Ola distribución es sesgada. En ese caso una transformación debida a Fisher produce un estadístico que aproximadamente tiene una dishibución normal. Esto también puede utiliza¡se para hallar inten¡alos de confianza p¿ua coeficientes de regresión poblacionales de los valores muestrales. Véanse Problemas 8.(i#J aproximadamente tiene una distribución normal con media y desviación típica dadas por (50) -Zt" /1+p\ *. Véase Problema 8. = ffi - (51) Z de Fish. es decir. REGRESION Y COBRELACION 267 tiene una distribución de Student con n .2 grados de libertad.46.2 grados de libertad. Aquí utilizamos el hecho de que el estadístico z =*r"(i+) = r.45.2 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. Denótese Por Jp el valor predicho de y conespondiente 2. Ensayo de la hipótesis p * 0. Ensayo de hipótesis para valores medios predichos. De esta ecuación se pueden ha' llar límites de confianza para valores de población predichos. Entonces el estadístico t- ú- ru. Denótese por üp elvalormedb predichodey correspondiente a x = Ío para la población [esto es. 3.50. Véanse Problemas 8. Denótese por Jo eI valor predicho de y correspondiente o.ffi @o- a"\{n-2 Urr¡ tiene una distribución de Student con n .'\[+Fi. = 1.44. Aquí utilizamos el hecho de que el estadístico f = rl/n-z \/fr (+s¡ tiene distribución de Student con n - 2 grados de libertad.Para este propósito debemos conocer la distribución muestral de r.47 y 8. 2.8 : to estimado de la ecuación de regresión muestral.49 y 8. La transformación (60) se llama transformación /1+p\ I o/' ".er. Véanse Problemas 8. En el caso de que p = O esta distribución es simétrica y se puede utiliza¡ un estadístico con distribución de Student.cAP. 2. es decir. Ensayo de la hipótesis p = 0. lo = a * bxs.m (ao- úor\Ñ @a¡ tiene una distribución de Student con n . Ensayo de hipótesis para valores predichos.43 y 8. Denótese por ¡lo el valor predicho de y conespondiente i f : ts estimado de la ecu¡ción de regtesión muestral.1618"". (i=/ : 1'1513 tos'o(1 Estos hechos pueden también utilizarse para hallar los límites de confianza para los coeficientes de correlación.. Los ensayos siguientes resumen los procedimientos involucrados. 1.

Esto se demuestra en los ejemplos siguientes.¡r ) es la pen- .Zrpzr-2.1. página 82) que son dependientes en el sentido de probabilidad (esto es. CORRELACION Y DEPENDENCIA Si dos variables aleatorias X. lt ) y ( rr.@ se mueetra en la Fig. EJEMPLO 8. = Pzr. Demostrar = que la ecuación de la recta es U-Ut tenemoe (Ty. Por tanto (1) A2 = aibr2 u-a1 = @*br)-(a+b*t) (2\ . Pero diffcilmente diríamos que hay interdependencia düecta entre X y Y. Y tienen un coeficiente de correlación diferente a cero. Es importante acla¡a¡ que "correlación" y "dependencia" en el sentido anterior no necesariamente implica una independencia causal di¡ecta de X y Y. REGRESION Y CORRELACION [cAP. Problerna.2. La consüante b : (yz .. y 22 conespondientes a y rz utilizando (50). 8-5. calculamos Z. Aquí hay una independencia directa enüre X Y. 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.a*br)-(a*br1l = b(r2-r1l Obteniendo que b : (yz .t [.lLzr.(. La gÉfre de la recüa . (521 donde se Itzr-|.51. Se¿n X. diente de la recta. eI coeficiente de correlación puede eer diferenüe de cero y podríamos halla¡ una ecuación de regreeión prediciendo una variable de la otra. Significado de una diferencia entre coeficientes de conelacion. ozr-2.11 ) de (2) y (l pedido sustituyendo en ). su distribución conjunta no se factoriza en sus distribuciones marginales). Y variables aleatoria¡ que representsn eetaturas y pesos de individuos. EJEMPLO 8.yt)lfz .1. = Y nr- n^ = nt-3' nz-B (53') disbibuye norma[mente. ).s resueltos NECTA DE MINIMOS CUADROS 8. Además.268 CURVA DE AJUSTE. ozr-2. Si X representa los s¿larios anuales de los profesores en tanüo que Y representa la cantidad de crímenes.yt)l@z . 8 3.a ecuación de una recta es ! : a * b*. cuando p + O. Una recta pasa por los puntos (xr. y2 ) son puntos sobre la recta yt = a+bn1.b(r-r-1\ Í2trt Uz-Ut . y. Luego utilizamos el hecho de que el estadístico Zr. yr ) V @2. Entonces ya que (¡r. sabemos (Teorema 3-15. podemos utilizar una ecuación de la forma de (39) pata predecir el valor de Y a partfu del valor de X. el resulüado se deduce.)w-. Véase Problema 8.

g¡2. recta de mínimos cuadrados conespondientes a 11.61. CURVA DE AJUSTE. 8) y (14. 8. Puede demostrarse que eetas realmente resultan en un mínimo. (o) Dibujar loe puntos (1.642r. F(a.2 utilizando a (c) variable independiente. 12. 8-6 . por ejemplo.. vé¡ee Problema 8'4 que emplea el método de mfnimos cuadrados.7 . dn = a*bxn-yn Fis.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. (b) Í como variable dependiente.1 . (3.. 9) sobre un ¡istema de coordena' das rectangulares corno se muesha en l¡ Fig. es decir. Una condición ó mfnimo (o un máximo) es necesaria para que esto sea un que aFlaa = O. Las coordenadas de e¡tos puntoa tomadoc de la gráfica eon aproximadamente (0.rfnSOn a*bry albr2. 8-?.2. Entonces el Problema 8.os valores de y sobre la. (b) Hallar una ecuación para esta recta. Derivar las ecuaciones nonnales (4). (6. Ya que # = >f. dz: albr2-9". (11.rA' ")t)'6"' Fig.tl' a-r =ffiO-l.3. aFlab = 0.8l 8.b) = l(o * br . Refiriéndonoa a la Fig. albnn Las dewi¡¡ciones verticales correapondientes son dt = a*br1-yt. 6 y-l=0. página 260. 8-6. 2). . para la recta de mínimps cuadrados. Ajustar una recta de mínimos cuadrados a los datos del Problema 8.4\. 4). 7).(4. 8. (b) Para obtener la ecuación de la recta construida en (o).. (8. Para un método que eümine la ne' eecidad de juicio individual. 6). f.4. I 4 8 I Una rect¿ que se aproxime a los datoc se dibuja a mono olzada en la figura.542r ó¡ U=l+0.cAP. tales como P y 8. escójarrse dos puntoe cualesquiera sobre la recta.. r como . (9. 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.. 3 2 4 6 4 891114 o a t).. REGRESION Y CORRELACION Tabl¿ 8-1 ü u 1 269 (c) Construir una recta que se aproxime a los datos de la Tabla 8-1.1 ) y (72. 2ra = a2r*b2r2 como 8e pedfa.

Ga)(.CURVA DE AJUSTE. d=9 ó 1. y. Nótese que esta no es la recta obtenida en el hoblema 8.636 r.r.50. se ha agregado a la tabla para emplearla en la parte (b). la ecuación de la la recta de mínimos cuadrados es ¡ : c * dy.546 + 0. REGRESION Y CORRELACION [cAP.(56X364) lt ó0'545 = 6 --lE f8-i6 g=w =qffiffiá#l )c = cnld)y = frao.)ru) c=ffi==-0.50. n lizando el método a mano alzadt.60 .8 (o) La ecuación de la recta es y : o * b¡.sz El trabajo involucrado en el crilculo de las sumas puede ordenarse como ae indica en lá Tabla 8-2. las ecuaciones normales son 2ru = c2y*d2a2 Entonces utilizando la Tabla 8-2. Otro método.50 d- - = 1.2 utiPuesto que hay 8 pares de valores de. a = ()y)()r2) .oso (b) Si se considera a r como la variable dependiente y a y como la variable independienüe. las ecuacionee normales se convie¡ten en dedonde c=-* ó -0. 8c*40d = 56 40ci256d = 364 Estos valoree también pueden obtenerse de ()rx)sz¡ .636.()r)()ry) = (40)(524\ . Aunque la última columna no se necesita para esta parte del problema.545. yla rectade mínimoecuadradoopedida es S t + lrx 6 U = 0. t¿s ecuaciones normalee son )Y: 2ru: an*b)r a)r*b). Tabl¡ t-2 i 1 a 12 nu 1 a2 I 2 4 4 6 a 3 I I 16 36 64 81 I 4 6 4 6 8 16 24 40 63 88 l6 l6 25 49 64 81 I 11 8 Lzl 196 l4 I 2v=40 t26 524 )r=56 2r2 = 2ry = 364 2a2 - 266 : 8 y lias ecuaciones norm¡les se convierten a 8o*56ó = 40 56a*524b = 364 Resolviendosimultáneamente ¿=il ó0. b=+ ó0.

(c) Estimar el valor de ¡ cuan' doY: 3' -2a40 a=T=¡-=o Luego el punto (6.. La recta obtenida en la parte (b) se llama la recto de regreeión de x eobre y.5).8l CURVA DE AJUSTE. = tllu-úl Nótese que en general.333 + 0'667 ¡' que no ee l¡ mi¡m¡ rect¡ 8. y es la varirrble independiente. - 0. d respectiremen' üe. ti). hallamos que la recta de (5) que indica que la recta pasa por el punto (4. 0. F = -0.636 ¡ 2 0 6tl012 Fig.6.6. U = &* Lrrr.333 * 0.úr. se indican en la Fig. (o) El punto (?.4 intersectan en el punto (. se utiliza para estimar r para valores dados de y. [¡secuacionee delaedosrectassona= llamos 8. U = 0'646 + 0'636(12) = g'Z' (c) Al remplazary:3 enlarectaderegresiónde¡ sobre a.60y t2 10 = y= e.Elpunto(?.60 * 1. remplazando las constantes o.546 f 0.546 * 0.: L2 en la recta de regresión de y sobre n. y : 0. y. ¡ ¡=-0. (o) Demostrar que las dos rectas de mínimos cuadrados obtenidas en el Problema 8.6)seencuenhasobrelarerfar=-++$y. Ot¡o método. pero ¡e intergectan en (a.50(3) = {. (b) Estimar el valor de y cuando x: L2. llamedo el centroide.60 + 1. ¡ es la variable independiente.60 y. REGRESION Y CORRELACION Por tanto la ecuación pedida de la recta de mínimos cuadrados es r = 0.E. las rectas (¿) V (S) no coinciden. Lar gróficas de l¡s dos rectat.546 + 0.66? r 8 6 1 u= 0.500*1. Representar gráficamente las dos rectas obtenidas en el hoblema 8. r-ñ f).pue¡üoque7=-*+*(6).9. es (7. lo cual es un¡ indicación de que los datos están muy bien descritos po¡ una relación lineal. y E=-t+*y.8-8 8. pueeto eue6=*+t(?). Caso 1.4. Por üanto la¡ rectas se interceptan en el punto (?. más exactamente.50y. b por c. (b) Al remplazar x.6).636 r o. ú). 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. 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 ). Nótese que al solucionar esta ecuación para y obtenemos y obtenida en la parte (o).636¡. {.ha*+É.7.Í. .Resolviendoeimultánesmente.ú). Demostrar que una recta de mínimos cuadrados siempre pasa por el punto (i.! :5. 2. la recta de mínimos cuadrados puede escribirse como Q) Caso que muestra que la recta pas¿ por el punto (á.60+1. 6) se encuentra en la recta U = 0.fi). mfnimos cuadrados puede eecribirs€ como hocediendo como en el c¿¡o 1 intercambiando r.cAP.8. ¡ = 7 . Nótese quelas dos rectas en e¡te caso prácüicamente coinciden.

t¡z = - t )(>x)2 |ín2rz .8 tenemos f. = n8ru-(2rl()ü _ n2xz _ (2r)z Entonces ti ú = út I h.(>. h = f.al r.e¡z demo¡tración de (12). Problema 8. y (véa¡e problema g.1 -ñF-trú.n8z 2r2 I Entonces .()¿X)y) n)¡z .)(2g.t). ¿ = ñ. r puede escribirse en la (l).Demosharque .y. 8. g 8. pdgina 260.9.(Ic)z¡ También >(r - t)(v . REORESION Y CORRELACION Demostr^ar que la tecta de regresión de mínimos cuadrados de y sobre forma (8). De la segunda ecuación en (5). demostrar que D--i# . j[n2ra Por tanto (I ) oe conüerte cn 2rU t (>¿X>y)] de donde ¡e obtie¡e el resultado (S ). y.10 Si en el Problema 8. u=u'*k.n2r'a' .nEú (I¡X)z) ¿ru .-. Tónemo¡ de 11) [eAP. h_ v- dondeh n2uU yk son constantes. sean c = d *h.tenemos .pdgina 261.(2r)(2r'l n2r. U . u=7+tc Por üanto .8.úl = 2(rs-i:y-ir*efrl 2ra-ñ2u-ú2n1'2eú 2rU-nEú-nfrE*nitfi ..(2r. Ir 2(a .=-Ep=Ts¡t Del Problem¡ 8.=7+h. 8.9.272 CT'RVA DE AJUSTE. página 260.12). U - g.ú = b(x. + k.(2rlz 2(¡z-2nr*12) 2r2-2ñ2r*2i:z 2r2-2n82 lniz 2s2 .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. . re rigue intercambiando D - >(z::elfu.(2x')(2y'l n)s'2 .7 . tenemos D_ 2(r n2xy .

4. 8-9. &11 La Tabla 8-3 muestra las respectivas estaturas lc. donde o y b se obtienen resolyiendo las ecuaciones normales. 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*.L07 de donde hallamoe o : 36. REGRESION Y CORRELACION 273 Se deduce inmediatamente del Problema 8. de modo que y :96.418 Zny = 54.88+r. (c) Construir un diagrama de dispersión.82 + O. La gráfica de esta ecuación ¡e muest¡a en la Fig.ae sumas se muestran en la Tabla 8.476. y ) sobre un sistema de coordenadas rectangulares como se muestra en la Fig./ €70 6 !a 2a'= an * ólr 2ra . 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.8l CURVA DE AJUSTE. (c) Hallar la ¡ecta de regresión de mínimos cuadrados de r sobre y. 62 62 6{ 66 Fig.82 y b = 0. 8-9.476x.849 .9 ya que 2fr' = l(c-t) y análogamente = 2r-nñ = 0 ly' = 6.418b = 64. (b) Hallar la recta de regresión de mínimos cuadrados de y sobre r.cAF. 72 de dispersión se obtiene dibujando los r = _8. de modo que lae ecuaciones normales se convierten en 9oe 2? 666 864 É¡ E 12o*800ó:811 800o*63.a2n*b2n2 [.086/___V (b) f.y deuna muestra de L2 padres y sus hijos mayores.197 )92 = 64.

- 68 tenemos r.476u u . Réstese un valor apropiado. y.dondecydseobtienensolucionandolas 2a = cntd.036.68. = ñ . 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). por ejemplo 68.11.036y.86 * 0. Esto nos conduce a la Tabla 8-5.38*1. de r.68.6?.()y)2 1. = ú - 68.(lyX>ay) n2yz .68 = 0.á).12s¡z _ _s.07) 6 ecueción de regreeión pedida de y sobre x ea a . CURVA DE AJUSTE.12. u =7*68 = -**68 = IZ-LZ = b(u.58 n I¡ =7*68 = -**68 = 66.476 También ya que &' = ú . = delascualeshallamosc:-3.5) - (10)z = 0. .2y 2uY = c2Y*d2Y2 L2c Utilizando las sumae en la Tabla 8-4.L07 E1lc#54.82.086 8.274 Otro método. b = dada por ry# = 0.476(n-66. (12X106) (-16)f.g8. esto ee a = 36. REGRESION Y CORRELACION lcAP.11 utilizando el método del Problema 8.67. 8 "= (c) ecuaciones normales I]4ff de¡ sobrey viene = 85. aparte de los enores de redondeo. - (>¡XI=y2l. Solucionar el Problema 8. se convierten en -f SLld = 800 64.9.ú de acuerdo con el Problema 8.d=1.38. Por tanto 6?.Iagráficadeestaecuaciónse Otro método. ¿ = n>r!: (>!)l?nl = n2a2 . De una manera análoga podemos obtener l¡ ecuación de regreaión de r sobre y.asfque¡:-3. 8-9. y ( los números restados de r tee).4?6 Larectaderegresión x:c* dy.849d muestr¿ en la Fig. .

P de Ia Tabla 8-6 y también indica los (l ) son 2a = on*ü)¡ de las cuales 2ry .8l CURVA DE AruSTE. .8 49. la última ecuación puede escribirse (r) U = oibr donde¿:logC. Entonces P=antilog1. obtenemos un punto que se dibuja en el popel log-log construido especialmente como se muestra en la Fig.40(21 =1. REGRESION Y CORRELACION 276 ECUACIONES NO LINEALES REDUCIBLES A FORMA LINEAL 8.2976 )r = 11. (c) CuandoT=100.0095 3.0 pulgadas cúbicas. Tabl¿ 8-7 s = logV L. tenemos tomando logaritmos de base 10 cálculos involucrados en eI cómputo de la recta de mínimos cuadrados (l ).2833 1.()rX>u) 6=-ffi.6 194.8309 t.a2r*b2r2 4. (c) Hallar elvalorde y y C.9479 2.9294 2. C=1. a = ()y)()rz)-(>rX:g¿l _ n2"2-1>n\z .074L 2. y y= logP=4.40=-y.6946 1.8543 =-1.cAP.2 t9. (c) EstimarPcuando V = 100.to = 16. 8.2340 2.60X104 y y=1.7 28.20-l.0997 3.7943 4.3 61.2 PVt = C.2ry .b:-'1.40 Luego Y = 4.4 118.4 37.0 10.2878 2.6762 1.859? A = logP 1.40. r=logV:2 25. Para cada pareja de valoree de la presión P y el volumen V en la Tabla 8-6. y conespondientes a los valores de V.4685 3.13.13 dibujando los datos en un papel logJog.20-1.0350 3.40= lb/pulg2.20=logCy (b) Pvt. De acuerdo con los principios de la termodinámica una relación de la forma PV.14.6 88. donde y y C son constantes. 8-10.0059 2xa - 16. n.ffi¡af'=-1. Solucionar el Problema 8.000.5 72.(b) Escribirlasecuacidnes que¡elacionan aPy V.0043 12 ra 3.7858 1.40. = C.7348 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.2077 3.1 lu = 8'7975 b )12 = 23. Las ecuaciones normales qorrespondientes a la recta de mínimos cuadrados logP = logC-ylogV logC ó logP*ylogV: Tomando log I/: x.log P : y.1 Presión P (lb/pul2 ) Ya que 6r.7910 1.4533 1.4Ou.66L7 2.3019 6. debe existir entre las variables. Tabla 8-6 Volumen V (pul3 ) 54. La Tabla 8-? da los valores ¡.6953 (o) Puestoqueo=4.20.

U = a*ba*crz l¡ pa¡óbol¡ de mfni- Se¡n lo¡ puntos mue¡t¡alec (a¡Ittl. P: 26 de la g¡lfic¿.4.a)(2) = de modo que logP* 1. Entoncee lo¡ veloree de y ¡ob¡e moc cr¡¡dr¿dor cotrec¡rondieatet a a1. Por t¡nto albn2*ct/. of bur*wl l¡¡ de¡vir¡cionee de. m 60 so r00 Volumen Y '{l Fig.¡ U¡ ertfa dadar por dt = qtbx¡Ic¡.a*(1.2 a = logP-ülog7 = lo926*1. . e2.8-r0 150 ¡00 ú t00 También ¡e indica un¡ rect¿r (dibujada a mano alzada) que re aprorima a eeto¡ puntos...16. Por ejemplo cua¡do V: 100.2. (nn.1rn ¡on olbr¡lcu!. [¡ medida en este e¡¡o indica que D = -1.4. . . 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 . logPTlle . .Ut U2.4 logV = 4. (r*uzl.o*blogV ó g = o*bn Ie pendiente D. . Enton4. que er negatlva en e¡te ce!o. Pa¡a obtener ¿ ¡e nece¡it¿ un punto sobre ce8 l¡ recta.276 CURVA DE AJUSTE.) d^ = o*üc"lorl-t^ y lrr ruma de lo¡ cuadrado¡ de le¡ de¡viacionee eotá dada por )¿t = )(o+ bxlca2-t)1 ..8 l0 ú' 3o {0 ü. Deriva¡ las ecuaciones nomales (I9). .!nl. REOBESION Y COBRELACION [cAP.4 los100 = l. y PVtl = 16O00 PARABOLA DE MINIMOS CUAI)BAI)OS E. prigina 261. . para la parábola de mínimos cu¿dradoo..2. re de numéric¡rnente por l¡ relación-de la longitud AB a le longitud AC. .?"-al' dc = o*bu21-cú-!2. .

? = )f.8 4.04 1.8r 2n2g I¿= 42.7 12 n3 xy 6.cl = )(o I Para minimizar esta función debemo¡ tener bx * cx2 - U)z Ti=o' .28 233.8 3.20 18.36 5?6.2Ob+2275.70 26.L6 6470.2a*2SL.66 259.8 r87.49 92.6 2A = an*óI¡*c2n2 [¡s (r) ecuacionec normales son 2ry = o)¡*b2r9*c2rs 2n2a = o.19 36?.16.1 12.8 7.1 t€ 14 a 4.8 3.6 9. c = {).58 4.27 1.2 6.40 10.96 96.6 a I bx * cr2 a los datos de la t€ D.7 4.20 c = 48.8l E¡t¡ ec CURVA DE A¡UsTE.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).2 )u= 46.49 60.92 230. b.41 73.44 3. = + 2. lar ecurciorÉ¡ norm¡ler (I ) rc convierten en 8a I 42.065 t .00 Puecto que n (2) Reolviendo. REGRESION Y CORRELACION función de o.4E 1065.8 4.9 7.92c : 1449.83 29.360 + 18971.91 636.4 2r2 - Ic3 = 2276.46 254t.t2 9223. Ajustar una parábola de mínimos cuadrados de la forma ! Tabla 8-8.O. págin¡ 261.t=o' *=o Enüonces # = ).42 291.36c = 230.0 7.6 2.00 2.73 5.70 38.' 7.971. T¡bb ü u 1.48 19.65 185.2r2].5 6.2ll0rt .12 67.79 s32.688.6 5.1 : 8. e¡ decir 277 F(o.42 - - 1449.28 38. b = : 2. c.1 8.62 21.04 48.75 117.9 9.06 941.2b + 291.2 6.o3to*óc*cr2-a)2 = )2(o+br*crr-a) k = )*a{o*br]-cnz-u)2 = 2Zr(a*brtcü2-a) aF :d.24 9. o ción = 8.OI 32.7 7.36 2ua = Zxu 291.b.22 rzy 6.cAP.588 de mfnimoq cuadrado¡ pedida tiene l¡ ecr¡¡- .82 4t.8 7.0 ?.20 o + 2276.8 2.ólcs*clra H trabajn involucrado en computa¡ la¡ ¡uma¡ puede ordenarce qomo 8e mue¡ha en la Tabla 8-9. 8.61 24.19 2.08 10.066.2 1.9 5.2 1.7 4.2110¡ arí la parábola 2. Tabl¡ u 1.93 342.9 7.

las ecuaciones normales pedidas (21) en la página 262 se obtienen. Entonces los valores de z sobre el plano de regresión de mínimos cuadrados correspondientes a (r1. (c) Hallar la ecuación de regresión de mínimos cuadrados de z sobre x. z.762.8 8.5 5. las estaturas x.9 6.página 262. Ue"¡ = 2. c de modo que satisfaga (21.8 4. 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.5 2.z¡ dt = a* br1 * cUt.zn\. y..278 CURVA DE AJUSTE.7 u REGRESION MULTIPLE 8. lcAP. .065(1.16 para estimarlos valores de y de los valores dados de r.621 5.2 6. (rn.18 la forma z r.56L 2.. 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. vienen dadas por a*bnr*cyn dn = a* bnr* cUr.19. (ün. (b) Determina¡ los valores estimados de e de los valores dados de r.2110(I. y puede escribirse z: albnlcy Las ecuaciones normales (21). y. y por medio de una ecuación de regresión de a ! bx * cy. Análogamente se obtienen otros valores estimados.962 7. 8.Un. pág¡na 262.613 6. b. Pata r = 1. b y c a cero.). .640 7.8 7.An) son respectivamenüe a*br1*ey¡ Por tanto las desviaciones de z¡.588 + 2. La Tabla 8-11 muestra los pesos z ala libra más cercana.2) . REGRESION Y CORRELACION la.. . Demostrar que la ecuación de regresión de mínimos cuadrados se obtiene al determinar a. [. . b.os resultados se muestran en la Tbbla 8-10 junto con los valores reales de y.503 7. . Se desea estimar una variable z de las variables : Sean los puntos muestrales (ryUyzr). .0.2.17. all..zt. c e igualando las derivadas parciales con respecto za. Utilizar parábola de mínimos cuadrados del Problema 8..0 7.2)2 = 4. Tabl¡ 8-10 Uest 4. 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. (c) Estimar el peso de un muchacho de 9 años y 54 pulgadas de estatura. .762 4. . ala pulgada más cercana y las edades y al año más cercano de 12 muchachos.741 4.

=í. 2a'- a2g n - b2rY por Ueet Loe valoreg de y ectimadoa a partir de la recta de regrerión vieneÍ'r dados = @ * ü¡. el peeo estimado es zest : 63.664 78. a = 6796 = 3.66+0.b2r(u -a-br) . Entonces ^.6612.8646.880 106o*67?9b+976o Rerolviendo.r=n= = 2(a-a.86? 65. REGRESION Y CORRELACION Tabla t-12 fi 64 Df 59 49 62 51 a 8 10 6 11 z.6068.830 2yz = 6796 2uy = 6779 48.cAP.926 66.20.e resultado¡ ¡e dan en la Tabla 8-18 junto con lo¡ mueshaleg de z. la ecuación de regrerión pedida es (t) (b z = 3.! : 9 en (3). ü = 0.-brl - o-bu) .136 64. 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.= v.139 34.225 68.168 48. o aprorimadamente 63 lb. demos- s'?.682 ?8.¡ €stá dado por r viene dada por ! : a * b*.7r7 68.206 69.920 64 7l 63 67 DD 68 77 67 66 61 76 68 (c) Remplazando ¡ : 54.843 Utilizando esta tabla.356.865r+1.8l CT¡RVA DE AruSTE.286 66. Si la recta de regtesión de mínimos cuadrados de y sobre que el error típico de la estima sy.4t4 69. Utilizando la ecu¿ción de regreción (3) obtenemos log valores egtimados de z. y. ERROR TIPICO DE LA ESTIMA 8.606u zesb al susti- ) tui¡ los valores correspondientes de x.. Ír. c = 1.8436 * 6779c = 40. denoüado8 pot valoreg Tabl¡ 8-13 2est 2 64.2(Ufl -a."r)2 2afu 2fu-o-brlz o. las ecuaciones normales (I ) ee convierüen en l2a1-643b *106c (2) 643¿ = 769 * 34.

