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.

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

Parte I PROBABILIDAD .

.

3. llamados míembros o elernentos del conjunto. b e C. EJEMPLO 1. El conjunto de las vocales en el alfabeto puede definirse por el método de extensión como { a. Al lanza¡ un dado los resultados posibles cuando el resultado es "par" son elementos del conjunto {2. el cual es un subconjunto (propio) del conjunto de todos los resultados posibles {L. EJEMPLO 1. { 4 o. uloporelmétododecomprensióncomo{rlreeunavocal}. Sinónimos de conjunto son c/cse.6\. o. e } es un subconjunto.4. 5. i. denotamos un conjunto por una letra mayúscula A. grupo y colección.Para que un conjunto seabiendefínido. En este caso AyB tienen A+ Si A no es igual a B. a. debemos estar capacitados para determinar si un objeto específico pertenece o no al conjunto. e. _ Si un elemento a pertenece a un conjunto C escribimos a€ C.3. y un elemento por una leha minúsculao. 3._l 'Cupítulo Coniuntos y probqbilidqd EL CONCEPTO DE CONJUNTO 7 El concepto d. C. i. léase"elconjuntodeloselementos¡talesque¡es una vocal" donde la línea vertical I se lee "tal que" o "dado que". B. describiendo alguna propiedad conservada por todos los miembros y por los no miembros. A tenemos A C A. Sic noperteneceaC escribimos a é C. ¡ |¡ es un triángulo en un plano ) es el conjunto de los triángulos en un plano. pero no un subconjunto propio. 4. como siempre lo supondremos. Un conjunto puede considerarse como una colección de objetos. es decir si B. puesto que los dos conjuntos son iguales. . Si Ac B y B CAllamamosa A y B iguales y escribimos A : B. o. EJEMPLO 1.6}.5.2. SUBCONJUNTOS Si cada elemento de un conjunto A también pertenece a un conjunto B llamamos a A un subconjuntodeB. En general. e.5. Obsérvese que la sola redistribución de los elementos no cambia el conjunto. u}. I a.2. 4.escritoAcB6B:Ayleído"AestácontenidoenB"o"BcontieneaA" respectivamente. si esto no es posible.6. de {o. SiA C B pero A + B llamamos aA un subconjunto propio EJEMPLO 1.e conjunto es un pilar fundamental de la probabilidad y la estadística y de la matemática en general. i. El conjunto { Obsérvese que el método de extensión no puede utilizarse aquí. e. u}. Un conjunto puede definirse haciendo una lista de sus elementos o. mientras no se especifique lo contrario.1. A y B no tienen exactamente los mismos elementos. Si o y b pertenecen aC escribimos a. u ) es un subconjunto propio de {o. El primero se denomina el método de extensión y el segundo el método de comprensión.b. EJEMPLO 1. u. 2. 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. escribimos de B. Se sigue que para todos los conjuntos exactamente los mismos elementos.4. EJEMPLO 1. 6). o. i.

entonces AC C. El conjunto de loe rcsultados que consisten de las caras 7 u 11 sobre un solo dado es el conjunto nulo. el conjunto de todoe los resultados posibles es el universo {L. l-3 Fig. En tal caso los subconjuntos de zt (como A y B indicados y sombreados en la Fig. sirven para da¡nos una intuición geométrica respecto a las posibles relaciones entre conjuntos. Si lanzamos un dado. Tales diagramas denominados diagramas de Venn. se llamala unión deA yB y se escribe Au B (región sombreada en la Fig.4. 1 El teorema siguiente es verdadero para cualesq Teorema I-I. 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. l -2 Fig.2. EJEMPLO 1. o simp espacio uniuersal y se denota por u. CONJUNTO UNIVERSAL Y CONJI.T. DIAGRAMAS DE VENN Un r¡niverso u puede representarse geométricamente por el conjunto de puntos dentro de un rectángulo.7.JNTO VACI( Para muchos propósitos restringimos nuestra d fico denominado el uniuerso del discurso.3. 1-3). 1-1) se representan por conjuntos de puntos dentro de los círculos. OPERACIONES ENTRE CONJUNT\OS 1. . 1-2).a CONJUNTOS Y PROBABILTDAD lcAP. 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 . Los elemenr Es útil considerar un conjunto que no tiene r uacío o el conjunto nulo y se denota por p. o tanto como aB. El conjunto de todos los elementos (o puntos) que pertenecen a A o a B. Unión. 1-4 2.8. Si AC B y B CC. 5. 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. EJEMPLO 1. Fig. 6}1.9. Intersección. es un EJEMPLO 1.

cAP.4u(anC) = (AuB)n(AuC) A-B = AñB' Si AcB.An(BnC) = (¿nB) nC -.B (región sombreada en la Fig. u el 1/. El conjunto que consiste en todos los elementos de A qtlle no pertenecen a B llama la diferencia áe A y B. L'L..guenotienenelementoscomunes'sella¡¡ran coniuntos disiuntos. A y B son disjuntos.11. símbolos de inclwión .1l CONJUNTOS Y PROBABILIDAD DosconjuntosáyBtalesqueAnB:p. l-6 AIGUNOS TEOREMAS RELATIVOS A CONJI. l-5 Fig. Diferencia. PRINCIPIO DE DUALIDAI) Cualquier resultado verdadero relativo a conjuntos también es verdadero si remplaz-a¡nosr¡niones -conjuntos por sus complementos y si invertimos los por inteÉecciones. cyf.69 AUQ-A.74).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 . 1-4). el B y lo escri se llama saXl-B Fig. En la Fig. interrecciones por uniones. 4.4u^B)uC I.AñB1C An(BuC) = (AnB)u(AnC') . entonces A')B' 6 B'c.'NTIOS AUB = BUA Au(BuC) : (. 3.{ = A Primera ley De Morgan Segunda ley De Morgan Para cualquier conjunto generalizarse (véanse Problemas 1.esdecir. se escribe Fig. AnU (AuB)' = A'ñB' (AnB)' = A'UB' A = (AnB)u(AnB') Los teoremas L-Lzo.AnQ=9 AU'al -. 1'6). se B Si A : UB). escrita por A . t-Lzb A YB y 1-13 pueden y 1.

Un suceso que consiste de un solo punto de cJ frecuentemente se llama un sueeso . simbolizado por S ( ó 0 ). hay experimentos en los cuales los resultados no son esencialmente los mismos a pesar de que las condiciones sean aproximadamente idénticas.13.15.1 ) representaselloen el primer Ianzamiento y cara en el segundo lanzamien[tr. .elresultadopuedeindicarsepor{CC. EJEMPLO 1.SS) caras.CONJUNTOS Y PROBABILIDAD [cAP. es lógico que el último no sería adecuado pan determinar. se denomina espacio muestral infinito contable. Unespacio muestral que es finito o infinito contable frecuentemente se denomina espacio muestral discreto. Si un espacio muestrdl tiene un número finito de puntos.16. sedenominaespacio muestral infinito no contable. 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. Sin embargo. 3. es decir SC. Frecuentemente es útil dibuja-r un espacio muestral gráficamente. 6 | en tanto que otro es lpar.14. 2.CS. el resultado del experimento es que algunos pueden estar defectuosos.tal como 0 f r: S 1. Si un experimento consiste en medir "la vida" de las lámparas eléctricas producidas por una compañía. Así cuando se produce un tornillo será un miembro del conjunto {defectuoso. 4. EJEMPLO 1. Obsérvesé que eJ córresponde al conjunto universal. En tal caso es deseable utilizar números en cambio de letras siempre y cuando sea posible. si lanzamos un dado el resultado del experimento es uno de los números en el conjunto {L.se denomina espacio muestral finito. un espacio o conjunto muestral de todos los resultados posibles se da por {1.or . .5.3. Si tenemos una máquina que produce tornillos. (0.esdecirunodeloselementosdelconjuntóíqs)(ó{0. como en el Ejemplo 1. Si lanzamos una moneda eI resultado del experimento es un "sello". Un principio fundamental es que si efectuamos tales experimentos repetidamenle bajo condiciones aproximadamente idénticas obtenemos resultados que son esencialmente los mismos. etc. si un resultado es divisible por 3. es decir es un conjunto de resultados el resultado'de un experimento es un elemento de A decimos que el suceso A ha ocunido. EJ EMPLO 1 . EJEMPLO 1. 4. cara la primera y sello la segunda. Un suceso es un subconjunto A del espacio muestral.12) puede dibujarse por puntos en la Fig.1 0. Si lanzamos un dado.en tanto que uno que es infinito no contable'se llama espacio muestral continuo o no discretoSUCESOS posibles.. Si tiene tantos puntos como hay en algún intervalo en elejer. Si elemental o simple. 1. entonces el resultado del experimento es el tiempo f en horas que se encuentra en algún intervalo.16. Silanzamosunamonedadosveces.12. g. Los siguientes son aLgunos ejemplos.11. 1)). = 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. donde suponemos que ninguna lámpara eléctrica dura más de 4000 horas. 0 ú :: 4000. no defectuoso}.2. 1 EXPERIMENTOS ALEATORIOS Todos estamos familiarizados con Ia importancia de los experimentos en la ciencia y en la ingeniería. 1-7 donde. por ejemplo. 'EJEMPLO 5.6). .. si lanzamos una moneda dos veces y utilizamos 0 para represenmr sellos y l para representar caras el espacio muestral (véase Ejemplo 1. impar) Sin embargo. simbolizadaporc(ó1). l-? tos como números naturales 1. EJEMPLO1. o una "cara". Si tiene tantos punl'ig.SC. Tales experimentos se denominan experimentos aleatorios. por ejemplo. por ejempio.dsdecirdos EJEMPLO 1.2.

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

) - P(/. (e) En particular. . Así P se llama la función de probabilidad..'. . 1 y hallamoe que 532 veces resultan caras estimamos que la Ambos enfoques el clásico y el de frecuencia prcsentan serias dificultades. es decir P es una función de valor real definida en f. el espacio muestral. . . Si d es di5creto todos los subconjuntos corre6ponden a sucesos y recíprocamente. entonces . y P(A) la probabílidad del suceso A.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.UA" y tes.632.20. Ar. LOS AXIOMAS DE LA PROBABILIDAI) Supóngase que tenemos un espacio muestral e. . Bz. An son sucesos mutuamente excluyen- P(Al = P(Al) + P(A2) + En particular si A "' + P(A") (8) - et. entonces At. para solo dos sucesos mutuamente excluyentes At.. Az.) = P(42) - P(A). Paru el suceso cierto o seguro eJ en la clase C =I At. (d) Teor¡:rna 7-16: es decir el suceso imposible tiene probabilidad cero.1) + P(A2) + .Á. Para cada suceso A en la clase C P(A) P(eJ) A. Si lanzamos una moneda 1000 veces probabilidad de una cara es 532/1000 = 0. eh la clase C (2) 3. 7-14: 1-15: Si ár cA2 entonces P(Ai < P(Az) y P(Az. [cAP.. . A causa de estas dificultades los matemáticos en los últimos años se han orientado avn enfoque axiomótico utilizando conjuntos.t. A cada suceso A en la clase C de sucesos asociamos un número real P (A). si se satisfacen los axiomas siguientes: Axioma 1. P(AL:AI) = P(Ai+P(Ar) ALGUNOS TEOREMAS IMPORTANTES SOBRE PROBABILIDAD (4) De los Teorema Teorema a-r. Teorema 7-77: Si A' es el complemento de A entonces P(A') Teorema = r-P@) (7) 7-78: Si A = AtUAzU. Para cualquier número de sucesos mutuamente excluyentes P(AtuAzu '. (5) Para cada suceso es A 0<P(á) <1 P(9) = O decir la probabilidad de un suceso está entre 0 y 1.:<ioma > 0 (r) Axioma 2. el primero debido a la vaguedad de las palabras "igualmente factibles" y el segundo debido a la vaguedad incluida en un "número muy grande". .CONruNTOS Y PROBABILIDAD EJEMPLO 1.

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

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

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

n2 son de un segundo tipo. Dichas selecciones se llaman combinah misma combinación.26. (n . . = .2). l-10. n. EJEMPLO 1. F.P. en muchos problemas estamos interesados solamenos sin inteiesar su orden.34. D. E.24. l-10 (25) . . C.P. EI número de ordenaciones o permutaciones diferentes que consisten de 3 letras cada una y que pueden forma¡se de las ? letras A. y finalmente n 1 formas dó escoger-el r-ésimo objeto. Llamamos a . Tt. 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. clr no se Aquí. o permutaciones diferentes como generalmente se les Uarnc está dado { 5 6 8 por Fig. 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 1'25.6. Tz..l)(n ..s de escoger el primer objeto. El número de permutaciones diferentes de las 11 leüras de la palabra u M/SS/SSIPP. elnúmero de permutaciones de n objetos lomados de r en r. . = n(n. y luego de hacer esto n de . . + .to. . Para el caso particular cuando r: . 52 y las corbatas por ?1. . .5 = 210 . . I 2 1 Fig. ?a. 43 y 2p EJEMPLO 1. Así abc es di o lo Sin embargo. . .1 : nt (26) que se denomina n factorial. .r + l\ donde se observa que el producto tiene r factores.l. rr. B. -se deduce por el principio fundarnlntal de cuenta que el número de ordenácionás.P. consiste de LM. .. 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. 41.7 manerias r * escoger ét segunaoiU¡e_ to-. lógi tos es Sup n conjunto que consiste de n objetos de los cuales nr son de un nguir entre sí). (25) se conüerte en = n(n-l)(n-z). G es ¡P:t = fi..10 CONJUNTOS Y PROBABILIDAD [cAP. Si las camisas se representan por S¡. Así el núm&o de permutaciones diferentes (28) Véase Problema 1. .. son del hnr + nz + .

cAP.4 por (c) el método de comprensión y (b) el método de extensión. El símbolo . es la base de los logaritmos naturales.r/\) \r/ \n EJEMPLO 1. Para un estudio más detallado de la fórmula de Stirüng véase el A¡Éndice A.r'2 :25".describé dando sus (D) Puesto que t2 :25parar:5y x:-S. (a) A:kl* elementos. y)t = r:{ * (Í)". (l)* = APROXIMACION DE STIRLING A r¿ ! xa+ 4x3y!oxzyz *4xy3 +ya Cuando n es muy grande la evaluación de aproximada n! no es práctica. . r! (30) /n\ ( J=( /n '.(n-r-rr\ r! ó nP.(t)**.\s/ . Sea A el conjunto de todos los números reales cuyos cuadrados son iguales a 25.-5). .28. EI n(¡mero de manera¡ en lae cuales cartas diferentes es nU.27. Véase Problema 1.yEñn"e-n donde e : 2. .'6 = . . En tales casos se utiliza la fórmula (38) nl . Por esta raz6n decimos que el I unaexpansión asíntótica del lado izquierdo._.1.:nC.s propiedades interesantes. Indique cómo describir a. (|)*-lt * (i)*"-.en (33) signifrca que la relación del al lado derecho se aproximá a 1 a medida eü€ /l + o. escogerse o ¡elecciona¡¡e de un (91') 3 ca¡t¿s pueden total de 8 sc¡ = lt) = 8'J. Problenra.71828. @-l (:. que también puede escribirse como (2e\ ("\ \r/ Fácilmente se demuestra que n(n-L\". 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.48.r.36) ln\ \"/:nt¿r=rl@=T. .(t¡*" . U (n Tenemos (véase Problema 1. EJEMPLO 1. se.)" (n) Tienen mucha.s! COEFICIENTES BINOMIALES 56 Los númerós de (29) se les llama frecuentemente los coeficientes binomiales puesto que provienen de laexpansión binomiat (r 1- u)^ : * .e¡decirA . :25)que se lee"el conjunto de todosloselementosde¡ talesque. + .podemosesaibir A: {5..s resrreltoa CONJTINTOS 1.

0. Cualquier objeto particular se supone ee igual a sf mismo. (/) (Bn C).u C. 2 es wn número re¿l mientras que {2} esw conjunto que consiste del número real 2.4. Puesto quetambiénBCC. Asf. Entonces ya que AC B.o.0|.Demostrarque BcA. {*. Entonces {x I x * x} : e. Si A = {r l r2=4. es decir cada elemento de A eetá en 8. no hay objeto que no sea igual a sí mismo. Demostra¡ que si Ac B y B cC.lQ}. (e) A-8.+.üenemosB:{g. 1.8 = {6. n].3... (s) (AnC) e (Bne. pertenecen á.5. r.sededucequeACB6B)Aylrrpropocición Obaérvese que esto se lee es verdadera- 1.-tf2.4} utilizando el re¡ultado de (b).-r/2.r.-4} (c) (AuB) n C = {-{2.5)=0 sólosi x:B6x:6.-qyC = {+. Por el Teorema 1-8. -4} = {+. aA.r).6. .o. (a) AnB = {-12.enconhar(a) AnB. Puesto que no hay un númeror tal que x2 :416x:2.t. Sea r cualquier elemenüo de á. entonces AcC. ee deci¡ ¡ € A.-¿}..6}. Entonces B. entonces B) A.6. üenemoe A-B = AñB'= (f) BñC = {6. Puestoque el conjuntovacloesunsubconjuntodecualquierconjunto. (d) B'u C'. puesto que {9} es un conjunto no voclo que conriste del conjunto vacío._\E} .5. tenemosque¡ € C. ¿Es cierto que {2} : 2? No.-rt.{0.6. r>g} y B: {fr | r<l}. ) La proposición es falsa.0. Otro método.+. Yaque x2 -8x * 15:0 ó (r -3)(¡.0. (c) (AUB)nC.4 u n = {-fr.r} {*. r.".5. -4} y los subconjuntos de u están dados por A : {-\n.-{r). B: {x I x2 -8r+. -rt.-{2. 5. (b) AUB. El error radica en escribi¡ {@} por @.-4} = {-18.15:0). si el universo 'u = {}. página 3.0}n {5..r.pueotoqueloe elementos 3 y 5 son enterosimpares.-.r. Aeícadaelemenüodeá esunelemento de C y por tanto A C C.o} u {5. DIAGRAMAS DE VENN Y TEOREMAS SOBRE CONJT. Determinar cuáles de las proposiciones siguientes son verdaderas y cor¡egir las que son falsas.5.B: eonjunto de elementos en A que no están en B : [0. (b) "A es el conjunto de ¡ tal que 12 : 4 y ¡ ) 9'. (d) B' : conjunto de los elementos en t/ quenoestánen g = {0. 0.2.-4}n{+.-fr. +.-4} = t-\ñ} (D) . C' : conjunto de los elementos en 'll que no están en C : {0.-4}n{0. 1 L. (e) A .o} u {0.-4} = Entonces (BnC\' = {0. (o) (b) (o {rln+ü} -. tenemos x€ B._\E}. 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.'NT\OS 1.L2 CONJUNTOS Y PROBABILIDAD lcAP.-2ly * )9.o. es deeir B ee un subconjunto de A.r} = {0. seaA={rl*esunenteroimpar). OPERACIONES ENTRE CONJUNTOS.2.5.-4}.--4} n {+.5. AsícadaelementodeB perten. el conjunto vacfo. = {0.-fr}. se sigue queA: @.+.+. "."áÁ y porüantoBC 1.

-4} Entonces t.-¿} [Vóase pa¡te (f)]. Fig. Ao(BuCl = = = = = l r€A.8.reBuC} I re A.74).0} n {*. Sea C:8' en el Problem¿ 1. Demostra¡ que para cualquier conjunto A y B tenemos A Método 1.reC) @ | reA"'B 6 xeAnC\ {.cAP.@.-ll .nn.9. En el diagrama de Venn de la Fig. l reA¡B 6 neAnB'} M6todo 2. Teorema !-L?tt. página3:Tenemoo An(Bu C) = (AnB)U(AnC). 13 el de la parte (d) ilustra la segunda ley De Morgan.neB\ = {r I neA'.7. (o) Tenemoe págrna 3: (A u Bl : A' n B'. (c) Demostrar la primera ley De Morgan. elconjuntovacío. (AuB)' = {r I r4Ar-tB} = {" I rCA. sirve para euminishar relaciones posibles entre conjuntos que luego pueden probaree por métodos similaree al dado en (o ). 1-11.8. página 3. Sin embargo.reB 6 r€A. Luego At ñ f|' se representa por la región doblemente rayada en donde se encuentran ambos conjuntos de líneas. (b) Ilus- har el resultado de la parüe (c) empleando un diagtama de Venn.2. 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.al : (ArtB) u (A^B') : (AñB') u (A¡. 1-11 la región sombreada representa (A U B)'. Entonces A n (BuB') A r. (AnB) u(AnB') A : {r I reA) = {. y se observa que esta región es igual a la región sombreada de la Fig. 1. = (AnB) u (AñB'). Teorema 1-6.8') A = (AnB)u(AnB') El resultado puede generalizane (véase Problema 1. {r {" (AnB) u (A nC) 1. 1-12. Región sombreada = (AUB)' Región doblemente ¡ÜEÉru¡r qvvrs¡¡¡E¡¡w rayada ]_"7. Demostra¡ laprimeraley distributiva. (A¡C\ u(BnC) : @u {*.xeB 6 reC} I s€A. l-12 Obsérveee que un diagrama de Venn no suministra una prueba como la dada en la parte (o). l-ll Fig. (sl AnC = {-\/-2. B n C = {}.r€B') (b) = A' ^B' El resultado puede extenderse a cualquier número finito de conjuntos (véase Problema 1. En Ia Fig.69). .-¿l = {+. 1l CONJUNTOS Y PROBABILIDAD Obsérvese que este re¡ultado conjuntamente con Tborema 1-12b.

11 com ^ B' . picas.1-14.n(8. Se extrae una carta aleatoriamente de una baraja de 52 cartas. (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 ). @) AUB'.). . jota. .11. 1-13 para describi¡ los s sucesos (a). B': {no trébol} : {corazón. podemos indica¡ una jota de picas por (11.(g) (AnqU (AnB. diamantes y tréboles. 13}.12. (b\ A' se 1.. 1. por ejemplo. 2. pica}.CONJUNTOS Y PROBABILIDAD [cAP. 1. (E) @ nB) U (A ñ B'):{(rey y trébol) o (rey y no trébol)): irey}.A. reina. 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.nB. Describir el espacio mueshal (o) no se tiene en consideración el palo (b) si se tiene en cuenta el palo. : (rey o corazón o diamante o pica). y (b) Si tenemos en cuenta los paloc el espacio muestral cronsiste del as de corazón. de Teorema 1 era simila¡ todos lo¡ obeervarse de la Fig.B.).{rey y no trébol}.L4 . (e) A-8. También puede considera¡se observando que (A ñ B) U (A n B') : A.4. (q AnB. .10 sea.. . = A. . 2. I diagrama eden de indicarse A U B. (o) Si no tenemos en cuenta los pdos el eepacio muestral consiste de as. .-8.4 u B. 1 EXPERIMENTOS ALEATORIOS. . ESPACIOS MUESTRALES Y SUCESOS 1. Emplear la Fig. diamante.. diamantes y héboles respectivamente por l. . . 3. diamanües y tréboles. .UB. de acu gamas Fig. Denotando corazones.B -{reyperono trébol} Es lo mismo que A ñ B' . (f) A.. . picar. si . diez. dos. Describir los sucesos (a) AUB. rey.10. (e) A.2). (o) A U B = {o rey o trébol (o ambos. B. . Refiriéndose al experimento del Problema 1. (n A'-3' :{no rey y no "no trébol") : {no rey y trébot}: (cualquier trébol excepto el rey). Luego el espacio muestral consiste de 52 puntoo indicados en la Fig. rey de corazones. puede indicarse como {1. (d) A. También puede considera¡se observando que A. picae.4 el suceso {se extrae un rey} o sencillamente {rey} y B el suceso (se extrae un trébol} o sencillamente {trébol}.

4n8)l Entonces puesto que los conjuntos A y B . l-15 (An CALCULO DE PROBABILIDADES 1. P(Az. página 6.B) son mutuamente excluyentee.(A ñ . asr que Entonces por el P(42\ = P(ár) * P(A2. Entonceepuesto gue.77).At son mutuamente excluyentee. Fig.^^'rl i' r"u r--' resultado (l ) puede establecerse directarne¡rte (véase Problema 1.41 y Az . tenemos usando el Axioma 3 y el Teorema 1-14: P (A u B) | i'. 1-15 (1) AUB: AUIB -(. (b) Con anterioridad sabemos que P(A) > 0 por el Arioma 1. 1l TEOREMAS SOBRE PROBABILIDAI) 1. axioma 3. Así por el Teorema 1-14 [partc (o)] y el Axiom¿ 2 P(A) < 1 primero P(A)=P(¿)=1 (c) Tenemos eJ : eJuQ. (c) Teorema 1-16.Ar. (o) Tenemos AV A' :s[. página 6.cAP. Encontrar la probabiüdad de .15.14. (b) Teorema 1-15. Para demostrar que observamos que A C et. también ee rigre queP(.At) = P(Azl . (o) Tenemoe Az : At U (Az .42 ) = P(Al ). ñ A' : Qtenemog 1 es decir PIAJA') = P(ó) 6 P(A)*P(A') = P(A') = l-P(A) (b) Tenemos el diagrama de Venn de la Fig.Ar ) - 0 por el Axioma 1.A¡ ) en donde .Puesto que P(eJ) sfnp = Q se sigue del Axioma P({)) 3 que s = P(d)+P(Q) 6 = 1.42 .13. página 6.P(Ar) Puesto que P(. Demostrar (a) el Teorema 1-17 y (b) el Teorema 1-19. Aunque hemos utilizado el diagrama de Venn el i rlu^') ". Una carta se extrae aleatoriamente de una barqia de 52 cartas. Demostra¡ el (c) Teorema 1-14.

n. trébol.. doo.sz = Lg Tbmbién había sidq posible conseguir este resultado del espacio mueshal del Problema 1. ? para indicar coraz6n. Puesto que este complemento tiene 52 . Por tanto puede denotarse por P(4' ñ ?').16 CONJUNTOS Y PROBABILIDAD [cAP. (e) cualquier palo excepto corazones. a cada punto mue¡hal. (d) un corazón. # -.[P(4) +P(")-P (4 n T)] _. (f) un diez o una pica" (g) ni un cuatro ni un trÉbol. en particular "as" tiene una probabilidad de 1/13. asignando probabilidades iguales de tl52 : L162. . Empleemoe el espacio muegtral del Problema 1. P(4'^T')= 4(4 U ")'l: L- P(4 U ?¡ : 1.10(o) en donde cad¿ punto mueehal.1l _ 9 .4' ñ T' = (4 U ?)'. . en tanto que S U C significa tres o corazón. diarnante. (e) P(C') - 1 .L ñD ó 1 n ") =P((1 n c) +P(1 nP) +P (1 nD) +P(1 n r) 11111 = 52.16. l-r 1.13 .. Pero por el Teorem a 1-t2 (a). rcy. Así. P(6 n (o) ") P(1): PG^e ó 1nP ó.. 1 que sea (g) un as. P. Determinar la probabilidad de que sea (c) roja.P(C) = ! P(L0 Ln = ?uti[zando laparte (d)y elTeorema 1-1?. eeto es 1/4. (c) azul.2. Por simplicidad utiücelnos C.. respectivamente. (e) roja o blanca.* (d) P(c):P(ln c 62ñc6. Asf g n C significa tree de corazoneo. 13 pot aa. 1-16. t (b) P(11 ñC¡= :- (c) I * -I^ 26 ) +P(6 ñD¡: 62 52 = I " . página 6.10(tr). 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 9.16 : 36 puntos muestrales en él y cada punto muestral tiene una asignación de probabilidad Il52. 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.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.. (c) un tres de tréboles o un seis de diamantes..52.la probabilidad requerida es 36/52 = 9/13. por ejemplo. pica.y 1. Una bola se extrae aleatoriamente de una caja que contiene 6 bolas rojas. (d) no roja. .. (b) blanca.. 1.# = i P(s ñT 66ñD¡=P($ n También s€ había podido llegar a e¡te re¡ultado observando que hay cuatro palos y cada uno tiene una probabilidad igual de ser extrafdo. D. 4 bolas blancas y 5 bolas azules. (b) una jota de corazones.lsnc) = #.* h* .

4 1) :316 (ya que 4. --6+4+5=1b=s 662 Nuestro espacio muestral corisiste de 6 * 4I 6:15 puntos muestrales. 2.15 .H 10 2 6+4 6+4+5 .3ó 4 son 4resultadosdelasGprobabilida' des igualmente factibles).1?. 1l CONJUNTOS Y PROBABILIDAD Método 1. todas igualmente Cada una de las tres maneras en que A1 ocurre puede asociarse con cada una de las 3 m¿rneraa en que A2 ocurre para dar 3.3 6 4 en el segundo lanzamiento. Entonces P(ArnAzl . . Hallar la probabilidad de obtener 4. P(AroAr) = P(At)P(A2lAr\ -. B y A los sucesos de extraer una bola roja. . Método 1. de las 6 maneras en que cae en el segundo lanzamiento. . Cada una de las 6 maneras en las cuales un dado cae en el primer lanzamiento puede asociarse con cada una 6.::"fl'"". debido a que hay 6 puntos muestrales que corresponden a "bola rojatt. un total de factibles. Denótese por R.t""i: .l+)l+) = I \6/\6/ 3 Hemos empleado aquí el hecho de que el resultado del segundo lanzamiento esindependiente del primero así que p(ArlAr): pier). 5 ó 6 son 3 resultados de las 6 probabilidadés igualmente factibles) y P(Az): ltO (ya que 7.á = | Método 3. ' SeanAl elsuceso "4rS ó 6 enelprimerlanzamiento" y Az elsuceso "7r2. P(roja o blanca) : P(R u r) : -"""'. 6 6 6 en el primer lanzamiento V 1.6:36 maneras.) '!' . norparte(c). blanca y azul. Un dado honesto se Ianza dos veces. Método 2.cAP. respectivamenüe. Luego estamos buscando P(Ar ñ A2).5 o blanca También puede resolverse l¡tilizando el espacio muestral como en la parte (c).R ) : 6/15 : 215.También i"-or usado P(. 19 1 .J. r(RUB)=P(A'): 1-P(A): I . Método 2.42 ocurren. 4: 12 maneras en que tanto A1 como . que P(nuB):P(R) +P(B):?*# = ? PROBABILIDAD CONDICIONAL Y SUCESOS INDEPENDIENTES 1.P(At)P(A.2.364en elsegundo lanzamiento". página 6. Entonees L1 (o) P(n)= Mótodo 2.'"::. (b) P(B) = 6i+5 = ft porparte(o) (c) P(A) = 6+j+b = # = i =? (d) P(noroja) = P(R") = 1-P(E) = l-? (e) Método 1.. Puesto que los sucesos R y B son mutuamente excluyentes se deduce de (4). . Entonces si asignamos probabili' dades iguales Ll15 a cada punto muestral observamos que P(.

{) (5.3) Si A es el suceso "7 u 11" entonces A se indica por Ia porción sombreada en la Fig.6) (2. 1-17.6) a (3. Así ambas cartas pueden extraerse en (52 ) ( 51 ) maneras. así que P(A2l Ar Sin embargo si ocurre un as en la primera extracción quedarán 3 en ) : 3/51. Entonces estamos (o) Puesto que para la primera extracción hay 4 ases en las 52 cartas. Puesto que se incluyen 8 puntos tenemos que P(A ): 8/36 : 219.l Método 2. Sea A1 buscando suceso ttas en la primera extracciónt' y . entonces P(A2 | A r) : 4152. de una baraja de 52 cartas. l'ig. oaa (3. si la carta se remplaza para la segunda extracción.3) (8. todas igualmente factibles.18 coNJUNTos y pRoBABILTDAD lcAP. Encontrar la probabilidad de no obtener un total de 7 u 11 en ningunó de los dos lanzamientos de un par de dados honrados. l) (3.)(á) = P(ArP\A2l (2. . 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) a Se deduce que la probabiüdad de no dada por ? u 11 está 345 Primer dado P1A'¡ '= | . 6) ({. aa {) (6. dados se muestra en la Fig. A. . a (2. P(A¡): 4152. Así que ambas cartas pueden extraerse en (52)(52) maneras.19. 1-17. Se extraen dos cartas. r'(A. /. 1 Esto indica directamente que A 1 y A2 son independientes puesto que .2) a a aa (5. 6) a 1. Puesto que los dados son honestos y hay 36 puntos muestrales asignamos la probabilidad 1/36 para cada uno.18.P(Al -- L 27 -::99 1o. Entonces P(A. \. l) (1. Por ejemplo (5. 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. todas igualmente factibles. extracción".2l a a (6.3) (4."A) = P(A) P(A. 1. (2. Hallar la probabilidad de que ases si la ca¡ta (c) se remplaza. l-17 Utiüzando subíndices t. Método 1.3) (3. r) (2.2. (b) no ambar¡ sean se remplaza. I a a aa (r.nA") =+:(.6) I (¿. p(A.azamiento la segunda ca¡ta también puede extraerse en una de las 52 maneras posibles. También.tp(A2 A¡\ = (52")(*) = ."t (ol La primera carta puede extraerse en una de las 52 maner:u¡ posibles y ya que hay rempl. puesto que también hay 4 ases en las ó2 ca¡tas para la segunda extracción.2 a (6.42 suoeso "as en la segunda P(Arñ A2): P(A1) P(A2l A t).' ( #)l#) == # r\ P(A1l:4152. Entonces P(ArnA. = las 51 cartas restantes. 6) El espacio muestral para cada lanzamiento de los (r.) = (b) Como en la parte (o).2gara indica¡ y 2o.2) signitica que el resultado del primer dado es b y el del segundo 2.

42 ocurran : 1 . P(al menos un 4) Entonces P(al menos un 4) P (ningún 4) = 1 : 1 . I}2 : süc€so "blanca en la segunda extracción".suceso "roja en la primera extracción".16. lanzamiento y no 4 en el 2o. entonces los sucesos son independientes y p(. por (1Ol V QI ) = 6'u-\ui\u/ * = * Método 2. : 6. Hallar la-probabilidad de obtener al menos un 4 en dos lanzamientos de un dado honrado.21. Sea A I: suceso "4 en el primer lanzamiento" y : suceso "4 en el segundo lanzamiento". nar¡ :P(Rr )P(82)P(A1) e \/ n u =(\6+4+5/\6+ 4+5/\/\6+4+5/\=_9_ 225 (b) Si no se remplazan las bolas. llallar la probabilidad de que se extraigan en el orden roja. 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). lanzamiento) = | . P(ArU Método 1. (b) no se remplazan. pero Bon independientes.6 : 36.P(ningún 4) : 1 -P(no 4 en 1er. número de maneras en las que A 1 ocurra pero no Az nf¡mero de maneras en las que .P(A')P(A'2| = '! -(8X*) = *" Método 3. A3 "azul en la tercera extracción". Así Art.P(At) P(Az\ 1 r /t\/t\ rr Por üanto. blanca y azul si las bolas (a) se remplazan. Requerimos P(Rl ñ 82 n A!\. Se extraen tres bolas sucesivamente de la caja del Problema 1. P(A'tuA) = P(A) + P(A) . : guCe¡o (o) Si cada bola se remplaza.P(ALñ42) = P(A) + P(A!) .20. Así la probabilidad pedida es (4X3) (52)(51) I 2 1.J requerimos A2: : suceso "4 en el prirner lanzamiento o 4 en el segundo lanzamiento o ambos" suceso t'al menos un 4" A2). 4 Az 1. Los sucesos A t I Az no son mutuamente excluyentes.A2 ocurra pero : no At : 5 5 número de maneras en las que tanto A 1 como .P(A'rnA'"\ = | .Rr n 82 ñ At):p(.Rr ) p(82 lnr )p(A3 In. Si Rl . 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+ \=.cAP.

. fcAP.) . (d) P(BtnBil:P(Br )P(B2lBt):P(Br )P(B) = lt!")/-=) + 5/ = I 4 \4 + 2/ \3 P(B'tñnb:pelp@. Si el suceso .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). Az: II. Puesto queA resulta en uno de lossucesos mutuamenüe excluyentes 1-22 (Problema 1. Az entonces A = (AnAr)u(A¡42) PeroA ñAt y Añ Az son mutuamente excluyentes puesto que A1 y A2 lo son..4 debe resultar en uno de los dos sucesos mutuamente excluyentes At.I. Extensiones para valores mayores de n se obtienen fácilmente.22.O*' P(A\'Aki \ P1A¡ A¡ = P(A) P(A I Ak) P\Ak^A) = --PÁt ) P(A¡l P(A' Akl 1.20 CONJUNTOS Y PROBABILIDAD Luego el número de manera¡ en l¡as cuales por lo menos uno de los sucesos 11..23) Ay A2. La contiene 3 bolas rojas y 2 azules en tanto que la caja II contiene 2 bolas rojas y 8 azules. Supóngase en el Problema 7. (c) una sea blanca y una negra. Si se obtiene cara se saca una bola de la caja. Así la probabilidad de sacar una bola roja P(Rt - P(nP@ Il+P\II\P(RIII¡ = /t\/ I \ /r\/ z (. Axioma 3 empleando (I8). Hallar Ia probabilidad de sacar una bola roja. 1 : Ar ó A2 ocurraes- 5 +5+ 1 L.. 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. I|2 : süc€so "bola blanca del segundo talego". SeaB¡ : suceso "bola blanca del primer talego".26.41 U Az): 11/36. Asípor P(A) = P(AIA)+P(A^AI') = P(A) P(A i A) + P(42\ P(A I A2) 8. página t. plear los resultados del Problema 1.23 con A: R.píryina9). hallar la probabilidad de que (¿) ambas sean blancas.. Por tanto P(.\P(A:A.. Demostrar el Teorema 1-23.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. Demostramos el teorema para el c¡¡so n : 2.24. pero revela que se sacó una bola . (b) ambas sean negras. si se obtiene sello se saca una bola de la caja /I. Un talego contiene 4 bolas blancas y 2 bolas negras. Demostrar el teorema de Bayes (Teorema L-24.2/ 5 z TEOREMA DE BAYES L25. At : I. otro contiene 3 bolas blancas y 5 bolas negras.23. An tenemos por el Teorema P(A) = P(AI)P(A Ar) + ' " + P(A. j Dor tanto ". Se lanza una moneda honrada. Puesto que una bola roja puede resultar al escoger cualquiera de las cajas podemos em. Si se extrae una bola de cada talego.)("+-ri-r:ri ---r:\ \2/\2+8/ \-/\-. página 8.

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

= r¡ ! como en el Problem a 1.4.1 = 6 1. . (c) tsPt.r * l) Esto se conoce como el número de permutaciones de n objetos diferentes tomados de r en r y se denota por P. 8. á maneras de llenar la cuarta posición.. 1.. Obsérvese que cuando | = tr. y finalmente sólo 1 manera de llena¡ la última poeición.6 . puestos).1.oPo = 514! = (lZO)\24) 2gg0 1. = e 15 (d) ¡P¡ = 3. Entonces 9' sPs : I . 9 .22 CONJUNTOS Y PROBABILIDAD [cA?.. g.8. . 120 Elnhmerodeordenacionesdenobjetosdiferentesenunafilaes=n(n-l)(n-2\. Halla¡elvalorde (a) .32. (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).28.5.3 = 860 (c) . cuando esto está hecho..2. ¿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. L = b! =. La primera posición puede ocuparse por cualquiera de las cinco bolas.T = - 5040 El número de ordenaciones de n objetos diferentes tomados de r en r ea n = n(n 1) .336 (b) Pq = 6.9si(c)los números pueden repetirse. 4. S para ocupar el tercero y 7 para ocuparel cuarto.8. I . hay 9 formas para ocupar el segundo puesto. Cuando esto se haya hechó hay 4 maneras de llenar la segunda posición.2. Cada ordenación de los hombres Elnúmerodeordenacionespedidoes = "Pr.Pr.7: 4536son los númerosque pueden formarse.. puestos). es decir hay cinco maneras de llenar la primera posición. . 7 : 4586 sonlos númerosque puedenforma¡se. (n . Así pues.30. ¿Cuántosnúmerosdecuatrocifraspuedenformarseconlosl0dÍgitos0.. = 5.3.a tercera puede ser cualquiera entre 8 (no pueden ser ninguna de las que ocupan los dos prifneros La cuarta puede ser cualquiera entre 7 (no pueden ser ninguna de las que ocupan los tres primeros Entonces 9 .31. 2. (d) rPr. nPr. Entonces I ' 10 ' 10 ' l0 : 9000 son los números que pueden formarse. (o) La primera puede ser cualquiera entre g (el 0 no). (¿) aP¡ = 8. persona!¡ tomadasde 4en 4es = tC. (b) uPo. Otro métod<¡. La segunda.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. Luego hay 3 maneras de llena¡ la tercera posición. (b) si los números no pueden rcpetirse. 3. ¿De cuántas formas pueden sentarse? Los hombrcs pueden sentarse de 5P5 formas y las mujeres de 4Pa formas.. 1 Debemos ordena¡ 5 bolas en 5 posiciones así -.rP. 1. Por tanto: El número de ordenacionesde 10 En general. El primer número puede ser cualquiera entre 9 y los tres restantes pueden elegirse de gPa formas. l.. La segunda puede ser cualquiera entre 9 (no puede ser la que ocupó el primer puesto).29. tercera y cuarüa pueden ser cualquiera de las 10. Se quieren sentar 5 hombres puede asociarse con cada ordenación de las mujeres.7. y 4 mujeres en una fila de modo que las mujeres ocupen los sitios pares. por tlnto: El número de ordenacionesde lag 5 bolasen una filaes En general.

Entonces las 6 restantes pueden sentarse de ?20 formas. . n2 son iguales. Así pues. (b) solamente ios libros de matemátitas deben estar juntos? (o) Los libros de matemáticas pueden ordenarse entre ellos de aPa: 4! formas. Entoncesel número de ordenacionespedido será = 9l a! - 8 709 120 1.9 ! formas.PorelProblemal. 6! = Considérense las dos personas que no han de ir juntas como una sola. n#l* 1. 6l 2l3! - 207 360 (b) Considerar los cuatro libros de matemáticas como un solo libro. 1l CONJUNTOS Y PROBABILIDAD La primera cifra puede elegirse entre g.36. 23 (c) ' 8'7 : 5O4 Otro método. n¡ En general el número de ordenaciones diferentes de n objetos de los eue ?r¡ Soriguales* donde.35.33. ll0. COMBINACIONES 1. Entonces 9 son los números que pueden formarse. los libros de física de 5p5 :6! formas.. . Se ordenan en una fila 5 bolas rojas. Entonces hay 6 personas para sentarse en círculo. se tiene el número total de formas en que 6 personas pueden sentarse alrededor de una mesa. mediante (o). Pero los libros de matemáticas pueden ordenarse entre ellos de aPa:4! formas. seis diferentes de física y dos diferentes de química se. . Entonces se tienen 9 libros que pueden ordenarse de 9P9 . ePz:9 . 10 ! EntonceslSl 2: 3l)N = t0! y N - 101/(5! 2t Bl). (b) de las 2 bolas blancas entre sí y (c) de las 3 bolas azules entte sí (es decir.34. . ¿De cuántas formas distintas es posibliordena¡los si (c) loslibrosde cada asignatura deben estar todos juntos. Entonces ' 7 : 504 será el nfrmero pedido.24O: 480 formas.cAP. es decir.. g. colocan en un eslante. Entonces. 1 n"+ . son iguales. el número de ordenaciones de 6 person¿N sentadas alrededor de una mesa con 2 determinadas de ellas sentadas juntases de 5! 2! :24O. Multiplicando N por el número de ordenaciones (o ) de las 5 bolas rojas entre sí. que lo pueden hacer de 5! formas. multiplicando N por 5! 2l 3!) se obtiene el número de ordenaciones de 10 bolas si todas ellas fuesen distintas. la segunda entre 8 y la tercera entre ?. + tt¡ = n. rt. que es el total de car¡os que se dan en la ordenación de 7 personas en un círculo. . Entonces el número de ordenaciones pedido será = 4't. 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. El primer dígito puede elegirse de 9 maneras y los dos siguientes de gP2 formas. Pero las dos personas consideradas como una sola pueden ordenarse entre sí de 2! formas. En todos estos casos los libros de matemáticas están juntos. si (o) pueden sentarse de cualquier forma. ¿De cuántas formas pueden sentarse 7 personas alrededor de una (c) (b) mesa. de modo que dos de ellas no estén sentadas juntas es 720 . I 1. Cuatro libros distintos de matemáticas.34estoes ¡ft - 10'f''8' . (b) si dos personas determinadas no deben estar una al lado de la otra? Considérese una de ellas sentada en cualquier parte. loslibrosdequímicade2P2:2! formasylostresgruposde3P3:3! formas. ¿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.

SdelasSverduras.6. Entonces tC+:I. ae llamanúmerodecorñbinacionesdelosnobjetostomadosderenrysedenotapor. 6 uCt=oC1 =6' 5ú ff (c) +Ca es el número de grupos de 4 objetos que se pueden formar con 4 objetoa.rl(n-rll n(n-11"'(n-r+1) r! . se forma un corúité de 2 matemáticos y 3 físicos. Nfimero total de selecciones posibles = sCz' zCs = l0'35 = 350 (b). (c\ eC+ 7. Por tanto El número de ensaladas Otro método. endibia.2delasSverduras. ¿De cuántas formas puede formarse.8. Pero las 2s forma¡ incluyen el ca¡o de no seleccionar ninguna verdura.6. 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. es:25 - 1 : 31 Puedeseleccionarseldelassverduras. si (c) puede pertenecer a él cualquier matemático y físico... no teniendo en cuenta el orden de los objetos dentro del grupo.6.objetos dados.2 = 6.39.38. Hallar el valor de (a) zCq (b) aCs.5. 15 = 150 (c) 2 matemáticoe de un total de 3 pueden elegirse de sCz formas. n.. Número total de selecciones posibles = tCz'tCs = 3'35 = 105 L.5. 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).1 = o'' --ll (b) oCs = 6 ! = 6. oCz = 10 . 2 físicos restantes de un total de 6 puedtn elegirse de eCz formas.C.. 4.CL-l tC2+5Ca+ sC4+ scs : 5 *10+ 10* 6* 1 : 31 . el número de formas de considerar lias cinco verduras es 25 formas.rl nP' 1. lo que es evidentemente 1.4O. 1. ¿De cuántas formas puede elegirse una comisión de 5 personas de entre 9 personas? /g) = ^c. (c) dos matemáticos determinados no pueden estar en el comité? (a) 2 matemáticos de un total de 5 pueden elegirse de sCz formas. = #h = I si se define Nótese que formalmente aCa 0! = l. ¿Cuánt¿s ensaladas pueden preparañ¡e con lechuga. beno y achicoria? Cada verdura puede tratarse de 2 formas.b = 126 1. 3 físicos de un total de 7 dan 7C3 formas.5 71 ^ (ol . escarola.ur . En general el número de grupos distintos de r objetos que 8e pueden formar con.. 5.37. 3 físicos de un total de 7 pueden elegirse de zCs formas. 2 matemáticos de un total de 5 pueden elegirse de sCz formas.4 = l4. como si se escoge o como si se rechaza. Número toüal de selecciones posibles = sCz.Olf/Vvienedadopor ^ n"r nl /"\ \r / .24 CONJUNTOS Y PROBABILIDAD lcAP. b! ?.Entonceselnúmerorequerido de ensaladas es -. De un total de 5 matemáticos y 7 físicos. _ e! _ \s/-sws-BJ]T- e. (b) un físico determinado debe pertenecer al comité.4!B! = 7.

n0r+ ncz+. . Demostrar q"" Tenemos que 11) \r/ = l" . Halla¡ el término constan6 en h exDansión de 1r.41. ! = 2r-1.= xau /rz)'.y por tanto eetá dado por /12\ _ \n/= 12. ee 1. 'xl (**!\" = r-:o (1?). La¡ 4 coneonantes pueáen elegirse (!e lC+ formas.1r .!2 = 0. obtenemoa Ia distribución conocida como el trióngulo de Poscal: n=l n=2 n=3 n:4 n=5 n=6 et¿. 4. lss 3 vocsles de s0g formac consonantes..Cs+ -. r0.r)'! r! (n .1)."¡ /¿-r\ /"-r\ \ " )-\"-t) El resultado tiene la siguiente aplicación interesante.1l CONJUNTOS Y PROBABILIDAD 26 nCn Engeneral. 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. De acuerdo al teorema del binomio *'\.11. ¿cuántas palabras pueden formarse.*-. Entonces: El nhmero de palabrae y las ? letra¡resultantee (4 q 7C1 ' óCa ' ?! : 35 .. de 1. \ r / \r-1l' (n-r*r)(n-1)! r! (n .tFV=fr .z. . ¡raracualquier enteropositivo n..B. .r)l (n-r)(n-L)l * r(¿-1)! r! (n . 1.1¡¡ 1" . 1b:10 * 6. Aeí10:4I6.42.11)"-.t) + f" . Si escribimos lo¡ coeficientes de la expaneión binomial de (c * U)" púa n :0. 3 vocales) pueden ordena¡¡e entre sf de zPz : ?! forma¡.+!\".r e =4e6 . 2..r)l (¿-l)! (¿-1)! . ee decir k = 4. Con 7 consonanps y 5-vogaJes diferentes.cAP. $ \k /' 3 \& /'. 10 ' 6040 : 1 ?64 000 COEFICIENTES BINOMIALES 1.*.' \"/ ü/ \ El término conetante corresponde a aquel para el cual 3& . que consten 4 consonantes y 3 vocales? No es necesario que las patabras tengan significado.43.eüc.

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

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

49. PROBLEMAS DIVERSOS 1. 2a. (c) A y B ganen altemativamenie.. luego B. 1 = ¿los100 | ¡lor3142 + 11 = i(zl * de donde 50 1og50 - 50 log2?18 .6990) - 50(0.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 pierde en el ler.P(B no gane ninguna partida) t . supuestamente honradoe. . Acuerdan jugar un torneo consistente en 3 partidas. lanzamiento. 2a. Si suponemos que A es el primero en lanza¡ entonces A ganará en cualquiera de los casos siguientes mutuamente excluyentes con las probabilidades asociadas indicadas: (1) (2) A gana en el ler. A y B juegan 12 partidas de ajedrez de las cuales A gana 6. 1á¡ n gane al menos una partida.Asílaprobabilidad. lanzamiento. Denótese por A B t. B gana 4 y 2 tnrmrnan en tablas. lallar la probabilidad de que (o) quien lanza primero los dados gane. luego A.. Probabiüdad = {¿)(f )($).i :.^. y 3a. luego A o B gane. \a) = n /r\2/<\ (c) P(A y B ganen alternaüvamente) : P(A gane.'J?fi '.) P@.':.) suponiendo que los resultados de cada partida son independientes de los resultados de la¡ ohas.P(B'roBj¡B'r) L . A 3 los sucesos " A gana" la 1.4343) = 64.28 11 CONJUNTOS Y PROBABILIDAD lcAP.. (ó) quien lanza segundo los dados gane. t. luego B) == ". Hallar la piobabiüdad de que (o) A gane las tres partidas.. 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) = (. (o ) La probabilidad de obtener 7 en un sólo lanzamiento de una pareja de dados.:.z.04 x 100r. y 3a. (Esta suposición no sería justificable si un jugador fuera influenciad.. Probabiüdad : 1 /6."u j /t\/r\/t\ * /r\/r \/r\ = \r/\5/\r/ \¡i \zi \¡i 5 .de2tablasenBpartidases(réase Problema 1.4836 N= 3.46) 5 /s\ " \í)o'n'-' = t(. luego gana A.. Bz. partida respectivamente.4972) + 50(1.) .50 A y B juegan lanzando alternativamente un par de dados. es 1/6 como se determinó en el Problema 1.10. -/¿\/a\1¿\ = le ^ \3/\3/\3/ 27 1.Xt(.:. Az.:'. partida respectivamenüe. 1-17. I|3 los sucesos "B gana" la 1a.18 y Fig. Quien obtenga primero un total de 7 q^? el juego. (b) dos partidas terminen en tablas.íll 36 (d) P(B gane al menos una partida) : 1 .'. luego pierde B.P(B') P(B. un nfimero que tiene 6b dígitos.

¿Cuál es la probabilidad de que la primera también sea blanca? Método 1. estén vivos en 20 años. "blanca en la segunda extracción".(5/6)2 11 . Las probabilidades de que un esposo y una esposa estén vivos dentro de 20 años están dadas por 0. Una rnáquina produce un total deL2 000 tomillos diarios de los cuales en promedio elSVo son defectuosos. Véanse Problemas 1. I|2 son los suceoos "blanca en la primera extracción".151 y 1. Prqbabilidad = (áX8X8X8X+). 1l CONJUNTOS Y PROBABILIDAD 29 (3) A pierde en el ler. De 12 000 tornillos. l|/ los sucesos que el esposo 0.9 respectivamente.9) = 032 (ó) P(ningunoviva) = P(H'nW') = P(H'\P(W') = (0.' \6/\6/\6/\6/ * = /q\/r\T. respectivamente. el 3'/o 6 360 son defectuosos y 11 640 no lo son.152.*/q\'*/q)'* \o/\e/t_' \o/'. Así Probabiüdad pedida = -H*-P 1.F/ y la esposa. Nótese que la probabiüdad de un empate que 11 ' 6-5 11 1 Esto no serfa verdadero si el juego fuera limitado. que la segunda es blanca. (c) al menos uno viva. Suponemos que .52. Entonces y lI/ son sucesos independientes. P(W) : 0.1) = 0. lanzamiento.8.51.53. 1. gane es /t\ /s\/s\/r\ . (b) ninguno viva. Bl. respectivamente. Una caja contiene 5 bolas rojas y 4 blancas. gana A. lo cual puede ser o no razonable.8 y 0. P(H): (o) P(ambosüvan) = P(H1W) = P(H)P(W) : (0. Este resultado se obtiene así Si P(BJB)='+#=elwq=* Método 2. Sean ÁI.2)(0. pierde B. Hallar la probabilidad de que de 600 tornillos seleccionados aleatoriamente 12 sean defectuosos. Hallar la probabilidad de que en 20 años (a) ambos vivan. pierde A. Así la probabilidad de que g.tJ es cero ya Así iríamos 6 a 5 a que el primero que liance gana./l)/q)lq\It\ \6/\6. : 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) .02 .9./s\/¡\/o\/s\/r\ * \6/-\6i \6/\u/ \6i \6/\Bi \u/\6i 1l-. de tal manera que la probabilidad es 3/8. Se extraen dos bolas sucesivamente de la caja sin remplazamiento y se observa.cAP. estamos buscando P(Br lB2). pierde B. Puesto que se sabe que la segunda bola es blanca solamente hay 3 formas de las restantes 8 para que la primera sea blanca.8)(0.\6/ =5136=5 1 . 1.

f'.-. Una secretaria ineficiente coloca ncartasdiferentes en n sobres con destinos diferentes aleatopiada. E P(A¡ ñ Ar) es la suma de probabilidadesdeA¡ñA¡conjyhdeedelhastanyh)j.etc.30 CONJUNTOS Y PROBABILIDAD [cAP.1) .vAn¡ 1\ t.lAtnAr) y así aucesivamente..(+ll-+ll=+) \.nA2n.) "1 ó 1..=t \/ .... n-ésima carta ¡e encuentra en el gobre correcto. .ri.i \..i/ .\ri )\" " ' " + (-r)^-'l'\l+) = r-fr+i-"'+1-t¡"-'I cz \z/!t!/ Del cálculo sabemoe que (véare Apéndice A) = lf ¡*#. aefqueparar:-l e-.\ /"\/t\/ I = (l)(t)-l:)/l)l \.U An y deeeamos hallar P(A¡ U A2V. U A.0.u) las es la ¡uma de las probabilidades de A¡ desde t hasta n. ='-('-+r.) Ap) hay ( (+)l=+) \lr/\tt .6321.98 1.".1/ nl (5) Entonces en la suma > Análogamente en E p(A. A partir de la generalización de los resultados (10\ y (1 l).ñA2t : p(At\p(A2lAt\ = (*)("=) aProPi"ao ü.C2 términos que tienen el valor dado por (3). lo¡ sucelo¡ primera.. ..xt"1B"""ntJfi::::i*il'ff.02 = 0. ../\ . (véase Problema 1.54... Entonce¡ el ¡uceso al menos una carta en el sobre conecto es.sobre "nto"o' *to '' de los rectantes n- 1 sobres estará (4) p(AtnAzr1A¡) = p(Á. finalmenrte ./\..Tenemosporejemplolosiguiente: (z) P(A)=+ yanálogamente PlAr¡=L ya que de lo¡ n sobres rolamente 1 tendrá la dirección apropiada. .). Por tanto la probabilidad pedida es p(ApAzu-. página 7.4¡ U AzU'.... riamente. Hallar la probabilidad de que al menos una de las cartas llegue a la destinación aproDenótensepor A¡. 'á P(4 ñ A¡ ñ que tienen ) = "r"términos el valor dado por (4). Tbmbién (E) p(A..nA) = ''-n' P(A¡ñ A¡ ) hay (.i1-:.) p\AztAttp(A.r) .#."uAn) = )r(¿*) -)e6'tnl'r) "' * (-t¡"-t P(At^A2¡ " n.79) tenemo¡ (1) donde E P(A¡) + )P(AinAinAk) P(áruAru.\t/\.A. El resultado ee a¡ombroso ya que la probabilidad permanececasi constante para n ) 10. 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. cegunda.1/ =.42. Por üanto. 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.* r-e-l I : 0. 1 (c) P(al menoc und üYa): 1 -P(ninguno viva): 1 . -r/\n-2/ (+) = + \..

si Ia segünda persona tiene un cumpleaños diferente.2 -r¿-506 = 0 = 0. Entonces.cAP. debe ocurrir en uno de los otros 364 dlas. D = {t I 12<16). Determinar cuántas personas se necesitan en el Problema 1. 3.z\. . 12+22 i-. Describir A de acuerdo al (o) método de extensión. Análoga' mente la probabilidad de que l¿ üerce¡a persona üenga un cumpleaños diferente de las dos primetas es 863/365.1\:{.58.693 6 ln 2 = 6 (n .. 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. 1l CONJUNTOS Y PROBABILIDAD 31 1. Suponemos que solamente hay 365 días en el año y que todos loe días de cumpleaños son igualmente probables. 1.DeterminarsiACB o no. Denotando la probabiüdad dada por p y tomando logaritmos naturales hallamos (r) @\ (3) lnp tnp =t"(r-#) -r'"(.-4\ .693.56. Por tanto tenemos es (365 - P(n cumpleaños diferentes) = #* # ffi = \'- ' 365 :-l! + 1 1\/'.n(r-l) i30 para n pequeño comparado con 365. suposiciones que no se cumplen genetalmente en la realidad.23)(n'l 22) = g asf que n : 23. Enipleando los hechos de que para n . . Así la probabilidad de que la segunda persona tenga un cumpleaños diferente de la primera es 364/365.67. Halla¡ Ia probabilidad de que n personas (n < 365) seleccionadas aleatoriamente tengan n días de cumpleaños diferentes.). La primera de las n personar¡ tiene lógicamente algún cumpleaños con probabilidad 365/365 : 1.865)"'\'." .(. la probabilidad de que la n-ésima persona tenga un cumpl'e¡ñoe diferent¿ de las otras n * 1)/365.l.-k).0. SeaA = {r r2-3r*2=0}. Por tanto tenemos n..865 ) de 1.-*(n-1)2 - n(n . el segundo término y los términos superiores a la ae 1S¡ son dlespreciables comparados con el primer término.^" --!. "'+rn(t-#) ln(1 Pero sabemos de cálculo (Apéndice A..55.165/\'. tnp = .ln p r¿(rr : - -- 1) ?30 . Finalmente.55 para que la probabiüdad cumpleaños distintos sea menor que U2. Sea A eI conjunto de los números natwales entre 5 y 15 que son pares.r)(Zn -r) 6 obtenemos para (3) (5) *::":: 16) rnp = -!!+ñ! . Problema.' (Apéndice A' fórmulas 1 y 2) (Ir\ I+2+ "'*(n-1) = @.s supletnentarios CONJUNTOS 1. por ejemplo n ( 30. Por tanto nuestra conclusión es que si n es mayor gue 23 podemos decir con mayor seguridad que al menos dos personas cumplen años el mismo dfa."' . (b) método de comprensión..

(fllanzat una moneda y un dado. (s) (AnC)' u B. (ó) Sir yy son do¡ númeroereales sr¡alesquierq entonces x1y. (c) A)8.76.6 A: falredad de las propoeiciones siguientce.60. 1.61. =y. (c) A'uB. formule en palabras el (a't A'. 15¡(6. A tenemo¡ A C A.B'? Ju¡tificar l¡ ¡olución.1.66.5\ yrupóngarequeloerubconjuntoede'll son A:{1. (ñ) A . B.Encontrar (a) Av(BuCl.69. . B. 1.69' 1. x>y O i Demostra¡ que cualquier aubconjunto del conjunto vacfo debe ser el conjunto vacfo. (o) Si A y B eon dos conjunüos cuáleequiena.32 CONJUNTOS Y PROBABILIDAD Demoeürar que para cualquier conjunto [cAP. EXPEBTMENTOS ALEATOBIOS. (bl AnB. 0 @uB) .o de llamadas recibida¡ en une ce¡ttrat telefónica. 1.ñ(B. (c) lanzar un¡ moneda hasta que aparezc¿ un sello. entoncq cJeeJ.76.} ! B = {rlreounnfimeroprimo.9. Emplear un diagrama de Venn para dibujar ceda uno de loo conjuntoo eiguientec: (¿) A n (Bucl (ü) . (o) Demostrar que (b) Demoetrar que ri p-f Ge[.(BnC) (e) A' - (BuC)' 1.?).2. (b) (AuB)uC. - . ESPACIOS MUESTBALES Y SUCESOS L. página (o) Eemortrar la segunda ley De Morgan..4 u (BnC\ (c) A' n (BuC)' (rt) A . 1 1.72. (e) A. 1. oPEBACIONES E¡ITBE CON.66. (c) Teorema 1-4. Ilustrar el principio de dudidad haciendo referencie a losteoremas de la pfuina 3. Demo¡trarque (á -A)UA =á ¡ólo srBC A e ilugtrarlo utilizando un diagramade Venn. y (D) ilustra¡la utilizando un diagrama de Venn. L.(B. Un erperimento consiste en el lanzamiento de una moneda y un dado.62. (e\ B-A. ¿EE (A - B)' : A' . I-a paradoja descrita se conoce Rusell. (ü) B'. C = {4. (d) AnB'. 1.t B = IA-(AnB)] u ÍB-UnB)l 1. Demostra¡el (a) Teorema l-2. signifrcadodecadaunadelasoperacionessiguienüee: (f) B A.73.). (Véase Problema 1. (e) el número de partícular nucleare¡ que enhan a un contador Geiger.3. en un grupo de 600 hombre¡.31. entonce¿A = B. 1. A)8.p6gina 3. (c) Añ(BuC).64. Demo¡harque . Afirmar -B = @.5}. Generaliza¡ el recultado del Problema 1. (d') A-8. de loe siguientes experimentos aleatorios: (o) 3 lanzamientos de 1.4.68. (fl (A-B) u (B-A). (d\ (AnBlu(AnC).6?.(AuC). 1. (Ó) el nhmero de fum¡dore. (d) el númer.68. De¡cribir un espacio muestral para cada uno una moneda. 1. Tborema 1-120.2}. 1.nC. (c) A'nB'.ruNTOS. Generdiza¡ las primen y eegunda leyec De Morgan a cualquier número de conjuntos. (e) A-8. Seaununiver¡o 'Ll:{L. ei ¿[e como I Sea ci éeeI' o cl¿se de todos loe conjunüoc que no 8on elementos de eUos mi¡mo¡. 1. DIAGBAMAS DE VENN y TEOREMAS SOBBE CONJUNTOS 1.?f .7 o negar: Si A u (Ar\B) eilusha¡loporundiagramadeVenn. (ü) Teorema l-8. B={2.uC').0(¡=4) Encontra¡ (a) AvB.A r.?0. E¡tudiar la verdad o entonces A CB. Sea'tl el conjunto de todos loi enteros no negativos y conaidérenee loe nrbconjuntoc A = {xl¡e¡unente¡ope¡. página 3.5. 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. página B.

(c) ninguna sea naranja.(A ñ B) son mutuamente excluyentes. (i) la primera sea blanca pero la segunda no. 1. Demostrar que si P(A ) >P(B ) entonces P(A I B) Si > P(. y así demostrar eI resultado (l ) del Problema 7. 20 azules y l5 naranjas. (b)AyBñC. B. (b ) A' es independiente de A es independiente de B demostrar que (o ) A es independiente de B .84 si no hay remplazamiento después de cada extracción.tA'r).8 I . (e) pl(A1nAr) u (A"nAr)]. o azul. (b) ni roja ni azul. (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. cartzs 1. Explicar el significado de cada una de las siguientes: (a\ P(AroA!r). L.77. (c) no azul. 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).91. Resolver el Problema 1.t4.87. 1.8t.4 ). pfuina Demostrar que P(A'uB') = 1 . Se exürae una bola aleatoriamente de un caja que contiene 10 bolas rojas. 1. (D ) si las cartas (o) se no se remplazan. (b) ambas sean rojas. y A3 el suceso "rey en la tercera extracción". .92.t1. üe (sin Una caja contidne 2 bolas rojas y 3 azules. Hallar la probabilidad de que si dos bolas se extraen aleatoriamenremplazamiento) (o) ambas sean azules. (¿) roja.54. (¡) solamente una sea roja. (g) al menos una sea azul. (e) la segunda no sea azul.. 1. 1.85. (c) una sea roja y la otra azul. o un estimador de ella.89. 1. ll CONJUNTOS Y PROBABILIDAD 33 TEOREMAS SOBRE PROBABTLIDAD 1.83.42 el suceso "rey en la segunda extracción". (b\ p(AluA2\. 7. y (I I ). (¿) p(A1^A'2ñA\). Completar la demostración en el Problema 1.P(A¡B). remplazando la bola extraída después de cada extracción.7t.1. (c) Encontrar un tornillo defectuoso si después de examina¡ 600 tornillos se han encontrado (d) Un 7 u 11 reeulte en un solo lanzamiento de un par de dados honrados. @) p(A'rr. 1.página 8. 1. 30 blancas. Sea A1 el suceso "reyen la primera extracción". 12 defectuosos. (b) La suma 8 agatezca en un solo lanzamiento de un par de dados honrados. satisface los axiomas de probabilidad en la página 6 y por tanto todos los teoremas sobre probabilidad. . Hallar la probabilidad de extraer 3 ases aleatoriamente de una ba¡aja de 62 remplazan. (b) la primera sea roja ylasegunda sea blanca. Determinar la probabilidad p. Demostrar el resultado (1 1). pfuina ?. as.90. Csonsucesosindependientes.86.82.?9.14(b) demostrando (sin emplear el diagrama de Venn) que AUB = AOIB-(AOB)I donde A y B . Se extraen dos bolas sucesivamente de la caja del Problema 1.83. Hallar la probabilidad de que sea (c) naranja o roja. son inde- . B'. Halla¡ la probabilidad de que (a) ambas sean blancas. (c) AyBUC. (e) Al menos aparezca una cara en tres lanzamientos de una moneda honrada. blanca 1. Un experimento consiste en la sucesiva extracción de tres cartas de una baraja.cAP.80. para cada uno de Ios sucesos siguientes: (c) La aparición de un rey. p6gina Generalizar los resultados (I0 ) 30. SiA. (d) blanca. 1. CALCULO DE PROBABILTDADES 1.demostrarque pendientes. PBOBABILIDAD CONDICIONAL Y SUCESOS INDEPENDIENTES f . (h) máximo una sea roja. (d) sean rojas o blancas o de ambos colores (roja y blanca).

La escoge una bola aleatoriamente de la primera caja y se coloca en la s€gunda c¿ja sin ob¡ervar su color. Luego ee extrae una bola de la segunda caja. (¿) roP¡. Se selecciona una urna aleatoriamente la urna II. ¿Cuántos números diferentes de 3 cifra¡ pueden formar¡e con 3 cuaEog.99. . . . (b) las primeras dos cifras de cada número son pa¡es? lor números deben ser 1.109. A ¡: auceao At. á3 : "total impa¡ en ambos dados". suceso "número impar en el primer dado". A2 = BuG€so "núme¡o impar en el segundo dado". 1.9?. (ó) zPs. ¿De cuántas formas pueden 5 personas sentarse en un sofá si tiene sol¿mente tres asientos? 1.10t. ¿De cuántas maneraa pueden coloca¡se l.1O3. caja / contiene 3 bolasrojasy Sblancas. Hallar la probabilidad de que sea blanca. ¿Para qué valor de n es . A3 lon independientes pero que 1. y una bola ertraída aleatoriamente e¡ blanca. Hallar la probabiüdad de haber escogido la urna I. 1. (¿) roC¡.106. En el tercer joyero eñ un compartimiento hay un reloj de oro. 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. 3.lO2. (c) cada mujer debe eetarentre dos hombres? COMBINACIONES 1.106. ¿Cuánto¡ números de cinco cifras pueden formarse con los dÍgitos L.cajas reeulta azul. ANALTSIS COMBINATORIO.1O?. Utiliza¡ un diagrama árbol para determin¡r la¡ diferentes poribilidades que pueden suceder. Se TEOREMA O REGLA DE BAYES 1. ¿De cuántas formas pueden 3 hombres y I mujerec sentarse alrededor de una meea ei (o) no se impone ninguna resüricción. y lrr urna ffl. 3 blancas y 4 negras. 1 1.1OO. CUENTA Y DTAGNAMAI¡ ARBOL 1. Una caja contiene 3 bolas azules y 2 rojas mienüras que otra caja contiene 2 bola¡ azulee y 5 rojas.96. Se extraen tres cartas aleaüoriamente (sin remplazarniento) de una baraja de 62 ca¡tas. Resolver el problema anterior si la8 cifreÁ de los números pueden estar repetidas. 1. 4 blancae y I nggra.43 no son independientec. La urna I tiene 2 bola¡ blanca¡ y 3 negras. Hallar el valor de (a) rC3. (b) ¡C¡. Se lanza una moneda tres veces. .96.101. (D) 3 libros determinados deben estar juntos.34 CONJUNTOS Y PROBABILIDAD Sea lcAP.93. 9 ¡i impares. ¿cuál es la pobabilidad de que el otro compartimiento tenga un reloj de oro? 1. 2. 1. I monedae diferentes en 2 posiciones diferentes? PERMUTACIONES 1. En cada compartimiento del primer joyero hay un reloj de oro.98. AziA2.4 doeee y 2 tres€s? 1. En cada compartimiento del Begundo joyero hay un reloj de plata.104.94. en tanto que en el oho hay un reloj de piata Si seleccionamos un joyero aleatoriamente.ent¿nüoquelacajalfcontiene4bola¡rojasy2blancas. ¿De cuántas forma¡ pueden ordena¡se 7 libros en un eEtanüe ei (a) er posible cualquier ordenación. Az.¿Guál es la probabilidad de haberla exbaído de la primera caja? Ttes joyeros idénticos tienen dos compartimiento¡. Una bola extrafda aleatoriamenüe de una de las. Hallarelvalor de(a) oP2. Demostrar que A¡ . (c) 2 libros deüerminados deben ocupar lo¡ exüremos? (o ) 1. (b) doe mujerer determinadas no deben centar¡e juntar. .+tPt = nPtl. L. abrimos uno de los compartimientoa y hallamos un reloj de plaüa. Atl At. .

/"\ . (ó) ( ).. (c) al menos una carta sea un diamante. . PROBABILIDAD UTILIZANDO ANALISIS COMBINATORIO 1. Halla¡ el número de (o) combinacionee y (D) permuüaciones de cuatro letras cada una quepuedenformarse con las letras de la palabra Tennessee.2n-1.f 23.110.120. \ r/ 1. 3 niños y 3 niñas con 6 hombres.125. Halla¡ la probabilidad de que uno de loe jugadores obtenga (o) ? diamantea.116. ¿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. (e) no más que una carta sea figura (jota. 3 corazones y 1 pica..C. (b) deben seleccionarse un hombre y una mujer 1..115. (d) las cartas no sean del mismo palo. 1. Demostrar que (o) É . ¿Cuántos comités diferentes pueden formarse si (o) no se impone ninguna restricción. 1.119. lJna caja contiene 9 tiquetes numerados del 1 al 9.cAP. ¿Para qué CONruNTOS Y PROBABILIDAD valor de n s€ cumple que 35 3' n+rC¡ : 7' nCzl. (c) (t-r t)s.8 mujeres. COEFICIENTES BINOMTALES 1.122.. 1. (b) dos estadistas determinados deben estar en el comité. (f) la seErnda carta no sea una figura. ¿f). (d) (rz*21t. Hallar el coeficiente de ¡ en lt * ¿)t. par. Si s€ extraen 3 tiquetes de la caja uno a uno' hallar la probabilidad de que alternativamente s€an impar. \4 / 1.. Demostrar que (c) (b) \r¿l \o/ \r / + 1") * '.111. En un juego de naipee ee reparte a cada uno de loe 4 jugadores 13 cartas de una baraja de 52 cartae. (c) eC¡.126. reina' rey). ¿De cuántas formas pueden seleccionarse 4 niños y 5 niñas si (o) no determinados? 2 hombres. La¡ apuestas en favor de A de ganar un juego de ajedrez contraB son 3:2. Expandir (o) (o+y)6. (b) /11 \ (r-a)4. unavez'(c)dosveces'en 1. s€ impone ninguna restricción. (h) las cartar son frguras o picas o ambas. 2 héboles. (b) j=t (-1).117. Calcular. Hallar la probabilidaddeque (o)laprimera carta no Bea un diez de tréboles o un aa. (c) un economista determinado no debe estar en el comité? 1. 1l 1. (b) la primera ca¡ta sea un aÁ pero la eegunda no..t24. (b) un palo completo. Hallarlaprobabilidaddeobtenerunasumade?puntos(o)unavez.4 mujeres.( ") . impar o par' impar' par. 1.113. +/"\ \2 / /"\ .+ r-''i" 2/ \l )=o \o/ \r/ /"\ * /"\ I 1."".rnda carta no sea una figura dadoque la primera eí lo es. Con 5 estadistas y 6 economistas quiere formarse un comité de 3 estadistas y 2 economistas.121.) = 0. j=1 = n.-tj(.118. (b) en contra de A de perder los prir4eros dos juegos? 1. Si se van a jugar tres juegos ¿cuáles son la¡ apuestac (a) en favor de A de ganar al menoa doc de los tre¡ juegos. 3 y 2 personas? y 3 personas.(b)almenoe dos lanzamientos de un par de dados honradoe.114. (b) tres 1.e cuántas formas puede un grupo de 10 personas dividirse en (o) dos grupos de 7 grupos de 5. t"l kCz\QC¿)/DC. (g) la seg. Se extraen dos cartas sucesivamente de una baraja de 52 eartas.

Halla¡ la probabilídad de que (o) sean diferen1. . (b) tn full que consiste en 3 cartas de un valor y 2 de otro (por ejemplo 3 diecer y 2 jotas. 1. . ¡rara valores de n grandes.3. Si diepara al blanco hastaqueledal¡primera vez. 12.130. Cuatro enteros se eligen aleatoriamente entre 0 y 9 inclusive. hallar la probabilidad de que necesiüe 6 disparos.129.143. etc.138. Demostrar que para cualesquiera sucesos Ar. Hallar porcentaje de enor en la fórmula de Stirling para n : 10.144. (b) ¿Cuántos lanzamientos se necesitan para quela probabilidad en (o) eea mayor que 0. .36 CONruNTOS Y PROBABILIDAD lcAP. Al lanzar un par de dados la suma puede ser 2. Demostrar que aproximadamente 2nCn - 22"1\/ñ. Un par de dados se lanzan repetidamente. 1. (D) 2 letras son idénticas.145. 1.5. Supóngaae que al lanzar una moneda 500 veces hay una secuenci¡ de2(lsnzanientosqueresulüan"carast'. Se extraen 3 ca¡üas de una baraja de 52. .. 1.134.141.142. l..I's probabilidad de que un tirador dé en el blanco eede 213. 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. Una urna contiene 6 bolas rojas y 8 azules. Se extraen cinco bolas aleatoriamente sin remplazamiento. 1.131.12E. ¿Cuál es el menor número de lanzamientos necesarios en el hoblema 1. . Az.13?.96? 1. (b)al menos dos sean ages.51. 1. APROXIMACION DE STIRLING A n! 1. An P(ArvA"u. . 1.'.jota.l47. (c) ca¡tas diferentes. Obüener una aproximación al resultado del Problema 1.136. 1. Demosürarque siACB' entonces AnB:Q. ¿Podríamos asignar probabilidadee de 1/11 a cada uno de esos puntos? Explicar. Halla¡ la probabilidad de que 3 sean rojas y 2 azules. (o) Hallar la probabilidad de obtener la suma 7 en al menos uno de tres lanzamientos de un par de dador honrados.133..139. p2 y 4p Halla¡ el valor de p. - L. (b) 0. . 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.reina.) + P(A)+ .135. 1. +P(Á") 1.140 para que la probabiüdad de obtener 11 por primera vez sea mayor que (a) 0. (c) todas las letras son diferentes pero dos letras determinadae no puden estar juntas? tes. rey y as del mismo palo.queconsistedediez. Demostrarque 1. ¿De cuántas formas pueden selecciona¡se 30 individuos de un total de 100? 1. A-(A nf¡: AñB'. Enunjuegodepókerhallarlaprobabiüdaddeobtener(o)unaescaleraflor. PROBLEMAS DIVERSOS 1. 1 1. Hallar la probabilidad de que ocurta 11 por primera vez en el sexto lanzamiento.140.95? 1. ¿Cuántas palabras pueden formaree con 5 letras si (o) lae letras son diferentes. Hallar la probabilidad de que un jugador tenga de 13 cartas g de un mismo palo.132.uAn) < P(4.127. (d) 4 ases.). (b) máximo dqs sean igualee. ¿Puede considera¡ee la moneda cómo honrada? Expücar. .146. 1.

(a) Un estante contiene 6 compartimientos separados. Generaliza¡ el resultado del Problema 1.1ó3. 3. Desea descartar el 8 y remplazarla por otra carüa que espera sea un 5 (err ese caso obtendrá una "escalera"). (d) ningfrn 5? ¿Puede resolverse el problema sin saber el número de cincos que tienen los otros jugadores? Expücar. 1. Este üipo de problema se presenta en física en conexión eonlaestadística Bose-Einstein.11)'-* 1i)'-l \"/ \o/ \t/ . una interpretáción combinatoria. 1.148.152.6.156. CONJUNTOS Y PROBABILIDAD 37 (c) Un estanque contiene 6 compa.cAP.(i)' una interpretación combinatoria. 1l 1. Demostrar que /"\ = ! 1t'¡¡" . . . Resolver el Problema 1. 1.150. demostrar que p"(a) = 1 fipn-o (0) y luego emplear el resultado del Problema 1. (ü) tres jugadores. Este tipo de problema se presenta en física en conexión con l¡a es tad ísüca Fermi-Diroc. u¿ fi. 1.¿De cuántas maneras pueden colocarse 4 bolas idénticas en los compartimientos? (b) Resolver el problema si hay n compartimientos y r bolas.151. Un jugador de póker tiene las cartas 2. "dar ¿ letras en los 1.:).)va". Demostrar l") . Demostrar que la probabiüdad para que la secretaria del Problema 1.154.t't .149.155.\¡/(.ISrí"r"ncia. (b) dos cincos.8. (c) trer cincoe. ¿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.541. (c) los cuatro jugadores tengan un palo completo.50 si el juego se ümita a B lanzamientos. Hallar la probabilidad de que en un juego de bridge (o) dos jugadores.151. 4. 1. que (Sugerencia: Consi¿s¡ar 1.rtimientos separados._ \r/ (1 + r¡t (1 + o¡"-t y hallar el coeficiente de ¡j en el producto).54 obtenga exacüamente I ¿-c / r\k sobres correctos ". ¿Cuál es la probabilidad de que obtenga el 5 suponiendo que los oüro¡ tres jugadores en conjunto tienen (a) un cinco. . 1.' Denoüando la probabilidad deseada comopñ (a).

>Í(sl = t 38 ..Capítulo 2 Voriobles qleqtorios y distribuciones de probobilidod VARIABLES ALEATORIAS un espacio muestral asignamos un número. Tabl¡ 2-1 Punto muestral cc E cs I sc ss 0 x I Debe ob¡ervar¡e que también podrían definirre otras muchac variables aleatorias en este espacio mueehal. f(a) > o 2. Supóngase también que los dados por rr . f(¡) : 0. Supóngase que se lanza una moned¿ dos veces de tal forma que el espacio muestral es ¡f : {Cq Cg Sq SS). etc. Se concluye que X eo una variable aleatorir. 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. Supóngase que a cada punto de EJEMPLO 21. (I) de (2) Es conveniente introduct la funcíón de probabilidad. Una variable aleatoria que toma un número frnito o infinito contable de valores (véase página 4) se denomina wriable aleatoria discreta mienhas que una que toma un número infinito no contable de valores s€ llama variable aleatoria no discreta 6 continua. definida por r) = l(a) si Para¡ : nr (2) se reduce a (l) en tanto que para otros valores de r. Así en el caso de CC'(es decir 2 carae) X :2 e¡ tanto que para SC (1 cara) X = 1. geométrico u otro. por ejemplo el cuadredo del n(rmero de carac. Í! valores se asumen con probabilidades dadas por P(X=ryl=f(rx\ P(X = k=L... Repreoénteee por X el número de ca¡as que pueden resultar. En general una variable aleatoria tiene algún signifrcado físico. En general f(¡) es una función de probabilidad 1. Comúnmente se denota por una leha mayúscula como X 6 Y. también conocida como la distríbución probabiliM. el nl¡mero de caras men(x el número de eelloa. x2.. Con cada punüo muestral podemoe arcciar un nfrme¡o para X como se muesha en la Tabla 2-1.2. Esta función se llama wriable aleatoria (o uariable estocastiea) o función más precisamente función aleatoria (función estocástica). Así definimos una en el espacio muestral.

2-1. (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)=. como se indica en la Fig.1 x ( -.+/(r") x. 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. Fig. Tabla 2-2 =I r f(r) 0 I r/2 . 2-2.) +. o por un histogromo.. es decir . o simplemente la función de dístribución.6. pata vrta donde obtenerse. P(X:1) = P(CSuSC) = p(cs)+ p(sc) = i*i P(X=21 = P(CC) Así. En el ca¡o del hislogama podemos considerar la va¡iable aleatoria X como continua. P(X < (8) La función de distribución puede F(rl = P(x=r) -. lxla .2. 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.. Una gráfica de f(¡) se llama grdfica de (b ) EJEMPLO 2.5 y 1. (a) Halla¡ la función de probabilidad correepondiente a La variable aleatoria X del Ejemplo 2.de la función de probabilidad notando que r es cualquier número rl = F(u) real.2-2 Histograma FUNCIONES DE DISTRIBUCION PARA VARIABLES ALEATORIAS DISCRETAS varidble aleatoria X se define por La función de distribución acumuhda.)f(u) (0 donde la suma a la derecha se toma para todos los valores de z para los cuales u = x.cAP.2-f Eepectro Fíg. (b) IÁ gráfica de probabilidad puede reprecentarse comoleindica en la Fig. r. 2-1 la suma de las ordenadas es 1 mientras que en el histograma la suma de l¡¡ áreas rectangulares es 1. por ejemplo X: 1 significa que esüá enüre 0.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 39 donde la suma en 2 se toma sobre los valores posibles de probabilidad. Si X únicamente toma un número finito de valores lct.1 y construir la gráfica de probabilidad...

pagjna 38. Debido a la apariencia de la gráfica de la Fig. que son verdaderos en general. (o) Halar representación gráfica. Estas ideas y la analogía de las Propiedades 1 y 2. Este hecho permite obtener la función de probabilidad a paftir de la función de distribución. tomando valores desde 0 hasta 1. Entonces definimos la probabilidad de que X se encuentre entre ¿ y b como P(a<X<b) : Í"' f (n) d. nos conducen f(r) tal que o a poshrlar la existencia de una función 1. F(r) se mues- Los aspectos siguientes acerca de la función de distribución anterior. por ejemplo.@ e -. 3. Esto se expresa matemáticamente estableciendo que la función de distribución es continua por la derecha en 0. . A medida que procedemos de izquieida a derecha (es decir subiendo la escalera) la función de distribución permanece igual o aumenta. EJEMPLO 2. la probabilidad de que su estatura X sea precisamente 147 centímetros sería cero. Por tanto no podemos definir una función de probabilidad en la misma forma que para una va¡iable aleatoria discreta (págrna 38). (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. 712.40 EJEMPLO VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD lcAP. Si se selecciona aleatoriamente un individuo de un grupo numeroso de hornbres adultos. Sin embargo hay una probabilidad mayor que cero de que X esté entre 145 y 150 centímetros. 2-1.2 su 2. 1.)I__ f(r\dx=r donde la segunda es una proposición matemática del hecho que una variable aleatoria de valor real debe ciertamente encontra¡se entre . 1. 2-3. El valor de la función én un entero se obtiene del paso superior. deben notan¡e. Debido a esto se dice que es vnafunción monotónicamente creciente.n (6) . 714 corresponden exactanrente a las ordenadas en la Fig. 2. la función de distribución para la va¡iable aleatoria X del Ejemplo 2. 2. 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. DISTRIBUCION DE PROBABILIDAD Si X es una variable aleatoria continu4 la probabilidad de que X tome un valor determinado generalmente es cero. 2 son LlA. 2-3 frecuentemente se le llama función escalera o función paso.4. f(r\ > 2. así el valor en 1 es 314 y no Ll4. Las magnitudes de los saltos en 0" 1.2.3.

En tal caso podemos remplazar cualquiera o ambos de los signos ( en (6) por Así.5. . en el Ejemplo 2.UU ¡( 0 entonces F(. (o) HaIIar la constante c para que Ia función f(r¡ = {"^* L0 sea una o.au f""oou = 1 Por tanto la función de distribución pedida es r(o [o F(r) .a1X<r) s = J_-" ¡p¡au f' ( si se desea. n. 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).'!. : P(. Si 0 f: x 13 entonces F(rl Si¡>Sentonces = ou fo' . #f..t) = 0.n* =. También debe observarse que F(r) en este caso es continua.?1.5. debe satisfacer la propiedad 2 para ser una función densidad.6. lo que supondremos al menos se establezca otfa cosa. Entonces de .l-*Ít'lol' = )ow2dr . (a) Ya que f(r) satisface la propiedad 1 si c ? 0.tu. definimos la función de distribución F(x\ para una uariable leatoria continua por F(.r) = P(X=r) f(r).'U". (b) Emplear P(l < r = 2\.'" de otra forma " función de densidad y (b) calcular P(l < X < 2). el (o) Tenemos F(r) = Si P(X = r\ = o" Í__. = *-h=:h 7 En el caso de que f(r) sea continua. EJEMPLO 2. = # + F(r) = fo" . 2] VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 4L Podemos demostrar que esta definición satisface los axiomas de probabilidad dados en la página 6. la probabilidad de que X sea igual a cualquier valor determinado es cero. pero con mayor frecuencia se denomina función de densidad de probabilidad o simplementn función de densídad. (b) P(1< p(r<x<z) -.-g ec y puesto que esto debe ser igual a 1 tenemos c: tl9.ru. 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. Una función f(r) que satisface los requisitos anteriores se llama función de probabilidad o distribución de probabilidad para una variable aleatoria continua. (a) Hallar resultado de (o) para hallar el signo en (7\ puede remplazarse por la función de distribución para la variable aleatoria del Ejemplo 2.1é/27 0<'<3 fr Obsérvese que s>s F(r) aumenta monotónicamente desde 0 hasta 1 como lo requiere una función dedistribución.f. ou + f"'f@)au = fo'!u. = 13 t'n ¡3 .5. página 39.CAP. = Í.

2s137 n La probabilidad de que X se encuentr€ entre r yxt Ax está dada por (8) p(r= xtn+ta) así que si = .2-4.' T*0" + F(az(a). Geométricamente la probabilidad de que X esté enhe a y b. INTERPRETACIONES GRAFICAS es la función de densidad para una variable aleatoria X entonces podemos reptesentar y gráficamente por una curva como en la Fig. la cunra no puede caer por debajo del eje r.'. az y F se suponen derivables con respecto a. El área total limitada por la cuwa y el eje ¡ debe ser 1 debido a la propiedad 2 en la págna 40. se representa por el área sombreada de laFig.ü# (121 at.i. (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"". 2-4.r.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.'r(u.2 (ó) Tenemoa P(r<x<2) P(X=21 - P(X=1) f(2) - F(1) n-n como en el Ejemplo 2.42 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD [cAP..'.a# . 2-l . : f(x) Si f(r) Fig. Puesto que f(r) Z 0.F@t(n). es deci¡ P(a 1 X < b).6.x)itu donde = f""jl.

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

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

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

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

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

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. Fis.48 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD IC. entonces (42) P(Y=ulX=r) : f\*'') f donde f(x. yl = P(X : Í. etc. Entonces es razonable suponer que la probabilidad de pegar a la región de área K. 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. puede ser menos probable pegar a áreas externas.Definimos '(r) y fr(r) es la función de f@tr) = y la llamamc y8 ## es ('t g) función de probabilidad condícional de Y dada probabilidad condicional de X dada Y es X.AP. supóngase que tenemos un objetivo en la forma de una región plana de área K y una porción de ella con á¡ea K1 . Lógicamente pueden plantearse ohas suposiciones. Análogamente la función de r(rlut = Algunasvecesdenota¡emosa @+¡ Estas ideas se amplían ejemplo. la función de densidad condicional de Y dada X ¡1xlu) y f(alr)porfr(rla) I fr@lr)respectiva¡rente. y) es la función de densidad conjunta de X. /. Por ejemplo. (B: Y: J). Por fe1ü = dadoquerlX(r*dres Ll++ r(r¡ I &s¡ donde f(x.2-7 .2 DISTRIBUCIONES CONDICIONALES Con anterioridad sabemos que si P(A) > 0 P(BIA\ = (4t¡ Si & y son variables aleatorias discretas y tenemos los sucesos (A: X (41) se convierte en = r). El tipo de suposición empleado define la función de dishibución de probabilidad. (r) es la función de densidad marginal de X. Y son variables aleatorias continuas. Y. Por ejemplo. es pre porcional a K¡. fácilmente al caso en que X. Y : y) es la fi:nción de probabilidad conjunta probabilidad discreta para X. APLICACIONES A LA PROBABILIDAD GEOMETRICA Varios problemas en probabilidad surgen de las consideraciones geométricas o tienen interpretaciones geométricas.

2-8 la suma de las ordenodas es 1 en tanto que en la Fig. . variable aleatoria X es la suma de las coordenadas para cada punto. (a) Obtener la distribución de probabilidad paraX. (2.2) tenemos X : 5.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 49 Problerna. Supóngase que se lanza un par de dados honrados y que la variable aleatoria X denote la suma de-los puntós. así que cada punto muestral tiene probabilidad 1/36. Así para (3. 2-8 o en la Fig.Po¡ ejemplo.Jo 4/36 2/36 (ó) Podemos emplear un espectro o un histograma como los dados en la Fig. (4.cAP.4).2). 2'9.1. obtenemos la Tabla 2-4. (b) Consbuir una gráfica para esta distribución de probabilidad. Tabla 2-4 'x 1'17'página18.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/.s restreltos VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD DISCRETAS 2. 2-9 la suma de todas las óreos rectangulares es 1. (3. de acuerdo con si deseamos considerar a X como va¡iable discreta o continua.3). (c) LospuntosmuestralesparaloslianzamientosdeunpardedadosestándadosenlaFig. Nótese que en la Fig.1) así que la probabilidad asociada es 4/36. Utilizando el hecho de que los 36 puntos muestrales son igualmente probables. garaX:5 corresponden los cuaho puntos muestrales (1.

2 2.c. tenemos P(eractamente r niños) = P(X = r) = . F(r) 1 33/36 30/36 27 i36 I 24/'. Enüonces de los resultados del Problema 2. La función de probabilidad para X. siA e¡eleuceeo"niñott. (a) Hallar la función de distribución F(r) para la variable aleatoria X del Problema 2. 0123 Número de ¡¡iñoc X = ¡ Fis. dependiendo sobre si deseamos considerar a puede representarse como en la Fig.. Fig. Se encontró quelrr probabilidad de obtener eractamente r veoea A en los n intentos es icrp'q.".(i) \-'l /r \3 f(r) r/8 3/8 L/8 (b) La Eráfrca va¡iable X como discreta o continua. (b) Représentar gráficamente la distriUución en (o). c.) 3 se indica en la Tabla 2-5. 2-10 (o) Tenemos que F'(r) = P(X = tl u=x 2 Ífu¡. f(r) = . (c) Hallar la disgibución de probabilidad de niños y niñas en familias con 3 hijos.t-.¿6 2r/36 18/3rt 15/36 12/36 9i 36 6/36 3136 .".50 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP. 2-11. 2-ll (b) Véase Fig.3.L y (b\ repr€sentar gráficamente esta función de distribución.1 hallamos F(rl = 0 -e 1r<.46 trató el caeo de n intentos mutua¡t¡ente independientes. donde cada intento tenfa dos resultados posibles.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.on probabilidadesp y g: 1-prespectivamente..(.)"(t'-' = . A y A'.)' Tabla 2-6 fr 0 donde la variable ale¿toria X representa el número de niños en la familia. 2-10 o en la la FI. suponiendo iguales probabilidades para niños y niñas. ip=q:L12. (a ) EI Problema 1. D:3. Obsérvese que el cero del eje r se ha desplazado. 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.(.JNCIONES DE DISTRIBUCION DISCRETA r/t 2.2. Por tanto. (Obeérvese que X se define sobre el eepacio muestral de tres inüentos). I 3/8 .2-L2.

\r-. Hallar la función de distribución conespondient¿ a la función de densidad del Problema 2.2V @) (o) Uüilizando la Tabla 2-5 del Problema 2.itan-rc .rr_rrl.t¿n-r (+)] I = z(z-z\ = 6 6/ "\4 2. t*tantolaprobabilidadpedidaes t(-'lstt oJ-t dn *lft dr IL'rJ¡5. t:_flu)ttr = 1./J f = " =.6.ran-l(--)J = l[r*-' " "if = i./ -\-'l (* :u. X del Problema 2.cAP.6.e¡décir t-..(-. F(¡) I 7t8 6/r 6tE 4/E 3/8 2t8 I UE t Fig. la constante c. Un (¿) (a) Debemostener aXtienelafuncióndedensidad o". z2 = 1 (ü) si* = x2 =t. I -u.2 obtenemo¡ F(rl (ó) L8 gráfica = de la función de distribución de (o) se muestra en la Fig.6." r¿*l = ?['*-'(1) ..entonces ó -l < x = -f.12 + | = "t"r-rrl r-o = "L.. rL t__J = 11h..4. )? estÉ entre 1/3 y 1. 2-13.'= J-.-.2l VARIABLES ALEATORIAS Y DISIBIBUCIONES DE PROBABILIDAD 51 2.2-13 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 2.<6.r . _. donde -o(ú.r12*L =zC' oJ6. f . acf que c=Ur. 1 C" F(r) = )_-t{")a" = i)__ n du _ = !l-t. (b) Hallar la probabilidad de que f(r)=c/(n2+l). (c) Hallar la función de distribución F(*) para la va¡iable aleatoria representar gráfrcamente esta función de dishibución.

P(-3<X<4) = P(X=4) -P(X<-3) = r'(4) .8.y f(r.62 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP. tenemos que c : L142. las probabilidades asociadas con esos puntog dadas por c(2x * y). se indican en la Tabla 2-6. (b) Hallar P(X =2.2 2. debe ser igual a 1. Y = l). y) para los cuales las probabilidades son diferentes a crero se indican en la Fig. Por defrnición P(X =-21 = )" ze-z"du = -u-r"1. 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. fir-\ = dt l-F1.A) = c(2r *y). Puesto que el gran total. = = F(2) = | .F(-g) = (1 -e-e)-(0) = l-e-B DISTRIBUCIONES CONJUNTAS Y VARIABLES INDEPENDIENTES 2.42c.Y s2\. (o) . y pueden tomar todos los valores enteros tales que 0 < n 3 2.. (a) tos puntos muestrales (r. Y estÁ dada por f(r. donde r. )-11. y (c) la probabilidad de que-3<X<4. Por tanto. Tabla 2-6 Y X 0 0 0 I c 2 3 Totales ü I 2c 4c 6c 3c 5c 6c I .¡l = f2"-u l0 r)0 r10 le-1 (ó) P(X>z) Otro método.du = -e-2"1 = L-e-8 lo l{ Otro método. (b) la probabilidad de que X > 2.e-4. La función de probabilidad conjunta de dos variables aleatorias discretas X. (o) Hallar el valor de la constante c. P(X>z) = f -(1 -e-r) = (c) e-4 p(-B<x<4) = ln¡rulou = f_roa"+ ton2r-r.7.) 2c 4c 6c 3c DC l4c 22c 42c 7c L5c Tota les+ 9c l2c . (c) Hallar P(X>l. 0 = U < 3.U\ : 0 de otra forma.

Y : A) = P(X = r\ P(Y = Y¡ Pero.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. puede expresarse como una fi¡nción de ¡ veces una función de y.10.8.{.9. Demostrar que las variables aleatorias X. 2.u) = lcnU 0(r<4. como se determina de los Problemas 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. (o) Debemos tener la probabilidad total igual a 1. P(X=2. Y <2).Y=\ = asr que h P(x=4 = # P(Y=l) = I (2x rr y)142. no P(X--2. Y es f (n. y. Si las variables aleatorias.11. es decir | | f@. Y del Problema 2. 1<g<5 de otra forma 1o (c) Hallar P(X>3.r du = I . Y son independientes debemos tener.cAP.Y=L) + P(X=21 P(Y=L) E resultado también se deduce del hecho de que la función de probabilidad conjunüa. (o) Hallar el valor de la constante c. 2.9. De estos vemos que 6c=L/7 | P(X=r) = ft@) = jUc=1/3 verificación:l+1*11 '7 3'21 (b) La función =r r=0 u=t. La función de densidad conjunta de dos variables aleatorias continuas X.u) d.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD De la Tabla 2-6 determinamos que 53 (b) P(X=2. (b) Hallar P(1< X <2.Y=l)=5"=a 42 (c) De la Tabla 2-6 determinamos que P(X>t. 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 2.8 son dependientes. P(X = t.8 (b) y 2. (o) La función de probabilidad marginal para X está dada por P(X = r) = ft@) y puede obtener¡e de los totales del margen en la columna derecha de la Tabla 2-6. para todo r. 2<Y <3).

=o J"=.2 Empleando la defrnición de /(.1Í":=.Y=z) = í:="í"'=. Ft(¡) = 1. = e6c Entonces 96c = 1 y c : 1/96. 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. Por t¡nto Fr(rl = 1.* s /rz11z . 7 ñ J"="To' = ln 2.12.o' = "Í.podrfamocremplazarenlaerpreaiónanüerior(por<.- ñ E P(x>s.r."=. =y( 5 ec Fzful = P(Y <-vl = Í¿t=_@ f1 ¿ú=l f" f@.:o J"=rcnvilxils ft rrs = " J. (o) L¿ función de di¡t¡ibución marginal para X ¡i 0 < ¡ ( 4 ec Ft@) = p(X=r) = f' ¿u=-4 ¿O=-@ f" fet.'=.54 vARIABLEs ALEAToRIAs y DrsrRIBUcIoNEs DErRoBABTLTDAD -l IcAp.Tn' = idt\t/|. (ó) Utiliz¿ndo el valor de c hdl¡do en (a) tenemoe P(l <x <2. para 5 < 0. la integral tiene el valor f4 ¡5 J. 1""=140. Hallar las funciones de distribución marginal (c) de X V(bl de I' del Problema 2. 4.o)ctud.'=. = = 1 C' 5r.=.(a) = 0. [ Í=.F .Yl'"=.2<Y ' (c) <3) = Í.olduclo dudo = P¡re o > ft (s J.'uau)a' = *f.r"=.¡¡'J. fv J-"=oJ"'='ffiauao = + .frarau = * Í'^='lÍ"'="u aafa' = + f"="#l'"='* L f4 Br.=oL.)* = "Í:=rr2adr = "tu*)l'_.11.'=r$l'"-. .r=o(ry-. xaau )clx = "!. fi uo = # 1. y). Oo = #Í:=.

cAP.(ul = { (. ! c(t = c : F(r.Yl = rz(az . Fz@) = 1. 2-16. de tal manera que su función de distribución conjunta eetá dada por F(r. y) : Fr G\ Fz@).| l rr. 2-15 2. [f=.' *u au)a* Fig. En la Fig.¡ ryl96 sobre fi.Y es diferente de cero.ul = fr(r) f2(y). 2-I6 .LL se observa que la función de densidád conjunta para X. Las distribuciones marginales .11 hallar P(X+ y < conjunta de 3). J ( por < . En el Problema 2.14. t = 1.l\ (r6)(24) Fig. 1 < y ( 5 dentro de la cual la función de densidad X. donde J tt. La probabilidad rc.13. Por tanto Fzfu) Puesto que F2 (y) es continua en y = 4@r-t)tz+ tfy<b a=6 l. 3. Para U < l.F(r. y) resultante. Y del Problema 2. l\¡. o 0 ( ¡<4 f de otra forma .n ffia. 2-16 hemos indicado la región cuadrada 0 ( ¡ ( 4. 2-15 muesha la definición por trazos de .t : 5. 2. Del Problema 2.L2. !""=.F ¡ (r) V Fzp) se determina¡on en el Problema 2. Y puede escúbirse como el producto de una función en r veces una función en y. esta probabilidad está dada por 'í Í"'=. F{A) = 0. región sombreada en la Fig. av = ut-[:. Puesto que f(x. En efecto..2l Para y VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD OD = 5.¿v I < Y < 5 [ 0 de otra forma L/96. Se deduce que X. podríamos remplazar en la expresión anterior [o u<r : 1.11. Y son independientes. la Fig. Halla¡ la función de distribución conjunta para las variables aleatorias X.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.

páqina 46.1 .\: ?u. Ju.a todo u1 y u2 solamente si los integ'andos son idénticos. 2-1'7). y : Ju. Para el caso donde rlr'(u) -< 0. Dr P(r1<X1rz.v)dud._-.y) fe2 dr dy Remplazando avanzado que r : Út@..17.= fu ). 2-17 f . u aumenta a medida que r aumenta (Fig.2fu.a) a@'a) donde es d\u.u). Demostrar el Teorema 2-t. El teorema también se puede demostrar si rl'(u) 0 ó r/'(u) ( 0.. (r) (t tlt(u) es una P(ut LI 1tt"): P(rtlX1rr\ f¡7 (2) Remplazando x escribirse como /'ü: | t\u) titr 'ul |. 92fu.' ut 12 : ¿ ttt V@) en la integral al lado derecho.(' 'u2 l3-' '. página 46.67). pá4ina 46.. | trrr J| s(u. Análogamente podemos demostrar ('36) para el caso donde . es decir g(u) _. Jtl r s(u.66.fl.4v. para el caso donde J 0.u11V1o. u) en la integral de la derecha tenemos por un teorema de cálculo flrrtu..o'tlJ J< que es (3ti). Véase Problema 2.. pá$na 46.a).16.Ll Plx = gfu)) = f lv@)l En una manera análoga puede demostrarse el Teorema 2-2. ) O. (2) puede Fig. ' olü au = ¡'tl f ¡¡gqullv'tu:du Esto es válido pr.2 1 L (" = J. 2 lu=rd' CAMBIO DE VARIABLES [r(3-r)z r 'rldr 48 2.rl duda = f"' (''' Ju. como puede deducirse de la figura. esto es. Igual que en el Problema 2. Úz(u. pá$na 46. 2.¡. La función de probabilidad para U está dada por s(u) = P(Lt ") = Plo(x) . podemos demostrar que u y u también crecen. L es una función decreciente de ¡. Por tanto = fI¡rfu.u. y crecen. "rl "" /{. Demostxar el Teorema 2-4. u) ellacobiano.15.u . Primero suponemos que a medida que r.f .r\uti. Demostrar el Teorema 2-3. ..16 ó P(ut<Uiu.z 46. Entonces.56 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP.t'@) Este es un caso especial de (34). también podemos demostrar que (31) se cumple (véase Problema 2. donde ry''(u¡ ) 0 (es decir la penCiente es positiva). Primero considere el caso donde u : ó@) 6 x : tenemos función creciente.At<Y<Az) = | fre | l(r. = 2.=o g6.. págir. esto es.1)llJ duda ("' ("'n. u).

Enüonce¡1."1:-.¡función u = 2. Puesto que ú'(u) : dx/du : .)óx:L2-3u.cAP.sutz¡21 ].!7.E2.Loe valore¡ de u que correrponden a¡= .82.18. de otra forma . Los valores de r para los cuales. o por el Probler¡¿ 2.tt¡¡f".16 que la Tbnemosu:tl3(L2-f.A¡íparacadavalorderhayunoydamenteu¡valordeuy función de densidad para U ee s(ut Verificación: = ilt'. Tenemos tL = tr2 ó r = *\ñ. o el hoblema 2. página 46. f(r) = to de otra forma Halla¡ la probabilidad para la va¡iable aleatoria a = X4 + Puesto que l.. | .2O.2. 2-18..3 y* = 6 rcn u = 6 y u -2re¡I¡ectivamente. = P(. du ¡5 <tz:_su.17. HaJlar la densidad de probabüdad de la variable aleatoria U = )? donde X es l¡ va¡iable aleatoria del Problema2.U<u) = P(-B<X<\fr) = J-s f@lA.2-lt 5 r¿ = 9 tenemos G(u) = P(Il =ul = P(Xz=u) = Pl'-\n=X=rF'l nñ = J| -V-¡ Í@rar Perosi9(u(36tenemos G(u) rfr.2 = _. de probabilidad pedida para U ea ( z-ni i s("! = 1o utilizando el Teorema 2-1..'ll = 1 2. u= r+11 6 r =n/F1.e por el Teorema 2-3.. 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 ¡. La función de ptobabiüdad de una variable aleatoria X (2-' ü=1. 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). La función de es disüribución para U G(ul = P('tlu') Entonces si 0 Fis.+ l larelación entre loe valoreedeuyrdela¡variablesale¿torias donde u:2.19. Como se obeerva en esta ffuura el intervalo .16.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD es 67 2..3 ( 6 corresponden a los valores para los cualeo 0 S 36 como se muestra en la Fig. página 46.I9.3 ¡e deduc. recfprocamentg... UyXqtídadapor y8€hatomadol¡raízrealpositiva.3.3 ( ¡ < 3 corresponde a 0 s z s 9 er tanto que 3 (¡( 6 corresponde a 9 ( u ( 36. . U: * . En este caso no podemos emplear el Teorema 2-4 directamente ¡rero podemor proceder de la manera eiguienüe.. 2..

función de densidad de U = X + ZY. función de den¡idad g(u) ee l¡ derivada de G(u) tonemos.r'nu ffr:i:0" 'Sea u = t I 2y.-ro 0 6<¿<10 f4 afu.IBUCIONES DE PROBABILIDAD Pueeüo que la [cAP. uear¡do la regla de c@l Utiüzando la definición dada de = f(r) eeto se convierte en 0<z<9 9.2 l*ibníz (12). El Jacobiano está dado por Fr 0r J_lr"0o oa lüu la" att lo =l I 1 11 -.ol =#¿" .21. 2 ea - Fig.2 < u .1.u 110 que ¡e muesEa eombreada en la Fig. 0 < a < 4 g(u'al = de oEa forma {o La función de den¡idad marginal de U está dada por 21u<6 ctfu) = f"^=oWo' J.=. u : r. = 2. Si las variables aleatorias X.<¿<36 de otra forma 21rsrz Verificación: zlb.11) hallar la Método 1.u).58 VARTABLES ALEAT1ORIAS Y DISTR. Por üa¡¡to la región 0 I r 1 4. 1 tZ _1. lo1u114 de otra forma . le * fil2136 z4B l. 1 < y ( 5 correeponde a la regiiin 0( u ( 4. Y tienen función de densidad conjunta r(x. 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. etcogiendo arbitrariamente l¡r eegunda relación. = {. Entonces la ¡olución ¡imultiinea re¡ulta r : u. ! : ll2(u . 2-19.a) (véase Problema 2.

I/aimagende0(x14. Fíg.a) : {*''nu de otra forma :':' 0 L = XYz. [. V = )PY.o 2.y=y2/3p-rl3. Si las variables aleatorias & Y tienen la función de densidad conjunta 4' L <s <5 f(r.' I":". De¡aroll¡ndo integn' cione¡ encontramog 4)'12304 2<u16 6<¿<10 l0<¿<14 2128112804 de otra forma Puede efectua¡Ee una verificación al demo¡tra¡ que la integrql de g1(u) ee igual a 1. 2-19.21. 2'20 gue la últim¡ integral ee igud a Í"--.i 1<c<5 Pa¡¿ 21u ( 6 obserraÍros al r€ferirnoo a la Fig. eüc.cAP. Considére¡e u : xy2 . Nlétod. 2.22. Al dividir egüa¡ ecúaciones obtenemoe y/r = u/u aef que y = ut/v.au i*Z=.11) hallar la función de densidad conjunta de U no uu está dada por o<azlgu-r/t<4 gue son equivalentee a .2-2L 2.ytdrdy " = ÍÍ fta.2)2 (u reeultado dd método L para 6 ( u ( 10. IL m de b Flg.a función de di¡tribución de la variable eleatoria X + 2Y erüá dada por P(x *zY É ut = Íl rr2y 3 t@."'' gunoo = Í"::'lW-#fo' + 4)t2304.2-2O Fig.2l como VARHBLES ALEAI"ORIA"S Y DISTBIBUCIONES DE PROBABILIDAD 69 'lar p determina refiriéndo¡e a lae regioner ¡ombreadas I. El Jacobia¡¡o estó dado por . Mo ¡oe conducealasolucióneimultánea s=p2/34-r/t.L(y(Senelpla' (véase Problema 2. u = x2 y . De un¿ manera análoga podemoe obtener el Al deriva¡la con respecto a ¿ 8e encuentra (u .u2 t< 7) uztga-rls < L26'u 6 1 64u 1u2 < Eata región ee muesba eombreada en la Fig.

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

(y) respectivamente.w) = (" DISTRIBUCIONES CONDICIONALES fz@\lt@-u)dut = fz'ft "/u=-n 2. R'ex. Por tanto Cful = | JO f! (2e-2ül(ge-sru-u))do (" = 6"-su.25.o{üau = tfo'k-r"-"-rv\d.8 y 2. Y son variables aleatorias independientes que tienenfunciof.<0 L0 ü>o * fg"-to a=o " frfu\ '-\e' =1l0 a<0 Y.rru-u)f2@t)(-d.-*) = 1 2..f2(u-t:ld. (o) Empleando los ¡esultado¡ en los Problema¡ 2.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD 61 2. Ve¡ific¡ción: ao ifui = 6o. 2.26. halla¡ la función de densidad de su sumao U = X Por el Problema 2. pígna 47\" Tenemos Ít* fz = | /r(") fz@-o) Jo=-a Haciendo fa da u)= a. obtenemos (-' Ítrfz = .l) = 6(e-zt .241a función de den¡idad pedida es la convolución de f t y fz y eetá dada por c@) = ft*fz = f' fr(o. de densidad de U: X * Y e¡ y): f t@) fz(yl.f . En este caso la función de den¡id¡d eonjunüa et f(x.23 si X.e-tr¡ f -'.u:-dw.olver el hoblema nes de densidad f t@). Y son variables aleatorias independientes que tienen funciones de densidad ft@l =112"-t' . HaJlar (al f(y l2). Si X.24.23 la función s(ul = t'.fw=n .8.cAP.- u de tal maneraque u = u-u.to ¡iu>0yg(u):O¡iu(0. así que por el Problema 2.{olf2(u-olito = f t* fz que es la conuolucidn de h y fz.f 2* f1 (Propiedad 1. 2.9 t¿nemo¡ ftutrt = arf que con ¡ : 2 ffi:*+#t f(ylz\=g#f=+ P(Y=rlX=2\=/(1l3r=*z (ó) . (b) P(Y : 1lX : 2'¡ pan la distribución del Problema 2.ar@u .f¿ .a J_ú En el integrando f1 se anula cuando u ( 0 y f2 8e anula cuando u ( u.u = (.27.d. Demostra¡ gue fi t.

t'o<a<r [0 se muestra Hallar (a) la densidad marginal de X.rlrol+)0.) = Jt=o Sxydy .rYP* está. y) er diferente a cero sombreada en la Fig.'.): fz@lr\ = !(u'a'-l = {'u'* h@\ lo La funeión de densidad condicional no está definida cuando JFr o=u=r otray (¡): 0- . f2Q): O. Si X. : J'(i**r)0. Pa¡a los ohos valoree de r. (o) Para 0kc(1.i¿¡t\ = {o (2r/(L-azl a=r=l otra¡ O. La región sobre la cual f(r.ffr:j:r. la deneidad marginal de Y se obtiene fijando a y e L. (c) la densidad condicio nal de X. 2-23. para 0 ( r ( 1.a) = {t^" de otra forma 1=1=. (c) Para obtener la den¡idad marginal de X fijamos r e integramde c"on reepecto a y de¡de 0 hasta r como se indica por la franja verticalen laFíg. ft (¡) = (b) 0. El resultado es (' Ítu. Fig. (b) la densidad marginal de Y. = t¡*} ftulr\ h¡a oü¡o¡ ralore¡ de = definid¿. ¡. pa¡a 0 ( y ( 1.2-23.29.2E.62 VARIABLES ALEATORTAS Y DISTBIBUCIONES DE PROBABILIDAD lcAP. dada I 16 2.* :".a) = {i. (d) la densidad de Y. La función de den¡idad condiciond no está defrnida cuando L8 función de densidad condicional de Y es. !2@) Para = Í' Brydr = 4aÍ-u2'l lo¡ otros valores de y. rt*) hallar (a) f(alr).. 2-23 (c) La función de den¡idad condicional de X ec.2 2. como 8e integrando con reapecto a ¡ desde r = y hasta Í: indica por la franja horizontal en la Fig. hl. 2-23. Y tienen la función de densidad conjunta r(r.4¡s pare 0 ( ¡ ( 1. (b) P(v > + I + < X <*+d'r). /(¡ | y) no ertó (ó) P(Y>l¿l+<x<l*drl = tr*. = Í. El re¡ultado es para 0 (y(r. La función de densidad conjunta de las va¡iables aleatorias X. Y por f(r. Análogamente.¡. ft@la) (d) = ffi .

f(t. = lo'Ar"d. = .2-21 Puesto que siempre se hace impacto en el objetivo. Puesto que se supone que intenalc igualec tienen probabüdadee iguales.ls rbF /"\2-1. Jo L /r)'lo' = \a/ --) r de lo cual c = 312a. Portanto f(r.30. La función de deneidad ertá dada por f(r) r_ /r)rl = "Lt .U) Debe anota¡se que no puede deducirse a partir de f(x. la¡ funcionee de densidad de X. Íis.¡ _. = t. Eeto ¡e debe a la restricción 0 < y < ¡.r) = . EnlaregiónsombreadadelaFig. 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. tenemos ("fr. la función de densidad estd dada por . y) puede expresarsecomo una función de r por una función de y. + f t@) Í2fu). Suponer que siempre se hace impacto en el objetivo.. tal conclusión serfa verdadera- APLICACIONES A LA PROBABILIDAD GEOMETRICA 2. que flr. Determinar la probabilidad Denótense por X Y la¡ va¡iables a¡ociadas con lo¡ puntos dados. Y están dadas respectivamente por (r) f .30.2-23. R es la dista¡rcia del impacto desde el centro del objetivo. b(Boz-br¡ =.rrrro. Si ecta ee remplazarí pu alguna reshicción en y no dependiente de r (como en el Problema 2.A\ = 8rA. Y son independientes. fz(A) : AaQ-A2').[t . fot rrror¿a = fo 4A$-u2lda = | 7 f"'r.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 63 Verificación: fo' .r'lúttr = Í"' fo" &or : .G't = lI 0<¡<1 | 0 de oEa forma f zfu) : tf f 1 ofY=1 o de otra forma Entonces ya que X. Dos puntos se escogen aleatoriamente en el intervalo 0 < de que la suma de sus cuadrados sea menor que 1.)']0" Aquí.cAP.31. Determinar si las variables aleatorias del Problema2. Hallar la probabilidad de pegar en el blanco. 2-24). htotdda -- Ío' 2. c es r¡na constante y o es el radio del objetivo (véase Fig.(. Ít@l = 4r?. : T zalo lr-(i) Jl. y a¡í { Y son dependientes.21). ¡ < 1.32. y) : 8ry.(. Entonces la probabilidad de pegar en el blanco es Jo I rb t(. que se supone üene radio b.)¿.t L \a/ 2.29 son independientes.

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

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

Br2 .Y es f(. etc. 2-2t (h) Las va¡iable¡ aleatorias aon dependientee ya que f(r.vl -| F(r.IBUCIONES DE PROBABILIDAD [cAP.2rs = - 2U8 a = h(r) = ¡fi e8 u¡¡a rolución. lo que er equivalente F(r. F(r.66 VARIABLES ALEATORIAS Y DISTB. B. obtenemos oha erpreción. r): P(ts< yI e¡ decir la¡ funcione¡ de Jo f " au$ - u) ttu = (u Prt(t Jo BAI t)2) d. u: x 6r:u. y).2 Cuando (¡.r.al + Fr(r) F2fu). ala¡cuales correcponde u:Í1.¡) = I F(r'Y\ = I F(r.Y=y:l¡(*)üienenuna correrpondencia uno a uno en una forma continu¡.ntonc€. i) ¡e encuentra dentro del rectángulo. Por tanto. V: X. Lor result¡dos completoe se muestran en la Frg.y 1 l. Hallar la función de densidad de U : Método f Sea . Por incpeccióa.a\ - o Fig.y) = I 2z2y*xy2-8!-ZV2 420 F(x.1) ó &: a2 6 PortntoY:*tE. !: u/u.2-28.yeatarolucióntienelaepropiedadeodeseadas. o<Y<1 de otra forma Suponemoequelafunciónde¡conoeidahestalqueloeinüervalocXSr.84. Si X tiene la función de densidad f(s) = Halla¡ la función Y { l6rÍ-r\ L0 o(o(1 de oha fotma : h(X) que tenga la función de densidad s@) = {:zf(r-a\ 0 |. para 0 ( r. 2.36.3') = g F(z. 2. Xf si la función de densidad conjunta de X.yt = d+# F(r. do por U: XY.8 elJacobiano eetáda- .Entonce.yl = F(r.al + ft@lfzfu) o. P(X = di¡tribución deben ¡er igualee.

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

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

(a) construi¡ una tabla que muestre la distribuci6n de probabilidad de X V (b) representar gráfrcamente la di¡tribución. de digtribución para la variable aleatoria del Problema 2. (D) Problema 2. Una moneda ¡e lanza tres vece& Si X es l¡ variable aleatoria que indica el número de caras que rerultan. (dl P(X < 3). (ó) P(1 < X < 2).cAP. Sea X la yariable ale¿üoria que representa el número de ases extrafdos aleatoriamente en 4 ca¡tas de una baraja de 62 cart¡¡. (a) Construir una üabla que muestre la distribución de probabilidad de X V (ü) FUNCIONES DE DISTBIBUCION DISCBETA 2.41.39.42. Hallar la función 2. Sea Z lz va¡iable aleatoria que repres€nta el númcro de ca¡a¡ menos el n(rmero de seüo6 en dos lanzamientos de una moneda honrada. repreeenüar gráficamente la di¡tribución. (o) Conetrui¡ una tabla que indique l¿ función de dietribución de X y (b) representar gr6ficarnente e¡ta función de distribución. 2. describiendo la relación entre ella¡.47. la con¡tante c. probabilidad. Si se extraen doe bolas aleatoriamente sin remplazamienüo y X denoüa el número de bola¡ blancas. = Determina¡ (o) la función de VABIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 2. 2. 2. 2. Rnpre*ntar gráfrcamenüe las funciones de densidad y digtribución. s).1 y 2.42. 2. La función de probabilidad de una variable aleatoria X ee muestra en la Tabla 2-7. 2.2.on remplazamiento. Resolver el Problema 2. Obtener l¡ función de dishibución y su gráfica para el (o) Problema 2. La Tabla 2-8 muestra la función de distribución de la variable aleatoria X.38.47.E¡ suplernenta.40.38.4L. (¿) P(X > r. Una variable aleatoria X tiene función de den¡idad l(x) Ilallar (o ) = 1o = (ce-g" c)0 rso (d) P(X < 1).44.48.IBUCIONES DE PROBABILIDAI) 69 Problenra. (b) Problema 2. 2.41.46.4O.46. (o) hallar la di¡tribución de probabilidad para X V (b) repreeentar gráficamente la distribución. (r) P(. (c) P(X >21.rlo s VARIABLES ALEATOBIAS Y DISTRIBUCIONES DE PROBABILIDAD DISCBETAS 2. (D) P(l < X g).19.89.39 si s€ extraen las bolas c. Una urna tiene 5 bolas blancas y 3 neg¡a¡.18.2l VARIABLES ALEATORTAS Y DTSTR. Una variable aleatoria X tiene función de deneidad f(n) = | "r' 1 "r L0 L< aé2 21r13 de otra forma . Comparar los re¡ultados con los Ejemplos 2. (c) Problema 2. 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. Hallar la di¡hibución de probabilidad de Z.

69. (b) P\X'> PROBABILIDAD [CAP. Hallar (o)laconstante c. marginal (a) de X. Hallar las funcionee de probabiüdad marginal de (c) X V (b) (c ) y para las va¡iables aleatorias del Problema 2.2. (g) P(Y = 3).!: L. Y son independientes solo si poro todos los uolo¡es de x.70 VARTABLES ALEATORIAS Y DISTRIBUCIONES DE Hallar (a) la constante c. DISTRIBUCIONES CONJUNTAS Y VARIABLES INDEPENDIENTES 2. 0= ¡=1 deotraforma 2.57.(b)P(X<+. E)emo¡trar el resultado del Problema 2. (e\ P\Y < 2). Y = 2). y su función de probabilidad conjunta puede expresarse por el producto de rfna función en ¡ y una función en v. Sean 2.49. Y variables aleatorias continuae que tienen función de densidad conjunta (c(r2*a2) 0Ér< 1.ñ.Y = 3). (c) P(I<X< 2. (b) P(1-12< X <312). cerode otra forma.63. La función de distribución de una va¡iable aleatoria X está dada por 2. X dada Y. (d) P(l<X<2).52. Halla¡ la función de distribución para la variable aleatoria X del Problema 2. 2. (D) de Y dada X para la distribución del . pendientes.54. (b) P(X=2. 2.54. DISTR¡BUCIONES CONDTCIONALES Y FUNCIONES DE DENSIDAD 2. (e)siX Ysoninde 2. Demostrar que las variablec aleatoúas di¡ctetas X. y): cxy parar: L.64. Sea X una variable aleatoria que tiene una función de densidad (r.56 para el caso donde las variables son continuas. SiP(X:3):0hallar(o)laconstantec.ót.ó8. (d) la función de dietribución.3. (cl P(llz < X < 3/2). ¿Puede ser la función (c(I-12) F(r\ = 1o una función de dishibución? Explicar.3. f(r) = 1o 0=rÉ2 deotraforma Hallar (a) el valor de la constante c. Halla¡ las funciones de distribución 2.56. X.(c)P(|<X<*). 2 2).Y>+). (c) P(X>l). (b)lafuncióndedensidad. (d\ P(X > 21. 2. (fl P(X = r). De'rerminar ¡i X Y son independientes. (b) de Y para la función de dencidad del Problema 2. 0< gr< 1 f(r'u) = 1o deotraforma Determina¡(o)laconstantec. (c) P(X > 1). Halla¡ la función de probabilidad condicional (o) de Problema 2.(d)P(Y<{).60.2. 2.67.56. La función de probabiüdad conjunta de dos va¡iablee aleatorias discretae )d Y eet6 dada por f(x.

DemostrarelTeorema 2-3. 2.57 .2L e¿ igual a 1. 2.paraloscaso¡ (al g..ú = { 0 J^ ^¿_.72.64. < 5 < @.2I y verificar su reapuesta.cAP. (o ) Si la función de den¡idad de X es f(r ) hallar la función de densidad de X3 . Hallar la función de densidad condicional de (c) Xdada Y. Veúfic¿r que la integral de gr(?r) en el método 1 del Problema 2.71. 2.63.. 2.7O. si f(r.página46. (c) r¿.2l VARIABLES ALEATORIAS Y DTSTRIBUCIONES DE PROBABTLIDAD 77 2. Siladen¡idaddeXes f(r)=U"(r2 *1). y>0 f@.6!. Sea dada X.rl:j"<s<L Hallar la funcióa de den¡id¡d ondicional de (a) X dada Y.@) < 0. Demo¡tra¡ el Teorema 2-2. hall¡rladensidadde Y = tan-rX. (ü) *.6t. hal|arlafuncióndedén¡idad deY=*. 2.66.67. 2.(ulZ 0. (D) Y CAITIBIO DE VARIABLES 2.66. (bl Xs + 1.at = 1.(¿) S 0. SiXüienefuncióndedenaidad f(r):(2v)-r/2"-érz. 2. 2.62. l. Sea la den¡idad de X Í@l = Halla¡ l¡ densidad de (¿) 3X (l/2 to -l<r(l deotraforma . Y. para la digtribución del Problema 2. de otra forma [^ la función de ilen¡idad conjunüa de X.2. (b) Y dada X. Completar la labor necesa¡ia para hallar gt(u) en el método 2 del Problema2. n)0 = to r=o Y: X2.*. -. (e-(r+u) x>0. Si X tiene función de densidad f(r) Hallar la función de den¡idad de l"-. (*e-2. Hall¡¡ la densidad condicional de (c) X dada Y. (b ) Iluatrar el re¡ultado en la parte (a) erco$endo f(rl = i: l0 y verificar la solución. (ü) Y dada X. . 2.69. u >0 n1O 2.p6gna 46. -a <a < .

Si la¡ va¡iables aleatorias independienteo X1 y X2 están di¡tribuidas idénticamente con función de den¡id¡d | (t) f te-t t>:0 L0 ú<0 hallar la función de den¡idad de X1 * X2. 2.a) = (2r\-rs-(r2+Yt). hallar la fi¡nción de den¡idad conjunta de U y V. (bl V = XzY. Y variables aleatorias que tienen función de den¡idad conjunüa Í@. para hallar la función de den¡idad de U = X + Z. 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. l¡ función de den¡idad conjunta h¡lloda en el hoblema 2. yz0 deotraforma {o = X/Y.21 primero efectuando la Ea¡rdormacií¡ 2Y 2. Doc puntor ¡e seleccion¡n aleatoriamente ¡obre un segmento de lfnea cuya longitud a o ) 0.t2. . 2.t1. 2. Si. f.76.76.halla¡ la función de den¡id¡d de (a) U : XYz.2 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.75.8O. Hallar la función de dengidad de Z = XY. y tienen función de den¡idad onjunta f(r'u) = y tJ (e-(t+vt r>0.7t.r""""va¡iablesaleatoria¡taleequeX:R co¡O.72 VABIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD Verifica¡ por medio de integración directa [cAP. 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. Re¡olver el Problema 2. osv51 to deotraform¡ la función de densidad conjunta de Y.emosha¡que (a) lt*(fz*fs)=ft*fz*ft*fs' (b)/rt'(lz+fs) =(/rof)*fs' = Z y lttryo utiliz¿ndo convolucione¡ 2. APLICACIONES A LA PROBABILTDAD GEOMETRICA 2.). Sea l(n'u) = ){ (1. Emplear el Problema 2. CONVOLUCIONES 2.77. Si X.R y @¡ott tt. Sean X. V = X I Y. Sean X.79. -e 16 1o.22.8E. y:8 ¡enO demoeEarqne la -@ I e¡ ob\=i ¡r"-tz/2 r=0 r'(0 l0 2. Sean función de densidad de X. ofrf 1.22 pare.74. 2. < U < @.

encontrar c. Supóngaee que 2..t9.¡¡ue.t7.91. (d) Hallar P(2 = X ( 5). Supóngase que f(r) : cl3t. . 8i no lo toma. X. (e) H¡tlarP(X > 3). P(r=1). 2. Halla¡ (o)P(0 < X< 3). ' PROBLEMAS DIVERSOS 2.t¡. 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. (c) Repreeentar gráficamente la función de probabilidad y la función de distribución. Dos segmentoe de línea. (o) Deüerminar a (b) Hallar la función de di¡tribución.9L ¿cuil ea la relación en'tre la¡ rcluciones (c).E4. es la función de densidad para una variable aleatoria 2. y la¡ 3:80 P.0 {o deotraforma X. deotraforma Hallar la función de densidad de la va¡iable aleatoria Y: X2 y verificar ¡u ¡olución.. M.t6.86.2l VARIABLES ALEATORIA. 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. 2. Una va¡iable aleatoria X tiene función de densidad l$tr-¡z) o<¡51 f(xl = t. . La función de probabilidad de una variable aleatoria X está dada por f(r) dondep es una constante.92. 2. t)o es la (0 rS0 (b ) Determinar P(1 función de distribución para una variable aleatoria X. (b)P(X> 1). 2. (a) Demostrar que para una constante c apropiada.E8.GlP(x+r>1).u r€. (c) Representar gráficamente la función de den¡idad y la función dedistribución.S Y DISTBIBUCIONES DE PROBABILIDAI) 73 2.cAP. < X < 2). f(r) = ( cre-22 r >.ln 2)lZ.1. e¡ la función deprobabilidadparaunav¡¡iablcdeaüoriaX (o) Determinar c... P(l<x<2.DoopuntosPyQ se escogen aleatoriamente sobre AB y CD reepectivamente. Dos variables aleatorias independientee. 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 . M. ¿Cuál es la probabiüdad de que tome el meüro? Se sabe 2. (b) Hallar la función de distribución. (d) y (e)? Jurtifrc¡¡ .9O. (d) P(l <x<21. 2. r :1.(d)HallarP(X> 1). tomará el metro. AB yCD tienen longitude¡ de 8 y 6unidadesrelpect¡vamente. (e) HallarP(2 s X< 3). En el Problema 2. Un¡ pcr-na decide 6 minuto¡.Y=ll. F(rl = 1"0_"_.