82 + 0.Cuandoeehacenestoeremplazo¡enelProlos datos del Problema 8.al@ .71 -0.o2(g' * fil .11(b ) la recta de regresión de y cobre x ea ! : 36.")z = "1.a(2U.á).14 -2. / ." y 8t.o.bt2y' .14 66 65 67.81 U - Aest 0.a)2 . E.19 2.76 L.20 N3' = 2u2-o'2a-b2xy = 2(a' + ú)2 .280 Pero CURvA DE AJUSTE.11.2¡ pará Del hoblema 8.22.47 6r.24)2+(0. 8 2(A-a-bn) .ú)'- b)(c n - ¡)(u - ú'l Si ¡ = r' * A.19 67 68 67. También ¡e indican lor valorea y - Uest.bi2r' .!* e!\ = 2a'2 + 2y29' * nú2 . Sabemo¡ que la recta de regreeión puede eecribiroe oomo blem¿ 8.19 0.24 68 67 67 67. Tabl¡ t.2na-o.2O puede escribirse como ^z üu.b2r'g' .81 0.33 0.24 -0.y. 2(a .x = lTiltr= 1.anÚ . = 2a@-a-bt\ nll 2a2-a2a-b2ra Este ¡esultado puede extender¡e a ecuaciones de regresión no lineal.€2 + O. Erto demueetra el resultado pedido. 8.r.76.7L 64 66 66.6? 70 68 69.66 7l 70 69. que corteeponde a empezar con l--o+bryremplazando:oporcero.2y-an-óIr = 0 2r(a-a-br) .66 >(u-u.ana .ú = 2u'2 .2r-b2rz = 2A = on * ó)c 0 puesüo que de las ecuaciones normales 2ru . I üyt * r.+(0.. güe ¡e neceaitan para el cálculo de oy.b2(r' * ñl@' * úl = 2(y'2*2ytfi*¡z¡ . Entonce¡ del hoblema 8.81 62 66 66.476(66) : 66.98)2 12 = L64z . denotados por lresr.ó)(a ..úl donde hemooutilizadolo¡re¡ultedot2r'=0.28 68 69 68.b2r'Y' = 2(a .ú = b(r .38 7l 68. Catcular el error típico de la estima¡ 8¡.71 69 68 68.r9)z:l-. Por ejemplo.28 -1.b2t'g' ..14 ü a Uesl 65 68 66.bñl = 2O'' .28 pulgadac.bn.a2r * = b2u2 Entonces sí.62 0. En la Tbbla 8-14 ee listan los valores reales de y (de la Tabla 8-3) y los valorec estimado¡ de y.20 se obtiene el re¡ult¿do pedido. 2u'=0 y ú = o*bt (que re deducen aldiüdiramboslado¡ de l¡ ecuación normal 2A = an * b)r por n¡.21.¡ Método 1. Demostrar que el resultado del Problema 8.29 -1. REGREsIoN Y coRRELAcIoN lcAP. Método 2.24 63 66 65. g = A'+ ú. como se obtienen de la recta de regresión.UpotA-ú.bnü! = 2U'2 + nú2 .b2rtgt * nú(ú .b2(r.xpot¿-á. (1.*nú') . cotrespondiendo a ¡ = 65 tenemotgest:36.

[t = (y .el 6812 de los puntos se encuentra entre las rectas. Del último renglón de la Tabla 8-14.82¡z+. y-gfo". 8-11.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. (b) Determinar el porcentaje de puntos de datos que se encuentren enhe estas dos rectas. 8.y""t) * (Uost . la teoría predice que alrededor d.. Il .g) sumando. (¿) Construir dos rectas paralelas a la recta de regresión del Problema 8. 8l CURVA DE AJUSTE.nrr. = 1.11 se muestra sólida en la Fig.a) = =Q :y. ne dada por 6r.28 y 1.. Entonces el porcentaje pedido es 9l12 : 7 5d. NOTA: Una mejor estima del error tfpico de Ia estima de la población de la cual so.rr.:'. ú>@ - a - bn) puesto que de las ecuaciones normales 2(a = 0.11 a una distancia vertical sy. y). Demostrar que >(g Elevando al cuadrado A"'r)'* 2(U*r.U""t)2 . Este hubiera sido el caso aproximado si el tamaño fuera más grande.04 (a) Variación explicada = (b) Variación no explicada -ú)2 = (-0. = 19.28 (véase hoblema 8. + (2.25 1.rn.13 1.ne?. Las dos rectas paralelas.13 -1. del Problema 8.58 del Problema 8.abn) a ..cAP. En el caso de regresión lineal )(v - Y'"'¡)(v" "r .?0. 2r(u .) para 9 puntos (¡.23. cada una a una distancia vertical su. se muestrana trazos en la Fig. de datos.11.t-ti) - A)" = 2(A - El resultado pedido se deduce si podemos mostrar que la última suma este es eI caso.82 * 0..t)2* )(yn"t-ú)2+ z>fu. ts. Tabla.. '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.476¡ obtenida en el hoblema 8. (b) la variación no explicada y (c) la variación total para los datos del Problema 8.34 0. tenemos 2(u-ú)2 . (o) ta recta de regresión y : 35. 8-11.24..82 -t. = 1/@ se tomaron las estaturas vie- COEFICIENTE DE CORRELACION LINEAL 8..un"J(v.0t¡z .::.S-15 Uest : 8]-LlL2: 67.28 (es decir..40 pulgadas. REGRESION Y CORRELACION 28L 8.58).61 0. .61 -2.28) = 1.r 0.:: . = tpiLo (1. Entonces el porcentaje pedido es 9lL2: 7 5%. Tenemos Uest de ú : 67 . :: :. ya que es cero.A)'.. Calcular (a) la variación explicada. = )(U .brt Q..12 (o de la Tbbla 8-4. se encüentra entre -1.22..)(y-uu.25.'.22)..77 )(U".08 2. parecen estar sobre las rectas. Si los puntos están distribuidos normalmente respecto a la recta de regresión. Utilizando los valores - a -0. ya qve ú la Thbla 8-14 podemos construir la Tabla 8-15.56 -0.30 0. Uir examen poste- 66 6l 62 Otro método.

del Problema 8.7027 u 65 63 67 B4 a 68 66 68 66 69 66 68 66 r-t -t.11.l2at2.'. trt =r- E.)z \/ñtrW Sin embargo.7027.6 0.))' l) n'\ ¡ \) '\il t' jó -0.66 0. puesto que la'gt'es positiva cuando 3/ss¡ autnentá a medida que r aumenta.09 7.:800/lZ = 66.3 2.7 3.?0. Por tanto se sigue el reeultado pedido. Los resultados (b) y (c) pueden obtenerse por cálculo di¡ecto de la suma de los cuadrados. Entoncee. (la fórmula producto momento).4 ' 0. ¡o )¿ = 800 i.3 -2. prágina263.) asír--*2r'a' ffi (2x. Puesto que la varirable yn".27.32 7t 0.4 . 8.69 u'a' a'2 0.56 0.6 0.z b22r. en el caso de regresión lineal.3 4.L2 7.69 0. obtener el coeficiente de correlación lineal para los datos del Problema 8.34 2a'2 = 38.16 o.42 -1. /i84s8)?58-3t Tabla E-16 = 0.28..82 4.29 1. 8.09 10.[bb tt 62 70 66 68 67 69 -4.f. E.6 L.32 1.16 6. tenemoa &*br 6 Ulr¡= bx.16 6. aumenta a medida que r aumenta.02 1.26(b).92 10.24.25.' .18 0.y.-0v t'.4 -0.92 = 67.62 1.11.7 1.49 -2.7 -3.22 + 19.4F7q de acuerdo con el Problema 8. para el coeficiente de conelación.7 1.76 1.26.4 7l 67 68 70 -0.6 3.29 18. REGRESION Y CORRELACION lcAP.8 (c) Variación total : 2(a . (D) coeficiente de conelación = r : tVñ7d58. A partir del resultado general (30).96 2.76 11.68 2trtg'= 40. (a) coeficientededetermir¡ación = t = '1Hi1iáf*1"io" =m= 0.92.A.s¿.. = y -f.4 0. utilizando A.36 68 il 'l .69 22.6 0.o.92 0. Utilizando la fórmula producto-momento.aumenta.= EF.70 = 38.y = EP.09 5.7 )y = 811 a = 8LUl2 2rt2 = 84.282 CURVA DE AJUSTE.4 2.16 2.68 5. la conelación ec poeitiva y por tanto escribimo¡ r : O.7 0.3 a-v 0. página 264.34 \/G.= !0.= \Eá/ /rorl = \r¡.4 a'= tr'2 2.89 0. Halla¡ (o) el coeficiente de determinación y (b) el coeficiente de correlación pa¡a los datos del Problema 8.89 13.3 -1. derivarel resultado (34).6 .4e88. El trabajo involucrado en la computación puede organizarse como se indica en la Tabla 8-16.donde ¡2= variación explicada va¡iación no explicada 2b2r.7027 o con dos cifrar significativas r : 0. Entonces 2r'a' 40.A)z = 19. y Ulst = U. pero negativa cuando /est disminuye a medida que r. la expresión para r tiene automáticamente el signo conecüo asociado.66 -0.49 1.3 -2. Utiliza¡ los resultados del Problema 8.82 7.3 0. La recüa de regreeión de mínimos cuadrado¡ de y sobrer puedeescribfuse 1lest= b = 2r.2 /?r. .

(>aXIY) n :E Puesto que = (2rlln V'ú = (2Alln" Arúlogamente.nnn* v Entonces (I ) ee convierte en r(a-üz = 2a2 r : .26(D) y 8.29.29 para halla¡ el coeficiente de correlación lineal para los datos del hoblema 8.2ñ2r 4 ntz (2112 2(2nl' ()r)2 = 2rz = 2r2 . . [.>IY w@ : n2rA-(2r'l(2A) . la recta de regresión de donde A=?I.476 d=ffi =1. Utilizar el resultado del hoblema 8.11. Del Problema 8.cAP.036 Enroncec rz = bd.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 que el coeficiente de correlación lineal viene dado por f= En el hoblema 8.11(c) respectivamente 484 ' ó=10fr=0. Demostrar el resultado (17). 2(a-nlz = 2(rz-2rt*r2) = 2s2 .8l CURVA DE A.28.| ¿gl\/¿e¿\ 6 =(iiot/\al/ ' ¡=o'7o27 que está de acuerdo con lo¡ Problemae 8.30. págrna 261.a recta de regresión de y aobre r es u=olbx Análogamente. donde ¿=? rz r sobre y er =a*ilu 8y Entonces b¿t = 1g\ 1g) = \c"/\oy./ 8.11 (b) y 8. 8. REGRESION Y CORRELACION 288 8.TUSTE.31.

(d) ¿Qué porcentaje de la variación total permanece como no explicada por la suposición de la relacii. Entonces variación total = 2(A .284 CURVA DE AJUSTE.7027 como en los P¡oblemas 8. Esto puede deberse a fluctuaciones aleatorias o a una variable adicional que no se ha considerado.L071 = 0.32. el error típico de la estima de y sobre I es B!. 2(A .2z .64 (á) Primer método. Sin embargo. i = (2U)/n = (46.n parabólic a entre x. I del Problema 8. y? (a ) Utilizando los cálculos de la Tabla 8-9 y agregando que 2tt2 = 290. Utilizando (a) y el Problema 8.3743 indica prácticamente ninguna relación lineal entre r.n¡zi = -0. y r =0'9911 var6eió.01?g Por tanto 7.9922 = 0. Ubtlizar la fórmula del Problema 8. hallamos r= n2ru - ()¡X)r¿) (8X230.4O De la Tabla 8-10 Por tanto t-= = l(g""t-Al2 = 2l.3?43 (b) De Ia Tabla 8-9. (c) Hallar el coeficiente de correlación lineal entre las variables r.33 (b).33. como lo indica el hecho de que el coeficiente de conelación en (b) está muy cercano a 1.tal =ffi=0'9822 (c) El hecho de que la parte (a) muestra un coeficienüe de correlación de solo 4.42) [(8)(2e1. hay una muy buena relación no lineal dada por la parábola del hoblema 8. (c) Explicar la diferencia entre los coeficientes de correlación obtenidos en (c) y (b).636 ó 1..1 ¡.636y'i-(0.4'.2)r][(8X2e0.4)/8 = 5.80.16. REGRESION Y CORBELACION [cAP.11.62.16.30.) (42. y (b) sr. Entonces la desviación típica de y es 8u= 2(u - ú\2 21.()¡X)z) (8oo)(811) (r2)(54..99r1)2 = 0. Hallar (a) s.16. (o) Del Problema 8.40 8 = 1.ú)2 = 21." = ss\/T=F = 1. De la Tabla 8-4 r= n2ru .52) - (40.40. COEFICIENTE DE CORRELACION GENERALTZADO 8.20) - (42.26(b).218 6 o. variación no explicada va¡iación total (d) = l-r2 = L-0. paralos datos del Problema 8.ilz = variación explicada 21.16.Oz variación explicada . y.78%de la variación total permanece no explicada.34. 8. supóniendo la relación parabólica obtenida en eI Problema 8. (b) Hallar el coeficiente de correlación no lineal entre estas variables. 8.21(46.2g y g.33 (b). 8 8.31 para obtener el coeficiente de correlación lineal para los datos del Problema 8.

4L4\2 + "'+(68-65'920)2 = 258.218 6 0. z gería en general diferente del valor anterior. pág¡na 264.pl.16 y el cálculo adicional 2gz 8y.a = = 299. AquÍ estamos considerando n valores de r (por ejemplo pesos) y n valores correspondientes de y (por ejem. CURVA DE AJUSTE.88 Va¡iación total 2(z-2\2 . la mediaú ylavarianzasf sonigualesa(n l)12 y (n2 L)ll2 respectivamente.52. ¡ sobre y.25 Variación explicada Enüonces - 258. vemos del Problema 8. tenemos 2a2-a2a-b2ra-c2n2a = 0. = 12-82 = 12+22*.L2(62. Análogamenüe.cAP. viene a3: s?+r?-2rs¡ads"sv . Ya que z se determina de ¡. y. y I va.218 ó 0.I i son las desviaciones entre las graduaciones. ss t+2+. al y el coeficiente de correlación entre grados por * - s2¿.19.33' variación no explicada = 0. REGRESION Y CORRELACION 286 Utilizando el Problema 8. Utilizando el Problema 8. Sea rr: el grado dado al j{simo valor de x. esbturas).76)z = 888'26 = 888.37 Coeficiente de correlación múltiple de z sobre x.l'ciñexptñat.22 8.*n @l_ryz n*l En = mientras que la varianza es sf.139 .22 Tercer méüodo. ! ¡ el grado dado al j'ésimo valor de y ' [. la varianza de las desviaciones. z.36. Derivar la fórmula de correlación gradual de Spearman (36). y estamos interesados en el coeficiente de cor¡elaeíón múltiple de z sobre x..os grados son enteros de 1 a n. dada en térrninos de e2r.222-n22 48.35. Entonces si d¡ : r i .8l Segundo método. que Para obtenerlo. Explicar córno determina¡ía un coeficiente de correlación múltiple para las variables en el Problema 8. el coeficiente de correlación de ¡ CORRELACION GRADUAL 8..-.19 Variación no explicada = 2(z - zo"tl2 (64-64.88 = 629. [¿ media de r. *n2 n n(n*r)(2n*11/6 2 n2-l t2 utilizando los reeultados 1 y 2 del Apéndice A.@ "" = 0'8418 = !ffi = thffia Debe mencionarse que si fuéramos a considera¡ la regresión de eobre y.

11. ?. 8 y 9 repreeentan la migma estatura (68 pulgadas). Tbmbién se incluyen dz y 2dz. la Tabla 8-B se convierte en Tabla E-19 Graduación del padre Graduación del hijo 4 2 6. 66. 9.286 Entoncee cuRvA DE AJUsrE. 66.6. 6g. 7l y puesto que los lugares 6.6. 66. Tabla 8-18 Diferencias de puntuacionee. 10. las estatura¡ de los padres eon (r) 62.s" 0. 3.6 t2 5 7. lac estaüuras de loe hijos ordenadas en gentido creciente son 66. 6. 63.7. ordenadas en forma a¡cendenüe de magnitud.6 7.6 10 t2 7. 7. 69. 10.6 3.6 1. 1¡ (t) y (2).7.66. Hallar el coeficiente de correlación gradual.c asignamos a estos doe lugares un orden medío de 6. 12 De igual forma.37.38.5 l.2 24 = Entonces rgrad= t-#!T = t-ir#?u = 0. 67.6. Tabla 8-17 Laboratorio Teorfa 8 3I2 9510 7 r0 4 615 1873426 La diferencia de puntuaciones d en laboratorio y teorfa para cada estudiante se da en la tabla siguiente. le.(J) y (4). 71 Puesto que en esta ordenación loe lugares sexto y r*éptimo represenüan la misma estatura (6? pulgadas). les asignamo¿ w orden meg [(6 + z + + 9) / 4 .6. 6?. a las e¡tatura¡ de loe padres ee les aaigna los órdenes (2) (3) dio de 7 .8s45 indicando que hay una relación entre el rendimiento en laboratorio y teorfa. 66.5. 69. 6g.5.5.6 7.6 1 11 6 8. REeRESIoN y coRRELAcIoN lcAP.6. 6.6 10 3. AsÍ. 4. Análogamente.7. d d2 -1 -2 -1 1 1-1 I 1 3 I I I 2-L 4 1 -1 1 4 2d. 6. 69. 9.6. 11. 69.l\ltZ . 2.6 1. por tanto las estatu¡as de los hijos quedan ordenadas @ Con las correspondencias 1. 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. %. a los lugares 8 y 9 ae les asigna el orden 8. 69.6 3 8.6. 64. 6?. 8.5.rz)/n y (l ) ge convierte en 7')/12 W @2 - * (nz 6>d2 . 3. 1. 70. 69. 70.11 y compararfos rezultados con el coeficiente de correlación obtenido por otros métodos. 8 (r) h¡ecüo que 7 = fgrad = eZ+sT-af. 66. 6.(2d2)/n = L-nfu2] 8.6 11 .6.6.5. 3. Calcular el coeficiente de correlación gradual para los datos del Problema 8. tor \-"rttd- "3 - e¿.

utilizando esperanzas.40.a* pr entonces A .px) .px\ ^t u\ox) | Debe notarse la semejanza de la demostraeión anterior para poblaciones. lo cud es una condición necesa¡ia para que F(q. halla- tv = ol Ftx Por tanto si g . En general.ol. 8.6 -3. los resultados para muestras tienen resultados análo- gos para poblaciones e inversamenüe.ú2 E(X .60 rgrad = t-#!T: .cAP.9px.Fpx. = f.26 L2. Derivar (39) a partir de (37). INTERPRETACION PROBABILISTICA DE REGRESION Y CORRELACION 8. Y es l\r'a) : (a | f.P¡x.00 d Entonces 2iP = 72.Fpx. 20.26 12.7027 obtenido en el Problema 8.6 1.r.(r+2y) 0<n<7.6 3.5 -1.6 2.39. 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 .0 ü 12.26 6. Tabla 8-20 -3. ) La función de densidad marginal de X es f{r) = [.v)l + Gv-Ft'x-o)2 = "? * F2oI .rv) = 0. utilizando sumas.5 -1. La función de densidad conjunta de las variables aleatorias X.zBEl(X-pi(Y -¡.Fy = p(r .25 2.0 1.25 2.2Boyy r (py .00 2.25 2. íE = dF Denotando la última expresión por F(c.5 3. p) tenemos AF u = mos -2(pv zBoi - 2oxv - 2px(pv .o*t¡ .25 6.P(X .26 L2. .5 1."l Igualando estas ecuaciones a cero.F) sea un mínimo. los cómputos de d2 y I¡ )d se mue¡tran en la Tabla 8-20. .0=Y<L {o deotraforma Hallar la curva de regtesión de (c) Y sobre X.26(b). REGRESION Y CORRELACION diferencia en graduacionec d. lo+zo¡a.5 -2.6 -1.pvl .-ffi!\ = 0.dlz} = El(y -pv)21 + BzEl(X-r.px) * (pv .0. con la correspondiente para muestras.a) ó Fok = o*v a-tly="4tr-u*) A-Py - /'.25 1.}j'2l.?466 que concuerda muy bien con el valor r = 0.8l CURVA DE AJUSTE. E(Y . (b) X sobre Y.26 1.

ni la curva de regresión se definen ( 8. (b) Para 0 = y < I la función de den¡idad marginal de yes fztu) Por tanto. J:'=. 0óy fi (¡ly).t y la curva de regresión de X solre If viene dada por t. 3ü.*4 Jra\"+¡1"v = 6'+6 Ni fz (yl*). (D p paraladistribucióndelProblema8.*:12*6y)/(3+12y)eondiferente¡. @l (a) (ó) "?. Hallar (a) X.'"(?i#)* l.Portanto.para 0 r<l.4O. (d) o?. = fo'!@+zula.=o J"=ooLi<"+zYlfdrdY rr ll = iá fr = f. de = |tr*nr¡ = y S L. = r<O ó r>.la densidad condicional X dada Yes frotu\ = ffi = )'.'=o Í"'=o o. (qY.E(ylx=r\ = fl. x = Í.f"'=o". "l?o + zutlar ay = I i: -'l 4r f-o J.ladensidadcondicionaldeYd¡.I¡ ) 1. (e) o*r. = 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 . ni la curva de regreeión están definidas para ¡( 0ó¡ ) 1.ufr{ulOaa ('/"+zy\. y f{rl =0 deotraforma.lla +zut)an ay = t ofr = F-tz = á_(i*)' = # . Nóte¡equelaadoscurvasderegresión"=(3r+4llrcx*6). para O t.288 cuBvA DE AJUSIE.41.13r"+zv¡fanav = # Entonces ofi = Íz-*z = *-(3)'= # (dl Entonceo F = f. = E(x I y =ú = tlpara y Í.'=.+# o='=1 L0 rf .'=o.t"lul a. REORESION y CORBELACION [CAp. 8 par¡ 0 Í r=1.

82 + O.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. (b) X sobre Y para el Problema 8.23 h es decir. ot : ".2 : 10 grados de libertad. Y ltr-2 donde 37e : 85.180. Ensayar la hipótgsis al nivel d-e significación del O.lrv1l_z=-.nfi162\/28/Bz4 -0.2: LO grados de libertad.42..28 (calculcda en el Problem a 8.43.2g para 12 ..losaleolocar t=lt.Of Ae que el coeficiente de regtesión de la ecuación de regtesión poblacional es tan bajo como 0. Hallar los límites de confianza del 95'. (+) ó a -i : - ür I x) ó -.180 si ú ) ú. .22)y 1. = {". Por tanto no podemos rechazar la hiPótesis. r8fl ..á para el coeficiente de regresión del Problema 8.136 y 0. 1/ .2U'L66 0'19916¡= = ya que eo.45.- = .42. de los hijos cuyp son 8.t / ó (b) La recta de regresión de.43.2 = l0 grados de libertad) vienen dados por 95?iparap(obteni. sr.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.11).66 (Problema 8.9b Con un ensayo unilateral de Ia flistribucirin de Student a un nivel 0.o1f.0 pulgadas' puesto qu€ t s7.:2. 8.40.szs=!2. se está en la ryHt\ = 0.r: L.. 8l CURVA DE AJUSTE. REGRESION Y CORRELACION 289 (e) xY = Entonces Í.11.'=o Í"'=o.4?6 r6 (Problema 8.2\ o. En el Problema 8.44.43)' y n: !2 1 r/o t r--- .8I 6.11 se halló que la ecuación de regresión de y sobre x eray: 35.cAP.4?6 t Vlo\' t/tz.r: L. sx: 2.xY p = n-xÍ oxY oxoy = *-(s)(i*) = = - 1 162 0 -l/162 .e5: 1.28. hallar los límites de confianza d-ei 95'7.-.B4o confianza del 95% de que 6 se encuentra entre 0..11 = -l/162/.q\I a.'lW\" .05 rechazaríamos Ia hipótesis de que el coeficiente es tan bajo como 0. (¿) La recta de regresión de Y sobre X es + oXY "+@ . 0..66 del Problema 8'11' 8. En eI Problema 8.81 para L2 .0 y lb) 70. Loslímitesdeconfianzadcl F = b-+f+) ' \ñ4\82 I para 12 . ¡rara ias estaturas yos padres tienen unas estaturas de (o) 65.476B-b t=r..47G :t ' +('!!) t" / = 0.los Ií¡:rites de conftanza del 95oy' para --j:lq--.o+zul)arav =1 3 . Escribir las rectas de regresión de mínimos cuadrados de (a) Y sobre X.- 2.82 + 0.-- .476x.

elgbVo de que las estaturas de los hijos están entre 64.23 para 1 0 grados de libertad.96sy.48).75 para 18 -2: L6 grados de libertad.82 + 0.?6 t 3.s1t : 2. También (x¡ .0. o.32. (o) Si.Estoconcuerdaconlosresultados aproximados mencionados en la página 262. los límites de confianza del 95% para Uo fo son = 2. hallar los límites de confianza del96% para las estaturas'medias de los hijos cuyas estaturas de los padres son (a) 65. ' (b) Si re :70.11.?6 pulgadas. 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. = t.14 f es decir. Entonces 66. los métodos muestrales son exactos para una población normal. (o) (ó) Puesto que no podemos rechazar ) 0).0 pulgadas. se puede esta¡ en la confianza d. ciertamente no podemos rechazarla al nivel 0.sz).? y 6?. de confianza del g5% son (ro .0 y ?0. rechazaríamosI/e si ú ) ú. Ya que t. se puede estar en la confianza del 96Vo de que las estaturas de los hijos están entre 63.o¡ para n - 2 grados de libertad . 35.t)2 : (65 . Nótese que para grandes valores de n.66 (Problema 8.476 r6 (Problema 8.11).Bb Sobre la base de un ensayo unilateral de la distribución de Student a un nivel 0. hallamos [comparar con el Problema 8.1/l-z = = . los límites de conñanza del 95% están dados aproximadamente 8.0 y (b) ?0.ss :7. es decir.16 :65.8 los límites (o) Si 16 : 65.8 pulgadas.14 pulgadas. 7.45 pulgadas.SOO112)2 : 11.01 8.78. Entonces los límites de confianza del 96Vo so¡ 69.05.05 utilizando un ensayo unilateral de la distribución que de Student.05. t/6 al nivel 0.i¡z : (?O.E. En el problema 8.7 y 70. /e : 69.45(c)] los límites de confianza delg1l".290 CURVA DE AJUSTE.1 y 7 4.69.0 pulgadas se encontra¡án entre 67.32 sea considerablemente mayor que cero al nivel 0.48. es decir.za\ = 66.01 que el coeficiente de corréhción poblacional es apreciablemente mayor que cero? Deseamos decidir entre las hipótesis (Ho: g :0) y (llr t = .O .sz\/ra-z : p l. y¡ : 66.11. Un coeficiente de correlación basado en una muestra de tamaño 18 resultó ser 0.0. Por tanto no podemosrechaza¡I/6 al nivel 0.05? A un nivel 0./i=@0. REGRESION Y CORRELACION lcAP.0.8OOtl2r2 : 2.05 y (b) 0.46.?6 a 2'23 es decir.76 1 1.05.2 pulgadas.45(ó)] los límites de confianza del 95%. TEORIA MUESTRAL DE LA CORRELACION 8.Los métodos de este problema son válidos independiente del tamaño de n ó to . hallamos [comparar con el hoblema 8.80 pulgadas (b) Si 16 : 70.66.0 pulgadas se encontrarán entre 65. es decir. Porlo +1.07 pulgadas. Tarnbién. se puede tener confianza de 95Vo que la estatura media de todos los hijos cuyas estaturas de los padres son 65.6 pulgadas. ¿Cuál es el tamaño mínimo tal de una muestra para que podamos concluir que un coeficiente de correlación de 0.": 2.47.' sr.23 donde y¡ : ffisv. el valor mÍnimo de n debe ser 032{n - 2 r/i -to.09 pulgadas.0.rcontalquero -ñnoseademasiadogrande.14 + 5.2óy6!2so. ¿Puede concluirse a un nivel de significación del (a) 0.6 pulgadas úo 0.