2. dada en la Tabla 2-9.. Y variables aleatoria¡ independientes cada una con función de densidad .Y<312).101.2 2. 2. Estudia¡ ¡i considerra que eltar oupoeiciones Bon realistas y cómo podrÍa mejorarlas si no lo son.).101. (d) Harlar P(Ll2 2. ¿por qué? +l En el Problema 2. f tienen función de den¡idad conjunta f (r' u) = t o llla 0(¡(U. (c) Dererminar si X y Yron independienter. ¿Cull er el análogo del teorema de la convolución para variables aleatorias di¡creta¡? Ilustrarlo usando el hoblema 2. 0 os¡=2'o<Y=' de otra forma 2 (o) Determinar ei X. Sean X.(c)lafuncióndedensidad 2.103. 2.0<U<t de otra forma P(X + (a) Determinar ai Y> rl2r. (c) Iüllar p(x<rlz. Y son independientes.s7.102. (c) HallarP(Y = r).. Hall¡r ta función de densidad de Z . (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 2.79 a tres o má¡ va¡iables.96. y < g) = p(X > p(y < +. (b) Hallar p(X>tlz). 2. Sean -(_ Y vari¡ble¡ aleatori¿¡ independiente¡ di¡tribuidae idénticamente y con función de densidad (2v)-r/2¿-úr2. + y. /(z) = 2. nal de X y f.78 y (b) el Problema 2.L se rompe en dos parües.96. * Y es ) 0.( tt ( -. o<Y <2 | c(2r+Y) o(¿(r' o de otra forma I (marginat)deX. -..2.a) = de deruidad (marginal) de Y. x. 2.2. (d) Hallar 2. t2<X< l).93. Generalizar (o) et hoblemz 2.(u) = ¡1e:r donde l. Supóngase que la función de probabilidad conjunta de las va¡iables aleatoria¡ X. Y está dada por I r/9 r/6 r(r..94.y>1). Y está.99.98. u=0. .1ü1. Demo¡trar que la función de den¡idad de X s(u) I @# u=0.y> 1/B).91 halla¡ la funciónde den¡id¿d de (o) X2. ¿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.L. y > 1). La función de probabiüdad conjunta para las va¡iable¡ X.(b)P(X>Ll2. Un¡ estaca de longitud .X2 + Y2. X Y va¡iable¡ aleatoria¡ que tienen función de den¡idad conjunta f(r.ur = {"-'o |. (D) Hallarp(1 <x<1..1. Y son independientes.(d)lafunción Hallar(o)laconstantec..93 ee cumple que P(X > +. En el Problema 2. (b) ttallarP(l S X< 3.74 VARIABLES ALEATORIA"S Y DISTRIBUCIONES DE PROBABILIDAD sean lcAP. (b) X Si -X.

función de den¡ided conjuata de tres variable¡ aleatoriea X.2-32 2.1O7.a. Z.cAP. 0121L o de oha form¡ 1. Ilallar (o) P(X > Y< +r.106. la! b€s no son independientes. P(Z<X+Y).109. c Fis. Un piso ertá con¡huido de cuadrado¡ de l¡do L Una aguia de lon¡itud o1l a lanza al piro. 0< y1l.s de radio q e dirige haci¡ un obietivo hemi¡férico ABC co¡ centro en O como ¡e indica en la Fig.IBUCIONES DE PROBABILIDAI) 76 2. Un haz cilínüico de partícula.ri"r" dos de esta¡ va¡iables aleatoria¡ eon independientee. En el Problema 2.1O5. 2-32. (¿) 2. Demorbar que la probabilidad de que l¡ atuja intersecte al meno¡ un liado.'"L'.10t.¿. Supóngase que la¡ variable¡ aleatoria¡ X Y.ede O a cualquier punto P del objetivo) forma con el eje. Pa¡a una aguja de longitud dada ¿cull debe ¡er el t¡do del cuadrado en el Problena 2.J'v 1r' o1z. r *"loq. 2. 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. Y. 2. . Z> $).1O4. es decir ¡ur factores funci6n de densidad marginal. er igral a o(4t o\ltf .. 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. Si es l¿ f (r'a' z) = ( 1 rv2zs 01r11. Z tienen función de den¡id¡d conjunüa r(r.2l VARIABLES ALEATORIAS Y DIÉ¡IT. - 2.107 halla¡ la probabiüdad de gue una ¡rarüfcula pegue 8l objetivo entre A = O y0 : Í14.1O4 para que la probabilidad de intersección ¡ea mádma? Erpücar ru rcluci6n.z) Demo¡ka¡ que au¡que = ito-""trtcosracos¡rz :.

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

cAP. Por tanto en un juego honrado es de eeperarse pagar $5 EJEMPLO 3. entonces E(cX) Teorema Si (s) X.r(r)dr = Í. Se deduce que el jugador puede esperar una ganancia de $5. + g(x")f(n"\ (5) = É' s(r.) = ) i 2.Jf*f g@.y) r)r d. Y son variables aleatorias. entonces - E(X+ y) = E(x) + E(y) entonces (e) Teorema Si X. .rrr-z.=+ aleatoria.l(ir) a' = * : cE(X) ALGUNOS TEOREMAS SOBRE ESPERANZA Teorema 3-I: 3-2: 3-3: Si c es cualquier constante. Y) se obtiene por aleatorias se hacen fácilmente.(i.. E'ex2_ zx) .= *|...oO¡f@)dr Generalizaciones a funciones de dos ejemplo si entonces la esperanza de g(X. Si s(r) /(¡) X es una variable aleatoria. 0<r12 de otra forma E(xt = Í:_.fo" .¡0. La función de densidad de una variable aleatoria X está dada por f@l = El varor esperado de X es f*u 1.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. Si X es la va¡iable aleatoria del Ejemplo 3..) /(". Y son dos variables aleatorias continuas con función de densidad conjunta f(r.con función de densidad f(r). Y son variables aleatorias independientes.2.Y)l EJEMPLO " = ¿-.a) f(r.'. E6n : E(X) E(Y) (10) Generalizaciones de estos teoremas se hacen fácilmente.f"_rt" -2x'¡f@)dx .3l ESPERANZA MATEMATICA Tbbla 3-l Íl i@ j) 0 77 +20 0 +40 L/6 0 -30 L/6 r/6 r/6 t/6 r/6 por jugar. y\. Els(X. Si P(Y=v¡: X es una variable aleatoria discreta con función de probabilidad /(¡).y \7) 3.2.3.ables X. = Ío'tro. entonces (6) Elsul = f. entonces E[s(x)] : g(n)f(r) + s(rz)Í(r"\ +'. .

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

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

erf(r\ dr (r) (variables continuas) Podemos demogtra¡ que la expansión en serie de Taylor es [Problema 3. AIfUNOS TEOREMAS Teorema SOBRE LA FUNCION GENER ATR. = l"L. De la expansión podemos demostrar que [Problema 3. La denotamos por . entonces M**"(t) = Mx(t)MtQ) (3 /r) Generalizaciones del Teorema 3-9 a más de dos variables aleatorias independientes se hacen fácilmente. ¡ri es la r-ésima derivada de M * (ú) evaluada en ü : 0. (r) ..3 Como casos especiales tenemos.4pip I FI. Teorcma 3-I0 (Teorerna de la unicidad): Supóngase queX. donde i es la unidad imaginaria en la función generatriz de momentos obtenemos una función importante llamada lafunción característíca. f M " son variables aleatorias con funciones generahices de rnomentos M y "(t) (t) respectivamente.15 (c)] M*(t') : I + tLt * r. Y tienen la misma distribución de probabilidad solo si M.=t eo'f(r¡) = 2 ) _.80 ESPERANZA MATEMATICA lcAP. 2p" 6¡Ir¡12 tt.función generatríz de momentos se define como Mx$) ee decir = E(e'*) er"f (28) (variables discretas) (2el (30) M*(t) = M"(t) ¡ .r.#l+ "' * r:#+''' ¡"i (r 1) Puesto que los coeficientes en esta expansión nos permiten hallar los momentos.-" (32) es decir. la justificación del nombre función generatriz de momentos es lógica. (t) respectivamente. utilizando pl = p ygb:1.16(D)l = fi*"Oll.'NCION GENERATRIZ DE MOMENTOS (27) - 'i|¡'a I-a. Entonces X.t"2 lrt = t"L-Bp'rtr * l"t : t't. Donde no exista lugar a confusión escribimos M(ü) por M"(tl. En palabras.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.r(t\ Teorema = """'**(l) (33\ 3-9: Si X. FUNCIONES CARACTERISTICAS Si remplazamos ú : i<. entonces la función generatriz de momentos de (X + a)/b es + Mr*ro. Yson variables aleatorias con funciones generatrices de momentos M * (t) y M .. la función generatnz de la suma de va¡iables aleatorias independientes es igual al producto de sus funciones generatrices de momentos. IUI y (t\ idénticamente.

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

Y son independientes.ylitxd. Del Teorema 3-L7 obsen¡amosque.u) tll ¡. En el casodonde p: O (esdecir. 1"" @ . .y'¡ itr (ry tal (t 6) caso Consideraciones semejantes pueden hacerse para dos variables aleatorias discretas. Y) (51) (52) (5s) Teorema 3-16: (. De esto llegamos auna medida de la dependencia de las variables X. Y son va¡iables aleatorias independientes.rits (48) y las varianzas son .t")@ . Sin embargo. COEFICIENTE DE CORRELACION Si X. Llamamos a p el coeficiente de correhción. el Teorema 3-16 sd reduce al Teorema 3-7.82 ESPERANZA MATEMATICA [cAP. (+r¡ Ura¡ oxy .y (t = l) -¡. Teorema Teorema 3-14: 3-I5: Si oxy = E(XY) .(.p")f(r. u"ror". De otra parte si X.*).* = 22rf(a. Y es la covarianza definida por ¡r")] Otra cantidad que aparece en el caso de dos va¡iables úxy = Cov (X. ty = E(y) : Í:- f_'- uf@. y son independientes. Y) = EUX .a) donde las sumas se toman sobre todos ro.")ul = l:- !_'.t") f (r. lacova¡ianzaescero) decimosquelas variables X. Y) : oxv : 0.3 t"x = E(X) : .L= p < 1. por ejemplo X : Y. lo*"1 es Teorema 3-17: oro" El inverso del Teorema 3-15 no necesariamente cierto.to.t )2f(r. E(Xy) - pxtry (+s¡ X.s)(tnity ." = X2uf@. = Cov (X.1 = El(Y Í:.f _. Y) = 0 (50) 2 Cov (X. Var (X * Y) Var (X) * S Var (Y) * o'**v: "2*+"'l!2o*. Si X.p*XY - (45) En t{rminos de la función de densidad conjunta f(x. f dada por oxY P- (5tt\ "*"" que es una cantidad adimensional. entonces Cov(X. y) tenemos oxy = Í:.E(X)E(Y) = o*". en este caso las variables pueden ser independientes o no.ul x9 X. discretos de Los siguientes son algunos teoremas importantes sobre covarianza. Y. entonces Cov(X. Y son dependientes completamente. Y) : oxv = oxoy.> > (r .f"_.y)d.O.t r).í = "? EÍr--¡.f(r.a)d. Estudio posterior de la correlación se amplía en el Capítulo 8.f"_ rf(r.p*)@ .rds. Y no estón relacionadas. En G3) V (46) se remplazan por /.

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

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

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

ero que se ganará un boleto...86 ESPERANZA MATEMATICA lcAP. . = 1 PorüantoS:2.3. Por ejemplo la probabilidad de obtener uno de los 20 boletos que dan un premio de $ 750 es 20/10 000:0. En una lotería hay 200 premios de $150.02) + 750 (0./ 'l*)* 7 E(X+Y) = E(X\*E(Y) = 3. Hallar la esperanza de la suma de puntos al lanza¡ un par de dados honrados. Sean X.'(*) .o\El = t7 \o. |s = i .9?75) : 6.02 750 0.3 que es una cantidad adimensional.41.s resueltos ESPERANZA DE VARIABLES ALEATORIAS 3.'(#). Tenemog E(x) Entonces. 20 premios de $750 y 5 premios de $3000 Suponer que se colocan a la venta 10 000 boletos. Hallar la esperanza de una variable dada por aleatoria discreta X cuya función de probabilidad está Itrl Tenemos : (i)' (t=r.s. que tiene un coeficiente de curtosis igual a 3. js = !+ | + á + # +...(+). [.1. por el Teorema 3-2.(i).. ¿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:. el precio del boleto sería más alto. Y los puntos que aparecen sobre los dos dados. Comúnmente se compara con la curya nonnal (véase Capítulo 4). - E(Y) ^/t\ = tll) * \o/ "' .002) + 3000 (0.002.os diferentes valores de X conjuntamente con sue probabilidades se muestran en la Tabla 3-2... pero los definidos anteriormente se emplean con mucha frecuencia. Entoncee Restando. hágase á.002 3000 0.) E(xt = Para halla¡ esta suma. El precio justo a pagar por un boleto es 6 peeoo. 3. s = .0005 0 P(X : r\ 0. Problerna.(*) .z..00 ó 6 pesos. Es posible definir coeficientes de sesgo y curtosis utilizando otras medidas de centralización y dispersión. Sin embargo una lotería gana dinero. La esperanz¿ de X en pesos es r (pesos) 150 0..(i)" = +.0005) + (0) (0.'(+).2.'(*). Véase también Problema 3..977t D(x): (150) (0.

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

o. (o) Como en el Problema 3. ea decir. de ¡i X. Demoshar el Teorema 3-3. con las eumas apropiadae remplazadas por integracioneg. Y ron independientee.*(á) # :%1 Entonces. Por tanto Y.r." (')no(')l E(X) E(Y) Si cualquier va¡iable e¡ continua la demoetración ee desarrolla de igual manera."*' ""'*"' =i'|í'.)'= * Var y. por el Teorema 3-4.4.3 3. puetüo que X.\2 ^a = f-('-L)''"-"0' = i = El(x-r)21 E(xz¡-ll(x))2 = t.)'= i o = tFf-var(x) = \E = t r" : Ot¡o ¡nétodo. p6g¡na 78. y) puede expresarae como una función de r multiplicada por una función I. página 77. Demostra¡ el Teorema L4. por el Teorema 3. Hallar (¿) la varianz y (b\ la desviación típica para la variable aleatoria del Problema 3.(. / . Sea ¡t(¡. E(x2) = E(vz¡ ='. independienteo. Si la¡ va¡iablec X.p\zt = '[(* -])'] = l:_ (" _'L)' t*. Pa¡a va¡i¡blee dependientec generalmente no ee cumple.4 l¿ media de X ee ¡t= E(Xl -. y) la función de probabilidad coniunta de X.. VARIAT'IZA Y DESVIACION TIPICA 3. (o) Del Problema 3.(l) var(X) Var (X * ' . Además.7.8. Y ¡on independientes. Por el Teorema 3-4. var(X) (D) 3.2.1/2. tenemoe f(x. Halla¡ (a) la varianza y (b) la desviación típica de la suma obtenida al lanzar un par de dados honrados.u) = ) ) . Entonce¡ l¡ varianza e¡ Var (X) = Etá . con¡iderada di¡creta.:r:¡:* . tenemos E(X): E(Y)= 7 12. = Var(Y) = +-(.10. püa todo ¡. y): f tG) /2 (y).(+)-Fr.9.y f t@) fz(a) )1.7 Y) = Var (X) (Y) = F (b) ox+).88 ESPERANZA MATEMATICA [cA". Y rcn E(XY) = 22 Í!J! --t ra f@. y.'/'Q)2afztu) . Tenerno¡ E'(x ^"' * u' -'u. = Wa"(X+Y) = 1/g v6 3. Obsérvese que la validez de eate teorema gira alrededor de si f(.

= .pi E(Y - py) - o ya que X. .P)21 + (P ..-'u \I/ + .px)(Y .tt): E(X).ttv eon independiente¡.'tut '\'/ + "' + (-L)'-'( t . Si X* : (X .2] + zEl(X . y el hecho de que E[(X tt)z1= 3. Demeshar el resultado (26).o)n = O. + r-r¡t('..ar Y gnr -Y . se ri' y emplear cl Teorema 3-6.r.í':.14. = t(4=\ / =. Demostrar el Teorema 3-7. La demo¡tración de (I9). mínimo de El(X-o)'l ocutre cuan- 3.i.. .py) + (Y .13.págna79..px)2 * 2(X . Var (X + Y) = E[{(X + Y) - (px + pv))2] = = = = utilizando el hecho de que ./ /\ /"\ = .pl|. f)e esto vemos que el valor do (t¡ .-iut + "' + (-l)'-t¡ur * (-l)-rnt donde al combin¡r loe do¡ úlüimo¡ término¡ re¡ulta (-l)r-1(?'- 1)p'.12.a)2 pueeüo que E(X ." -. MOMENTOS Y FI. Er(x-'''.t . !¡rw-u¡ = L¡nwl-r) = a' o \ (x*) 0 (b) var = u" (?) = \o¡1x - u¡"1 oz =I utilizando el Teorema 3-5. * . Y .' . Pr = El(x-pl'l = nfL x.u\(Y . p{ina 79.. + (-r\'-'( n .:.!^r_':i.(i )/.t'+ "' + {-r\r\l)r.n)21 E[(X ._i.ft\tr*"-. pág¡na 79.11.)"n'-' + (-t)'p'l J \r-r/..px) + (Y . (a) puesüo que E(X) = E(x*t ¡r.t:..TNCIONES GENERATRICES DE MOMENTOS 3.lt:0. Demostrar el Teorema 3-6.cAP.-. Y y por tanto X gue al remplaz.\x.u.r..r?2.EÍ6 .. \t / \r/ + .pv)}21 EllX .pv)l * El(Y EI{(X Var (X) + Var (Y) px)(Y pvl2) El(X - - pv)l = E(X .tt)lo es una variable aleatoria normalizadq demostrar que (u) E(X*¡ = 0' (b) Var (X*¡: 1..ltx.E(x. . e¡ decir cuando a : ll. * t-t'(T)t1"'-.3] ESPERANZAMATEMAIICA 89 3..)t(")u'-l + (-t)rpr \.(i\*..)¡. . página ?9. página 79.

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

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

p*y . 3..l*-ei. = 2a io l-o = | al@t la ela@ .Fxpy ..¡xXY .20) ceñ d = ao. Yl = E(XYI -."r.f?o/. Hallar la función característica de la variable aleatoria X con función de densidaa f@) = ee-atEt."-*l* = -Alo = I - Entonces c: ol2.r = "lÍ:.donde c ) 0 y c es una constante apropiada. Demostra¡ el Teorema B-15.pv)] = E[Xy . a.pvX. = "{lo 4f-o u-n<-. página 82.útit¡) l€ lo lo .pyE(X) * E(pxpvl = E(XYI .22. e<o+iarz * Jo ¿-<a-. y eon independientes entonces E(Xy) : E(Xl E( y) .o<t> ¿sf . 3.3 D(etx¡ = f-. Por definición la covarianza de X.ryttx * pxpv = ElXy). -oo < Í 1 @. e-(a-i@)¡ 2 a*io l-" ' . .E(X)E(ts) = 0 .92 ESPERANZA MATEMATICA La función ca¡acterfstica está dada por lcAP. Y es oxy = Y) = El(X . Por tanto. + fo* n.e-ho 2ia._(a_io) ü a L 2(o* io) 2(a. = *t_""^"0.23 = Cov(X. l:.c-atxt d. Si X.6-'l "iar¿-. o" = asf que I . Demostüar el Teorema B-14.LJ_-e(a+t@)ro" q.io') = _a2 a2 * o2 COVARIANZA Y COEFICIENIE DE CORREIACION 3.o = 8en Cú.pxE(Y) .. arf 2c O + . Puesto que f(r) es una función de densidad tenemog Í).f(r)dr tlÍ-"eíore-o<-x. úu empleando las fórmulas de Euler (véase problema 3. por tanto por oxy el problema 8. página 82.rrrrru.* npv] = E(XY) .23.24.lxtty = E(XY) _ E(X) E(Y) Cov (X..r'.t an + !o' "-"r. la función ca¡acterística está dada por E(eiax¡ = .

8.(1)(9¿)+ (2)(L2cl+(3X15c) = = = 22nufia.. f"t=u our.r". * (1)z(1ac) E(Y2') lllr"t *l =t ..2103 apror. lr.. (b) t 93 (¿) 3.a\l = .alf '* = *..:-* J.26.al = )"rl-)ftr. página 52.(1)(1ac) +(2)(22c\ = 58o = E = n 78c E(Yt = 22af.ú = . sl Hdla¡ Cov (X. [] tA.. EsPERANZAMATEMATIcA y).ur".r... + (0)(1Xc) + (0X2X2c) + (0)(3)(3c) + (1X0)(2c) + (1X1)(3c) + (1)(2Xac) + (1XBX6c) + (2)(0)(ac) + (2X1)(6c) + (2X2X6c) + (2XB)(?c) 427 ld./zso r/55 -20: = 3.=.[) ¡@.o. (¿) (b) = ))o/(".= = t/zwan ' 15514.lyL47.o. Y se definen como en el Problema 2.O.at) = rr.3.. = E= + (c) D(xY.ol.. (c) E(XY).ul = )y."=.lrrr"o*.cAP. . (e\ E(Y').26. (s) Var(Y). E(Y). Y se definen como en el Problema E(x) (a) E(X'¡.. dy = %T t 16 ri = ñ)"=. (/) Var(x). . página 50.25 si las va¡iables aleatorias X.-.. 2. Utilizando c : LI 2LO tenemo¡: (¿) (c) E(xt = E(Y\ E(xY) h + s) dr t.y) = E(xy)-E(x\E(yt ?-(it)'=:* = +-/+)l+) = --+ r47 7 \21l\7/ -0.y) = ?rh f(. si las va¡iables X.'..) (e) E(xz¡:22r2f(r.n".o1. (0 p. Ju=o {rú{rr r sl dr dv = .at) = 4. Resolver el Problema 3.J"-o{o)1"Iuld'rita = I70 6s = tf67580 .. txv o = oxnv -. =# =+ = 22u2f(u.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. (d) E(X')..*.a\ .or.

28(o).(#). Presentaremoe la demostración para variables aleatorias ecntirruas. Hallarlaesperanzacondicionalde(c)YdadaXv(b)XdadaYenelProblema2. * v) dx da = cov(x. página 61.=o.^:. X: 2 es E(Y =2) "x = ? r(+) X: donde la suma se toma sobre todo y que corresponde a E(y.28. Si f(r) es la función de densidad de X entonces ."=. [. = var (y) = E(vz¡ _ l'(y))2 = t# _ (#)' = t.y) = E(xy)-E(x\E(y) = ?-(?f)(*t) oxy = -# -0. Esto oru o"oo oo. (o) (ó) E(ylX=r) = Í-_afrtuldau = ír'r(rr")* = + E(xly=y¡ = f_-".29. Hallar lavariar¡. f u'. Hallar la esperanza condicional de Y dada X : 2 en el problema 2.30.2g. pág¡na 62. .rrrr.27. la función de probabilidad eondicional de Y dada X : 2 es ftutz) = Entonces la esperanza condicional de Y dada + 2. 3 (d) (el u') b) (h') (t oxy =# E(Yz¡ = h f. pág¡na62..2g.x=2) = -.g. * a) dr tru = # otr .(#).\r-. DESIGUALDAD DE CHEBYSHEV 3. VARIANZA Y MOMENTOS CONDICIONALES 3.27..var(X) = E(xz¡-ll(xtl2 = #.# E(xz¡ =h Í.(rlytdr = í"'"(#*S* El=a\ 3.pág1na62. . p= oxoy -200l3969 /50s615e6-0 {r6únsn -200 t/zsnr/te zzs = ESPERA}IZA.94 ESPERANZA MATEMATICA fu'=o [cAP.(iu) = ii 3. Como en el hoblema 2.za condicional de Y dada 2(L-ys¡ 2(l+y*y2) --¡O+7I- x para eI problema 2.(ui) .03129 aprox.zlB del Problema 8.)\t)* J_- donde hemos utilizado el hecho de que ltz: E(Y lX: r) :2. 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. La demosbación para variables discretas es semejante si ee remplazan las integralee por sumas.rrr. .(#)' = *tq*$ o2.

'.(l*-*l \t o2 =t)/ = 1-(1-e'r) = p2 e-s = 0. Así por la desigualdad de Chebyshev con Tomando el límite cuando n ) -.t <1) = "(l*-*l . (b) Utilizar la desigualdad de Chebyshev para obtener un límite superior de P(lX . Por tanto P(lX-rl > 6) 3. /ts r|.|) ol ¿l \l \ o = J¡ | f :l/2 Ze-udr = 1 - e-3 Portanto (b) Del Problema 3. (c) hallar P(lX .ul=') 02 esto se conviertq..¡rl > 1). '|.t)/ = .|ww.*Var(X. DeI Problema 3.) = o .x. = E(X) = p Var(Xr) = Var(X2\ = "' = Var(Xn\ = o2 Entonces t(*) = "(*'*'.3l ESPERANZA MATEMATICA 95 02 = EI(x - p)21 (' = J-* @ - p)2 l(r) dr Puesto que el integrando es no negativo. página 84.32.+E(x")l = L(nt) = = Var(Xr)*.25 Comparando con (o) observamos que el límite dado por la desigualdad de Chebyshev e¡ ba¡ta¡te crudo. Tenemos E(Xrl = E(X2l = .04e?e = plr- = 7/4.¡.. | \ _ ul=_ . LEY DE LOS GRANDES NUMEROS 3.) = ¡toz tt Var(S") = Var(Xr*'. ¿lr-al=e Pero Ia frltima integral es igual a P(lX - pl ? .(-:.18.18..).. Demostrar la ley de los grandes números establecida en el Teorema 3-19.) así que t'" (+) = 4 var (s") = * X: Sr/n üenemos _/ls" | \ donde hemos empleado el Teorema 3-5 y una extensión del Teorema 3-?. como se pide.cAP. La desigualdad de Chebyshev P|X-pl > f) resulta P(lX¡r] = 1) < oz = 0.*X. ¡¡ (o) = 1/2.'*"') .t+.18. el valor de la integral solamente puede disminuir cuando el int¿rvalo de integración se reduce.* .31. Por tanto 02 t¡z-ttlZe rlr-yl=. .rl > 1) y compararlo con el resultado en (a). Para la variable aleatoria del Problema 3.. ". Entónce¡ P1x ¡. En la práctica la desigualdad de Chebyshev se emplea para dar estimativos cuando es inconvenientc o imposible obtener valores exactos.

62 apror. ."on-r2tdr = #(Y-t) 2aa_36a2 all2 hallamoe que *91 = 0 de donde _ia2 = 36a\436P-4(2X81-) . (b) La medianaee 1. eetá dada por = n-Zr/. = fr: aegunda derivada.?3 aprox. (c) Comparar la moda" la mediana y la media. es Í: L. P(x<a) Igualando eeta = *. Halla¡ (a) la moda y (b) la mediana. la mediana y la media se muestran en la Fig. una va¡iable aleatoria discreta tiene una función de probabilidad f(r) : !12' donde 2.60 = 1. Ahorapara0(a ( 3. . y (c) compararlas con la media. (b) Hatlar la mediana. .¿rL 81 -_l = 'r2) df ar. (c) ' E(x) = + ('¡z(g-xz\da = !(t*-+)l'= 8l\ 5/lo 8lJo que prácticamente ee igual a la mediana.3 OTRAS MEDIDAS DE CENTRALIZACION 3.36='ñ¿r ze) az de donde o = sli{z- q Por tanto la mediana pedida. para el cual la . l(r't 3. . que ea La moda pedida. 3-6.96 ESPERANZA MATEMATICA lcAP. r: 1. e8to e3 f(r ) ocurre dondc ..[. Ob¡érvese que este valor da el máximo ya que la -24x 187 . La moda. que debe enconharse entre 0 y B. aquel valor deo parael cudlp(X é a): ll2. 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. r. ea negativa para x = 1fá. El máximo relativo de la derivada es cero. (a)/ La moda es el valor de 4 asociado con la probabilidad más grande. (o ) La moda se obtiene hallando donde la densidad f (x) ea máima. En este caso probabilidad esLl2.9 - -'l 86 - 8l l2r2 = u Entonces .33.84.

19.3l ESPERANZA MATEMATICA 97 (b) Si¡escualquiervalorentrely2. (o) Puesto que todos lós valores ¡ ) 3 tienen probabilidad cero.35. Por tanto Recorrido semi-intercuartflico = ?121 .")] d' + Í. : 1. = - p|) = l_".33 hallamos que s : 0.a septuagésima quinta percentila es el valor de ¿ tal que (18o2 - a4 ¡¡8t: o @a.esdecirlasoluciónde(18a2 : 0. Por coneecuencia escogemos el punto medio del intervalo.? 5. tomamoseluolor móximo de ¡: 3.655 apror.*l[#. Determina¡ (a) el recorrido.-1998 0.")[#.098 aprox.0 : 3. .Portantacualquie¡númeroentrel y 2 podrfa representar la mediana.cAP. (b) Por el Problema 3.".19 tenemos 02 ll 25 It3 oo - 32 8?5 -0. M.. o sea ¿ 0.l : 2.3. (b) La vigésima quinta percentila es el valor de a tal que (L8o2 P\X<a)=#(Y-fl = "# aa -a4¡¡8t \l8L : O.098 y 2.b1 aprox.33(b) tenemos (o) LadécimapercentilaeselvalordeoparaelcualP(X5o):0. a (c) f.r - pl f (n) dr = l"' l' .33.. (b) el recorrido semi-intercuartílico y (c) la desviación media para la distribución del Problema 3. Hallar el coeficiente y (b) curtosis para la distribución del Problema 3.33. PERCENTILAS 3.60 : 8/ó.33 la media Desviación media ee lt : 1.121 reepectivamente. (" . Por tanto el orden de las tres medidac es contrario al del hoblema 3. OTRAS MEDIDAS DE DISPERSION 3.10.68 aprox..t):ll2.1253 3693 8750 (a) Coeficiente de sego -: o. tomamos el uolor mínimo de ¡ : 0. Determinar los valores de la (c) décima.n "¡fa' = Í^" (. es decü 312. (b) vigésima quint4 (c) septuagésima quinta percentilas para la distribución del Problema 3. : 2. Del Problema 3. En forma análoga puesto que todos los valores ¡ ( 0 tienen probabilidad cero.37.33.)[#'n . I.36.l0. (c) Como se encontró en el Problema 3. Entonces el recorrido es 3 . Empleando el método del Problema 3.r :: .o .L21 aprox. Del hoblema 3. Y CURTOSIS de (a) sesgo 3. (c) Del hoblema 3. Entonces E(lX = D.'"¡)a' = SESGO 0. :.P(X=r):l12yP(X.25.35 los valores de la vigésima quinta y septuagésima quinta percentilae son 1.

Qk¡).. la serie de Fourier se rernplaza por la integral de Fourier (véase página 81). o1_o o.Iu-| é(o) E1er..1. (b) Mulüiplicar ambos lados de la expresión (r) . (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 -. 4¡ J..Z. J.¡ rru..l l''. . .39./" .39 para obt€ner 14 distribución de probabilidad de una variable aleatoria X cuya función característica es O(<¿ ) : cos .(ar tra -= k =S o*Ja " ¿i{r'. que tiene una curtosis de 3. puesto que f_"n.tlZ Se deduce que hay un sesgo moderado a la izquierda.i)o ¡f. ¿ k icr_. X una variable aleatoria que toma los valores t n..rf t1o k+j k---j Por tanto rt ¡ P¡ .t_ | eú . = o" = M"(0) - lM'10¡12 1. .. es algo menos apunüeada que la 3€.Para una variable ¿leatoria continua. .39 I pt.. "" Entonces j f'= " -iia 4.(".> ]¡xeik. ú"r**:r..¿...l ¡rt" .x¡ ¿ior¡ = - i -) r^.u-¡ .98 ESPERANZA MATEMATICA lcAP. ..r-.... . " t*''L i:.38. Utilizar el Problema 3.n. yp¡ los coe¡icietttes tte iour¡"r. También la distribución distribución normal.1. De (32). Si M(tl es la función generatriz de momentos para una variable aleatoria X demostra¡ que la media €S g : M'(O.... pk 1 12= T. tenemos remplazando r : L y r : 2. Sea p.1.r i r)d (¿@ I ¿ir r 1.' '^'y'. . como se indica en la Fig. .. remplazaudo j por h. f tl' . = . = 2¡p f -o --n .. coS c do -e ':.3 (b) Coeficientedecurtosis = et :. - I zt. = I#+i:"-o 2¡ tt'' sr(. ti = M'(ol Entonces de (27) tL = M"(o) p = Iú'(0) 3.40.. y la varianzaes 02 : M"(O)-ÍM'1O¡12.. .página 80..{o) r/o Con frecuencia llamamos Q$.. Del Problema 3. .." .j . n2. 3..._ . respecto I @ desde 0 hasta 22. PROBLEMAS DIVERSOS 3. f-ri"..

1"/l) = -{.3l ESPERANZA MATEMATICA 99 Si&:lhallamosr'=$. (r |.. Por ta¡¡to la va¡iable aleatoria ectá dada por X=) Comó una verificación vúas€ hoblema 3. \ Fig. = E(xz¡ = -+ ¿l" l/2r -. -f rz ¿. (./.'\2/ Entonces = EI(X. 3-7.= -z-rll) .)21 = E(X2) = pí = ps = qllX -p){] = E(X4) = p'n -o2 'lt4-.2.41. 3-? (b) Tenemos p. "_.8.1"/1) = r \/.. (o) f(t)= l¿-"'" l/Zn- -co<n<e l!\ : llt = O y lt\:0./g\ = {. 2 2'\2/ = . 3 Por tanto el coeficiente de curto¡i¡ e¡ -i-ó . {2¡ or.Pa¡alo¡oEdvalore¡dektenemo¡p*=0. 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.20.\2/ {. Análogamente obtenemos ti = E(xr¡ = h fl= o. = Z Jo {i .2"-22/2¿¡ ¿u = + 'to f'sz¿-x'/z¿." *. # to' '"t2"-'d'o B L 4. Iülla¡ el coeficiente de (c) sesgo y (b) curtosis con densidad de la distribución defrnida por la curua normal.cAP. = h Í. . cientc de sesgo es cero. Por simetrÍa. con probabiüdad Ll2 con probabilidad Ll2 -r 3.p.si.k:-1hall¡mogp-r=*.x2/2 ¿.. Por tanto el coefi- La di¡tribución tiene I¿ apariencia de la Fig.

ll2 . (c) E(XY).( ". / .Y = ] 3 prob. (bl E(}X-21. ¿Cuál es el número esperado de puntos que resultan en 3 lanzamienüos sucesivos de un dado honrado? ¿Parece razonable su solución? Explicar. 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). (c\ E(Xt).zcEl(X. Sea prob. Sean X.!\'Entonees el lado izquierdo puede escribirse El¡. ."Í\"-.s suplernent&rio s ESPERANZA DE VARHBLES ALEATORIAS 3. Una variable aleatoria X se define | -2 prob.Y El(Y _¡v)21 c(X - Px))21 = 0 / ol.49. I Problerna.otr ___q__ . (b) E(Xz *)a2). (c) E'l(X-1)21.100 ESPERANZA MATEMATICA p [cAP. (cl E(X21. (b) E(zX + 6).47.44. 3. g.3 3. * c2El(Xr ¡x)21 .¡.x)(Y- pv)l = + c2al - 2co*. Para cualquier constante real c tenemo¡ .-".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). (b) E(Xr). = o?.{) * -.45. Una variable aleatoria X tiene la función de den¡idad (e-' r>0 /(r) = {l0 ^ ¡(0 Hallar E(e2x/31. + n?. 1/3 por . 3. -2"":'\ -" -* \"r* ) -/ = oí+oil"-. 9..42. La función de densidad de una variable aleatoria X es /(r) = (e-r r>0 de oüra forrns 10 Hallar (o) Eo(l. Demosbar que -1 < s1 (véase página 82). I 1 3.46.zl \ 'xv\2 "i" "x/ --t-"i = ""*"1-o'*"=-0 ó *=1 '7ní queesequivalenteap2 < "'*"?.48. Hallar (a) E(XI.

49.50. 3. * Xil. 3. (b) "x. 0f s<I.50? Explicar. .66.'.(zr+y) 0<r='I. (b\ E(XY) : E(X) E'(Y). Sea X una va¡iable aleatoria con función de den¡idad (1/4 -2f x=2 l(rl = jo deotraforma Hallar (o) Var (X). (b) "x. tc)E(X+Y\.3l ESPERANZA MATEMATICA ¿Se cumple 101 3. 1/B prob. (d)E(XY). (ft E(xY).. 3/4 prob.7/2 prob. Y va¡iables aleatorias con función de densidad conjunta Hallar (o)^E'(X). Si /(t.52? Explicar. (b) E(.XY\ 2 = E(X) E(Y\. . en el Problema 3.48? Explicar.0lyf 3. (d) E(X2t').62. + Xn). Sean X1 . Sean X. Hallar (o) la varianza y (b) la desviación típica del número de puntos que resultan en un EoIo lanzamiento de un d¡do honrado. (c) E(X-rY). ¿Se cumple que (c) E(X + Y) = EIX) + E(yl.54.55. (f. Y va¡iables aleatorias con deneidad conjunta f(r'al = iat' Io o-<:us1' o<tl<1 de otra forma Hallar (o) E(X).2/3 v) | 2 i -a prob. . 3. = I Z [ -_r Hallar (o) E(Xt+ prob.53. Y variable¡ aleatorias independientes tales que ^ vt || prob.. (b) E(2X2-Y2). en eI Problema 3. (b) E(Y). Sean X. Sea X una variable aleatoria con función de densidad f (e-. 3. . X2. VARIAT{ZA Y DESVIACION TIPICA 3.E(X) E(Y). ¿Se cumple que (o) E(X + Y) = E(X\ + Sean X. 3. 3. . 3. s) = ] : de otra forma |0 Y). 1/4 Hallar (o) E(3X+2Y). 3. E(Y\.cAP. (ó) E6?+ X'r+ .51. Xn n variables aleaüoria8 que están distribuidas idénticamente tal que | 1 Xt. (d) E(XY). en el Problema 3. 1/3 \o prob. (cl E(XY).69.57. (b) E(Xy) -.0=tt<2 lr(t*u) l\x'a) = f deoüraforma 1o (b) E(Y). que (o) D(X + Y) = E(X) + E(Y).58. (x) = io x>-0 de otra forma Hallar (o) Var (X). 1/6 Xzl .

1/2 prob. Ei6 - .71. Demostra¡ el Teorema 3-11. p Prob' g=L-P Hallar la función característica de la variable aleatoria X que tiene función de densidad í'llZa f(r) = 1o 3.73. 3. En el Problema 3.61. 3. página 81.'(0) ¡f. E(X): 2. (a ) 3.. 1/2 -tn primeros cuatro momentos alrededor del origen.44. 3. (b) de la media. MOMENTOS Y FUNCIONES GENERATRICES DE MOMENTOS 3.67 halla¡ los primeros cuatro momentos alrededor de la media. (c) o¡..6 hallar (a) E(X).44. - 1)2] = L0.43. Hallar (o ) Var (X ). (b) Problema 3. g Problema 3.69. demostrar que el 3o. ESPERANZA MATEMATICA Hallar la va¡ianza y la desviación típica para la variable aleatoria X del Una va¡iable aleatoria X tiene (a ) [cAP.(0) + 6M"(o)lM.64. (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. Halla¡ Ia función ca¡acterística de la variable aleatoria (a X = 7 ó I prob.66. Hallar el hésimo momento alrededor (a) del origer^. 3. 3. 3. 3.68. 3.72. Hallar los primeros cuatro momentos alrededor de la media en el Problema 3.(0)]2 - 3[M'(0)]4 FUNCIONES CARACTERISTICAS 3. E(X2 ) : 8.01 - 3M"(0) ¡l'(0) + 2lM'(0\13 Ifrivr(Q) 4M. (b) Var (X). y 4o. Hallar la función carar:terística de la variable alcatoria X con función de densidad f¡): (x/2 io 05rtZ deotraforma . (b ) ox.63. página 77.60. 3.7 lxl I a deotraforma 4. 3.67. momentos al¡ededor de la media están dados por = p1 - ItI"'(.43.r02 3. Si M(ú) es la función generatriz F:t de momentos de la variable aleatoria X. (á ) Problema 3. Si X tiene función de densidad ¡t") : -i (l/(b-a\ O a'=r=b de otra forma. 2\21 Si una va¡iable aleatoria X es tal que E[(X Demostrar el Teorema 3-1.65.70. Hallar (o) la función generatriz de momentos de la variable aléatoria x = y (b ) los ( U2 1 prob.62. (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.

cAP. 3l

ESPERANZA MATEMATICA

103

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

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

aleatoriasindependienres(E=

t,2,...,n).

Demosrrarquelafun-

ción característica de la va¡iable aleatoria

x\+x2+...+x,
\n
es [cos (,,;/1ñ)]".

3.76. I)emostrar que

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

^ "-o2/2.

(Sugerencio:

COVARTANZA Y COEFICIENTE DE CORRELACION

3.71.

Sean

X, Y variables aleatorias con función de densidad conjunta
f

(r'a) =
(c)

(x rA 1o
(rt)

0.*1

r=1,0<U<L

de otra forma

Hhllar (o) Var (X), (ó) Var

(y),

o¡,

oy, (c¡ oy.., (t') p.

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

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

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

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

Hallar (o) Var (-Y),

1ür)

Vat Y, (c) o¡,

ftt) oy-, (e)

"xv,

(/) pt

para las variables aleatorias del Problema 2.5?.

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

3'81. 3'82.

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

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

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

-

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

ESPERANZA, VARIANZA Y MOMENTOS CONDICIONALES

3,83.

Si

X, 1l tienen función de densidad

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

=1
y

fr*u
o

0<¿=I,0ay<1
de otra forma

dada

3.g4.

Resolver el problema 3.g3 si

/(¡, y) (b ) X dada

.f,2e-

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

0

Io

de otra forma

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

) Y dada

{

y,

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

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

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

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

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

104
DESIGUALDAD DE CHEBYSHEV

ESPERANZA MATEMATICA

[cAP.3

g.g¿. Una variable 3.93.

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

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

1

3.95.

,

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

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

-1 <c<1
de otra forma

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

P{ ljl -\l
LEY DE LOS GRANDES NUMEROS

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

|
3ne2

3.96.

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

e interpretarla.

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

/ls-

I

\

=

1

3.9?. SeanX¡ (h:1, ...,n)

n variables aleatoria¡independientes tales que

| \o

(

orob. n prob. q

=L-P
¿qué interpretación

(o) Si X¡

representa

Puede darse

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

)

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

e

interpretar egte resultado.

"trx

"(

/1s.,o1= |

l;-

'

1=

\

o

g.g8.

Sean

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

cada una con función de densidad

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

-@<s<@

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

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

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

(b)

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

de una distribución para que lrr ley de loa gnndes

OTRAS MEDIDAS DE CENTRALIZACION

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

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

le-t {o

r¿0
deotraforma

cAP.3l 3.101. Resolver

ESPERANZA MATEMATICA
el Problema 3.100 si la función de densidad es

105

(at¡-¡z¡ l(r) = 1o ( 2

0<r<1
deotraforma

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

y compararlas con la media.

x = i -t

prob. 1/3 prob. 2/B

3.103. Hallar
media.

(o

) la mediana y

(b

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

la

PERCENTILAS

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

(b ) septuagésima

quinta percentilas para la variable aleatoria con

(2(l-r\ (rl = iu

0.1

x!-L

de otra forma

3,10-5. Hallar los valores de la

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

f

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

-1

.1

r{1

de otra forma

donde c es una coriatante apropiada.

3.106. Una variable aleatoria X tiene fr¡nción

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

(e-, 1n -ln
(1

rl:0
deotraforma
donde 0 = p

-p)

< l.

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

-@

<n ( o.flemostrarqueelvalor

3.108. Hallar (o)

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

!r va¡iable aleatoria

del Problema 3.104.

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

11. g.ll2.
3.1

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

Ll2ln

3.

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

S.1f

3.

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

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

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

3.115.

Sea

/(z) = I| ^ 0

(c(1

-¡t¡

-1 <r:'1

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

c es una constante apropiada, la función de densidad

de

la variable aleatoria

X. Halla¡

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

106

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

[cAP.

B

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

3.117.
3,118.

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

f(r)=1t
curto¡ii.

l"(1
Io

r/

l"l\ -;l

rl=a lr )a

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

3-1i9.

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

fk\={
PBOBLEMAS DTVERSOS

ftr¿-I¡ l0

r>0 ¡(0

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

el tercer momento alrededor de la media.

8.121. Re¡oh¡er

el hoblema 3.120 si

X tiene función de den¡idad

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

o(r(1
de otra forma

8.122.
8.129"

Se

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

(o )

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

Sca

X una variable ¡le¡tcia con función
f

de densidad

(r\ =

cr 1o
f

0=r<2
de otra forma

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

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

eeperado que llegarán al dest¡no

8.12ó.

X, ftienen función de den¡idad conjunta |

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

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

otn forma

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

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

f(r)
y rea

= {j

;;j;;"

Y:

X2. Halla¡ (a)

E(XI,

(b)

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

cAP.3l

ESPERANZA MATEMATICA
paxe

ro7

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

demo¡trar que podemos tener E(XY)

:

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

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

y) la función generatriz de momentot

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

|

|

,tz+ut

f(n,ü dr d.u

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

.

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

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

3.133. Un juego conriste

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

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

3.134.

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

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

entonces (a) K'(0)

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

= p = E(X),

(Ó) /<"(0)

=

o2

= Var (X).

37.

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

t:

0.

3.138. Obtener

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

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

lrl I

a

deotraforma

)

0. Hallar la función ca¡acterfetica de

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

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

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

Supóngase gue tenemos

probabi prueba
Sea

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

pruebas

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

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

f(r) :- p(X:n) = (])r,n"-, = ¡f_;¡

(r)

PIX=2) =

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

_

/r\=/1 'zÁ\!/ \, ¡o-z )

6:

lb
61

puesto que para

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

\q+p)'

= o"

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

+ pn

: á ('1'1r-,,,-,

(2\

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

AIÁI.JNA.S PROPIEDADES DE 4-L.

LA DISTRIBUCION BINOMIAL

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

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

desviación tÍpica es o

: y'jfbo¡rr¡}¡ :

g.

cAP.4l

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

109

!

'np

o2 .. tt'l¡q

o =

ytirytq

Coeficiente de

sesgo

_ q"
|LIft¡

p

v npq

Coeficiente de curt<¡sis Función generatriz de momenCos

l-6pq
y npq

=

ft¡

l- yter)n

Función característica

4,6) = (qIpe,.)"

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

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

Teorema

4-1

(Ley de alealoria proporci
ro positivo,

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

li,

:

Sea

así € es c

l'*"(l

{i_ rl ,.)

:

o

(3)

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

DISTRIBUCION NORMAL

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

f(x) :

-L-¿--r'-r'r2':'2 o¡/2-

-co <'t <

oo

(¿)

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

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

¿-'"-u''/b'd1)

(5)

En este caso la función panZ puede obtenerseapartir de (4) alremplazar! = 0V o: 1. algunas veces conocida como la curva normal tipificda.. La función F(z) eú(z) = z-frÍr' e-u'd. P(-Z=Z<2) = 0. 99.73% del área total.-2y I2. Si hacemos que Z sea la variable normalizada correspondiente a X.99?3 (10) ¡$$. resultando de f(z) : le-"'" V2" . du = + # fo' .. 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. 4-1 se muestra una representación gráfica de la función de densidad (7).96.2 y 3 desviacionestÍpicasde lamedia(esdecir entue z: -1y * L..-. que es uno.z. P(-3< Z<3) = 0. 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 : 0.110 va¡ianza DIsrRIBucIoNEs DE IRoBABTLTDAD coN NoMBBE pRoplo [cAp.451/" y 99.u y F(z) : á['. Esto quiere decir P(-1<Z=L) = 0. (r) Este resultado se conoce frecuentemente como la iunción o la distribución de densidad normal tipif!eada. *t(ft)] (e) En la Fig. En esta representación gráfica hemos indicado las áreas dentro de L.Nl/s-> 96. 4-l z En el Apéndice C se presenta una tabla que da las áreas bajo esta cun¡a limitada por la ordenada O y cualquier valor positivo de z. : . Tenemos z de la variable tipificada el wlor tipificado. La función de distribución correspondiente está dáda por F(z) = P(Z < z) = I t/2" Í'-"-.68.73% Fig. 4 En este caso decirnos que la variable aleatoria X está normalmente distribuida con media g y l.. du (s) se Algunas veces llamamos al valor encuentra relacionada con la función enor.46%.".9545.27%. ert (z).z: + .8 yque3) las cuales rcn iguales aJ.6827.

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

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

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

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

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

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

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

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

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

/l\/tYll\'= .r)\t)\r) .sea la va¡iabié aleatoria que denote el número de caras en los 3 lanzamientos.I2O DISTRIBUCIoNES DE PRoBABILIDAD CON De otra forma.á . (b) máximo una vez. (o) p(scaras) = (l)(. NOMBREPROPIO [CAP.)'= P(1 cara) 3 (c) P(aI menos 1 cara): P(1. Halla¡ la probabilidad de que en cinco lanzamientos de un dado honrad o aparezca 3 veces.' /'\lrY/l\'.\t/\t/ \z/ \z )\zl \zi \3 l\2) \2 / De otra forma.2. cara) = I'(X ¡-- 1) = P(X = 1) + P(X =2\ * P(X: 3) . Sea la va¡iable aleatoria honrado. -1t\irY/'\'= \0/\2i \2/ (d) P(no más de un - P(ninguna cara) 1 8 sello): P(0 sellos o 1 sello) : P(0 sellos) * P(1 sello) 1 Debe menciona¡se que también puede usarse la notación de las va¡iables aleatorias.2. (c) al menos dos veces.X. Usaremos ambos de los enfoques intercambiablemente. 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). 4.)'(.. 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/ . qr" X. Aeí por ejemplo si seleccionamo.)'(i)'= á (b) p(zserrosunacsra) :: (. i 8 P(al menoe 1 cara) : 1 : . ó 3 caras) : * P(2 caras) * P(3 caras) = /'\/l\'/t\'. (c) puede escribirse P(al menos una /s\/r\'/r\o /s\/rY/r\ = \s/\rl \ü -\.

HaIaf la probabilidad (o) p(lniño) p(3niños) Entonc. P(al menos 1 niño) /t)l+)'ll\' = \.\o/\6i \6/ \r/\oi \o/ 3125 .= 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\/t\'/qY \2/\6i \6/ \'i \ei \o/ * \o/\e/ \6/ * \s/\a/ \a/ 626 r25 25 1 763 . P(almenorlniño):1-P(nir¡gfrnniño) = l(b) P(al menos 1 niño y al menos una niña) ll)t \2/ = . (o ) ee coüvierte en P(X>l) : P(X:l)*P(X=2)*P(X=3)*P(X=4) = 18 4.cAp. -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. (d) ninguna niña? Refiriéndonos al Problema 4. \r \zi\z/ . (c) 1 ó 2 niñas.3.3 vemoe que (o) (b) N(rmero esperado de familia¡ con al menos 1 niño = .16 P(2 niños) : P(l niño) * P(2 niños) 16 16 * P(3 niíror) * P(4 nlñoa) 1 3 1 1 4 8'.ooo (lf) = 2000 18?5 Número esperado de familia¡ con 2 niño¡ 20OO ' P(2 niños) ó 2 niñas) = (3) = \ó.es sea niño y al menos 1 Ll2. ¿cuántas calcula deben tener (c) al menos 1 niño. (b) al menos 1 sea niña.3888 ' 3888 ' 7776 ' 7776 .. 3725 3125 = n76r n76.4.i \t/ \t/ = 2 8 p(4 niños) = (l\ /1)'11)'= f x-/\z) \z/ . Suponer que la probabilidad del nacimiento de un varón es t-.4 16 Otro método. Entonces. -' /t\/ 1l\'/+)' = t.3888 4. 4l DTSTRIBUCIONES DE PROBABTLIDAD CON NOMBRE una PROPIO '.i tUO (c) P(l : P(l niña) * P(2 niña¡) niñoe) :P(l niño)*P(2 : I +3 : * .L' = /1\/1\'/l)'= l. De 2000 familias r-:on 4 niños. por ejemplo.. (b) 2 niños.zL (b) P(3 ocurra máximo vez) = P(X 1) = P(X = 0) * P(X = 1) = = 1l\/rY1¡\'*' ¡s) /r\'/rY .. de que en una familia de 4 hijos (c) al menos 1 sea niño.\s/\z) \z/ .

de un tornillo no defectuoso va¡iable aleatoria X el nl¡mero de tornillos defectuosos.rt't0.46e6 ffi ? . Si X está'distribuida binomialmente.. = = Método 2.46e.8. 4.1. (b) 0.:: =:"0.q" . P(al menos un ? en tres lanzamientos) = | .. Entonces es g : I .6... Sea la (o) P(X: t) = (rn ).0.'(\*. La probabilidad de un tornillo defectuoso e8 p :0.r..nba j-ésima si éxito en la prueba j-ésima U=1'2.8)r = ¡.detalmodoquelaprobabilidaddenoTenunsololanzamientoesq:1-p:516.6. página49).7. = 1:)l+Y/q\' \"/ \"/ \6/ - r25 216 y 4. (c) menos de 2.pet¡" Xi ' |0 {[1 si fracaso en la prr../ ) _)p.' (0..0. (ü) p(X = 0) = (c) P(x <e) = (fi)to.n" . sean defectuosos.n) . Para una secuencia de n pruebas de Bernoulli definimos n /n\ '?n ('/tr"')'0"-' (a -l.8)a = s. \r/ Entonces la función generatriz de momentos está dada por M(t) = E(etx¡ = )etxf(r'¡ n /n\ = ¡=0 .p:0. determinar la probabiüdad de que de 4 tornillos escogidos aleatoriamente (a) 1. HaIIar Ia probabilidad de obtener un total de 7 al menos una vez en tres lanzamientos dé un par de dados honrados.L22 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP..2.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. f (r) P(x = r) = (!\o.4 Número esperado de familias con 1 ó 2 niñas = tZOOOill) ' '\ 6 / \/ = 125 1250 (d) Nfrmero esperado de famiüas sin niñas = (2000)( i ) = 4.l# = fr X que está distribuida Hallar la funCión generatiz de momentos de una variable aleatoria binomialmente. Médodo 1. Si el 20 % de los tornillos producidos por una máquina son defectuosos.

(o) Medialt:np:(400)(0.) Í+ó \l ?¿ -l = / = 0 El resultado también se deduce directaménte en el Teorema 3-19.t/V6d.)(0.t y varianza 02 Íini- (r) en tol P(X-11 -ko\ flp.n) (Q Entoncee por el Teorema 3-9. Por la desigualdad de Chebyshev.q Entonces o2 p:E(X)=E(X'\+E(X2)+"'+E(X")-np = Var(X) = Var(Xr) *Var(Xz) +. página 83.'EBAS DE BERNOULLI 4. págirra 84. de Los resultados anteriores también pueden obtenerse (pero con má¡ difrculüad) derivando la función genaetriz momentc (véaee Problema 3. Por tanto la desviación tipifrcada o = y'56 = 6.1.lro.) / \ 14 'l y tornando el límite cuando n -+ @ = 2+ ¡4r. o =..IMEROS PARA LAS PRI. entonces F = P(lX. . v (3 ) se convierte en P(lz -. y1 E(X) = 0q*Ip = var (x.y (I)rc convierte En particular si X tiene distribución binomial o de Bernoulli... página 80. 2. Pa¡a la función geraeratr:iz Mj(t) = stoqlettp .2. Si la probabilidad de un tornillo defectuoso es 0.esdeciresperamolque40tornillosesténdefectuo¡os.i)'== .9) : 36.. .1. M"(t) - 'f pst¡n 4.38) o direetamente de la función de probabilidád (véace Problcma 4. (b) l'Iananza o2 : npq: (400) (0. halla¡ (a) la media y (ó) la desviación tipiticada para el número de tornillos defectuosos de un total de 400 tornillos. como se requiere.8.7 tenemos para/: L..)l*. 4." *Var(X) = npq donde hemos utilizado el Teorema 3-7 para o2 . LEY DE LOS GRANDES NT.npl > k1/i-npq) < i ó (3) Si hacemos c = k \l T.9.cAP. tt = flp. li* Pll{-. Procediendo como en el Método 2 del Problema 4.10.i .L52\.. Demostra¡ que la media y la varianza de una variable aleatoria distribuida binomialnente son p: np Y o2 : npg respectivamente.e*pet M(t) = M tQ) LI2Q\' ' ' (i=1. = X. con S.1 ):40. si X es cualquier va¡iable aleatoria con media tas. tenemos. entonces ¡.la ley de los grandes números (en forma débil) pa¡a las pruebas de Bernoulli. . n.) + (r - p)2p = i)". o - {-npq.1 = . Demostrar el Teorema 4-7.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L23 de momento¡ Entonces las X¡ son independientes y tenemos X: Xr * Xz *. :-.'* Xn..

0.81 = Z = L.68 y 0.(área enhe z :-0. = "-u!/t 0.+e "-u2t2f.68 sz=o) = -! l'o {2¡ J = | r' -o.4864 : 0.81 0. Por tanto P(-0. Por tanto P\0=z=r. El recultado. .2L) : (área entre z : O y z : 0.46 " 1 e-u. 4-3 (b) Area pedida : área entte z : O y z: *0. \. El resultado.2517.2910 = 0. (c) entre z : -0.4964 | t/Zt Js \/2r Jo "-uz/z 1 (d) Area pedida : (área entre z : : E¡to es - (área entrez : 0.(b) entre z:-O. Por üanto'.gg4g z=O .as 0.Luego proceda a la derecha h¡sta la columna marcada 0.2. [.a'ley de los grandes números establece en este caso que la probabilidad de la proporción de los 3 en n lanzamientosdiferiendodel/6pormásquecualquiervalor€)0tiendeaceroamedidaquen-+€. 0. (e) a la derecha de z: - L.211 = + (''" {2r . baje por la columna z basta alcanzar el valor 0.L24 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.C.6636.46 y z: 2.!772 + 0.12.u + t/2" 'lo + ('"' "-u2tz 1¿4 2l 10.2.25f ? El área. represenüa la probabilidad de que Z eaté entre -0.21.6636 e-ú'/! clu = 0. es el área pedida y representa la probabiüdad de que Z estÉ ent¡e O y 7. (d) entre z: 0.L (o) Utiüzando la tabla en el Apéndice.28.rz¿u (c) ñ J" Area pedida . proceda a la derecha hasta la columna 8. Por tanto .11.2I) : O. 0.ildlt + _= |^2 ¿¡ = O.4 4.81y z = L.941.27. DISTRIBUCION NORMAL 4.1828 O yz ) lo mi¡mo que P(0.46 y z : O) * (área ent¡e z : O y z : 2.46 y 2. P(-0. Halla¡ el área bqio la curva normal tipiñcada (a\ enfte z: Q y z: 1.6.94) O y z = 0.46 f ZÉ2. Dar una interpretación de la ley de los grandes números (en forma débil) por la aparición de un 3 en lanzamientos sucesivos de un dado honrado.46) * (área enbe z:0 y z : 2. Entoncee.¿ ¿-uzr!¿u = -! Jfo \E = ___1__ -o.=12 Fig..4738 - : 1.68 (por simetría). ee el área pedida y representa la probabilid¡d de que Z eté entre -0.94.3849.t _o.i77Z + 0.68 y z : 0. baje por la columna ma¡cada con z hasta alcanzar el valor /.68 "- u.2) = | {u ¡rz Jo ¿r.

5: 0. (c) el área enhe - 1. hallar el valor o los valores de z tales que (a) el área entre 0 y-z sea 0."O. Area entre z v -t'5: 9ü.3621. el valor 0'3?70 se encuentra a la derecha de la fila ma¡cada 1. (b) el área a la izquierda de e sea 0.de 91 kg.35. o.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROP¡O Area pedida L26 (e) - (área entre z: -t.O2l7 + 0.16.cAP.5 y 71. con menos precisión. Entoncec la z pedida es 1.0217.0277 (árca entre -1.:1Tí"11u (área entre 0 y O.5:0. z : -t.13.5 kg en unidades tipificadas 68.4-ll -1.4332.28).4332- : 0. (o) Los pesos registrados entre 48 y 7l kg pueden realmente tener cualquier valor entre 47.69.16 es otro valor de z.5. El problema es equivalente a resolver para z la ecuación rfz G ). (a) En la tabla en el Apéndice C. z debe ser positiva.5 y 0' (c) Si z fuera positiva el área sería mayor que el área entre que es 0.5 kg en unidades tipificadas : (71. por tanto z debe ser negativa.5 kg.5 y z sea 0.4115 de lo 2: z es negativa pero a Ia izquierda de -1.5 kg y la desviación tipiiicada es de 10 kg.30 47.8621. Por tanta z: + 1.4332.3??0.5 y z : 0.4332- Entonces el área entre 0 y z es cual e: -1.(área entre 0 y z) (área entre 0 y z) 0.1 y bajo la columna 6.O2l7 : Entonces el á¡ea entre z).5. suponiendo que se regis' han al valor de kg más próximo.7O ?1. 4.O2L7 : 0.4549 y z: l'ig.5: 0. z : -1.5. hdlar el número de estudiantes que pesan (a) entre 48 y 71 kg.5)/10 68.3997 + 0.8997 Esto es lo mismo que P(Z > -1.5 )/10 . 4. El peso medio de 500 estudiantes varones de una universidad es de 68. Area entre -1.4332 :0. o.694 utilizando interpolación lineal. Si "área" se refiere al área bajo la curva nonnal tipifrcada. (b) más. : (47 .14. Area entre 0 y z es 0.09. -1.5: -2. Caso 1: z es negativa pero a la derecha de -1.8621 .5 y 0 ) . 0 y z esO. Suponiendo que los pesos están dishibuidos normdmente. de lo cual z:1. Por simetría.L6. (b) Puesto que el área es e-tt/2 du = 0'3770 mayor que 0.0.28'y z = O) T 1área a la derecha de z : 0) = 0. Caso 0.

600 P(W -.30) 0.11. Hallar la función generatrrz Tenemos de momentos para la distribución normal general.0126: L. 1-14 Obsérvese que si consideranros el intervalo L. etrt+oot-tu2/2.4893 = 0.0125 cm.2 L.10 y z Ol * (área eítte z = O y z : 0. el resultado anterior se modifica ligeramente.6)/10 : 2.275 cm y la desviación típica es 0.4821 + 0.5<W<71.30 Entonces el número de estudiantes que pesa más de 91 kg Fig.1179 = kS ee 0.30) : (área entte z: -2.16.2) yz Proporción de lavadoras no defectuosas .10 y z:0.266 a 1.29 cm como representando realmente los diámeüros de¡de L.2 : -7.275)l O.68.5 Proporción pedida de estudiantes 91'5 kg en unidadee tipificadas: (91.(área bajo la curva normal entre z : L.3849) = 0.29 en unidades tipificadas : : (1.91¡ = 6.(área entre z : O y z : 2.l. de otra forma las lavadoras se consideran defectuosas. M(tl = E(etx¡ = L= Remplazando (x ot/2r J -- (' ette-(t-tD2/2c2 dtr g. : Z.O]-25: -1.2 Por tanto el porcentaje de lavadoras defectuosaÁ es 10002 Fig.5 - 0. 1.010?): $.30 = 600(0.5 .tt)lo: uenlaintegralde M(tl = -= | \/2r J-14q modo quer:¡¡+ dx: o d4 tenemor dt.6000 Entonces el nfimero de estudiantes que pesa entre 48 y 7f 500(0.2 -77% = 23%.26 en unidades tipificadas 1. .29 cm. La media del diámetro interior de una muesha de 200 lavadoras producidas por una máquina es 1. Determinar el porcentaje de lavado¡as defectuosas producidas por la máquina. = 300.26 (1. El propósito prira el cual se han diseñado las lavadoras permite una tolerancia máxima en el diámetro de I.1.2 . (área a la derecha a.I.600) kg. d1) = "ut'<o2t2/2t (J-ú "-tr-ort" l/2" .2) .9tOt 4. podemos resumir los resultados anteriores en términos de la probabilidad al escribir P(47.5)=0.SO) (área a la derecha de z : 0 ) .4 Proporción pedida de estudiantes : : = (área entre z = -2. suponiendo que los diámetros están dishibuidos normalmente.300) 0. (D) toe e¡tudiantes que pesan más de 91 kg deben pesar al menos 91.26 a 1.295 cm.(dos veces el área enhe z : = 2(0. Sin embargo para doe cifrar significativag los resultados son iguales. .26 s 1.L26 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.29 .275')lO.7698 ó O yz : 77% -1. r. 4-r3 Si W denota el peso de un estudiante escogido aleatoriamente.0107 es 2. 4.

* "á Ar P(X=A) /ro\/fY/r\'_ = \4 /\z/ \z/ P(X=6) = 106 stz /to\/r\o/r\n _ = (.5)/1.#*¿%*# 03 = # = 0. Entonces p(x=B\ = P(x ('f)(. 4-16 trata los datos como gi fueran continuog.X. obtenido en la parte (o).5)/1. 4-16 y puede aproximarse por el área bajo la correspondiente curva ncrmal. se'deduce que 3 a 6 caras pueden considerarse como 2. La precisión es aün mejor para valores .)'_ . ro¡ Entonc. mostrada a trazos.5 a 6.58 y z : 0.95 Probabilidad pedida : : z: -1.)\.-o) l+Y 5 ll)' : .5 .7784 Probabilidad 2341678 Nfrmero de caras Fig.68 y z = O) * (área entre z : 0 y z : 0.) ffi.e O. en la Fig. Tqqbié"r!g_.4429 + 0. )\.95) : O..6. Hallar la probabilidad de obtener entre 3 y 6 caras inclusive m 10 lanzamientos de una moneda honrada utilizando (c) la distribución binomial.E \ /\2/ \2/ =5) = l.cAP. 4-r5 23{587E Nfrmero de caras Fig.p94!l y la varianza para la distribución binomial están = 1.95) (área entre z :-1. 1-16 (ó) La distribución de probabilidad para el número de caras en 10 lanzamientos de la moneda se presentan gtáficamente en las Figuras 4-15 y 4-16.58 6.17.¿*\ / = ewt+(ozt2/2) APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL 4.7734 que se compara muy bien con el valor verdadero superiores de n.ó8 : -1. Cor¡siderando los datos como conünuoe. (b) la aproximación normal a la distribución binomial.7718 (área entre d.58: 0.58.3289 : 0. Entonces dadas por/r= np=10(4\= 5yo = {nw = y'(10)(+)(+) 2..4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L27 Entonces sustituyendo u - ot: u hallamoc que ettt+(c2t2/2)( M(t) : + f\t/2" J-* "--.5 en unidades tipificadas : (6.5 caras.es la probabilidad pedida es P(B=x<6) = #.5 en unidades tipificadas : (2. La probabilidad pedida es la suma de las áreas de los rectángulos sombreados en la Fig. (o ) Sea X la variable aleatoria que da el número de carag en 10 lanzamientos.

empleamos la aproximaclón normal.250y11..mr.5 en unidades tipificadas hobabiüdad pedida .02 18.02 y 2 : -1.)(+) = I 1.94 260. Esta se encuentra exactamente ¡rzo\/f\"i 5\'o' .19. es decir etabacargoda 280.31-i Probabilidad pedida : (área bajo la curva normal enhe z : -5.5 en unidades tipificadas 28O.e z: O y z:2.94):2(0.5 y 260.5 en unidades tipificadas : 1-0. suponiendo que el dado es honrado.18 : -2. entre 219.5 cuatros. 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... : 4. Hallar la probabilidad de que el número de caras no difiera de 250 por (a) más de 10.(área entre z : O Y z :-1. podríamos considerar que la moneda no 4. .3264): 0. (rzo\/r\/!\'.6/ r7 \ /\6/ \6/ \ /\6/ Con¡idenndo los datos como continuos que 0 a También .18 (o) Necesitamo¡ la probabilidad de que el número de caras se encuentre enbe 240 y 260. .94) : (dos veces el área enhe z: O y z :0.94 ib) Necelitamoe la probabilidad de que el n(¡mero de caras la encuentre entre22O y datos como continuos.(..O2 14.35) : 0. (b) por más de 30.02) : : -(área enhe z O Y z : 0..5 en unidades tipificadas : 2.20)14.6 . ¡ rzo\1¡\''l5_\'o' r8 \. remplazando 18 por 14.3? (D) Procedemos como en ha parte (o).0.. o si conslderamos los datos como continuos.7 3 Probabilidad pedida : (dos veces el á¡ea bajo : 2(0'4968): 0'9936 la eurva normal enb.0.5 en unidades : (área bajo la curva normal entre z: -5. Entonces -0. o si consideramos : (219. 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..5.35) : (á¡ea entre z : O y z : -5.02y z: Probabilidad pedida -O.73\ por más de 30.5 a 18.18."p: .' La probabilidad de que resulte un 4 es p: l16 y de que no reeulte esg : 5/6..b. o \ i \6/ \6/ -{.4115 : 0.. entre 239.'. = .5 en unidadee tipificadas :-5.02) . Una moneda honrada se lanza 500 veces.- -1. pbr (o) Deseamos la probabilidad del número de 4 entre 0 y 18. 219.L28 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP.5 en unidades tipificadas : : (área bajo la curva normal entre z: -0.6 - 2O)l4.37) -0.5 en unidades tipificadas: (14.94 y z: 0.(lX*) : -5.5 se 0.5 - 250 )/11.18: .OB pero debido a que el habajo involucrado en la computación es excesivo.5 y 280. Un dado se lanza1-2O veces.0.3557 -0.08 . .4 4.5 -. Hallar la probabilidad de que resulte 4 (c) 18 veces o menos y (b) 14 veces o menos.5 ..(i) = 250 s '= \/ill = .1443: 0.6528 = (239. t. l8 cuatros pueden tratarse como tt = ttp = Entonces 120( )l = ZO \o/ /t\ y q = 1/-n7tq .7 3 280.. 239.OB tipificadas : -0.311 : (área ent¡e z: O y z: -5.

'ir . Verificar que la función límite (2) del Problema 4. .er = 1 y se completa la verificación. . Primero. tenemos >{] !a1*="¡ = t=O -. dado que ). El reeultado pedido entoncec ¡e deduce utilizando el Teorema 3-10. ) 0.rl ('* i) = Se deduce que cuando n (2') / \¡ eu - pero I permanece frjo (es decir p -+ 9¡ P(X=r) + ¡:q. entonces (f) P(X=r\ = l'"lqrq¡-r \r/ : np. n/\ n/ \ en tanto que ('-+) +. Entonces donde E(X) /-\ (I ) se convi'erte en rl Entonces cuando ¡.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L29 DISTRIBUCION DE POISSON 4. = "-^. Establecer la validez de la aproximación de Poisson a la distribución binomial. ' .-r)" r?.cAP. página 80. . Otro método..i)-' + m/ \ \ cálculo = €-tr empleando el resultado conocido del . (¿-r)(1) /. esto se convierte en (+) [' * rc=t¡" o e¡to tiende a ¿tr(et--l) A medida que n -+ (5) que es la función generahiz de momenüos de la distribución de Poisson.I \n/ / r \ ¡-¡ ) n1@. Segundo.. : rtp de modo que p : I/n.20. 4. obseryamos queP(X: ¡) ) r=0 O para r = 0.21. Si X está dishibuida binomialmente. que ee la distribución de Poisson. 1'-t)/'-?). 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.+:: ¡=(l ' ' e-). Hilgase ¡.20 realmente es uná función de probabili' dad./ \ --> = (r-\)'1t . 1.

Si la probabilidad de que un individuo sufra una reacción por una inyección de un determinado suero.1) - 1.. Halla¡ la probabilidad de que en una muestra de 10 henamientas seleccionadas aleatoriamente. es 0. podemoa suponer que X tiene una distribución de Poisson.2te-z --z! .323 Una evaluación exacta de las probabilidades empleando la distribución binomial requeiiría mucho más trabajo. 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.4 4. Zze-21 -.- 6 P(X=2) = %: = 0. vC. Denótese por X el número de herramientas defectuosas de las 10 escogidas.130 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.1 y \ = np 5 5.. pero ya que las reacciones se suponen sucesos raros.re = (10)(0. lioo ¡ln p¿tar liii¡ {ili ¡n . (b) la aproximación de Poisson a la distribución binomial. Entonces de acuerdo con la distribución binomial p(x:zl (b) Tenemos )\: np (tJ )10. (o) La probabilidad de una herramienta defectuosa es p :0.(d) I¡¿-)\ donde p(x-Bt . Denótese por X el número de individuos que sufren una reacción. 4.1# ^:?¡p:(2000)(0.t ¡n = le(qe + pet. tfi-oa = > ¡=0 |\_.tr r/iñ 1o + per/ lliii tvr ll-nw 1n ¡pt e ' tnp./íil 2 o et't-(. e t.e¡' = \z/ 0.r -Lót 1! ) = l-6e-z = 0. (b) más de 2 individuos tengan reacción. t ¡t qn.23.18 En general la aproximación es buena si p É 0.001.' .180 (b) P(X>2) = 1-[P(X=0) *P(X:1) +P(X=2)] _ I fzo¿-z. es decir P(X:x\ -.. Diez por ciento de las herramientas producidas en un proceso de fabricación determinado re.0"-' .183e ó 0.22.1.r¡r1s. )r. determinar la probabilidad de que de un total de 2000 individuos (c) exactamente 3.1e37 ó o. _/1t\ para X* es ". exactamente 2 estén defectuosas. TEOREMA DEL LIMITE CENTRAL 4./)(p". La variable tipificada para X es X* = (X . empleando (o) la distribución binomial. Entonces de acue¡do con la distribución de Poisson I¡¿- P(x--x) .np)/l/nW y la función generatriz de momentos Eletx'¡ E(et<x-nú/t'/-nil¡ tnnr rliii g 1"txrl noÁ ¡ "" = e-tnpt.001) :2 _ 0. X tiene una distribución de Bernoulli.24. sultan defectuosas.

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

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

.#ruo.'f-+ = #tl. de.. Puede demostrarse que la úlüima intcgral existe y es igual a e-aa (véase hoblema 4. = E(x) = E(xz\ l"'* = #:af" b2-a2 Z(b-a\ a*b 2 (b) Tenemos = I. Sea @ una va¡iable aleatoria distribuida uniformemente en el intervalo -l=t trarque X: atan @.28. .'NIFORME 6 = \/4 }i|j. (b) o2 : Ll72(b -a)2.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Método 2 (empleando la fórmula). (a) t. n=6. = firo_ot. Tenemos b 133 =6. tiene unadistribución Cauchy en.@ 1x1*. E(erx¡ = g (" -J". = n# Í. Entonces por(I9). Demostrar que la media y la varianza de la dishibución uniforme (página 114) están dadas respectivamente por (¿) ¡.rr¡ r¡¿n' ("' 2o (" cosor r=. Jo r. o > 0.' La función de densidad de @ es < j.r-n '.2+d2dr ' _ donde hemos utilizado el hecho de que los integrandos en el segundo renglón son funciones par e impar respectivamente. Oemos- /(a) = ! -L2- .páginallS. J-.159). ¿ > 0 e. X con DISTRIBUCION DE CAUCHY 4. PIX=S) DISTRIBUCION T. : Ll2(a + b). Í".' 7't|^ou" (b) La función característica de X es E(eiox) = g (¿.dz T ..r! * la cual no existe si ú es real.cos or = .modo que = r*tu*lfí*.laprobabilidadpedidaes . -> t!! I y la integral a la derecha diverge. Esto puede verse al notar por ejemplo que si r ¿ 0. = ffi= Yt+Y = Entonces la va¡ianza está dada por s2 = E[(X-u¡21 = E(Xzl-uz ry4y_ (+). (a) La función gerreratriz de momentos de X es -¿. r= 4.l \ /10\ \5/ 4. 7+ azctr sin +-ai )-. 4. a f .29. i J-6 x'' + a: ""'l' . r = 3.30.cAP.. 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." = o 2 .

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

obtenemos P(Y < ú = -! fs rrrze-uz t/2r Jo d. grados de libertad.2t)-.'rz¿s (-fr"-.34. Esta debe ser la distribución de Z. a * v./2dü (-.34 que una distribución cuya funéión generatriz de momentos es (1 2t)-<vt+v2)/2 es la dishibución chi-cuad¡ado con v11.6. Pa¡a ( 0es lóglco que P(Y SU) y> 0 tenemoe P(Y<u): P(Xz<a) = P(-\/u=X<+\/a) +fr"-. pá4ina 1-1.t Pero esta es una distribución chi-cuadrado con 1 grado de libertad. t : (1 - N¿¡-Qr+v2t/z (b) Se observa del Problema 4.cAP. página g1. 4. 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.v2 gadosde übertad. Sea X una variable aleatoria distribuida normalmente con media 0 y varianza 1. DISTRIBUCION CHI. Y: x2 dad.la varianza es 02 = E(xz¡-l'(x)l= _(rro)'= cr6#T_Fn : (1.36. Sean ¡t y X. Puesto que Ia correspondenX y Y no es uno a uno no podemoe aplicar el Teorema 2-3 como está.-rr/2e-. utilizando el Problema 4.1 en la última integral hallamos M(tl = 2.s(v-2)/2e-<L-2t>r/2 dr =J-r(v/2) )o 2. ea M(t) : Enet(xr+xü1 : E(etx. Efectuando el cambio de variable x : *t/T en la última integral. cia entre Paray Deseamos hallar la distribución de la manera siguiente.84. colocarz: 1 en (39).r2. .a una distribución normal para X. por el Teorema B-18.)Eqéx"¡ : 1l-2t¡-'r/2 1l-2t)-vz/2 utiüzando el koblema 4. do ) función generatriz de momentoo de Z = X.r2 Al remplazar (l - 2t)n/2 = 7. Demostrar que X2 tiene distribución chi-cuadrado con 1 grado de libertad.B2. y utilizar el hecho de que r(á) = V7.ztl-v/2 fa u<v/z)-re-udu = (L-zt¡-'rz r'(v/z) )o 4. pero procedemos de :0.t2r(v/2)Jo " r-2t \r-2t/ : ll .36. Al generalizar los resultados anteriores obtenemos una demostración del Teorema 4-4. es con (¿ dA v. grados de liberta u2 Z:Xt *X. ! X. como se ve al página 116.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 135 Entonces.CUADRADO 4.'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.

qi" Z = X?*X2" tiene distribución chi-cuadrado con 1 * 1:2gradosdelibertadsiXr y X2 son independientes.la cual es igual a 0.10.Ia cual es igual a 1.5.04 en tanto que el área a la izquierda es 0.8.026.0 correspondientear: av:21. Demostrarel Teorema 4-3. Es de interés notar que los valores de la mediana están muy próximos al número de los grados de libertad' En efecüo.0. (c) 50' Utilizando la tabla en el Apéndice E hallamosenlacolumna ¡2er. (c) S9.10.x?o¿s. si el á¡ea sombreada a la izquierda es 0. a! es 0. para v : Por el Problema 4.34correspondienteav:9.61.39. La representación gráfica de la dishibución chi-cuadrado con 5 grados de libertad se muestra en la Fig. Entonces del Problema 4.¡r.5. y x? (c) Si el área sombreada a la izquierda es 0.¡ se deduce en la misma manera.píryina 116.136 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 2. Hallar los valores de ¡2 para los cuales el área de la cola 15.36 vemos que si X¡ y X2 es.95 y xz2 Refiriéndose a la tabla en el Apéndice E.150...01.025: 0. los valores: (a)25. X.? conespondiente a la derecha de la distribución ¡2 es 0.5 correspondiente a z: 50. xl es (1 . (b) el área total sombreada: 0. como puede observarse de la tabla.01.1.1 es el valor pedido de 12.05. hay muchos valores para los cuales el área totál sombreada : 0. xz:. (b) 32. 4-18. Fig.35(b).2-. lcAP. El resultado general para todos los enteros positivos l.0. Entonces procédase hacia la derecha hasta la columna x%r. (d) Si el área sombreada a la derecha es 0. (b) 2I.O5): 0. (c) el área sombreada a la izquierda: 0. 4-18 (o) Si el área sombreada a la derecha es 0. en la columna /. (c) 67.831. Entonces.tán distribuidas normalmente con media 0 y variánza 1.O.05. El resultado 11.3correspondiente av:28. 4. el átea a la izquierda de percentila 99. xi representa la décima percentila.esr.831 y 12. x.99 y ¡22 representa la 4. al menos se especifique lo contra¡io. Hallar el valor de la mediana de libertad. hallamos en la columna ¡. parav> 10 los valores de la mediana son iguales av . la cual es igual a 15. y Si el área sombreada a la derecha es 0.8. Por tanto los valores son 0. se acostumbra. Por ejemplo. X. el área a la izquierda de x? es O.4 4.01. Véase Problema 4..38.7.05. si el número de gndos de liberbad v es igual a (c) 15.¡ (puesto que la mediana es la percentila 50 ) los valores: (o) S.. Sin embargo.9?5 Análogamente. entonces X? V X3 tienen distribución chi-cuadrado con 1 grado de libertad cada una.¡2. escoger las dos áreas iguales. entonces el á¡ea a la izquierda de representa la nonagésima quinta percentila. .2gs. x. ¡! que corresponde a (a) 9.40. 4. búsquese el valor 5.la cual del Apéndice E es 12. . en este caso cada área:0.025.(b) 2T. (Véase las consideraciones sobre notación en la página 116). el área sombreada a la izquierda de x3 es 1 ¡j iepresenta la percentila 9?.. (d) el área sombreada a la derecha: 0. el área sombreada a la derecha puede ser 0.O25 representa la percentila 2. u"mo.05. (b) 28 y (c) 40 grados de UtÍIizando la tabla en el Apéndice E. Hallar los valores de xf. (b) Puesto que la distribución no es simétrica.3correspondiente^v :40.37. x! por los cuales (a) el área sombreada a la derecha: 0.025.05.

41...er dccir z<v/z)_te_ :|-r+zr/2 para -o 1g 1lo. Para .4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPTO 13? 4.3).es+ftool-t)2= +(1.-j(* .lt * T ) eeto puede eocribir¡e d.y ¿2 # donde la integral ¡e toma ¡obre la región ( del pleno lz parn l¡ cr¡¡l g ut/ñ. oon un alüo grado de aprorimación.\2/ r\ (l + u2¡'¡<'+t>rz .u [f=./4 f ( 7<rrz>-r e-<yz+ztrz ¿."a']au de acuerdo con lo pedido..rf ¡"ffi "-r..rzrl. Hallar xlerpm (a) v : 60 y (b) y .#.va J"' {2r2.42. (b) Si r=100.6 = f. dud.@ hast¿ rl/z/r. Entonca ti z. #. Por tanto tenemos Remplazando F(xl = . '\ z / (. er la percentil¡ 10Op de l¡ di¡trlbución nornd tipilicada.locuale¡tÁde¡cuerdooonelvalor6?..= .rr-r"-. podemoe ercribir.64+rfss¡z =69. página 117. tn¡r( z\ Ju= -' . Debido a que Y y independientee ¡u función de den¡id¡d coqjunta er 6l producto de (I ) y (2).cAP. podemor utiliza¡ el hecho de que ({Tx2 .0(v¡lorre¡l =L24.o 6 . Pueeto que Y ertá di¡tribuide nom¡almente con media 0 y varianza 1 ru función de den¡idad e¡ (r) Puesto que Z tiene distribución chi-cuadrado con (21 1" --: e-!'/2 12" / gradoe de libertad su función de den¡idad ee 0 ñ+GE2Q/D-!¿-zn z) 2 rcn \/21 2'/2 r(v/z\ 0.t¡ e¡tl c¡¡i dbEibuido norm¡lmenüc con medie certr y varianza uno.=o"r.Lu€{p integrannr_conrespecto az de¡de 0ha¡t¡o.tzt'(vl2\ ). DE STUDENT 4.. -/.ss+rtrOool-t¡z = |(1.zl ztÍt + <t2 | v>r a")au ( " Susüituyendo F(r) = G. zo/2)-re-z/21ffi e-uzzr2.FA = zp I t/Ft x| = *(zo+tffj¡z (o) Si v=50.z \f 2nz. xlgs = \@. Demostrar el Teorema 4-6. DISTRIBUCION ü x3s¡ dado en el Apéndice E. / mayor que 30.(z.tzl(vl7\ Jz=o = .2."^' + zo+"/2 Í"'=-* d.64+/199P = 124.tz¿ul¿" LJ":_-e A = urfi en la integral entre parénteais rectangulares hall¡mo¡ .Elrode donde t6=t = . *^ I' = - *l Í": como z('' ...t' / 2 e.100 gados de libertad.r/2. .(' F(r) = _ tf Jr=-. z ) La función de di¡tribución de I = Ylt/ffi e¡ F(u) = P(T=r) = P(Y=er/Zfi) = y@2./ . himero fijamor r z b = integramos con reepecto a y de¡de .u\ .

5._tr Fig. ¿.90.90. a.9?5 y úr reprecenta la percentila 9?.82.(b) 1. 4. Por tanto el á¡ea a la izquierda de ú1 es (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) 16.43. La función de densidad conjunta de f '' V¡ y V2 etá.u) = . ) 0 y 0 de otra forma.r) a\.70 correspondiente a v = 27i (c) 1.1 ez(vt+ v2)/2 lQl/21 f (u2/2) <t | + ú2)' ri o.0. Del Apéndice D hallamoe 2.olumna ¿.lL=-=_rü=02 L"a/ ar t'2ú | vl1t2' .:"i = l::"'.05 Refiriéndonos al Apéndice D. losvalores: (o)L. ) 0.. Efectúe Ia transformación u 1/ v1 .99.05. entonces el área a la izquierda de ú¡ es (1 repreeenta la percentila 95.0.025 por simetría. Entonceg búequese la c. r / Ll+ lvt/v)).rl).er5.01. t.2 g(u.95 y úr Refrriéndonos a la tabla en el Apéndice D. (c) Si el irea total sin eombrear ee 0.:.025): 0.O5): 0. En el Apéndice B e¡te valoi corresponde a la enhada en la última fila ma¡cada ó). La representación gráfica de la distribución (c) el área sombreada a la derecha en la Fig. tenemoe | 1U) t.::l = l"*:" 'u':'" Denotando la densidad como función de u y w por g(u.la/2.e0. De la tabla hallamos t. vlW v2 . ODt=r. -1)(v'\/2) "-. J z t .138 DTSTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO ú [cAP. ú. (d) Si el Área sombreada a la izquierda es 0.38.01 es (e) -2. 4-19.26 como el valor pedido de ú.) = 6"i.25.01.01 y el área sombreada a la derech¡ es 0.l4\ -1- f 'pw\"rz'-' ID'-''-"e '"''o'-. Sielá¡eaalaizquierdadeú¡ es0.e.05. entonc€s por simetría el área sombreada a la derecha es 0.t u(v2/ 2) .75 correcpondienteay:16.gg) = 0. Halla¡ el valor de ú1 para el cual de Student con 9 grados de libertad se muesha : 0.01/2 : 0.645 correepondiente a y: 200..99. entonced el área sombreada a la derecha es 0. t. Por tanto el área de t para el cual el área sombreada a la izquierda es 0.82. . entonces el área total sombreada es (1 .entoncesúl correspondealapercentilagO. dada por 1 (.'.45.05. (c) el área total sin sombrea¡: 0.nD\]uJur0. sea 0.83 es el valor pedido de t (b) Si el área total ¡ombreada es 0.O.:: ::'.05. t.DZ=ü l1U7D Entonces el Jacobiano es i'.es.css = 3.44.quedelatablaes igual a 1. De la t¿bla t ss = 2.'') (?ñ rr^ o(vz/2) -| "-'. búsqueee en Ia columna y el valor 9. (b\ 27. (b) el área total sombreada: 0. (e) el área a la izquierda de ü.005. 4-19 tt (a) Si el á¡ea sombreada a la derecha es 0. (c) 200.[. (El último e¡ el valor que se obtendría utiüzando la cu¡va normal.01. (d) el área sombreada a la izquierda : 0.4 4. DISTRIBUCION 4.ú. Deimostrar el Teorema 4-?. ú es 0. El resultado 1. . hallamos en la columna te.

rr.(vz/2) Jo -tL-!:j!::-:(I5).'r2\ ) = 0 ó trt ry = /.. ¡2 y ú 4. A diferencia de una conetante.ut = t'(P) ap Jo da) ) 0 y 0 ei rt É 0.50¡2.. 15. ) 2' de (.1-2\/ /\. i \rn) - 2\ / v' \ si v.18)2.i/2)--t (v2:L vru)-(r. 4..TZ) \ (-" se Utilizando el criterio de la segunda derivada podemos demoetra¡ que realmente trata de un máximo. Verificar que (o) /.F' gs.\i = /v' I vr\ ) si u ) 0 y 0 ¡i z¿ 5 0.8 = 3..7L = (2. RELACIONES ENTRE LAS DISTRIBUCIONES F. etc.71)2. ro..326.t . ir ua 0.257..r' / 2(. primera f.so.rr. es decir (r.s..9.\z .+v2't/2r-r = 0 Dividiendo Wt ut|ti2)-2(t2l t¡t)-[("\+t. (d) F.46. \ : ¡.. 11 .- r1u)-¡(.o. Utilizando la tabla para la dist¡ibución F en el Apéndice F..n.\/2i-r. ( " *. .¿t.t r rz)tz Si tiene un máximo relativo se presentará cuando la derivada sea cero. : (4.t)- tyt ('4fa) (. la función densidad de la di¡tribución F es r[(t.. =- 9.t e.o. rr. hallamoa \-i.r.ss : t?n (b) fl. que es el reeultado pedido.1 = (3. página 118. Demostrar que la distribución F es unimodal en el valol ¡v' ' La moda localiza e! valor máximo de la función de deneidad.\ z /.. donde vt -.4l si u DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 139 > 0. rs = 3.au d.ee.\rt.r.1 -.2* r.e75... 4. ro. = 0. hallar (¿) F.o.+t. /. u. /..'rrr. ..0 = 4. 10.ob.48.o5 en el Apéndice F con e¡a¡ en l¡ distribución ú bajo ú.io = F_¡ .47. (c) Por el Teorema 4-8.78)2. > 0 y 0 de otra forma. (o) DeI Apéndice F. hallamos F. (b) F . .s. (c) = 10.0g (d) Por el Teorema 4-8. Apéndice A..5. página 118. (b) Del Apéndice F.rr.rt) - (¡'r +t2)/2 - .96.l¡. r¿ desde La función de densidad (marginal) de U puede encontraree integrando con recpecto a decir 0 ha¡ta €. r. Pero de Tenemoe (r h(u) / v2\vr/2 4Q 1/'' .oc. hallamog .80. 7. F. (a) Comparar ia¡ entradas en la columna de la tabla F. \.*r.'. er hkt) = ei u (.ss : ".cAP.L5.2\/2)-t e-tt+<v{/v2)t(o/2> z(tt ' u2)/2 t0t/21 l. donde. = # = 0.5 L6l = (72. Vemos que 18..-'1t'"tvp)-uvr\j-:.2* .ot.l= *.30.ul F'.

\ : {". Demostrar el Teorema 4-9.49. Vemos que 4050 : (63.84)2. etc. Por tanto t-P 2 = Pp<T:.1 = (5. 98.4*)___\-. pfuina 116..140 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP. P.t. t { l'-'u-r.r( .-. Entonces y a.66)2. Re¡olviendo. tenemos P(T=+tlrno¡ = t -Pi . P(. I ^F.sí generalizar los resultados del Problema 4.eer.*rr.(.60)2.'.'.(4.92)2.+tfttur¡ = P(T s +VFt-p) .r(l +3!) t r-ru+l)/9 ) O. v2 = v en la funeión de densidad para la distribución F f (ul = ..u/2¿-r/2(y + ul-(r1tr/2 ^/.9 " / +1\ -t'* "" t / vv/21l-12v-(.0 <'T = *t/Ft_o) ú donde ? es una variable aleatoria con distribución de Student con u grados de libertad./ para u /_u_r.. vemos que el lado izquierdo de la última ecuación es igual a z..es el nhmero tal = 7- * t\ "/" ./" + r\ \ / l+1) "/ \-(!¡!'/'l tru = } -p En la integral efectf¡e el cambio de variable t=t t/-u: r)r'rl '\ J -'(f+-¡ dt = t-p 2-r 2.l / +z\-r¡ \ '/ ¡=.o) r\ \ '/ ll '=2 | '\ .)" .-¡l r.ee en el Apéndice F conegarenladistribución ú bajo ú.l.Ft-o) f(u): 0 para ¿ < 0. 4. Sea 11 . que puede establecerse simplemente como F r-p = t? ott¡ l(4í).2 -.48. 21. página 118.4 (b) Comparar la¡ enhadas en la primera columna de la tabla F. + r\ r( ol -r- .página 11?]. Por tanto ^\ F. .rtF. Entonces por la definición de un valor de percentila.)" \/ Com¡rarando con (42). '\2/'\2/ "11\ "/r\ t -/.r¡ n'(. 34.P(f 0) = = P(T=+\E|-+ donde hemo¡ usado la simetría de la distribución ú.'. y que P(U 5 .5 = (9.

't7 2. Y son independientes solo si su coeficiente de correlación es cero. Por tanto ú es estrictamente +\/F.'. y) dada por (49) debe para todos los valoxes de x.L .s2 T r. si X. etc.4!¡ 4 2. = tt-(p/zt ó Fr-p : tl2t'-tptz'.4] DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L4t Pero. Entonces la probabilidad de no obtener un 3 en lo¡ primeros cuaho lanzamientos es (5/6)(5/6)(5/6X5/6): (5/6)4. etc.¡ es el número üal que P(T=tt.. Y son independientes. er el Apéndice F (correspondientes las enhadas bajo x:nn en el Apéndice E..25 77i6 ..99.GB a ¡'.145. Y variables aleatórias cuya función de densidad conjunta es la distribución normal bidimensional. lo cual provee la verificación requerida. por definición. 4. Entonces vemos que a r': ó) con etc.. lotll. Ll .il = (4 . Hallar la probabilidad que en lanzamientos sucesivos de un dado honrado resulte un 3 por primera vez en el quinto lanzamiento.78 = #. que era lo que se querfa demostrar.21 .. en el Apéndice E. se convierte en l@. Demostrar que X. página 118. Entonces vemos que 6. la probabilidad pedida es Y/r\ \6i \6/ / s c. 4. )Lo. Véase Problema 4.ú los valores de = t-+o-.. s. + * en la distribución F en DISTRIBUCION NORMAL BIDIMENSIONAL 4. Méüodo 1. _ 9.. ya que la función de densidad de Ia distribución positiva. Esto es posible sólo si p : 6.CAP.. para (a\ p : a1 0. = @) con = "'13. tt tt¡/z. -.F e. Y son independientes. producto de una función solaménte en.:\/2= en .52. s. página 118.8t (b) -.51. entonces la función de densidad normal bidimensional (49). K (r(r . lo cual provee la verificación requerida. f(x.02 = #. 3.60 -..r y una función solamente en y. Verificar el Teorema 4-10.00 =.94 3. Comparar las entradas en la última fila de la tabla . r por una función solamente en y para todos ser el Inversamente. y este nfimero se determina finicamente.. Sean X.+.50. Análogamente la probabilidad de no obtener un 3 en el segundo lanzamiento ee 5/6.95 y (b) p : 0.r"?ll--+"-. 3. (c) Comparar las entradas en Ia última fila de la tabla F o= en el Apéndice F (correspondientes las entradas bajo ¡. y se deduce que X. La prueba general del Teorema 4-10 se deduce tomando el límite cuando U2 la prfuina 117.Por tanto la probabiüdad de obtener un 3 en el quinto lanzamiento es 1/6.. DISTRIBUCIONES DIVERSAS 4.¡ !.'..7 2..(p/z\\ = l-?. Si el coeficiente de correlación p = 0.1..r'il ) y y puesto que este es un producto de una función solamente r. La probabiüdad de no obtener un 3 en el primer lanzamiento es 5/6.

L42 . E¡ta¡ ¡on 1 cn el grimer dado y 1 en el regundo dado.q:616. 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. se gradúe. 2¡.4)1(0.¡ :6 Gzl vemo¡ que la probabilidad /t\/o\' _ \6/ \6 / página 119. etc.be-! = o-2/br\t + a) Entonce¡ / o\ ¿u 02 = El(X-u¡21 = E(Xz)-uz = PROBLEMAS DIVERSOS o-".6)4 = 0. 4. DISTRIBUcIoNEs DE rRoBABTLTDAD coN NoMBRE Método 2 (utilizando fótmula).92.tbr donde hemo¡ ütilizado Lr ¡ustitución u f@ ab ('/"\ du /' (r. \i)"-". página 118.2692. eon p: Ll6. (b) la variarrza.63. (o) t' = E(X) = JO f abrb e-o"o d. (D) al menos dos veces en 6 ¿ead¡¿o¡ por (1. 11. ó aproximando O.08 (D) P(re gradúe uno) = 5Cr(0. (c) al menos uno.26 (c) P(al menos uno re gradúe) = 1 -P(ninguno se gradúe) :0-92224. i7't6 4.""tb)-t a-ub I ur/be-! du Jo a_.977?6.oJs u. (b) uno. 1 en el primer dado y 2 en el regundo dado. Determinar la probabilidad de que de 5 estudiantes (a) ninguno. La probabilidad de que un estudia¡rte que ingrese a la universidad se gradúees 0. de la distribución Weibull. Verifrcar las expresiones dadas para la (a) media. etc.6)r : 9.p(\ t + +)-l ó/J 4./ du (' = o-r.4.64. 6 = 36 forma¡ en las cuales ambo¡ dadoe pueden caer. i) integral.of ¡(1 + 3) b/ L\ . - f. 4 Utilizando la di¡tribución geoméhica.55.r I ú ). pedida er pRopro [cAp..4)0(0. : atb pa. alf hay 6 . ¿Cuál es la probabilidad de obtener un total de 9 (o) dos lanzamientos de r¡n pa¡ de dados? en veces.ra evaluar la (ü) E(Xz¡ = fo- oOro*r¿-oto¡lg r "b ('/z\r*ttro> e-!:u(t/b)-t = o"o )o \. ó aproximando 0. . (a) P(ninguno ee gradúe) = 5Cs(0. ó aprorimando 0.

L. un total de 9 ocurte en 4 cqlos¡ (3. 4./r\'/e\a. Véase Fig./ \ó/ * '"'foi ó * '''Gi 72689 1 10240 960 48 61 = 681 440 65f ¿¿T .6.5 . determinar (c) el porcentaje de estudiantes con 6 puntos. Suponiendo que las calificaciones están distribuidas normalmente.cAP. P(al menoe 9 doa veco) : 1 - P(9 cero vecer) - P(9 una vez) : . ^ /r\'/e\'.5 en unidader tipificadar : 5.0676 : O.5 en unidadee tipificadar hoporción pedida: á¡ea entre : : . ./ \. Las calificaciones de un parcial corto en biología fueron 0. (4."'\g/ ' ^/rY/s\u. 4-20. Por tanto una calificación de 6 puntos ¡e cor¡sidera como 5. (a) la di¡tribución normal a datos discetoe. (D) Varianza : npe: (40OXO. hallar (c) la media y (b) la desviación típica para la distribución de tornillos defectuosos de un total de 400.3418 - y e = 0) (áre¡ entre z :{. 6).5?. 5).6 (área entte 0. .5 puntoe. 4).6 a 6.7)1L.6u.4I DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 143 De estas 86 forma¡ todar igualmente factibles ¡i los dados ¡on honrado¡. (6. (b) la calificación máxima del L0% más bajc de la clase. (a) Media : np :400(0.ó6.-.? y la desviación típica fue 1.17 (5. Si la probabilidad de un tornillo defectuoso es 0.9): 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.2.1XO. la distribución está sesgada a la derecha. ^ /r\ta.1.\0/ \e/ \s/ ^/l\'/q\' ffitZü 7268s 4. ^/r\'/a\'. Por tanto la de¡üación tfpica = /56 = 6. 3). 10 puntos. (c) la calificación mínima delL0% más dto de la clase.56. ^ /r\u = 'c'(o/ \é/ * '"'(. .. Halla¡ los coeficientes de (a) sesgo y (b) curtosis de la distribución en el Problema 4.5Bt 441 = 531 441 441 Otro método.5gr 441 * ss1 441 .1): 40.6..2:{).0 (6. es decir podemoselpemr que 40 tornillo¡ esüén defectuosos. == vnpq H = 0. Entonces la probabilidad de un total de 9 en un ¡olo lanzamiento de un per dddados esp :4136:1/9 y la probabilidad de no obtener untotaldeg enunsololanzamiento esq=L-p8/9. Para aplicar : 6.2 = -'1.2788: . dependiendo del número de respuestas conectamente solucionadas de un total de 10. (a) (b) Coeficientedeeeego= Puesto que es positivo./ * '"'(. (o) P(9 do¡ veces en seis lanzamientos¡ = 6"'\t/ /q\t-' .er)*P(9cincovecer)*P .17 z: -1 y z:-4.17 z: -1 y 277o z: O) 0. La calificación media fue 6. eb necesario con¡idcrar los datoe como si fueran continuoe.7)1L.58. 4.2.133 coeficienüedecu¡tosis: l. (5.a di¡tribución ee s+l---^6:q : 3+ff1-6(0'1X0'9) = nuq 3'01 ligeramente má¡ apuntada que la distribución normal.

Halla¡ la probabilidad de que en un tiempo f no se cuenten partículas.28y Ír:6. 4. rin considerar los términoe que incluyen (Aú)2 y término¡ cuperiores. Entoncee tendremos una cuenta en el tiempo f * Af en lor riguientee dos ca¡o¡ mutuamente excluyenter: (i) 1 cuenta en el tiempo f y 0 cuentar en el tiempo At (ii ) 0 cuenta¡ en el tiempo ú y 1 cuenta en el tiempo Aú .4-22 o ran si AÍ es pequeño. zt Enüonces zt = (xt . 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. por simetría : L.I -0. Un contador Geiger se emplea para contar la llegada de partículas radioactivas.r2 la calificación mínima pedida zz =L. exiatirán término¡ adicionalecqueincluyen a (Aú)'y órdene¡ ruperiores.26 6 aproximando y al entero má¡ cercano.40 : -L.7)lt. por tanto área.28.P6(0): c e¡ la probabiüdad de no cuenta¡ en elüiempoGrro. 4-2L el la izquierda de z¡ eo LOT.4 .28 (aproximadamente).28.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.I At. De la Fig.x2:8.2 u 8 aproximando al entero má¡ cercano.que lógicamente e¡ 1. Si (b).4-20 Fig. Por tanüo c = I y l¡ probabilidad pedida ee (11 Po(¿) = ¿-^t 4.L14 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP. la probabiüdad de no cuenta en el tiempo t Entonces Po (ú + At) es la probabilidad de no cuenta en el üiempo ú + Aú. Por tanto la probabilidad de no contar en el tiempo At ec 1 . pero no se consideSea P6 (ú) r-----]--l Fig.69. La probabilidad de que se cuente una parüfcula en el tiempo Af ee proport t tatr cion¡l a At y puede eecribir¡e como l. Por tanto.on O como el origen. Refi¡iéndose al Problem^ 4.2 ! 22 Eu equivalente en unidades tipificadas.10.69 halla¡ la probabilidad de exactamente una cuenta en el tiempo t. Si se suponen lar llegadae de lae partícula¡ sucegos independientes. La Fig. a Area entre zt y O: 0.60. tenemoS (r) De (I ) obüenemos (2) Po(ú+a¿) = lú Ps(Ú)[1 -IAú] = -IPo (¿) At+0 lim Po(¿-f a¿) - PoQ\ e¡ decir (. = 0.7)17. 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. At. 4-22 repteeenta el eje de tiempo c.Z:-t. 4-21 (b) Sea r ¡ la calificación máxima pedida ] z¡ !u equivalente en unidadec tipificadas. Entonces (x2 - 6. (c) Sea .17 I'ig. Máe precisamente.6.

tr¿-At (3) dt = ^Pl o d. ¿cuántaseeperaríantener(o)3niños. Por tanto.rlos DISTRIBUCTON BINOMIAL (BERNOULLI) 4. @l 6 caras. Suponer 4. (b) dog vece3' en dos lanzamientos de un par de dados honrados. Por tanto (7') = ¡¿¿ . Halla¡ la probabilidad de que al lznz.62. Hallar la probabilidad de obtener un total de 11 (c) una vez. DeSOOfamilia¡con Shijos. con un par de dados? ¿Cuál es la probabilidad de obtener un 9 exactamente una vez en 3 lanzamientos 4.cAP.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).67. P1(0) eo la probabilidad de 1 cuenta en el tiempo 0. (b ) 1.69. la probabilidad de acerta¡ correctamente al meno¡ 6 de 10 res¡ruestas en un examen tipo verdadero- .4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 145 La probabilidad de (i) es P1(ú)(1 . (c)o2ó3niños? probabilidades iguales para niños y niñas.59 esto convierte en dP. (r) Esto puede escribirse Pl (ú + a¿) = Pr (ú)(1 - r aú) + P0 (¿)r a¿ Pr (¿ + (2) l¿) Lt . sin coruiderar los té¡minos que incluyen (Aú)2 y ruperiores. (d) 3' @l a. ¿@xtPr) = x que al integrar (6) Pr(t) = \¿¿-rú+c2e-\r Si : t:0.64. X denot¡ el número (d) de caras en un solo !¡nzamiento de 4 monedas.t * \P. Hallar fal¡o. (b\ P(X <21' (c) P(1<x=3). (b ) menos de 4.P.66.66.ar una moneda honrada 6 veces aparezcan (o) 0. 4 caras en un solo lanzamiento de 6 monedas hallar (o) P(X = 4.s supletnenta. caras. 3). La probabilidad de (ii) es Po(ú)I at. (n 5.I a¿).¡e-rtt esto puede escribirse como d.61. Iülla¡ la probabilidad de (o\ 2 o már honradas.I"(t) = XF'o(¿) - IP1 (¿) ge Tomando el lfmite cuando Af -+ 0 y utilizando la expresión para Pe(ú) obtenida en el Problema 4. u) Multiplicando por (5) e^¿ d. . 4.i que es [a distribución de Poisson. Problerna. (c) 2. que es cero.(b)5niñar. 4. Si P(X=2). Utilizando e¡to en (6) hallamos Pt (Ú) c2 0.

71. ¿cuántos estudiantes tienen estaturas (o) ¡nayores que 1. 4.5722.82.80' 4. -0.85- 4.86. Hallar el área bajo la curva normal (o) a la izquierda de z : -1.23 y z sea O.?O m y desviación típica 10 Si los diámetros de los cojinetes de municiones están normalmente distribuidos con media 0.69. (b) a la izquierda de z:0.El m inclusive.59 y 1. EnelProblema4.6140 pul y desviación tipificada 0.82. (d) el áreaentre 1. Calcular la (o) media. (D) mayor que 0. hallar P(X > S). ¿qué porcentaje de las medicione¡ están (o) dentro del recorrido I.84.6 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 -0.5 o? 4'83.(b)z=I.?8.58. Si X está distribuida normalmente con media 5 y desviación tipificada 2.85V 4.618 pul inclusive.608 pul.85 m.78: Hallar los valores sea 0.79' 4.81' 4. (b) P(-1.t'c.7O.e z: -1.56.900. (c)z:-2. (b ) al menos 3.610 y 0.8{. 4.?0 m? cm. haltar (a) P(Z = -1.83.68. (c) el área entre de z tales que (a) el área a la derecha de z sea 0.23yz:1. 4.79. (dl al menos I persona esté viva.b superior de los estudiantes recibirán una calificación A (excelente). (d) iguales a 0. 4. (d) correspondientea z>:2. (c) solament e 2. (d) coeficiente de curto¡is para una dishibución binomial en la cualp : 0. (a)Determinarlas calificacionestipificadasdedog estudiantes cuyos puntajes fueron 93 y 62 respectivamente.L46 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. (b) desviación típica.6 y 1. Interpretar los resultados.61? pul. dondeZestádistribuidanor¡nalmenteconmedia0yvarianzal. La calificación media de un examen final fue 72 y la derviación típica g. (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.615 pul.O?30. lt!aosea . todas de edad idéntica y con buena salud. 0. Hallar la probabilidad de que en 30 años (o) Ias 5.r)af(rl para la distribución binomial. (b) menos que o iguales a 1. (b) por fuera del recorrido ¡t ! 1. Un agente de una compañía de reguros vende pólizas a 5 personas. (c) a la derecha d. (/)ala izquierda de z:-2. (e)correcpondientea-0. Si (c) P(lzl > r).!6. En un examen la media fue 78 y la desüación típica 10. su coeficiente de curtosie es 2. (b) Determinar los puntajes de dos estudiantes cuyas calificaciones tipificadas fueron y 1. Demostrar que si una dishibución binomial con n : 100 es siméhica. 4.76.4 respectivamente.9. 4.2 o.80< z< !. 4. (c) menores que 0. z:-I.96).75. 4.50. El l}'.72. entre 1. Hallarz¡ si P(Z-21)= 0. Demostrar las fórmulas en la página 109 para los coeficienües de seego y curtosis. determinar el porcentaje de los cojinetes de municiones con diámetros (a) entre 0. 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. ¿qué porcentaje de esas mediciones diferirá de la media por (o ) más de media desviación típica.0025 pul.2O y z --2.oo ¿ea 22c/a. (c ) mayor que g 1.0314.gShallarlacon¡tanteatalqueelporcentajedelo¡casos(o)dentrodelrecorrido 7 í'. llallar el área bajo la curva normal z: 0.77. Evaluar (o) ) (c - p\3 f (r) v (b) > (r . (e) el áiea en¡e-z y z 4.64).? y n : 60. (c) Si las estaturas de 300 estudiantes están distribuidas normalmente c\on media 1.15 y z *aO. (ó) el área a la izquierda de z sea -0.4O.74. (b) menos que p . (d) igual a 1.4 4.2266.45. entre (o) 4.2 respectivamente.96 =_ Z < t. 4.52 y a la derecha de z: 1.55 m. 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. DISTRIBUCION NORMAL 4. (c) coeficiente de sesgo.t ! 2 o.

(d) exactamente 100 cara¡. (b) cada ca¡a una vez. 4. . Se extrae una bola y se obsen'a su color.(n5lámparar sean defectuosas.92. Hallar la probabilidad de que un estudiante pueda acertar eorrectamente lasrespuestas a(a)12 o más de 20.ar la función generatriz de momentos).96. S. "heses".entoncesXr+X2 tieneunadistribucióndePoissonconparámetro). el promedio de ahogados en accidentes por año es 3.0 de cada 100 000 personas.91.97. Explicar por qué se podría esperar que el teorema üengan la distribución de Cauchy. En el Problema 4. Una máquina produce tornillos.10O. -'. hallar la probabilidad de que en una muestra de 100 lámparas eléctricas (a) 0. 4. DISTRIBUCION DE POISSON 4.(d)8.1 t\. 36 LO"/o de los cuales son defectuosos. p pr. Demostrar el teorema del lfmite central para el caso en q rre X ¡. f. Xz. Education and Welfare. 4. 1/2 prob. Un talego contiene una bola roja y siete blancas.9!. r¡ : L - p. . arí generalizando el Problema 4. 4. 4. Hallar la probabilidad de obtener más de 25 "sietes" en 100 lanzamientos de un par de dados honradoe. Si 3% de las lámparas eléctricas producidas por una compañía son defectuosas. Demostrar que si respectivostrr X1 ¡l X2 son variables independientes con distribuciones de Poisson con parámetros ytrz. son independientes y están distribuidas idénticamente con la distribución de Poisson. (d) 55 o más.95. .(e)entre4y8. 1/2 -r -t Demostrar el teorema del límite central para las variables independientes 'Yk donde g = | | 1 prob.t9.101.2. . . ( t 3 ).90.99. (b)entre 30y 60. Halla¡ la probabilidad de que el resultado sea: (o ) 1 "uno". Xz. . página I 1 1 . de loe tornillos sean defectuosos. Se lanza un dado honrado 6 r¡ece¡.(Sugeren- cia: Utiliz. 4l DISTRIBUCIONES DTSTRTBUCTONES DE PROBABTLTDAD CON NOMBRE PROPTO PROBABILIDAD PROPIO I47 L47 APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL 1. 4. 3 . TEOREMA DEL LIMITE CENTRAL 4. Department of Health. (b) menos que 90 caras. (b) 7. Halla¡ la probabilidad de que 4.b. Hallar la probabilidad de que en 200 lanzamientos de una moneda resulten (a) entre 80 y 120 caras inclusive. Según Ia National Office of Vital Statistics of the U. (e) 4. Demostra¡ el teorema del límite central para las variables independientes xk = 4. (b) entre 1 y 3. (bl 24 o más de 40 preguntas en un examen tipo verdadero-falso. Generalizar el resultado a n variables. hallar la probabilidad de que en 8 de tales extracciones se seleccione una bola roja 3 veces. Utilizando (o) la distribución binomial y (b) la aproximación de Poisson a la distribución binomial. Entonces se coloca la bola en el talego.93. hallar la probabilidad de que (of rnís de 5.cAP.(b)2. enunaciudadcuyapoblaciónesde200000ocurran(a)0. (c) menos de.94.97. f(r) =. Demostrar el resultado (l 7). o 2lámparas eléctricas sean defectuosas. (c)2. 4. página 113.88. del límite central no sea válido en el caso que X¡ .(f)menosdeS ahogados por año. (c) menos de 85 o más de 116 caras.98.(c)6. Hallar la probabilidad de que en un muestreoaleatorio de 400 tor4illos producidos por estamáquina (a)máximo 30.87.#Tf DISTRIBUCION MULTINOMIAL 4. 2 "doses" y . (c)entre y 46. ( L 1 prob. <x< @ 4. 4. (d) 3.

Si Xt y Xz son independientes y distribuidas de Cauchy. Hallar la función generatriz de momentos para la di¡tribución uniforme.104. Suponga que X tiene una distribución de Cauchydeacuerdocon(29). (b) P(Xz > r2). o:2.107. 4. Hallar la probabilidad de no obte4er un 1. recorrido gemi-intercuartílico es un eustituto de la desviación tfpica? aritmética también tiene esta distribución. Si se seleccionan 20 aspirantes aleatoriamente. Una caja contiene una gran cantidad de bolas rojas.11E. tl¡llar(o) P(X= 1).4 4. Demostrar que el recorrido semi-intercua¡tílico para la di¡tribución de Cauchyeeo.116.págrna114. azules y amarillas en la proporciün 4t 3z 2: L.(b)8 sean rojas y 2 amarillas. Demostrar directamente que (22). página 108. Yerificar la (a) función generatriz de momentos dadas por (33 ). DISTRIBUCION UNIFORME reduce a (I ). dad de que (a) 6 sean figuras.Hallar(al P(X <1). es una función de densidad. 4. Una caja contiene 5 bolas rojas 5l l0 blancas.122. blancas.113. 4. Si X.102. 2 ó 3 en cuatro lanzamientoe de un dado honrado.110.148 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cA¡.105. Demostrar que si X1 y X2 son independientes y tienen la misma distribución {e Cauchy. 4.115. Hallar (a) el tercero y (D) el cuarto momento alrededor de la media de una dishibución uniforme.9: 4. De 60 aspirantes a una universidad 40 son del oriente. Si se seleccionan 8 bola¡aleatoriamente (sinremplazamienüo) determinar la probabilidad de que (a) 4 sean rojar.106. normalmente con media 0 y varianza l Demostra¡r que Y: Xt lXz tiene una distribución DISTRIBUCTON GAMMA 4.121. ó (24\ se para resolver el Problema 4. 4.120. Una variablealeatoriaX tiene una distribución gamma conQ:3. Emplear la aproximación binomial (18) obtenida.págin.106 y e¡tudia¡ la precisión 4. Z. 4.119.103. Determinar el coeficiente de (a) > ll 6/. (b) P(lX-11 = +). Y son independientes y ambas eetán distribuidas uniformemente en el intervalo de 0 a 1. cuando N ' e. hallar la probabili4. y (b) la función caracterfstica de la di¡tribución gamma . (b) ninguna sea figura.fl DISTRIBUCION DE CAUCHY 4. página 116. DISTRIBUCION HIPEBGEOMETRICA 4. Si se seleccionan 13 cartas aleatoriamente (sin remplazamiento) de una baraja de 62 cartas. página 115. 2 zzulee y l amarilla. 4.108.111. (b) todas sean blancas. (t) P(l = X=2).109.112.11?. hallar P(lX . sean del oriente. Generaliza¡ el resultado del Problema i. Determinar los valore¡ modales de la distribución gamma. 4. ¿Porqué en este caso el 4. Verificar que (31 ).114. (b) no más de 2. S blrncar.Hallat(a) P(X i.z 114.con < 2). entoncel su mdia 4. hallar la probabilidad de que (o) 10. SiXestádistribuidauniformemente en-2< x=2. 4. 4. sesgo y (b) curtosis de una di¡tribución uniforme. (c) al menos una sea roja. Hallar la probabilidad de que de 10 bolasextraída¡: (o) 4 rean rojas. 4.116.

05.124.(b)eláreaalaizquierdadetlsea0.140.rúmero e. (d) P(U 2 c) = Q.98. v: -f1 sea 0. (e) el área entre -f1 f f1 sea 0.141. área combinada a la derecha de ú1 y a la izquierda de -f1 4. (c) P(U = cl = 0'20.ol/l'.01. (o) llaltar x! y x? tales que el área bajo la distribución x2 correspondiente a v -.129.i) 4. Hallar los . / una buena aprorimación para percentila (100p) de la distribución normal tipificada. Si una variable Utiene una distribución de Student con ¡.? 9:?^5: suponiendo ireae'ig. ¡2o egtá x?ozs y (b) xizs para'r = 4. 250. (e ) 150. = t2ul(v1* . Hallar 4./(.01.136.90.12?.ss.páSrrra 115.eo.z¿i (d) F. (ó) y (b) x.g. (D) P(-a= U 3 c) :0.130. si el r.13E.55 ! 4. hallar x2. (c) el á¡ea a la derecha de xl sea 0. ee la 0. Si la variable U tiene distribución chi-puadrado P(u < x?) : 0.4l DISTRIBUCION BETA DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO t49 4.os. 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. (c) 28. Verificrü que (34). (c) P(x?< U < x2z) = 0.(c)eláreaaladerechadeú1 eea0.13?. 4. Resolver el Problemz 4.valores de grados de libertad I ú para los cuales el á¡ea de la cola derecha de es igual z (a) 4. 4. (d) 40.ti ti¡l gue (o) el área a derecha de ¡l sea 0.. hallar el valor ie . \b\ Yar (7zl -. v ) 2. v.136.50.cAP. (b) Demostrar que si la suposición de áreae iguales en la parte (o ) no se cumple. 4.123.rales a la derecha de xB y a la izquierda de x!.139.2\' 4.126.rs.025.132.zoi (.10'(d)el sea 0. f f.donde zo hra una distribución f de Student con 15 grados de libertad. (d) el área a la derecha de ú1 sea 0.128.¡' 4. (b) el área a la izquierda de xi sea 0. (b) 12.:10. Demostrar que la va¡ianza de la distribución t de Student con t. pígirn 117. Demostrar que para 1 grado de libertad la distribución ú es una distribución de Cauchy. + p . er igual a 1.9¡' P(U>c)= 4. Hallar el valor de: (a) F. - 2). grados de libertad DISTRIBUCION x . 4.rzo. Halla¡ (o) 4.727 si el área de la cola derecha es 0.2.20 91tt: 1i Y_4_. (c) F.01. Demostrar que la distribución beta tiene una moda l¡nica en DISTRIBUCION CHI-CUADBADO r: (a - l)/(a P(lX-+l = +). Q) F. (c ) 25. Demostrar que (a) E(xz) = DISTRIBUCION ú DE STUDENT 4. Para una distribución chi-cuadrado con 12 grados de libertad.05.ss.or.1 de la función de densidad (45'¡.9:2. : 6.or'so'lr-. 4. Verificar que la integral desde u lsugerencía: Hágase a : 0 hasta e v2u).134.02'5yv=20'(c)eláxea 16.99. hallar el valor de ú¡tal que (a) el área a Ia derechadeú1 seaO.142.oo.%t con y :7.01. los valo-res de x? y x! no son únicos' 4.95. la distribución ú es 0.. (b) 19.2gs para r = 150. y x! tales que (a) P(U > x?rl = 0'025.125.¡. 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) 8.01 y ¡. lJnavariablealeatoriaXtieneunadistribuciónbet¿cono:3.' dada Por r * .95.gc.131. hallarlaconstantec talque (a\ 0.rz. Hallar (a) es la x.05. (b) F.133. Demostrar que para grandes valores de 4.90yy:25t (b)eláreaalaizquierdade-ü1 sea0. es una función de densidad. (d ) 60. si el número de 4.

hallar la función de distribución de lonva¡iablesaleatoúasindependientescon di¡tribuciónchi-cuadradoypr. + Xn. Demostrar el Teorema 4-5. DISTBIBUCION NORMAL BIDIMENSIONAL 4.r.n. ..143.146. ¿Puede deducirse la ley de los grandes números en forma débil del teorema del límite central? JuEtificar su solución.1 o2 .' o) 4. b.. y varianza 1.X.X.145.^h. . (véase página cada unacondistribucióngeométrica. página I44. rj +n'r l¡ = ¡'oof 4.15E. k=l son variablee aleatoria¡ independiente¡ disürluna distribución chi-cuadrado con y libertad.pfuinal77.154. Demostrarque k=l ) X* tiene distribución de Pascal 118). 4. mente con varianzas h aon 4.. (a > o' o . (Sugerencia: Ilaga la transformación u : 1/u).150 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. Y mnjuntamente tienen la distribución bidimensional (19). son independientes pero no necesaria.A) = ke-(!¡z+2bra+"v'l donde a.r. (ó) io ".0.16O.. Demosha¡ el teorema del límite central para el caso donde Xt.144.. Xz.e8)2ez \3 /' y dar una interpretación de probabiüdad.150. 4.8. Si Xr. Demostrar el Teorema 4-10.147.161. Demostrar los resultados (20) y (23). Suponer que X.0r.6O.. 4.157.. . Demostrar el resultado (46). ... É^ ¡=o . página 116. Sean las variables independientes n X¡.0.I Y T' 4.14E. Demostrar que 2u (. 4.. 4. ento'nces ) Xf ti"tt" 51. .. Y tienen la función de densidad conjunta f(r.162.4 4. Verificar que estas constantes son l¿¡s dadas en (19). Si X está distribuida normalmente con media g y variznza grado de libertad? Véase Problema 4... demostrar que e8t6n distribuidas marginal- "? y oi respectivamente. Generalizar el Problema 4.153. 4. de 4.7ffi1.o2)a(0.. Halia¡ el valor aproximado de (t3o).149. mente tienen una distribución idéntica. página 114. constantes y b2 < ¿c. Demostrar el Teorema 4-8. 4. 4. 4. .159. página 118. Demostrar que cuando v "> @ la distribución f de Student tiende a la distribución normal tipificada.prgradoe X¡ + . página LL8. Completar la demostración de la ecuación (8) del Problema 4. Si X. RELACIONES ENTRE LAS DISTRIBUCIONES CHI-CUADRADO. ¿tiene X2 una distribución chi-cuadrado con 1 X1..e8¡zsa \z /' * (tlu)to. demostrardirectamentelosresulta- 4...c<ts -. prfuina 118. c. k=1...155. Hallar la función generatriz de momentos de la di¡tribución hipergeométrica. PROBLEMAS DIVERSOS 4.37 demost¡ando que si buidas normalmente con media 0 grados de 4. libertad respectivamente..156.Porevaluacióndelasseries dos del Problema (") 4.36.

Determinar (a ) la conetante c. (c) v1* 4.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 4. (d) la velocidad efectiva(rme. (b ) la velocidad media. .cAP.163. Comparar sus resultados con l¡ entrada 5. página 119.esdecirlarafzcuadradade la velocidad media al cuadrado). Estudiar qué le sucede a la varianza de l¿ distribución t 4.162.F' f. 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. (c) la velocidad más probable. (b) v = 2. y varianza de la distribución gas para loc casos (o) (b\ v2= 4. Estudiar qué le sucede a la media ¡i (o) r = .164.

.

Farte tl ESTADIST¡CA .

.

Segundo. generalmente finito. EJEMPLO 5. El muesbeo donde cada miembro de una población puede seleccionarre más de una vez se llama muestreo con rempla. el número se llama el tamaño de Ia población. MUESTREO CON. En cambio de examinar un grupo entero. EJEMPLO 5. puede llegarse a la idea de examinar solamente una parte pequeña de esta población.lo cual puede resultar difícil o imposible. En este caso los tornillos producidos durante la ¡emana conforman la población. La población consiste en iodos lc lanzamientos poeibles de l¿ moneda. N : L2 000. Desearfamos ertraer conclusiones respecto a la honradez de una moneda deüerminada al lanzarla repetidamente.n: 60.s y no los individuos u objetos. n = 100 mientras que enelEjemplo S. EJEMPLO 5.2. un proceso conocido como inferencia estodística. En el Ejemplo 5. En forma semejante el número en la muestra se llama el tamóño de la muestr. comítnmente denotado por N. mientras que si cada miembro no puede seleccionarse más de una vezwllamamuestreo sin remplazamiento. Se podría obtener una muestra al examinar. tenemos la alternativa de colocarlo o no en la uma antes de una segunda extracción. El-proceso de obtener muestras se llama muestreo. en tanto que los 120 tornillos escogidos constituyen la muesha.s observaciones o medida. INFERENCIA ESTADISTICA Con frecuencia en la pÉctica estamos interesados en extraer conclusiones válidas respecto a un grupo grande de individuos u objetos. loa primeros 60 lanzamientos de la moneda y notar los porcentqiea de caras y sellos.4. Esto se hace con el propósito de inferir cieitos hechos respecto de la población de los resultados hallados en la muestra. la población puede ser finita o infinita. Primero.Capítulo 5 Teorío de muestreo POBLACION Y MUESTRAS. la palabra poblacíón se utiliza para denota¡ la. llamado la población. Deben nota¡se varias cosas.4 podemos hablar de Ia población de todos los 200 colores en la urna (algunos de los cuales pueden ser iguales). zamiento. EJ EMPLO 5. mienhgs que en el segundo caso solamente puede seleccionarse una vez. En el primer caso un objeto determinado puede seleccionarse una y otra vez. Tercero. que se llarna la muestra. donde cada bola seleccionada se regresa luego de observar su color. Así en el Ejemplo 5.c.3. denotada pot n.Y SIN REMPLAZAMIENT\O Si extraemos un objeto de una urna. 1 . 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.1 podemos hablar de la población de 12 000 estaturas (o pesos) en tanto que en el Ejemplo 5. por ejemplo. la palabra población no tiene necesariamente el mismo significado como en el lenguaje común. como en "la población de determinada ciudad es de 180 000". 155 . Desea¡íamos extraer conclusiones reapecto a las estaturas (o pesoe ) de 12 000 estudiantes (la población ) examinando solamentc 100 estudiantes (la muertra ) seleccionados de esta población.1.S.Nesinfinito. Desearíamos extraer conclusiones reapecto a los colores de 200 bolas (la población) en una urna seleccionando una muestra de 20 bolas de la urna.

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

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

si el muestreo es sin remplazamiento. 5 (3) EJEMPLO 5. = t' es la media de la (l) población. Los teoremas siguientes son importantes en este sentido.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. entonces (5) se remplaza por o2/N . (s) El Teorema 5-5 es una consecuencia del teorema del límite central.r es F*. Teorema (6) 5-4: p y vaianza o2 entonces la media muestral p y vananza é/n. entonces la varianza de la distribución muestral de medias. Teorema 5'1: La media de la disbibución muestral de medias.¡ n lcAP. dada por Z: es x-r "/\n es (7) normal reintóticamente. 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..ux. y si el tamaño de la muestra es n S N.6.á dada por E[(X-ti'l: "l = ¿ n donde o2 es la va¡ianza de la población. De otra forma Io anterior es conecto si remplazamos o/l/-n en (7\ por o* como se da en (6). . 1. Se supone aquí que la población es infinita o que el muestreo es con rernplazamiento.(¡¿ -n\ -f / en tanto eue ¡r* aún se da por (4). Si una muestra de tamaño 5 resulta en los valores muestrales 7. denotada por oi. página 112. Teorema (5) 5-3: Si la población es de tamaño N. Entonces es natuml buscar la distribución de probabilidad del estadístico muestral X. est. está dada por E(X) = donde ¡. = ll s_t_1_t_gl" 5 5 DISTRIBUCION MUESTRAL DE MEDIAS Sea /(r) la disbibución de probabilidad de alguna población dada de lia cual extraemos una muestra de tamaño n. estn lim P(Z -z z) = -= f = J 1 vzr -* "-uztz ¿r. 9. Entonces la variable tipificada asociada con X. 2 entonces la media muestral .158 TEORIA DE MUESTREO Jrf ll |"'Fi. oft = . la media de la población. Nótese que (6) se reduce a (5) cuando N . denotada por . que se llama la distribución muestral para h media de la muestm o la distribución muestrcl de medias.-.