/ = 0.e155.el 95Vo püa pz vienen dados por Z=L.o. 8.0e86 10.28 A un nivel de significación del 0.r5tz'""(+l-&.72.unrr.64 y por tanto n: 25.6932 0.tJ2:1. REGRESION Y CORRELACION Para un número Pa¡a infinito de grados de libertad. Entonces el tamaño mínimo de la mueetra ean:28. = Deseamos decidir entre las hipótesis = 0.50.5366 a 1.9r : 1.49 y 0. Por tanto los límites de confianza del 95Vo para p son 0. Por tanto no podemos rechaza¡ la hipótesie de que el coeficiente de correlación sea tan pequeño como 0.60. v =24.16131og(++*) /r r-\ \r-'l / *t.30 respectivamente.s2\/ñ/\Flfu2p.2182:L.66.CURVA DE AruSTE.64.r¡rlb*'.6. ú. z = t.=L.60.) 0.80 y n = 21.) nzr-2.s5=1.4620 Entonces ¡t2 tiene el intervalo de confianza del9SVo.r6r3t"" o.5493y2:(0.5606.05. 8. L {zt - = Z-pz oZ 0.05? zr = r. p : 0.L6rt*(=.2182 = 1. los límites de confianza d.Portantopodemos rechazar la hipótesis de que el coeficiente de correlación poblacional sea üan pequeño como p: 0. El coeficiente de correlación entre las calificaciones finales de fÍsica y matemáticas para un grupo de27 estudiantes se calculó era0.94. pa¡a n=2g./ 0. t. 8.05 utilizando un ensayo unilateral de la distribución normal rechazaría' mos la hipótesis solamente si z fuera mayor a 1.!613*(=. si Si pz Fz /r +"\ = l.05? o. a un nivel de significación del 0.B0eb #*#= Fzrl.75.s|= 1. n=26.s|= l.50.rrro.0. Puesto que r : 0.50 y tz : 0. v=26.9730-0.50.:) = oz= La variable tipificada ee Fz = r.5493)/O.5606.(-) \r P.92.L613 logS:0.sz\/rLtt/l-(u32Y = 1.69. t--032\r26^tr=@ = 1.?1. (Hs p2r= Fzrl I (Hi Fzr* . Un coeficiente de correlación basado en una muestra de tamaño 24 se calculó era r : 0. zz: r. para n=27.7L.9730 0.49.rsr3 loc\t -.s0(-/l1 \ \y'n_B/ = 1. v =26.80. (b) Sip:0.96oz = 1. ¿Podemos rechazrir la hipótesis de que el coeficiente de conelación poblacional sea tan pequeño como (a) p (o) : 0.b4es. t.51.7L. (b) p : 0. ¿Hay una diferencia considerable entre los dos coeficientes a un nivel de 0. Dos coeficientes de correlación obtenidos de muestras de tamaños nt : 28Y rtz:35 se cdcularon como rr : 0. t . t. t=0.Hallarloslímitesdeconfianzadel96% paraeste coeficiente.5366' p = = L.4904- = 1.266e = 0.28z (ff3*3) = o.50 a un nivel de significación del 0.

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-(#)(#)] =

(b) SolucionarelProblema 8..rlos RECTA DE MINIMOS CUADRADOS Tabla 8-31 8.934 s.9 respectivamente.5¿8 8.s6oy'1:107686)á Problerrra. Entonces utilizamos ( I 6 ).821(o-70. ParalosdatosdelProblemaS. r a 3 6 6 8 911 234668 8. Utilizar los resultados del Problema 8. para obtener las ecuaciones de las rectas de regtesión (¿) ó a-u='!w-nt.64. 8xv 160. 8y r-70. Representar gráficamente los datos y las rectas de mínimos cuadrados utilizando el mismq conjunto de ejes coordenados.64..61. r.e Ge.0) x-?0. página 261 .gZfy'f - (OfOg6P = = 9. = ¿yt/Ti-rz = = a"t/T7rz = f¿. E.2.9 = 8. Tenemoe 8"". (b) Í sobre y para los datos rr+qW = 64.60. s!.65 utiliza¡rdo el resultado de la parte (c)' . Calcular los ertores típicos de la estima (c) er.uo+qY: 145+q'qfrEq = u= De los resulüado¡ del Problema ?o.9) -69.966.60.66. (b ) r como Ia va¡i¿ble dependiente. Ajustar una recta de mínimos cuadrados a los datos de la Tabla 8-31 utilizando a (a\ x como la variable independiente.0 y 14.60.0 = (b) 6 r-ü='?o-o¡. para los datos del Problema 8.o 8.0).61 a. en tanto que su covari¡nza es 160.926 y r = 0.?686.64.. 0. = 13..x=L2.0=A+##€?!)@-70. REGRESION Y CORRELACION 299 Por tanto las desviaciones típicas de las calificaciones de matemáticas y fÍsica son 14.7t9(u-69. (b) sr.0=q9ff##q(v-6e. 0.5+E#9 = ú .20 G&r'-áiÉfutB = o'7686 que concuerda con r hallado en el Problema 8.(b) elvalordexparay:7' (o) Utilizar el método a mano alzada para obtener Ia ecuación para una recta de ajuste de los datos del Problema 8.cAP..63. Escribir las ecuaciones de las rectas de regtesión de (c) y sobre del Problema 8.a guplementa. a y-6e.62. 8l CURVA DE AruSTE.v ts. De la Tabla 8-30 tenemos.e).66 8.hallar(o)losvalore$deycuenda x=6. (a) (bl Ey. = L4.

En el Problema 8.72. u (mi/h) Distancia de parada d(p) 20 54 30 40 138 50 60 70 90 206 292 396 E. t. (o) Representa¡ loe datos en papel semi-Iogaritmo.2 5. ¿cuál es su puntuación eeperada en álgebra? Tabla 8-32 Algebra (c) Física (y) .3 14. (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.I 3. Alustar una parábola de mínimog cuadrados.t--10. utilizando a r como la variable independiente. [. (c) Hallar la recta de regresión de írínimos cuadrados de ¡ sobre y. Con referencia a Ia Tabla 8-33. (b) Ajustar una parábola de mínimoscuadradosdelaformad:oIbu*cuzalosdatos. (o) Construir un diagrama de díspersión. (D) Hallar la recta de mínimos cuadrados que se ajuste. con Ia escala logarítmica para yr la escala ariü- méticaparar.(b)Ajustarunacurvademínimoscuadradosdelaforma !=abxalosdatosyexplicarporqué esta ecuación específica da buenos resultados. 54 42 30 .71 rrcstrar c6mo una gráfica en papel semilogarítmico puede utilizarse para obtener la ecuación pedida sin emplear el método de los mínimos cuadrados. I : o t bx * cx2 I Tabla 8-37 REGRESION MULTIPLE E. fabla 8-33 Calificación en el primer examen C¡lificación en el segundo examen 6 ü D 8 8 10 a 76104 D 8106 Tabla 8-34 q 8 il CURVAS DE REGBESION DE MINIMOS CUADRADOS 8:69.6 21.ID 80 ?8 93 86 65 72 87 91 7L 98 95 68 84 89 tt 82 80 72 74 E. Escribir las ecueciones normales para la curr¡a cúbica de mínimos cuadrados dada por dx3 .8?.a Tabla 8-37 muestra los 3 6 o n 8 t? o t4 valores correspondientes de tres variables x. El número y de bacterias por unidad de volumen pres€ntes en un cultivo después de ¡ horas viene dado en la Tabla 8-36.74. 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. (a) Representar gráficamente d. y. REGRESION Y CORRELACION [cAP.70. ¿cuál es su puntuación esperada en física? (e) Si un estudiante obtiene una puntuación de 95 en físice.300 CURVA DE AJUSTE. (b) Hallar la recta de regresión de mínimos cuadrados de y sobre r.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.73.?1.6 9.u. 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. 8 t. o^ 2. (c) Comparar los valores de y obtenidos de esta ecuación con los valores reales. z. utilizando a y como la variable independiente. y : t 8. (c) Hallar la recta de mínimos cuadradoe que se ajuste a los daüos.68.a los datos. (b\ Estimar z cuando a to 90 10 72 . Tabla 8-36 Velocidad. (d) Estimar el valor de y cuando r : J. o + bx r a 0 1 2 ó A 5 t) ¿x?alos datos de Ia Tabla 8-3¡t. (o) Hallar la ecuación de regresión lineal de mínimos cuadrados de e sobre x.y:6. (o) Representar gráficamente los datoe. y.(c)Estimardcuandou:45mi/hy80mi/h. 12 .

explicar por qué se obüiene o no el mismo resultado que en la parte (a).76. (b) utilizando la fórmula s¡s = rs¡sÍ y el resultado del Problema 8. (o) Calcular el coeficiente de correlación entre los valores correspondientes de r. Hallar el coeficiente de correlación entre los dos nuevos conjuntos de valores.Sis"=1. halla¡ r. (ó) Determinar la recta de regtesión de mínimos cuadradoe de y sobre r.00.90. los dos conjuntos de calificaciones de los exámenes del Problema 8.89. ú=20.r. (b) Obtener eI coeficiente de correlación directamente de las pendientes de las rectas de regresíón del Problema 8. .= E.68 utilizando la fórtnula producto-momento y comparar con el resultado del Problema 8.7 7 a(r-¿l+b(u-úl o.67.85.60.. en E. 8. ballar las ecuaciones de la recta de regresión de (o) y sobre x.86.Br * Ca I Dr2 * Ery * Fyz Obtener las ecuaciones normales para los eoeficientes de regresión de mínimos cuadrados.! .81. REGRESION Y CORRELACION 301 8. (b) $.E2.76.68.3E F¡lad (r) Presión Sanguínea (y) 55 49 38 42 68 r47 725 160 118 t49 t28 150 146 115 140 162 56 42 72 36 63 47 60 165 E.8?. Si sv.79. La Tabla 8. sr:2. Hallar (o) sy ". Utilizar 8. Utilizar los resultados del Problema 8. " para los datos en el Problema 8. E.74.88. yesr:0. D. 8. Multiplicar todos los valores de y por 3 y restarles 15.cAP. coeficiente de correlaciónentredos variables¡.= 3y ss : 5. ERROR TIPICO DE LA ESTIMA Y COEFICIENTE DE CORRELACION LTNEAL E. Tabla 8. Hallar los coeficientesde correlación para los datos del (o) Problema 8. ¿Hay al' t. (c) Estimar la pre- sión sanguínea de una mujer de 45 años. y obtener exptesiones para los coeficientes de regresión de mfnimos cuadradoe el resultado del hoblema 8.y para los datos del Problema 8. (b) sr. y. y es 0.68 (a) dircctamente. (b) Problema 8.60.eL2 mujeres. (b) r sobre y. Calcular (o) sv.64.75 para solucionar el Problema 8. Si el coeficiente de correlación entre. (o) Hallar elcoef¡cientede correlación entre E.7t. y puede escribirse como z-2. 8. y dados en la Tabla 8-39. Demostrer que la ecuación para regresión lineal de z sobre r. r.68(b) v (c ). 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.EO. Hallar la covarianza para los datos del Problema 8.38 lación entre muestra las edades r y la presión sanguínea y d.86.t3.68.81 u 8. 8l CURVA DE AJUSTE. (b) Multiplicar todos los valores de ¡ por 2 y sumarles 6.82. 8.80 para hallar el coeficiente de correlación entre los dos conjuntos de calificaciones de los exámenes del Problema 8. y. ¿qué porcenüaje de la varfación total pennanece no explicada por la ecuación de regresión? 8. El 8. Calcular (a) la variación total en y. y tiene la form¿ z = A 1.¡.z . (o) Hallar el coeficiente de corre' r.i=10. (c) la variación explicada en y para los 8.68. (b) la va¡iación no explicada datos del Problema 8.8f .E4. Tabla 8-39 x a 2 4 5 6 811 18t210875 .50.

t.s. Il¡llar t.93. variación toüal es erplicada por la ruperficie de regreeión? (b) ¿Quéporcenüajedela Demostra¡elresultado (27). C. (b) De.99. ¿Ocurren algunae simplificaciones en la¡ curvas de regresión Ce Y sobre X ó X sobre Y para el caso de varia- . Tabl. COBRELACION GRADUAL E.¡ 8.lo6' función de densidad conjunta (o función de probabilidad conjuñta) f(x. página 52. (c) el coeficiente de conelación generalizado.102.rOO.lOS.104. Mostra¡ cómo se puede diseñar un coeficiente de correlación múltiple. (o) Calcular el coeficiente de conelación múltiple pars los datos del hoblema 8. INTERPBETACION PROBABILTSTICA DE LA REGRESION Y LA CORRELACION E. Hallar el error típico de la estima de z ¡obre ¡.74. tls[a¡ la recta de régresión de mínimos cuadrados de (a) Y robre X. y para lo¡ daüo¡ del Problema 8. Halla¡ el coeficiente de conelación gradual y decidir eobre el acuerdo de loe jueces en su8 eleccioneg.a) = [2r+3a Io o(c(L'o<Y<2 de otra form¡ Ilalla¡ la curva de regresión de (a) Y sobre X.y. E. Hallar el coeficiente de conel¡ción lineal para la¡ variableg aleatoria¡ del Problema 2. y\. t.99. Hallar el coeficiente 264. G. página t. REGRESION Y CORRELACION [cAP. t. lo¡ resultados se mueshan en la Tabla 8140. t.96. I COEFICIENTE DE CORBELACION GENEBALIZADO E'91. Obtener el coeficiente de correlación lineal para el hoblema 8. t. F. 8.92. t. Y con E.96gina 52. (D) X eobre Y para el hoblema 8. Y viene dada por f(r.8. La función de den¡idad conjunta de las variables aleatorias X. t. Da¡ un ejemplo para demostrarcómo hallaría (a) el error típico de leestima.98. H de acuerdo con sus preferencias. 8. ble¡ aleatoriac independientes? Explicar.(D)larvariacionee explicaday no erplicada. el coeficiente de correlación gradual para loa datos del (a) Problema 8.90. Doa juecec en una competencia debían clasifica¡ a 8 candidato¿ A. H¿ll¡rlacurvaderegreeiónde(a)YsobreX.68 v (b) Problema 8.lol.302 CURVA DE AJUSTE. (b) X eobre y.págirra52.96.paraelca¡odeunaauperficiederegresiónlinealparazsobrer.97.8.74.(b)XaobreYparalosdatosdelhoblema2. de conelación para las variabie¡ en el hoblem" g.99.94. D. (b) X cobre Y para Ios datos del hoblema 2.84. Halla¡ la recüa de regesión de mínimoe cuadrados de (a) Y sobre X.gus observaciones en (o). B. en el ca¡o de do¡ variablee aleatorias X.página 263.106. (o) Hallar el coef¡ciente de correlabión gradual para los datos del Problema 8. estudiar una posible deeventaja del método de conelación gradual.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.5g ufilizando el resultado (35).

109. Demostrar que el cóeficiente de correlación - g.!l = 2.05.123. A' = llo * c2y.ypuedeexpresarsecomo il2 -:.11?.(b\99% pra el coeficiente de regresión.114 si el tamaño de Ia muestra es 52. Hallar los límites de confianza del (a) 957o.00 y ñ = 7. que el correspondiente coeficiente de correlación poblacional es considerablemente mayor que cero? E.tu] tan-'L rfti + si) -l E.113.5a = 3. Yvie' nen dadas por 2:r . En el Problema 8. Hallar los límites de confianza d.(b)997oparu un coeficiente de correlación que se calculócomo 0. REGRESION Y CORRELACION 303 TEORIA MUESTRAL DE LA REGRESTON 8. es (o) tan bajo como 8.c2 soll constantes arbitrarias." = 1. Si sr. EnelProblemaS.05. a un nivel de significación del 0.l0?hallarloslímitesdeconfianza d. 8. E. Solucionar el Problema 8. Las rectas de regresión muestrales de mínimos cuadrados para un conjunto de datos involucrando X. TEORIA MUESTRAL DE LA CORRELACION 8.114.115.60 de una muestra de tamaño 28.110. 8.50.60.30. 8. DemostrarqueparaelcasoderegresiónlinealelvalormÍnimodeE'{[]'-(o*¡lX)lz.40.10? ensayar la hipótesis de que el coeficiente de regresión poblacional 1. ¿Podemos concluir a un nivel del (o) 0. Sobre la base de una muestra de tamaño 27 se encontró que la ecuación de regresión de y sobre r era t = 25.20.10? hallar los lÍmites de confianza del (o) 957o.el(o)95%. Demostrarqueelcoeficientedecorrelaciónentre¡. (b) 0. Hallar el coeficiente de correlación lineal.00. (b) tan alto como 2.121.cAP.112. Verificar los coeficientes (5). y). (b) 0.(b)99%paralamedia'detodoslosvaloresde y correspondientesa¡ = 6. página 260.116.l19. (b) tan grande como p : 0.0 + 2.01.80 y 0. hallar los límites de confianza del (c) 95%. para la recta de mlnimos cuadrados.1 "l$- c2) 20. y'es eI mismo que el entre. utilizando un nivel de significación del 0'05? 8.00 ¡.* : 8. 8l CURVA DE AJUSTE. que hay una diferencia significativa en' tre los dos coeficientes? RESULTADOS DryERSOS 8. (b) ta presión sanguínea de las mujeres de 45 años.01.I22. 8. Un coeficiente de correlación basado sobre una muestra de tamaño 27 se calculó como 0.95 respectivamente.211Ú 8.108.10?.50' ¿Podemosre' chazar la hipótesis de que eI coeficiente de correlación poblacional es (o) tan pequeño como p : 0.sx = 3. demuestre que el coeficiente de correlación entre r'.?0.01. Demostrar que el ángulo entre dos rectas de regresión muestrales de mínimos cuadrados viene dado por .d'.111.70. 8.(b\ 99% para y cuando ¡ : 6. (Sugerencia: Suponga quer' = noi c1r. .00.el 95% para el coeficiente de correlación calculado en el hoblema 8. ¿Podemos concluir a un nivel de significación del (o) 0.8. .tes t?. 5r . Dos coeficientes de correlación obtenidos de muestras de tamaños 23 y 28 se calcula¡on como 0.S4. 8. ConreferenciaalProblema8. 8. Un coeficiente de correlación basado sobre una muestra de tamaño 35 se calculó como 0. En el Problema 8. donde r¡¡ !/6¡ cl¡.hallarloslímitesdeconfianzadel 9fleparafo)elcoeficientederegresiónde y sobre r.f-(1 -r2)s. (c) la media de lae presioñes sanguíneas de las mujeres de 45 años.\ es independiente de Ia elección del origen de las variables o de Ias unidades en que se expresan.84.118.

8.3 I 10.1 114.5 r14.4).128. 8ü 8É ¿Es el resultado válido para regresión no lineal? 8.126.2 r20.8 114.y para loa daios del hoblema 8.L24.304 CURVA DE AJUSTE. Hallar los límites de confianza del 96% pára el coeficiente de correlación calculado en el hoblema 8. - Tabla 8-42 Año Indice de precios al consumidor Indice de precios al 99.l2S. 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 .8 111. Con referencia a la Tabla 8-43: (o) Representar gráficamente los datos.2 Fuente: Bureau of Labor Statistics 8. Tabla 8.8 102. E.130. 8. (o)HallarlarectaderegrecióndemínimoscuadradosdeysobrerparalosdatosdelProblemaS.8 111.41 ESTATURAS .8 8.0 113. 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. Ilalla¡ el coeficiente de correlación entre las estaturas y pesos de 300 adultos dados en la tabla de frecuencias siguiente. (d) Predecir el Índice de precio para la asistencia médic¿ durante 1958 y compararlo con el valor verdadero (L44.7 114.127.125. f¡¡ 32 20 t2 q . 8. (e) ¿En qué año podemos esperar que el índice de costos médicos doble el del 194?1949.2 t23. (b) Br.r.1 t 10.L25.129.5 116. El período base es de L94? 1949 : 100.4 I14.2 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 101.6 I 10. 210-225 I . 19 5 o (t) e.5 por mayor 103.(ó)Estimar los pesos de doe hombres cuyas estaturas son 64 y ?2 pulgadas respectivamente. REGRESION Y CORRELACION [cAP.6 L19. (c) Calcular los valores de tendencia y compararlos con los valores reales.3 1r 7. Demostrar que para regresión lineal 4 = +. Hallar (o) s".r (pulgadas) 59-62 63-66 1 67-70 71-74 75-78 9L109 110-129 !e 2 n 8 2 ! p ql 130-149 150-169 170-189 190-209 o 15 L2 4 22 63 28 10 I 1 h tt) . (ó) Hallar la recta de mínimos cuadrados que se ajusta a los datos y construir su gráfica.1 25.

REGRESION Y CORRELACION 305 8. Demostrar que si 9(r) = E(Y \ X = c) entonces EUY - É(x)1'!) = E{LI'- o(xl¡z¡ + Ells(x) - q(x)l.132 para variaciones explicadas y no explicadas.9 17.l35.cAP. si Ia hay.6 23. .6 Fuentet Department of Health.133. y).132). (b) Hallar la parábola de mÍnimos cuadrados que se ajuste a Ios datos. Demostrar el Teorema 8-2. Con referencia a la Tbbla 8-44.9 Welfaie 19.página265. (d) Explicar por qué la ecuación en (b) no es útil para propósitos de extrapolación.0 1030 18. Estudiar la relación.134.131. E. Demostrar el Teorema 8-1.5 23. (Sugerencia.136. 8.132.¿) donde .7 21. página 265.8l CURVA DE AJUSTE. 8. En el Teorema 8-1. Education 8.' Utilizar el Problema 8.9 ¿ind 1935 1940 1945 1950 1955 24.3 16. (a) Representar gráficamente los datos. (c) Calcular los valores de tendencia y compararlos con los valores reales. 8. Sean X. ¿es g(r) única? Explicar. Y variables a|s3fs¡i¡s con función de densidad conjunta (o función de probabilidad) f(x. Tabla 8-44 Año Natalidad por cada 1000 habitantes 1915 1920 7925 25. del Problema 8.¿(r) es cualquier función de r para el cual estas esperanzas existen.

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

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

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

ENSAYO ¡ PARA LA HIPOTESIS NULA DE MEDIAS IGUALES Si la hipótesis nula . el cual es una consecuencia del Teorema 5-8. vemos de (23) qrr" 33 puede ser mayor eü€ o2. o el método corto. a-I.cAP. con tratamientos. Teorema 9-2: Bajo la hipótesis nulal{0. Vt. Si este estadístico es considerablemente grande podemos concluir que hay una diferencia significante entre las medias de tratamiento y así rechazamos f[e.- ¡¡z Ao s6 = o-1 u6 86 -_ s. de (I9) y (20) cabe esperarse que S. En la práctica calcula¡íamos u y uo empleando eI métódo largo. página 161. Teoremag-3: E] estadístico tad. po{emos demoshar los siguientes teoremas fundamentales relativos a las distribuciones de las va¡iaciones V. (10) y (11). va : b)1nt. De otra forma podemos o aceptar lfe o reservarnos el juicio dependiendo de análisis posterior. es igual a la-suma de los grados de libertad para las variaciones entre tratamientos y las variaciones dentro de tratamientos. TABLAS DE ANALISIS DE VARIANZA Lo! cálculos pedidos para el ensayo anterior se resumén en la Tabla 9-2. Pa¡a utilizar este estadístico debemos conocer su distribución. es decir.Ffs no es cierta. . 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. en tanto que el Teorema 9-2 sólo es válido si se supone f/0. Debe advertirse que los grados de libertad para la variación total./o2yV/étienen la distribución chi-cuadrado con ¿ -1 Tenrema y ab - 1 grados de libertad respectivamente. que se denominatabla de anólisis de uarianza. 9-1: V. y luego calcular u. si las medias de tratamiento no son iguales.ab .u/o2 tiene la distribución chi-cuadrado con o(b . Tabla 9-2 Grados de Iibertad Enüre tratamientos.a(b-L) j a\o _ l) grados de libertad a : a-L+ ut = )(er¡.-f. Total.1) grados de liberbad.. V6 y V.9l ANALISIS DE VARIANZA 309 DISTRIBUCIONES DE LAS VARIACIONES Utilizando el Teorema 4-4.: u uu.)2 . Es importante ¡ecalcar que el Teorerría g-1 es válido si se supone o no I/s . Por otra parte. Se deduce que un buen estadístico para ensayar la hipótesis -EI¡ viene dado por 3. (3) y (8). siendo el efecto más pronunciado a medida que la discrepancia entre medias aumenta. Esto viene dado en el teorema siguiente. pág¡na 116. esto es.1.3 r""igual a c2 independientemente de si las medias son iguales o no.13¿.