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

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

- 1. en muesa la particular diferencias de medias. podemos considera¡ él estadísü próxima a 1 indicaría una pequeña pequeña indicaría una gr¿rn áiierencia mientras que una relación diferencia. 5l TEORIA DEMUESTREO 161 DISTRIBUCION MUESTRAI. que ? tiene una distribución de Student con n Teorema demuestra en el Problema 5. se Debido al Teorema 5-6 la variable en (20\ ción de este teorema véase Problema 5. Una posibilidad es estimar la varianzá poblacional utilizando una o más varianzas muestrales y luego colocar la corespondiente^ desviación típica en (21). resulta ir¡ ande o e un bien complicada. Establecemos esto en el teorema siguiente.cAP.22. 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 grados de libertad. En cambio de hallar la distribución muestral de S' ó S' es conveniente hallar la distribución muestral de la variable aleatoria relacionada nS! . (21) está normalmente distribuida si la población de donde se toma¡on Ias muestras de tamaño n está normalmente distribuida. 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 .24. Sin embargo.grados'de libertad. pagjna 117. 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. Si.i2 o2 (20) o- La distribución de esta variable aleatoria se describe en el'teorema siguiente. Es natural preguntar qué sucedería si no conocemos la varianza poblacional. S/\n X-t' slltn'- (22) r ü Podemos entonces demostra¡ utilizando el Teorema 4-6. Una mejor idea es remplazar la o e-n (21) por la variable aleatoria S dando la desviación típica muestral'e investigar la distribución del estadístico correspondiente que designamos por ft1 X-t. Para una demostra- CASO DONDE LA VARIANZA POBLACIONAL SE DESCONOCE En los Teoremas 5-4 y 5-5 hallamos que. 5-7: DISTRIBUCION MUESTRAL DE RELACIONES DE VARIANZAS En la página 159 indicamos cómo pueden obtenerse distribuciones muestrales de diferencias.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 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. En (2I ) hemos supuesto lógicamente que se conoce la varianza poblacional o2 .Si. UtilizAndo la misma idea po es más buci ¿" diferencias de varianzas. Se encuentra que el Teorema 5-7 es válido aun cuando las muestras se tomen de poblaciones que no son normales p-ero que tengan distribuciones en forma de campana como la distribución normal. denota con frecuetlcia por ¡2.

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

DISTRIBUCIONES DE FRECUENCIA RELATIVA Y OJIVAS estudiantes err cada clase. En el intervalo de clase 59. etc. consiste de estaturas desde 60 hasta 62 pulgadas. desviación típica. Io que se llama uninterualo de clase. 60-62 es 61. EI siguiente intervalo de clase sería entonces 62. es difícil observar las diferentes características o computal estadísticos tales como la media.5--65. El histograma correspondiente es entonces semejante al de la Fig. el resultado sería una distribucíón de frecuenciarelatiua oporcentual. o al menos sus medias y desviaciones típicas (errores típicos). 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. puecen enct-¡ntrarse con frecuencia. por ejemplo.5. podríamos haber registrado el intervaIo de clase como 59. es Ia diferencia entre el límite real superior e inferior.5 pulgadas mientras que unaregistrada como 62 pulgadas realmente está entre 61. 5-1.cAP.5 y 62.Por e¡emplo. La suma de ias áreas es 1 ó l-00'. conjuntamente con los dados.5:3.5 y 60.5 pulgadas. Como ilustración suponga que una muestra consiste de las estaturas de 100 estudiantes de la univelsidad XYZ. la frecuencia relativa o porcentual correspondiente a la clase 63-56 es 18/100 ó 18'i. Orden3mos los datos en clases o categortbs y determinamos el número de individuos que pertenecen a cada clase.5. que puede tomarse como representativo de la clase. En este La primera clase o categoría.5-59.'RECUENCTA Si una muestra (o una población) es grande. Puesto que 5 estudiantes tienen estáturas casoc:62. se ¡nuestqan en la tabla anterior. EI punto medio del intervalo de clase.'J ir z 61 64 6t- l0 ?3 76 (pulgadas) Estatura (p [:ig.l . Ya que una estatura registrada tromo 60 pulgadas realmente está entre 59. Distribuciones muestrales para estos estadísticos. 5-1 ercepto que el eje vertical es frecuencia relativa en cambio de frecuencia. o por un polígono de frecuencios uniendo los puntos medios de los techos del histograma. Tabla 5-2.5 y 62. denominada la frecuencia de clase.-r-l correspondientes a esta clase Ia correspondiente frecuencia de clase es 5. DISTRIBUCIONES DE F.5 los números 59.5 se conocen como límites reqles de clsse.. Por esta razón es útil organízar o agrupar los dofos. inciicadas por 6G-62. se conoce como d¿süribución de frecuencia o tablade frecuencia. Algunos de estos. 5l TEORIA DE iúUESTREO 163 definiciones son análogas a esas dadas para poblaciones en el Capítulo 3. como se muestra sombreado en la Fig. etc. se llama marca de clase.5-62. Si en la Tabla 5-2 registramos la frecuencia relativa o porcentual en cambio del número de . Tabla 5-2 ESTATURAS DE 1OO ESTUDIANTES DE LA UNIVERSIDAD XYZ o H o 10 (pulgadas) fir) Estatnra i Número -f.:) riri {l¡ ¡ lii 12 o ilr -71 27 8 . Es interesante observar que Ia gráfica parece indicar que la muestra se extrajo de una población de alturas normalmente distribuida. . El ancho del intervalo de clase 7-ésimo. denotado por c¡r que comúnmente es el mismo para todas las clases (en cuyo caso se denota por c).5-62. La ordenación resultante.) de tro estudiantes É tr-r (::i t'.

fl lt f. pagina 76.r _ 1 lt-_+-[291:-'' _l/1.3u.r¡ TOTAI. La frecuencia total es n. corresponde a probabilidades empíricas. fz números iguales a xr. = I/ Tabla 5-3 Frecuencia de clase Marca de clase .l : . VARIANZA Y MOMENTOS PARA DATOS AGRUPADOS Podemos representar una distribución de frecuencia como en la Tabla 5-3 dando cada ma¡ca de clase y la correspondiente frecuencia de clase. P<. cuyas representaciones gráficas asociadas se conocen como ojiuas u ojiuas porcentuales respectivamente. pagina 78. s tll f¡ números iguales ? rp. fr I /:* "'-l. l3 . Véase Problema 5. Lasfórmulas (27) (28) . y (13)..5 Podemos c<¡nsiderar una distribución de frecuencia relativa como una distribución de probabilidad en la que las probabilidades se remplazan por frecuencias relativas. 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. 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. fk Puesto que hay f. números iguales d media está dada por xt. o distribución de frecuencia relatiua acumulada. COMPUTO DE LA MEDIA.1 n.. (2Ir) Análogamente la varianza está dada por (25) IL Nótese Ia analogía de (24) y (25) con los resultados (2)..L64 TEORIA DE MUESTREO lcAP. 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.. podemos considerar a las distribuciones de frecuencia relativa como distribuciones de probabilidad empírica. Ya que las frecuencias relativas pueden considerarse como probabilidades empíricas (véase página 6).¡r analogía podemos asocia¡ con cualquier distribución de frecuencia una distribución de frecuencia acumulada. es decir ¡¡ .

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

0). 7. 6) (3. _Í ) .0 4. 11) La selección (2.r' = 16. de la distribución muestral de medias se obtiene restando el valor de la media 6 de c¿da número de (1 ). + (9. 8)..8) (11..0 -('25-10 - c. ) "l . Las correspondientes medias muestrales son 2.0 7. (3. 6. y la media de la distribución muestral de medias es 9.1-¡ .5.0 es 8.0 y la media de la distribución muestral de medias .0 (2.11) (8.6) (6.6.11) 4. (o) y (ó) como en el Problema 5.o2/ N . ¡'. nuesto que segundo -:^-L-^ "" (.0 : itO + 6. (2.r ) 4. 6) (8. rj). (d) I'a varianza o{.2).. (3.40 = 2'32 Esto pone de manifiesto el hecho de que para poblaciones finitas en las que se efectúa muestreo con remplazamiento (o poblaciones infinitas). 11).05.puestoqueel segundo miembro es 10.2) (6.5 7.f. ll ). o: 3. or".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).0.5.01.0 otr 3. Para una demostración general véase Problema 5. Lo mismo que en el Problema 5.4. 4. Para una demostración general véase Problema 5.5+ 5. (6. elevando al cuadrado cada diferencia.5 + 10 /r.05 Y ox r.3). ¡r: 6 y o2 :10."\.-.5. 3) (3.8.5 11. (8. 5.166 TEORIA DE MUESTREO lcAP.0.6) \2.0 5.5. 5. éstas son (2. 4. 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. 4 135 : -. (3. de acuerdo con el valor anterior..U t< (.6).1. El resultado final es .0 9.11) (1r. Para una demostración general de este resultado véase hoblema I . (c) Hay iC-. 7. 5.3) 111. que es el valor obtenido anteriormente.8).0)2 = 4.\ N _irl.40.5 ¿" (l 8.1 para el caso de muestreo sin remplazamiento.8) \3.0 8.8.8) (8...6) (tt.5 I. 10'8/5 .0 + 7.2) 12.2\ Esto pone de manifiestrque '' .5 = 6. 8).8) (6. l'I1!11-q9-"'-lgl-99'":'I9't3ls 25 comprobándose que ) 150 tt - o'' t{' -.6.2.2t (3.47.5 6. 11). Estas so r (2.5 7.0.5 .5.5 1 4.5 5.0 6. 2) (8.?.8/2 = 5.* 2. sumando los 25 números así obtenidos y dividiendo por 25.1¡ muestras (2. (6. se considera la misma que (8.* . 5.2. + l:1.40 de modo que o.0¡:: -f -' . (2. de la distribución muestral de medias x es 6.!lr_115.D 6.5 + 9.O.3). 3) (2. 7.b - 6.0r 6. 3) (rl.5 + 4.0 O.3) (6. por ejemplo.5 9."2*= o2/r.8) Las correspondientes medias muestrales son 2.0 5.2) (11.11) (6.29.0 -i.11) (3.0 poniendo de manifiesto el hecho de que tÍ - (d) La varianza.to oue el sesundo miembro ^^ . 8.

que son muchas más de 80. habría mucha aproximación entre las dos disbibuciones muestrales.6682) ó 59.5l TEORIA DE MUESTREO r67 5.0)/0. pulgadas.0 pulgadas.4 pulgadas? ¿En cuántas muestras del Problema 5.6 pulgadas y puede.8 y 68.3 pulg.0)/0.3. Así. (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 Proporción de muestras con medias entre 66.02 onzas y una desviación típica de 0. (b) de más de 510 Pa¡a La distribución muestral de medias ox- o yn !* = p = N-n N-1 5.4 en unidades tipificadas: (66.0 y z : O.6 : -2.4772 + 0. cojinetes de bolas tienen un peso medio de 5.5 - 0.25 -1 que es ligeramente menor que 0. Hallar la probabilidad de que una muestra af azar de 100 cojinetes elegidos entre este grupo tenga un peso total (c) comprendido entre 496 y 500 onzas.67) : : (área a la izquierda de z : 0) y z : O) .6687 Entonces el número de muestras esperado es (80)(0. cabría esperar que la distribución muestral experimental de medias se distribuya aproximadamente normal con media 68.4 pulgadas . = tL = 68.8 en unidades tipificadas 68.4 - 68.3 cabría esperar una media (o) entre 66.6 : -2. (b) menor de 66.8 y 68. 5-3 5.0038 -2 A7 Entonces el nhmero de mueshas esperado es : (80)(0.6 (68.6 pulgadas 3000 3000 (b) p* = p - 68. : (área bajo la curva normal entre z : -2.0 pulgadas y dewiación típica 3.30 onzas. por tanto.02 onzas.5\ :(áreaentree:-2yz:O) * (área entre z : O y z : 0.67 Proporción de muestras con medias menores de 66.1915 : 0. 5. considerarse la misma que en el muestreo con remplazamiento. Así se tiene. (b) 66.6 pulgadas. sino solamente una distribución muestral experimenú¿1.4. ¿cuál será la media y'la desviación típica esperada de la distribución muestral de medias resultante si el muestreo se hizo (o) con remplazamiento.3 La media X de una muestra en unidades tipificadas viene dada por Z X-p* aX X-68.02 ? .0 : 0.0 0.4962 : -2.6 (o) 66. \a) p*.(área a la izquierda de z : -2. Quinientos onzas.0 pulgadas y desviación típica 0.8 .0098): 0. Por ello. 0.0 pulgadas y Yox=- ox = o=3 \/n {zs = 0.0)/0. Sin embargo.68.30 500 /ioo 500-1 - 100 0. Supóngase que las estaturas de 3000 estudiantes de una universidad se distribuyen normalmente con media 68.cAP.68. puesto que el número de muestras es grande. Si se toman 80 muestras de 25 estudiantes cada una.3 en unidades tipificadas : : (66.5. pues.304 o cero. la media y desviación típica esperadas serán muy próximas a las de la distribución teórica. para todo propósito práctico.67 0. De aquí que con 80 no se obtenga realmente una distribución muestral de medias.0pulgadas o vn N-n _3 N-1 \/% .(área entre z : 0.5) : O. Fig.3 .

.ruo2.E6)) = L(rr\ = t! 6.7. Demostrar el Teorema 5-1. tenemos por los Teoremas 3-5 y Var (X) -f vu.+"'") =. tenemos l¿-12 E(X¡) = * Entonces ya que la media muestral se define como -Y='' x.5.7 4 y z : O) = 0.+-\1L tenemos como se requiere l E(X) = ]lEtX.02)lO.ttr rr"rr"n Var uuri^X. se pide Ia probabilidad de que el número de caras se encuentre entre 47.O2\10.5-4 (ó) El peso total excederá de 510 onzas si el peso medio de los 100 cpjinetes sobrepasa las 5.10 . F'ie.168 (o TEORIA DE MUESTREO lcAP.10 onzas.48(i8 . página 158.. 4.O27 : 2. y 6Ol/" de l2O.4985: 0.. (a) ' pide ra probabilidad de que el número de caras en los 12Q lanzamientos se encuentre ent¡e 4O(/o de 6 48.0. Se consideran los 120 lanzamientos de la moneda como una muestra da la población infinita de todos los posibles lanzamientos de la moneda.96 en unidades tipificadas: (4. 3-7 " x. DISTRIBUCION MUESTRAL DE PROPORCIONES 5. . X2. Hallar la probabilidad de que en 120lanzanientos de una moneda el número de ca¡as (o) esté comprendido entre el 40% y el60%.5 se encuentra entre 4.96 5.22 y z : -0. Tenemos . Puesto que el número de caras es una variable discreta. En esta población la probabilidad de cara es p : I12 y la probabilidad de sello es C :1P : l12.7 4) (áre^ entte z : -2.+ "' + -' Entonces puesto que X¡.5 .96 Probabilidad pedida : 2.00 onzas.pues. '1-. mediante la aproxlmación normal a la binomial.027 5.O27 : -2.96\ (área a la derecha de z:0) ...5. X.96 ) El peso total se éncontra¡á entre 496 y 500 onzas si la media de los 100 cojinetes y 5.22 : --0.216-1 (área entre z : : 222 -074 Fie.. Se 1-2O. (x1) r rI (x.(área entre z : -4. página 158. son ina"p"nl'i"nt".00 - 5. son variables aleatorias que tienen la misma distribución que la población.5 y 72.7 4 : -2..00 en unidades Probabilidad pedida tipificadas : (5.5-5 5. 6 72.(.22 y z : O\ .96) :0.0. la cual tiene media ¡1. Puesto que X1.8. Se procede como en el Capítulo 4.10 en unidades tipificadas: (5.t - .(área entre z : O y z = 2. 5.2704 : 0.6.02)lO. solamente se darán 3 casos cada 2000 de obtener una muestra de 100 cojinetes con un peso total superior a 510 onzas. Demostrar el Teorema 5-2.. (b) sea 5/8 o más del número de lanzamientos.) - .0015 : (área a la derecha de z Así.

4857) : Aunquees:cresultadotiene dos cifras significativas.60 5.51720 del primer método.28 _ y 0. = .4960 : 0. 5l TEORIA DE MUESTREO ¡r: núrnero de ca¡ae esperado .cAP.4887 ) : O.0456 = 2.0041 7.65\ : (área a la derecha de z : 0) . ¿En cuántos individuos cabe esperar que (o) el númoro de caras se encuentre entre eI 40% y el 60% desuslanzamientos.0456 40Vo enunidades tipificadas 60o1c -2.971.60+0.28y2:2.40 0. Aquí se consideran S00muestras. (área bajo la curva normal entrez=-2.60.0'60 = 2.t9 yz : 2.117 l1 a 0.28) 2(O.86 : (área bajo la curya normal a la derecha de z : 2.uo ".40 y se Buma .(áreaentre z : 0 y z : 2. (b) 518 o más de sus lanzamientos resulten cara? Este problema está estrechamente ligado al Problema 5.74% de ellas con porcentaje de ca¡as entte AOVI y el .idad pedida = 2. puesto que L1240: 0. las proporciones pedidas en unidades tip! 0. Así pues.5 .28 que concuerda con lo obtenido por el primer método.s los posiblea l¿nzamientos de una moneda. Adviértase que (0.9.40 72. no concuerda exactamente. de 0.6250 - 0. - 0. 0.60 + 0.28 : : : Otro método.0041?-0.0040 -_ 0'6250 5.np = rzo(!) = oo o= 47 \/"pq 47. que 0'00417 0.48 . de la población infinita de todo.fn ficadas son.50 = _2.28) 2(área errtre z : O y z : 2. = 2.=1p= ^FY = 120 = 0.6250.detamaño 120 cada una.00. puesto que no se ha utilizado el hecho de que la proporción es realmente una r¡ariable discreta.977 4 ttp=P:i=o.50 0.00417) en unidades tipificadas Probabilidad pedida . puesto que 5/8: - 0.48 Probai¡ .0r56 - 0.1. Teniendo esto en cuenta se resta 11 Z" = Al¡.5/120 y (b) Empleando el segundo método de (o) se tiene. (o) En el apartado (o) del Problema 5. Cada persona de un grupo de 500 lanza una moneda 120 veces.I9 : -2.5 5.5 en unidades tipificadas = - 60 72.8.65) : 0.I9 en unidades tipificadx: ffip z sí la probabilidad pedida es el área bajo la curva normal entre 0.5 .19 : 2(0. i:abe esperar el encontrar un97.00417) corresponden a las proporciones 47.0456 (0.8 se ha obtenido que todas las posibles muestras de 120 lanZamientos de una moneda.0.5 en unidades tipificadas = 72.00417) y (0.

Es interesante advertir que en 500 . se tiene (o.14 = 20 0.0025 : 0. 12 o más significa 11.5 y así la proporción sería 100.a es .0714 se : O. (b) 2% o menos? PP'=P=0. una mayoría se obtendría en la muestra si la proporción en favor del candidato fuese 0.170 TEORIA DE MUESTREO lcAP.p = :p = 0.-' 0.26): 0..18 Probabilidad pedida : : (área bajo la curra normal a La izguierda de z 0. hubiese obtenido 0. (b) 1000 individuos elegidos aI azarde entre la población votante se hubiese obtenido una mayoría de votos para dicho candidato. Otro méüodo.5 en unidades tipificadas : " : {"w : (11.25 y como antes la probabilidad pedida (b) {0. (Esta proporción puede también obtenerse dándose cuenta que 101 o más indica mayoría..00125.8)12. L/2tt.5 6OVo. (a) Puesüo que I. se concluye que en (500X0.5 o más. (2()'o de 400) = 3 Entonces 11.5000.0.5025 o más.0'02 -: 0. (b) Razonando como en (o).21 (área bajo la curva nonnal a la derecha de z : l.2t) : 0. Determinar la probabilidad de que de (a) 200.57L4 Si no se hubiese aplicado la corrección.02 I 0.0040) de sus lanzamientos sean caras.0352 L12n: ll40O: 0.1056.5000 - 0. Los resultados de una elección demostraron que un cierto candidato obtuvo el 46% de los votos. 0.0025.0764.00125) en unidades tipificadas 0'02 r 010q1?5 .0362: 1.1056 Si no se hubiese aplicado la conección se hubiese obtenido 0.02 (o) y oP=tE= : 1/ 0.50 + 0. En ó00 muestras se puede esperar 97 . (3% de 400 ) : 12 piezas defectuosas.5025. Se sigue que en 489 individuos se esperaría que su número de caras se encontras€ entre eI 4O% y el 6O%.11.5/200 = 0. En concepto continuo. pero ésta.3869 :0.1131 .46)/0. sería 100. ¿Cuál es la probabilidad de que en una partida de 400 piezas sean defectuosa. También puede utilizarse el aegundo 5.) Entonces.25 hobabilidad pedida : (área bajo la cu¡va normal a la derecha de z : I.10. método del apartado (o). Este tipo de error es un rresgo que se presenta siempre que se trata con probabilidades.5000 + 0.489 : 1I individuos cabe esper:ü que su número de caras no se encuentre entre el 4O% y el 6O% de los lanzamientos.5025 Probabilidad pedida : .o3_o.4G y ".5025 en unidades tipificadas : (0.02(0.007 Mediante la corrección para variables discretas.oo125)enunidadestipificadas=W=|.={-= . ó 489 muestras con esta propiedad.18) 0. Tales individuos pueden razonablemente sospechar que sus monedas no están bien hechas aunque sí lo estén. Se ha encontrado que el 2% de las piezas producidas por cierta máquina son defectuosas. 1/800 0. como variable continua.8 : - 1.5 y'1+oo)1onz)¡rsg : 2. : 2 personas se esperará que los 5/8 o más 5.s (o) 3% o más. p0.7 4% de 500.98) v = 400 _ 0.

_u".Ur) Fur-u.' ¡ecado dc 5.46..) o (e) .= \Ej7r-. 7.a demostración del resultado general se deduce del Teorema g-7 . Si se toman muestras al aza¡ de 125 bombillas de-cada fabricante. = varianza de la población I/' (3-6)2 + (7-6)2 + (8-6)z _ 33 a2u.q/n = y'd.12.5025 en unidades tipificadas = ff*s : 0.69 Probabiliüd pedida : (área bajo la curva normal a la derech¿ de z = 2. y 0. = població n lJn = f. (f) n'u r- u" = mrianza de la población (U 1- U 2) (1-3¡z + (5-3)2 + Oo.7 g .0036 = 2.. (t) vr.46@Ba)/1000= 0.m=!T.. Calcular (a) *u.6g) = 0...e + ll = La población consistente en las diferencl¡e de cualquier término de U¡ y cualquiera de (J2 ea 3-2 3-4 Entonces 7-2 7-4 media de 8-2 8-1 (U1. [._u. = t/f. = mediadelapoblaciónU. (b) 250 hóras más que las bombilhjde B? . (d) V @ ). o.j ut-v2 (6-3)21(-.5000 - 0.. -3)2 + (3-3)2 + (4-3'¡z b L7 3 Eeto concuerda con el reeulüado general para muestras independient"" ou. (f. rnientras que las de otro fabricante B tienen una duración media de 1200 horas con una desviación típica de 100 horas..0158. ¿cuál es la probabilidad de que las bombillas deA tengan una du¡ación media que sea al menos (a) 160 horas.-(e) ou".. = (2-3)2 * (4-3)2 =l ó ou"= l.13. Sea Ut la variable de los elementos de la población 3.ia de 1400 horas con una desviación típica de 2OO horas. @).4.. sacado de (o) esto concuerda con el resultado general FLtr_uz= y (b). = media de La ]{S*?*8) = l.iu. = FLrt = 4Lrr.4964 DISTRIBUCIONES MT. ofi.cAP. (b\ pu. ou. 14 (d. 8 y U2 lavariable de los elementos de lapoblaciín2.' Éiinz. = varianzadelzpoblación U.6l (b) pp TEORIA DEMUESTREO = p: 0.]ESTRALES DE DIFERENCIAS Y SUMAS 5. 6 r¿. Las bombillas eléctricas de ün fabricante á tienen una duración Lned.. (o) (b) (c) Éy._ri.) nu.

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.

6.5 100. 5-11 o en la Fig.31.10 Hzo o lzo A 0123456 Número de caras 6 0123.6. el porcentaje de lanzamientos en los que haya menos de 2 caras es igual aI porcentaje en las que haya menos de 1. de modo que eI mismo porcentaje l8. Entonces _ )/¡ n .5.1 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?.3 + 4 + 5+ 4 + 8 1 2+ 5+ 4 20 =ñ:n'" Método 2.10 N-^ EOU G' o :! .1 Número de caras Fig. Método l.(6)(5) +(2)(3) +(2)(6) + r5)(4) I (2)(2) +(3)(8) 6+21-2+5+2+3 96 20 = 4. 5-11 y 5-12 corresponden a las Figs.10 y 18 individuos registran una media de pesos de 162. CALCULO DE LA MEDIA. dos 3. dos 6. .8 18.8.4. Hay seis 5.2 52.2ol. respectivamente.3. 20. 5-9 y 5-10 de la parte (a).0 o o É o C t{0 6 N^^ Eou o O . 2x It 5 qA +3 | fi + 5 + 4 + 5 + 2 + 8 + 6+ 5+ 4 + 8l. 5-12 muestra el polígono de frecuencias acumuladas u ojiva de los datos y los trata como si en esencia fuesen continuos.4.56 ó 1..4. 5-12.4.5. dos 2 y tres 8.75.4. Hallar la media aritmética de los números 5. formados por 76. Cuatro grupos de estudiantes.2. 5. La Fig.0 3. 153 y 140 libras.8. 5-11 es Ia más lógica para representar datos discretos. 1. VARIANZA Y MOMENTOS PARA MUESTRAS 5.TEORIA DE MUESTREO Nfimero de lanzamientos Nfrmero de caras (frecuencia acumulada ) 0 Porcentaje de lanzamientos (frecuencias acumuladas porcentuales) 0.4 81 . L48.8. 5-12 Fig. Nótese que las Figs.6. La Fig.23 caras.3. así por ejemplo. Hallar el peso medio de todos los estudiantes.2.8 5.5-ll (c) La representación gráfica puede indicarse como en la Fig. cinco 4.5.aparece para todos estos valores (indicado por la línea horizontal).32.

xj .r¡ con respec[o a alguna marca de clase determinada a. Adviértase que todos los estudiantes con estaturas de 60--62 pulgadas. T abla 5-lO 5.35. por ejemplo. Utilizar la fórmula clave del Problema 5. Denótese la clave de marca j-ésima por . etc.rj. especialmente para los casos en los que los números son grandes y hay muchas clases.. 63-65 pulgadas. etc.. Entonces la desviación de. 18 tienen una estatura de 64 pulgadas. etc. -. Utilizar la distribución de frecuencias de estaturas en la Tabla 5-2. alcú" 2f¡u.. )fu = l5 u = "*(?t. 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 >/ - + . es decir r¡ -o:cltj óx¡: a *cu. Véase Problema 5.180 sfn TEORIA DE MUESTREO lcAP. )/'(o*crr¡) = o>f. Derivar la fórmula clave (27).45 pulgadas .34..ffiq = 6?.64. si 5 tienen una estatura de 61 pulgadas. = a*c! )/'rr' . La media está dada por fi _ 2f¡r¡ = = nnnn. pulgadas.33. para la media aritmética. es igual al tamaño de intervalo de clase c multiplicado por algún entero u¡. 5 = 150 libras 5. 5. Elproblema entonces se reduce a encontrar la estatura media de 100 estudiantes.o. Técnicas breves se encuentran disponibles para disminuir el trabajo en tales casos. para hallar tatura media de los 100 estudiantes de la Universidad.página 164.t yaque n=2f¡.45 pulgadas Los cálculos involucrados pueden conveitirse en tediosos.35. pígina 163.¡ (tambiénescrito brevementecomor =a I cui. se consideran como teniendo estaturasde 61.34 para hallar la estatura media de los 100 estudiantes de la Universidad XYZ (véase Problema 5-33).)" = 67+ (i%). la es La solución se indica en la Tabla 5-9. El método se denomina el método claue y debe emplearse siempre que sea posible. XYZ. La solución puede ordenarse como se indica en la Tabla 5-10. 67.

33. .u.45 4t.8)2 _ (b) De (o\.32.45 2.5025 30.6 (libras)2 : \6bS libras : 8.Do 18 42 27 8 0.20 20 2. Entonces n20 _ 59.8):¿ + 3(8 - 4. Tabla 5.7500 f(r TL n\z 852.r\2 n 15(162.8025 72-74 246.33.55 o. para lavarianza.45 lr - fr)¿ Frecuencia 5 / f(r ñ\2 60-62 63-65 66-68 69-71 -6.8. x: 67. 5l TEORIA DE MUESTREO 181 5.11 Estatura (pulgadas) Ma¡ca de clase 61 r r- r-r = 67. " 2f(r-r\2 _ n 6(5 .45 pr.38.cAP. = +:q = 65'6 en unidades libras cuad¡adas o (libras)2 .rlgadas.31 tenemos ú = 4.6025 11. Hallar (c) la varianza y (b\ la desviación típica para los números en el Problema 5.36.2025 6.45 -0.34 tenemos ri = a + cui y ft = a*c'" 2f.4. Del Problema 5.39.37.31.a solución puede ordenarse como se indica en la Tabla 5'11.0L25 214.2460 8.8)2 = 2QA (2_20 4.20 .36. Derivar la fórmula clave (28). página 164. Como en el Problema 5.z - 2 f(r . = a*cú' t¿ . Hallar la desviación típica de las estaturas de los 100 estudiantes de la Universidad XYZ Véase Problema 5. 5.9025 208. [.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.5050 I¡D.96 y "-rfzs6=1. Como en el Problema 5. donde hemos utilizado el hecho de que las 5. HaIIar Ia desviación típica de los pesos de los estudiantes del Problema 5. : y'Gb.DO'O 64 67 70 73 -3.92 pulgadas 5.4200 n=)/=100 2 2f(r-ñlz= 852.7500 100 = {dEfB = 2. (o) Método 1. s2 = 59. aír 20 Méüodo 2.10 libras.

'r". + tlz) 2xt = *2 : t.f!n'LN c2[u2 (. : }> f . Tabla 5-13 fi u f o 18 42 27 8 Íu -10 -18 0 fu2 fux fua 80 18 0 6t 64 67 70 73 -2 -1 0 1 '20 18 0 -40 -18 0 27 16 27 32 27 64 27 2 L28 2 fu+ z= )/: 100 2fu=16 2fu2:97 I/aa:33 -- 253 .u.35.92 pulgadas. cr¡atro momentos con respecto a la media para la distribución de estatu¡as Continuando el método del Problema 5.33. De la frltima columna tenemos ¡ como en el Problema a2 = "rfL>l!'.41.1"u.40.40 obtenemos la Tabla 5-13.f ¡@. 2lu=75 )fqz = 97 lalEr lo-s primeros del Problema 5.39 para hallar la dewiación típica de las estaturas en el Problema 5. = ¿2."? -'#2 2ú2c2 r¡u.- o¡.L82 Entonces s2 TEoBTADEMUEsTREo [cAp. 2 't t f.> f .o. Utilizat la fórmula clave del Problema 5. La solución puede ordenarse como se indica en ta Tabla 6:12.\t 't t l = = ". + c2úz *> r._ "o¡.az¡ n \n /l = ta)'f-re? / rs Vl = Ltoo-\t*/J ^ ó'b-275 y s: 2. 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.{r.33.-a¡z i) = "i 2 ¡ .<"? ./¡¿)'l = ¿21¿ .'1 \fu/J _ ú2]l 5.u? -t t - C2[ /2f.jú.u? = ¿2 ¿2 * . b = f. Esto nos permite halla¡ 6.

BB Mí= >fu2 n y de (32).. que tomamos como 67 pulgadas (la marca de elase). etc. explicando cualquier discrepancia.15)(0. (o) DeI Problema 5.. que tomamos como n(¡meros muestrales aleatorios.EO notación de la página 165. OL.4MiML+ 6M'r2ML- BMin) 81[2. . (pulgadae ) Frecuencia 5 muestral 60-62 63-65 66-68 69-71 72-74 00-04 18 42 27 8 05-22 23-64 65-91 92-99 27. 02.6275 B(0.67 pulgadas respectivamente.15)41 : 199.. 46 resultan en'estatu¡as de 70. ffi2=s2=8.9?) + z(0. (b) Hallar la media y la desviación típica de la distribución muestral de medias en (o).1s)2] = ca(ML-gLI|Mi+ zM'Lz) = 2?[0.3?59 5. (c) Comparar los resultados de (b) con los valores teóricos. -0. Cada Nf¡mero Estatura n(rmero de estudiantes se denomina número'muestral. 99 (véase Tabla 5-14). De (D) yemos que e8 menoc apuntada que la dishibución normal (que tiene un coeficiente de curtosir: 3). los 18 eetudiantes con estaturas 63-65 pulgadas se numeran 05-22.6l Entoncee. lttt = ffi2= ffi3= 0 0..1b)B] = -2. Así 51 conesponde a un estudiante con estatura 66-68 pulgadas.nL¡ = ca(M't.88 "z1ML- 8.41. 67.97) -3(0.15X0. . etc.43.^=>+=2.33) + 6(0.3759 ffiz:s2=8.53-4(0.cAP. PROBLEMAS DIVERSOS 5.41.3759 qa-szrgy _ 6 al = z't+ De (o) vemos que la distribución está modetadamente sesgada a la izquierda. cada uno de los cuales determina la estatu¡a de un eetudiante determinado.53 M'r') = 9[0.97 M. fflg = p: { (8. tenemoe 183 M] = >fu n = 0. En forma semejante 77.5275 rttt Coeficiente de cu¡tosis as=E = : 199. 7'1.15 ML=Zy = o.6932 a3 Coeficiente de eesgo = a.42. Entonces extraeremo8 nl¡meros muestrales de la tabl¡ de nf¡meros aleaüorios (Apéndice I).15)2(0.14 m+ Entonces = 199. utilizando La TEORIA DE MUESTB.5275 Entonces mB = -2.9? .(0. (o) Emplear dos dígitoe para numerar a cada uno de los 100 estudianües: 00. Del primer renglón hallamos la secuencia 5I. (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. Asf los 5 estudiantes con esüaturas 60-{2 Tabl¡ 6-14 pulgadas s€ numeran 00-{4.5275)3 (b) Del Problema 5.6982 . 27. 46.33. 40. Hallar los coeficientes de (o) sesgo y (b) curtosis para la dishibución de estaturas del Problema 5.

75 65. 06.91. 63.00 68.70 7.54. 33 m. 67. 46 2. 40. l.64.64. 90.31. 56.25 70. 70.00 (0'75)(23\ = * 'ñ- 67'58 Pulgadaa 2fuz />1"\' n -\ i " (0.97 24.77. 70. 64 67. 67.50 1.23.02.f = n 30 4 ). 59. 67 Ír¡f¡f media 66. 64. 67 67. 64.75 69. 42.98.67.84 64. 3 14 16 4 I l. 73. 73. 1t. g8 25.04.70. 10.25 68.6L.50 68. 67 . 03.62 4.25 69. 67 70.03. 67. 67. 73. 70.75 69. 70.79. 70. 67.60 67.32 8. 19.70 Trbl¡ 6-16 Media muestral 64.50 79.08.0L. 73. 67.91. 39 13. 61. 31. 70 64.83.8s 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. 73 67.57. 18 70. 64. 73.69.00 67.09.25 66. 64.76) = 1. 67.50 68.50 69. 56. 75. 60. 07. L2.2L 10. 21. 19. 20.93 5. 67. 67.50 68.50 65. 6? 15. ?1.67 64. 67.50 66'.24.93.41 pulgadar .25 67.64.'7L.70 70. 70.64. Esta ee una distribución mucet¡al de mediu.97. 67 64.25 68.5 Por eete proceso obtencmo¡ l¡ T¡blr Fló quc rnue¡tra lo¡ n(¡mcro¡ mue¡trale¡ extrafdor.00 67.30 58. 68.74.64.82.00 70. 70 64.73.50 68. 81. 34. 70 6L.00 -4 -3 -2 -1 0 1 -4 0 -4 -6 0 0 4 / 28 45 16 23 d D . 21. 67. 53.74.25 65.50 67.64.25 69. 87 fl.67 67. 76. 67. T¡bh 6-ró Nf¡meros muesFale¡ Est¡twr¡ o- E¡la+ Nfrmeros muestralea extrafdo¡ rrcqrondieatcc 67. 64.70 medi¡ 67. 67.25 69.6r. 6L. 58. 67. 64 70. 67 23.08 12. 67 70.58. 07. 58 70.42. 64. 30. 67.184 TEORIA DE MUESTREO lcAP. 13. 67. 67. 67. 45. 96.24 64. 65. 55.73 67.64.00 66.41.96.52 13.44.28.70. 73 67.25 67.79 70.25 Cl¡enta Í 1 u fu fu2 16 0 8 6 0 2 ñ( /t/t )#{ 6 4 A a+67. 67. 64.93 14.54 2:2. 70. 73. 43 1f. tt.87 26. 12 3.96.58 9. 67 70. 70. L¡ medi¡ y la derviación tfpica ee obtienen como es usual por los métodos claves delcrito¡ anterbrmeuüe. 70 73. 51.64 73.22.25 64.50 66. 67.00 extnfdo¡ Estatr¡¡as corespondientec 64. 67 70.70.2L.75 66.99 23.fu. 11. 67 29.28.75 68. 51. 67.33. 70 67. 56. 45. 67 67.00 64. 67 64.70.91. 93. 67.93 27. 70. = 2 fuz = 123 (b) IÁ Tabla 5-16 da I¿ di¡tribuci6n de ftecuc¡rci¡¡ dc I¡ media muestral de las estaturas obtenidas en (o).46.ón dc l¡ trbl¡ de nl¡rncro¡ dcatoiio¡ h¡brfrmo¡ podido inici¡¡ en eualquier parte y escoger cualquicr patrón dctetmindo. 64 67. 15.27. 67. 05.36 08.25 67.73 73.75 67. 10. 70. Medi¡ = a*cú Derviación = o*c2fu típicr = = e - 6?. 16. 67. 98.00 66. 86 6.

8 . Podemos considera¡ que el muestreo es o de una población infinita o con remplazamiento de una población finita.a a. El área bajo la curva normal a la izquierda z : -2.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.?d L -r..r .46 pulgadas. Una muestra de Por 6 observaciones se hace aleatoriamente de una población.0 libras. La desviación típica de los pesos de una población muy grande de estudiantes es de 10.r.. tenemos: ( ¿[.50Ib v400 5.5 .8libras? La distribución mueetral de desviaciones típicas es aproximadamente normal con media 10.g2/fi = 1.0.0 es (0.5 . donde la dewiación típica poblacional o = 2.a la media poblacional ¡r que 67.50 libras.) au .45.0. es ig¡ual. Se escogen muestras de 200 estudiantes de esta población y se calculan las dewiaciones típicas de las estaturas de cada muestra..44 tendrían dewiaciones típicas (o) mayores que 11.50 : -2.4918) : 0.4772) = 0.cAP. de (b) 8. estamos de acuerdo con el valor de 1. La desviación típica teórica (error típico) de la distribución muestral de medias.5l (c TEORIA DE MUESTREO 185 ) es t a media teórica de la distribución muestral de medias.con el valor de 67.40) y el tamaño de la muestra n : 4.0 .0.8 libras en unidades típicas : (8. 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) . /(r) tr. pfuina 162. Entonces la probabilidad de que las primeras 4 sean rnayores que ü y las 2 últimas 6ean menores que u es decir - nc.44.1 aJ.92 pulgadas (véase hoblema 6.0082. (a) : 11.f 'LJ" f t@ta*l'/t.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 €.4. (b) menores que 8. ) ea el producto de (1 ) y (2). por tanto el porcentaje pedido es 2.0 libras y desviación típica 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.58 pulgadas de la parte (b).". ¿Qué porcentaje de las muestras del Problema 6.33).t J. De la Tabla 5-1.46.50 : 2.0 lb ( lr) \/2" + = 0. Í:-lÍ.l' ra. 5.10. dada por o*.0 libras.0y0. . dada por a¡. Hallar (c) la media y (b) la dewiación típica de la distribución muestral de las dewiaciones típicas.0 libra¡ en unidades típicas: (11. es igual a o/y'[.45 pulgadas (vóase hoblema 5. 5. de acuerdo.0228.41 pulgadas de la parte (b).t. El área bajo la curva normal a la derecha de z 2. por tanto el porcentaje pedido ec 0. Las discrepancias se deben a que solamente 30 muestras fueron seleccionadae y el tamaño de la muestra fue pequeño.' ¡p¡ a*)"lJ'"-r. esto es Q\ (r) f" sean .) ps: o = ts=-' o 10.0)/0.8%.4 es (0. Puesto que o/t6':2.3'/'.

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

cov(x¡. remplirzamiento.á. (c) la media de la digtribución mueshal de medias.42 onzae.62. (b ) sin 6.a7 @).rlo s 6. Por tanto I+v:l Cov (X¡. adecu¡das. Si se erüraen 300 mueetras de tamaño 36 de e¡üa población. (c) sean menor de 22. Resolver el Problema 6. Una población est6 formada por los cuatro nfrmeros 3. (b ) la dewiación típica poblacional.50.048 onza¡.N-1J '¿\N-1/ Problern DISTRIBUCION MUESTRAL DE MEDIAS a.LL. g (o¡ - p)(o.cAP.40 onzas y dearriación tfpica 0." +a¡v = a N 02.á var(X¡) * .f x"\ D p (. 15. 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.51.x¡)] = #ú* *.49.6l TEORIA DE MUESTREO En esta ecuación.N\N-rl' 't/ 5.4L onzas? y 22.p) = -Noz r \ -2 'r' X¡) = .1'". ¿en cuántae de lag mue¡tras aleatoria¡ cabe ecperar que sus medias (a) ertén enl'l. NÉ y la primera suma en el lado derecho er igual por definición. (b) sean rnayor de 22.(. 5.47 están dadas respectivamente por t*= (o) E6) = "1 =*"(x=) /X' +. ya que por definición a1 187 -la2+'. Hallar (o ) la media poblacional.51 si la población 5e compone de 22 cojineter. Encontrar (c) v (d) directamente de (c) y (b) mediante las fórmula¡ 5. obtenemos var(x) = Sv^.51. Considerar toda¡ lae posibleamuestrasde tamaño dos que pueden extraers€ de esta población con remplazamiento.38 o mayor de 22. .48.Ét ".¡ = .N-1 ^' . Loa peeos de 1600 cojinetes de bolas se distribuyen normalmente con medla 22.e 22.) = #[. (d) ¡ean menor de 22.( rr-:--r l(-..(n_'. En el Problema 5.37 onzaa.4L .53. Demostrar que (c) la media y (b) la varianza de la media muestral del Problema6.. ó. el lado izquierdo e8 cero.7. Resolver el Problema 5.49 si el muestreo fuese sin remplazamiento. = p (b) Uüilizando loe Teoremar 3-5 y 3-16 (generalizadoe).' " ) = . y el Problema 6-4?..Ét suplernenta. (d) la dewiación típica de la distribución muestral de media¡.39 onzas.(-r¿_ i)] = Lfr-"-rf = 4(N-"\ nl.iE(x)+"'+E(x")l 1 =1 n (p -r "'+p) donde hemoe empleado el Problema 6.

59.56.nedias a larotura de 4000 y 4500 libras con desviaciones típicas de 300 y 200 libras. 5. ¿en cuántas cabe esperar (a) igual número de bolas rojas y blancas.54. ¿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. (ó ) entre el 43% y el 57% sean niñas. 6. se pueden usar hojas de papel. Hallar la probabilidad de que una muestra aleatoria de 16 tubos.188 TEORIA DE MUESTREO lcAP. (ó) al menos 450 libras más que A? 5. 5. Se extraen dos cotecciones de 30 bolas cada una con remplazamiento y s€ anotan sus colores. Ciertos tubos fabricados por una compañía tienen una duración media de 800 horas y una dewiaeión típica de 60 horas. 5. que es de 8200 libras? DISTRTBUCION MUESTRAL DE PROPORCIONES 5. que tienén unas registencias .63 si se comprueban 100 cables de cada fabricante? Explicar las diferencias. ¿Cuál es la probabilidad de que las dos coleccionee difieran en 8 o más bolag Resolver el Problema 5. respectivamente.66. (c) más del 640/o sean niños.60. (b) l2 bolas rojas y 8 blancas. sacadas de la urna con rempliazamiento. 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.6t.el 4Oi'o sean niños.' ¿Cuál es la probabilidad de que dos grupos de estudiantes. 5. formados de 28 y 36 eetudiantes.6?. respectivamente. 6. Explica¡ la diferencia. ¿Cuáles son las probabilidades del Problema 5. y explic. ¿en cuántos lotes cabe esperar (o) menos de g0 bombillas buenas.57 si se consideran 100 en lugar de 200 niños resultados. Un fabricante despacha 1000 DISTRIBUCIONES MUESTRALES DE DIFERENCIAS Y ST'MAS 5.12. sob¡e las que se escrriba la inicial .69. Si normalmente el 6Vo de las bombillas es defectuoso. (b) 98 o más bombillas buenas? 5. rojas? 5. En lugar de bolas rojas y blancas. tomada de entre ellos tenga una duración media de (a) entre 790 y 810 horas. 5. (b) menor de 785.60. (b ) entre el 4O% y el 60% sean niñas. 5. (c) entre 2 y 5 Una urna tiene 60 bolas rojas y 40 blancas. (c) 8 bolas rojas y 12 blancas. llallar Ia probabilidad de que de los próximos 200 niños nacidoe (o ) menos d. (d) enhe ??0 y 830 horas.R o I en las proporciones adecuadas.61. Los pesgs de los paquetes recibidos én un departamento de almacenamiento tienen una media de 300 libras y una desviación típica de 5O libras. (b) 6 o más puntos. Los resultados de una elección mostraron que un cierto candidato recibió el 65% de los votos.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. En una prueba de aptitud puntos? la puntuación media de lo¡ estudiantes es de ?2 puntos y la dewiación típica de 8 puntos. A y B fabticzn dos tipos de cables. 5.63. (c ) el 63"h o más sean niñas? Resolver el Problema 5. (c) mayor de 820 horas.66 si las exüracciones son sin remplazamiento al obtener cada colección. De un total de 1000 muestras de 200 niños cada una. difieran en su puntuación media en (o) 3 o más puntos.65. comprobar que . Lo mismo del Problema 5.62. ¿Qué enores pueden introducirse al utilizar dos conjuntos diferentes de monedas? lotes de 100 bombillas cada uno.57. Si U¡ y U2 son los co¡r¡\ntos de nhmeros del Problema 5. Hallar la probabilidad de que en dos muestras aleatorias compuesta cada una de 200 votantec. (d) 10 o más bolas blancas? Dseña¡ un experimento que ponga de manifiesto los resultadoe del Problema 5.54 si la muestra extraída ee de 64 tubos. ¿en cuántas cabe esperar que (o) menos del 4OVo sean niños.5t.55. haya una diferencia superior al1^o"k en las proporciones que votaron por dicho candidato. Supónganse iguales las probabilidades de nacimientoe de niño y niña.6 6. 5.64.

2 voltios. donde ? tiene. I 6. (b) el error tfpico de varianzas. Con referencia a esta tabla determinar: (¿) f 'ímite superior de la quinta clase.0.E0. una distribución ú de Student con r. ¿Es la probabilidad de que una ttarianza sea mayor que 1. ¿qué porcentaje puede tener varianzas (a) menores que 10.54 libras.49.01.699 700 . hallar (o) Ia media de la distribución muestral de varianzas. (c) Marca de clase de la séptima clase.60.48. respectivamente. La Tabla 5-17 rmuestra una distribución de frecuencias de la duración de 400 tubos de radio comprobados en la L & M Tube Company. DISTRIBUCION DE FRECUENCIA 5. Con 6.82. ?s 6.72. Una en tanto que muestra de 8 bombillas se toma de A y 16 de 8.74. (e) Tamaño del intervalo de clase. Reeolver el Problema 6. ó. (b) 7. página 161.46 y 0. Determinar la probabilidad de que la varianza de la primera muestra sea mayor que (o) dos veces.35. Si se seleccionan 10 . la de la segunda.8f .tr*Lrr: ru.599 600 . Si se extraen muestrae de tamaño 5 de esta población. Verificar si los resultados del Problema 5. Se pesan tres cantidades dando 20.54 libras con dewiacionee típicar de 0.05. El voltaje medio de una baterfa e¡ de 15.0 voltios y la dewiación tfpica 0.999 300 1000-1099 1100-1199 las 600 horas. (h) Porcentaje de tubos cuya duración no sobrepasa .799 800 . DISTRIBUCION MUESTRAL DE RELACIONES DE VARIANZAS 5. 5. (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.50.376) .499 500 .3?6 < ? 1. (b) Límite inferior de la octava clase. Número de tubos L4 46 58 76 68 62 48 22 6 Solueionar el Problema 5. Tabla 5-17 Duración (horas) 5. TOTAL 400 . La duración parz A tiene una desviación de 40 horas la duración de B tiene una desviación típica de 50 horas. (ó) P(1. ¿Cuál er la probabilidad de que cuatro de estas baterfas conectadae en serie tengan un voltaje conjunto de 60. = 1.21. (b) se encuentre enüre 50 y 70 horas.899 900 .50.77.5I TEORIA DE IIIUESTREO ttur2 189 (a) 4.75.01? Dos compañías. 6. A y B fabrican bombillas.8 o másvoltios? DISTRIBUCION MUESTRAL DE VARIANZAS 6. De acuerdo con la tabla de distribución ú de Student para 1 grado de libertad (Apéndice D) tenemos P(-1 < 1) : 0.73. Una población normal tiene una vari¿nza de 15.97 y 62. (b) ambas b0 horas.49 se confi¡man utilizando (a) P(-1 < f < 1) = 0. Hallar (o ) la media y (b ) la desviación típica de la suma de las cantidades.80 si las desviaciones típicas de las duraciones son (o) ambas 40 horas.tubos aleatoriamente hallar la probabilidad de que la dewiación tfpica muestral (o) no exceda a 50 horas.?6. para diseñar una tabla de distribución f de Student como la dada en el Apéndice D. 6.399 400 . entie 0. referencia al Problema 6.i se confirman por este valor y explicar cualquier diferencia.78. o menor que 0.05 y 0. (d) Límites reales de la última clase.cAP.72 ei el muestreo es sin remplazamiento. Verificar si los resultados del Problema 5. (g) Flecuencia relatir¡a de la sexta clase. Dos muestras de tamaños 4 y 8 se extraen de una población distribuida normalmente. (b) ou1+ur = \Grtr.2 veces. 6 Frecuencia de Ia cua¡ta clase.5 veces la otra mayor que 0. y Se halla que CASO DONDE SE DESCONOCE LA VARIANZA POBLACTONAL 5. (b) mayores que 20. Explicar cómo podría utilizar el Teorema 5-7.79. = 5.70.0.71.

(h) una ojiva. (b un ) histograma de frecuencias relativas.737 0.87.736 0.730 0.90.735 0. "de"*- Tabla 5-18 0.735 0.?30 y 0.78 y 89.324.327. CALCULO DE LA MEDIA. O.734 0. (f) una distribución de frecuencias acumuladas. correspondientes a la distribución de frecuen- 5.732 0.82. Para los datos del Problema 5. (c) entre 620 y 890 horas. 5. 5. Comparar estos resultados con los obtenidos directamente de la colección de datos de la Tabla á-18. Deüerminar el tiempo medio de reacción del individuo a los estÍmu- 6. Resolve¡ el Problema 5.733 0. 4 y 6.49. (d) un histograma de frecuenoias relativas.740 0.742 0.738 0.724 0.330.732 pulgadas.63.?36 pulgadas. Construir (a) un histograma y (á) un polígono de frecuenciae ciaa del hoblema 5.82 con duraciones de (o) menos de 560 horas. Las calificacione¡ de un estudiante en cinco aeignaturaa fueron 85.732 0. sue clasee .738 0. 6.736 0. Estimar el porcentaje de tubos del Problema 5.63.739 0. 93.744 0.?39 0.95.82 construir (o ) una distribución de frecuencias reliativas o porcentual.728 0.190 (i) (j) TEoRTA DE MUEsTREo Porcentaje de tubos cuya duración es mayor o igual a 900 horas.738 0.82. (b) no superioree a 0. Una 6.737 0.735 0. horas. y 0. 5.89. ó.0.726 0.386.5 5.89 determinar el porcentaje de cojinetes de bolas que tienen diámetros (o) superiores a 0.?30 0.52.96.731 0.741 0.55 segundos. ?6.128 0.88 consüruir (o) un histograma. 5-18 niuestra los diámetros en pulgadae de una muestra de 60 cojinetes de bolas fabricados por una compañía.88. Con los datos del Problema 5. lcAP.46.736 0. (c) di¡tribución de frecuencias relativas.89 para los dato¡ del hoblema 5.735 0. Construir una distribución de frecuencias de los diámetros utilizando intervalos de clase 5. ¿Cuál es ¡u media Las calificaciones de un estudiante en las tres asignaturas del curso fueron 77. ¿cuál es el promedio adecuado para sus calificaciones? (b ) ¿Cuál sería si todas las ponderaciones son iguales? 6.729 0.50. (c ) un polígono de frecuencia¡ relativas. Los tiempos de reacción de un individuo a determinadoe estímulos fueron 0.735 0. (b) 9?0 o mág Los diámetros interiores de las arandelas producidas por una compañÍa pueden medirse con aproximación de milésimas de pulgada.734 0. (i) una ojiva porcentual.735 0. 0.733 0.732 0.333 y 0. hallar.735 0.734 0. 0.740 0.735 0.83.731 0.729 0. (b) una distribución acumulada relativa o porcentual. (g) una distribución acumuhdá porcentual. (b) los límites reales de clase.82 construir (o) una distribución de frecuenci¿s acr¡muladas. DESVIACION TIPICA Y MOMENTOS PARA MUESTRAS 6. Hallar la media a¡itmética de dichas calificaciones.?36 0.74 y 82.0.0. (e) un polígono de frecuencias relativas.321.t4. Con log resultados del Problema 5. La Tabla dos.732 0. ee¡ie de nfimeros está formada a¡itmética ? por seis 6. (c) entre 0. (d) una ojiva porcentual. Porcenüaje de tubos cuya duración es al menos de 500 horae pero menor de 1000 horas. 0.741 0.E5' Para los datos del Problema 5.?38 pulgadar.725 0.740 una 5.94.72t 0.746 0. siete 7. ocho 8. (c) los límite¡ de clase. 82 y 96.727 0.733 0.44 los.91.746 0.93. Tles profesore¡ de economfa regieünron una ealificación media en sus eiámenes de 79. (b) un polígono de frecuencias.92.736 0. ó.732 0.742 0. 0.734 0.86. respectivamente. Si las marcas de clase de gna distribución de fiecuenciaa de estoe diámetros vienen dadas en pulgadas por los números 0. 0.736 0. 0. nueve 9 y diez 10.?30 0. respectivamente.737 0.(a) el tamaño de intervalo de clase.739 0. (c) Si las ponderaciones asignadas a cada asignatura rcn 2.743 0. (c) una ojiva.

1' 1' 5. Determinar la media de la carga máxima empleando (a) el "método latgo". La Tabla 5-21 mue¡tra Ia distribución de los diámetros de las cabezas de los remaches fabricadoe por una Tabla 6-22 Freeuencia I 6 8 Diámetro (pulgadas) 0.6.7. 6.1273 0.2 10. 12.7265-0. Determinar el porcentaje de hombres y mujeres empleados en la compañía.2 624 2 462 480 498 516 534 552 570 588 606 12.7 t2 17 l4 6 3 1 Tabla 6-2O fr 11. (b) el método clave.3-10.7267 0.6.101. 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.262-0.3-11.22..98' (b) 6. ¿Cómo están relacionadas las medias? (b) Multiplicandocadaunodelosnúmeros3. respectivamente. 2. Halla¡ i 9.0.6.98. Calcular la media de los datos de la Tabla 6'22. .7280-0.4.5.7.100.7270 0.2.7258 0. 1.102. TEORIA DEMUESTREO 191 y 11 estudiantes.7 . Log salarios medios anuales pagados a hombies y mujeres de la compañía fueron $á200 y $4200. 11 .6. L7. (b) el méto' do clave.7250-0.4. Tabla 5-21 60 ó.7277-0.7268-0. (o) Sumando 5 a cada uno de los nl¡meros de la serie 3. Calcular el diámetro medio.3-L2.7259-0. ó.8-11.2. reqrectivamente.4.cAP.7279 0.8-10.8. Hallar la desviación típica de los número¡: (a) 3.5. 5.7256-0.104.7271-0. 10' L6.103.2 TOTAL Í 98 75 56 42 30 21 15 11 6 compañía.g?.2 11.0.7249 0. 10.99. 25 las clases.7253-0.7.9. .5l estaban formadas por 32.7274-0.2.726L 0. pero diferentes medias. El salario medio anual pagado a todos los empleados de una compañía fue de $6000.0. Tabla 6-19 Carga móxima Nl¡mero de cableg (toneladas cortas) 9. tlalla¡ la dewiación üípica para las distribuciones del (o) hoblema 6.2. i) 5.7252 0.7255 0.106.8-r2. Hallar la dewiación típica de la serie de nl¡meros de la progreeión a¡iümética 4.8-L3.6por2ydespuéssumando6seobtienelaseriell.2.6 se obtiene la s€rie 8. Determinar lacalific¿ciónmediaparatoda8 5. Demostrar que ¡as dos series tienen lae mismas desviaciones tfpicas. ' 164.7 L2. 19.1. (b) 3. L.0.6. .3- 9.7282 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. para los daüos de la Tabla 6'20 empleando (o) el "méüodo largo".99. (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 6.7247-0. (c) 0.?276 0.?. 1.7264 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. 15.7 10.

Hallar el coeficiente de (o) sesgo. (b) respecto al punto 5. I 4 o 10 7 5.1 y -12. - l}rnlstn" * 4n. (c) tercero y (d) cuarto orden con respecto los números del Problema 5. ¿Qué distribución está más sesgada a la izquierda? 6.124. Hallarelcoeficientede(c)sesgo.gg. (l). Si loscuatroprimerosmomentosdeunaseriedenúmerosrespectoalpunto3sonigualesa-2. @¡.t s). 17. 11. 5'112. (a) De un total de n números. teóiicos esperados.116.0. t¡l F. Hallar (a) ntr.nl_ thnirni+6ml2rn. 5'121. (b) mz.0. - ?n: - 1m'rm! * l}m'r2nt!.127.111. (c) respecto al origen.120. y (i) (i+ rFpara 5.102(c).l F.111.10. = nt.1o6.113. Los momentos de cuarto orden respecto a la media de las dos distribuciones del Problema6.1. la fracciónp son unos mient:'as que la fracción q : 1 -p son ceros. (D ) Derivar una fórmula análoga par^rns.98. Tabla 5-23 f t2 t4 16 18 5.111 y 5. 8.mt..126 son 230y 780 respectivamente.li. mientras que los momentos de tercer orden con respecto a la media son -8. . 5. Calcular los primeros cuatro momentos con respecto a la media para la distribución de la Tabla 5-23. ) Construir una distribución de frecuencias para los datos y hallar la desviación (c) Comparar el resultado de (b) con el de (a).g. Los momentos de segundo orden con respecto a la media de dos distribuciones son g y 16..-Btnini l2m'rs. 14. 5 5. l. Lo mismo del Problema 5. 5. si la distribución fuese normal. 5. 5.r5 1.722. la fracción p son unos mientras que la fracción q : 1 p son ceros. ¿cuál es la media? 5. (o) Hallar la desviación típica s de los diámetros de los remaches del Problema b.123. Comparar con el problema b. ¿Qué distribución se aproxima más a la distribución normal desde el punto de vista de (a) apuntamiento.119.(b)curtosisparaladistribucióndelProblema5. @') mt y (d) ma para los números.1 .L22. "on 5.f 07.117. 5. l. Calcular los cuatro primeros momentos con respecto a la media para la distribución del Prol¡lema 5.f f O.125. 20 22 2 AI.L92 TEORIA DE MUESTREO lcAP.11g. Si el momento de primer orden con respecto al punto 2 es igual a 5. (c) lrq . a la media de 5. Véase Problema 5.. Hallar (o) m t . determinar los correspondientes momentos (o) respecto a Ia media.114. (f) s. Hallar los cuatro primeros momentos con respecto a la media de los números de la progresión aritmética 2. Con los resultados de los hoblemas 5.2g.5. Hallar (a) la media y (b) la desviación típicaparaladistribucióndelProblema de los resultados obtenidos.2_ Bm. (a) Hallar la media y desviación típica para los datos del problema 5.. Hallar los momentos de (o) primero. 1. S. (c) tercero y (d) cuarto orden de los números 4.108. 5. 3.+. (b) m. Hallar los momentos de (a) primero.111. 6. 5. (a) Demostrar que . 5.-2bybO. Aplicar el resultado de (o) al Problema b. De un total de n números. (b típica. (b) segundo. Demostrar que la desviación típica de La serie de números es fi. tt.g.126. la distribución del Problema 5. (b) rr. (t t 2s). (b) segundo. (t l3s)? (c) Comparar los porcettajes'de (b) lo. y comentar las diferencias observadas.1!2.lOO. tlallar los momentos de (o) primero. (c) nt3.109. comprobar las relaciones entre momentos (a) mi2.101.98. (b) asimetría? . 5. (b) ¿eué porcentaje de diámetros se encuentra entre (r1 . (c) tercero y (d) cuarto orden respecto al punto ? para los números del Problema 5. 5.¡nz = ml- 5'115..121. k) ¡¡.llE. Hallarloscuatroprimerosmomentosconrespectoalamediadelosnúmeros0.108 para los datos del problema 5. (b) segundo.r5.30explicandoelsignificado 5.8 respectivamente. (b) curtosis para la distribución del Problema 5. 30 5.

1 (b)Emplear(a)enel 6. (b) la dewirrción tfpica de la duración exceda 96 hora¡? ¿Qué ruporicioner deben hacerse? 6. página 175. ¿Cuál es la probabilidad de que lae primeras tres obgervaciones sean mayores que las'últimas cinco? ó. Si muestras de tamaño 5 se ertraen de esta población y se calcula la varianza de cada muestra.'*(n-1)=in(n-1). (b) sin remplazamiento. 6. halla¡ la media de la distribución muestral de varianzae si el muestreo ee (o) con remplazamiento.129 si la medi¿na de duración es de 900 horas. Demostrar el resultado (I9). mz = i. pfuina 160. son independientes.131. fSugerencia: 14+24 +34+' . hoblema 6. 5. En un exarnen las calificaciones fueron normalmente disüribuidas con media 72 y dewiación típica 8. (a) Demostrarquelarvarianzasdelconjuntoden nfrmerol a.6l PBOBLEMAS DIVEBSOS TEORIA DE MUESTREO 193 5..132..135.al2d.* (n .104. 1z+22+32+". a * d. Demoetrar que Vt y Vz definidas en el hoblema 5.22. mt = 0. Determinado¡ tubos producidos por una compañfa tienen una duración de 900 horar y una dewiación típica de 80 horas.. Una mueetra de 8 obeervacione¡ se hace aleatoriamente de una población.129.aI progresión aritmética con primer término o y raz6n d) erlt6 dada por tl1-2 (n2 Dd2 .1)a = $n(n-l)(2n-ll8n2-Bn1 ). En el Problema 5.@z-L)dz. tno = ñ(n2-l\3n2-7'td4 CompararconelProblema 5. Demoshar que los primeros cuatfo momentos con respecto a la media de progresión a¡itmética a.134.. (n-1)d (eadecirun¿ 6.+(n-l\z=fn(n-Il(2n-1)..130.. (b) Hallar la probabilidad de que en una muestra aleatoria de 100 eetudianües la calificación mínima del 2O% superior Eea menor que 76.. (o) Hallar la calificación mfnim¿ del 2O% superior de los eetudianües.136.115. La compañfa envfa 1000 lotes de 100 tubo¡ cada uno.133. ¿en cuántos lotes cabe eErerar que la mediana de duración exceda a 910 horaa? Comparar ¡u solución con el hoblema 5.a*d. a * 2d. ..1 5. ¿En cuántos lotee cabe esperar que (o) la duración exceda 910 horar.. Una población de 7 números tiene una media de 40 y una desviación típica de 3.a|(n-l)dson 11 ffit = 0. 5.cAP.128.129(o) y explicar ous reeultados.fsugerencio: Utilizar - l+2+3+..

Véase Tabla 5-1. €l 68.46% y 99.28 + 0.27 % . la distancia real se encuentra entre 5. utilizan estimas sesgadas o no eficientes.3.2. Por tanto. el estadístico con la menor varianza se llama estimador eficiente de la media.s. Si. En la práctica se ellas pueden obtenerse. es decir. La precisión o conocimiento del error de una estima se conoce también como su seguridad.03 pies. 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. por otra parte. ESTIMAS POR INTERVALOS DE CONFIANZA. L94 .73% de las veces. Si las distribuciones muestrales de dos estadísticos tienen la misma media. cabe esperar que el estadísticoSseencuentreenlosintervalos&s o^s8Í. se está dando una estima de intervalo. página 162. EJEMPLO 6. la media provee una estima más eficiente que la mediana.1.que es cierto para muchos estadísticos. S realmente es un estimador sesgado de o. EJEMPLO 6.ACIONALES Sean ¡rs y o" la media y la desviación típica (error tÍpico) de la distribución muestral de un estadístico S. Lógicamente se prefiere tener estimas que sean eficientes e insesgadas.. pero esto no siempre es posible. Los valo^res i y 3 z se llaman estimas insesgadas.. si el tamaño de muestra es n > 30). Entonces.31 pies.s*o.r--Bo. EJEMPLO 6. se está dando una estima de punto. por la relativa facilidad con que algunas de ESTIMAS POR PUNTOS Y ESTIMAS POR INTERVALOS. La distribución muestral de la media y la mediana.28 pies. El valor correspondiente del estadístico eficiente se llama estima eficiente. U 13 t) = o2. eonq de esttmocton : . la va¡ianza de Ia distribución muestral de medias es más pequeña que la distribución muestral de medianas. ya que en general Z(3) + o. en las páginas 157 y 160 son estimadores insesgados de la media poblacional ¡r y de la varianza poblacional 02. respectivaménte.Capítulo 6 rF I | .l parámetro. Si se dice que una distancia viene dada por 5. puesto que E'(X) = u.95. &s-2o"EFsl%a'" ó ¡r. La media X y la varianza 3' d"finid". si la distribución muestral de S es aproximadamente normal (lo que se ha visto-.2_5 y 5. Sin embargo. ambas tienen la misma media. 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. se dice que la distancia es 5. u-¡r"* 3o" . la media poblacional' Sin embargo. SEGURIDAD La estima de un parámetro poblacional dada por un número se llama estima de punto de. DE PARAMETROS POBI.

Por ejemplo si -t. de los límites de confianza se llaman coeficientes de confianza o ualores críticos y se denotan por zc."\\ñ s (3) . Tabla 6-1 Nivel de confianza zc e9. En general.05 2. si el muestreo es sin remplazamiento én una población 2.28 1.. t 6 . Si el estadístico S es la media muestral X. entonces los límites de confianza d'el95% y 99% para la estimación de la media poblacional ¡. En la Tabla 6-1 se dan los valores de z" que corresponden a distintos niveles de confianza utilizados en la práctica.27 %. Los números extremos de estos intervalos (S i o5. S -+ 2o. 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. Poi estos se 99. $ I 3or) son llamados los límites de confianza del 68.6l TEORIA DE ESTIMACION 195 Análogaménte cabe esperar o se puede confiar en encontrar.73% o.6746 En los casos donde un estadístico tiene una distribución muestral que es diferente de la distribución normal (como chi-cuadrado. S +.46% y 99. se puede ver que los límites de confianza para la media póblacional vienen dados por Xtz"* vn N-tt.1.46%y99.r.95.6% del área se encuentra en cada "cola" de la distribución ü.96. 95.68. Para niveles de confianza que no se encuentran en Ia tabla.645 r. S-2o" a S+2o" ó S-3o.respectivamenllama¡ a estoé intervalos los interualos de confianza del68. a S * o' delasveces. obtenidos en el Capítulo 5.73% "pueden Análogamente. El porcentaje áe confianza se"llama también nivel de confíanza.szs y ú. son los límites de confianza del96% V 99% (ó 0.o.73% s9% s8% s6% s5. de modo que para obtener los límites de confianza anteriores. En este caso utilizamos la distribución t para obtener los niveles de confianza.58 ox respectivamente..szs son los valores de ? para los que el 2. Pequeñas muestras (z < 30). 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.00 0.96.00 1.Grandes muestras (n > 30).73% para la estima de ¡rs (es decir.27%.96 o. Más generalmente.9q -V 0. etn. se utiliza la estima muestral S o S.33 2. Los números 1.cAP.45%y te. & S*Sorenel 68. ps er los intervalos S . vienen dados por X r.99) para p". y S -r 2.27%. De los niveles de confianza se pueden obtener los coeficientes de confianza y recíprocamente.00 2.96 o7 Y X + 2. la desviación típica poblacional o es desconoc^ida.96 1.27% 60% 3. como otras veces sé conocen. en el caso de un S insesgado).. 2.srs . .F') se hacen fácilmente modificaciones apropiadas para obtener los intervalos de confianza. Iímites fiduciales. para estima¡ el parámetro poblacional.46% 95% 90% 80% 68.1. entonces un intervalo de confianza para ? está dado por (véase pagina 161) (N -t. los valores de z" pueden sacarse de las tablas de la cuwa normal en el Apéndice C. INTERVALOS DE CONFIANZA PARA MEDIAS 1.68 2.58 o. Utilizando los valores de o.

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

- Pr.02S o2 (12) ^.ozs = (13) De esto vemos que o puede estimarse que se encuentra en el intervalo S\n X.."1=. Para estadísticos con distribuciones muestrales simétricas. entonces la variable aleatoria En el Capítulo 5.ozs (1t ) S{n-7 X. n - L gndos de libertad. vimos que si dos muestras aleatorias independientes de tamaños m de vatianzas ol. Sin embargo.975 o de manera equivalente -.S.szs (1 5) con confianza de g5%. los límites de confianza paÍa la diferencia de dos proporciones poblacionales. Si se extraen de'dos poblaciones distribuidas normalmente respectivamente.6l TEORIA DE ESTIMACION L97 'donde Xpopnr y X2. Porejemplosi x%rry X?szs sonlos valores de ¡2 para los cuales 2. El proceso se ilustra en el Problema 6.2 X!.ss los valores de F para los cuales 1% del área se encuentra en cada "cola" de la distribución. como las distribuciones normal y ü. están dados por Análogamente. . *'T donde Pt y Pz son las dos proporciones muestrales. como la distribución chi-cuadrado puede ser deseable ajustar las áreas en las colas de tal manera que se obtenga el intervalo más pequeño. (17) .n2 son las respectivas medias. siendo las poblaciones infinitas. W*"í-üt z"orr_r. : P. y Pt V Pz).I. entonces un intewalo de confianzadel95% es v2 nS2 ^.28./4 s?/a s7/"7 A tiene una dishibución F con fr .6% del área se encuentra en cada "cola" de la distribución. Generalmente es deseable que la amplitud del intervalo de confianza sea tan pequeño como posible.cAP.entonces con98% deconfianzatenemos F.F. desviaciones típicas y tamaños de las dos muestras extraídas de las poblaciones. extraídas de las poblaciones. p$na 161. of. esto se consigue utilizando colas de áreas iguales.P. INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS y n con varianzas Sí. = .o2. (11) pr y p2 de las dos muest¡as son las proporciones en las dos poblaciones (estimadas por INTERVALOS DE CONFIANZA PARA VARIANZAS El hecho de que nS2/o2=(n-t¡32¡A tenga una distribución chi-cuadrado con n-l gradosde libertad nos permite obtener los límitesdeconfianzaprüa o2 6o.ot y tr'. para distribuciones no simétricas.or (r6) De esto podemos ver que un intervalo de confianza del98% para la relación de va¡ianzas dos poblaciones viene dada por qlú de las 1S? F. Así por ejemplo si denotamos por F. S$ si. En forma semejante ohos intervalos de confianza pueden encontrarse. flt! nz son los tamaños P. g 4 Fo.

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

JC = .4.33: Estima insesgada y eficiente dé la verdadera altura Del Problema 5.93.88 y 68. 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 66.36 cm. n-1" (6. Se puede. = i2 = .ó. (a) Los límites de confianza del 95% son X t I.02 pulgadas. 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.45 ! 1. decir que ia probabilidad de que la estatura media de la población se encuentre entre 66. 95Vc ó 0.00055 cm2 Nótese que 0 = /0"00055 = 0. 6.cAP. Una muestra de cinco medidas del diámetro de una esfera se registraron como 6.58-?+ = V100 67. de la media poblacional). (o ) Estima insesgada y eficiente de la verdadera media (es decir.? = /8.38: Estima insesgada y eficiente de la verdaderava¡ianza media: t : 67.3. Determinar unas estimas insesgadas y eficientes de (c) la verdadera media.35)2 F (6. (b) Los lfmites de confianza del 99% son X 2. pues.93/V100) ó 67.6l TEORIA DE ESTIMACION 199 6.95.JDani (b) Estima insesgada y eficiente de la verdadera varianza (es decir.3).32 y 6. (o) Del Problema (b) ó..iroentre s yG. 4er. Dar una estima insesgada Problema 6. Para las cinco medidas puestas en orden de magnitud la mediana es 6.!1t.45 ! 0.023 es una estima de la verdadera desviación típica pero esta estima no ni eficiente.6136 s2 Así .45 -- 0.57 pulgadas.35)2+ (6.46 pulgadas.45 ¡ + z.96(2. ESTIMAS POR INTERVALOS DE CONFIANZA PARA MEDIAS (GRANDES MUESTRAS} 6.37 centímetros.02 pulgadas es. Para la muestra dada 67. En símbolos se escribirá P(66.02.36. no hay esencialmente diferencia entre 6.35)2 5-1 0.336.as y i : 2. 6. = n .3?-6. que puede denotarse por 66. Así. los lí¡nites de confianza son 6?. de la varianza poblacional).45 pulgad.2.32 6.TG pulgadas . 2.35)2 + (6. (b) la verdadera varianza.37. - iT $.96"/\f. (b) la verdaderavarianza.3?-6.88 y 68. el intervalo de confianza del 95% para la media poblacional ¡t es 66.96. 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. Determinar unas estimas insesgadas y eficientes de (o) la verdadera media. Adviértase que puesto que n es grande. 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.88 a 68.3.35)2 2(n-ñ\2 - n-l = = es insesgada + (6.5275) = 8.58o/tñ.02 pulgadas.saa = tln ! 2.88 < tt<68.88 < p < ti8.36-6. 6.33. = S tr.6136 : y. 6. por tanto.2.02): 0. Utilizando n : 67.93 pr¡]Éadas como una estima de o (véase Problema 6.

0049oulgadas t/-zoo sn 0.824tSL93 = \/zoo . se habría empleado ?: \/n/@4s = y'200[99s que puede tomarse como i para todos los propósitos prácticos.G.96? como 1..006 Pulgadas .E8y.0.el 99.semana dieron una mdia de 0. respectivamente. los límites de confianz¿ del 98% son r ! 23g+ = \/7i Asi 0.Hallar los límites de confianza del (o) 55"1.i :.824 t 0. (b) 9O% y (c'¡ 99.O42 pulgadas. de modo gue no 6?. v (bl99% para el diámetro medio de todos los cojinetes. es total. Para obtener los intervalos de confianza. 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.824 * 2.824 0. Los límites de confianza d.0U89pulgadas. que puede denotarse por 66. Entonces por simetría. de aquí que z":2.{ñ= 0. z:zc Puesüo que el área total bajo la curva es 1.49. : O es Asi pues.69 (¡¡ < 68.el 99o/.33. (o ) Los límites de confianza del g5% son 6 (b) x t 1. ñ!3+ \ñ - 0. los límites de confianza del90ak son n!I.45 1 0.7.0069 pulgadas Fig.200 TEORIA DE ESTIMACION lcAP. para n > 30 se puede asumir que s y 3 son prácticamente iguales.645. los cojinetes del Problema Hallar los límites de confianza del (a) 98%.' o^.4í. srn embargo. (a) " lok. el área a la izquierda de z:-zce8 también lVo.82¿!L.824t0.824=z. Lad medidas de los diámehos de una muestra de 200 cojinetes de bolas hechos por una determinada máquina durante una.ss9 = 0.45 t utiliza¡lo. 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. puee.645a (c) .73V.21.6. : t. se puede considerar el factor es necesario = 0. En general.6-l (b) S" busca z" tal que el á¡ea desde z : entonces z. Si se utiliza.824 ! 0. lugar de Para y muestreo sin remplazamiento. el intervalo de confianza del 997o para la media poblacional ¡r e¡ 66.69 a 68. Adviértase que se ha supuesto que la desviación típica dada es la desviación típiez modific¿d¿ i Si la desviación típica dada fuese S. r.g6a = Vn 0-824:t 0.96ry = \/200 0.824 t 1.00??putgadas t 0.008 pulgadas.b6 y 0.00b8 pulgadas Los límites de confianza d.6450'942 = 0.sa| = r*z.gg9!9 = \/zo0 0.so! = Vn 0.824! 0. pues. los límites de confianza anteriores se convie:rten en 67.824 pulgadas y uná desviación típica de O.= vn Vn V200 ó 0. se utilizaría t. el área desde z eE 0. son xtz.6 Asf. 6.21 pulgadas. Oa z : zc ea O. 6.824:r0.73 pulgadas.73% para el diámetro medio de G.

05 segundos.setienequel.r¿ -.8.8 ó n : 96.goo*.05)/\.orr.9df (b) tos vn N-n A¡-1 = N-n N-1 75 t 1.0452 pulgadaa .21o. de aquf que el grado de confianza pedido *162(O.06)/0. (b).81.Entonces los coeficientes de confianza pedidos son tú. (ó) +2.05 segundoe. Halla¡ los límites de confianza para el diámetro verdadero del (o) 96% y (b) 99%.051/\/n = 0.siendo 0. se tiene que el error ser6 igual a 0.26 &- Vlo-1 = 4.01 si (1.11.r.10(c)].682ó ESTIMAS POR INTERVALOS DE CONFTANZA PARA MEDTAS (PEQUEñAS MITESTRAS) 6. debe emplearse la fórroul¿ para poblaciones finitas con muestreo sin remplazamiento.38 + 0.81 es 0.01 soliamente ¡i n es 167 o mayor.2S z"=L6 z"=0. TEORIA DE ESTIMACION 20L es de Al medir el tiempo de reacción. : 166.01.6 : 0.gzs:2.cAP.06. 6.38 pulgadas y una desviación típica s : 0. Eláreabajolacurvanormal : O t z: 0. <í n.06 pulgadas.04.04.96.g6ol{n.Entonce¡ utilizando ¡ : 4. AsÍ. pues.7I 6.01.4 60 límitee de confianza pueden repreaentarse por Ítz"ox deede z 68. (b) Loe límite¡ de confianza del 99% son X t 2.*.58o/{i. arrojó una media de 75 y una desviación típica de 10. 6-3 6.96+ v50 (10) 200 .2910.026 y el valor crítico correepondiente es ú. Los coeficientes de confianza del 96Vo ("d. lo¡ límitee de confianza del96% pedidos eon 4. ¿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. : 20. 1fi = (1.96X0.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.. 8e tiene la confianza del99% de que el error de la e¡tima eerá menor de 0.Ze. Una muestra aleatoria de 50 calificaciones de matemáticas de un total de 200.50 2oo-L = 76!2.t = t. 6-8 debe ser 0. Puegtoque¡. (d) =2.9.29lO):0.10. un sicólogo estima que la dewiación típica del mismo (c) . Asf el área ¡ombreada en la col¿ derecha es 0. Entonces los lfmite¡ de confianza del 964o eon .hallamoat. (o) Los llmitee de confianza delglovo están dados por. er decir. (d) t= 60? Pa¡a los coeficientes de confi¡nza del 96% ("doble cola") el área total en la Fig.X+r"L .oble cola") para la distribución normal vienen dados por i1.96)(0. Una muestra de 10 medidas del diámetro de una esfera dio una media ñ: 4.01 ¡i n e¡ 97 o mayor.Tomando o = la estima eerá menor de 0. = * t1.e?'. (c) v : 30. Para lo¡ valores de v dados egtos son (a) t Z.00.09. (o) ¿Cuáles sonloslímitesdeconfianzadel9Ú% para la estima de la media de las 200 calificaciones? (b) ¿Con qué grado de confianza poüá . Fig. 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. Aef.:n-L:10-1:g. Entonces (2. ¿Cuáles son los coeficientes correspondientes pala la distribución úsi (a) v = 9.05.4.q'-: 200 v50 200-1 = 75 + 1.01 segundos? 0.f I l.i=r.n r1s/t/Á¡.23 zc h¡estoqueestodebeserigualaTSll.01 : 9.9Tolfi. pues.38 y c : 0.38 t 2.58')(0. .26fvéaeet¿mbiénProblema6. (c'¡ t2.

55 2."-. (a) Soluciona¡ el hoblema 6.ssr(S/tñ-l.-'\ r1/pg-p)/n / rB I l-r'-tt'/z¿y t/2. los límites de confianza del 99% son 4. (b) Comparar los resulüados de los dos métodos.73% para la proporción de todos los votantes que estaban a favor de este candidato./e(l -p) ¡? V = 0.06/y'10 .55 y la estima p : 0.Z5(0.446 pr'lgadas. Análogamente. pues. y para tener una confianza del g5% de su elección necesitamos : 0.= v-n 4.50. Puesto que (P . = P t 1.96.15.73% parap son 0.55 = o'55t0'10 donde se ha tomado la proporción muestral 0. (c) 6. Esto era de esperarse dada la menor precisión que r¡e obtiene en pequeñas muestras con relación a Las grandes ESTIMAS POR TNTERVALOS DE CONFIANZA DE PROPORCIONES 6. 0D > 0.38 4.38 + 0.95.88 + g.9ó utilizando el Apéndice C indica que e-Bt/fi-fl/n:0. obtenidos mediante ios métodos de pequeñas muestras o teoría exacta del muestreo son más anchos que los obtenidos por los métodoe de grandes muestras.58ú6:5EXb:¡BtTdd = Los lfmites de confianza del 99. (b) 99%y (c) 99.f) = 4.50 ó n= 27r . 6.55 + 0.96-9.13.55 '^^ I(0'55)(0'45) :r 1'e6!ff : = 0. Hallar los límites de confianza del (a) 95%.6a5y'i6lBB)Io-75j7i : 0. utilizando P donde B = : 0. (a grandes ) Mediante loe métodos de Ia teoría de grandes muestras los límites de confianza del 95% son X t 1.1.045 TEORIA DE ESTIMACION lcAP.50) Prob( que hob / J--ct t)_p .pV" es normal asintóticamente.L2. t 3ú058)16:¡8 10d 0.38 t 0.55 del Problema 6.14.55 para estimarp.50): 0.l = 4. Para hacer este problema de una fo¡ma más exacta.18.55 t 0.55.O37pulgadas ? donde se ha utilizado la desviación típica muestral 0.p')/\/p(l . ¿Qr'é tamaño de muestra debe toma¡se en el Problema 6.426 pulgadas.202 Asf.96-0-.25.38 * (2. (b) En cada caso.13 para que la confianza de que el candidato sea elegido sea del g5% z El candidato se elige si p ) 0. (b) Los límites de confianza del99% parap son 0. = 3.06) /\t1.13.88 i g. indicó que el 55% de ellos estaban a favor de un determinado candidato.0 = 4. (a ) Los límites de confianza d.11 suponiendo válidos los métodos de la teoría de muestras.045 : 4.335 pulgadas y 4. t.el95o/o para la población p son P : l.se5 - (b) Para v = 9.06b0 pulgadas y el inüervalo de confianza del99% e¡ 4.58)(0. J_..88 r 1. 0.049 pulgadas. los intervalos de confianza mues¡ras. véase Problema 6.b0 Entonces. - ó Prob(p > e-Bt/p6-ffi¡ = + J(t t/2r -.2/z¿y L645 Al comparar con Prob(p > 0. tenemoe 0. Entonces loe límites de confianza del 99lo rcn i t ú.27.315 a 4.06 como estima de o.l)6or.qq /lo - 4.6 : se puede estar en la confianza del 96a/o de que el valor ve¡dadero se encuentra entre 4. Una muestra de 100 votantes elegidos aleatoriamente entre todos los de un distrito dado.88 + 0.

(a) Los lÍmites de eonfianza del 95Va son 0.73% para la proporción de caras que se obtendrían en un ilimitado número de lanzamientos de la moneda.Xn-. Una muestra de 150 bombillas del fabricante A dieron una vida media de 1400 horas yuna desviación típica de 120 horas. se Así.respectivamente.25 = 0.t 1. Hallar los límites de confianza d9l (c) 96% y (b) 99.25 ! Z. (b) Al nivel del 99.cAP. pues. En 40 lanzamientos de una moneda.16.25 = 0.el ggVoson 0. gt= Ptz" t z¡/F(=ffi. dando.Zb + 1. pues..el 99% son: 1400 - 1200 12. pues.33.60 + 15.19 y 0. PzQz el - O. se tienep = 0. se puede esperar con el encuentre entre 175 y 225 horas.?4 y el INTERVALOS DE CONFIANZA PARA DIFERENCIAS Y SUMAS 6.el 99Vo que la verdadera diferencia de proporciones . ae confianza que Ia diferencia'de las medias de las poblrcionee (b) Los límites de confianza d.15.50 encuentre entre 0. [-os límites de confianza para la diferencia de medias de./i120)r/15¡+-G0)r400 = 200 + 82. se puede esperar con confianza d.. Hallar los límites de confianza del (a) 95% y 99% para la diferencia de las vidas medias de las poblaciones A y B.6l TEORIA DE ESTMACION 203 6.50 - 0.il3li. En una muestra aleatoria de 400 adultos y 600 adolescentes que veían un cierto programa de televisión. 95"/o de = 200 t 24.96.25 son las proporciones respectivas de adolescentes y adultos a quienes les gusta programa.4 y B son dados por (a) *o.AquíPr:300/600:0.6. se puede esperar con el 994n de confianza que la diferencia de las medias de las poblaciones se encuentre entre 167 y 233 horas.g.17 y 0.?9. -loi*o'o -"1/"o-"" Los límites de confianza del 9b7o son: 1400 1200 . Los límites de confianza para la diferencia de proporciones de los dos grupoe están dados por 'll1 1t2 dondelossubíndicesly2serefierenaadolescentesyadultos.tr 7. se As( pues. dando el intervalo 0.23.75.45 a 0.96 La verdadera = 0.0g.50 ! Pz : 100/400 : 0. pues.60 La fórmula más exacta del Problema 6. SustituyendolosvaloresP:24140 = 0.27 da el intervalo de confianza del 95'ib como 0. 100 adultos y 300 adolescentes dijeron que lei gustaba..BZ a 0.6V n:40 enlafórmula \tF(l=A/.06.83. se obtuvieron 24 ca¡as. se puede encuentre entre 0.58\.73% como 0. (a) Al nivel del g5o. intervalo de confianza del 99. Así. z" = 1. z" = 3.37 a 0. se tienep : 0. esperar con confianza d. Una muestra de 100 bombillas del fabricante B dieron una vida media de 1200 horas y una desviación típica de 80 horas. el intervalo 0. Hallar toi tí-mites ae confianza del (c) 967" y (b) 99% para la diferencia dé propoñiones de todos los adultos y adolescentes que ven el programa y les gusta. 6.45 a 0.96/il2OtG0I80)2/100 Así./.el 96% que diferencia de proporciones (ó) Los límites de confianza d. PtQt .5B = 0. Mediante la fórmula aproximada p = P + 0.31.

58(0.1 V y la desviación típica 0.* o". Así. el tamaño de la muestra deberá ser 450 o más. Por tanto (véase Tabla 5-1. Hall¿rr los límites de confianza del (a) 95% y (b) 99% para la desviación típica de la población de tales bombillas.08 ÉEr+nz+E¡+Eo = 4(45..20.4 V r de confianza del 99% son: 180.[4: "'rJ o'r.9 horas.96(0. (b d.4 t de confi¿nza del 99. utilizando s como una estima de o.g.054 voltios se llama error probable. El valor de 0. . En este caso se aplica la teoría de grandee muestras. entonces n : = 10.x {2n 300//t = 5.2 y 109.4 t = 180.9. 6.0b4voltios.96(100)i/200 = 100:tg. puesto que /¿rr = lLEt lr'. ee puede esperar con confianza del 99'y'" que la deerüeión típica de la población se encuentre entre 87. los límites de confianza del 99. 46O. Si Er. Entonceg el error porcentual de la desviación es 3s/t/-at (¿) Si 300 _ = s. se tiene ltlt+Ez+at+¿o = Fu. (a) Loslímites de confianza delgSv" están dados por sy'7/x. INTERVALOS DE CONFIANZA PARA VARIANZAS 6.04 V. (o) Alniveldel 95". Así. Y t¡.73% la verdadera desviación típica de la población ::o difiera de la desviación típica muestral en más del (c) 6%. oE.4i0.08) 0. (b)LO%? De igual forma que en el Problema 6. se puede esperar con confianz¿ entre 90.6?45(0.f8.r-= oE. de la desviación típica para todos los estudiantes del colegio. entonces n 1800.el 95Vo que la desviación típica de la población se encuentre ) Al nivel del 99% los límites de confianza son: 100 * 2.t+ti.19.19.r Bo/l-zn Ss/\/Zn. 0. Si se conectan 4 baterías en serie.r+r 2+Er+84 = . 82. página 162)loslímites de confianza para la dewiación típica de la población son dados por S * z. 5O%son:180.16 voltios. Se utiliza la dewiación típica muestral para estima¡ o. = orr. La desviación típica de las estaturas de 16 estudiantes seleccionados aleatoriamente en un colegio de 1000 estudiantes es 2.1) = 180. Hallar los límites de confranza del (c) 95% y (b) 99"/. 0.73% y (d) 5O% para el voltaje total. indica el nivel de confianza.04 volüios. osr* Ez+t:. (b) 99%. el tamaño de la muestra deberá ser 1800 o más. Es y Eq representan los voltajes de las 4 baterías. Así.4:t0.4 + 1..73"/o para o son S .58(100)/r/Zbd = 100 r 12.8 horas.2L.24 ) Los lfmites (c) Loc lÍmites (d) toslfmitesdeconfianzadel voltios.= lr'. = 0. o 6. * uotr* l'a. Entonces. pues. La desviación típica de las duraciones de una muestra de 200 bombillas fue de 100 horas. 6. ¿Qué tamaño de muestra en el Problema 6.4O pulgadas.08) = 180. (c) 99.21 voltios. donde 2. hallar lós límites de confianladel (a) g5%.73% con: 180..204 TEORIA DE ESTIMACION [cm.ozs.1 y 112.o/yEi. = 1la1ffiy : 0.4 + 2. pues. pues.. * l'a.08) = 180.4 (o) (b Los límites de confianza del95% son: 180. (b) Si }OO/\E : Aei pues. = 45.4 t 3(0./nloslímitesdeconfianzason:100 11.e75 y st/n/x.08)=180.19 deberá tomarse para que con confianza del 99.1 voltioE y dc. FfJ voltaje medio de las baterías producidas por una compañía es de 45.

Entonces los límites de confianza del 99% son 100/Eñ6 de donde X sq¡ INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS 6. Entonces los límites de confianza del 95% son 2.50.el99% están dados por Sy'-nl¡.ozs l-l Vz(rssl -r)z = itt.6l Para o TEORIA DE ESTIMACION 206 x?ozs = 16- 1 = 15 gradoode libertad. (o) Los límites de confianza d.. (b) Los lÍmites de confianza d.= r\ri= (f.50._.?3 y xz.' son 100y'2b-0 115.g = 88.11.2= 115. 200 .cAP.sa+19. rz = 10. X.22.o75 = |{zsrr.o .26 6 7.)rto = \/ 2o.14. 3? = t=r"i = (lf)rznl = "? = 18 de modo qrre 26. : 200 - 1 : 199 g¡ados de libertad..15.73 y 2.s¡5.83 y 3. Entonces los límites de confianza del 997o son 2.sor-79. Paray:16-1:lSgradosdelibertad. pfuina 137' x.ozs.n25 = 2.oos:4.40Vf 6 /1.!75= 5. x2nzs de donde ¡¡.9 horas. esto es.SO+19.s¡5=2..r+l/Z[I6Ef-T¡z = jtz.19(b).2 a.68 y 4. Este resultado debe compararse con el del Problema 6. s! = 20.9212 : 239 161 = olz02s+V2(199)-1)e =. Por tanto se tiene la confianza del 99% de gue la desviación típica poblacional se encuentra entre 88.oos = 72.ee5 Para v y Sy/i/7.. Por tanto se tiene la confianza del 99/o de que la dewiación típica poblacion¡l se encuentra entre 1.2.19(a).40\f-I6/5. (b) tos lÍmites de confianza del 99\i." x%os 1_l .49 pulgadas. 6./x Para v : sr. hallamos como en el Problema 4.24 y = 6. Por tanto se tiene la confianza del 95% de que la desviación típica poblacional se encuentra entre 91.el95')h están dados por Sy'-n.14.60 ó y.23. x?szs = 27. ee decir.49 pulgadas.. y 18 respectivamente halla¡ los límites (o) Tenemos nt = l(t. = 15.9 y 115. Por tanto se tiene la confianza del 95% de que la dewiación típica poblacional se encuentra entre 1.84 pulgadas. Dos muestras de tamaños 16 y 10 respectivamente de confianza del (c) 98% se extraen aleatoriamente de dos poblacio- nes normales.9 y x. 1. x1.n.1 : 199 grados de libertad.40\f-16/2.2 y 111. y St/T/x.7.8 ó ¡. .t.5 = 91'2 y 100y'200/12'1 = 111'3 horas respectivamente.¡]oor=32.9 y 1001800/t2.5 y Entonces los límites de confianza del 95o/.40\R/2. están dados por Sy'-nlx ors y Sl-n/y. Si se encuentra que sus varianzas son 24 y (b\ 90% para la relación de varianzas.92)2 = : \2.t-t. Solucionar el Problema 6.9 horas respectivamente. Este resultado debe compararse con eI del Problema 6.83 y 3'84 pulgadas.19 utilizando la teoría de pequeñas muestras.68 y 4. it.92)2 = 253 lL6. 1.24 y 2.¡¡5.5 6 x.3 horas.oe5=5.

pl" 'f (r.'or¡ g.47(d). Si n obsewaciones Xr & se toman de una población distribuida normalmente de la cual se desconoce la media y se conoce la varianza.47(b).z8a =# : = rsee.59. 6.eo = ". reculta . También del Problema 4. tenemos F ge = 4.eg oz 6. ü = \/2ro2 -J- r-<x¡-ü2rzoz L = f(nt. Hallar los límites de confianza del (al 98% típicas del hoblema.zt oz 0.tn1z.23 hallamos los lfmitec de confianza para el (¿) (ó) ESTIMAS DE MAXIMA VEROSIMILITUD o.4437 oí = * ('z'6'g)(?q¿.#>@t-pl2 Tomando Ia derivada parcial con re4ecto raL 1:' fr.206 IEORIA DE ESTIMACION [cAP. (#)(ffi3) o.6 Del Problema 4. 6.96 parapl : 16 1 : 15 ! U2 =LO-1 =9 grados de libertad. tenemos pataUl: 15 y ez:9 grado¡ de libertad f or : 1/3.25..e¡ = 3. pl = (2to2)-tt2¿-zbk-r)2t2o2 (z') (r) Fijando íLldp = 0 t¡L = a -f.84 V F.) Obsérvese que el intervalo de confianza del9O% e¡ mucho más pequeño que el intervalo de eonfianza del 98Vo. Al tomar la raíz cuadrada 98% v el9o%. gue tenemos (I) Puesto Por tanto l(rx.os : 1t2.e5 2.sg<!=z. Por tanto el intervalo de #(ffi) s += 6 0.24. . pfui¡1g 19?. = 3)@*-Pl reeulta Q. = (b) Como en (o) hallamos del Apéndice F que confianza del g0% es F.89.89 de modo que l/F.(ffi) 4.23. hallrrmoe para el intervalo de confianza del 98%. 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. v Q) 90% para la relación de las desviaciones de las desigualdades del Problema 6. página 13p. Halla¡ la estima de máxima verosimilitud de la media.6?=1=r. como lógicamente era de eryerarse.0. Entonce¡ utilizando (171.

13.cAP. En estos valores extremos.ca p= _6 + 1/@=lo" 2a z"P+27=W 2(n* z7\ 2nP I 22" * ""t/6F(L1VlT7" 2(nI zf. (a) Si P es la proporción observada de éxitos en una muesha de tamaño n.26.p). {P(L = *2" p(.25 se conoce la media pero se desconoce la varianza. 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) .e f(x¡. (c) Mostrar que p¿üa grandes valores de n la fórmula de (c) se reduce a p=P¡2" \FF -nn. por tanto. z7 n -4ü r+4 n o P (b) Utilizar la fórmula de (¿) para obtener los límites de confianzadel99. - (2nP I * nPz = 0 Si o=n+z!. zi n -4nz | +! .L n - pl pz-2pp*p2: (nI nes para zp\p2 "?P# z?lp Multiplicando los dos miembros por ¿ y simplificando. donde z" deüermins el nivel de confianza.27. todo lo efectuado en el hoblem¡ 6. Si escribimos f (rx. Si en el Problema 6. .TS% delProblema 6.p oP = -1. estaecuaciónsereduceaafi*bp*c:0. queda. halla¡ la estima de máxima verosimilitud de la va¡ia¡rza. b--(2nP+"7) y c=nP2. La proporción muestral P en unidades tipificadas ."2) en cambio d. tenemos ee i'# Fijando aLl0o2 .6l TEORIA DE ESTMACION 207 6.P)/n Los valores mayor y menor de esüa variable tipificada son tzc.13. (a) como la utilizada en el Problema 6. se tiene e+ flt "" P(L-PI .0 hallamos Vé¿se Problema 6. Entonces tomando la derivada parcial con reqrecto a 02.63. se tiene P-P Elevando al cuadrado los dos miembros. = -fi+ uár> @t-r)2 02= 2 (rr - pl2 PROBLEMAS DIVERSOS 6.) Dividiendo numerador y denominador por 2n.cuyassoluciop son dadas por La fórmula cuadráti.25 ha¡ta la ecuación (2) aplica.

lcAP.6 = 12.s2=12. Estimar (o) la media y (b) la desviación tÍpica de la población de todos los tubos de televisión producidos por esta compañía.s sr¡plernenta.09 ton. zf.2 19.8.?3 20. X..72642 pulgadas y 0. respectivamente. 10. se tienep : 0.05./zn. Sin embargo.a. respectivamente. es de g1.8.a los cuales la suma de las áreas en l¡as colas sea61.9 7.O a 110. g. (b) 98Vo.4 libras.64.utilizando de (a).6..32./Anz que se obtiene la fórmula pedida. la disminueión en el intervalo que 8e obtiene es comúnmente despreciable y no Probletn. ¡es=15. de forma 6. y (b)99dto para la media de las cargas máximas de todos los cables producidos por la compañía.30 si se obtienen los mismos resultados para 30.el 95"tb Ampütud 2r.e6 : 15. 8.208 TEORIA DE ESTIMACION (b) Paraloslímitesdeconfianzadelgg.3 91.00058 pulgadas.29.8 ¡. 10.69 en acuerdo con el problema 6. X 032 y X 1¡2. ó 0. de amplitud sol.. entonces zf.85.7 a Lt3.55yn:100enlafórmula y 22"/nson despreciables y pueden sustituirsepor cero.98) están dadas por 11.22(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. y 0. 6'33.Es posible haltar otros límitee de confianza escogiendo valores críticos de X2 gar.22(a) fueron obtenidos escogiendo valores críticos de y2 de tal manera que las áreas en cada cola fueran 2.13(a).=B.rlos ESTIMAS INSESGADAS Y EFICIENTES 6.$=12'76.Entonces.54 ¡. Hallar los límites de confianza del (o ) 99%. 2g.0 = 12.0 a 110. Determinar estimae insesgadas y eficientee de (o) la media de la población v (b) la varianza de la población.28.31. (c) Si n es gtande.40 y 0.o¡r y x e8l.6 p=0. horas Una muestra de 10 tubos de televisión producidoe por una compañía.42 a a 111.8. (o) Solucionar el Problema 6. . (c) 95% y (d) 90% para el dirimetro medio de todos los remaches fabricados por la compañía.32 92. La media y la desviación típica de las cargas máximas soportadas por 60 cables (véase Problema 5.8 89.9 110.'. 6. Valores Crítico¡ Tabl¡ 6-2 Intervelo de confianza d.100). dieron una du¡ación media de 1200 y una desviación típica de 100 horas.8.e4 91.¡amente 19.44.7s7=15.?3 ton. etc. respectivamente (véase Problema 5. cuya amplitud sea menor que la del Problema 6. Un intervalo con amplitud af¡n menor puede hallaree continuando el mismo método de aproximación x. 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) 6.7.z. empleando t¡alores críticos tales como justifica el trabajo involucrado.7 7.TSVo. 6. Hallar los límites de confianza del (o) 951/. en general. pero de tal manera que las áreas en cada cola no sean iguales.30.ge = 15.6%.2 y 9. La media y la desviación típica de los diámetros de una muestra de 250 remaches fabricados per una compañía gon O. (c) Comparar la desviación típica muestral con la desviación típicÁ de la población estimada. Las medidas de pesos de una muestra fueron registradas como 8.r De la tabla se observa que un intervalo del95%. En la Tabla 6-2 se indican varios valores críticos y los conespondientes intetwalos de confianza del 95%.4 20.

y una Una muestra de 12 medias de resistencia a la rotura de hebras de algodón dio una media de 7. Hallar los límites de confianza del (c) g5%. o.ParalosdelgrupoB fueron 6. 6. (b ) del 99%.cAP. 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. Hallar los límites de confiánza (a) del 95% Una compañía fabrica cojinetes de bolas que tienen un peso medio de 0. 6.80.44. ¿qué tamaño de muestra deberá tomarse puüa que sea del (a\96%.2[horas. Hallar grandes muestras y comparar Solucionar el problema 6.7 Bdn pá. Dar los resultados utilizando la fórmula aproximada y la más exacta del Problema 6'27.(b\95%'(c\99% deladecisiónen favor de uno de los candidatos? INTERVALOS DE CONFIANZA PARA DfFERENCIAS Y SUMAS 6. ¿Cuál será el número mínimo de voranües que se deberá mue\trear para quelaeonfianza sea del (a) 8O%. Se cree que una elección resultará muy reñida entre dos candidatos. 0. (b)g|%t (c)997oV @)59.33. 6.30 horas.7g% para la proporción real de bolas rojas en la urna. 6.76 y 0.a h diferencü de proporciones de cerrojos defrctuosos de las dos máquinas' Estudiar los resultados obtenidos. INTEBVALOS DE CONFIANZA PARA VARIANZAS Y DESVIACIONES TIPICAS 6. Hallar los límites de confianza del (a) 95%' (b)99o/oy (c) gg . mientras que de 100 cerrojos de otra máquina 12 eran defectuosos.g1 sfoundos.45.41. 6. Cinco medidas del tiempo de reacción de un individuo a un cierto estímulo fueron registradas real de 0.6l' TEORIA DE ESTIMACION límites de confianza del 5O% 209 6.43. 0. Si la desviación típica de la duración de los tubos de televisión se estima en 100 horas.42. Una r¡rna contiene una proporción desconocida de bolas rojas y blancas. (c) del 99.82 con una desviación típica deO.36 si el error en la duración media estimada superar las 10 horas? ESTTMAS POR INTERVALO DE CONTIANZA DE MEDIAS (PEQUEÑAS MUESTRAS) 6. Para los pacientes del primer grupo el número medio de horas de sueño fue 7. Una muestra de 200 cerrojos producidos por una máquina mostró que 15 eran defectuosos. para que la confianza de que la proporción ¿Qué tamaño de muestra se debería tomar en el Problema 6. como 0'28.38 onzas los límites de confianza del (c) 95% y (b) 997o para la resistencia real' desviación típica de 1. respectivamente. (b)gg%y (c)99J37" para la dewiación típica de todoslos cables producidos por la compañía.012 libras. respectivamente. dio el 7O% de bolas rojas. Hallar los límites de confianza del (a) 95% y (bl99% para el tiempo reacción.638 libras y una desviación típica de y (b) del 99Vo pata los pesos de lotes de 100 cojinetes cada uno.2?. 6. (b\ 99% y G\ gg. 6.3? suponiendo aplicables los métodos de la teoría de los resultados obtenidos.73V"? 6. De dos grupos análogos de enfermos A y B formados de 50 y 100 individuos. y (b) el error probable para la media de los diámetros del 6.g9.46.g5.g?.gg.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 6.3g. 0. ESTIMAS POR INTERVALO DE CONFIANZA PARA PROPORCIONES 6.41. Hallar eI error probable de la desviación típica del Problema 6'46' .94" Hallar (¿) los Problema 6.40 verdadera no difiera de la proporción muestral en más del 6Vo sea (a) del 95Vo.24 onzze. Una muestra aleatoriade 60 bolas extraídas con remplazamiento de la urna. al primero le fue dado un nuevo tipo de somnífero y al segundo un tipo convencional.40. HaIIar los límites de confianza del (o) g5%. La desviación típica de resistencia a la rotura de 100 cables producidos por una compañía fue de 180 libras.86.

e 11.49 utilizando la distribuciíny2 si una muestra de 100 bombillas tiene la misma desviación típica de 120 horas. . Hallar Ios intervalos de confianza del (a) 98% y (b) 90% para la relación de Ias varianzas.48. basados en muestras de tamaño 10 cada una.58. .e 24OO libras y una dewiación típica de 150 libras.(b)v:12. del Problema 6. . . . Determinar los intervalos de confianza del (o) 98%v @\gOVapara larelacióndelasdesviacionestípicasdel Dos muestras de tamaños 6 y E respectivamente tienen la misma varianza. . -t 1 r ( -.042 cm y 0. de la du¡ación de 10 bombillas fabricadas por una compañía es 120 horas. . Las desviaciones típicas de los diárnetros de los cojinetes de bolas producidos por dos máquinas son 0. Hallar los intervalos de confianza del (o) 98% y (b)907.51 que tiene la menor amplitud? 6. . 6.62. . Si se toman n observaciones. 6.55.51. hallar la estim-a de máxima verosimilitud de z. 6.52. 02 desconocidas.? ¿Son lc mismos a los dados en los hoblemas 6.53.26? Explicar. ¿Cuáles son los coeficientes correspondientes para la distribución f si (o) v = 4. 6. Los coeficientes de confianza del 999á ("doble cola") para la distribución normal están dados por 12. (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. Xn de una población distribuida normalmente con media ¡l y varianza ¿Pueden determinarse estimas de máxima verosimilitud de ¡t y o2 en términos d.25 y 6. X¡. . .7T% de que la desviación típica de una población no difiera de la desviación típica muestral en más del 2%? 6. Comparar los resultados con los obtenidos empleando la distribución normal. para la relación de las varianzas de las poblaciones de donde se exhajeron. . Si Xr.035 cm respectivamente.(c)v:25. . Una población tiene una función de densidad dada por i@l = 2rt/r/" ¡2s-v*.61. (b) gg% y (c) gg..56. . [(A'+t)st 0<¡:<1 de otra forma Xn de esta población hallar la estima de máxima verosimilitud de h. . Solucionar el Problema 6. . límites de confianza del (o) 96'/o y (b)99Eb pa¡a la desviación típica de todas las bombillas fabricadas Solucionar el Problema 6.54. . La desviación típica compañía.63.52 y (b) Problema 6. Xn de esta población. . .49 si 25 bombillas tienen la misma desviación tÍpica de 120 horas. En una prueba de 40 cables seleccionados aleatoriamente resulta una media de la resistencia de rotura d.54 fueron extraídas de la misma población? Justificar su solución. TEORIA DE ESTIMACION [cAP..50.58. X1. ¿Considera que las dos muestras del hoblema 6. 6. 6.49. Hallar el estiniador de máxima verosimilitud de ). 6. r.(d)v : 30' (¿) v: 40? Una compañía tiene 500 cables.60. Hallar los igr la 6. INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS 6. Una población tiene una función de densidad dada por 8e toman n observaciones l(r) = l^0 [ Si se toman n observaciones X1 .54 si las muestras tienen tamaño 120 cada una. . ESTIMAS DE MAXIMA VEROSIMILITUD 6. Solucionar el (o) Problema 6. PBOBLEMAS DIVERSOS 6.62.57. .59. Si n observaciones 6. hoblema 6.2to 6.6 ¿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.

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

se puede estar con el 957o de confianza de que.05. el valor de e obtenido de una muestra real para el estadístico S se encontrará entre 1. En la práctica se acostumbra a utilizar niveles de significación del 0.96 a 1. la probabilidad de cometer error del Tipo I.1. por ejemplo se elige un nivel de significación del O. Esto no es tah sencillo como pueda parecer puesto que para un tamaño de muestra dado. si al elegir una muestra aleatoria se encuentra que z para ese estadístico se halla fuera del recorrido .96 ó z 1.El conjunto de lasz que se encuentran dentro del recorrido . un intento de disminuir un tipo de error.. ? II. De acuerdo con lo dicho hasta ahora.05 6 6"/. varianza 1) y se muestra en la Fig. 7-1. es decir. Entonces puede decirse que esta z difiere signifícatiuamente de la que cabía esperar bajo esta hipótesis y se estaría inclinado a rechazar la hipótesis.1. de modo que los resultados obtenidos no influyen en la elección. entonces hay aproximadamente 5 ocasiones en 100 en que se rechazaría la hipótesis cuando debería ser aceptada. al diseñar un ensayo de hipótesis.96. Representa la probabilidad de rumeter error al recbazar la hipótesis es decir.96).96 (es decir. En la práctica.96 a 1. lo cual puede ser o no ser posible. es una normal tipificada (media 0. aunque igualmente pueden emplearse otros valores.96 a 1.212 error del Tipo da.01.05 o que la z obtenida del estadístico muestral dado es significatiua al niuel de significación del 0. Esto equivale a decir que el estadístico muestral observado es significativo al nivel del 0. debe diseñarse de forma que minimice los errores de decisión.96 y 1. un tipo de error puede tener más importancia que el otro. supóngase que con una hipótesis dada. ¡--lglj .05 ó 0. ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.)/o.05 (área sombreada de la figura) si la hipótesis fuese verdadera. . si la hipótesis es cierta.. ENSAYOS REFERENTES A LA DISTRIBUCION NORMAL Pa¡a aclarar las ideas anteriores. NIVEL DE SIGNIFICACION La probabilidad máxima con la que en el ensayo de una hipótesis se puede cometer un error del Tipo I se llama niuel de significacíón del ensayo.05 es el nivel de significación del ensayo. lo que quiere decir que es un suceso con probabilidad de solamente 0.=lD6 I'ig.7-l Sin embargo. La única forma de reducir al tiempo ambos tipos de error es incrementar el tamaño de la muestra. El área total sombreada 0.O6El conjunto de las z que se encuentran fuera del rango -1. generalmente se fija antes de la extracción de las muestras.1. 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.05. En tal caso se dice que la hipótesis ha sido rechazada aI niuel de significación del O.O5. la distribución muestral de un estadístico S es una distribución normal con media p" y desviación típica o". se puede formula¡ la siguiente regla de decisión o ensayo de hipótesis o signi{icación: (o) Se rechaza la hipótesis al nivel de significación del0. Así pues.96 (puesto que el área bajo la curva normal entre estos valores es 0. z > I.lo que significa que se puede cometer error con una probabilidad de 0. Esta probabilidad se denota frecuentemente por o.96 a 1. se dice que la hipótesis se rechaza al niuel de significación del0. y así se tiende a conseguir poner una limitación al error de mayor importancia.05 si la z obtenida para el estadístico S se encuentra fuera del recorrido ..95). va generalmente acompañádo por un incremento en el otro tipo de error.96 podía entonces llama¡se región de aceptación de h hipótesis o región de no significación. se está con un 95% de confianza de que se toma la decisión adecuada.96 constituyen lo que se llama región crítica o región de rechace de Ia hipótes¡'s o región de significación.1. Entonces la distribución de la variable tipificada dada por Z : (S ¡. Como se indica en la figura. Si.

01 se sustituiría 1.88 y -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. aceptaríamos -EI6 de que la media poblacional es p : o utiliza¡íamos el estadísti-EÍe (o al menos no lo .33 -2.58 y -2.58 ó -2.. los resultados son para poblaciones infinitas o para muestreo con remplazamiento' Para muestreo sin remplazamiento de poblaciones finitas los resultados deberán modificarse. 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). = op: o/1/i.005 0. Cuando es necesário se utiliza la desviación muestral observada s (ó G).96 en todo lo visto anteriormente por 2.08 ENSAYOS ESPECIALES DE SIGNIFICACION PARA GRANDES MUESTRAS Para muestras grandes.i: ¡t. Véanse páginas 158 y 160. página 195.645 y 1. para estimar o.33 ó -2. Debe ponerse de manifiesto que puedgn igualmente emplearse otros niveles de significación. La variable tipificada viene dada por Aquí S : X.6 1.002 ó -t.la X-. tss =. es decir. será de utitidad para propósitos de referencia. Por esta raz6n.cAP. Entonces. media poblacional.58 2. Los co. Z = -. Tabla 7-1 Nivel de significación o Valores críticos de z para ensayos unilaterales Valores críticos de z para ensayos bilaterales 0.58 (véase Tabla 7-L). Valores críticos de z para otros nivelei de significación. donde o es la desviación típica poblacional y n es el tamaño de la muestra.8I -3.28 ó -1. en las dos "colas" de la distribución.88 2. Tales ensayos se llaman ensayos de una cola o ensayos unilaterales. tales ensayos se llaman ensayos de dos colns o ensayos bilaterales. Si4 embargo.96 1. si se utilizase el nivel del 0. utilizando un ensayo de dos colas.05 001 45 0. La Tabla 7-1. 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. La Tabla 6-1. Ia región crítica es una región a un lado de la distribución.96 y -2. es decir.645 1. En cada caso. 1.-: ú1V11. con área igual al nivel de significación..645 cí 2.81 2. puede también emplearse. Por ejemplo. se pueden encontrar utilizando la tabla que da las áreas bajo la curva normal.10 0. que da los valores críticos de z para ensayos de una y dos colas a distintos niveles de significación. o. En tales casos. Medias. media muestral. con frecuencia se puede estar solamente interesado en los valores extremos a un solo lado de Iá media. 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. puesto que la suma del nivel de significación y el nivel de confianza es L00%.28 1. como por ejemplo.08 y 3.58 2. en una "cola" de la distribución.

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

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

de que la varíanza poblacional es mayor que o2 emplearíamos la hipótesis rilo . (rz' .1 grados de libertad. . basados en el ensayo de dos colas. El empleo de (12) está plenamente justificado al hacer o. fi son las varianzas de las dos poblaciones normales de donde se extraen las muestras.. es decir = o3. t La distribución de ? es una distribución de Student conv: n. aceptaríamos.EIo (o no la rechazarí4mos) en el nivel 0. es correcta) si la varianza muestral específi- ca. combinada obtenida al donde ^31 t . n . utilizando un ensayo de dos colas. en el nivel 0.1 grados de libertad. Entonces.. Un resultado otro nivel.s? + + n. cuyas varianzas medidas son sl y sr2. página 159. Esta es la uarianza 3. . Varianzas. Si ¡/o denota la hipótesis nula de que no hay diferencia entre las varianzas poblacionales. Para ensayar la hipótesis H.t n. Para ensayar la hipótesis 116 de que una población normal tiene varianza o2 consideramos la variable aleatoria (13) que (véase págrna 161) tiene la distribución chi-cuadrado con n . Relaciones de varianzas. y o!. Por tanto rechazaríamos Hs. pero entonces emplearíamos un ensayo de una cola.01 u y la rechazaríamos de otra forma.1)^ii + fn.J)9j 1) + (nz -1)-- l' n. 4. 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. Entonces si una muestra aleatoria de tamaño n tiene varianza s2 aceptaríamos flo . En este caso utilizamos el estadístico (véase página 161) F= donde (16) fi.2L6 ENsAyos DE HrporEsrs y srcNrFrcAcroN / Se'tt.05 si X. sí sí = F'o. provienen o no de la misma población normal. (o al menos no la rechazaríamos) en el nivel 0. por ejemplo. y después utilizar como estima de o2 la media ponderada (n. s2. primero anotamos que F en (16) tiene la distribución F con fr .10 si Fo.'oz¡ o<nsz< (14) semejante puede obtenerse para el nivel 0.t. -2 gradosde'libertad.1. Bajo esta hipótesis (16) se convierte en "! F::-l q2 q2 \..oz : o en(12). (/8) y lo rechazaríamos en el caso contrario.0. * n.) (17) Para ensayar esta hipótesis al nivel 0. fuera tal que nsz t2 y aceptaríamos IIo (o al menos no la rechazaríamos) de otra forma.05 (y por tanto concluiríamos que f/. .s'. .3¿ son estimas insesgadas de oi combinar los datos. En algunos problemas deseamos decidir si dos muestras de tamaños m y n respectivamente.

POTENCIA DE UN ENSAYO Se ha visto cómo el error del Tipo I pued. significación. Útt "trrayo ajuste de distribuciones teóric as.elo vn vn Por tanto. (/ ) en la (1e) ñ _ L. el enmyo chi-cuadrado. se describe más adelante. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 2t7 R. . conviene utllizar papel grófico de curua normal o papel grófico de probabilidad. Los gróficos de control suministran un método útil y sencillo para tratar tales problemas (véase Problema 1.7. Un resultado semejante para_ ensayos de una cola requeriría intervaloi de confianza unilateralás.31). etc. 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. donde s camb se deben simplemente a fluctuaciones causa de deterioro en las máquinas.136 y también Problema 6. érrores de los empleados. por ejemplo. 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. al menos en el caso de los ensayos de dos colias.cAP. El problema de ensay En un intento para determina¡ si una distribución normal representa un buen ajuste para datos dados. como a veces se le llama (véase Problema 7. la si de modo que puedan darse los pasos rápid ejemplo en control de calidad.05 es eq pigtm 195 conducente al intervalo de confianzadel96"/o se puede obsenrar que existe u eoría de ejemplo.14). A pesar de que la necesidad de tales intervalos es rara' es posible definirlos (véase Problema 7.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. GRAFICOS DE CONTROL DE CALIDAD importante conocer cuándo un proceso ha cambiado suficientemente. r a¡ la bondad d.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. qué tamaños de muestras deben emplearse.32 y 7.30. CURVAS CARACTERISTICAS DE OPERACION. Es posible evitar el riesgo de error < nunca la hipótesis. Sin embargo. El método utilizado general: típica de la muestra para estimar la media y des 7. poüíamos realmente emplear el intervalo de confiaíza del Capítulo 6 para e¡¡sayar ttipótesir.29).33. es posible frecuenten llamadas "modelos" o distribuciones "esperadas") tras de la población.

nP\' = (Xt. A¿ con probacaso tenemb. .9n" generalización al c bilidades Pt . . hemos utilizado el estadístico s sucesns A 1 en pyq-1-p. .os.. 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. : Il2. La clave para la posible generalización del estadístico (6) que poüía medir las discrepancias existentes entre las frecuencias observadas y esperadas en la Tabia 7-2 * obtiene al eleva¡ al cuadrado el estadístico (6) y escribiéndolo como 22 = (X . nPz + (xn-npn\z '- nPr t?. speradas estarí e hace en la Ta sucesos posibles Ar.Unvalor tanto que np se llama la fteóuencia esperad At. . .. unapoúíac¡ón muit¡i-omial'(véare io n de esta poblacibn las frecuencias obsen¡adas por las variables aleatorias Xr. . y X. X¡ (cuyos uencias observadas para la muestra). : 20. de modo que n : lO0. : n-X1 es lavariable aleatoria asociada con "fracaso".(x¡-np¡\z np (21) donde la frecuencia total (es decir el tamaño muestral) es n.Si obtenemos una muestra de 100 lanzamientos. .2r8 EI{SAYOS DE HTPOTESIS y SIGNIFICACTON lcAP. Fz . p6 t€ y todas ig lógicarnen ente y = 120. das La forma del resultado (20) sugiere que una medida de la discrepancia entre frecuencias observay esperadas para el caso general se suministra por el estadísfico x. de modo que n as l. ? ENSAYO CHI. son todae . _ página 113). 2.. .2- Si obtenemos una muestra de 120 lanzamientos de un dado honrado. p entonces la frecuencia esperada de caras (éxitos) es np : (1OOX1/2) : 50. .!-n " = í-=t nP¡ (28) . Az pueden obserwdn para el suceso EJEMPLO 7'1. npp respectivamente. . Si . $.np)2 * npq np (Xz nq - ne)2 (20) donde Xt = X es la variable aleatoria asociada con ..éxitos. An os 11. Pk.de una moneda honrada. = (Xt:-!t?t)z n?t * (xz-nqz\2 . La¡ 20)(t) rentes. extraemos At. en tanto que . ... . A. de modo que Xt*Xz+"'+Xr=n Una expresión equivalente a (21) es k¡22' (22) x2 ). x2. uencias caras q . La frecuenci¡ observada en la muestra podrfa lógicamente ger diferenüe... . ..CUADRADO PARA LA BONDAD DEL AJUSTE )s" en una muesha de tamaño n extraída de una acional p de éxitos.

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

Para. En COEFICIENTE DE CONTINGENCIA Una medida del grado de relación. Una tripótesis normalmente supuesta es la de que las dos clasificaciones son independientes enhe si.rytc (véanse problemas 7. También existe una modificación análoga de (24). Las tablas de contingencia pueden extenderse a un número mayor de dimensiones. la corrección se hace solamente cuando el @s) se conoce frecuentemente como corrección de Yates.62.6g y 1.*!4t_"p_4.L)(k .rtt" pr. Una corrección análoga cuando se utiliza la distribución chicuadrado-. Así por CORRECCION DE YATES PARA LA CONTINUIDAD . Si el número de filas y columnas de una tabla de contingencia es ilrrh ah. número de grados de libertad es z : 1.1F nz si las frecuencias observadas pueden solamente calcularse estimando m parámetros poblacionares con los estadísticos muestrales.L\q 1) si las frecuencias-.t.7 . El número de filas y columnas de la tabla dg contingencia determina el valor rñáximo de C.ráU" de esto véase el Problema 7. ión muestral muy próxima a la distribución no sean demasiaáo pequeñas.Los ensayos de significación para tablas h x h son análogos a los de las tablas 1 X k.L27\.. ? I estad de Y de es tal (a) v :.220 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP.ü nPr En general. Las frecuencias esperadas-son halladgf bajo una determinada hipóteiis llo. (h ..48. ejemplo. que no es nunca superior a uno. . A mayor valor de Q mayor es el grado de asociación.. 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. se pueden tener tablas h X h X I donde estén presentes 3 chsúicaciones. el máximo valor de c viene dado por 1frn . k il por (b) u : (h. asociación o dependencia de las clasificaciones en una tabla de contingencia está dada por (26) que se llama coeficiente de contingencia. Et númeró áé É dado para h > l.Cuando se aplican a datos discretos los resultados para distribuciones continuas deben hacerse ciertas correcciones.esperadas pueden calcularse sin tener que estimar -parámetros ooblacionales con los estadísticos muestrales.

1O y z: 2.5 y 60. pues se habla de rechazar la hipótesis a un nivel de significación de 0. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION 22r Problema.. \ql . Región de recbace ? El error que se puede cometer de rechazar la hipótesis (39. 7-2.0358 en este casc. entre 40 y 60 caras inclusive es lo mismo que entre 39. La regla de decisión se ve gráficamente en la Fig. Según la distribución binomial.5 en unidades tipificadas = q9'5-:-E 60.0358 6 3.58%.10 y nq son ambas mayores de 5.que muestra la distribución de probabilidad de caras en 100 Ianzamientos de una moneda bien hecha. 53 (o) (b) Por el Problema 7./ 1" (. probabilidad de error del Tipo I) se llama níuel de significación d.7-2 z (60.1.0. 39. se acepta la hipótesis. uo Pueeto que np o-{ffi=['r{ffi=' = _2.5 caras. 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 60.0358.e la regla de decisión y es igual a 0. En una escala continua. está representado por el área total sombreada de Ia figura. la probabilidad pedida es /1\'t0 'oocoo( i) /r \6r' . Así. (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.I0 Probabilidad pedida : : área bajo la curva normal e¡tíe z: 2(áreaentre z: O y z: -2. (b) Interpretar gráficamente la regla de decisión y el resultado del apartado (c).lO 2.10) 7./lY' (.s resueltos ENSAYOS DE MEDIAS Y PROPORCIONES UTILIZANDO DISTRIBUCIONES NORMALES 7.2. cuando en realidad es cierta. Si en una serie de 100 lanzamientos sg obtiene una z entre -2. Para ensayar (c) Hallar la probabilidad de rechazar la hipótesis.. /1Y.en unidadee tipificadas = 60. (2) de otro modo.L0 y 210. -. se dirá que esta z difiere significatiuamente de lia que cabría esperar si la hipótesis fuese cierta.5 - 50 = 2.5 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. Por esta razón. .'lóJ /1Yo .-210 caras) FiE.I de la regla de decisión y la probabilidad de cometer este error es igual a 0.9642 : 0. se rechaza. de otro modo se rechaza y se decide que la moneda no está bien hecha. Entonces la probabilidad de rechazar la hipótesis cuando es correcta : 0.0358.5.) =. el área total sombreada (es decir. ambos inclusive.5 . la probabilidad de no obtener entre 40 y 60 caras inclusive si la moneda está bien hecha 1 .. .tp = 1oo(.0358 del apartado (o). puede utilizarse para la er¡aluación de la suma anteriqr la aproximación normal a la distribución binomial. la hipótesis de que una moneda está bien hecha. cuando debería aceptarse q el error del Tipo.) +'noc.1.CAP.. Hallar la probabilidad de obtener entre 40 y 60 caras inclusive en 100 lanzamientos de una moneda.'| rrx'ti'\r/ /tY' \-/ \-/ \-/ \-/ \-/ La media y la desvi¿ción típica del nf¡mero de ca¡as en 100 hnzamientos vienen dadas por t.

96 y 1. el área entre 0 y zr es 0. Estopuedetambién - el número de ca¡as se encontrará entre lr 2. 2.np: 64(0. Diseñar una regla de decisión para ensayar la hipótesis de que una moneda est. el número de ca¡as se encontrará entre ¡¡ decir. (2) Rechazarla en cualquier otro caso.96.Asípues.96(4)< (x6 32. se habría rechazado la hipótesis.84. ? (c) Según la regla de decisión.que también conducea ) obtenerse de la Tabla ?-1. Entonces. cada6rea sombreada en la Fig. g2-2. Entonces el área entre 0 y zr = 0. np.O. Si el nivel de signilicación es 0. Se puede aceptar la hipótesis cuando realmente debería rechazarse como.bg (másexacüarnente 2.5000 .96 equivale a .96 < z < 1.1. entre 25 y 39 ambos inclusive. sería el caso cuando la probabilidad de cara fuese realmente 0.1.< 1.96 y 1.4950 ! zt = 2. Tercer método: y np+1. Segundo método: Con probabilidad 0.? en lugar de 0. .05 y (b) 0.01 .222 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.84que 32) < 1.5. El error que se comete al aceptar la hipótesis cuando debería decisión.76y 32+ -1.96(4): 1. Entonces. Para mayor discusión véanse Problemas 7 rechazarse ea error del Tipo 1I de la .t6. por ejemplo.58o y pt*.(X-32)14:-1. 89.7-B 2r Los valores críticos la Tabla 7-1- -1.3.23-7.5i2:-1. Se puede argüir que con solo una cara más que se hubiese obtenido.95.68 y Bz + Entonces la repla de decisión sería: (l) Aceptar la hipótesis si el nfrmero de caras se encuentra entre 22 y 42 inclusive.32. (b -1.96(4)< X< 32 + 1.96. se ve que con probabilidad 0.966X=24. -zr Fis.96.96 pueden ser también sacados de Para expresar esta regla de decisión en términos del número de ca¡ae a obtenerse en los 64 lanzamientos de la moneda.96{npq o entre 32 - 1. (i ) Se acepta la hipótesis de que la moneda está bien hecha si el número de 24. 7. pues.y z¡ : 1.58(4):21. 24. es decir.58(4\: 42.99 .25.0050 :0. 7-3 es 0. es decir. Así.32 y o -= t/iw = y'6llos)(05) = = (X p)/o 4 bajo Ia hipótesis de que la moneda está bien hecha. en ambos casos se aceptaría la hipótesis de que la moneda está bien hecha. cada área sombreada en la figura anterior es 0.á bien hecha si en una muestra de 64lanzamientos de la moneda se toma un nivel de significación de {c) 0. una posible regla de decisión es: (I ) Aceptar la hipótesis de que la moneda est:á bien hecha si Z está entre -1. (d) Si.(X-32)l¿:1-96óX:39.84.O25O : O-4750.1. Esto es lo que se debe afrontar cuando para tomar decisiones se toma cualquier línea de división.96_ (2) Rechazar la hipótesis en cualquier otro caso. (o) Primer método: Si el nivel de significación es 0.16<X< 39.01.05.5) .2. nótese que la media y la desviación típica de la distribución binomial exacta de caras están dadas por ! .025 por simetría.96 <(x-gz)l¿.96(4) :24.960 y ¡J + l.005.96.1.84.96yñpq lleva a Ia regla de decisión anterior. SiZ:1. Siguiendo el mismo procedimiento del método segundo del apartado (o ). Entonces Z la regla de decisión resulta: = (X - 32\14.58o. caras se encuentra entre (2) es Se rechazá la hipótesis en caso contrario.575).96(4). es decir.16 y 39.5000 0.960.96(4) la regla de decisión anüerior.