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

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

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

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

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

En lo que sigue damos algunos ejemplos importantes de diseño de experimentos. Algunos estadísticos recomiendan combinar las va¡iaciones en este caso tomando el total u¡ * u" y dividiéndolo por el üotal correspondiente de los grados de libertad. aunque físicamente cualquier forma puede utilizarse) y asignar cada tratamiento. D.o) y-H<2. Pa¡a üseña¡ tal experimento podríamos dividir el teneno en 4 X 4 = L6 parcelas (indicadas en la Fig. En este caso podemos concluir que las interacciones son considerabtemente grandes. Completa aleatoriedad. Por esta razón muchos estadísticos recomiendan que se ensayen I/é'. Las diferencias en los factores serían impgrtantes solamente si fueran grandes comparadas con tales interacciones.los detalles de un experimento deben planearse cuidadosamente con anterioridad. (a . Supóngase que tenemos un experimento agrícola como en el Ejemplo 9. indicados por .9-l . 9-1 por cuadrados. C. Il[3) puede rechazarse. Caso I.1. y l/.2 Fig. El procedimiento se ilustra en el Problema 9-tr3.6. Esto produce una tabla factor dos con valores singulares. Caso II.cAP. esto es l3*= 0 I{:}): No hay interacciones entre tratamientos y bloques. 9. Dos casos poóibles se presentan. Esto se denomina a veces como diseíw del experimento. Luego podemos ensay4r H. Il[r) no puede rechazarse.l) + ab(c . esto es oj = 0 I{2): Todas las medias de bloque (columna) son iguales.1) (b . a cuatro bloques escogidos completamente al aza¡. 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. Sin embargo.4. etc. y utilizando este valor para remplazar el denominador 3! en el ensayo F. En este caso podemos concluir que las interacciones no son muy g¡ánAes. utilizando hs íelaciones F de G?liZ v 3:63 reópectivamente como se muestra enlaTabla9-6. Utilizaremos este procedimiento alterno. para ganar tanta información como sea posible. 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. 1. 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. página 306. que pueden analiza¡se como en la Tabla 9-5.1). 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.F de 33/0? V GfBi en cambio de esas dadas en la Tabla 9-6.9-l Fig. B.9-3 grecoJatino Fig. El propósito de la aleatoriedad es la de eliminar varias fuentes de enor tal como fertilidad del suelo.j'z) utilizando las relaciones . DISEÑO E)GERIMENTAL Las técnicas de análisis de varianza discutidas anterionnente se emplean despuós de que se han obtenido los resultados de un experimento.F' de 3?/S3 de la Tabla 9.

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

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

g)r + (4.k = (3. = i(B+4-f b+4+2t. B. -¿). = o.4)2 + (2 . por ejemplo 45.05.4¡:: * (3 .f B+4+6+b+b¡ = Así la gran media para el conjunto original de datos es 45 * 4 : 49 hl/ha.yemosqueF.4.4)2 + (5 -.¿. Entonces obtenemoe los datos de la. (a) (b) ? 3 9.4)2 + (4-4): + (3 . = lae+A+3*B) = 5 3. (o) ConreferenciaalApéndiceF. de significación del (c) 0.05. Con referencia al Problema 9.4)'.4): + (5-4¡: =14 ((l ) Variaciónentretratamientos = tr.95:4. ¿podemos rechazar la hipótesis nula de medias iguales al nivel - 1 : F=$=h = 3 6 - L : 2ya(b . . [cAP.. 1 = 4. (b) 0.4)2 + (4- + (2 -3)2 + (4-3)2 + (:J-U + (5-4¡r + (4-4): 3)2 + (3 . = !4(B+4+ 5+4. hallar una estima insesgada de la varianza poblacional oz de (c) la variación entre tratamientos bajo la hipótesis nula de igual medias de hatamiento.Puesüoque^F :6)F.318 ANALrsrs DE vARTANZA Para simplificar la aritmética podemos restar algún número apropiado.5. Tabla 9-E e (a) por Las medias de tratamiento (fila) para la Tabla 9-8 vienen dados respectivamente rr.4)! + (3 .¡.@ir-E)2 = (3-4)r + (4-4)x + (6-¿)¿ + (4.41-B.4. ¡r.: i(4+6+5*5) = respectivamente. C (b) (c) .5)r + (d--5)! -l (5-5)r + (5-5)r 412 9.¿): + (4 -4):¿ + (6-4)2 + (5. = ) @¡¡-E¡.)2 t.:l = = r'..96podemos techazar la hipóüesis nula de medias iguales al nivel 0. i. =.6. 3 0.1): 3(4-1) : I grados delibertad.01? Tenemos con-o Con referencia al hoblema 9. Variacióntotal 4 =.conut:2yu2:9.u = 14-8 = 6 (cl. Por tanto los rendimientos medios.Tabla 9-8. 4l(4 . eon 49.¡. de todos los datos sin afectar los valoree de las variaciones. (b) la variación dentro de tratamientos. obtenidog al sumar 45 a éstos.26. 48 y 50 hl/ha para A. = b)) (é) Variacióndentrodetratamientos Otro método.

6:8. Utilizar las fórmulas cortas (101-(12) para obtener los resultados del Problema 9.Pue8toqucF=6(F.9no podemos techazar la hipótesir nula de medias iguales al nivel 0.=2+4+3*3:12 rt.9 o(b-1)=(3)(3)=9 gradoe de =14-8=6 libertad 9.vemoaqueF. .n) = : 2oo 6 _ tg2 = E (c) D-Qb:14-8 . (o) Tenemos 2r¡?r=9+16+26+16 t'k +4+16+9+9 +16+56+26+26 También = 206 = 3+4+5+4 +2+4+3+3 +4+6+6+6 =48 1) Por tanto = a"?--# : . el ANALIS$ DE VARIANZA 319 (b) ConreferenciaalApéndiceF. = 4 +6+5*5 = 20 r = 16+12+20 = 48 Luego D6 1s-.4-9. I¿ tabla de aDáli¡is de va¡ianza para loe hoblemss 9.6 ¡e muestran en la Tabla 9-9.4.a&-6 .= Dentro de t¡ata 0w=0-0b a -63 ^' .4 ba'i ab 1 i062+t22+202) 0w: (^8\: te.O1.2/3 n con 2.02.?. Tabla 9-9 Gg=f.cAP.06-S8t = (b) Los totdes de las filas ¡on 206-rsz = 14 También rl. = 3+4+6*4 = 16 tz.conur:2!uz:9. ..

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

cAP. por ejemplg 400..(10 8r: I í8 __ 8)r -i rG 8): -1. Entonces tenemos .18-512: rl¡--5rr . directamente observando que es igual a (7--9):r-(11..ru r También podémos obtener 72 -- 36 .01 si hay una diferencia en los tres tipos..(8 _ 8l: - .1456 =ZO I | =.l-5rr -.-i)z -3(9 ' - 7\2 36 ! 5(7 + 4(8 -- 7)! = 36 .ss: 2. u. ensayar al nivel de significación del (c) 0.9.-+(8-7)z = 5): 72 -= J'K )(t.t0i Muestra 2 Muestra 3 11 409 401 406 408 405 .)(r.i = Gran 8 media = 84 1t En esta tabla hemos indicado los totales de fila.". Tabla 9-15 Total Muestra 1 Media 9 7trI 4 27 8 5 2 Muestra 2 Muestra 3 6 25 32 5 10868 . 7):+(11 -?)2+. . y obtener la Tabla 9-15.2lIl I ab-I=24 I W = tz.-i..-¡. lógicamente tampoco la podemos rechazar al'nivel 0. 20 grados de libertad tenemos F .r.^. Tabla 9-13 Entre tratamientos.)rr¡(.05.87 .)! ¿'. MODIFICACIONES PARA NUMEROS DESIGUALES DE OBSERVACIONES 9. . Utilizando el método largo. "... La Tabla 9-14 muestra la duración en horas de las muestras de tres tipos diferentes de tubos de televisión fabricados por uná compañía. (b) 0. ?t¡ = 655 tratamientos. Es conveniente restar Tabla 9-14 Muestra 1 .(i -5r2 . las medias de grupo o muestrales y la gran media.05.¡r . Por tanto no podemos rechazar la hipótesis nula a un nivel 0. el Formamosla Tabla 9-13.u-1) = 5(4) rA = I l "u ?'.fti'k ¿rr.8 (5X4) t: Pata 4.r (2 5):r -l.1 .f)r!-i tÍf -f)): r t. ANALISIS DE VARIANZA 321.01.102 410 .u¡.108 406 408 un número apropiado.

=32.. I 5.26. Por tanto podemos rechaza¡ la hipótesis de medias iguales (esto es..10. 12t nB=4.96 : 4. so:. e Variación Grados de libertad Media de cuadrados F D¡=36 a-7=2 n-a=9 io.=27.9 utilizando las fórmulas cortas incluidas en (24). ¡=84 = + iL2 + . Tabla 9-16 [cAP.8 6.(25)2. Por tanto ! = n2=5. como también los totales de columna.11. La Tabla 9-17 muestra los rendimientos por acre de cuatro go. Tabla 9-16. rg. CLASIFICACION DOBLE O EXPERIMENTOS DE DOS FACTORES 9.2 ñ"¡'.322 ANALISIS DE VARIANZA f.5 Enüonces para 2 y 9 grados de übertad hallamos del Apéndice F que F. ensayar al nivel de significación de 0.2 7. (b) hay una diferencia significativa en rendimiento por acre debido a las cosechas. 12.?. De la Tabla 9-15. las medias de columna y la gran media.4 uru so'- 18 = 36 G1=?9=4 = 4.os datos pueden resumirse en la tabla de análisis de varianza. Soluciona¡ eI Problema 9. = = 36 (27)2. 9.02. = 19= 1g 5.9.6 7. Rt=3. .:25. ninguna diferencia en los tres tipos de tubos) al nivel 0.01. Tabla 9-1? Cosecha cosechas de plantas diferentes culparcelas tratadas con tres tipos diferentes de fertilizantes. como se indica en la Tabla 9-18.01 si (a) hay una diferencia significativa en rendimiento por acre debida a los fertilizantes.8 o. n=12. + 62 +8r-Q|2 = 72 a6 = ?t-.7 45 8.0 5.8 9. (25) V Q6l. Utilizando el método lartivadas en Cosecha I Fertilizante A Fertilizante B Fertilizante C u Cosecha III Cosecha IV 6.9 6.2 Calculamos los totales de fila y medias de fila. F.4 7.-.99 : 8.05 pero no al nivel 0.(32)2 s-5-4 -W = s6 'l)ú = I-Ub Utilizando estos re¡ultados el análisis de va¡ianza procede como en el Problema 9. 72 t1.

32 U: Va¡iación total (4.9 = = 81.9 .2 6.8)2 + (8.5 -6.8 9.14.08 ue : Variación aleatoria = Lt .8)2 + (5.6 columna u.6. el ANALISIS DE VARIANZA Tabla 9-18 Cosecha 323 I Cosecha II Cosecha III losecha IV Totales de fila 24.8)2 + (?.8)21 = 13.6.3 . : Esto conduce al análisis de varianza en la Thbla 9-19.5 6.2 23.podemos rechazar la hipótesis de que las medias de fila son iguales y concluir que al nivel 0.5 6. .3-6.05 hay una diferencia significaüiva en el rendimienüo debida a los fstilizantes.4¡z a (6.0 . Tabla 9-19 6.0-6.8)2 + (5.8)2 + (5.9 columna Medias de 19.8 7.4-6.8 -6.4-6.8)2 + (6.2 8.6 .8)2 + (8.7 5.yaque 6.0 33.0 7.8 Media de fila 6.6 grados de libertad.9 -6.8)2 -1 (9.05 con 2.2 2t.9 68 5.3 Gran media 6.3 5.24> 5.4 7.6 oi = t. Fq.6 5.8)z] = 2. 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. Entonces.8)2 + (6.6. 64 7.8)2 + (5.ocz Al nivel de significación de 0. (7.cAP.8)2 + (6.6.2 .14.8)2 = 23.68 u" : Variación de medias de columna con respecto a la gran media = 3[(6.r. .S¡z a (7.6.8 .r.:5.8¡r+ (7.8 : Variación de medias de fila con respecto a la gran media = 4U6.2-6.6.2 Fertilizante A Fertilizante B Fertiüzante C Totales de 4.58 F =G?/C?: a.8 .6 7.5 18.7 -6.6.86 gl: 3.5-6.S12 -'.0 Gran total 22.2 -6.7-6.4¡z * (7.zt gl: 2.6 ¡'=0"2/i3=0.7 8.

Efectuar un análisis de varianza para ensayar al nivel de significación del 0.68 .G8 = *>t-"ti = |trozs. Utlizar Tenemos de la Tabla 9-18 i.2)2 ¡ + (33.8+33.96 S-z Sro (24.6 = (4. (b) una diferencia en los turnos.5)2 + (18. 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.2)2 81.ut - bb4.2)2 (27-O'¡z r.k )"i T a .324 ANALISIS DE VARIANZA las fórmulas cortas para obtener los resultados del Problema 9. En esta tabla se indican los dos factores principales. : lcAP. 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. móquina y lurno.6)¿ = 2274.zu 'üc bb4.88 ab = 23.n¡z (5.82 11 = = 23. D en la producción de tornillos.08 = uc Lnezln.11.(23.2+23. 554. Los resultados se indican en la Tabla 9-20.05 si hay (c) una diferencia en las máquinas..t2. C.24 ¡ (22.6 : 577.9)2 = 1673. Nótese que para cada máquina se han indicado dos turnos. Un productor desea determinar la efectividad de cuatro tipos de máquinas A.11.10 Entonces s-2 j* tt'r^ 12 ab = vr 1s-r-t' 577. Los días de la semana se pueden considerar conro réplicas o repeticiones del rendimiento de cada máquina para los dos turnos.13. - 13.S¡z a (6.rol rt .88 = = 18. .82 = 6.2.2¡z (19.96 bj'j.58 EXPERTMENTOS DE DOS FACTORES CON REPETICION 9. B. e 9.08 de acuerdo con el Problema 9.88 2. + 24..

_124)2.ro ro 10 La va¡iación entre columnas viene dada por (zgq)' 40 = 1846.S .6 - 1?9b.(41)2..5 .-. móquino y turno.b . 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 [. que llamaremos variación subtotal u". (32)2.6 La variación enhe filas üene dada por (zee¡z 40 a' = (54)2 (85)2t' (6. Esta viene dada por * u" ) obtenemos la 0i = 0"-D¡. concentremos nuestra atención al üotal de los valores de repetición correspondiente a cada combinación de factores.0 'tt" = --ñ. (38)2 ""--6-5 .6 rov = 8. + 72 +L02-W = 1946- 1?95..1 Si reetamos de la variación subtotal u.6 = 51. la suma de las variaciones entre filas y columnas (u.3. (31)2.S . (44)2.1 = 6. Estos se ordenan en la Tabla 9-22. 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+ . (119)r_eqq\2 ? 40 - _ 180s.4 variación total para la Tabla g-22.cAP. (30)2. viene dada por -. ZO - (126\2. variación debida alasinteroccion¿s entre las filas y columnas.0c = 65.6 = 1b0.?_1?e5.2 .¡2912.1795.)' + qq -ld.5 = 1861.0-8.b --5 .4 Para considera¡ los dos factores principales.6-51.6 : 66.. que es una tabla de dos factores con valores simples.

.05 podemos conclui¡ que las-máquinas no son igualmente efectivas. Puesto que 3 de esos 8e deben a filas y 1 a columna¡. I¡iabla también da el número de grados de Tabla 9-23 Filas (mÁquinas). filas y columnas de la Tabla 9-22). Para hallar loe grados de übertad debidos a la interacción obeervamoe que hay 8 valores en la Tabla 9-22.42.90 para B.61. que conduce a unava¡ianzacombinadade gL. e Finalmente la variación reaidual. Puesto que . columna e interacción (ee decir.SfSe:2. Siguiendo lae reglas de la página 315.: 4. B2 grados de libertad podemos rechazar la hipóüesis ll.6 + 84. la va¡iación subtotal) ¿L U variaóiOn tot¿l u.65 para el denominador de F en la Tbbla 9-23 no afectan las conclusiones alcanzadas anteriormente.326 ANALISIS DE VARIANZA lcAP. Esto es equivalente a decir que al nivel 0.Ya que hay 40 valores en la üabla original 9-2i el total de gradoe de libertad es 40 1 = 39. Esto esequivalenüe a decir que al nivel 0. Po¡ tanto el total de gtadoe de libertad es 8 I : 7. hallamos para la va¡iación combinada y grados de libertad combinados u¡* u. no podemos techazt la hipóteeio l/[zt ¿" que las columna¡ tengan medias igualee. Aef.! : Sgradosdelibertad. se halla reetando la suma de variaciones füa. 32 grados de liberüad Fn. podemos rechaza¡ |a hipótesis flllr ¿" la pógina 315.6 : 84.F nl: 2.o" : 150.4-65. Tabla 9-23. 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).:6. De la Tabla 9-23 vemos que pa¡a interacción F : 0.tr ¿" que lar fila¡ tienen ¡¡sdi¡¡ igualee. Entoncee ya que F calcul¡do para lascolumna¡es 8. 0c = 8'1 Interacción.8 1 grado de liberüad. 0' = 51'0 i? = tt. D" = 84'8 Total. lo cual indica que la interacción no ee significante. eeto es.entantoquelavarirrcióndebidaalae 2columnastiene 2-L= Estas va¡iacionee se indican en el análisis de varianza.16. vemos que F para las fila¡ e¿ 6. Al usar este valor en cambio de 2. ce debe a interacción. u= 150.8 : 91.3 y 3 + 32: 36 respectivamenüe. Para l. Si decidimos analizar los resultados combinando las variaciones residual e interacción como lo recomiendan algunos estadísticos. u¡ = 6. el reeto. Eeto resulta en a" = Q-(or*o"*o¡l = 7).4 Para continuar debemos determinar primero si hay alguna inüeracción significaüiva entre los facüores básicos (es decir. 7 (3 + 1): 3.o Columnas (turnos).06 no hay diferencia iignificativa entre turnos. Por tanüo los grados de libertad debidos a l¡ va¡iación residual o aleatoria ee 39 7 : 32.5 G? = zltt Aleatoda o residual.. - libertad cottespondientes a cada tipo de variación.06. ya que hay 4 filas en la Tabla g-22La variación debida a l¡s fila¡ tiene 4 .81?.

= T*ry*ry 5723.1)¡ ff +ff + ff -5468.14.26 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. Para eliminar fuentes de enor debidas a la variabilidad en la fertilidad del suelo emplea los fertilizantes en una distribución de un cuadrado latino como s€ indica en la Tabla 9-24. de modo que podemos proceder más al.69 16 variaciónenrretratamienros = .25 + ry .5439.01 las máquinas no 6on igualmente efectivas.06 : va¡iación entre (77\2 (74\2 (78\2 (71\2 columru lS=?rc= 4 . el ANALISIS DE VARIANZA 327 9.13 si se utiliza el nivel 0. 32 grados oe libertad y puesto que F para filas es 6. Ya que ¡'.4 .75 .l cAP. Hdlamos Va¡iacióntotal : o= (18)? + (21)2 + (25)2+'.06 : 329.t: 4. columnas y üratamientos se obtienen común y corrienüe.06 .05.4 -.01. 29. Tabla 9-25 At8 D22 c2r Bt2 420 D25 BLI at6 c2s 810 ct9 D24 875 c22 D2l At7 TOTALES AL8 D22 c2l BL2 D26 Btl c19 D24 75 68 82 70 Tabla 9.25 *9'{ -(fftr = 284. Solucionar el Problema 9. donde los números indican rendimientos en dkl por unidad de área. También obtenemos el total de rendimientos para cada uno de loe fertilizantes como g€ muestra en la Tabla 9-26.At-ril. Ya que F .01 no hay diferencia significativa en los turnos.15. D en el rendimiento de trigo. 4 : 5443.01.r.19 - 5439.05 y (b) 0. concluimos que al nivel 0. podemos concluir que aún al nivel 0.51 para 1.49..e0 = 7. C. CUADRADOS LATINOS Tabla 9-24 9. Efectuar un análisis de varianza para determinar si hay una diferencia significativa entre los fertilizantes a niveles de significación de (c) 0. 32 grados de libertad y puesto que F para columnas es 3.47 para 3.19 (2eS1z - 5439. Un hacendado desea ensaya¡ los efectos de cuatro fertilizantes A.06 = 4. B.94 Variación entre filas .Ia variación üotal y las va¡i¡ciones para filas.lá.' + (10¡z * (lT2 -@5Y 16 5769 - 6439. A este nivel aún no hay interacción apreciable.

Asignamos aleatoriamente los cuatro caminos que van a emplearse. Tabla 9-28 CONDUCTORES 1234 B. (b) Ya que Fgo. Puesto que el valor F para columnas es menor que 1. 29.' I A. Asignamos las diferentes gasolinas A.8? (o) Puesto que F er. CUADRADOS GRECO. conductores. LATTNOS 9. Supóngase que los diferentes autos se representan por las filas y los diferentes conduetores por las columnas. 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). sujetos a los mismos requisitos impuestos a las letras latinas.9 > 4. 4. C. 6. de modo que cada letra apatezca solamente una vez en cada fila y solamente una vez en cada columna.78. 284. denotados por o.¡.19 Residuales..01. podemos concluir que hay diferencia entre fertilizantes.01. e Filas.05. Un aneglo posible es el dado en la Tabla 9-28.r. .16.76.o :4. Sin embargo. B. debemosconcluirquehay una diferencia entre fertilizantes al nivel 0. i I}¡ 9. D aleatoriamente a filas y columnas. Diseñar un experimento utilizando cuatro conductores. 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. B. 11. autos y caminos podemos emplear un cuadrado grecolotino.17. Así cada conductor tendrá la oportunidad de conducir a lo largo de cada uno de los caminos. concluimos que no hay diferencia en la fertilidad del suelo en las columnas. podemos aceptar la hipótesis que no hay diferencia enla fertilidad del suelo en las filas (o las columnas) al nivel de significación del 0.328 ANALISIS DE VARIANZA El análisis de va¡ianza s€ muestra en la Tabla 9-27. 7.lJtiliza¡ el análisis de varianza para determinar si hay alguna diferencia significativa al nivel 0. C. Ya que el valor de. D.0 : 9.. como se indica en la Tabla 9-28.05 hay diferencia en la fertilidad del suelo de una fila a orra.76.F para tratamientos es 4?.05Ia hipótesis de que hay medias de fila iguales. rechazamos al nivel 0. 4. Es de interés determinar si hay alguna diferencia en el kilometraje por galón entre las gasolinas A. cuatro autos y cuatro caminos diferentes. p.69 Tlatamientos.19 Columnas. Se deduce que al nivel 0. Puesto que se incluye igual número (cuatro) de gasolinas. Tabla 9-2? lcAP.

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. E número total de gados de übertad es n2 .6o-40e6 = ?. (52)2 .Portantolosgradosdelibertadparaelerroresn2 caso n f.60 = 6. (68)2 4 . B.4 . como eigue: Atotal: 15+16+15+16 = Btotal: 19+18+2I+ 23 = Ototal: .Ennueetro .60 -4096 = 111.60 I 4096 6. Dl Caminos: (o' P. (63)2 .1 para un cuadrado de n X n. ó) Ga¡olinas: (62)2 4267. (62\2 -.60 Columnas: . Filas: a----l---4 (64)2 .00 - 6-50 - 11r.cAP.60 - 4096 = = 16. el ANALISIS DE VARIANZA 329 Prirpero obtenemos totdes fila y columna como ¡e indica en la Tabla 9-30. utilizando el método corto. (61)2 4-4-4-4-16 4102.os resultados se mueshan en el análi¡i¡ de varianza. C. 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.60 (A.50 La variación total ee (1S¡z * (le¡z + "' + (16)2 + (2s\2 -e66\2 =' 'I | \-vt 16 16. (81)2 .60 ry*ff+ff+ry-ry 4 (16)'z = 4ros. Tabla 9-31. (59)2 . -1--4(n-1)=(n-lXn-3).00 de modo que la variación debida al e¡ror e¡ 148.4-T 4 . Las filas. 4 - (70)2 (256\2 16 Q6A)z 16 QAA¡z = 4112. (61)2 . columnaE.50 4244-4096 = 148.50 - 7. 7.00 deliberüad. leüras laüinas y letras griegas cada una tienern 1 grados : 4.

B.28 V F.s.C. 111.3u*3" = op+\'¡ t=L i=l !:t' = (2p)/a.50 Caminos (o' É' 7.¡z > + ) (x.330 ANATISIS DE VARIANZA Tabla 9-31 lcAP..". ya E(v.5. 6).-*. (b) la ecuación (I6). J=r - =. donde Sf é define por (15).tz = b j=r |Lo rEr' " ' ) = ¿!s? j=1 d.s : 29..} .so.50 2. página 308].*-i. 6. Capítulo 5. Derivar (c) la ecuación (17).r.500 :?*33=t. PROBLEMAS DIVERSOS 9.l)oz - .26 Tenemos F. = F* e¡.a:9.05 pero no al nivel 0. 5u. e Columnas (conductores). 7.18. = 9.01.60 Gasolinas. Demostrar que > oj = 0 [(15).or. Por tanto podemos rqchazar lahipótesisdequelasgasolinasson igualee al nivel 0. b 3 (¿'-1"'\ -i---t\ b / = a(b . (o) Poi definición tenemos v.-¡b-l ¡ es la varianza muestral para el tratamiento jr como que el tamaño de la muestra es b. El tratamiento medias de la población viene dado por p¡ Por tanto ac = 9. (4. de Ia página 308. Se deduce que t=L )¡t* )"t j:r ' donde hemos utilizado la definición p )a.= .) = bj¿E(Si) utilizando (I6) del Capftulo 5.D).. Entonces.19.

tenemos dd Teoreme 6-4. ¡úgina 161.2 9. el ANALISIS DE VARIANZA Por 331 (b) definición vt' = a ) 1*r. ¿Podemos sostener esta conclusión al nivel de signifi cación del (c) 0. Demostt'ar el Teorema $1.cAP. bSJ/o2 tiene drado con b . Entonceo.-ab*z j=1 a.01? Si existe alguna variación debida a las repeticionee se incluye en lo que ae llama el ertor re¡idual o aleatorio.) = pj = p+ai Utilizando los resultsdos (2>(7). = 84..8. E(U2) = Var (U) + lE(U)12. P¡ra hallar la variación debida a larepeticiónutilizamoslostoüalegdecolumna cn la Thbla 9-21. Por tanto lv(x. 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.20. .t) X = ( )It. con medias ¡t¡ y varianza común 02.bgQ7z) Entoncee para cualquier variable aleaüoria U. Como ¡e indica en el Problema 9. (b) 0.+auxz l=r t=L ya que (f) (21 (.p6gitn 116. + > al - ob¡P (c--t)62 * b ) a.. omitiendo el fndice de la euma. obteniendo u" .) / \ // /\/ ' = b>*?.18.21.P = (a-l)o2 * abp2 + zbp> ". en la Tabla 9-23.Enloncex.13 supusimos que no existían diferencias significativas en las repeticiones. esto es. üenemos E(val = b>86?) var(i¡. página 158: ( tr) var (5) =r Var(X) = # E(X) = p (i¡.1 gradoe de libotad. los diferentes días de la semana.+*i):-l -"ufLab J !+rr) " '' ) -LD aoz * b ) (p+ a¡)2 - o2 - s'b. página 309. más el reeulüado dd hoblema 9. Por el Teorema 5-6. puesto que las varianza¡ S! bn indep el Teorema 4-4.19(o).\12 lBlx¡12 E(xil : E(Xz) = Var (Í) + Pero ya que las poblaciones de traüamiento son normales. En el Problema 9.05. que V-/o2 tiene dishibución chi-cuaüado cón o(b - 1) 9. en (I ) tenemos E(va) = b>[+*(¡.) (d) (7) E(Xj.-x¡z t=r aa a o = b>*i-2bx)x.) + a.