Si el zujeto identifica conectamente 32 cartas' determinar si los resultados son significativos al nivel de significación de (c) 0.64:1.3 que evite el enor del Tipo T? El error del Tipo I[ se c. puesto que no se está interesado en la facultad de obtener valoree bajos. en muchos ejemplos prácticos es importante decidir si una hipótesis debe eer aceptada o rech¡zada.5 y el sujeto tiene fuerza de E. los resultados significativos al nivel del 0.cAP.645. lo que se hace es simplemente no rechazarla.01. Así por ejemplo.5) en unidades tipificadas es 1.06 se debe elegit z1 en la Pig.05 el individuo tiene fuerza de E.98 es mayor que 1.5) = zb ! o=\/wq = /86(05)(-05) = ¡/Es = (a) Para un ensayo de una cola al nivel de significación de 0.06 son no significatiws. lo que efnificarfa que ee rehuaa cualquier decisión en este caso.P. entonces se tiene que decidir entre las dos hipótesis siguientes: Si Hoi p: 0. es decir. Para evitar este etlor. se concluye que los resultados del experimento anterior wn probablemente significatiuos. mientras que los resulüados significativos a niveles superriores al 0.6.4500.05. Entonces el área enüre O y zt = 0. la decisión rnantiene es decir. zl (2) Si z es menor de 1.4900Y2r:2.np = 50(0.S.4. Rechazar Ia hipótesis en ca6o contraúo.54 p=. ¿Cómo se podría diseña¡ una regla de decisión en el Problema ?. 7-4 Puesto que 32 unidades tipifrcadas (32 . 7. 7-4 de modo que el área sombreada en la región crítica de r¡alores alüos sea 0.01. Es desconocido-para el zujeto cuántas cartas rojas o azules hay en el lote. 31. Esto puede también eacarse de la Tabla 7-1. puesüo que 32 en una eecala continua está entre 31-5 y 32.5.P.84 llegándose a Ia misma conclusión anterio¡.33.S.ar la hipótesis si el número de caras se encuentra e¡fte 22 y 42 inclusive.645.S.26'). los resultados son significativos al nivel del 0.645.omete al aceptar una hipótesis que debería ser rectrazada.05 pero no al nivel del 0.25\15. Una completa discusión de tales casos requiere l¿ consideración de errores del fipo II (véanee hoblem¿s 7. sino en la facultad de obtener aciertos numerooos.entonceseláreaent¡eOyzt:0. en lugar de aceptar la hipótesis. se concluye que al nivel del 0.01.26)13. Y zr : 1.5 üiene un valor tipificado de (31. la regla de decisión del Problema 7.) 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.01 ¡on altomente significatiuos.S. (I) ee Adüértase que tealmente debería aplicarse una conección de continuidad.P.01 son probablemente significotiuos. Sin embargo. la regla de decisión o enaayo de significación es: (f ) Si la z observada es mayor que 1.5 .84) que es menor que 2. Algunos estadísticos adoptan la terminología de que lios resultados significativos al nivel del 0. se deduce que los reeultado¡ no son significaüuos al nivel de 0.Puestoque32(ó 31. Asfrpues.33.5 V el sujeto está simplemente adivinando. (D) Sielniveldesignificaciónes0.05. Se elige un ensayo de una cola. es decir. los resultado¡ son totalmente casuales Ht: p ) 0.645 los resultados Be deben a la casualidad. de modo que posteriores investigaciones del fenómeno están probablemente justificadas. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 223 7.05 y el indiüduo tiene fue¡za de E. no significativos al nivel del 0.98 (ó 1. En un experimento sobre percepción extrasensorial (E.05 y (b) 0. Seglrn la üerminologfa. p es la ptobabilidad de que el sujeto elija conectamente el color de una catta. la media y la desviación tfpica del número de cartas identificad¿c correcüamente 3. Sin embargo. Fig.64: 1.3(b) serfa: (I ) (2) No recltzz. . Si la hipótesis está dado por ff6 es cierta.P.23-7.

La distribución muestral de X tiene una media r¿x-Éyunades.0322.01.s. 7. (2) Se acepta l/6 (o no se toma decisión alguna) en caso contrario.Ossetienelasiguienteregladedecisión: (/) Se rec}raza 116 si la z de la media muestral está fuera del rango .r es la duración media de todos los tubos producidos por la compañía. se llama a veces niuel de significación erperimental o descriptiuo.96. 7-5 toma como regla de decisión: (1) La aseveración no es legítima si Z es menor de -2. 3. la aseveración es legítima y los resultados obtenidos se deben a la casualidad (en cuyo caso Si se acepta 116 ).9 y la aseveración es correcta es falsa Hy: p10. mediante la simetría de la curva.5). en este problemapuesto quep(Z > 1.. (a) Paraunensayobilateralalniveldesignificaciónde0. Si se toma el nivel de significación del 0. . es sobre el 3 por 100.0322 el estadístico puede decir que en base a la posibilidad de que en el experimento se llegue a una conclusión errónea sobre que el individuo tiene fuerza de E.7. 7-5 es 0.dondegvoscnlamediayladesviacióntípicadelapoblación de todos los tubos producidos por la compañía.23.En una muestra de 200 individuos que tenían la alergia la medicina suministrada alivió a 160 personas. comprobar la hipótesis ¡¡ : 1600 horas contra la hipótesis altemativa r¡ # 1600 horas con un nivel de significación de (a) 0. Por ejemplo.33 (en cuyo caso se rechaza H¡). Asípues.96 a 1.l8O)14. (2) En caso contrario. . con una desviación típica de 120 horas. El fabricante de una patente médica sostiene qu€ la misma tien'e un 9O% de efectividad en el alivio de una aler_gia. Se tiene que decidir entre las dos hipótesis: Ho. H1: ¡t* 1600horas Un ensayo bilateral debe utilizarse aquí puesto que g * 1600 incluye valores mayores y menores de 1600.5(b). algunos estadísticos citan las probabilidades reales inherentes. La duración media de una muestra de 100 tubos fluorescentesproducidosporuna compañía resulta ser 15?0 horas. ta probabilidad citada en-este caso 0. puesto que Ee esüá interesado en determinar si la proporción de gente aliviada por la medicina es demasiado baja. por un período de 8 horas.84):0. Si ¡.r¡ = a.23: -4. Denótese porp la posibilidad de obtener alivio de la alergia utilizando la medicina.1. altamente significatiuos (véase final del Problema ?. que es mucho menor de -2.33.viacióntípicaop:s/1/i.05 y (b) 0. es decir.224 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP.33. Se zl Fig. 7 Puesto que los niveles de significación sirven de guía en la toma de decisiones.9)(o.S.01. como puede deducirse del koblema 7. si el área sombreada en la Fig.01 .P. entoncegz¡ : -2. 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. \/"pq = /?2ooxo. Ahora 16O en unidades tipificadas (160 .9 y la aseveración Se elige un ensayo unilateral. lt:1600 hora.$) : 1AO y " - 7. o de la Tabla 7-1. Determinar si la aseveiación del fabricante es cierta. Entonces tre las dos hipótesis: se debe decidir Ho: p: 0.6. El estadístico bajo consideración es la media muestral X.

puesto que se ensaya I/6 conha una alternativa diferente en cada caso. De aquí se deduce que los resultados son olúamente significatiuos y Ia aspiración de mejora debe ser admitida. 7-4). y hay un cambio en la resistencia Aquí debe emplearse un ensayo unilateral (véase Fig. con los niveles de significación de (¿) 0. Puesto que / : (X . /ls al nivel de significación del 0.7 Como en el Problema de significación del 0.05 y (b) 0. utilizando la desviación típica muestral como una estima de o.05.58.05.50. el valor de z es -2.s frente a la alternativa horas.7(a) mediante un ensayo bilateral. Ilo es aceptada (o no se toma decisión alguna).96 a 1 .1600)/12 : (L570 . el valor de e es -2.33 los resultados son significativos al nivel de 0.01.oo loo/v5o que es mayor de 2.1800 -------------ó.96 a 1. 7. puesto que z -2. basadas en ensayos de una o dos colas. Debe aquí utilizarse un ens¿ryo unilateral (véase Fig.7. (1 Hs si Z es menor de -1.05. se ensaya una muestra de 50 cables y se encuentra que su resistencia media es de 1850 libras. Adviértase que esta decisión es la misma que la obtenida en el Problema 7. Bajo la hipótesis de que (I es rechazada. ¿Puede mantenerse que. II1: ¡t{ 1600 horas. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 226 eneuentra fuera del rango Bajo la hipótesis I/6. (2) S. se rechaza /16 al nivel de significación del 0.1600y12 : -2. se tiene X-p ol\n 1850 . fle al nivel (b) Si el nivel de significación es de 0.33.96 en la regla de decisión del apartado (c) se sustituye por -2.0Sysetieneque zt : Se adopta. .01. Adviértase que esta decisión es idéntica a la obtenida en el Problema 7.7(a). Al nivel de significación del 0. Mediante una nueva técnica en el proceso de fabricación se aspira a que esta resistencia pueda ser incrementada.33.¿ 7. 7-5 es -2. Entonces.9. ensayar la hipótesis p : 1600 hora. Para ensayar esta aspiración. ) (2) Se acepta. naturalmente esperarse. I/e es cierta.645. Se debe < 1600 decidir entre las dos hipótesis: Ho: lJ: 1600 horas. no están siempre en concordancia. hay un aumento de resistencia al nivel de significación del 0.645. ¡. y realmente no hay cambio en la resistencia 1800 libras. 7-5).01? Se tiene que decidir entre las dos hipótesis: Ho: lJ: Ht: lt > 1800 libras. De aquí que se adopte la regla de decisión: (I ) Se rechaza H¡ si Z es menor de -2.cAP. por tanto la regla de decisión: -L. que es menor de -2.01 y. acepta H6 (o no se toma ninguna decisión) en caso contrario. se acepta Ile (o no se toma ninguna decisión) al nivel de sfinificación del 0.58 a 2.01 eI valor de z1 en la Fig. el rango -1. se rechaza pues. ' (b) Si el nivel de significación es 0.01.01. Como en el Problema 7.8.50 se encuentra dentro de este rango. (a) Sielniveldesignificaciónes0. 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. se tiene g : 1600 y o* = a/t/n = 120/\/L00 = 12. en efecto. que es menor de -1 . laregiónsombreadadelaFig.T-Stieneunáreade0.Ff6 (o no se toma ninguna decisión) en caso contrario.9 6. (a).33.33.50. En el Problema 7.7(b) mediante un ensayo bilateral.F/0 (2) De otro modo.50 se -l .01 la regla de decisión es: ) Si eI valor de z es mayor que 2. Las decisiones concernientes a hipótesis'lfe dadas. Esto cabe. se rechaza pues. Se ¡ecltaza 7 .645.

De aquí se deduce que al nivel de 0. se rechaza la hipótesis lls si el valor de z fuese mayor de 1. mientras que en la segunda clase la puntuación media fue de 78 con una desviación típica de 7. los resultados son significativos al nivel de 0. = 1# = -2. n2 = 0. =o n*r-rr"= "? . ambas clases provienen de la misma población. "Z= l8r.58. !40*50 = 1.e o1 y o2. (b) 0..e 2. los resultados son significativos al nivel de 0.-*.58 y 2. = o n*r-'^" = !t-".01. 7. De aquí se deduce que al nivel de 0.la estatura media del primer gtupo ^o hay diferencia entre las estaturas mediases mayor que la del segundo ur?.5 pulgadas. ?.96 a 1. Ensayar la hipótesis de que los estudiantes que participan en las pruebas atléticas son más altos que los otros.0ó hay una diferencia significativa entre las dos clases y la segunda es probablemente mejor.606 donde se han utilizado las desviaciones típicas muestrales como estimas d. Para un ensayo bilateral.226 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [g.10.lp. ¿Hay una diferencia significativa entre el restfltado de las dos ciases al nivel de significación de (a) 0. p2 .645.5. ft1 "8. ltz . se deduce que los resultados son probablementesignificatiuos. se tiene que Supóngase que las dos clases provienen de dos poblaciones que tienen de medias respectivas decidir entre las hipótesis: l\ y tJz.01 no hay diferencias significativas entre ambas clases. ! la diferencia se debe simplemente al azar H t : Pt * ¡t2 . I vez cada 10.05 si Z se encuentra fuera del recorrido -1. z ENSAYOS RELACIONADOS CON DIFERENCIAS DE MEDIAS Y PROPORCIONES 7. es decir. mientras que 50 estudiantes que no mostraban interés en tal participación tenían una estatura media de 67. Se hizo un examen p dos clases formadas por 40 y 50 estudiantes respectivamente. = o*r-fr. Entonces z= (a) (ó) Pata un ensayo bilaüeral. no se puede rechazar la hipótesis a este nivel de significación. de acuerdo con la terminología utilizada al final del Problema 7.96.05.10 si se está dispuesto a correr el riesgo de tomar una decisión errónea con una probabilidad de 0.10. Se debe decidir entre las hipótesis: Ho: llt : H t: Ft ) Bajo la hipótesis. Debe sin embargo ponerse de manifiesto que la hipótesis puede rechazarse al nivel de 0. - l"? .5 pulgadas con desviación típica de 2.11.05 pero no al de 0. Enton- Bajo ferencia de medias están dadas por Ho: ltt : llz.4s Puesto que los resultados scin significativos al nivel de 0. La estatura media de 50 estudiantes de un colegio que tomaban parte en las pruebas atléticas fue de 68.01? ces.El6 .2 pulgadas con desviación típica d. En la primera clase la puntuáción media fue de 74 con una desviación típica de 8. La media y la desviación típica de la di- uir-i.01 si Z se encuentra fuera del iritervalo -2.05.hay una diferencia significativa entre las dos clases la hipótesis lls.8 pulgadas.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. . Así pues.

(b) 0.7\n 3'75 La diferencia observada será significativa al nivel de 0. Denótese por P utiliza¡ suero.ir_*. bajo la hipótesis tiI6.75/\n 0. (2 ) sin decidir entre las dos hipótesis: es decir."2 nn (2. = p de curas 0.5 ó t57 n>1b? 50 De aquí que se debería incrementar cada muestra en al menos : lO7 . (ó) De acuerdo con un ensayo unilateral (c) Si se utilizase un ensayo unilateral al nivel de significación de 0.t.05. 0.05 si Yif-t'uou (b) La diferencia observada ó 1/-n=8. se r*}lrazaría lahipótesis1116 solamente si z fuese mayor de 2.xz 4 .y el suero es efectivo Bajo la hipótesis 116. Se encuentra que en los grupos Ay 8.L2./" Para la diferencia de 0. se tiene . respectivamente se han recuperado de la enfermedad.54 (c) De acuerdo con un ensayo unilateral al nivel de significación del 0.0648 donde se ha utilizado como estima de la proporción 65)1200 : 0.75 y 65 individuos. 14. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION 227 7. = o?. padecen una enfermedad.01 si : 28 al menos. se deduciría que el suero es efectivo al nivel de significación de 0.5¡z ¡ ".30.?50 - = 1.. Se administra un suero al grupo A.10 se rechazaría f/e solamente si el valor de z fuese superior a 1.10.01. se debe deducir que los resultados se deben al azar a este nivel de significación.II para que la diferencia observada de 0.05.#) = 0.CAP. (a) o.8 í¡ n>78 50 Así pues.650 0. al nivel de significación del 0. Puesto que el valor de z es 1.l las diferencias observadas son debidas al az.o*r-*. Dos grupos A y B fo¡mados cada uno de 100 individuos. Se debe r! p2. respectivamente las proporciones poblacionales curadas ( I ) utilizando el suero .645.75 n . = o o.28.0648 ro. Puesto que esta condición es satisfecha.zt.r-r.7 pulgadas en las estaturas medias sea significativa al nivel de significación (o) 0. = 0 V p". (c) 0:10.09 3. el suero no es efecüivo Ho: Pt : Pz.01? Supóngase que el tamaño muestral de cada grupo eB n y qLe las desviaciones típicas manecen iguales a las de antes. siendo en todo lo demás los dos grupos tratados idénticamente.01.tt d \/a>r2. 7. Ensayar la hipótesis de que el suero ayuda a curar la enfermedad al nivel de significación del (a) 0._P" orr."io" dos grupos per- o*r- *. se rechazaría la hipótesis IIs solamente si z fuese mayor de 1. ¿En cuánto deberíán incrementarse los tamaños de muestra de cada uno de los dos grupos en el Problema 7.ebr(-#.33.13.zorro.7 observada en las estaturas medias se tiene xt . De donde se deduce que a este nivel tambiénlas diferencias se deben al azgt. pero no al grupo B (que se llama gtupo control).05. Entonces. urr-r'.r. deberá incrementarse el tamaño de cada grupo en ?8 será significativa al nivel de 0.7 3. Entonces ry- en los dos grupos muestrales el valor (?5 * P. ui'!!=r. . H t : pt ) pz.70 y donde q : 1 p : 0.54. (b) 0.

En tales casos. que se estudia con un ensayo unilateral.14. se deduce que el suero es efectivo con solo una probabilidad de 0.480 = -0^0456== nivel. Solucionar el Problema 7. se compone de 300 individuos y si se curan 225 i* : 0.560 dondesehautilizadocomoestimadepyqlosvalores +(0. que son las mismas del problema anterior..6b0 respectivamente. Por otro lado. estaban a favor de un candidato dado. Esto muestra cómo al incrementarse el tamaño de la muestra aumenta la seguridad de las decisiones.zol ro. Este es un riesgo que nb siempre deseamos suponer.. Entonces = 0 or." 0.13 si cada grupo dividuos del Grupo.-P.48)(200)l/500:0.650 0.67 es puesto que el valor de z es mayor de 2. Al nivel de significación del 0.750 y 195/300 Adviértase que en este caso la proporción de gente curada en los dos grupos son 225/300 : 0.15.228 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. Puesto que éste es el caso.56)(300) 0.05 ensayir la hipótesis de que (o) haya diferencia entre los distritos. (b) el candidato sea preferido en el distrito A. Una muestra de 300 votant€s del distrito A y 2O0 del distrito B mostró que el 66% y el 48% respectivamente. que están a favor del candidat<¡. Entonces 0. _ 1.01 de equivocación. ?. se puede rechazar la hipótesis al nivel de significación del 0. no hay diferencia significativa entre los distritos' : ) Pt : Pz)y (Ht: pt ) pz Si se desea determinar si el candidato es preferido en el distrito A. z Adüértase que las conclusiones anteriores dependen de lo que se esté dispuesto a arriesgar de tomar una decisión erróneá.P" = rrar. respectivamente.33. l'pr-pz = donde (225 0 ú¡'. decir. se debe decidir entre la hipótesis (f/e ). ?. se puede proceder a dar el'suero a grandes grrlpos de gente solamente para obtener entonces que realmente es inefectivo. Bajo la hipótesis ^FIe.-t'r= se ú'G.528 l'75 y 1-0. z=ñ= - = 2. en muchos casos es imposible el aumentar el tamaño de la muestra. es decir.645. se está forzado a toma¡ decisiones en acuerdo con la información utilizable y asÍ se tendrá que correr mayor riesgo de tomar decisiones erróneas.05.750 = ro.0.encontrándosedentrodelintervalonosepuedetechazatH¡ a este (b .05 se rechaza H¡ si Z fuese mayor de 1.96.472. (¿) Si solamente se desea determinar si hay diferencia entre los distritos. Bajo la hipótesis (Ho: pt:pr ) se tiene l¡.t 0. Sin embargo.0374 .Puesto queZ:1. se debe decidir entre la hipótesis (Ho : P t : pz\ y (Ht : P t * pz). . .528 = z - P. Si los resultados se deben realmente aL azar y se toma la decisión de que son debidos al suero (error del Tipo I). Co¡r un ensayo unilateral y al nivel de significación del 0. se puede deducir que el suero no ayuda cuando realmente sí lo hace (error del Tipo II)Tal decisión es muy importante especialmente si hay vidas humanas en juego.70 utiliza como estima dep.?S. que se estudia con un ensayo bilateralCon un ensayo bilateral y al nivel de significación del 0.96a1. se rechazaría Hs si Z estuviese fuera del in' tervalo-1 ..0374 P. Denótese por pr y p2 las proporciones de todos los votantes de los distritos A y B. = ú(¡D=@=00456 f(0. se rechaza É16 a este nivel y se deduce que el candidato es preferido en el dis' trito A .zt y 195 del grupo B.sol( r*-L * r*-L ) : 0.01.195y600:0.

Efs al nivel 0.cAP.o.16. : 9 grados de liber- Puesto que ?: 3.F/6 eri caso contrario. 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.26 a 2. (b) 0.ee. Ensayar la hipótesis de que la máquina está en buenas condiciones de producción al nivel de significación del (o) 0. que para 6 Se rechaza.L7¡"- 1= ?l|'!-_99rnJ . Para determinar si la máquina sigue en buenas condiciones de producción.86 .17.F/e en caso contrario. se rechaza ffs . que para 10-1 tad es el intervalo -3. H lJ: 8000 libras. ABI sería aconsejable comprobar la máquina o al menos toma¡ otra muesha.01 . = 4---f.01 . Se deduce que la afirmación del fabricante es extremadamente improbable que esté justificada.F/s.01 se adopta Ia regla de decisión: (I ) (9) Se acepta .ee5. Se rechaza.25 a 3.01.86.26. (b) 0.01. . lo cual para 10 libertad es eI intervalo -2. Se rechaza -1 :9 gradosde lls en caso contrario.00.01.É16 elr cáso contrario.05. Para un ensayo bilateral aI nivel de significación del 0.05 pero no al nivel 0. se rechaza Puesto que ?: 3. ¿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. y la afirmación del fabricante de modo que se requiere un ensayo unilateral. : ) Para un ensayo unilateral al nivel de significación del 0. Bajo la hipótesisae se tiene (o . á ú. -t/n- t = 9!$-.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. se dice que lamuestraresultaproboblemente significatiua (véaee la terminología del final del Problema 7 . se acepta. Puesto que T = -3.05. que para 5 grados de libertad da 7') -3. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION Ú ENSAYOS RELACIONADOS CON LA DISTRIBUCION DE STUDENT 7.6).00.g. se adopta Ia regla de decisión (l) (2) (b Seacepta116 si ?esmayorde -ú. Puesto que ? -B .f.. que resulta tener un grosor medio de 0.86.00.4!9 ú0 -t -_. I/6 al nivel de 0. y la afirmación del fabricante está justificada es falsa 1 : ¡t 1 8000 libras.01? Se tiene que decidir entre las hipótesis Ho:. . se toma una muestra de 10 arandelas.05 .05. Se rechaza.un. Se desea decidir entre las hipótesis Ho: lt:0. -1:5 gradosdelibertad da ?) -2. y la máquina Ht: P + 0. se rechaza . : ) Para un et¡sayo unilateral al nivel de significación del 0. se adopta la regla de decisión (1) (2) Se acepta f/¡ : si ? es mayor de -f.36.003 pulgadas.050. Ya que se rechaza lls al nivel 0.050 pulgadas. 7.F/6 si ? se encuentra dentro del intervalo --f. se encuentra en buenas condiciones no se encuentra en buenas condiciones Bajo la hipótesis (o H¡ se tiene . y la máquina de modo que se requiere un ensayo bilateral.25.i6= = -8. ) Para un ens¿ryo bilateral al nivel de significación del 0.050.053 pulgadas y una desviación típica de 0.

ee5.45 (¿) Con r¡n ensayo bilateral al nivel de significación del 0. El I.01.4012 =o'397 v T= 5. eue para n¡ I nz . ¿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.01. se rechazará Hs si T se encuentra fuera del recorrido -t. En una estación agrícola se deseaba ensayar el efecto deun determinado fertilizantn sobrela producción de trigo.40 fanegadas. T- xt-x. donde nrsl + n252. Para ello. n1*n2-2 "=!ffi (a) I 12(0.ctsa ú e75.85 Con un ensayo unilateral aI nivel de significación del 0.19. 7.y el fertilizante incrementa la producción Bajo la hipótesis I/6.O5 a 2.?6 a 2. tiene que decidir entre las hipótesis se Ho: lt : ltz.3s7\n/12 + Urz = 1.01.1 - 4. (cociente de inteligencia) de 16 estudiantes de una zona de una ciudad dio una media de 107 con una desviación típica de 10.2: 28 grados de libertad es el recorrido -2.44\/ l/16 + l/t4 = 1.05.ffi + 12(0-36)2 t/". y ¡r2 las medias poblacionales del decidir entre las hipótesis I. no se puede rechazar É16 al nivel de significación del 0. Q..y hay diferencia esencial entre los grupos Bajo la hipótesis lls. . se rechazará la hipótesisl{6 si ?se encuentra fuera del recorrido --t r¡g¡.01. se eligieron 24 parcelas de terreno de igual superficie.01. de los dos grupos al nivel de significación del (o) 0. (b) Con un ensayo bilateral aI nivel de significación del 0. T= Entonces xt- X. a ú. Así pues. no se puede rechazar. hay diferencia significativa entre el I.44 y T= ltz - t07 9.2:.05.ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.05? Si se denota por ¡l-. mientras que la media en las parcelas tratadas fue de 5. "t/U"t+ Y"2 donde o - n. y (b) 0. eue para 28 grados de libertad es el recorrido -2. Así pues. no se puede rechazar Se deduce que no 116 al nivel de significación del 0.51.2 : 72 + t2 . sé rechazará Ia hipótesis f16 si ? fuese mayor que ú. Así pues. mientras que el L Q.ee. ¿Hay diferencia significativa entre el I.18.76.8 fanegadas con una desviación típica de 0. lo cualpara n1 * nz .8 0. Q. de los dos grupos. la mitad de ellas fueron tratadas con el fertilizante y la otra mitad no (grupo control). se tiene que Ho: lt : ltz ! no hay diferencia esencial entre los grupos Hti ltt =* tlr. Q. de los estudiantes de las dos zonas. La media de trigo conseguida en las parcelas no tratadas fue de 4.2 : 22gradosde libertad es 2. Q. de 14 estudiantes de otrazona de la ciudad dio una media de 112 con desviación típica de 8.Ef6 al nivel de significación del 0.S! + nrS! n1 -ln2-2 Entonces t6+L4-2 =9.1 fanegadas con una desviación típica de 0.16 + 74 . respectivamente.36 fanegadas.y la diferencia se debe al azar H t: pt ) tt1.05. "tf. ? ?. Todas las demás condiciones fueron las mismas.

_Lr'? = if Itr¡ (e)2 = 86. pues.oz.01.Por tanto . (o) (b) Mediante un ensayo unilateral. 4 = . se rechaza .05.4. Y deberá efectua¡se una revisión en la máquina. ¡12 fuese mayor- Mediante un enaayo unilateral. se rechaza.ltle al nivel 0. Así.sr. Sin embargo antes de sacar conclusiones definitivas referentes a la conveniencia del fertilizante. En el mismo examen. Vz:26-L=24. y cualquier va¡iabilidad observada se debe al azol Íi1: o1>. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 237 (ü) Conunensayounilateralalniveldesignificacióndel 0.máqlLlina era de 0. El número de grados de libertad para las clases son respectivamente rr¡ :16-1:lb. p.Alnivel 0.32)2/(O.Z5l2 = 82.05.05 que la variabilidad de la clase B es mayor que la de la clase A? (o) Tenemos.25 onzas. vemos que tampoco podemos rechazar.01 si el valor muestral de pues. que es igual a 30. ya que Ad F( F . ¿Es el aparente incremento de va¡iabilidadsignificativa al nivel de signifióación del (a) 0.05. ¿Podemos concluir al nivel d-e significación del (c) 0.25 onzas.05 y (b) 0.06.serechazarálahipótesisfl6si?fuesemayor que ú.05 Si el valor de X2 muestral fuese mayor 9ue x?gs. (b) Ya que f'. ENSAYOS RELACIONADOS CON LA DISTRIBUCION ¡' 7-2L.?0.72.0 onzas.er:z.32 on?T.LL para 15. sz :12 de modo -que G? = . . en una asignatura específica.2 para 19 grados sig de I O. se rechaza ^Ef6 al nivel de significación del 0. F. que ás igual a 36..Ffs al nivel de significación del 0.!4 = '*rrrr'= 1Eo Hay que decidi¡ entre las dos hipótesis : o ¡ = o2.01 paraZ¡ = L5. y la variabilidad se ha incrementado El valot de 12 para la muestra €8 X2 : nsz/sz :20(0. sería deseable tener alguna prueba más.25 onzas. 24 grados de libertad (véase Apéndice F). se rechazará. = E = *n@ = r. Entonces.1 : 19 grados de libertad.cAP. Una muestra aleatoria de 20 paquetes dio una desviación tipica de 0. sr g. En el pasado la desviación típica de los pesos de ciertos paquetes de 40.01. Un instructor tiene dos clases.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. f ( F.8g. 9tt" 4'rn.74 eí Entonces. LaclaseA tiene lGestudiantes en tanto que la clase B tiene 25 estudiantei.ee : 2. Así puee. aunque no hubo diferencia significativa en medias de las calificaciones.e5. no se rechaza.É16 al ni- Se deduce que la variabilitlad se ha. probablemente incrementado. A y B. llenados por una.EI6 al nivel de significación del 0. Se deduce que el incremento en la producción de trigo alttilizar el fertilizante es probablemente significoúiuo. y los resultado¡ observados se deben alazar H 1 : o > O . empleando eubíndices 1 y 2 para las clasee A y B respectivamente.01.v2 = 24 tenemos del Apéndice F.01? Hay que decidir entre las dos hipótesis: Ho: o :0.tá h.1 para v : 20 . muestras en cuestión.la clase A tuvo una desviaóión típica de 9 en tanto que la clase B tuvo una desviación típica de1'2.8.EIe al nivel de vel de significación del 0.nn no podemos techazar ff6 al nivel 0. ENSAYOS RELACIONADOS CON LA DISTRIBUCION CHI-CUADRADO 7. (b) 0. lo cual para22 grados de libertad esL.

Con referencia al Problema 7 .232 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP. sino solamente si hay una variabilidad en las calificaciones.99 60. En el diagtama se ve claramente que la probabilidad de acepLr .? . cuando realmente P : 0. esta á¡ea d.24. Para calcular esta área se obeerva que la distribución bajo la hipótesisp : 0.5 p=o.18 Entonces 9: área bajo la curva normal entre z : -4. (b)p : 0. ?.90 V(100)(0.5 4.0192 Así. llegando a una regla de decigión (2) Se decide sobre Q y P y después se llega a una regla de decisión.O5 ó O.5 en unidades tipificadas = 39.66 to'l. ?-6. ¿cu6l es la probabilidad de aceptar la hipótesis de que la mohecha cuando la probabilidad real de ca¡a es p : Q.58 = 70 y'6oo)(oJ)(0.6.6)=60 ú = lnpq = 60.5 4.? tiene una media y una desviación típica que Bon dadas por p=np=(100)(0. Adviértase que en este problema se tenía la regla de decisión de la que se obtenfa c y p.7-6 Si la probabilidad de cara es p : 0. se acepta cuando el p = 0. entonces la distribución de carag en 100 lanzamientos eetá representada por la curva normal de la derecha en la Fig.J? neda está bien La hipótesis ff6 de que la moneda está bien hecha.9' (d) P : O-4.5405 Asi pues. pues.6)(0.2(ol.5 en unidades tipificadas = - 60 60 = = 0.jo la curva normal de La izquierda en la Fig. con la regla de decisión dada hay muy poco riesgo de aceptar la hipótesis de que la moneda eetd bien hecha.tO2: 0.07 -6. es igual a 0.6. Esto es de esperarse ya que no estamos tratando de decidi¡ si hay una diferencia en las medias de las calificaciones. Solucionar el Problema 7.22.102 -4. número de caras en 100 lanzamienüos se encuentra entre 39.ó y 60. probabilidad de error del Tipo II).7 (es decir.3) = 4. En la práctica se pue' den presentar otras dos posibilidades: (I ) Se decide sobre c (tal como O. La probabilidad de rechazar Ffe cuando debería aceptarse (es decir.5 en unidades 39.90 4.5 39. está dada por el área rayada p de la iigura.7 39 5 caras 60.¡O tn Entonces I: áteabajo la curva normal entre z --6'66 y z -2-O7 : 0.0358.7 7.7)=70 60.4) = 4. la media y la desviación típica de la distribución de caras vienen dadas por !=np=(100X0. 7-6.23 si (a)p:0. (a) Sip : 0.5 en unidades ' = : r/"pq 60.2 es decir. .6.6 p-0. Puesto que la media real de las calificaciones no se usó para nada en el Problema 7 .5 caras Fig.58 tipificadas = üipificadas - = = : -2.2L si existe una diferencia significativaenla media de las calificaciones de las clases? Justificar su solución. probabilidad de error del Tipo I) viene: dada por el área toüd c de la región sombreada ba.23.2L no inüeiresa su¡ valoree. que representa el nivel de significación del ensayo de lfe.18 yz : O. (c)p :0. rOalculada en el Problema 7. con la regla de decisión dada hay un gran riesgo de aceptar la hipótesis de que la moneda está bien hecha cuando realmente P : 0.8. CURVAS CARACTERISTICAS DE OPERACION 7.Efs cuando realmente p : 0.5.O1). y después se calcula p.7. ¿Canbiarían sus conclusiones en eI ProblemaT.

24.6. Interpreta¡ los gráficos obtenidos. Be ve que sip = 9.9642 0.4 da el miemo valor deÉq.6 en unidadeb tipificadas Entonces = ry = q9? : = = -4.8) = 80 y o=.enüoncea p=np = (100)(0.0192 0.t"p:0.9.0192 0. 1c) Comparando con (b) o por cálculo.3 0.2 0.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION y'(100X0-S)(0¿) 233 =¿.2 0.(a).8.0000 0./nW= 60.0000 muy aproximadamenüe.7 0.8 0. 7-1.4 0.0000 0.5 cuando realmente p tiene un valor distinto a 0. Representar gráficamente los resultados de los Problemas 7. Nótese que p representa la probabilidad de aceptar la hipótesis p : 0.23y7.se gla de la decisión o enoayo de hipótesis.5405 0.1 0.09ó8 al nivel de significa- En general. (b) ( 1 p ) y p. (d) Porsimetríap = 0.5 en unidades tipificadaa 39.6 0.88 = 0.25.5.9 0. p ee muestra en la Fig.eedecir.5405.6 0.? 0. La Tabla 7-3 muestra los valores de p correspondientes a valores dados dep.9 1. 7-z (o) El gráfico p.0 0.12 p: área bajo la curva normal entre z : -10. Esta probabilidad es igual a 1 0. 7. si realmente'p : 0.9642 y ha eido introducida en - L-p 1.0000 la Tabla 7-3.5 se puede interpretar p como la probabilidad de acepoar p : 0'5 cuando debiera ser aceptado. (b) Sip=0.0358 :0.8 0.5405 0. Sin embargo.3 0. .9 0.12 y z -4.88 -10.3 02 0. comolorobtenidosenlosProTabla 7-3 p B 0.cAP..1 0 0 (a) (D) Fig. el apuntamiento mayor de la curva OC es la mejor regla de decisión pa¡a techazar hipótesis que no son válidas.23y 7.5 0.0000 0.24 construyendo un gráfico cuyos ejes sean (a\ I y p. 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. blemas7.p:0.6 0.0 0.8 0.4 0.6 0.1 06 0{ 0.9: 0 pa¡a todos los propóeitos prácticoe.

¡e llama curua de potencio de la regla de decición o ensayo de hipótesis. de modo que realmente ambos gráficoe aon equivalenüee. (c) Diseñar una regla de decisión para rechazar el proceso primitivo al nivel de significación del 0.26.234 (D ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.0 libras. Se acepta ^Éfs en caeo contra¡io. ?-8): (t ) Se rechaza lle si la e de la media de resistencia muest¡al es riayor que 2. Si ción (a) ! es la resistencia media. (b) Bajo la regla de decisión adoptada en (a).33. Razonando análogamente a como se hizo en el Problem¿ 7.26(br. ae quiere decidir enhe las hipótesis: Ho: U: Ht: ! ) Pa¡a 300 libra¡.33. Para hallar su valor nótese que 307. i 800 *sz.p) ¡e llama a menudo función d. de aquí que A - 310)/3 = Fig. Una compañía fabúca cuerdas cuyas resistencias a la rotura tienen un valor medio de 300 li bry" y una desviación típica de 24libras. p ¡e muestra en la Fig.26.e potencia. H t : ! -. la regla de decisión anterior se convierte en: (I ) (2) (ó) Se rechaza 116 si la reeistencia media de 64 cuerdae excede a 30?. Esta es Ia probabilidad de aceptar Ho: ! : 300 libras cuando realmente es la probabilidad de comeüer error del Tipo II.33) =30?.P).158?. suponiendo que la desviación típica de las ¡esistencias se mantiene en z4libras. Se cree que mediante un nuevo proceso de fabrica- puede inc¡ementarse la resistencia media. 7-9. (2) Se'aceptqlfq pue¡to 'que z = cessi Z>2. Constmir (a) una curva OC v (b) una cun¡a de potencira para ei Problema 7. y (Ht: tt: 310 libras). bajo la curva normal de la derecha a la izquierda de z dect. 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. Considérense las doe hipótesis (Ho: bras) Las distribuciones de las resistencias medias correspondiente¡ a estas dos hipóteeis se repreeentan.00 = 0. *r.00. tiene la siguiente regla de decigión (referenüe eon la Fig.0 libras en unidade¡ tipificadas : 300 (307. ? ) E gráfico (1 . en caso contrario. X>300+3(2.7-9 = iren. es 7.310 libras? Supóngase que la desviación típica se mantiene en z4libras. Esta curva ae obtiene ¡encillamente invirtiendo la curva OC.310 libras es cierta. 7 -7 (b).9qo.01.J = 't. : -1. I¡ cantidad (l .0 tb 307 tb 3r0 lb -1.Enton= "lr/ñ 24/\/u Así.01 si se pone dé manifiesto qu¿ debe rechazarse al ensayar 64 cuerdas. respectivamente con las distribuciones normales de la izquierda y de la derecha de la Fig.0 lb. se puede hdla¡ p para loe caeor en que el . 7. y el nuevo p¡oceso es mejor que el primitivo se un ensayo unilateral d nivel de significación del 0. puesto que indica la aptitud o potencb de un ensyo para rechazar hipóüesie que son falsas. que debieran ser rechazadas. La cantidad p se llama tambiénfunción caructerístico de operoción de un ensayo. es decir. 7-9.27. ¿cuál es la probabilidad de aceptar el proceso primitivo cuando en efecto el nuevo proceso incremente la resistencia media a. y el nuevo proceso es igud que el primitivo 300 libras.

es piácticamente.4) debe ser á lo sumo 0. ?-10(o).0 .2 0.0000 296 1.6? : 0. p : 0.1687 316 0.9900 L1. límite al riesgo de error del Tipo I Por ejemplo. (b) La curva de potencia se ve en la Fig.1 0.7 0. la curva baia ró- pidamente hacia cero. Para ensayar la hipótesis de que una moneda está bien hecha (es decir. De la Fig. la restricción (A) impuesta requiere que la probabilidad de error del Tipo I sea a lo sumo c : 0. y de aquí - 396 librae.05. 7-11 se tiene: .01 cuando el nuevo proceeo da una media de 800 librar).305y9 = 0.6 6 p f 0. (¡) U probabilidad de aceptar la hipótesis cuando realmentep difiera de 0.05. ya que lae dog curvag eon esencialmente equivalentes.28.0000 p 0.0000 300 305 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.?4Eo De esüa forma se obtiene la Tabla 7-4. Por ejemplo. si el nuevo da una resistencia menor de 300 librar. 315 librae.0 B 0. En esta curva 6e ve que la probabilidad de seguir con el proce' so primitivo.6?.¡ o.0 libra¡ en unidades tipificadas: (307. ri ¡r tonces 307.7-10(b).7-11.l (excepto para el nivel de significación del 0. se ha puesto Denótese por n el tamaño de muestra pedido y por ¡ el número de caras en los n lanzamientos.5 0.5. 7. sepuedenobtenerdeellalaomismasinterpretacionesque de la curva OC..7-r0 (¿) La curva OC se muestra en la Fig. p > 0. mientras que la restricción (B) requiere que la probabilidad de error del Tipo II eea a lo sumo 0 : 0.1 o más (es decir.5 en 0.8 o. se desea imponer las siguientes restricciones: (A) la probabilidad de rechazar la hipótesis cuando sea realmente conecta debe ser a lo sumo 0. La eituación planüeada se ve gtáficamente en la Fig.05. en- 9: i¡ea bajo la curva normal de la derech¡ a la izquienda de z :0. AquÍ y Tipo II. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 235 nuevo proceco da un¡ resistencia media ¡r igual a 306 librar.5) mediante un número de lanzamientos de la moneda.6 0.0038 320 0.cAP. de modo que no hay probabilidad de aeguir con el proceeo primitivo cuando la media de resistencia es mayor de 316 libras. Tabla 7-4 tt 290 1.9 0. Eeepués.05. etc.7486 3r0 0.

es 0..x :177.008 pulgadas. Se sigue que el tamaño de la muestra debe ser al menos 31g.05 o menoa. Los límites de control determinadog anteriormente se llaman límites de confianza del gg.645 ó (t) o. 7'l2.el 95V". e¡ decir.564 y 0. ? (f. La elección en cada caso depende de la¡ circunetancias particulares del tnismo. . que representan la probabilidad de error del tipo II.29.49{n vnpq = '--.6 n Y x - 0.6 n- 0. p = 0. (b) Mostrar cómo se.7 BVo o brevemente lfmite¡ 3o. muestrales puede tlevarse por medio de un gráfico tal como ee muestra én la Fig.6 r¿ * 0.564 a 0.584 pulgadasi ee supone que la máquina es a- (2) De otro modo. también s€rá 0. (o ) 3o¡) a (p¡*3o¡) con el 9€.6n 0.. pueden igualmente determlnarse otros lfmiües de confianza.9É!= -r.025.. dentro del intervalo 0. tales como los límitee d'el 99% o d.O\4\'\/E) o Con confianza del 99 .seeigueque I se encontrará entre (0.98. L7 .4s 1/A 0. (o) Diseñar una.524 * Puestoque De aquí que la regla de decición eea como sigue: (l ) Si la media muestral decuada para el trabajo pedido.05. el procelo está bajo control.5. Obeérvese que tomando la probabilidad de aceptación como De(/) x .674.Haciendo n : 319 en (3) o (4). automáticamente tomarÍamos como 0.5. Para determinar si la máquina esconstruida para el fin que se destina. Para decir.05 en el "peor de loc casos". Cada vez que se observa una media muestral se representá por un punto en el gráfico.o:0. Sin embargo. la máquina (b) Un registro de las medias no s€rú adecuada y habrá que buscar la razón de su ineptitud.5 : .re'presentaría grárticamente la regla de decisión de (a).r) - 0. Así pues. 7 0.) Eláreabajolacurvanorrnalp:0.9801fa- e'¡ 9-. la moneda al menos B1g veces.llamado grófico de control de colidad. enfte 742 y 177 si el número de carac en Slg lanzamientos está dentro del recorrido 159.49\/n n = o.6.5\/n De 0.96 r ó (Sl u.05 o menos cuando p tiene cualquier otro valor por fuera del recorrido 0.ít/n Vnpq= "- :0. se debe lanzar p - 0.806y'-n es De (3) y (4). se toma una muestra de 6 cojinetes ejemplo.4 a 0. En tanto que los punüoe se encuentran entre los límites 0. y se obsen¡a el diámetro medio de la muestra.008yn=6.574 . ¡- np :1-77 - 159.Saladerecha a" 7 (9) El área bajo la curva normalp 09" O.4r rtñ- (n. es 0.0'6n Realmente el área entre -f. se adopta la riguiente regla de decisión: (o) Se acepta la hipótesiep:0.236 ENsAyos DE Hrpornsls y sIGNIFrcAcroN lcAP.014l\/6\ y (0.584 pulgadas. Se construye una máquina que pr-oducfuá cojinet€s de bolas teniendo un diámetro medio de una desviación típica de 0. Cuando un punt'o se rale de estoe límite¡ control (tal como en la tercera muestra tomada el jueves). (b) S€ rechaza la hipótesis + 17 . .5.5 en caso contrario. = 0.73% de O.6 a la izquierda ae es 0.0.05. GRAFICOS DE CONTROL DE CALIDAD 7.egla de decisión mediante la cual se puede estar razonablemente cierto de qúe la calidad del producto esüá de acuerdo con las noÍnas requeridas.5.0.n: 318.5n = 1.7 3% se puede decir que la media muestral X debe estar denüro del intervalo (p¡ entre cae a m p ¡t:0. hay la posibilidad de que falle algo y se precisa una invesüigación del posible fallo. (2) es una cantidad muy aproximada. Por tanto un promedio ponderado de todas estas probabilidades.6.

(0. : 2.47 6 p :0. Tabla 7-5 Número de caras (r caras) Frecuencia esperada Frecuencia observada 38 0 1 0. Ajustar una distribución binomial pectivas de cara a los datos del Problema 5.43. página 163 puede ajustarse a una distribución normal. la distribución binomial ajusta- En la Tabla 7-5 se han obtenido estas probabilidades así como las f¡ecuencias esperadas (teóricas) y las observadag.0332 0.30. El ajuste se observa que es bueno.3087 2 3 ^ 0.47 rooo Igualando las medias teóricas y real se tiene 5p da viene dada por /(r) = .4 6 29 33. dondep y q son las probabilidades resy sello en un solo lanzamiento de la moneda..2 t44 342 287 164 25 7.31.1619 0.2 ó 316 308.506)5-¡. la media del número de caras es 2fr_ / _2470=2. Se tiene P(x caras en una serie de 5 lanzamientos) : f(¡) = sCrprqs-". 7-12 AJUSTE DE DATOS A DISTRIBUCIONES TÉORICAS 7. página 178. Utilizar papel gráfico de probabilidad para determinar si la dist¡ibución de frecuencias de la Tabla 5-2. . Para la distribución de frecuencias observada. La media del número de caras es ¡.¿94)¡(0.C.494.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 297 Lunes Martes Miércoles Jueves Viernes $ € bD osal 1} a a t ü {.1507 0.cAP.3162 0. x F a os74 a a a t I a : o 0 s64 o Fis.1: np : 6p.30.7 ó 151 29. La bondad del ajuste se estudia en eI ProblemaT. Así pues.9 ó 162 316.0294 5 6 33 161.7 ó 309 150.

página 163.0 23. .35 y 5.68 6 2l 38.0 100. De aquÍ se sacan las áreas bajo la curva normal entre los valores sucesivos de ¿.6? 0.4177 0.0 92.72 -1.6 68.0 65.70 -0.6 ¡¡+ 0. ?-r3 hoblema ?. La¡az6¡ de esto se ve claramente con un diagrama.6 menor que 67.6 menor que 64.5 66. Ajustar una cunra nonnal a los datos de la Tabla 5-2. = 61. Después.0743 72-74 6 4 20. se rutiliz.46 pulgadar. s = 2. las frecuencias relativa¡ acumuladas expreeadar en porcentajes.92 pulgadas (x mente El trabajo puede organiza¡se como en la Tabla 7 -7 .5 7L. 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).36 1.2771 0.44. dadas en la quinta columna.a -2. El grado en que los puntoe así dibujados ee encuentran sobre una lÍnea recta.32.6 menor que 73. Multiplicando lo¡ valores de la quinta columna (que representan las frecuencias relativas) por la frecuencia total n (en e¡te ceso n = 100).2068 6L65 6&68 69-71 68.5 oD. se obtienen lae frecuencias esperadas de la sexta columna.5 62.32.7L 6 28 7. ? 76 Frecuenei¡¡ Estatun (pulgad¡¡) menor que 61.238 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla [cAP. La "bondad {el ajuste" de la distribución qe congidera en el Problema ?. Por lo anterior. Y se pone de manifiesto que ee ajuetan ba¡tante bien con las frecuencias observadas realmente.0413 0.5 7¡.5 menor que 70.92 ó 39 27.t3 D 18 42 27 8 ñ. como se ve en la Fig. la distribución de frecuencia¡ dada se convierte en una di¡tribución de frecuencia¡ relativas acumuladas.4920 0. que da las áreas bajo la curva normal de 0 a z se obtiene con la tabla del Apéndice C.41 0.E 50 40 30 20 Primero. Tabla ?-7 Lfmite¡ realee Estatura de clase z pan los límites reales de clas€ Area bajo la cuna normal desde 0 ha¡ta z Area para cada cl¡ee Flecuencia eeperada Frecuencia observada (pulgdas) 60-62 r 59. en un papel. 7. como se muestra en la Tabla 7-6. donde la media i y la desviación típica 6 se han obtenido en los Problemas 5.6 &tatura (pulgada¡) Fis. se observa que hay una distribución normal que se ajusta e¡trechamente a los daüos.40 respectiva- La cua¡ta columna. Véase o a I É to 5 o a d E 62. Par:a.grófico de probabilidad eepecial.6 Rcl¡tiv¡¡ Acumulada¡ (%) 6. caicular e de los límites reales de clase. 7-13.43 ít 7 4.0 Io a E ql € ó a () 95 90 80 70 Q0 a (t 6 .tlls.39 2.z z = .6 74. son pasadas sobre los límites reales superiores de clase. anotadas en la última eolumna.5 7t. determina la bondad de ajuste de la distribución dada a la distribución normal.3892 0.

Comparando con el valor de \ : 0.'12 ¡ 85.CAP.4066 0. Ensayar la hipótesis de que la moneda está bien hecha con un nivel de significación del (c) 0. blemente bíen heclu.3659 0. puesto que 4. Entonces.63.0111 4 6 6 ó Nótese que el ajuste de los datos dados a una distribución de Poiseon es bueno. > 3.np)z npt npz - (115__100)2 Pueeto que el número de categorías o clases (caras. El cálculo de la varianza de la distribución da' da. la varianza d : L.o loe números teóricos de días en los que ee presentarán ¡ accidentes (obtenidos multiplicando las correspondientes probabilidades por 50). da 0.rj días.50 .47 0.* : P(r accidentes) 1118 2 7 o.36. Las frecuencias de caras vamente.f 0l2r + : (21)(0) '50 (18X1) + (7X2) + (?liQ_l q)(a) = ..24 2. (b) 0.50 pótesis de que la moneda está bien hecha al nivel de significaeión del 0.56 6 ó 20 18 8 2 1 0. la euarta columna que da los números de días observados se ha repetido. ?] ENSAYOS DE HTPOTbSIS Y SIGNIFTCACION Tabla 239 7-t 7. puede ser esto un indicio de la adaptabilidad de la distribución de Poison a la muestra de datos. 100 sellos) es h:2.1647 espeado 20. En 200 lanzamientos de una moneda se obsen'aron 115 caral¡ y 85 sellos. Entonces y eeüos esperadas si la moneda está bien hecha son np : 100. se rechaza la xlo¡ para 1 grado de libertad es 3.90 hallado.0494 0. < 6.05. hi' la ) El valor crítico xlso para 1 grado de libertad = 6. 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. El número medio de accidentes es Número de I Número de accidentes. respecti- xz = (o) El valor crítico (b @t:lptlz -(rz:. de acuerdo con la distribución de Poisson. 0 r N(rmero de dÍasr Número de días obsen¡ado 2L 18 7 3 1 {r accidentes) 0. 313 {11 = Iq"+ill En l¿ T¿ble ?-9 aparecen lae probabilidadee para 0.CUADRADO ?. puesto que 4.9?.84.eo Entonces.3 y 4 accidentes de esta distribución de Poisson. Tabla 7-9 Número de accidentes. Las frecuencias de caras y sellos observadas son. durante los cuales r autos tuvieron accidentes en una ciudad.30 8. Para una verdadera distribución de Poisson.84.1. np2 : tOO. LA PRUEBA CHI. Entonces. .2. Ajustar los datos a una distribución de Poisson.33 I 2 3 18. véaee método 1 del Pro" blema 7.01. a¡í com.v: + (85:!00)2 = 100 h 4.34.60 hipótesis de que la moneda está bien hecha al nivel de significación del 0.63. Para conveniencia de la comparación.01.7:2 -L = l. La Tabla 7-8 muestra el número de días f durante un período de 50 días. respectivamente rr = 115.33.05.

7. a la distribución binomial.07.34 que la hipótesis se rechaza al nivel de 0.20.36.86.34 utilizando la corrección de yates. Esto se cumple siempre que la prueba de chiruadrado eomprende dos categorías y se aplica la corrección de Yates. es el mismo valor de X2 obtenido en el probl.5.15. puesto que 5.L2.63 se deducen las mismas conclusiones que en el Problema ?.34 mediante la aproximación normal respectivamente. se rechaza la hipótesis de que la moneda eetá bien hecha. solucionar el Problema 7. véase método 2 del Problema 2. (185 _ __ 1001 Í4.00 20-+ n 20 Puestoqueelnúmerodecategoríasoclases(carasl. Entonces 114.4. Se sigue como en el Problema 7.1. no se puede rechazar Para 5 grados de libertad x%s: 1. (23-20)2 +--lO .240 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.84 y 4. (rz-npzl2 . Método 2.96 a 1.07 :2.93_4)' _(15-20\2 . Pa¡a una comparación con los métodos a4teriores. Método 1.35. Solucionar el Problema 7. la media y la desviación tÍpica del número de caras espe- : (l1b -lOO)t7. 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. Nótese que el cuadrado del valor anterior. Véase Problema 4.84. Ensayar la hipótesis de que el dado esté bien hecho al nivel de significación del 0. De ello se sigue que la concordancia entre ambas frecuencias no es tan buena como para no dudar de Io deducido.05 y un ensayo bilateral.58.06. (rs-np¡. si el valor de z está fuera del intervato -1. 115 caras en unidades tipificadas Bajo la hipótesis de que la moneda está bien hecha.7OO)17 .g.-nps)2 (ra-npe)2 < 11.5 o más caras.O7 : 2. 7.05.0. (24-20\2.S¡(0f)--7.b8 a2. (2. de nuevo en consecuencia del Problema 4.s)z = 100_ 100 tt q^< 4.2o5 < 6. Nótese que el cuadrado de este valor.01. (ZJ2)2 : 4.5)z = _100 )_ (L[. (16_20¡z _ *--lO-+ +ñ=5.05)2 7 -37.5 en uni: (114. Entonces.5)z _ .96.86. La Tabla 7-10 muestra las frecuencias observadas y esperadas allanzat un dado 120 veces. Con un nivel de 0.zvb Puesto que 4'205 > 3. (rr. de modo que X2 : 5.v:h-1-:6-1:b.2.)z . x2 (conegida) = = (lzt - nptl nPt 1001 0'5)z + !1""- np2l npz - 0'5\2 (1115 - 100 _ 0.5) =100yo=1fipq=/IZOO¡O.35.00 > 1. 115 o más caras equivale a 114. Con la corrección para la continuidad. (rt-nptl2 .05 pero no al de 0.00 la hipótesis de que el dado está bien hecho.5)2 . ^-------::-:-. dades tipifica¿¿5 : 4.npr o _ (rt-np)2 .6)esh:6. .60. El valor crítico a2e5 para 5 gados de libertad es 11.ema se cumple siempre que la prueba de chi-cuadrado comprende dos categoiías. Esto conduce a las mismas conclusiones que por el primer método.5 .34' Esto Con un nivel de significación del 0. es igual al valor de ¡2 corregido con la corrección de Yates p¡ra la continuidad del Problema7.1. ? 7.15.86. radasen200 lanzamientosdelamonedason¡r=np=(200)(0.01 el intervalo sería -2.

cAP.352 y X2 :0.ss= = 3. x?ss: 11.. naranja.05? El número total de guisantes es 315 + 108 + 101 + 32:556. 108lisos y verdes.3. de modo que no se puede rechazar la teoría al nivel de 0.40.75lisosy amarillos tol. ¡$5: 0.h=4yelnúmerodegradosdelibertadesv=4-1=3.26 rugosos y amarilloe B4. loe resultados obtenidoe están sujetoe a unh razonable influencia de error muestral.470 Puestoquehaycuatrocategorías. ¿Hay alguna evidencia que permitadudarde su teoría al nivel de significación del (a) 0. 7. Puesto que los números esperados están en la proporción 9:3:3:1 (y 9 * 3 + 3 + 1 : 16). De acuerdo con su teoría. teoría y los reeultados del experimento están de acuerdo. De modo que aunque el acuerdo es bueno. 9 que se da en la Tabla 7-11. r ry = 2s. : 3. (b) 0.7I ENSAYOS DE HIPOTESIS Y SIGNIFICACION 241 7. estos números deberían presentarse en la proporción 9:3:3:1.2.81. 101 rugosos y amarillos y 32 rugosos y verdes. 4 amarillas y 1 verde. .'nr parav: h -1:9 gradosdelibertad es21-. Se deduce pues. cabría esperar 3 bolas de cada clase en la muestra de 12 bola¡.01. . .38.4?O > 0. ¿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. En los erperimentos de Mendel con guisantes. Una muestra de 12 bolas extraída aleatoriamente de la urna dio 2 rojas. x2. Puesto que eetos números esperados Bon menores de 5.76\2 3t2.7.01. .L. Bajo la hipótesie de que la urna contiene proporciones iguales de los cuatro colores.3 >2!3 sededucequeladistribución observada dífiere significativamente de la esperada al nivel de significación del 0.zS lisos y verdes Struol = frtssol 104. Una tabla de números aleatorios de 250 dígitos mostró la distribución delosdígitos 0.352. la aproximación de chi-cuadrado será errónea.se esperarían fttssel = -- 312. de modo que no se puede rechazar la teoría al nivel de 0.05. Una uma contiene un gran número de bolas de cuatro eolores dife¡entes: rojo. 5 naranjas. ?. Se deduce que cabe sospechar alguna tendencia no aleatoria en dicha tabla de números. que la Nótese que para 3 gtados de libertad. obseryó 315 lisos y amarillos. ?. Para evitar esto se agrupan las categorías de modo que los núme¡os esperados en cada categoría sea al menos 5.como 23.39.zb rugosoe y verdes ft Entonces tssol = x2= (o) (b) Para v Para v (3L5 3L2. . amari'llo y verde.g El valor crítico d" x..Qe-2512 try+ .76 *W = 0. Ensayar la hipótesis de que la urna contenga proporciones iguales de los diferentes colores.01.

84seestaríainclinandoarechazarlahipótebien.242 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.puestoque4. se tiene (174 (correglda.-ss:3. se duda acerca de la decisión que se debe tomar. respectivamente.(ig:lf-!éE.r que conduce a las mismas conclusiones anteriores.ces P("siete") : 1/6(360):60 veces 6/36 : 1/6 y P("once") :2136: 1/18. Así pues. la aproximación ¡' para frecuencias pequeñas es pobre. 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. puesto que incluso el valor corregido de y2 se encuentra cerca del valor crítico. se tiene x: = 0qj:_6Fo. (24-20\2 .07 Parav:2-1:7. En tales casos. ¿Es el resultado consistente con la hipótesis de que el nacimiento de varón y hembra son igualmente probables? .65 De acuerdo. Ensayar la hipótesis de que el dado esté bien hecho al nivel de significación de 0. Sin embargo.x2l)s==3. empleando la corrección de Yates.05. (5-e)z . Sin embargo. Los resultados observados pueden imaginablemente deberse al azar. en 360 lanzamientos cabría esperar "siete" y 1/18(360):20 veces "once". para las que la muestra dio 3 y 9 bolas. En 360 lanzamientos de un par de dados. de aquí que cuando no sea aconsejable agrupar frecuencias se debe recurrir a los métodos exactos de probabilidad incluyendo la distribución multinomial. de modo que (74-60)2 .10).5)2 #-g*): = 3. Un par de dados puede caer de 36 formas. z. se rechazaría la hipótesis a algún otro nivel (tal como 0. 7. se observaron 74 veces "siete" y 24 veces "once". (4--3)2 .Asínosepuedetechazrlahipótesisalniveldesignificacióndel 0. Puesto que el número esperado en cada categoría bajo la hipótesis de iguales proporciones es 6.:-:_+r::__-::_:sis de que los dados estén X¿ 4.. se obtendría ¡2 a pesar de que las frecuencias sean dema- (2-3¡z .:?. l)na encuesta sobre 320 familias con 5 niños dio la distribución que aparece en la Tabla ?-12. .0. pues con la X2 corregida.ü.1.10). x' _ (1 -3¡:r ooo Puestoqueparav=4-1:3. Esto cabía esperarse puesto que la corrección de Yates Debe ponerse de manifiesto que si se emplea la aproximación de siado pequeñas.0?>3. para grandes muestras tales como las de aquí.) x2 _ = -6-.Desgraciadamente. ? Si se desea rechazar la hipótesis. aun Otro método: Utilizando la corrección de Yates.84. = ry. = siempre reduce el valor de ¡2 . 7.5)2 (124 - 2ol - 0. los resultados que se obtienen utilizando la correc- ción de Yates son más dignos de confianza que los resultados no corregidos. - e¡z -9 Parav:2-l:1. se tiene (9 ^cuando las proporciones de los colores sean iguales.81 sellegaríaalasmismasconclusionesqueantes. "Siete" se puede presentar de 6 formas y "once" de 2 formas.05(aunque sí se puede al nivel de 0. = - 60l 60 - . Ento¡-.05.84.41.rP. En general. no se rechazaría la hipótesis al nivel de 0.42.xjr¡. Esto se consigue en nuestro caso considerando las categorías "roja o verde" y "naranja o amarilla".05. se agrupan las categorías de forma que la evidencia en contra de Ia hipótesis se muestre claramente.Entonces.tz. De otro modo.

1y0 niño¡seobtienemultiplicandolasres' (40-50)2. 7.32.12 243 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 . (4 niños y 1 niña).9)2 .1 . 50. Asf'puesto que X2 = 7 .---r¡If.L . Entonces. y los reaultados son 10. .103. Determina¡ la bondad de ajuste de los datos del Problema 7. Para y : 4. La¡ condiciones del problema se presentan en la Tabla ?-13.212. x2.13 utilizando la prueba chi-cuadrado. el ajuate no es tan bueno como pudiera = 4. BONDAD DE AJUSTE ?.30. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla ?. (88_100)2..?)2.1 para y:61:6gtadosdelibertad. x.92 27.!. "!ü Puesto que el número de parámetros utilizados para estimar las frecuencias esperads e8 m metro p de la dietribución binomial). Para v : 2 (que son la me- = 2.--I¡Ié- .U Puesto que x:e5:11. .m : 6 .---T08J.Entonpiobabilidadee de (5 niños). 50.?)2 . De aquf queel ajuste de creerse.959 > 0. Utilizar la pmeba chi-cuad¡ado para determinar la bondad de ajuste de los datos del Problema 7.=--_a6---_Eñ-----Jó¡-----i6b--_-Ed.z = 6 4.43. TABLAS DE CONTINGENCIA 7. (164-150.-r3)2 .2 : 2. como 8e indica en la Tabla ?-14.64 > O.m : 5 . lag cla¡ificaciones 8on independientes. De aquí (8_10)2 _.(26-29.(342_316. Seap:probabilidaddenacimientodevarón.:z .1 y x.4.05.103.?11.. el ajuste no es "demaiido bueno". . pectivas probabilidades anteriores por 320..13 *(18-2-0:68)2 *(a2:^-39=92\2-(27:3ft7rl2 *(8:?'j13)z:0.--_-16-_¡&. 10.1 .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.?11.--lóo:t- .= (s8_33.412_ -58:t-- . Se deduce que el ajuste de los datos es muy bueno.68 38.-El: . x.3.yg:1-p:probabilidaddenacimientodehembra.49. (110_100)2. Adviértaoe que ¡fo es equiyalente a afirma¡ que la recuperación eeindependie¿úe del empleo del suero. (5 niñas) son dadas por loe términos del desarro(p llo binomial * C)5 = p5 + 5p1q I l|psqz ¡ l0pzqs ¡ Spqt 1- qs SiP:O:t12.43 20.cA¡.serechazarálahipótesisalnivel de significación del 0.^ _ (18_10)2 (56_60)2.".45.7t 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). xL¡s:0.99.1 .. Así se deduce que los reeultados son probablemente significativos y el nacimiento de varón y hembra no son probablemente iguales.959 7.os:0. pero no al 0. . 2. Bajo la hipóteeis nula lfq de que el suero no tie' ne efecto..-.x2.sss:15. X?ss = 9. 100.1 : 4. Pa¡a rr = 2. es decir. . 100. v : k . .i". v = k .01.(287_308. Solucionar el Problema 7.os= 5.2)2 . puesto que X2 = 0. Para V 1 (que er el pará- los datos es muy bueno. cabría esperar que 70 individuos de cada uno de los grupos Be recuperase y 30 en cada grupo no se recuperase.(L44_161. .44.