Suponemos que la clasificación se hace en A grupos.7! parz 4.. = 8'1 Repeticiones (días de la semana).C". podetnos concluir que no hay variación significativa al nivel de 0.6 = 11.4 De la tabla vemos que el F calculado para repeticiones es 1. . Finalmente d Existirá una uarioción total dada por (l) 1) = t.ú¡n< ..18. el número de grados de libertad asociados con esta variación es b 1 : 4.EIvalorenA¡. denota la media de valores en la clase C cuando A¡ y B:p se maitienen fijos.06 (y por tanto al nivel 0.86. La tabla final de análisis de varianza.22.*ucA-. . Reproduzca la tabla de análisis de varianza a emplearse en tal caso. Describir cómo se pueden utilizar las técnicas de análisis de varianza para clasificación triple o experimentos con los tres factores (con factores simples). Estas variaciones son entre clases del mismo tipo y entre clases de diferentes tipos (inúerccciones).4 Puesto que hay 5 repeticiones.k. Pero ya que Fe5: 2. . La interacción entre todas las clases se denomina como antes la uariación aleotoria o residuol.. teniendo en cuenta las repeticiones.. 8r. sedenotaporxjkl. e 1t=-+'re¡ (57\2 g (51)2 g .4.C{luposdenotadosporC¡. l---g 6.01) debi- da a las repeticiones."o = 11.4 3 Aleatoria o residual a'" | 2. Ao) Barupos.. I-a variación residual después de restar la variación debida a la repetición ea ue : 84..827 = 73.u¡6. T. denotadospor ejemplo. Ias conclusiones reliacionando máquinas y turnos son las mismas a las obtenida¡ en el Problema 9.. los días de la semana no eon significativos. (47)2 (50¡z -.0g. Tabla 9.32 Filas (máquinas).t 2 @¡rt- ú)z que puede dividirse en siete variaciones. 9. Sigñificados análógos se dan a E¡ ¡ ! r . 0' = 0c 51'0 Columnas (turnos).rpor denota la gran media. El valor f.1795. Las siete variaciones en las que se puede dividir (1 ) vienen dadas por u = DA+ürJ+uc lTIAB *. g - (268)2 40 = 1807 . .8 114: ?8.. es decir.2g grados de libertad.Elvalorú¡¡. denotados pot 41. es la Tabla 9-32..¡r.8¡r. como se indica en la Tabla 9-33. o. Las otras variaciones son las mismas a las de la Tabla 9-23. C.332 ANALISIS DE VARIANZA [cAP..4)2 .767 | -=0. es la media de valores para las clases Il y C cuando Ar es constante.

. D.4ñ s gl t.- ñ¡..34. (b) 0..01." = uesc (o-l)(ü-lXc-1) Probletna... C. E.ñ.n.ñ. determinar si hay una diferencia significativa en rendimientos a los niveles de significación del (a) 0.c (entre grupos C) -'l Añ "c .új.23.r+ ñ)z !ct = b > (ñ¡t..(a-1)(b-1Xc-1) Añ.k. (a.ByC) u (total) (o-1)(ó-l)(c-1) abc-7 9?.4ñ sA. ? (E¡. variedad y los rendimientos (en hl/ha) son los mostrados en la Tabla 9.ñ j*.rt.Bc b-r.r.+ ¿.s suplernerirta.ú. el donde U¡ ANALISIS DE VARIANZA 333 - .ñ.BC gl 0¡s (entre grupos AvB) (o-1)(b-1) (b-lXc-1) (o - 1)(b - L).c)i.'uc c-1. B.rTabla 9-3$ Media de cuadrados r¡ Ao -q¿=-A o-l Varíación o¿ (entre grupos A) Grados de libertad F ?1..c .ñ.tt+ ñt. Dc ñ\2 : ab 2 @.J- er" (ñ¡¡1.05.+ 0nc = ".ri.-. Se efectúa un experimento para determinar el rendimiento de 5 variedades de trigo A.n\r.rlos CLASIFICACION STMPLE O EXPERIMENTOS DE UN FACTOR Tabla 9-34 A B C 9.+ i)\2 E)2 aABc = .I ót s.cAP. ce' ) (¿.1Xó - l)(c - 1) gl os (entre grupos B) ó-1 c Ao og s "B ..BlSA.(a-1Xb-lXc-1) AÓ. Suponiendo que las parcelas eon de fertilidad semejante y que las variedades se asignan aleatoriamente a las parcelas. (o - 1)(b - 1)(c - 1) sl u¿ (entre gr¡r- posCyA) (entre grupos (c - 1)(o .% (c 1)(a 1). 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 . Q¡n rB = = .2r@i*t..ó I Dg n rA^ Ét s^.¿).t.kc (b - 1)(c - 1). .Bc -1) 3.* ñ..A^o 8ó^tsA.."" a a-l - 7. (a - 1Xó - 1)(c - 1) gl trac (entre gru- posByC) o¿ =o=ffi= (c-1X¿-1) acA .k. (fr. (o 1)(b 1)(c 1) gl 1) ¡ A.Bzcl.t .

vienen dadas (en miles de millae) en l¡ Tabla 9-36. II.26. Ensayar al nivel de (o) 0. (25) V Q6).05. Ensayar a loe niveles (o) 0. [. página 310. C. La Tabla 9-37 da los números de mill¡s al galón obtenido por autornóviles semejantes utilizando 5 ma¡cas de gasolinas. Determinar al nivel de (o) 0.05.01 si hay una diferencia significativa en los métodos de enseñanza. 9. Para lleva¡lo a cabo. página 311. 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.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. Demostrar los resultadoe (24). 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 .25. Demostra¡ la¡ fórmulas cortae (3I fl34). tres grupos de 5 estudiantes se escogen aleatoriamente. Dar la informaci6n deseada utilizando un nivel de oignifi' cación del 0.85 Tabla 9-86 9. Se efectúa un erperimento para determinar el número de artículos diarios producidoe por cada operario utilizando cada una de lac máquinas. (b) entre máquinas. Luego se da el mismo examen a todoe los estudiantes y oe obtienen las calificacionee indicadae en la Tabla 9-36. II1. Una compañfa deeea ensayar 4 tipos de neumáticoe A. Tabla 9.27. donde cada tipo ¡e ha tratado en 6 automóviles semejantes asignando los neumÁtico¡ aleatoriamente.06. I'z duración de log neum6ticor.O1 si hay una diierencia significativa en sus calificaciones entre Ssas asignaturas. El fabricante desea determinar ei hay una düerencia (o) entre operarior.334 ANALISIS DE VARTANZA [cAP.24. diferentes. (D) O. Durante un semestre un estudiante obtuvo las calificaciones indicadas en Ia Tabl. y a cada grupo se le enseña por un método diferente.06. 9. para el caso en que los 4úmeror de oba¿rvaciones dean CLASIFICACTON DOBLE O EXPERIMENTOS DE DOS FACTOBES 9.30. (b) 0. Un profesor desea eneayar treg métodos de en¡eñanza I. prÁgina 311.81.29. B. (b) 0. loa resultados se dan en la Tabla 9-39. e 9.01 si hay diferencia en lo¡ neumáticos. (b) 0. D. Demo¡tra¡ el resultado (30). Ensayar a loe niveleg de (o) 0. Tabla 9-37 I\[atca.06.01 si hay alguna diferencia significativa en las marcas. 9.a 9-38. determinada de sus fibras.28.os a¡tículo¡ fabricados por una compañfa se producen por 3 operarios utilizando 3 máquinas diferente¡.

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.g2.01. Tabla 9-41 9. / y II. doñde los números in' dican 10 en el tope de los graduados.26 el primer valor para cada método de enseñanza corresponde a un estudiante de un plantel especffico.34.24ltprirnera observación para cada tipo de neumático se hace empleando una claee espeiífica de automóvil.06 de que hay diferencia en (a ) d método de en¡eñanza. Solucionar el Problema 9-31 utilizando el nivel de significación del 0. (b) las máquinas. c Semill¡s de 5 tipos de mafz ee siembran en 5 bloques' Cada ue se asignan 0.36.3ó r¡tilizando el nivel de significación del 0. Solucionar el hoblema 9.40.12. Solucionar el hoblema 9. (b) la localización.01. g. Tabla 943 Míquina Lun I Jue 20 18 Nláquina If Vie 15 12 11 L7 Opcario A Operario B Operario C Operario D l5 L2 t4 19 Mar 18 16 t7 16 Mie Vie t7 14 18 2L t2 11 13 18 l6 2g Lun lVlar Me Jue L4 16 18 L7 11 15 12 16 72 L4 16 L4 L7 15 18 20 .41. Ios réeultados se dan en la Tabla 9'41. 9.06 si hay diferrencia en (o) los tipos de neumáticos. Tabla 9'4O TIPOS DE MAIZ bloque te a los hl/ha. B C 16 18 20 15 L7 16 2l 19 18 23 19 2l 23 20 D 9. y así sucesiva-E mente.06 ¡i hay una diferencia en (o) lor ferüilizantes. y así sucesivamente. la eegunda observación empleando una segunda clase especffica. (b ) en los planteles. ts Tabla 9-43 da el número de artículos produeidos por 4 operarios diferentes trabajando en dos tipoe de máquinas. varfan significati- aleatoriamen' 5 .38. Soluoiona¡ el Problema 9.39. 9. (b) las diferencias en el tipo de maí2.40 utilizando un nivel 0. 9. los bloques).38 al nivel 0. Se efectú¿ un experimento para ensayar ei el color del pelo y las estaturas de esür¡diante¡ adultos üienen algu' na incidencia en el rendimiento escoló¡tico. Analizar el ex' pelinojo rubio Alto Mediano Pequeño 76 81 73 78 76 castaño 80 79 perimento al nivel de 0. en tanto que en un experimento semejante efectuado en el oe¡te da los resultados en la Tabla 9'42. roy"t al nivel de 0. Determinar al nivel de 0.05 ¡i lo¡ rendirnienüos en bla 9-40.01. (b) las clases de automóviles. Suponer que el experimentg del hoblema 9.05. Ensayqr la hipótesis al nivel 0.8?.33 utilizando el nivel de significación del 0'01. Solucionar el hoblema 9.33. Ensayar al nivel 0.cAP. Suponer que en el Prpblema g. Suponer que en el Problema 9. el segundo a un estudiante de otro planüel. lo 77 9. \4 9.g6.01. a ^ B {amente con (o) las diferencias del terreno (esdecir.05 si hay diferencias signifiéativas en (c) loe operarios. dUrante díae diferentee. EXPERIMENTOS DE DOS FACTORES CON BEPETICION T¡bla 9-42 A 9. el ANALISIS DE VARIANZA 335 g. E 18 22 2L l7 18 24 g. SLOQUpS C D E IIIUIIV t2 15 15 19 L4 18 11 16 16 l7 10 t2 16 L2 11 14 11 12 16.

É. y de variaciones del teneno en dos direcciones perpendiculares.05. q D.S4 Sr. B7 At4 Tabla 9-4ó c12 adicironal dando la sección donde naci6 el estudiante Eete. Ensayar la hipótesis a un nivel del 0.43 utilizando un nivel 0. 6. 9. B. 7.LATINOS wr ^S. Efectu¡r un análisis de la varianza del experimento al nivel de significación del 0.01 si hay una diferencia significativa en los tratamientoc. Wc y 4 especies d-iferentes .46.4? c.336 CUADRADOS LATINOS ANALTSIS DE VARIANZA IcAP.43.Ct. Tabla 9-44 efectúa un experimento para ensayar el efecto sobre el rendiniiento de 4 tratamientoe de fertilizanües A. Con referencia al Problema 9.Tc.05. Tr AB 164 c2 Bf 181 c3 ca Ay 193 193 207 166 c4 D6 160 T. 4 cantidades diferentes de dos compuestoc químicos se agregan a los ingredientes bási co¡.05 ¡i hay una diferencia significaüiva en rendimiento académico de los e¡rudiantes debida. c16 9. St.38 euponer que introducimos un factor 876 c81 o73 Tabla 9-46 o78 E'76 c80 o79 c76 877 w4 CUADRADOS GRECO. 9. C. Se obtiene el cuadrado latino. (c) lugar de nacimiento.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 9.44.Cz. miden las fortaleza¡ de los cable¡. D y las del cegundo por ü.05. Oes: te. B o C.a diferencias en (o) ertatura.C1 . t¡ Tabla 9-48 contiene los datos sobre el moho acumulado en hierro tratado con químicos A.48. Efectua¡ un análisiÉ de varianza al nivel Q. T¡¡ fq¡talezas promedio obtenidas se dan en el cuadrado greco-latino de la Tabla 9-4?. (D) lae variaciones del terreno.49 105 103 118 A B 3544 4233 6465 Lt2 10? 90 115 c 108 lr2 93 104 96 L02 .44.Cuatro operarior A. Para producir un tipo superior de alimenüo pnra pollos. T3 T4 c6 t7l D.6 . C. como se muestra en la Tabla g-46.45. . L62 BB L45 cB 2t2 A6 112 86 Do An 188 Bq 167 c7 136 PROBLEMAS DIVERSOS 9. Determinar al nivel (o) 0. Ca. (b) colo¡ de pelo.47.as cantidades diferentes del primer compuecto se indican por A. eetableciendo cualquier conclueión a que pueda llegarse. Wz. donde lo¡ números indican rendimiento de maÍz por unidail de á¡ea. o.01 de que no hay diferenci¿ en (o) los fertilizanSe C8 At4 D10 Á10 c12 BL4 D16 D12 B11 811 Dt5 Á10 tee. Tabla 9. w2 BB6 Dog ws Ao5 9. eetableciendo cualquier conclusión a que pueda llegaree. Sz S¡.05. Centro. W¡ .r 198 D. Soluciona¡ el hoblema 9. D usando cuatro máquinas diferentes. e 9. El aumento en peso por unidad de tiempo 6e da en el cuadrado greco-latino de la Tabla 9-46. B. Wt. Tabla 9-4t Alto Pequeño Mediano 110 95 Tabl¡ 9. Det¿rmina¡ a un nivel de 0. Tabla 9. ?a sefabricanporcadaunadecuatrocompañfas. [. BoG Dy l0 Ap8 c6 10 cialee. B. Cuatrotiposdecable?¡. (ó) 0. respectivamente.1.

Se realiza un examen para determinar si los veteranos o los no veteranos de diferentes I.60. 70 En el Problema 9-42. 9.54 al nivel 0. Demostrar el Teorema 9-3. (b) I. rinden mejor' Los puntajes obtenidos se muestran en la Thbla 9-50. (b) la ecuación (38). Bajo I. Veterano No veterano 90 85 Medio ril 78 I.01.Q. Suponer que los resultados en la Tabla 9-48 del Problema 9-48 son válidos para el noroeste. (b) los tres lugares.cAP.62. . 9. Tabla 9-51 Alto 9.Q' 9.05. Determinar eI nivel de 0. en tanto que los resultados correspondientes para el oeste se dan en la Tabla 9-52.4g.52 utilizando un nivel 0'01. el ANALISIS DE VARIANZA 337 g. Un experimento mide el L Q. relativo a diferencia de estaturas. 70 9.23 y 9. Demostra¡ (o) la ecuación (37).5?. página 312. Determinar al nivel (o) 0. Con referencia a los Problemas 9. Derivar los resultados 9.05 y establecer sus conclusiones.Q.61.Q. Norte y centro 80 ¡D 79 g. 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. t¿ Tabla 9-51 muestra los puntajes para una muestra de estudiantes universitarios de diferentes partes del país con diferentes I.05 si hay diferencia en (o) fertilizantes.54. ¿Es ésto cierto si cada valor se multiplica o divide por una constante apro' piada? Justificar su resPuesta.Q. Demostrar el Teorema 9-2. Demostrar (o)la ecuación (39). (b) la localización.40 suponer que un experimento adicional realizado en el noroeste produce los resultados de Ia Tabla 9-53. (b)la ecuación@0). 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 9.50. 9. página 312. 9. página 372. Ensayar al nivel 0.62.05 si hay diferencias debido a (o) los químicos. Este Oeste Sur 88 84 86 Medio 80 78 82 Bajo 72 ¿o 9.01 si hay alguna diferencia significativa en los I.ó6. 9.Q. página 309.Q.5E. Analizar la tabla al nivel de 0.53.55. (3) y ( ). (b) 0. Solucionar el Problema 9. ¿puede determinar si hay una diferencia significativa en el número de artículos producidos en los diferentes días de la semana? Explicar.51. Solucionar el koblema 9.59. Los resultados se indican en la Tabla 9-49. Determina¡ al nivel de 0. Tabla 9-50 Alto I. página 309. de estudiantes adultos de estaturas altas. medias y pequeñas.05 si hay una diferencia en los puntajes debido a diferencias en (o) el estado veterano.

66.01.65. e 9.21 hallamos una diferencia significaüiva en los días de la semana. 9. De¡cribir cómo emplear las técnica¡ de análisi¡ de varianza para experimentos de tres factore¡ con repetición. 9. lcAP. Efectuar un análisig de va¡ianza en el cuadrado greco-latino de la Tabla 9-65 a un nivel 0.69. 0. Suponer que en el hobleme 9.71. Haga el montai dc un erpcrimenüo que conduzca al cuadrado latino Tabl¡ 9-64 FACTOR 1 de la Tabla 9-54. Montar y solucionar un problema que iluetre el procedimiento en el Problema 9.69. 816 FACTOB 2 c2r 823 416 AL8 ct4 Bt2 ct5 l á18 9.62 utilizando un niyol 0.68. ¿es¡rer¡rf¡ encont¡ar un (o) curdrado latino de Explicar.67.05 y eetablecer conclusiones.64. Efectua¡ un análisis de va4ianza en el cu¿drado latino de la Tabla 9-64 a un nivel 0.06 y establecer conclusione8. 2X 2? (D) ¿un cuadrado greco-latino de 3 X 3? . es decir. 9.7 16 D66 Br7 Haga el montaje de un experimento que conduzca al cuadrado greco-latino de la Tbbla 9-55. 9.13? Justificar sus conclusione¡.63. En ln práctica. 9. 9. Tabla $65 1 FACTOR ar6 863 FACTOR 2 BB L2 C64 Df 15 P" 18 Ae8 cs t4 De t6 cr 20 Bog Ae t7 466 co 9.338 ANALISIS DE VARTANZA Solucion¡¡ el hoblema 9. las repeticionec. ¿Deberíen modific¡r¡e la¡ conclu¡iones obtenidas en el hoblema 9.

Apéndices .

.

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

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

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

3867 .0194 .8 .0060 .00r1 .1736 .1758 .0007 .7 0.0180 .3989 .010? .1 .0101 .0038 .0033 .0925 .0007 .2444 .3894 .0048 .1826 .225I .3011 .140 .Apéndice B Ordenadas (E) de la curva normal t ipif icada enz 0 I .2989 .0004 .0002 .0379 .0694 .237r .0208 .3555 .0042 .0088 .0229 .3 IA .058.3857 .0036 .0761 .0006 .0198 .1.1 tQ .0246 .0020 .0002 .0002 .3932 .0030 -0022 .0303 .3079 .0669 .0005 .3989 .0573 .0058 .0790 .0018 .0043 .3166 .0016 .7 2.1315 .10?4 .1539 .8 3.13 .3572 .1771 .0014 .0562 .16'17 .0371 .0184 .3467 .3683 .r295 .2203 .0126 .0079 .0055 .0113 .I942 .2295 .3521 .0325 .3885 .0277 .0003 .0015 .6 ¿.0056 2.2966 .3725 .0029 .12 .3332 .0 1.3485 .0252 .0 0.0122 .0008 .6 2.2323 .0034 .:1825 .5 0.72i6 .0498 200 .0396 .0005 .0449 .0224 .9 2.2685 .3980 .0973 .2227 .3056 .1354 1.3251 .9 .0264 .0007 .2803 .0270 .0297 .2513 .3 DA .1518 .0002 .1 .0003 .1582 .0096 .1 804 .0084 .2827 .0940 .0071 .0957 .0804 .0478 .0413 .0119 .0707 .0011 .0040 .3589 .3977 .3984 .2036 .0002 .0203 .1057 .1919 .0004 .0044 .1 109 092 1. ¡ .0025 .0012 .0065 .8 0.0002 3.3621 .0031 3.2756 .0039 .0010 .6 o.0540 .2317 .07.3391 .0363 .5 3.0488 .0004 .0075 .0775 .0093 .2083 .2059 .0008 .0003 .1 561 604 .0001 344 .0002 .2 3.0158 .0004 .3503 .0047 .0012 .0036 .0620 .0032 .0002 .0863 .5 1.5 2.0086 .1781 .r374 .2t31 .3961 .3209 .254r .r1f)7 691 .0596 .1 0.0387 .6 l.3752 .2732 .1 .1219 .2589 .1965 .9 3.2897 .06{4 .1669 .1415 38 .0848 .0833 .0132 .0241 .0ri56 .0019 .3988 .1 .0010 .0219 .0016 .7257 .l 2.2t55 .u077 .3790 .0069 .0022 .331 2 3 4 D 6 7 8 o 0.2637 .0004 .0005 .3956 .3802 .0026 .0116 .¡ 3.3292 .0104 .1626 .0006 0004 .3739 .3847 .2 0.0519 2.0001 .2 .1 7.24!r2 .0004 .24G8 .0339 oe OA .39?3 .0167 .0003 .0332 .0006 .0508 .óooó .3986 .Dl éo .2850 .l lJf]4 .0431 .0551 1.3712 .0r 36 .0529 .0002 .0017 .9 .0989 .00I7 .3910 .2565 .1145 .3144 I .oI47 .0051 .0061 .381 4 .0067 .0010 .0 .0014 .0081 .0012 .3697 .2780 .0091 .1127 .1182 .3637 .1435 .156 .0i21 .0009 .0632 .1006 .0129 .0005 .2t07 .2920 .1.3 0.0015 .0046 .3918 .0734 .0002 .r023 .0909 .1849 .0893 .0003 .1 .0878 .0023 .0099 .o024 .327L .0005 .22i5 .28i1 .0027 .4 0.0009 .0003 .0258 .0 3.0818 .8 2.0063 .3352 .0.0009 .3605 .0139 .266I .3410 .2396 .0002 .8 I.0151 .3925 .0028 .0002 .2613 .3668 .0003 .3101 .0008 .3778 .3982 .1872 .0310 .0002 .3965 .0317 .0003 .016:l .01.l 163 .1895 .0468 .000? .3372 .3034 .0171 .3?65 .3429 .0037 .0018 .2 1.0053 .0459 .2709 .0005 .1 .0422 .034? .0013 .0283 .0073 .3187 .3230 .3876 .3902 .3945 .0006 .0020 .2516 .0003 .0290 .3989 .01?5 .3939 .0025 .0355 .3836 .1989 .0235 .0110 .0213 .0608 .002I .3951 .3448 .0013 .1334 .0154 .0681 .2072 .0404 .0189 .2420 .3970 .0008 .0050 .3538 .1040 .

2794 .4357 .4319 .3643 .4999 .2486 .4931 2.4686 .4429 .2580 .4997 .4582 .1915 .4904 .0987 .3 0.3554 .444L .4099 r.4564 .0 2.4949 .2967 .3106 .4941 .4981 .229r .4998 .3023 .4934 .4998 .1103 .2642 .6 2.4999 .4082 .4207 .0120 .0793 .2764 .4978 .3888 .4990 .4999 .2454 .0636 .0359 .4573 .4996 .0871 .4756 .4846 .4999 .2549 .6 0.2357 .3129 .4913 .3413 .3r 59 .4406 1.4994 .3238 .1 .() 3.4972 .44t8 .4998 .4945 .4554 .4995 .4744 .0754 .4976 .3926 .4265 .1591 .4938 .4990 .4452 .4955 .4943 .0478 .1844 .4292 A25L .4991 .4898 .)( 2.4878 .25t8 .4t47 .4656 .2088 .4887 .2389 .4726 .4901 .4772 .4608 .4993 .4968 .4911 .4927 .4974 .4750 .3790 .4963 4973 .0160 .1 .3944 .4959 .4332 .4918 .4996 .1L62 .4929 .5 3.4993 .4495 .1985 .4830 .3708 .4890 .4049 .4999 .2 D') 2.4793 .4545 :4633 .4817 .4999 .0000 .4998 .45L5 .4993 .3907 .1736 .1 1 2 3 4 6 6 7 8 I .2852 .497L .4996 .4979 .4998 .4999 .4854 ..0948 .4999 .4997 .4998 .4925 .4998 .4999 .4993 .{o9t .4693 .4969 .467L .4951 .7 3.8 1.4987 .1 0.0199 .2939 .3315 .4985 .4999 .1808 .2 1.3962 .4996 .4962 .4599 .3686 .4979 .4884 .3 1.4394 .1664 .1960 .5 0.3051 .5000 .4015 .4962 .2881 .4649 .6000 .4992 .4999 .4999 .4999 .4997 .4997 .4990 .4999 .4998 .4999 .3830 .4965 .3508 .1406 .3621 .2823 .3749 .1987 .4988 .4997 .1293 .3289 .2996 .4953 .3849 .4989 .4994 .4986 .4946 .4999 .4767 .3997 .4992 .0319 .9 346 .3531 .066? .4505 .3577 .4525 .0438 .4916 .5000 3.4988 .0 0.4798 .4117 .4834 .2064 .4821 .4706 .4995 .4999 .2673 .4999 .4998 .4875 .4788 .4279 .3170 .4131 .0 3.4999 .4909 .4484 .7 1.4986 .4625 .4 .4678 .0279 .1179 .1ts26 .7 2.5000 .2190 .3869 .4992 .4066 .4995 .4999 .3340 .4838 .4999 .1064 .0832 .0517 .3665 .4966 .4984 .4956 .8 3.4868 .4222 .4850 .1141 .5000 .2422 .2258 .4967 .6 L.4738 .4803 .4999 .4983 .4981 .3980 .2t57 .1879 .6 3.Apéndice C Areas baio la curva normal tipificada de0az 0 0.2t23 .3078 .4999 .26L2 .4994 .4115 .4987 .4994 .4842 .9 1.4306 .4998 .1517 .5000 .4975 .4996 .3438 .48L2 .5 1.3485 .4994 .4920 .3365 .43?0 .4032 .4997 .4864 .4980 .3272 .4997 .3461 .1368 .4535 .1480 .4999 .0040 .0675 .3186 .4345 .1026 .4 .4996 .4773 .1 .4977 .0080 .4699 .1331 .4999 .6000 3.4236 .4989 .4948 .4991 .4991 .2019 .4997 .4382 .4995 .4995 .4591 .0398 .4922 .4719 .4999 .4783 .8 .4960 .48(.4997 .1772 .3389 .4998 .4995 .476t .3264 .tzt7 .2704 .5000 .4999 .4997 .2734 .1628 .3599 .4961 .4998 .4970 .2 0.4940 .4992 .4 0.4977 .4463 .487L .1?00 .4964 .4982 .4732 .4474 .0910 .5000 .4808 .L265 .4932 .4936 .4881 .07L4 .t443 .3133 .4906 .4998 .4989 .4982 .485? .2910 .4192 .8 0.2 ¿-D .2224 .4974 .3810 .4967 .1554 .4896 .0239 .4893 .4664 .0696 .5000 .4999 .4986 .4984 .9 2.0 1.4616 .7 0.2324 .4778 .

31 .255 .31 1.33 1. Fistrer y F.267 2.31 1.96 I7 18 19 .685 .32 1.96 2.531 .35 1.67 2.258 .17 3.677 2.01 2.530 .44 1.04 2.t27 .66 2.706 .98 1.33 8 9 .630 .259 .40 1.72 2.131 .68 L.539 .45 2.257 .77 2.L26 .254 .38 1.533 t2 13 14 15 .711 .256 .72 1.80 1.39 2.46 2.06 2.978 .130 .?l 1.31 2.883 .L26 .857 .64 1. Yate.L27 .546 .76 2.90 2.88 2.34 1.854 .261 .684 .r3 2.626 .14 .09 2.256 .27L .92 6.535 . Stotistícal T¿bles for Bíological.92 2.t2s .A.94 1.688 .3?6 1.277 .532 .5L 2.563 .62 2.75 L.74L .09 2.260 .669 .70 1. con permieo dé lo¡ autores y editorea.256 .L27 .71 L.76 2.61? .531 .257 16 2.32 L.255 .36 t2.78 2.906 .42 1.18 63.128 .061 .?18 .L0 2.L27 .690 .256 .72 1.70 1.t2 2. Edinburgh).60 2.32 L.861 .73 1.941 .816 1.864 .50 3.06 2.34 1.48 2.06 2.96 4.29 L.76 2.zs üeo tso 3.t26 .683 .686 .00 2.L27 .258 .920 .3L 2.08 1.66 t.47 2.szs tse 31.846 20 I.76 L.64 2.81 1.02 1.856 .04 2.727 .868 .77 1.L28 .861 .691 .629 .858 .32 L.256 . AgriculturalondMedícol Recearch.630 .Apéndice D Percentilrr de (tr) l¡ di¡tribsción f de Student con z grador de libertad v úss ¿oo t.92 2.76 3.89 1.856 .L32 .00 1.7L 4.137 .531 t.86 2.692 .t6 2.633 .325 .L27 .L27 .765 .11 2.?8 .531 .30 3.56 2.sgs I .540 .L27 .703 .266 .ongman Group Ltd.134 .538 .649 .683 .32 2l 22 23 24 25 26 oa 28 29 30 40 60 .r28 .126 .49 2.130 .11 3.696 .645 t.80 2.643 1.257 .62 2.83 2.r29 .18 2.36 1.71 3.07 2.876 .258 r.03 3.78 2.67 1.20 2.862 .66 2.63 1.128 .33 1.36 3.627 1.856 .534 .262 .37 1.76 1.289 .23 2.681 .14 3.128 .s.53 2.36 1.76 2.000 .48 úes t. (previamente pubücado por Oliver y Boyd.47 2.584 .32 L.t27 .46 2.257 .260 t.532 .624 .70 1.8?0 .36 2.86 1. .90 1.256 .79 2.32 1.256 .07 2.70 1.05 2.t27 .263 .50 2.532 .873 .66 9.683 .68 .257 .68 2.536 .84 4.34 1.82 2.700 .t3 2.62 2.537 .84 2.866 .687 .83 1.70 2.31 1.58 2.254 .869 .82 2.L29 10 11 .674 .727 .82 6.57 2.60 4.28 t20 € .42 2.858 .689 .t42 .534 .81 2.98 2.694 4 6 6 .896 .856 .842 Fuente: R.863 6.54 3.02 2.74 1.08 2.30 L.727 .06 3.48 2.889 .L27 .686 .7L 1.r27 .36 3.688 .26 2.542 .684 .72 2.73 1.697 .256 .6?9 .30 1.684 .266 .L28 .. 3 .879 .860 .686 .158 .569 .90 2.06 2.263 .71 t.66 1.zo t. publicado por l.33 .865 .25 3.848 .

6 92.6 L2.6 36.6 48.2 29.3 30.57 4.35 5.02 7.4 29.3 5.E 42.24 1.6 38.26 9.6 19.6 32.1 8.7 99.26 6.0158 .9 20.2 16.56 3.8 14.1 39..8 44.33 3.8 48.2 11.2 46.7 18.8 t7.6 32.6 32.4 40.9 39.56 9.455 1.3 49.0 44.4 40.1 16.7 23.6 28.3 18.9 40.6 61.8 20.O' X.0 69.3 16.2 61.2 59.6 43.? 37.7 28.4 37.4 83.96 8 I 10 11 4. x'.4 16.2 62.6 36.7 14.3 13.7 16.39 6.8 13.4 100 t2.1 27.0100 .89 6.7 73.39 10.2 26.1 19.3 22.2 10.25 7.3 t6.34 1.2 44.8 34.7 76.8 14.1 37.6 16.3 26.9 19.7 7.9 40.E4 6 ..2 88.684 1.64 9.26 7.2 24.3 16.1 40.3 46. x?no X.8 16.8 55.3 17.9 30.1 77.01 5.2 74.2L6 .58 8.7 26.0010 .3 27.49 11. 3 4 o I .0 48.64 .8 67.57 7.L 80.1 37.8 40.90 27.7 37.66 2.0 x2ot x'"0 .24 10.3 59.554 .L 2l.9 2t.32 2.2 31.40 6..8 26.2 28.3 22.6 46.4 35.24 1.7 28.6 23 24 25 26 27 28 29 30 40 60 60 70 80 90 100 41.0 L07 6.90 6.3 61.1 13.3 15.87 6.4 12.30 r6.8 18.4 32.9 34.9 26.6 14.36 4.6 9.3 19.6 56.6 54.6 r3.0 26.O.79 t4.5 33.8 79.7 2t.2 29.8 30.4 43.9 48.26 8.1 52.66 8.0 r 7.49 2.3 18.86 11.0 104 116 l4 16 16 to.94 4.57 t.81 9.35 7.989 1.3 r6.9 63.3 29.2 11.L 30.2L 1.2 11.4 69..7r 4. 347 .5 34.6 66rB 56.6 13.8 36.1 31.3 73.4 31.69 2.9 1t.1 45.3 13.0000 .6 24.84 5.6 28.7 66.8 t9.1 13.18 2.84 9.60 5.6 79.3 61.2 94.8 16.20 2.6 31.3 61. x?o".0 t2 13 18.6 50.6 47.41 ?.8 14.3 26.O tt.06 3.82 4.tl 4.102 .3 28.7 22.77 4.0 33.9 t8.8 43.73 2.03 t.30 7.3 2L.r7 2.4 3.4 23.26 3.3 39.6 24.8 12.3 69.34 9.8 9.3 53.31 10.2oo¡ xlo.2 18.9 17.4 20.6 90. páginas 187 y 188.4 42.1 12.6 21.1 t2.6 46.5 20.7 7L..3 89.45 4.11 5.4 63.8 13.472 .1 41.6 12.81 6.4 13.6 36.3 45.66 5.7 60.2 6t.3 69.2 12.0 4L.3 29.1 90.6 30.07 4.0 36. xlo.6 29.3 23.7 18.8 20.4 32.3 79.07L7 .9 11.3 . .0 17.44 9.3 10.1 10.23 8.7 38.23 5.99 7.0 22.3 82.63 8.37 3.6 2L.0 27.0506 .61 2.6 15.9 34.25 5.5 16.7 2.3 42.0039 .8 63.6 109 1r8 130 t28 140 t24 149 Fuente: E.2 37.0 11.0 16.59 10.39 2.6 26.7 14.0 17.15 1.04 7.35 6.9 11.6 22.2 t3.26 6.116 .8 24.831 . Vol.8 24.207 .7 25.0? 5.09 2.67 9.gg x?rn y2 ^-00e .3 14.1 16.9 35.D'ID r.3 17.2 66.1 10.8 28.7 37.6 tt.7Ll 1.6 12.2 '19.1 28.0 20.9 68.7 34.362 l.8 45.t 31.1 27.6 46.2 35.2t 11.6 108 118 8.60 3.73 3.9 L6. Biomelr:iha Tobles fo¡ Stotitticíane.83 3.7 26.7 39.9 23.3 2L.3 49.7 46.6 25. 1(1966)' Tabla 8.6 4.92 2.5 16.63 7.67 3. Hartley.0 62.2 38..9 43.88 10.3 35.8 70.291 .L6 2.06 1.63 6.1 DD.0 13.4 34.2 14. t3.2 36.6 74.872 L.3 49.6 61.7 12.5 24.3 23.43 8.3 67.484 .54 L0.8 67.6?6 .Apéndice E Percontilas (¡f) de l¡ di¡tribución chi-cuadrado con u grados de libertad v x.91 9.3 24.91 7.70 3.6 43.7 16.3 71. Pear¡on y H.07 3.4 16.4 86.6 33.4 85.7 23.8 14.0201 .1 ttz r26 13? 64.3 I 1.3 X.3 12.7 47.3 27.3 32.6 17.9 29.1 12.63 ?.3 18.3 13.6 22.7 29.0 71.0 27.0 14.89 10.6 19.3 96.23 5. con permieo de lol autore¡ y editoree.9 12.5 20.78 9.70 6.01 7.3 32.? 42.9 13.34 8.8 32:0 33.7 33.8 26.6 14.l 22.103 x?.6 24.3 20.38 9.04 10.S.3 16.6 41.6 .3 11.5 96.t7 4.34 10.0 19..o 22.6t 6.8 38.3 99.0002 .L4 6.0 23.5 43.74 7.1 .2 67.2tL .6 88.58 6.6 20.9 18.8 t7 18 19 20 2L 8.6 40.3 49.4 L02 113 rt2 t24 136 98.57 6.

34 2.77 2.18 2.5L 2.55 8.62 4.94 3.42 2.50 1.56 4.42 2.07 3.91 1.12 2.65 2.61 2.38 3.06 t. l'.4 19.88 1.38 2.40 2.92 2.63 5.00 3.22 2.23 4.48 3.90 2.40 2.20 2.53 3.32 2.5 19.56 2.29 2.59 2.86 1.19 4.88 4.44 3.74 8.75 1.94 2.9L 2.69 3.62 2.83 2.36 2.41 5.59 8.85 8.84 40 60 t20 t.92 2.35 7.70 2.75 1.54 2.58 1.87 r.rL 2.01 4.27 2.2 19.96 4.61 19.94 1.51 3.39 6.70 2.37 2.6L 2.79 8.49 2.t2 4.07 2.92 3. O.49 3.93 1.50 4.57 2.29 2. I 2 3 1 2 s 2L6 4 b 6 7 8 9 10 L2 16 20 24 30 40 60 t20 @ 161 225 230 234 237 239 24L 242 244 246 248 249 250 26t 252 253 254 18.80 2.35 2.45 2.0r I | 4.34 2.27 2.5 19.96 2.66 5. Vol.99 1.69 1.46 2.20 2.98 2.93 5.79 3.09 2.85 2.53 r.05 4.96 5.01 2.19 2.L8 2.05 4. ¡O 5.93 1.27 2.34 3.67 4.46 2.32 1.76 1.32 4.71 2.t0 2.05 2.53 2.51 2.35 4.91 5.23 2.26 2.67 2.53 2.86 3.40 2.04 3.46 2.69 5.39 2.46 1.74 4.35 3.75 4.04 1.76 2.63 3.g¡.08 4.70 2.24 2.07 3.66 1.54 4.r9 2.09 6.99 1.87 2.20 2.t0 | 4.31 2.66 2.29 3.84 1.91 1.03 2.39 t.48 2.L2 3.39 3.43 4.84 3.85 1.91 3.25 2.06 4.87 3:70 3.32 2.01 1.30 4.46 2.46 2.23 2.30 L2 13 14 15 16 L7 18 19 20 2.12 3.78 t.07 4.29 3.t6 2.62 1.90 1.98 1.66 8.68 2.81 2.40 4.Apéndice F Porcentila 95 (nivele¡ 0.15 3.28 3.63 2.LL 2.64 8.7l 2.60 3.25 2.54 2.0L 1.56 2.64 2.99 1.2 19.28 3.10 4.07 2.16 2.83 2.00 5.31 2.81 3.1L 2.93 2.6 10.89 8.63 6.71 2.06 2.4e 3.60 2.70 I 2. .62 2.61 I.43 2.64 1.74 2.7r 2.32 2.85 1.5 19.86 5.08 3.49 2.37 2.L8 2.84 1.29 2.92 4.49 4.t5 2.27 2.6? 2.83 t.02 1.93 2.73 2.40 2.46 2.05 2.80 t.62 2.25 2.49 2.69 2.94 1.30 2.94 1.74 2.60 2.53 4.8L 2.37 2.0s 1.25 2.24 2.r8 2.26 3.37 3.96 2.76 4.01 2.82 t.57 8. S.85 6. parr le di¡tribución F u1 grados de libertad en el numerador /2 gfados de libertad en el denominador ><.L5 2.95 1. con perrniro de los autoreo y eütorea.4 19.23 2.27 3.84 2.7L 2.54 2.42 3.tl 2.7 4 2:28 2.49 2.12 2.03 4.35 2.58 2.84 2.89 2.6L 2.23 2.94 8.60 4.74 4.09 3.26 2.78 2.69 4.06 2. (1972).3 19.88 4.22 3.77 4.00 3.7l 1.95 4.90 2.77 L.03 ¿.5 9.2q 3.84 1.08 2.46 2.17 3.54 2.66 2.11 3.10 2.20 2.22 2.47 2.5 19.73 4.03 1.00 I.84 3.64 3.21 4.68 4.90 2.80 2.53 2.74 1.?9 r.85 2.53 2.45 2.84 1.15 4.27 2.67 t.42 2.74 2.85 2.87 t.72 5.35 2I 22 23 24 25 26 27 28 29 30 3.99 2.6? 3.l I D.79 t.84 1.26 3.24 2.3 4 o 6 I 19.66 2.rL 2.59 1.64 2.8z r.43 2.r7 2.96 1.28 4.97 r.44 3.57 3.88 1.01 1.77 2.38 3.r3 2.79 1 a^ 1.36 3.57 2.64 2.25 2.62 8.96 t.2L 2.38 2.82 4.35 2.r7 4.24 2.76 1.lL 2.01 2.45 2.16 2.25 2.L6 2.87 3.1 7.60 2.r5 2.42 2.84 1.34 3.79 3.18 3.76 2.03 1.75 1.14 3.81 1.79 2.5L 2.?3 3.02 2.71 3.4 19.37 2.75 2.53 2.68 t.7L 6.95 1.34 2.02 r.96 1.57 2.81 8.77 t.28 2. Hartley.31 2.41 3.46 4.44 3.04 1.37 2.4 19.t9 2.14 3.(}51.?0 8.04 6.61 2.66 2.34 2.57 r.01 8.50 3.28 9.28 2.47 2.01 2.16 2.35 2.22 3.90 1.06 2.96 1.76 2.55 2.65 1.79 L.89 1.64 2.83 2.4 19.73 1.98 1.L3 2.52 j 3.33 3.2r 2.33 2.35 3.59 2.87 3.30 2.91 1.92 1.3L 2.22 2.23 3.58 3.58 2.47 3.07 3.4 19.24 3.09 2.95 2.65 2.2r 2.93 1.55 2.96 1.96 2.69 3.?0 1. página 178.97 1.08 2.18 2.77 2.4 19.34 2.18 3.07 3.80 a.68 3.32 2.DD 1.16 6.66 2.70 1.76 2.22 1.01 1.30 2.84 3.43 1.18 2.60 2.L5 2.79 2.28 2.92 1.38 2.01 2.96 4.97 2.r2 2.44 2.15 2.42 2.41 3.53 2.98 2.30 3.5 19.04 1.76 1.45 2.38 2.33 2.41 3.59 6.L2 2.20 4.90 2.01 1.98 2.11 2. Pear¡on y H. Eiom etriho Toblec for Stotíaticianc.89 1.45 8 I l0 11 5.99 5.07 1.20 2.41 2.4E 2. Tabla 5.39 4.68 2.92 1.00 2 Fuente: E.84 4.94 1.13 3.L0 2.21 4.L0 2.97 3.59 5.36 2.13 2.09 2.89 1.39 2.0Q 2.48 3.49 2.69 1.95 2.87 1.L9 2.06 2.61 2.47 1.20 3.26 6.34 2.81 t.42 2.10 2.90 1.62 2.78 2.82 2.86 2.92 1.85 2.L2 9.59 3.

94 4.87 2.2L 3.23 2.37 2.67 9.37 3.07 4.68 4.16 3.69 3.17 3.68 99.11 6.6 10.63 6.78 3.10 4.56 4.83 3.66 99.86 3.76 4.18 3.32 5.99 5.63 3.98 2.O.04 4.6 13.84 6.7 99.52 4.7 10.7 16.t4 5.00 t20 Fuente: E.33 4.86 4.65 8.01 1.L4 5.4 99.9 9.60 2.9 99.59 1.96 2.7r 4.23.58 4.35 3.3L 2.36 2. 3 4 o 6 .63 4.4 99.68 3. 2 (1972).80 3.60 '7.32 2.02 7.61 6.67 2.63 8..37 4.40 6.29 2.30 3.07 2.36 3.L2 1.00 2.26 3.23 6.30 4.59 3.23 5.0 9.76 2.35 4.37 5.92 2.33 3.10 8.18 3.39 4.86 4.77 4.89 3.20 4.66 2.tL 3.67 4.60 3.32 4.2 16.20 2.5 14.43 3.50 4.58' 2.20 4.29 6.36 3.07 4.56 2.59 3.65 3.61 6339 6366 99.46 3.63 3.57 2.07 3.47 t4.7 10.4 13. 8.49 2.46 7.06 6.65 3.03 5.41 3.2 ?.6 9.51 3.78 3.16 3.17 4.07 6.71 3.2 29.8 10.64 2.42 3.44 2.72 5.4r 5.03 1.26 4.00 3.62 4.2L 6.7 27.54 3.28 4. Hartley.13 3.01 6.49 5.73 7.65 9.13 3.26 4.2 14.64 3.41 9.22 3.03 2.6 14.33 8.59 6.01 .92 2.0 10.60 4.29 2.56 3.08 3.46 3.86 2.86 6.74 2.54 4.66 2.74 4.99 3.47 5.63 2.78 9. 3.81 3.90 3.39 4.46 2.00 2.06 2.34 3.25 4.63 5.60 6.4 27.4 11.64 3.40 4.4 9.sz 2.36 2.91 .50 2.1 7.19 2.64 6.75 3. l4 15 16 4.76 1.66 2. .40 4.l 11.95 4.r3 2.4L 4.56 6.11 2t.b8 2.16 3.28 4.APENDTCE F 349 Percentila 99 (niveles 0.29 3.75 2.47 6.98 6.97 6.2 99.02 7.67 6.3 13.12 4.1 a.45 7.36 6.ó9 3.36 3.88 2.20 4.2 18.93 z.84 2.50 4.78 3.96 2.1 13.62 4.95 7.79 60 2.78 2.93 4.31 3.88 5.41 3.54 3.41 2.3? 3.25 4.L4 4.80 3.67 3.17 3.5 9.3 L2.89 3.65 2.0 9.19 5.2'.45 3.11 6. F.31 4.82 7.70 3.ó 16.7 14.16 3.5 13.66 6.10 6.39 2.31 4.06 4.10 3.75 2.47 2.0 16.54 2.66 3.31 7.94 3.03 3.38 1.93 2.03 2.3L 6.5 34.26 4.68 7.20 2.5 26.82 4.oo 7.72 2.02 2.4 27..55 8.90 2.r 26.96 I 10 11 .42 3.15 2.7? 7.72 4.68 2. con permirc de lo¡ autoree y editoree.29 7.49 2.t7 2.56 6.13 2.92 2.82 4.?0 1.4 27.88 2.87 6.99 6.?5 8.84 2.54 t7 18 19 4.3 10.60 1.65 6 .011.16 5.61 o.10 L2 16 20 24 30 40 60 L20 @ 4062 6000 5403 6625 5764 5859 99.86 3.09 3.57 t2.95 5.60 4.07 5.18 5.30 3.47 3.43 3.51 s.78 3.80 2.49 12 13 6.0 30.72 7.09 2.21 3.40 2.r7 3.85 2.70 2.06 4.42 5.t4 4.91 6.39 3.99 b.55 7.61 4.12 3. Biomeúiho Toblec for Statbücbnc.85 4.38 9.35 2.6? 3.46 3. Pearron y H.88 7.72 5.10 4.64 7.74 6.o J 2.12 3.08 6.86 3.3 27.91 5.8 99.10 2.1 6.93 3.31 3.70 2.67 2.52 3.31 3.3 28.46 6.8 99.69 2.üb D.3 8.78 3.7 13.85 7.39 6.04 3.09 3.40 8.96 3. 3 4 o oot 28.2 13.29 8.42 4.66 4.66 2.18 3.0s 1.64 4.89 7.0 15.4L 2.94 3.67 5.03 3.46 2.81 6.63 4.25 3. para ls di¡tribución F v.01 5.44 4.87 4.56 5.2 9.02 6.21 2.96 4.3 14.30 3.L7 4.17 3.74 4.L2 2.46 5.62 2.99 5.42 2.33 2.89 4.5 10.80 5.78 2.80 6.21 3.10 3.30 3.S.2 9.l 8 I 99. página 180.26 6.30 7.42 2.43 3.99 2.83 2.04 3.18 8.34 4.54 5.89 4.9 99.66 4.40 3.53 3.51 3.82 4.45 s.00 3.70 8.93 6.6 5981 6023 6066 6106 615? 6209 6235 6261 6287 99.72 6.62 5.23 3.26 3. Vol.5 26.00 2.84 9.52 3.08 3.70 6. gFados de libertad en el numerador v2 grados de libertad en el denominador x1 I 98.36 4.76 3.86 1.01 3.22 5.95 1.03 2.5 26.54 20 9.69 3.09 3.4 26.89 4.00 2.89 3.35 4.31 2l 22 23 24 26 26 27 28 29 30 40 fó 4.66 2.94 2.02 3.22 4.02 7.84 2.94 3.68 8.32 3.86 8.59 3.43 4.31 9.42 6.44 4.94 3.?9 3.19 l0 99.62 3.26 3.48 3.70 3.15 8.52 2.5 26.01 3.56 4.55 3.2r 5.87 3.71 3.Ll 2.51 3.4.18 4.64 4. Tbbla 6.26 2.72 7.81 4.5 26.oD 8 ?.60 3.se.38 2.72 2.19 11.94 1.3? 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

(o) (a) 1 (b) I (c) rla (c) 3.44. 3. pn=33 (c) (bk+r'st<+r)/(k* 1Xb-o) peiaa (sen (ó) [1+(-1)k](ó -a.74. (c) 315 3. pí=0. 3. 3. (tr'l 3/4 (bl L/4 (c) 7/r2 (b) 7/6 (c) 7/4 (d) 2/3 (a) (a) (e\ U) 2/3 @) (¿) I (bl 2 I 3.'PLEMENTARIOS CAPITULO 3 3. pi= Al=0.E0./3s12 3.ó6.66.82. (a) 1 lb) 7 (c) 6 3.83'. 3. <1 (ó) p = l.E1. 3. 3.61.E4.69. 3.57. pá: t6/5.47. i¿l p4=230718960 2a 3.62.55.72.67. p3 =-L2lll60. pi= 2. 3. o*=1/t5/ZO 4 (b) 2 (c) .6E. 3. yí= 6. (a) (a) 2/3 (b) 2/3 G) aB 7/a (c) @\ Als 3. Ft=2. Fz:5. 3. pí=1.RESPUESTAS A PIOBLEMAS SI. (a\ l/2 parae>O (b) lParay>0 . nx=lE (al (a\ (ü) Var(X)=3/80.46.43. 3. Fz:3/80. 10.\klzk+t(k+ll I qeiab co)/ao 3. ú= (a) h=0. pz=7-.64.78.50. (o) 1 (b) (o) Var(X)=5. 3.5 3 (b) r3n/6 (a) 35112 @\ (ü \Elm. pí= 2.(b) 1 (c) (ó) 1 (d) 1 (c) 0 (/) 0 (e) 73le60 ?3/e60 y'?s/e60 t¿l r/Tils6o -u64 (f) -r5/7s (a) 233/324 (b) 233/324 (c) (a) \. 3. 3. 3. 3.68. 3/2 (bl 3e/4 (a. 3.7 3. p¿=35 (b) pr = 0.48. 3.\ +(et/2+e-t/2) = cosht (ó) p=0.ezt\/zt2 (D) p = 4/3.45. 3. (o) (f + 2te2t . 3/2 n (b) -2e/6 Lla !4 3.65. pl:L L6/3 3. 7/0 (ó) 6/5 3.54. (e2ia-Zie2ia-ll/"2 (a) (¿) (¿) Lr/144 (bl rr/L44 1c¡ t/iJttz (¿) (¿t) \/-LUr2 (e\ -L/L4a 0 -!rr 1 . 1e/10 (¡t') 6/6 a/3 @ 1 \Ng 3./m/L8 (d' \rzssñ8 (e) -9L/32a (Í) -sr/235 4 tb) 4/\/35 -t/tst¿.79.5e. (c) 1/(1¿). (a) (3r +2\/(6r*3)para0 5 ¡<i t¿l lsu+Z)/(6u*3)para 0 = a = | 3. ps: -5.62.60.77. 3.

o)/6 (a) -7/27 (c) 2(et-l-t¡¡¿z -Z(e--l-ü¡¡"2 (e) r/136 3. (o) (a) 3.126. (o) no eriste (ó) (c) 3 -1 (c) e-z *0 3.85.89. (b) 2415o (ü) e (al (a) (b) 6/e (b) 1/18 (c) (et * 2e2t + Sezt)16 (d) (d) (eto + 2e2to + 3e3.eziarlznl u) 12/6 3. (a) (b) r/4 (b) 0.r/r-tsnflo) (ó) \F@i @ tlfr.10a. ffiParao rle (b) 1 6x2*6n*L s r:< I . (o) 0.L22.109. 3. (o) 3.###parao < nr 5r 3.f 6/9 7lr2 o 3. (bl 3614 (1 @l atg (b) 2/e L (c) * 2te2t - e2')/2t2 (el -2\/fr/r6 (d) -(1 + zibe2ia . (o) 1 3.125.1)/4 (c) 16/81 3..90.[o ) 3. (o) (c) 3 (ü) 3 3.1or.05r 3. (a) 3. (o) (ó) ln 2 (D) I 3.358 RESPUESTA"S A PROBLEMAS SUPLEMENTARIOS 3. (¿) 3.120. (o) 3.100. (a) x Var (Y lX) 0 5/S I 416 2 (ó) Y Var (X I Y) 0 I 2S/36 2 24t49 3. t"l .113. (d) 1- (1/\.124. (o) (c) 8/16 1-+y'3 (bl v2 3. .118.103. 3.114. (¿) 1/y'5 3.8/2 (ü) 1/3 (c) 0 .116. (a) r 2 0 (ó) 8(21/2-r)/L6 (D \.91.94.e2. (o) 1 I (ü) (ó) (y'3.127. (a) 3.10E.119. (a\ L 3.105. (al 3.ze-t (D) no existe (al 2(\F-Ll/3 (b) L6t7 2 0 2 7/3 r/3 2t/2 (b) e 3.17 (c) 0.5 02.123.121 . (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.

11/16 (dl 518 (a\ r7lL62 (a\ (a) 5/16 (c) 4.91.0% (c\ 93.E3.75 (b) -1.1680 (/) 0.08 (d) r. (al93% 4. 4. 4.90 75.64.0?86 (c) 0.2991 (c) (o) 0.76.66.92. (o) 0.62.0567 (b) 0.s27 1.73.93.0089 (o) (o) 0. 4.74. 4.03eb . -0.78.I RESPUESTAS A PROBLEMAS ST'PLEMENTARIOS . 4.5.03?5 0.726t (/) 0. 4.0668 (a\ 20 (b) 36 (cl 227 (cl (d) 40 @) 15% 4.0687 0.6826 4.049?e (ó) 0.224r (e) 0.9198 (c) 0.7% (b\ 54. L93t5t2 (a\ @) 32/243 (bl re2l243 k\ a01243 (dl 2421243 42 (b) 3.0658 4.84.626 ó 0. 0.90.82. 4.06131 .87.e265 (d) 0.77 (c) 0. 4.E6. 359 CAPITULO 4 4.1127 (dl2.3% (a) (o) (a) (o) 1.6 (b) e (b) 72.G¿s 4. 84 (bl 8. 4.1342 0.1494 0.05610 (b) 0. (a') pl (b'l npq(l - 6ps\ * 3n2p2q2 -1. 4.4% (bt 23.80.2511 (b) 0.9962 (b) 0. 4. (a'¡ 6L.86 (c) 2.E1. 4.1008 (c) o.a7% 4.9495 (b) (ó) 0.t9. 4. 4. 4. 4. (c) (p) 0.E8.0154 (e\ 0.0838 (b) 0.77 (a) npq(q (o) 1. 4.76.7% (al e5.9500 0.550 (c) -0.0079 0.t"/o 0.0286 (d) 0.5976 (c) 0. 4. (a't (a) r/64 Ua 250 (b\ 3/32 (c) l5/6a @\ 5/L6 (e\ 15/64 (l) 3/32 (g) Ll6a (b) 11324 4.89.6404 (d) 0.67.995 0.7t.7123 0.66. 4.849 (e) tt.69. 641243 25 (c) 500 4.61.85.63.8?67 (b) 0.2241 (d) 0.15 (b) 0.68.4232 (o) 0.4 (¿) 0. 57/6a Q\ 2r/32 (b) (ó) 4.

84 (d) 4.360 RESPUESTAS A PROBLEMAS SUPLEIVTANTARIOS 4.101. (a) 0 4.s5 z.53.0 (d\ 2.58 5.62 (b) CAPITULO 5 (c) 0.s? 4.0620 4.r03. (a) 9..0 (b) (b) 4.7 (b\ 4.4972 (ó) 0.BB (d) -0.2 2s6.62.s a8. (a\ 3/4 . (a) ?0/429 (b) l/143 (c\ L42|L4B 4105 (.48 4.0 (d) 8.005? (b) 2 (c) ninguna (dl 24 6.04462 (c) 0.111.) 4'106' (c) 4. (a) 0.861 (. (a) 0.03 (¿tl 2. (a) 201.51. (a) r 4.3/8 4.8b2 (e) 0.4O 0.71 (ó) (b) (b) 1.t : 5. (¿) 4.136.0918 (d) 0.47 (c) 9. (a) 2.gs (e) z.16 5.34 2.1? v 7!r= !4. ('f) (l?)/(l?) (iSX?SXtt) sla 0 (b) (ó) (ó) (ü) l(¿ocoxzoc2ol+(4oc'l(nctsl* (qoc)(ncnl)taoczo 4.o rí.50.008 oz oz (ó) (b) pX pX = 22. (o) sx = 22.136.ro2. @\ 4.l 86.4 ft\ *e-tn -1"-.00g oz oz oz.1033 (c) 0. 22.2 (c) suponiendo áreas iguales en las dos colas.r2o.5 (b\ 4. - 2.0000 .b9 84.0 (b) 4. (c) p. (a) e.? 3/4 16.55.L4L.60 3.tr2. (a) L22.000948 (ó) 0. (o) 5/3888 (b) 5/324 4.160? (d) 0.128 (d) -1.r?r. 0.128.LB 4. @) 2.2 4l. (o) 0. (a) 237 22.B 4.ro9.64.008 = oz. o* = 0.rr3.1 4.00J8 (d) 1.35 L7e.2 zr.49. (Q 4. (o) e. (a) 4.0e (c) (c) (c) (c) 1. (a) 4.L29.75 1.40 oz.166 6.s 20.76 1. (a) 1. 82S\fe (b) (ü) (b) 2(b-al4/6 e/5 113 6. oi : 6.L26. (a) (d) (el 2. (o) B0.3 (d) (d) 55.130.L32.40 oz. o* = 0.40 o¡ ligeramente menor que 0. (a) (ile)/Q?) .68 2. ¡2.00248 (b) 0. Ll4 aJLa.r y 26.75 2.9544 5. (a) 0.73 -0.13?..8 68.8164 (ó) 0.L27.2 (c) (c) (c) 2B.138.000295 4.81 (bl2.829 1.Lo4.0228 (c) 0.6e64 (/) 0.47 (c) e.94.0 (b\ 4.1b82 (c) 0.

60 5.73.81.94.t7..0136 0. 11. 1199. 46 (@) 0.5E.a84 5.62.7L.326. .0006?6 pulgadas (b) 72.60 0. (¿) 0..166 ó 16.1841 (cl (o) 118.76% S.105. (o) (o) (ó) (ó) 11.00 6. 6.8664 (c) 0.59.?4 lb I 2 (d) 126 0. 501. (al 4018 6.67 0.0064 (c) 0'4504 5.66.93. 0.7349 pulg.6.56. (a) 5.10 5. (ó) 38.01 (c) menor que 0.111.36 (ü) (ü) 0'17 0.99. (o) 0. O.104.0482 . (c) 0. (a) 2 6 6 (b) 996 (b) (c) 218 12 5. (o) 5.01. (c) 0. 5.60 1'.3204. 8.323-0. (a) 82 6Jo2.33f0.60. (a) ?99 (ü) 1000 (e) (c) 949.?33 (c) 0.72.8869 28.50?. 86 5.1%.tO.100. .322. 0.1.82.0 s ?9 5.8 lb. 5. (o) 0. .1o9.2160 (b) 0. (@) 0.LL2. .0.0019 (ó) 0.09 tons. (ó) 0.E6. 80Eo.33?6 pulg.3196. (a) menor que 0.3226. (¿) (o) (¿) (b) (b) 0.7o. (o) 0. 0.6 (d) 10995. (a) 24% (b\ rL% 5.20% ton. 5.00?? (ó) 0.3265.00496 pulg.91?2 6. 6. .49 (c) 0'28 5.101.76.3%' 99.01 y 0.47 (ó) e = 5.0028 (b) 0. (c) 0.6% = 0.74.2 6. (o) 10. 5. 6 0 -1 (ü) 40 4 6 (c) (c) 288 (d) (d) 2188 (b) 0 26.97.63.86 (ó) (c) -e1 (d) 63 .9t. 5.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 5.9596 (c) 0'1161 . 5. 5.0026 6. (a\ 2.90 5.326-0:328.e5.9 lb 5.11 5.?9 0'0228 lb (b) 0. 12. 78 á. (b) 0.72642 pulgadas 26.6 (fl @) a6% 100 (horas) (s) 62/a00 (h) 25.003 pulg.0% 76 5.96.01?9 5.92.o% 78. 5. (o) 0. 5.49 0.33? 6.108.t1 5. 0. 6. 5.0316 5.L6 (ü) 0.01 (b) menor que 0. 99. 0. 0.01 (b) entre 0.68.113..26 5.6% (il 0't ts.0.106. (c) 146.65. .06 pero máe cerca a 0. (o) ñ = 2.

(b) -4.72642 + 0.546 2.030 eegundoa (D) 0.?3 onzas onzae (ó) Z.5 lb (b) 0.22.38 (a) ?. -0. 2.09 t 0.12t. (ó) 11.69 I 0.0586.241 7.125. tb9 5. (o) 1.70 t 6. 0.130.72ti42 t 0.62 6.41.7. (d) 032642 a 0. (o) 0.94 Laprimeradistribución (a) la aegunda (b) la primera 5. 0.84914 6.74 5.35 (e) 26.4 4 (i) (il 706.. ms = 0. (o) (b) 105. 1193.88.Se (ó) ?.9?.38 (hl 22.122.2464 (b) 52.6. 0.33. Las estimas de las media¡ de la población son 1200 hora¡ en todos los casos.09 t 0. (a) 6.L2. (o) 0.124.40.115.34.4 hr Las estimas de las desviacionee típicas de la población para los tamaños de muestra 30. (o) al menos 96 (ó) al menos 68 (c) al menos 16? (d) al menos 225 900 (o) al menos (o) 7.298 t 0.18. 0.0 y 100. (bl 0.¡'TARTOS 5. 6.36. (q') (c) e2.28 (b) (s) ?8e.53743.20 (f) 7.045 0. (o) 0.7. 5.38 I (a) 0.09 t 0. m1- 89.049 segundoe 6.18 tons.25.0ab t 0.045 6.128.?0 * o.11 (ó) 0.96 onzas t t I 0.2 106 (ü) (b) 8. 6.30. L9. = -3.07 t 6.38.24 lb2 (c) 0.5 horas. 0.72642 + 0. m1 :0.3?.36. 0.000025 pulC.16 onzas 0.362 ó. rn2= 5.82 0.129.72642 t 0. 101. (o) ?8.073 i 0. m1 = 0.39. (a) 1200 hr 6.126.000072 pulg.123.r5 (c) 0. 6. (a) 5. 26.0696 r¡¿o 560 (c\ r.00002b pulg. 7 RESPUESTAS A PROBLEMAS ST'PLEMEI.?8 y 0. 101.82.117.?0 r 0. (o) 0.31. 42 5.24 tons. 6.298 0.0? (b) 0.68 a 0.000095 pulg.12 hr t 0.000085 pulg.97. (a) 0.1 ó. ó.62 r 0. n4= 0 -0.2 (b) 0. (a) 11. 0.127.09? (c) 0.2344.e5 5.112 . (o) 9.38 384 (b) al menos 221 (c) al menos 666 (d) al menos a 1.116.u (o) al menos 323 hr (b) al menos 560 (c) al menos ?66 (b) 1.0090 CAPITULO 6 e.000060 pulg. 6. (¿) ffiz: 0.86 lb reepectivamente 6. 6. -1r7.22 0.29.118.131.36206. 60 y 100 tuboc son respectivamenüe. 6.428 24. 0.tu. (c) 0.43. 0.41. (b) 0.493e (b) 5. 6. (a) 0.2 (d) 7158.

8 l: 0. (o) No se puede rechaza¡ Ia hipótesis al nivel de 0.61.00 (ó) 13.654 a 1.1 horas 6.ó2. (o) a 230. (a) 6.56.99. (a) al menos 87.(b)0.944 (b) 0.51. Se puede rechazer la afirmación a ambos nivele¡ mediante un enaayo unilateral.5 a CAPITULO 7 7.78 (b) 0. 7.. y se acepta en ceso contrario (o no se toma ninguna decisión). (c) 106. kt') 0. k = -lln - (ct.r.519 a 7. 1. (d) Rechazar lfe ei se extraen más de 41 bolasrojas.05.250 6. (a) (IIe: p=0.6 horas 2400 ! 59 libree (b) 87.8 (b) 0.2606 7. r = .05. 7. (a) 0.63.49.62.ó4. (b) Ensayo unilateral.15 6.46. .458 a 4..?41 a l. (b) Se puede rechazar la hipótesis d nivel de 0.06 (c) t2.8 horas 6.) (e) t2.5).1 a 140. Sí. ?.6% 105.66.5 (ü) 102.7O.673 a 2.50. es 7.02 (a) 0.1 a 288.17.58.70 6. (a) 1800 t 6. (a) 95.1 a 148. (Hi p> 0.4 horas hora¡ horas (b) 78.06? a 1. 7. I _ ()rr)/r¿ 6.Bb 6.63.60. 86 lb (b) 1800 t 328 lb (c) 1800 t S82 lb 6.69.68. El re¡ulüado significativo al nivel de 0.45. 6.5). (a) 63. (c) Aceptar la hipóterie ¡i las bola¡ rojac extrafdas esüán ent.14 (a) 0.5 horas (b) 88. 2400 t 45 librs¡. -= 3' 2tritl "'+r3l 6. 7 No se puede rechaza¡ la hipóteric al nivel de 0.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 363 6.9a1 a 2. 6.0 4802 (ó) al menos 8321 (c) al menos 11.6 ¡ a 1g0.9 6..4E.259 a 5.64. 0. (a) Aceptarlahipóteeissilasbolasrojarextrafdasestánent¡e22y42 rcchazarlaencasocontrario. (o) t¿.8 t 0. 139.138 a 10.79 kl) t2.20. .05 en ambos en!¡ayos.9 1?0. en ambos nivelea. mediante un ensayo unilateral en ambos caso8.69. (c) Rechazar 116 si se extraen más de 39 bolasrojasy acept:ula en caso contrario (o no tomar decisión alguna). 6.lre 24 y 40.01 en (o) ni en (b).65.269 (o) 0.24 249 onzas lb (ó) 63.52.31 onzas 6.70 (b) 0.58 e 2.67. rechazarla en caso contrario.58.

t9. 7.1 y 1.96 onzas (D) 8.06.A1 \¡¿ - lar frecuencias esperadas con 108. 66. 14. 7.1. (b) Un ensayo unilateral muestra que I no ee mejor que A al nivel de 0. 11.01 . 0.3. Un enrayo unilatetal a ar¡bos niveles de aignificación muesha que la marca B es superior a la marca A. 13 y 2 respectivamente. 15.0. E resultado es significativo a este nivel con un enar¡yo unilateral.2.01. (o) 6 (D) 4 7.7ó.RESPUESTAS A PROBLEMAS ST'PLEMENTARIOS 7. 43. f (r) = aC"(0. no 7. 7 .e0.01.05.64 (ü) 0.86. 12. pero no lo e¡ con un ensayo bilateral. bilate¡al muestra que no hay eúdencia s ni¡guno de los do¡ nivdes de que la duración media haya 7. 7. 7.71.05. Las frecuenciae esperadac 8on 1. Un enrayo unilateral indica que no disminuye la media a ninguno de loo do¡ niveles.64 1 0. 7 (a) si (ó) no .7 y 0.87.9. la¡ frecuenciae esperadar son 32. E aparente decrecimiento significativo al nivel 0. Mediante un ensayo unilateral al nivel de eignificación de 0. 13. 7.05 pero no al nivel 0. 23.96.0 respectivamente.6.99. 7. Un ensayo cambisdo. no ¡e deduce que haya diferencia de acidez.05. pero no al nivel 0.8E. y 4.ae frecuenciae esperadas eon 1.81 ln 7. f (x) = T.6t)l-r.77. Un ensayo unilateral muestra que el nuevo fertiliz¡¡¡¿ superior a ambos niveles de significación. 4.El' 7 Un ensayo unilateral muestra que el proceso no debe inhoduci¡se si el nivel de significación adoptado es 0.1. ?.32)r(0.79.4. No podemos concluir que la primera varianza 8e¡ mayor que la segunda a ningún nivel.5. 3. 21.9.82.7 respectivamente. concluimos que el primer grupo no es superior . Un ensayo bilateral a ambos niveles muertra que el producto no cumple con las especificaciones.98. al eegundo. 7.72.e5.78. El aparente incremento en la vai'iabilidad no es significativo a ninguno de loe dos niveles. es 7.7 respectivamente.7. 7.1. .20.76. 53. 5. Un ensayo unilateral rnuestra que a ambos niveles el contenido -nedio en cobre es más alto que el señalado en las especificaciones. 7.?. 7.?.6. 7.0.2.64 + 0. es ?. 60. 50.4.06. (o) t 0. Las frecuenciae eeperadas son 41. 7.tO. (a) 0.84.05. ?.6.1 y 0.73.05 pero lo es al nivel 0.36.34.2. [. (o) Un ensayo bilateral indica que no hay diferencia en la calidad de fabricación al nivel de 0.01. Podemos conclui¡ que la primera varianza es mayor que la regunda a ambos niveles.E5. pero debe introducirse si el nivel de eignificación adoptado e¡ 0.0118 7.0118 (c) 0 (d) 0 (e) 0.2.l0l. 7.6 respectiVamente.63 onzas 7. 4. 39.7 Un ensayo unilaüeral muegtra quc la diferencirr e eignifrcaüive eB al nivel 0.4. 49.E3.6. 9. 7.1O0.7. Concluirfamos que el resultado no común al nivel 0.94. Mediante un ensayo bilateral al nivel de aignificación de 0.3rL2 8.83 onzae (c) 8.0.

60. 7. 0. (b) El ajuste es bueno pero no "muy bueno".118. 7.t25: 0. 7.13?. 7.10? .134. No hay razón para rechazar la hipóteeis a ningún nivel.05.0872.06. La diferencia ?.0738 (corregida) 7.11f es es significante al nivel 0. La hipótesis puede rechazarse al nivel 0. 7.104. 0. (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).05 no rechaza la hipóteris (b de proporcioneo igudes.115. (a) Un ensayo bilateral al nivel 0.05.139. 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 0.114.L72.124.05 pero no al nivel 0. La hipótesis puede rechaza¡se a ambog niveles.728. (b) El ajuste es pobre al nivel 0.116. esto es consistente con el Problema ?. (o) El ajuste 7.2205.1985 (conegida) (D) 0. La hipótesis no puede rechaza¡se a ninguno de lo¡ nivdes.465t 7 . La hipótesis no puede rechazarse a ningfin nivel. La hipótesis no puede rechaza¡se a ninguno de los niveles.113.109. ? .RESPUESTAS A PROBLEMAS SI'PLEMENTARIOS 365 7.06 pero no al nivel 0'01.LO2. Igual conclusión.133. Puesüo que la dietribuciónbinomialdaunbuenajustedelosdaüos. ?.06.132. No hay razón para rechazar la hipótesis de que las monedas ¡ean hon¡adas. ) Un ensayo unilateial al nivel 0. La conclusión es la misma.05.105. (o ) 10.L23.129.108. (a) 0. Mediante un ensayo unilateral. (o) El ajuste es muy pobre al nivel 0. 7 .05. 7 . El proferor nuevo no sigue las miemas nortnas que los otroe. ?. ?.109. ?. . sea mejor que la B d nivel 0.103.3863.110. La hipótesis puede rechaza¡se a ambos niveles. La hipótesis no puede rechazar¡e al nivel 0. . (a) (b) (c) no ?.106. No al nivel 0.01' 7.05 indica que á tiene una mayor proporción de bolas rojas que B. (b) (b) 7.138. 7. No puede concluirse que la marca A 7. bueno (b) no (o) El ajuste es "muy bueno". 1.1L7 .05. tul e no (b) 10 si (c) 10 (d) 8 7. 7. (c) si no si no (c) no (c) no ?.0.3179 (con conección de Yatea) 7 . (a) 0. (o) 7. el re¡ultado er significativo al nivel 0.

8r*12 (b) r= 0.rz 8.00*1. 37.0 8.68. (o) 1.89.5t*3. - 1.2928 y 0.28 (o) (ó) Mediante un er¡rayo unilateral puede rechazaree la hipóteaia. (o) 8. (b) d 8.8.112.366 CAPITULO 8 RESPUESTAS A PROBLEMAS SUPLEMENTARTOS 15o 8.188 ¡ (c) r32 8.6 E.000 + 0.24 (b) 8.8961 (b) u = 8. (o) E.661¡ (c) r = -14.szos 8. 2.6633 1.0 a 19.71.7l4r (b) "=t*lu 10.5 (b) (ó) g?. (o) v=0.0 a (b) B?.60 (ó) 1.9?.115.?801 y .111.500a (cl r = 2.6606 (ü) 0. (c) 37.138 t a 0.80 E.87.88.4 si no no si E. (o) 0.9 2. u = 6.0 4.00 (c) ?. (a) 3. Mediante un ensayo unilateral no puede rechazarse la hipótesie.85.20(r-B) +0.E0.00 6 r= (¿) 1. (o) (ó) 2.96. (¿) t 3.1 E.?961 y (ó) 0.1r4.29y 8.21r*O.?600 y 0. =0.gBB+o.107. (a) 0.99. E.109.r3. (o) 1.90.89 * L. (a) 8.oooo t 0.69.96.40 6 A:32.448 8. (a) z = 3. (o) (ü) t. ft (d) Bg? (b') A=32.21 0.66.427Y 61.0 t 8.r10.13 + 0.2 (c\ 182.9927 8.108.81.968 (b. B. (a) 0.6tly E.14(10)0. 75/p 8.60 8.70.r1y (d) 7g 95 t. r¡o¿ = fi -o. (a\ 0.ss56' 8. (b) a = 29.46¡r*l 8.) 1.?3S(n-B)2 6 41.9818 8. (a\ u=-i+í" 6 u=. (¿) 0.20 E.14¿0.84.398 (ó) 192.?8 + 1.64.92.s912 (ó) 0.60 (ó) 17.Z.113.64y 8.0 t 5. -0. 0.74.08?86 o¿ (ó) (c) t?0 ft.77 y -.00 t _1.096 o * 0.24. (bl u = 4.6t-t.66r * 2.6 1.00 8.s72 80.8861 1 t.91¿6 y y 0.408 + 0. (a) 24. 0.151{" ¿O ó U -92.E6.14(L.126s 'y 0. (a) 0.79.IBB72 616 8.304 (ü) 1.67. (cr.

16-0.128. 8.1083¡*0.130. llay una diferencia significativa en neumáticos y automóviles al nivel 0.126.30 pulg.4653¡z.43. 0. 9.7096 y 0.39.01.oy:107.24.4547 8.34.116.66. 9. 0.40: No hay diferencia significativa en neumáticos o automóüles al nivel 0. 9.38.3?.05. 9. No hay diferencia significativa en neumáüicos a ningún nivel. .(b)y:722. CAPITULO 9 9.43.05. una diferencia significativa en rendimiento a ambos niveles. Igual al hoblema 9.01.6158 E.7 (e)1977 1o. una diferencia significativa en operarios pero no en máquinas.4 libras 8. tlay 9. 9. 0. de julio de 1950 (d) 142.27.35.26.05. 9.9653 (D) 8.9*4.38x E. (b)y:18. Ilay 9.36.l31. 415 8.11?. No hay diferencia significativa en operarios o máquinas.L27.31.4 (b) 116. (c) si no (ó) 8. (o) u = 3. (a\ 20.32. 9. 9.129.42. 9. Flay una diferencia significativa en los métodos de enseñanza al nivel 0-05 pero no al nivel 0. No hay diferencia significativa en el tipo demaíz o suelosal nivel 0.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 367 8.33 r . No hay diferencia significativa en fertilizantes o suelos.33.23. una diferencia significativa en sus calificaciones a ambos niveles.25.44.42*2.lgxsilaunidadxesLl2añoyelorigenesel ¡ es un año y el origen es el 1o.6402 si la unidad 8.deenerode1954. 9.0. 9.36 lb 3. 9.7 y 173.dondeyeslanatalidadpor1000habitantes.01.4f. 9.05.38. Hay una diferencia significativa en los sitios pero no en los fertilizantes aI nivel 0.01 . una diferencia significativa en marcas al nivel 0. No hay diferencia significativa en operarios o máquinas. No hay diferencia significativa en el color del pelo o estatura.120. 9.125. llay 9.05 pero no al nivel 0.01. flay 9.9254 y 0. No hay diferencia significativa en los sitios o fertilizantes al nivel 0. Igual al hoblema 9.¡es5añosconorigenen julio de 1935. No hay diferencia significativa en los métodos de enseñanza o plantelesal nivel 0. Hay una diferencia significativa en el tipo de maíz pero no en los suelos al nivel 0.

pero no otras dife- ' ltray diferencias significativas en tipos de cables pero no en operarios. B.4E. 9. y canüidades del primer compuesüo químico.ó.49.54.62. pero las debidas al LQ. 9.47 No hay una diferencia significativa en rendimiento escolástico debido a diferencias en estatura.Q. 9.64. significativas en los puntajes de los exámenes debido al estado veterano y al I.55. C. fuual al hoblema 9. 9. 9. significativas debido a los sitios pero no a los fertilizantes. No hay diferencia significativa en los puntajes de I. No hafl diferencias significativas debidas a los factores o tratamientos. . No ha! diferencias significativas en los puntajes de los estudiantes de diferentes partes del país.45.01 las diferencias en los puntajes del examen debidas al estado veterano no son significativas. color del pelo o Iugar de nacimiento. ltray diferencias signifrcatiyas en especies renciag signif icat ivas. 9.46. No hay diferencias significativas debido a sitios o fertilizantes. 9. pero hay diferencias debidas al I. al nivel 0.61.3.54. No hay diferencias significativas debido a los químicos o s¡tios. 9. FIay diferencias significativas debidas al factor 1 pero no al factor 2 o tratamienLos A. llay diferencias 9. 9.63. No hay diferencia significatirra en tratamientos a cualquier nivel. 9.Q.66.Q. sílo son. máquinas o fortaleza de cables.52.368 RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 9.05. llay diferencias 9. 9. Al nivel 0.

30.237-239 aleatoriedad. lO9 (véase tomb i¿n distribución no¡mal) distribución geomét¡ica. 108. 47. 237 dispe¡sión. coeficiente de. 246. 142 relación de la con la binomiál negativa. cumplemos. 85. 269 ensyo chi-cuadrado Pua la.135-137. 319. 309 media y varimza de la. coeficientes de. I29 aproximación normal a la. 116 cuenta.97-99. 218.78.242. 26O clase.L28 relación de la a la distribución de Poisson. 21 1 desigualdad de Chebyshev.322 para experimentos de dos factotes. | (uéase también conjuntos) columna de conteo. 232-236. 47 para el caso disc¡eto. 239 propiedades de la. 10. 118. 328. 89 282 diagramas á¡bol. 3 dimensiones o unidades. 46 casillas. 119- 310. 112 de Ia distribución normal. ó conjuntos iguales. 92- curua cuadrática. problema. 61 disÉibución beta. 31 curtosis.315.320. 34ó cu¡va normal tipificada. 118.11-13 teoremas sobre. 130. 266. 31O. 99 (uéase tombién distri' bución normal) áreas bajo la. 82. E4. 213. 143. 127. 97 también varianza) dewiación tÍpica. 217 convoluciones.293. 268 r23 aproximación de la dist¡ibución de interl¡retación probabilfstica de la. 29G 292 correlación gradual. 11O. 2ll. 134 cuilas cdacterÍsticas de operación. 83. 1l uti¡izando p¡obabilidad. principio fundameotal de. 115. 26 4 coeficientes de confianza. 33O cuadrados latinos.348. 1 77 combinaciones. 133.129 distribución exponencial. 225 análisis combinato¡io.97 dist¡ibución binomial.145 ajuste de datos por. 19ó coeficientes de correlación múltiple. 168. 296 Poisson a la. 295. 248 decisiones estadlsticas.324 cuadrados ortogonales. 5 completa aleatorledad. 221-226. 23A. 268 generalizando.310. 224. 94. número desigual de obseryaciones en 312-315 experimentos conjuntos. 135 distribución bimodal. 56-60 pua el caso continuo. 198. 92-94 teoremas sobre la. 4 conjunto vacÍo o nulo. 21 diagramas de Venn. 11. 139'141 teoremas sobre la. 27. 2 constante de Boltzmann.118 distribución hipergeométrica. cuenteo.26l múltiple. 296 independencia y. 1 conjuntos medibles. 316 bondad del ajuste. 133 . 268. James.2A2. 316 27 distribución binomial negativa.281-289 tabla. conelación y reg¡esión üneal perfecta. 78. 13 2. 119 distribución ¡'. r97. reglas de. 25-2 7 análisis de v xianza.2 conjunto universal. 108 bloques. 116. 40 control de caüdad. 9. 230 coeflcientes binomiales. 248 curuas de aproximación. 264. 344. 139.333 para experimentos de un factor. 316 püa de tres factores. 112 relación de la a la distribución binomial.244 cuwa nomal. lO. 81. 2 (uéose deteminación. 164. 28L-284 ensayo de tripótesis y significación para el.246 Datos agrupados.86. 115. 117 ¡elación con la chi-cuad¡ado y t. 118. 306- continua a la derecha. L27. 134. 115.243. 136. 1 51 contado¡ Geiger. 321. Bernoulli. 263.2L6 área bajo la. dewiación. 254. 258 relación de la a la distribución norrnaI. 100. 258. 78 diseño de experimentos.297 teo¡ía muest¡al de. 234. 1 17 moda de la. completa. 244 264. 2. 295. 116. 342 axiomas de probabilidad. 3 264. 3f6-321 clasificación tríp¡e o factor tres expedmentos. 219. 9. 109. 24 complemento de un conjunto.3f6 bloques aleatorios. 31ó álgeb¡a de sucesos. distribución gaussiana. 291 26r. ' dife¡encia de conjuntos.269 cunas de regresión no lineal.118 propiedades de la.112 219. 6 conjunto nulo. 220. 306-338 fórmulas cortas en el. 266 (véose tom' bi¿n conelación y reg¡esión) curva de potencia. 11. 111 r34 distribución de Pascal. 24O. 177.294 generalización del. 263. 6 conección de Yates para la continuidad. L24.263 covuianza. 246 muestral. 197. 26+ 246 püa datos agrupados.244 conelación. Só.125.324 el. 115. 9. 117. 306. 316.169 negativa. 315. 217. 114. 177. 316 diseño experimental. 138. 25 coeficiente de conelacion. 88. 22O. 129. 184 categorías. 8ó decisión. 11O á¡eas bajo la. 144 cont¡ngencia. 3O7. 118 valores de Ias percentilas de Ia. 316. 316. colección. 311. 217. 117. 297 distribución de Bernoulli (uéose distribución binomial) distribución de Cauchy. 264. 112.37 Cambio de variables. 82.112. 332. 112. 116 reJación de la a la dist¡ibución normal. 217. 232-236. 163. 267. 1O9 relación de la a la distribución normal. 345 ordenadas de la. 345 tipificada. 349 distribuciones gamma. 109 de la distribución de Poison. 1O8.213 Bridae. 333 cociente de inteligencia. 161. 265-267 coeficiente de correlación lineal. 2a5'247. 344 curua parabólica. 2L7.316-321 aproxirración de Stirling a nl. 2ó8 94. 163 decilas. 315. L28. 85.lndice Ajuste de datos po¡ distribuciones üeóricar. 2a6-2a7 . 11. 263. 264. 23. 118. 297 poblacioml. 1 conjuntos disjuntos 3. 1 (uéos¿ también conjuntos) clases y frecuencias de clase. 12. 347 como caso especial de la distribución gamma. 284. 247 332. 1 18 distribución chi-cuadrado. 11. 259 típica (uéose desviación tíPica) desiación media.311 aleatorios. 263. 6O.28l-244 fórmula p¡oducto-momento para el. 13 conjuntos bien definidos. 46. 264 curyas OC. 118 distribución de Poisson. 258-3O5 gradual. curua de ajuste. 47. 112 clasificación simple o experimentos de un factor. 84 ajuste dé datos por la. 1 13. 216. 7L. 82 cuadrados greco-latinos. 183 de la distribución binomial. 317.163 centroide o centro de gravedad de los datos. l. 83. 321. 267. 46. 26 4. 3 1 5 altamente significativos. 135 teoremas sob¡e la. 117.

198. 116. 263. ó1. 213 para va.160. 168- de ¡elaciones de vuiauas. 297. 5 enfoque uiomático de ptobabiüdad.. 162.294 pa¡a la püábola de mlnimos cuad¡a- teoremas sobre. 41 de funcit¡nes de vadables aleatorias. 313-315. ó3.277 para el plaao de regreslón de mfnimos cuadrados. 218. 287. 214.) distribución porcentual de frecuencias. 2L9. 64 293.171173 de medias. 44 dis¡etas. 162 de difetencias y sumas. 44. probabilidad de. 41 distribuciones de probabilidad discret¿. I76. 83. 1O8 expamión multinomial. 5. 14. 286-287 . 40. 113 experirnentos aleatorios. 160. 231 experimentos de clasificación doble (uCose experimentos de dos facúores. 220. 198. 4O. 118. 312 Einstein-Bose. 157 función de densidad normal tipificada. 289. óo conti¡uas. 266. 4ó. 112 de la distribución normal.39. 6.226-228 mediante diferencias de proporciones. 6 enfoque clásico de probabilidad. fó8. 267. 238 bidimensional. 36 función aleatoria (uécse vuiable aleatoria) función beta. 76. 80. 2 interacción en el. 157 de dewiaciones típicas. 4 esperanzar 76.2t6 ¡elación con la teorÍa de estimación. 260. 61-63 distribuciones co¡iuntas. 276. 16G162. 132. 312 efectos de lnteracción. 194 (uéate estimas insesgadas) toñbién mediante diferencias de medias. 52-56 continuas. 91. 5. 262.293. 22L- experimentos de un factor. 237. 160. 206. 117 disribución trimodal.lores medios predichos. 1O8 expansión binomial. 26ó también esperanza) estadfstica Bose-Einstein. 28t. 86-E8 condicionel. 273. 243 ensayo de bipótesis y significación. 2L4.249 distribución nonnalr 109-1 11.279- 164. 4 46. 4 espacios muesfales discretos. 109 propiedades de Ia. óó estatura de padres e hijos. 156. 113 distribución Maxwell. 163. 261. pua variables aleatorias contfuruas. zLl. 4 espacids muestrales continuos. 2I9. 266 para vrimzas. 194-2LO. 3O8 error tfpico.274. 43.177 enfoque de la frecuencia relativa de 308. 4. 194 estimas. 13ó función de densidad para la. 186 estadlsticos muestra¡es.A. 36 E. ó2 de funciones de vuiables aleatorias. distribución de 2t6. 161. 213 ensayos de una cola. 4ó para valiables aleatorias dlscrets. 261. 81 fórmula de Spe¡man pa¡a la cor¡elación gradual. 199. 217 ensayos de dos colas. 194-210 eficiente. 3 Ecuaciones norraales pua la recta de mfnimos cuad¡ados.139-141 ¡elación de la a la distribución normal. 164 distribuciones de fiecuencia acumulada. mediante la disúribuclón F. 231. 223. 114 relación de la a la disEibución binomial. 138. 341 fracaso. dualidad. 6 ensayo chi-cuadrado para bondad del ajuste. 82 distribuciones de frecuencias. 306-31O. traslación de. 63. 44 . áreas bajo mediante relaciones de varianzas. 295. 41 conjunta.61. 285. 262. 45 función de densidad conjunta. 77 (uéose dos. 194 estimas sesgadas. 44. 44 va¡ianza pa¡a. (pe¡cepción ext¡as€nsorizlr. 343 función de densidad.2A6 224 espacio muestral. 310. 269. 81. L4l 11 8. 212. 8l totales.282. 159. 83. 194. 77 espermza condiciona!.214 püa pequeñs muestras. en téminos de varimzas y del coeficiente de conelación. 299 er¡ores del tipo I y del tipo II. probabilidad de. 38. 17?179 acumulada.215. 29A espacios muestrales infiniio no conta- fumión complementaria de error. 216 para coeficientes de regresión. 158.318 de vuianzas. 99 de la distribución binomial.179 distribuciones de frecuencia ¡elativa. 3 7 Fisher. 141 probabilidad.263.266. 262. 2L6. 119 distribución muestral. 111 teo¡ema de la unicidad para le. distribución f de Stud. 198. 137.216. 27 O.P. 2r9. ?7 muginal.201 esti¡nas insesgadas.2La. 6 fórmula de inve¡sión. 297 e¡rb¡ o residuo. 111 distribución nomal bidimensional. estadfstica. 179 relativa.312. 133 distribución Weibuü. 311 notación paa. 1Og de la distribución de Poisson. 286 fórmula producto-momento para el coeficiente de cor¡elación lineal.4. 4 espacios muestrales inflDitos contables. 236 mediante la distribución normal.22L.244.S. 296 derivación de la. 260 elementos o miemb¡os de los conjuntos. 81 ble. estadfstica (uéose estadís- tica Bose-Einstein) e1e x. 342 función característica. 117 teoremas sobre la. 215. experimentos de dos faetores. 16-321 225 la. 48. 198. t¡ansformación Z de. 81. 178 (uéo¿e 213 mediante la distribución f de Student. 92. 164 f¡ecuencias elementales. 1?3-176 de varios estadísticos. 213.6 286.ent. 1ó7. 1 de proporciones. 39. 54 de sumas de variables aleatorias. 1O8 . 293. 196.294 fómulm de Euler.370 media y vaxi^nza de la. 52 distribuciones de probabilidad condicional. 94. 2t6. 49. definicid¡ de la. 163. 161.229-231 2L con repeticiooes. Futl. 194 estimas po¡ puntos. 156. 178. 142 distribuciones condicionales. 77. 324-327 variaciones pa¡a. l6 3 frecuencia relativa. 279 efectos de bloques. 221-226 mediante proporciones. 218 frecuencia porcentual. 2L9. 38. 164 distribuciones de probabilidad. 110 espermza matemática.178. 212. 266. 326 función de distribución acumulada. 16ó-168. 290 estima. 159. 346 media y vaianza de la. 6 enfoque a priori de p¡obabilidad. 184 de medianas. 113. 267 pua valores predlchos. 164 acumulada.47 disc¡etas. 164 acumulada. 222 escalera flor. t7l enfoque a posteriori de Drobabilidad. 162 INDICE efectos de tratarniento. 314. 117. 263. 117. 311 distribución t Student) 163 acumulada. 47 interpretación gráfica de la. principio de. 4 espacios muestrales no disretos.pua el coeficiente de correlación. 162 distribución multimodal. 194 estimas por intenralos. 44. 306 Fistre¡. 115. 211267 estimas no eficientes. 43 teoremas sobre la. 2ó9. 162. 259 estimador insesgado. 265 77 38. 98. 114. 84 distribución multinomial. 124-127 ajuste de datos por la. 14. 16ó. 1ó chi-cuadrado y. 289. 163. 278. 113. error típico de la (véose ettot tfpico de la estima) estimación. 162. 43-46.268 pua grar¡des muestras.¡ecuencia marginal. 216 Fermi-Di¡ac. 157. 42. 117 relación de la a la chl-cuadrado y F. 297 f¡ecuencia observada.196. 199 insesgada (u¿ose estima iDsesgada) estimas de máxlma verosimilitud. 94. 264. 267 3-2L5. 260 ejes. 216. 118. 1ó espacio muest¡a] finito.226-22a mediaate la distribución chi<uadrado. 31 1 experimentos de Mendel. 164. 194 e¡aor tfpico de la estima. 119. 138. 241 3 mediante medias. 163. 92. 84 distibución uniforme. R. 35 estadfstico no puamétrico. 25. 39 (uéase tambíén funciones de distribución) función de distribución conjunte.267 formas igualmente factibles. 290 . éxito.

19ó. 18O- población normal. 86. 47 para conjuntos.312 ordenadas. 179 acumuladas. 97 medias de fila. 155. 1ó5. 3. f16. 2 núme¡os ¡eales. 21 hipótesis.P. 86 Marca de clase. I 55 integrales de Fourier. 158. 97 mejor cuwa o recta de ajuste. 1á6 con o sin remPlazamiento. 343 central. 259 para curvas. 1óó. 23O inferencia estadística. L78 I paradoja de Russell. 79 intenalos geml-abiertos o dos. 8O. (cociente de inteligencia). 84. 197.2O3 para relaciones de vuianzas. invuianza baio üanstotmacióD. 97 medidas de dispersión. 308. 4O función factorial. 166-167.. 84.297 198 para rectas.179 ojivas porcentuales. 194. 1 método de expansión.179183 momelltos centüales. f96-202 L44. 156 población multinomial. 183. 39. 227. 13ó de la distribución d€ Poisson. 47. 84. 212. 1^O. l2 computación de la. lf l. 79 condicional. 27-23 población.293 medidas de centralización. 268 para vuiables aleatorias continuas. 164. 2O2. 32 parámetros poblacionales. 117 la distribución normal. 89'91. 111 21 E inte¡ralo semi-intercuütÍlico. grupo control. 184 teorÍa de correlación y regresión. 164 operaciones de coniuntos. 2O4. 163. 112 la distribución F. 8 3O7. 85. 292. 6r 3 ley de los grandes números. 163. 159.241 hipótesis estadísticas. 165. 61-63 conjunta. 117 modelo matemático lineal pua el análisis de va¡ianza. funciones de densidad marginal. 1 56 independientes. 211 (uéase tombián ensayos de hipótesis y significación) hipótesis nulas. 2. 13 Iey distributiva. 41. 1O9. 45 funciones de distribución. 42 para variables aleatorias discretas. r23. 47. 26L.84 Papel gráfico de curya normal. lO9. 84. 48. 110 eomplementaria. 241 tabla de. 3O6 de de de de medias de grupo.221 experimental o descriptiva. 155 población binonial. 164. 97. 156 196 Ley asociativa. ll. 266. 85. 156. 159 normal. 21?. 96. 243 pua paábolas. 177 muestreo.5ó marginal. 36. \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.164. 81. 126. 197. ó6. 13 lÍmites de confianza. ó3 niveles de confianza. 2 pea vErian¿as. 196. 84 (véose también media) media muestral. 183. 204 para medias. 1r6.50. 48 probabilidad de causas (uéos(f teorema teoremas de la. 3. 3 inteivalo de clase. 156 tamaño de la. 83. 63 función de Drobabilldad coqiuDts.23O Herencia. 276. 177. 3 ¡ey conmutativa. 342 fórmula asintótica de Stirling pa¡a la. 351 loterm.49. 164. 205. 1O9. 40. 186. 312. 44. 206 modelos matemáticos. 342. aproximación de Sti¡ling a. 195. 55. 159. 1 7-2O función de la. gran media. 43 4O 268. 178 moda. 69 para datos agrupados. 94 función escalera. 49. L22. ó8.INDICE función de probabilidad. 156. 39 condicional. 3. 1 (véase también conjuntos) prábola. 84. 211. 206 semi-cerra2dO. 1 44 pe¡centil¿s o valores percentüa. 158 I. 11ó. 89-91. 1.98 de la dist¡ibución binomial. 43. 3O7. 8. 83.22O.) mÍniinos cuadrados. 26O intetsección de cotiuntos. 6 moneda b-omada. 1 56 partículas radioactivas. 342 27. 1ó1 grados de libe¡tad. 195 lÍmites fiduciales. pea conjuntos. 96 de la dist¡ibución beta. LS7. 1ó6. 155 aleatorias. 2. 164. 194-206 para diferenciás y sumasr 196. 203. 85. 224 niveles de significación.165. 312 g¡an total.¡los abierto y cetrado. 12.249-292 n factorial. 54. 76 de una muestra. 2+2. 163.166. 269.272 función error. para datos agru- Gas ideal.45. 44. 195 (uéose tambíén lÍmites de confianza) IÍmites reales de clase. 11? de un conjunto de números. lnteÁ. 196 muestras aleatorias. á1 lÍnea real. 123 de la distribución chi-cuadrado. 6. 1ló de la distribución F. 196. 214 histograma. 40. débil ros) (ué¿se muestras independientes. 37 Poisson. 309. 17? niedia. 96. 27 .297 miembros o elementos de un coqiunto. 114. 45. 2 lntcnalos de confianza. 5ó. 112 de la distribución normal. 198 dist¡ibución de muestreo de la. 171. 47 Pata conjuntos. acumulado. 200 número. 2 logúitmos comunesr tabla de. 1ól momentosr 79. 199. 306. 45. 6 muestras. 44 g¡andes muestras. 196 población finita.237. 80.313 ? probabilidad. 199-201 grupo. poker. 277.266 pe¡mutaciones. f 56 alrededor de la media. 84. 306.342 función gene¡atriz de momentos. ró9 población infinita. 96. teorema de la unicidad pea la. 156 parámetros de la. 266- 4t. 308. para la convolución. 123 la distribución de Poisson.Q. 2t3. 80 teoremas sob¡e la. 8O función monotónicamente creciente. 217 gráficos de control de caüdad. 99 pe¡cepción extransesorial (udase E.5 probabilidad condicional. 26.234 pare propo¡ciones. 264.D. 259 ir¡tetcepto. 224 tabla de. 259 método de comprensión. para el análisis de la varianza. ó4. 342 fórmula de recunencia ptala. 342 función gamma. 76. 6 suma de los pa¡a la distribución chicuad¡ado.219. 171. 38 marginal. para la convolución. potencia de un ensayo. 94 moneda cargada. 15ó. 44 371 molécula de gas ideal. 1 polÍgono de frecuencia. para la convolución. 341. 213 números rleato¡ios. 13 en los zucesos. 217 259 236. ensayos de. 11 método de mínimos cuadrados. 46. 179-183 la distribución binomial. 163. 156. S. 157 media ditmética. 352 números complejos. . 221 experimental o descdptivo. (uéqs¿ rectas de mÍnitnos cuadrados) método y fórmula clave. 311. 95 para las pruebas de Bernoulli. 350. 184.S. 113. Ojivas. 76. 1ó8. 1ó8. 163. 269. 198. 79 momentos condicionales. 162 no unicidad de la.97 (véase tanrbién esperanza) pados. 1O función paso. 313 polÍgono de frecuencias 179. 111 de la distribución ú o de Student. 217. 39. 3Oo funciones de distribución marginal. L21 Jacobiano. 76. 157 media total. 117. 96. t71.44. 79 alrededor del origen. 136 gráficos de control.312. 311 mediana. 177. 19ó nivel de significación. 3O6 medias de tratamiento. 98 integr¿les especiales.268 funciones de probabilidad marginrl.

306. 249 de vaiables aleatorias distribuidas normalmente. 117 de la distribución muestral de medias.159. 261. 151 teorema de unicidad.161 veiables aleatorir nomalizadas. 243246 tablas de frecuencia (uéose ta¡nbién distribuciones de frecuencia) variables aleatorim distribuidas binomia¡mente. 48 función de densidad de.115 variables aleatoiias con distribución chi- ta. 45. 22O. 63.249 computación de la. 219 en anáUsis de varianzas. 38. 111 de la dist¡ibución t. 30.63 vüiables aleatorias no relacionadas. 79. 15 utilizando el análisis combinatorio.294 vaianza. 7. I 18 tablas y distribuciones de frecwncias de doble v&iación. 195 desconoce la. 2O1 t¡ansformación de Fourie¡. 3 significación. 29. 1?9-183 vriable independiente. 271 referencias tipificadas. 37 serie de Fourier. 58. 29O curva.273 en términos de varianza muestral v teoría de muestreo exacto. 311. 143. 14. 2AL. 25 Unidades o dimensiones. 13O. 352 293. 46 scesos mutuamente excluyentes. 11 1.262 vüiación explicada. 41 INDICE sobres. 63.114. 226 . 31 1 entre y dentro de tratamientos. 266. 263. 1O9. 27 8. 8. 217. 291) universo del discurso.2a2. 258.123. 48. 78. 260.272 318 grados de libertad para. 79 tipificadas de. 259. 219. 176 velocidad efectiva (¡ms). 8O sesgada a Ia derecha o a la izquierda.262 27 a. 265. 164 probabilidad geométrica. 1ó8. 82 veiables aleatorias normales asintótica- ley de los grandes números paa 109. 17-2O. 79 vriables aleatorias con distribución Be- serie". 49. 266.245 en análisis de varianza. 79 pados. 5 condicional. 64 probabilidades. 7. 254. 130. 63 no conelacionadas. va.285 recta. 164. pa¡a la función ca- vaiables aleatorias independientes. problema de los. 85. tabla de. 266. 158.88. 3O7 para . 262.158. 29. S2 sin dimensiones. 131 prueba del.lores esperados de las. Tabla de probabilidad coniunta. 216 var\anza muestral. 161. 117 muestral.3il1 Taylor. 242.89 combinada. 83. 289 ecuación. 20. 89. problema de la. 26I intersección de. 270 va¡iables aleatorias. 194.2a5 vaiación no explicada. 161. 311 tratamientos.287-289 transformada inversa de Fourier. 49. 263. 6. 281. 269.161:171 prueba de Bernoulli. LIL. 26-27 231. 115 cuadrado. 67.284. 1lO va¡iables aleatorias adimensionales.2ó9 coeficiente.6O teorema del límite central. 46. 26? traslación de ejes. 264. ó. 213 región de rechace. 322-327 tabla de c. 259. grados de libertad 311 métodos cortos paa obtener las.81. (véase v atianza muesüral) continuas. f91. 4. 259. 183 de la distribución binomial. 22O tablas de con¿ingencia.4 Recorrido.244 representación gráfica. 165.86. 292-294 cov^rianza.82 de momen- mente. 279 unión de conjuntos. para un conjunto de números.85. 266. 50 papel gráfico. 27 I relación fineal. 263. 242. 1 ilceso imposible. 37 subconjuntos. 196 tigmpo de reacción.49. caso donde s . 108 pruebas de Bernoulü. 97-99. 9. 281. 31O. 264. para datos agrucondicional. 2ll (véase tombién ensayos de hipótesis y significación) vaiables aleatorias con dist¡ibución Cauchy. 3Og pua las. 262. ó2-56. asignación de las. 5. 2a7. 79 distribución de las. 123 de la distribución de Poisson. I7 -2O. 26O.97 semi-intercuartr-lico. 266. 114 1ó8. 108.2a5 vatiación residual o aleatoria. 1 subconjuntos p¡oFiós. variación total. 81. 198 rectas de mÍnimos cuadrados. 311. 289. 260 variaciones. región de. 30. 8O dist¡ibuidas binomialmente. 264. 312 regresión. 79. 64 gráfica. 164 dist¡ibuciones de la. 89. 195 valo¡es de tendencia. 1 I O región crltica. 266. 52-56. 48. 266. 26 2 teoría muestral de. 324-321 residuo.124 las. 3f 3-3f 5. 160 esperanza de Ia.81.37. 4. 45. explicadas y no explicadas. Valores críticos. 269 vdiables-transf o¡madas.110 vüiables dependientes. 3O8.111.38 discretas.lasificación simple. 1O8 variables aleatorias dependientes (uéose variables aleatorias independieDtes) vaiables aleatorias discretas. 85. 50 dist¡ibuidas unifomemente. probabilidad empírica. 39. 81 transformación Z de Fishe¡. 3O6 triángulo de Pascal. 5O con distribución dg Poisson.94 de la distribución binomial. 195. 297 tammo de la muestra. 2a9.2a4. 264-27 4.27l uperf icies.2O2 interpretación probabilística de. 46. 112. 3O7. 68 proporciones. 26A. 3O9 regresión múltiple. ? sucesos independientes. 8 cálculo de las. 237 .239 problema de la aguja de Buffon.317. ó-7 sumas es¡reciales. 212 regla de Leibniz para la de¡ivación de una integral. 3O9. 6 algunos teoremas importantes sobre la. entre columnas o bloques. I O8 distribuidas normalmente. 269. 242. 38. 26O. invarianza bajo. 1Og de la distribución de Poisson. 15-17 p¡obablemente significativos. ó sucesos. 289. 97.266. 1O8 vuiables aleatorias distribuidas de a- cuerdo con la dist¡ibución Poisson. 341 ¡elación con las dist¡ibuciones t y F va¡iables aleatorias con dist¡ibución Gamma.116 función (uéose función de probabilidad) geométrica. 78 va¡ianza combinada. 311. 2t9. 78 unidades tipificadas. 317. 131. aleatorias) 2 2 241. 262. 15 sucesos elementales. 11O v&iables aleato¡ias dist¡ibuidas uniformemente.98 serie de Taylor. pda la función generat¡iz tos. plano. 9.372 o ¡egla de Bayes) concepto de la. 258 punto muestral. 23a como una función de valor real.259.39 vaiables aleatorias continuas. 85 sesgo.260 pua vriables aleato¡ias distribuidas binomialmente. 1 14 independientes. 8O ¡acte¡Ística. 326 diag¡ama. dist¡ibución muestral de. 79. 266. 151 82 seguridad. 43 t¿blas de clasificaclón doble. 212 ensayos de. 158 de la distribución no¡mal. 3O7. 111 vuiable estocástica (véase vuiables valores exponenciales.318 múltiple. 113. 262. 38 variables aleatorias de la distribución de Bernoulli.115 vtianza poblacional. 263.78. 262. l94 sÍmbolos de inclusión. 131 teorema o ¡egla de Bayes. 6. 42. 212.experimentos de dos factores. I 1 O pila distribuciones conjuntas. 38. 223. 49 ¡éplicas. 21 variación. 2ó9 Sec¡etaria.2a4. 284. 6 suceso seguro. 112 de la dist¡ibución normal. 112 de la distribución f'. 156 temperatura Kelvin.284 relaciones no lineales. 216 como segundo momento. 3O9 ent¡e filas o tratamienúos. 81 transfomación.

.

.

l .

.

.

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