Sr. De modo que hay un grado de libertad.!t_.38 < 3. X. 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.45 son también válidas aquí. _ ¡¡ (corre(rda) = (i75 -70\. porejemplo. Solucionar el Problema 7.vó Obteniéndose que las conclusiones del Problema 7.^se sigue que X er lo mismo que z en este caso. ya que. (125-301 -0. conaidérese la Tabla 7-15.84.¡.--. Ensayar la hipótesis de que las proporciones de estudiantes suspendidos por los tres .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.84 para 1 grado de libertad y puesto que ¡2 = 2. pueeto que una vez hecho esto loq números de las restantes casiüas vienen obligados por los üotales ya indicados.38 es el cuadrado del valor de z : 1.gs.05. En la Tabla 7-16 se indican los estudiantes aprobados y suspendidos por 3 profesores: Sr. Se No ¡e recuperan recuperan TOTAL 100 100 Grupo. Z. = I. obtenido en el Problema ?. Esto podría haberse visto rápidamente.46. drado Cel valor de z.ss : 3. Y y Sr. 7. Asf pues. Nótese que X2 : 2.05 utilizando X" equivale a rechazar esta hipótesis con un ensayo unilateral al nivel de 0. No se está así en condiciones de rechazar Il¡ a este nivel y se deduce o que el suero no es efectivo o se deja sin tomar decisión en espera de posteriores ensayos.No ee recuperan cupetan TOTAL [cAP. se deduce que lob resultados no son significativos al nivel de 0. pero en la que solamente se han puesto los totales.13. como en la página 215 (véase Problema ?.10 uüilizando z.5)r .45 aplicando la corrección de Yates.51). al rechaza¡ una hipótesis al nivel de 0.profesores son iguales. Está claro que solamente se tiene libertad lara colocar un número en una de las cuatro casillas vacías.13 FRECUENCIAS OBSERVADAS Se re. or^_. ya que la corrección de Yates siempre disminuye el valor de ¡¿". ^.-.e5óx{-x.Puestoqueparalastablas2Xz. Tabla ?-16 FRECUENCIAS OBSIERVADAS Sr. X Sr. Y 47 L4 61 Sr. (35-301 -0. En general. que es igual a la¡ dos dadas anteriormente. habrían suspendido 27 lL80 : Iíc/o de los estudiantes y DO .30\2 (36 *ffi = 2'38 Tabla 7-16 Para determinar el número de grados de libertad.54.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.Xz egelcua- Nótese también que yn ensayo unilateral utiliaando ¡12 equivale a un enEayo bilateral utilizando. ? Tabl¡ 7-14 FRECUENCTAS ESPEBADAS BAJO Ho Se re.244 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla 7.5)2 * ----?O- (i65-701 -0.5)2 . 7.47.A Grupo B TOTAL 140 60 200 Puesto eue X. 200 140 30)2 o _ (75 x-1rc-?o70)2 - 70)2 . x2)x2ss correrpondea x>x.5)2 * ----TO* ?O S0 _ .

considérese la Tabla 7-18. se puede rechazar lfs aI nivel de 0.49.1Xk . Í4-9. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION habrían aprobado el 86Vo de los estudiantes.CAP. Z TOTAI. (47.61.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.e 64 54. 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. que puesto que x:eg : 4.60)2 4175 -. Entonce8 *. pá.gina 22O .99.48. después de lo cual.25 OD : didos TOTAL 55 61 9.15)2 (8-9. 153 qn X Sr. 7.1).75 = = 51. Nótese.L5% de 55 : I5% de 6t 9.-.zs¡ : 5. Mostrar que para una tabla de contingenciah X h tad es (h .60-=4. Se deduce que el número de gtados de libertad hk . sin embargo. Z TOTAL 153 27 Aprobair¡c didos TOTAL 85% de 55 : 6l 4G.n2nslnl2 .40)2 (5-8.ecuencias teóiicas. * ó1)(o1 * o2) o1*óq*a21b2 n a2b.25)2 . todos los números restantes vienen obligados por lo8 totales.15 61 15% de 64 8.05. Y 85% de S¡. Pero : (ar- nrnn/n)z (a".85 85V" d. Nótese que este resultado es válido si se conocen los parámetros poblacionales necegarios para obtener las fr. Puesto que x. los resultados esperados bajo la hipótesis nula aparecen en la Tabla 7-20. Así pues. Tabla 7-17 ITRECUENCIAS ESPERADAS RAJO Sr.85)2 (56-54. hay en este caso dos grados de libertad.núnR/n "r'.60 64 180 64 180 Entonces o x-. k > 1) el número de grados de libereg * & - 1 totales independientes de un total hÉ. . Sr.r"/" a1b2 (o. 7.(h+Ic-l) = (h-lx/ú- 1) como se requería.10 si se está dispuesto a correr el riesgo de estar equivocado 1 vez de cada 10.40 : Aprobados Suapen- Suspen. de otra forma se necesitan ajustes como los descritos en ( b ). at__n_ = -nrrxJn (ór nrnsln)2 (b2._ (50-46.n"n¡ln\z' nrnn/n ntftl. que es igual que la Tabla 7-L7 pero en la que solamente se han puesto los totales. Las frecuencias esperadas bajo FI¡ se muestran en la Tabla 7-17. Hay h (fz > 1. no se puede rechazar I/e al nivel de 0. Está claro que como cada fila y cada columna han decumplir con loü totales.75\2 . X ¿IO Tabla 7-18 Sr.ó+ Pa¡a determinar el número de grados de libertad.5135-547ó-----d25 9J5 --.51. 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. Y St.

yn:2OO. (/ ) se remplaza por (21 "rr"r"^"" : nL2 nrnznAnB x2 (conegida¡ n(ltl.n2P2n{l .ozbr\2 n /orbz-ozót\2 ml?¿B\ n n nzn¡\ n n¡r¡\ / / / n fatbr-tzDt\2 n ?zrs\ / que al simplificar. a2=26. Dr = 65. Ilustrar el resultado del Problema 7. r¿¡ = 100.49.51. Con referencia al Pro- (r) (2') P. se puede escribir az-ry = ur-ry = Í2fts . f. 7 Análogamenta Así. n2:60.246 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP. el resulüado eg el mismo que en el Problema 7. COEFICIENTE DE CONTINGENCIA ?.Pr)]2 nrnínpnq = nfri\+LlllrJ (Ya que n = nt+tt2l (Pt.=. -flg L-p l-P2 = bc -= = q = -.Prl . Sise aplica la corrección de Yates. da x' : D'- n(a.10012 = 1.tn)z = 200il(?5x35) 2.49 paralos datos del Problem^I. bz:35. nt=140. = #. dado en (IO) en la página 215. 1-Pr .45. P.4S. Denótese por P1 y P2 las dos proporciones muestrales y blema 7. Or--m arb2 = - a2b.bq - aqb'12 donde A:&tbz-azbt. frA=úr*az.46 ¡2 (corregida) = ---ñ^"" - = - (25X65)l (140)(60X100X100) .93 7.ln)? = -"r!rrrñr" 7. ns = 100.P)2 nWtPrA$ . C= vra = {*#fu : r/d'6112e = 0'1084 .50. de modo que (r) (4) ú1 = nlPy az = nzPz.a2b)2 -T nrn2nAnB nrn2(Pr. entonces riI ) del Problema 7. se tiene p la proporción poblacional. Halla¡ el coeficiente de contingencia para los datos de la tabla de contingencia del Problema 7.49 x2= n(ap2. ns = ür*ó2.49 da x2 = n(1aft2. 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).. a1 =75. ^ (t) n /otbr-ozbt\2 n lotbr..P)2 que es el cuadrado del estadístico Z.38 : Empleando la corrección de Yates.45. - O2 l¿z' fL¡ tl' ó.52.. r¿r(1 - Pr).=&r*a2*b1*b2. n1=at*b¡ nz=a2*b2. ¡e tiene del Problema 7. ür : 'tL¡ = flP. bz = nz(l- Pz) tlg = flq Utilizando (3) y (4). .azbtl . EnelProblemaT.

ee 0.4)2+ ro0a(0. Nótees la probabilidad de error del fipo I. Para taleo ca¡os. (f) p : 0.. Para ensaya¡ la hipótesis de que el estudiante acierte por car¡udidad.(iX.5 cuando realmente = O'7' : O.3504 7.(g)p : O. (e) p : 0.3.53.50)2 (0 ..?1e Asi ee que ésta pues. " x. (100 . (Véase Problema 7 .". En el problema 7. son todas igualea a 50.2.9.7)7(0.ueno) TOTAL 100 (irupo ó 0 100 100 100 100 200 .6 la probabilidad pedida será 1 - [P(? conectas) * P(8 correctas) + P(9 cotrectas) + P(10 correctas)] =|- ho0?(0. hallar la probabilidad de aceptar la hipótesis p P : 0. Seap la probabilidad de que una pregunta sea contestada correctamente. P(7 o más correctas) : P(7 correctas) * P(8 conectas) + P(9 corectae) * P(10 correctae) = .6)8(0.60)2 50 . D Tabl.54.8. (ii) en caso contrario. 7.cAP.21 valor máximo de C ee presenta cuando la¡ Se recuperan No se recuperan 0 TOTAL 100 GrupoA (utilizando auero) (no utilizando .4. Pueeto que las frecueneias eeperadas.4) + 10010(0..[roOi(0. = 0.64. la probabiüdad de decidi¡ que el eetudiante no reeponde al aza¡ cuando es que si.L27).".(á) = 0.7)8(0. el e¡tudiante acierta alazar).6)?(0..". do¡ clasificaciones son perfectamente dependiente¡ o a¡ociadas. las únicas frecuenci¡¡ de casillas que no Eon cero aparecen en la diagonal que baja de izquierda a derecha de la tabla.6)101 = 0.56.. = 1/@-ffi.3) + r0Cr0(0.----80Entonceg el valor máximo de C e¡ .(.= (100 zw En general.? Bajo la hipótesis p P(menoc de 7 corectas) : - 1 -P(7 o mác conectas) 1 . Hallar la probabilidad de rechazar la hipótesis cuando es corTecta.5 (ee decir.1?19.i . C.4)3+ roOs(0. Hallar el valor máximo de C para la tabla 2X 2 del Problema 7.(+Xá) * .54. (b)P : 0.3)3+ r0Cs(0. (d) p : O.6. donde g =L- p. (c)p : 0.3)10] = 0.-60 . PROBLEMAS DIVERSOS 7. La probabilidad de conteetar correctamenté Bajo la hipótesisp r pregunta¡ de las 10 será rcCrqqto-'.ro)¿ .7)e(0.?0?1. para la dependencia total en uua tabla de conüingencia.X. 7l ENSAYOS DE HIPOTESIS Y STGNIFICACION 24V 7.o.0o)z (0 . suponiendo independencia total. hallar la probabilidad de aceptar la hipótesisp = 0.5 cuando realmente (a) p : 0. adopta la siguiente regla de decisión: (i) si 7 o más respuestas son acertadas el estudiante no las acierta por casualidad.a 7.13.6)e(0..t. en la gue el número de fil¡s y columnas eon ambas iguales a &.¡* ./Zt(xz + n'l = t/ñl@6T 2oo-) = 0. (a) Sip : 0.". En tal caso..55. En el Problema 7. Esta tabla de contingencia aparece en la Tabla 7-21. todor loe que tomen el suero 8e recuperarán y todor lor que no se lo tomen no Be recuperarán.618 .---80. . el estudiante está adivinando.3)2+ r0Ca(0. Un instructor hace un cuestionario forurado por 10 preguntas falso-verdadero.

01 la moneda no está bien hecha? Considerar ensayos de una y dos colas. +i. no se puederechazar. l0 09 08 0? El gráfico pedido es el de la Fig. respectivamente.65.01).05. 03 02 0.01662 y P(6 ó 6 carad) = * +-# : 0.05 ó 0.000 0.618 0.1?19 : 0.248 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.8.01. ¿Puede deducirse que al nivel de significación (c) 0.trf6 llnivelde .7 hallado en el Problema 7 .Puesto queP(6 caras): f¡ :0.2 0. Sea p la probabilidad de ca¡a en un solo lanzamiento de la moneda.121 0. si en la moneda sale 5 veces cara. 4.5)(ee decir.03125. Ensayo u¡ilateral. Bajo la hipótesis (Ho: p: 0.0.8 0. Puesto queP(0 ó no ee puede rec}ntzar H¡ al nivel de 1ó 5 ó 6 caras) = 2(t) = 0. (c). 3.2188. $oluciona¡ el Problema 7.1 El grafico indica que la regla de decisión dada ee muy odecuado para rechazat p:0. Utilizar el Problema 7.5).1094.350 0. se habría obtenido la curvo de potencia de la regla de decisión. Se ha irrcluido también el valor para p : 0. ? Loa resultados de (b).989 0. el resultado observbdo es significativo al nivel 0. la moneda está bien hecha). (g) pueden hallar¡e análogamente y se indican en la Tabla 7-22 junto con el valor correspondiente a p : 4.6 0. 7-14. caraa en 6 f(x\ = P(x lanzamientos) = Entonces lae probabilidsdes de 0. ee puede rechazar ñfe Ensayo bilateral: al nivel 0. 0. **.05. Una moneda que se lanza 6 veces da 6 veces cara. 7.7 0.828 del Problema 7.57. pero no al 0.999 0.Ele al nivel 0. Tabl¡ ?-22 p B 01 1.t+.945 0. Pueeto que P(6 ó 6 earar): * + # = éa:0.!¡. pero no d 0.1094. 2.06.01 (es decir. Aquí se desea decidir entre la¡ hipótesir (Ho: p : 0. pero no al 0. 7-15. 0. como se muestra gráficamente en la di¡tribución de probabilidad de la Fig.5 0.59.5 cuando realmente p > 0. Puesto que P(0 ó 6 carar): t'o+* = 0.64. Ensayo unilateral: Aquí se deeea decidi¡ entre las hipótesis (Ho: p: 0. p + 0. 1.01. . se puede rechazar.05 ó 0.ó) y (Ht:.54. .56 para construir el gráfico de É y p obteniendo así la cun¡a característica de operación de la regla de decisión del Problema.6 y 6 caras son dadas. . por #.5 dado por p : 1 .01.6) y (Ht: p > 0. viértase la semejanza con Problema 7-27. 7.¡qn.t v i.4 0.68.58. Ensayo bilateral. Nótese que la probabilidad se denota por p (probabilidad de error del Tipo II).013 0 828 7.9 0. .3 0.05 y (b) 0.1. Ad- la curva OC del 06 Si se hubiese dibujado (1 -p) yp.5).

. página 118].L tu¿cione¡ por medio de la Tabla 7-23..p)z = . *Y¡r= n¡ PlYr=At. página 14?.p)2 PQI'I¿ 7. . (21) ea diffcil de manipular ya gue las X di¡üribuidas multinomialmenüe son dep. i npn: n.Yz=U2r . Enüoncec..Y¡=Ur I Yz* . Epplear el resultado del ProblemaT..Y2=U2. sabemos del hoblema 4. Xz X¡ tienen una distribución multinomial. Yr + ).págtna 218. .. y2= u2. .... ce pueden describir las ei- ría I... p I Frecuencb observada Frecuencia esperada nP np II n(l.6t pa¡a demostrar que ¡2. como se define por (21). Tal como oe establece.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 249 7..cAP.. Asl el denominador tiene el valor "":. + ' ' ' + Y¡ es en sí migma una va¡l¡ble de Poi¡eon con parámetro np¡ * np2 + .Pl n(l-p)=nq TOTAL n .. Por t¿nto reeecribimo¡ (2/ ) como (r) x2 = /t'=^')'*f"'=^'\'*.96.endientec... Suponga que Xt.. *Y¡= n¡ = que ee la distribución multinomial de la¡ X [compárese (I6).l\z : npz trr : zpr respectivamente.. el numerador en (2) tiene..¡Yt=Ur Y Yt+Yz+ "' *Y¡r= P(Yr+ Yz| "' * Y¡ = n¡ e-n n¡ Entonces. n(P.tYx=at I Yr* Yz-1. npp respectivamente.1'"'-." Por tanüo (2) ee conüerte en P(Yr=Ur. el Problema 7. / \V^r/ \Vrzl .:í-^*f e-^ dondehemo¡uuiüzadoelhechodequept*pz+..¡p_r¡rll*l)q/ = '' \P Pq = (P-. que Yr + Y.nPz... por definición. tiene aproximadamente una distribución chi-cuadrado. . .61 demuestra que podemos remplaza¡ las X por lae Y independienúes con dietribución de Poisson ai ae cumple que Y¡ + Y2 + " '* Y¡": ¡. yx= ax) = 19#)1-+gj. Pa¡a la función de probabüdad conjunta de ft l¡¡ Y tenemos (r) (21 p(y... .. ^#--"Jpltpf2"'plk 7. iYr.62. Mostrrir que una prueba en chi-cuadrado que comprende dos categorías es equivalente al ensayo especial de significación para proporciones (pagina 214). Sin embargo.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.Yt va¡iablesmutuaÍienteiñdependientes con dist¡ibución de Poisson y parámetros tr¡ : npt. busc¿ndo está dada por Iadi¡üribucióncondicionalqueeetamos P(Yt. con frecuencias esperadas flPt.. de acuerdo con la resüricción (221. Demostra¡ que la dist¡ibución condicional de las f dado que Yt*Yz+ "'+Yx = es precisamente la distribución multinomial de las X. . Tabl¡ ?.aL. (5) de la página 214.61.60..Yz=Az. Sean f.'.23 Si P es la proporción mue¡tral para La categoes la proporción poblacional y n eo la frecuencia total.*/t'-^'\' \Vrr. el valor En cuanto aI denojminador.= ut. de (I ).+ph=L. = (nP .

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

Solucionar el Problema 7. (o) Hallar la probabilidad de rechazar la hipótesis cuando en realidad aea correcta. una muestra de 36 piezas de hilo dieron una resistencia media de 8. se adoptarÍa en el Problema 7.OO....66. ¿Se puede deducir al nivel de signüicación del (o) 0. es decir.64. Ensayar la afirmación del fabricante al nivel de aignificación del (o) O.66 ei el nivel de significación es del 0. + {pt Zt.. proporción d.Of O. Recientemente.05 y (ó) 0. La "demostración" anterior (que puede hacerse rigurosa) muestra incidentalmente que cada restricción lineal colocada alas Z. Discutir las razones de las posibles preferencias de uno de estoe ensayos sobre el otro. normal (puesto que e8 una combinación lineal de la¡ variablee Z normaies e independientee). yos.cAP. 7'68. 7.01 que el es ahora peor? hilo 7 .7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 26L Para evaluar el denominador de (5) notamos que la variable aleato¡ia W = lptZl * es l-p222 + . Un examen sobre una muegtra de 200 de talee equipos reveló que 18 eran defectuosos. ee decir. Un fabricante sostiené que al menos el 95% de los equipos que Euministra a una fábrica eetá de acuerdo con las especificaciones requeridas. Var (W) = pr(l) * pz$) * . 7. donde z : h - las bases para las reglas dadas en la página 219.entarios ENSAYOS DE MEDIAS Y PROPORCIONES UTILIZANDO DISTRIBUCIONES NOBMALES ?'63...05 desde el punto de vista de (o) un ensayo unilateral y (b) un ensayo bilateral. la puntuación medi¡ fue de 74. (¿) ¿Cuál eería la hipótesis nula y cuál la alternativa? (b) ¿Se utilizaría un ensayo de una o doe colas? ¿Por qué? (c) ¿Qué regla de deci¡ión se adoptarfa si el nivel de significación fuera del b. y Denominado¡ (.e) = p(lWl < e) - e4(0)(Z€) = 7.93 onzas. + V!f. . se quiere un nivel de significación del 0.01? Se lanza un par de dado¡ 100 veces y se observa que un total de ('siete" apa¡sce 23 veces. Enaayar la hipóteaie de que los dados esüén bien hechos. y por tanto a la¡ Y o a las X reduce el número de grados de libertaá en X2 en 1.9.. * p¡(1) = de den¡idad paraW es p(rr) : (Zr)-r/2e-u2/2. Comentar la significación de este resultado al nivel de 0.01.1i¡ ee rechaza en caso co¡rtra¡io. 7. En un examen dado a un gtan número de estudiantes de muchas escuelas distintas. (ó) Interpretar gráficamente la regla de decisión y el resultado obtenido en (o). Una urna contiene bolar roja.e y azules.0.67.01. Para ensayar la hipóteeis de proporciones iguales de e¡to¡ colores.7 o.1 y la desviación típica fue 8. (Zr)-t/2(ze) Al dividir (8) por (9) obtenemos el resultado deseado. erplicando las conclusiones sacadas con estos ensa- .63 si ee quisiera que la probabitidad de rechazar la hipótesis siendo realmente conecta sea a lo sumo 0.05? 7.0ó? (d) ¿Cuál sería la regla de decisión si el nivel de significación fuera del 0. mediante (of un ensayobilateralyla¡.ebolac rojas que de azules. no cargados. (o) ¿Qué regla de decisión ?.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. En una escuela determinada con 200 estudiantes el mismo examen dio una puntuación media de 75.63 se desea eneayar la hipóüeeis de que hay moyo. Supóngase que en el Problema ?.(o¡ : 1 s Por tanto la función .05. 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.trLtroyo uniiateral y un nivel de significación del 0.65.01? (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. y que E\W\ = VE(O) + \/p2(o)+ . Esüo provee Problernas suplem.40 onzas.69.

7.05 ensayar la hipótesis de que las máquinas deben ser introducidas. Análisis de 6 muestras de A dieron un pH medio de 7. 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.72 ensayar Ia hipótesis de que las bombillas del fabricante B sean mejores a las del fabricante A utilizando un nivel de significación del (o) 0.01. una parcela de terreno se dividió en 60 cuadrados de áreas iguales.01 V (b) 0. la puntuación media de 32 niños fue de 72 con una desviación típica de 8. Con un nivel de significación del (a) 0.70 si el nivel de significación es del 0. Las especificaciones para Ia producción de una cierta aleación piden el 23.05 y (b) 0. ENSAYOS REFERENTES A DIFERENCIAS DEMEDIAS Y PROPORCIONES 7. mientras que 15 estudiantes de otra clase tuvieron una puntuación media de 74 con una des- .05 y (b) 0.52 con una desviación típica de 0.a2. [.32%. con los niveles de significación de (o) 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.01 y (ó) 0. ensayar la hipótesis de que el nuevo fertilizante sea mejor que el antiguo.05 que el producto presenta las especificaciones requeridas? ?. Utilizando un nivel de significación del (a) 0.252 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Solucionar el Problema 7. mediante un nivel de significación del (a) 0.05./o con una desviación típica de 0.7 7 ensayar la hipótesis ¡¡ : 1120 horas contra la hipótesis alternativa tt diante un nivel de significación del (o) 0.a media y desviación tfpica correspondientes a los otros cuadrados fueron 17. ción típica de 6. 0.O7o laintroducciónde tales máquinas en eI proceso resulta antieconómico. Análisis de 5 muestras de B dieron un pH medio de ?.8f En el Problema 7.63 fanegadas. ¿Se contradicen los resultados con los del problema anterior? En un examen de ortografía en una escuela elemental. 7 . Explicar las diferencias entre esto y lo que se pedía en el problema anterior.05.01. (b) 0.01.05 y (b) 0.2 con una desviación típica de 0. < 1-t2O horas.19. ? 7. Una muestra de 75 bombillas de otro fabricante B dio una duración media de 1230 horas con una desviación típica de 120 horas.01. . En el Problem a 7 .7 8. A causa de lo costoso del mantenimiento de estas máquinas resulta que a menos que el tiempo 4e producción ee disminuyaen un8. ¿Hay diferencias entre las duraciones medias de las bombillas de los dos fabricantes al nivel de significación del (o) 0.05.72.01.01? En el Problema 7 . A y B fueron ensayadas pa¡a ver su pH (grado de acidez de la solución). Una muestra de 100 bombillas de un fabricante A dio una duración media de 1190 horas y una desviación típica de 90 horas. Dos tipos de soluciones químicas. etc. me- 7.01 las niñastengan mejor ortografía que los niños. 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. todos ellos tenían idénticas características de suelo.24%.5% y una desviación típica de 0. Ensayar la hipótesis de que (o) las dos máquinas tengan diferente calidad de fabricación y (b) la máquina B sea mejor que A.4a.79 ensayar la hipótesis de que el contenido medio de cobre sea más alto que el que marcan las especificaciones. Ensayar la hipótesis de que a los niveles de significación (a) del 0. ENSAYOS EN RELACION CON LA DISTRIBUCION ú DE STUDENT 7. El nuevo fertilizante se aplicó a 30 de estos cuadrados y el antiguo fertilizante a los restantes. En seis pruebas de este tipo se obtuvo un decrecimiento en eI tiempo de producciónde 8.2% de cobre. Una muestra de 8 bombillasdelaproducciónactualdiouna du¡aciónmedia de 10?0 horas.49 con una desviación típica de 0.76.7L. Unamuestrade 10 análisis dio una media de contenido en cobre de 23. respectivamente. ?. 7.76. lcAP. Mediante unniveldesignificación del 0.8 y 0. exposción a la luz del sol.73. 7. El número medio de fanegadas de trigo cosechadas por cuadrado en los que se utilizó el fertilizante nuevo fue de 18. En un examen de psicología de 12 estudiantes de una clase hubo una puntuación media de 78 con una desvia- 7.032.77.05 y (b) 0. respectivamente. determinar si los dos tipos de soluciones tienen diferentes valores de pH.05. mientras que la puntuación media de 36 niñas fue de 75 con una desviación tÍpica de 6.01 y (b) 0. Para ensayar los efectos de un nuevo fertilizante sobre la producción de trigo. ¿Puede deducirse al nivel de significación del (c) 0.80. 1 .05 y (b) del 0.024.83.54 fanegadas.7 4. Ensayar la hipótesis de que la duración media de las bombillas no ha cambiado. Utilizar el nivel de significación del 7.

Ensayar la hipótesis de que la primera varianza poblacional es mayor que la de la segunda a un nivel de significación del (o ) 0. (b) 99% sobre un gráfico de control de calidad y explicar sus aplicac¡o- nes.05 determinar si el primer grupo do. (o ) Solucionar los Problemas 7 . Con un nivel de significación del 0. mediante un nivel de significación del (a ) 0.E8. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION es 263 superior al segun- viación típica de 8. ¿Concluiría que esto no es común? Explicar. En el Problema 7. La desviación típica de resistencia a la rotura de ciertos cables producidos por una compañía viene dada por 240 libras. determinar Ia probabilidad de aceptar la hipótesis de que haya igual proporción de bolas rojas y azules. Con la temperatura media del día 15 de cada mes.3.93. 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. (d) 0. Investigar la significación del aparente incremento enla variabilidad. (e ) 0. ?.01? CUBVAS CARACTERISTICAS DE OPEBACION ?. se toma una muestra cada 4 horas de 200 de las tuercas producidas.01.28 onzas. Adviértase que en esüe caso solo son necesarios los límiúes de control super. Dos muestras consisten de 21 y 9 observaciones. (b ) ¿Qué conclusiones pueden sacarse de acuerdo con Ios riesgos de error del Tipo II cuando se incrementan los támaños muestrales? 7 . ?. (b ) 0. ?. Para mantener esta calidad de producción. ?.95. Comparar estos gráficos con los del Problema ?.87 si las dos mueetras con¡i¡ten de 60 y 120 observaciones respectivamente. desviación típica de las temperatwas anu¡legde una ciudad en un período de 100 años fue de 16" Fahrenheit. Hallar los límites de control del (a) 99.94.9.63. durante los 15 últimos años.8.CUADRADO 7. En el pasado.82.05. (b) 0.91. t¿ ?. Determinar los Iímites de control del (a ) 99% y (b)95% pam el número de tuercas defectuosas de cada muestra.89. una curva de potencia correspondientes al Problema 7. Ensayar la hipótesis de que las temperaturas en esta ciudad presentan ahora menos variabilidad que en el pasado. Después de introducir un cambio en el proceso de producción de estos cables. En el Problema 7.86.05 y (b ) 0. ¿podemos concluir que hay una diferencia significativa en la variabilidad de los valores del pH para las dos soluciones al nivel de significación del 0.6. cuando la proporción real p de bolas rojas sea (o) 0.65. 7. (b) (1 -p) y p.26 y 7 .84. Solucionar el Problema 7.85. ?.27 si se eru¡ayan 400 cuerdas. . La resistencia a la rotura de una muestra de 8 cables dio una desviación típica de 300 libras. ENSAYOS EN RELACION CON LA DISTBIBI'CION CHI.92.90 construyendo un gráfico de (c)p V p. al nivel de significación del (a) 0. En relación con el Problema 7.cAP. Representar gráficamente los resultados del Problema ?.ores. Construir (a) unacurva OC y (ó) . Alrededor del lVo de las tuercas producidas por una compañía son defectuosas. (c) 0.01 . tienen varianzas dadas por s? : 16 y s2 : 8 respectivamente. se toma cada 3 horas una muestra de 16 piezas de hilo y se determina la resistencia media.731o ó 3o.25 considerando Ia analogía de bolas rojas y azules con caras y sellos respectivamente.27 GBAFICOS DE CONTROL DE CALIDAD 7.0f .05.77 una muestra de 20 bombilta¡ reveló una desviación típica en la duración de 150 horas. Para determinar si el producto está de acuerdo a estas normas. ENSAYOS EN RELACION CON 7 LA DISTBIBUCION F .81 . Ia desviación típica de las temperaturas anuales fue calculada como de 10o Fahrenheit.7. Comparar estas curvas con las del ProblenaT . (b ) 0.90.

7. 3 4 .1'04. 6l ?. (o) Determinar las frecuencias esperadas. utilizar papel gráfico 30 62 16 l0 .01. Este proceso se repite un total de 120 veces y los resultados obtenidos. se anota su color y se vuelven a la urna. 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. Determinar si existe entre las máquinas una diferencia significativa al nivel dc significación del 0. Ajustar una distribución de Poiss<¡n a los datos.40% C.g8 pueden ser aproximados estrechamente a una distribución normal. Ensayar esta hipótesis al nivel de significación del 0.05 si el profesor nuevo sigue las mismas nornns de puntuación que los otros. 7 z AJUSTE DE DATOS A DISTRIBUCIONES TEORICAS -24 2 7. Delerminar al nivel de significación de 0. el número de muertos por unidad y año debido a coz de caballo se dan en la Tabla ?-2b. 7 '97 Ajustar una distribución binomial a los datos dela Tabla 7 _24. (b ) 0. 7. 7.se muestran en la Tabla ?-2g. Se lanzaron tres monedas un total de 240 vese observó cada vez el número de caras obtenido. 114 Vier. I 65 22 a l 10!¡ I LA PRUEBA CHI. (á) 0. 10.05.gg.254 ENSAYOS DE HIPOTESTS Y SIGNIFICACION Tabla f 0 [car. solucionar el Problema 7. Ajustar una distribución normal a los datos del problema 5. . de probabilidad para determinar si los datos del Problema 5. 9.05.r02 utirizando la corrección de yates. . resultados obtenidos son consistentes (.0b. (b) Determinar al nivel de significación del 0.LB% B. 146 t20 7.103.107. Ajustar una distribución de poisson a los datos del hoblema 2.100.l 1 cara 108 bien hechas. Se eligieron aleatoriamente tuercas de la producción de .34 8. Tabla 0 ? -25 I ?-101. Ensayar la hipótesis de que el número de libros sacados no dependa del día de la semana. Número de libros sacados Tabla 7 -27 Lun. con un nivel de significación del (o ) 0.05 2 rojo 0 blanco Número de extracciones con Ios esperados.CUADRADO 7'102' En 60 lanzamientos de una moneda se observaron 37 caras y 23 sellos.100.^ 30 Frecuencia esperada )0 90 3() ?. Una urna contienc 6 bolas rojas y B blancas. Ajustar una distribución normal a los datos del problema 5. las puntuaciones dadas por un grupo de profesores en un determinado curso dieron un promedio d.66 C' 16 D y 12 F.108. 7.98.99. 3. Durante un largo período de tiempo.106. El número de defectuosas ""d" fueron 2.105.05. En 10 unidades del ejército prusiano y en un período de 20 años 1875-1894. 108 Mierc.96 y comparar con el ajuste obtenido utilizando la distribución binomial. 7. 7.rrru de 4 máquinas.0r .e 12% A. Un profesor nr¡evo da durante dos se_ mestres 22 A. El número de libros sacados de una biblioteca pública durante una semana determinada viene dado en la Tabla ?-22. Juev. Se Tabla 7-28 0 rojo 2 blanco 1 rojo 1 blanco 53 si los extraen aleatoriamente dos bolas de la urna. Ensayar la hipótesis de que la moneda está bien hecha utilizando un nivel de significación del (o) 0.96. Mar.Lg?o D y 12% F.

Sobre una decisión de importancia nacional. Tabla ?-30 Aprobados Clase 7.01 y (b) 0. A 72 64 t7 23 Clase B 7.116. Hacer el problema con y sin la corrección de Yates.96. los votos de los demócratas y republicanos registraron los resultados que se observan en. Los resultados de una encuesta hecha para determinar si la edad de los conducüores a partir de los 21 añoe.01.05 y (b) 0.100.01 ensayarlahipóteaisdequeelnúmerodeaccidentes es independiente de la edad del conductor.(b) ¿Es el ajuste "bastante bueno"? Emplear el nivel de significación del 0. Dott. De un grupo de enfermos que se quejaban de que no dormían bien. Mediante un nivel de significación del (o) 0.la Tabla 7-32. (a) Utiliza¡ la prueba chi-cuadrado para determinar la bondad de ajuste de los datos del Problema?.01.113. se Ies preguntó si las pastillas habían surtido efecto o no. tiene su efecto en el número de accidentes de automóvil (incluyendo todo tipo de accidentes) se indican en la Tabla 7-34.05 y en cada caso determinar si el ajuste es "bastante bue. Suponiendo que todos los pacientes dijeron la verdad.ensayarlahipóteois de que no hay diferencia entre ambos partidos en lo que a esta decisión se refiere. medianüe un nivel de significación del (o) 0. es decir.ensayarlahipótesis de que no hay diferencia entre las píldoras de dormir y las de aziucar al nivel de significación del 0.05 V (b) 0. Posteriormente. Ia Tabla 7-33 da la relación entre las notas de los estudiantes en matemáticas y física.f09. Solucionar el Problema 7. Mediante un nivel de significación del (o) 0.0ó.05.06. El resultado de sus respuestas se muestra en la Tabla 7-31. N nivel de significación del (a)0. Mediante la prueba chicuadrado determinar la bondad de ajuste de los datos de (c) Problema ?.111. 7l BONDAD DE AJUSTE ENSAYOS DE HIPOTESIS Y SIGNIFICACION 265 7.05 v (b) 0. ensayar la hipótesis de que no haya diferencia entre. mientras que a otros se les dio píldoras de azúcar (aunque todoselloscreíonque suspíldoraseranparadormir).114. 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.98.118. 7. ¿Es consistente el resultado de (o ) con el del problema 7 . la vacunación y esta enfermedad son independientes.L17.99.112.112 introduciendo la corrección de Yates.01 y (b)0.LOg? TABLAS DE CONTINGENCIA 7 Tabla 7-29 Se .115. 7. Mediante la prueba chi+uadrado determinar la bondad de ajuste de los datosde (o)Problem¡ 7.31 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. Ensayar la hipótesis de que las notas de física sean independientes de lás obtenidas en matemáticas. Utilizar el nivel de significación del 0. ¿Qué poeiblee dificultades en las t&nicas de muestreo como en otras consideraciones pueden afect¿r las conclusiones? . (b) Problema 7. a unos se les dio pfldoraspa¡adormi¡. 7. enfer No se maron 'enferma¡on Vacun¡dos No Vacunados I L7 42 28 ?. las dos claees.101.06. A un nivel de significación de (a) 0. Tabla 7.110. IA Tabla 7 -29 muestra el resultado de un erperimenüo para investigar el efecto de vacunación de animales de laboraüorio contra una determinada enfermedad. (b)hoblema 7.cAP. 7. ensayar la hipótesis de que no haya diferencia entre los grupos vacunados y no vacunados.

Por similitud con las ideas desanolladas para tablas de contingencia h X &.¡¡¡. Si nI y n! denotan. Demostrar que el coeficiente de contingencia máximo para una tabla fr X k es 1/1t¡ PROBLEMAS DTVERSOS .128. diantes. señalando las posibles aplicaciones que pueden_tener.126.49.119. ( sin y con coeficiente de n de yates.121. Xu) r¡ñY Azules No azules 49 30 8-ó 7. 7'. donde n és la frecuencia total de todas las casillag. Hallar el coeficiente de contingencia sin y con la corrección de Yates para los datos de (o) problema 7. mostrar que la frecuencia esperada para la casilla perteneciente a la fila i y a la columna j es n¡n.117./n. 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. donde n es la frecuencia total de todas las casillas.8165aproximada- 7. Hallar el coefieiente de contingencia para los datos del Problema ?. 20.11?. COEFICIENTE DE CONTINGENCIA 7. .LL4. ? 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 7.1L2 y (b) Problema 7.266 ENSAYOS DE HIPOTESIS Y SIGNIFICACIOD¡ Tabla 7-33 lcAP.L23.) 7. 7.1 . se toma una muestra de 50 bolas con remplazamiento de cada una de las urnas. la suma de frecuencias en la fila ¡ y en la columna j de una tabla de contingencia (frecuencias marginales). Dos urnas A y I contienen igual número de bolas. 7.122. respecüivamente. Demostrar el resultado (2) det Problema 7. (o) Demostrar eu€ ¡2 = 2@l/np. (b) el coeficiente COLOR DE PELO Rubio No rubio 25 96 7. es JUS:0.?r para toda tabla de contingencia. discutir las tablas de contingencia h X k X I.121. Demostrar que el coeficiente de contingencia máximo para una tabla 3 X 3 mente.125. ?. (b) Con el resultado de (c) hacer el Problema 7. pero se desconocen las proporciones de boias rojas y blancas en cada una de las urnas.127.

?. 7 n¡ ng üt fl1 b2 .135. 7. ?.l4O para obtener el valor de TOTALES lr2 n .54 ?.001' (d) 0.132 empleando un ensayo unilateral.6 con una desviación típica de 0.4 con una desviación típica de 0. En eI Problema ?. Utiliza¡ el resultado del Problema 12 para el Problema ?. (c) 0.131.4?.13?.133. ?. (b) 0. Comentar cómo puede utilizarse la teoría del muestreo para investigar las proporciones de diferentes tipos de pescado presentes en un lago.142. ?. Solucionar el Problema 7.129.134.0Sinvestigarsila marca A realmente es mejor que B proporcionando mayor recorrido por galón.06 de que el estudiante no está contestando al azar.130.140.01? Utilizar un ensayo bilateral. Durante un período particular hubo 40 calificaciones A en un grupo de 300 estudiantes.136. Una moneda se lanza 8 veces y se obtienen ? caras.0ó.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. Solucionar los Problemas 7.cAP.140. 7.64-7. Explicar cómo podría definir interualos de confianza unilateroles y dar una posible aplicación. el número medio de millas por galón consumido en 5 automóviles análogos bajo idénticas condiciones fue de 22.48. Comentar los resultados. ¿Se puede rechazar la hipótesis de que la moneda está bien hecha al nivel de significación del (o) 0. es ahora 8.54. El porcentaje de calificaciones A dadas en un curso de física en una universidad determinada durante mucho tiempo fte L0%.05. ?.05.141.138. 7.56 si el 7 en la regla de decisión del Problema 7. Solucionar el Problema 7.01. (b) 0. Con una determinada marca A de gasolina.132.54. ?. Demostrar que para la Tabla ?-36 y2 " n = o(l+ú+"?\ * 2a (u" +ú+ rt2 'tL2 ns/ rr o?) ns ¡\ ?t I \t¿r / -.138 ¿hay mayor variabilidad en millas por galón utilizando la marca B que utilizando la marca A? Explicar.55. Al nivel de significacióndel 0.13g. ?. 2. 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. Construir gráficos análogos a los del Problema 7.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 267 dando la de A 32 bolas rojas y la de B 23 bolas rojas. Mediante un nivel de significación del 0.23 pzra el Problema 7. ?. el número medio fue de 21. Generalizar el resultado del Problema 7.132 si salen 6 caras. Con referencia al Problema ?. Ensayar la significación de este resultado a un nivel de (a) 0. (c) 0. A B Tabla 7-36 I &1 II A2 III dg ó3 'tLg TOTALES ?.10. (b) 0'01. Con otra marca B.

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

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

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

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

si construimos p¿ües de rectas paralelas a la recta de iegresión de y sobre r a distancias vertióales te. = o2r +b>12*c)ry 2u" : "2u + b> ry 1. (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.denotamos por U". y. Por ejemplo. por la recta de mínimos cuadrados en términos de la varianza v del coeficiente de correlación como s?. : a* br. n¿viértase qúe pueden obtenerse formalmente de (20) multiplicando por L. esto es -1 < r < 1. y respectivamente y sumando. tenemos (23) (24) También podemos expres¿u s. REGRESION Y CORRELACTON lcAP. ó. c en (20) de modo que que (20) lz = tmtb)r+ "2a 2*.' : f"(L-r') Í l.r €l valor estimado de y para un valor dado de ¡.: que se llama el error típico de pleó en la definición de la págin mínimos cuadrados tiene el más En el caso de una recta de regresión lest > (g/ n u".s curvas de regreéión posible. entonces una medida de la dispersión con respecto a la curva de regresión está suministrada por la cantidad sg. entón".. como se emtodas la.8 REGRESION MULTIPLE Las una ces busc hay ás variables."t)z = 2¿2.23. por ejemplo. con a y b dados por (4). si creemos que dos variables inaependi"áfus y.96% y 97% de los puntos muestrales res. llamadas las ecuaciones normales correspondientes a (20). 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. puesto que >(A U. Genetalizaciones a más variables.-' perficies de regresión en espacios tridimensionales y superiores.. Si r es la variable dependiente una ecuación semejante se llamarú ecuación de regresión de x sobre y. obtenido de la curva de regresión de y sobre r.r)2 (22) r. incluyendo ecuaciones lineales y no lineales conducentes a s¿. se hacán fácilmente. tenga la forma (20) z = a*br+cy Esta se denomina ecuación de regresión de z sobre r. ' Estas ecuaciones.c)y2 (21) tado de aplicar una definición análoga a la de la página 2sg. z. debemos hallar si n es lo suficientemente grande para que estén rectas alrededor del 68%. se obtienen como resul- ERROR TIPICO DE LA ESTIMA Si.262 CURVA DE AruSTE. x. la cun¡a de o de la estima. .2.

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

(8t) El coeficiente de correlación lineal puede ser positivo o negativo. r. . Entonces la conclusión a extraerse no es que hay poca correlación (conclusión algunas veces alcanzad. .. REGRESION Y CORRELACION [cAP. COEFICIENTE DE CORRELACION GENERAL I ZADO La definición (29) [o cualquiera de las formas equivalentes (3/) a @ )l para el coeficiente de conelación incluye solamente valores muestrales r. y se clasifican de tal forma. etc. por generalización apropiada. 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). página 260. esüá dado por rs¡ad donde d 6>d L-i@r_l) = . es ilógico utiliza¡ un coeficiente de conelación lineal donde los datos no son lineales.36. y. k = A.a pot aquellos laicos con los fundamentos de la teoría de correlación) sino que hay poca correlaciín lineaL En efecto. n. denotado por rgrad o sencillamente r. es derivada en el Problema 8. (33) o (34). En consecuencia da el mismo número para todas las formas de curvas de regresión y no es útil como medida de ajuste. En particular. . importancia.r. Utilizamos (35) para obtener coeficientes de correlación no lineales (que mide qué tan bien se ajusta unz cun)a de regresión no lineal a los datos) o. 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. y (86) : n: diferencias entre las clasificaciones de los conespondientes número de pares de valores (r. suponga que se aplica (29) a datos no lineales y se obtiene un valor que es considerablemente menor que 1. (33) se convierte en 2'r'a' (2x'2)(2y'2) que comúnmente se emplea en computacion. puede existir vna gran correlación no lineal. empleando los números t.264 CURVA DE AruSTE. los datos pueden clasifica¡se en orden de tamaño. CORRELACION GRADUAL En cambio de utiliza¡ valores muestrales precisos.2. 8 Si utilizamos la transformación (9). y) en los datos ción graduaL La fórmula (36). el coeficiente de conelación gradual.()r')()y') (83) que indica que r es invariante bajo una traslación de ejes. si lz : ñ. si utilizamos (30) para obtener r debemos aplicar el signo apropiado. Sin embargo. (31\. hallamos n2n'y'. El signo se toma en cuenta automóticamenüe si empleamos el resultado (29). donde coincide con (30). (32). Puesto que un coeficiente de cortelación simplemente ¡ride qué tan bien se ajusta una cun¡a de regresión (o superficie) a los datos muestrales. coeficientes de correlcción múltiple. Si dos conjuntos correspondientes de valores. la última definición. Sin embargo. o cuando la precisión no puede obtenerse. se denomina fórmula de Spearman para la conela- . Sin embargo. L'a conexión (25) entre el coeficiente de conelación y el error típico de la estima es válida para corelación no lineal. excepto en el caso de regresión lineal.

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

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

er. Ensayo de la hipótesis p * 0. Esto también puede utiliza¡se para hallar inten¡alos de confianza p¿ua coeficientes de regresión poblacionales de los valores muestrales.2 grados de libertad. 1. 2. es decir. Ensayo de hipótesis para valores predichos. Aquí utilizamos el hecho de que el estadístico f = rl/n-z \/fr (+s¡ tiene distribución de Student con n - 2 grados de libertad. Entonces el estadístico t- su.1618"". Denótese por üp elvalormedb predichodey correspondiente a x = Ío para la población [esto es.. Ensayo de hipótesis para valores medios predichos. Para p + Ola distribución es sesgada. lo : a * bxs.Para este propósito debemos conocer la distribución muestral de r.8l CURVA DE A'USTE. Denótese por ¡lo el valor predicho de y conespondiente i f : ts estimado de la ecu¡ción de regtesión muestral. Denótese por Jo eI valor predicho de y correspondiente o. es decir.44. Los ensayos siguientes resumen los procedimientos involucrados. En ese caso una transformación debida a Fisher produce un estadístico que aproximadamente tiene una dishibución normal. Véase Problema 8.(i#J aproximadamente tiene una distribución normal con media y desviación típica dadas por (50) -Zt" /1+p\ *.. En el caso de que p = O esta distribución es simétrica y se puede utiliza¡ un estadístico con distribución de Student.46.43 y 8.cAP. De aquí pueden hallarse los tes de confianza para valores medios poblacionales predichos.m (ao- úor\Ñ @a¡ tiene una distribución de Student con n . Véanse Problemas 8. Ensayo de la hipótesis p = 0.2 grados de libertad.47 y 8. 2.45. Denótese Por Jp el valor predicho de y conespondiente 2.49 y 8. lo = a * bxs. Véanse Problemas 8.50. La transformación (60) se llama transformación /1+p\ I o/' ".'\[+Fi. = 1. (i=/ : 1'1513 tos'o(1 Estos hechos pueden también utilizarse para hallar los límites de confianza para los coeficientes de correlación. Véase Problema 8. lími TEORIA MUESTRAL DE CORRELACION Con frecuencia tenemos que estimar el coeficiente de correlación poblacional p a partir del coeficiente de correlación muestral r o ensayar la hipótesis relacionando a p. . Aquí utilizamos el hecho de que el estadístico z =*r"(i+) = r.2 grados de libertad. Í : Ís para la población.48. 3. fo = E(YIX = co)]. De esta ecuación se pueden ha' llar límites de confianza para valores de población predichos. Véanse Problemas 8. REGRESION Y COBRELACION 267 tiene una distribución de Student con n .ffi @o- a"\{n-2 Urr¡ tiene una distribución de Student con n . = ffi - (51) Z de Fish. Entonces el estadístico t- ú- ru.8 : to estimado de la ecuación de regresión muestral.

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

7 .. tales como P y 8.2 utilizando a (c) variable independiente. Ajustar una recta de mínimos cuadrados a los datos del Problema 8. recta de mínimos cuadrados conespondientes a 11. aFlab = 0. F(a.rfnSOn a*bry albr2. Puede demostrarse que eetas realmente resultan en un mínimo. Entonces el Problema 8. 3 2 4 6 4 891114 o a t). 12. 8-?. 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. 6 y-l=0. para la recta de mínimps cuadrados. 8-6. 8-6 . por ejemplo. Ya que # = >f. (11.542r ó¡ U=l+0.. Derivar las ecuaciones nonnales (4). vé¡ee Problema 8'4 que emplea el método de mfnimos cuadrados. albnn Las dewi¡¡ciones verticales correapondientes son dt = a*br1-yt. r como .. 2).4. Refiriéndonoa a la Fig. 8. (b) Hallar una ecuación para esta recta.os valores de y sobre la. (b) Para obtener la ecuación de la recta construida en (o). (3.1 .(4. (b) Í como variable dependiente.3.t"*br-y\z = # = I$r" *br-y)z : obtenemos )2(a+br-ul 2zr(a*br-al 0 )("+ br-y) 2a = an*b)n 0 )r(o* bx-ul - es decir. (8. Para un método que eümine la ne' eecidad de juicio individual. I 4 8 I Una rect¿ que se aproxime a los datoc se dibuja a mono olzada en la figura. 4).b) = l(o * br .642r.cAP. escójarrse dos puntoe cualesquiera sobre la recta.. 8. es decir.61. dn = a*bxn-yn Fis. 8) y (14. . Una condición ó mfnimo (o un máximo) es necesaria para que esto sea un que aFlaa = O.8l 8.tl' a-r =ffiO-l. CURVA DE AJUSTE. (9. 9) sobre un ¡istema de coordena' das rectangulares corno se muesha en l¡ Fig. Las coordenadas de e¡tos puntoa tomadoc de la gráfica eon aproximadamente (0. 2ra = a2r*b2r2 como 8e pedfa. 7).4\.g¡2..rA' ")t)'6"' Fig. (o) Dibujar loe puntos (1..2. f. página 260. 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. dz: albr2-9". 6). (6.

CURVA DE AJUSTE. a = ()y)()r2) . b=+ ó0. y.50.60 . Aunque la última columna no se necesita para esta parte del problema. las ecuacionee normales se convie¡ten en dedonde c=-* ó -0. d=9 ó 1. yla rectade mínimoecuadradoopedida es S t + lrx 6 U = 0. 8c*40d = 56 40ci256d = 364 Estos valoree también pueden obtenerse de ()rx)sz¡ .r.50 d- - = 1. la ecuación de la la recta de mínimos cuadrados es ¡ : c * dy. t¿s ecuaciones normalee son )Y: 2ru: an*b)r a)r*b).50. REGRESION Y CORRELACION [cAP. las ecuaciones normales son 2ru = c2y*d2a2 Entonces utilizando la Tabla 8-2. n lizando el método a mano alzadt. se ha agregado a la tabla para emplearla en la parte (b).sz El trabajo involucrado en el crilculo de las sumas puede ordenarse como ae indica en lá Tabla 8-2.Ga)(.8 (o) La ecuación de la recta es y : o * b¡.636.2 utiPuesto que hay 8 pares de valores de.(56X364) lt ó0'545 = 6 --lE f8-i6 g=w =qffiffiá#l )c = cnld)y = frao. Otro método.546 + 0. Nótese que esta no es la recta obtenida en el hoblema 8.545.oso (b) Si se considera a r como la variable dependiente y a y como la variable independienüe.)ru) c=ffi==-0.()r)()ry) = (40)(524\ . 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 ó0.636 r.

¡ = 7 . Nótese que al solucionar esta ecuación para y obtenemos y obtenida en la parte (o).! :5.546 f 0.636¡.4. U = &* Lrrr. (o) Demostrar que las dos rectas de mínimos cuadrados obtenidas en el Problema 8.50y.6. pueeto eue6=*+t(?). la recta de mínimos cuadrados puede escribirse como Q) Caso que muestra que la recta pas¿ por el punto (á. [¡secuacionee delaedosrectassona= llamos 8. se utiliza para estimar r para valores dados de y. F = -0.60+1.pue¡üoque7=-*+*(6).636 ¡ 2 0 6tl012 Fig. Por üanto la¡ rectas se interceptan en el punto (?.fi). (b) Estimar el valor de y cuando x: L2.6. las rectas (¿) V (S) no coinciden.7. .546 + 0. ¡ ¡=-0. = tllu-úl Nótese que en general. 2.333 * 0. remplazando las constantes o. es (7. Nótese quelas dos rectas en e¡te caso prácüicamente coinciden. REGRESION Y CORRELACION Por tanto la ecuación pedida de la recta de mínimos cuadrados es r = 0. hallamos que la recta de (5) que indica que la recta pasa por el punto (4. (c) Estimar el valor de ¡ cuan' doY: 3' -2a40 a=T=¡-=o Luego el punto (6. U = 0'646 + 0'636(12) = g'Z' (c) Al remplazary:3 enlarectaderegresiónde¡ sobre a. - 0. La recta obtenida en la parte (b) se llama la recto de regreeión de x eobre y.6).ha*+É.60 + 1.ú).9.500*1. y. (b) Al remplazar x.8-8 8.8. ú).cAP. Lar gróficas de l¡s dos rectat.úr. La recta obtenida en la parte (o ) se llama la recta de regre' eión de y sobre r y ce utiliza para estimar y para valores dados de r.Resolviendoeimultánesmente. mfnimos cuadrados puede eecribirs€ como hocediendo como en el c¿¡o 1 intercambiando r. 6) se encuentra en la recta U = 0.6)seencuenhasobrelarerfar=-++$y. pero ¡e intergectan en (a.Í.: L2 en la recta de regresión de y sobre n. Ot¡o método. d respectiremen' üe. y es la varirrble independiente. 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 ). 0. ¡ es la variable independiente.60y t2 10 = y= e. Demostrar que una recta de mínimos cuadrados siempre pasa por el punto (i.66? r 8 6 1 u= 0. llamedo el centroide.5). r-ñ f).50(3) = {.. más exactamente.4 intersectan en el punto (. b por c.636 r o. {. se indican en la Fig. ti). Caso 1.60 y.8l CURVA DE AJUSTE. lo cual es un¡ indicación de que los datos están muy bien descritos po¡ una relación lineal. Representar gráficamente las dos rectas obtenidas en el hoblema 8.E.546 * 0.Elpunto(?.333 + 0'667 ¡' que no ee l¡ mi¡m¡ rect¡ 8. (o) El punto (?. y : 0. y E=-t+*y.60 * 1.

()¿X)y) n)¡z . demostrar que D--i# .(2x')(2y'l n)s'2 .=7+h. re rigue intercambiando D - >(z::elfu.-.(>. h_ v- dondeh n2uU yk son constantes.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. 8. .8.n8z 2r2 I Entonces .tenemos . h = f.=-Ep=Ts¡t Del Problem¡ 8. Tónemo¡ de 11) [eAP..úl = 2(rs-i:y-ir*efrl 2ra-ñ2u-ú2n1'2eú 2rU-nEú-nfrE*nitfi .Demosharque . = n8ru-(2rl()ü _ n2xz _ (2r)z Entonces ti ú = út I h. 8. U .e¡z demo¡tración de (12). y.nEú (I¡X)z) ¿ru .9. g 8. ¿ = ñ. j[n2ra Por tanto (I ) oe conüerte cn 2rU t (>¿X>y)] de donde ¡e obtie¡e el resultado (S ).1 -ñF-trú.9.al r. r puede escribirse en la (l).272 CT'RVA DE AJUSTE. sean c = d *h.)(2g.(2r)(2r'l n2r. y (véa¡e problema g.n2r'a' .10 Si en el Problema 8.y. tenemos D_ 2(r n2xy . U - g.(2r.ú = b(x. REORESION Y CORRELACION Demostr^ar que la tecta de regresión de mínimos cuadrados de y sobre forma (8). De la segunda ecuación en (5).(Ic)z¡ También >(r - t)(v .t¡z = - t )(>x)2 |ín2rz . u=u'*k. página 260.12).(2rlz 2(¡z-2nr*12) 2r2-2ñ2r*2i:z 2r2-2n82 lniz 2s2 .8 tenemos f. + k. pdgina 260.pdgina 261.7 . Problema 8. Ir 2(a .t). u=7+tc Por üanto .

de modo que lae ecuaciones normales se convierten en 9oe 2? 666 864 É¡ E 12o*800ó:811 800o*63. donde o y b se obtienen resolyiendo las ecuaciones normales. 8-9.82 y b = 0. 72 de dispersión se obtiene dibujando los r = _8. 62 62 6{ 66 Fig. (c) Construir un diagrama de dispersión.086/___V (b) f.849 .82 + O.476.L07 de donde hallamoe o : 36.418 Zny = 54.a2n*b2n2 [.a recta de regresión de y sobre r está dada por y = a + b*. La gráfica de esta ecuación ¡e muest¡a en la Fig. y ) sobre un sistema de coordenadas rectangulares como se muestra en la Fig. .197 )92 = 64.9 ya que 2fr' = l(c-t) y análogamente = 2r-nñ = 0 ly' = 6.418b = 64. &11 La Tabla 8-3 muestra las respectivas estaturas lc. 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. 6t E-9 ?0 72 Estatura del padro (pulgadas) Tabla E-4 g t)o a 68 66 68 65 69 66 68 65 t2 4225 3969 4489 4096 üa 4420 4158 4624 4356 63 67 64 68 62 70 66 68 67 69 7L 4566 4160 4624 4225 4624 3844 4900 4356 4624 4489 4761 6041 4692 4092 4760 476L 4356 4624 4226 6041 4489 4290 4828 4489 7l 67 68 70 4692 4970 4624 4900 )c = 800 ly=8u lcz = 63. (c) Hallar la ¡ecta de regresión de mínimos cuadrados de r sobre y.y deuna muestra de L2 padres y sus hijos mayores.8l CURVA DE AJUSTE.476x.cAF.ae sumas se muestran en la Tabla 8. de modo que y :96. REGRESION Y CORRELACION 273 Se deduce inmediatamente del Problema 8.4.88+r./ €70 6 !a 2a'= an * ólr 2ra . (b) Hallar la recta de regresión de mínimos cuadrados de y sobre r. 8-9.

8 "= (c) ecuaciones normales I]4ff de¡ sobrey viene = 85. 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). De una manera análoga podemos obtener l¡ ecuación de regreaión de r sobre y. y ( los números restados de r tee).036. CURVA DE AJUSTE.274 Otro método.6?. b = dada por ry# = 0.ú de acuerdo con el Problema 8. REGRESION Y CORRELACION lcAP.086 8. y.68. - 68 tenemos r. = ú - 68.476u u .g8.4?6 Larectaderegresión x:c* dy.67. se convierten en -f SLld = 800 64. - (>¡XI=y2l.dondecydseobtienensolucionandolas 2a = cntd. de r.12s¡z _ _s. 8-9.á).d=1.86 * 0.476(n-66. = ñ .07) 6 ecueción de regreeión pedida de y sobre x ea a .asfque¡:-3.2y 2uY = c2Y*d2Y2 L2c Utilizando las sumae en la Tabla 8-4. esto ee a = 36.12.9.476 También ya que &' = ú .58 n I¡ =7*68 = -**68 = 66. Solucionar el Problema 8. ¿ = n>r!: (>!)l?nl = n2a2 . Esto nos conduce a la Tabla 8-5. .Iagráficadeestaecuaciónse Otro método.036y.38.11 utilizando el método del Problema 8.68 = 0. Por tanto 6?.()y)2 1.849d muestr¿ en la Fig.38*1. = delascualeshallamosc:-3.68. .5) - (10)z = 0. (12X106) (-16)f. aparte de los enores de redondeo.11.82.(lyX>ay) n2yz . Réstese un valor apropiado. por ejemplo 68.L07 E1lc#54. u =7*68 = -**68 = IZ-LZ = b(u.

6762 1.8l CURVA DE AruSTE.000.2340 2. REGRESION Y CORRELACION 276 ECUACIONES NO LINEALES REDUCIBLES A FORMA LINEAL 8.40. Para cada pareja de valoree de la presión P y el volumen V en la Tabla 8-6.4685 3. (c) CuandoT=100.13 dibujando los datos en un papel logJog. = C.0350 3.6 194.2976 )r = 11.0043 12 ra 3.4 37.0997 3.2ry .6946 1. debe existir entre las variables.0059 2xa - 16. De acuerdo con los principios de la termodinámica una relación de la forma PV. 8.7943 4.7 28.66L7 2. La tabla 8-6 da valores experimentales de la presión P de una masa de gas dada correspondiente a varios valores del volumen V.0 10.20-1.5 72.1 Presión P (lb/pul2 ) Ya que 6r. obtenemos un punto que se dibuja en el popel log-log construido especialmente como se muestra en la Fig.40.0 pulgadas cúbicas. Tabla 8-6 Volumen V (pul3 ) 54.3019 6. Tabl¿ 8-7 s = logV L.40=-y. Solucionar el Problema 8.2077 3.13.ffi¡af'=-1.log P : y.2 PVt = C.9294 2. Entonces P=antilog1. n.40(21 =1. a = ()y)()rz)-(>rX:g¿l _ n2"2-1>n\z .40= lb/pulg2.0095 3.7858 1.7910 1.7348 1.074L 2. y conespondientes a los valores de V. C=1.9479 2. 8-10. (c) Hallar elvalorde y y C.(b) Escribirlasecuacidnes que¡elacionan aPy V.()rX>u) 6=-ffi.3 61. P de Ia Tabla 8-6 y también indica los (l ) son 2a = on*ü)¡ de las cuales 2ry . (c) EstimarPcuando V = 100.8543 =-1. la última ecuación puede escribirse (r) U = oibr donde¿:logC.8309 t.20-l.2 t9.4 118.a2r*b2r2 4. La Tabla 8-? da los valores ¡.60X104 y y=1. donde y y C son constantes. y y= logP=4.1 lu = 8'7975 b )12 = 23. .2833 1.20=logCy (b) Pvt.8 49.cAP.6953 (o) Puestoqueo=4.4Ou.2878 2. r=logV:2 25.859? A = logP 1. Las ecuaciones normales qorrespondientes a la recta de mínimos cuadrados logP = logC-ylogV logC ó logP*ylogV: Tomando log I/: x.14.20.to = 16.6 88.4533 1.40 Luego Y = 4. tenemos tomando logaritmos de base 10 cálculos involucrados en eI cómputo de la recta de mínimos cuadrados (l ).b:-'1.

y PVtl = 16O00 PARABOLA DE MINIMOS CUAI)BAI)OS E. Entoncee lo¡ veloree de y ¡ob¡e moc cr¡¡dr¿dor cotrec¡rondieatet a a1. REOBESION Y COBRELACION [cAP. 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 . Pa¡a obtener ¿ ¡e nece¡it¿ un punto sobre ce8 l¡ recta.. Por ejemplo cua¡do V: 100. que er negatlva en e¡te ce!o.. P: 26 de la g¡lfic¿.a*(1. e2. Deriva¡ las ecuaciones nomales (I9).1rn ¡on olbr¡lcu!. para la parábola de mínimos cu¿dradoo.4.o*blogV ó g = o*bn Ie pendiente D.) d^ = o*üc"lorl-t^ y lrr ruma de lo¡ cuadrado¡ de le¡ de¡viacionee eotá dada por )¿t = )(o+ bxlca2-t)1 . . Enton4..4 los100 = l.8-r0 150 ¡00 ú t00 También ¡e indica un¡ rect¿r (dibujada a mano alzada) que re aprorima a eeto¡ puntos.Ut U2.. .8 l0 ú' 3o {0 ü. .4 logV = 4.16.276 CURVA DE AJUSTE. U = a*ba*crz l¡ pa¡óbol¡ de mfni- Se¡n lo¡ puntos mue¡t¡alec (a¡Ittl.¡ U¡ ertfa dadar por dt = qtbx¡Ic¡. [¡ medida en este e¡¡o indica que D = -1. .a)(2) = de modo que logP* 1.2. . .?"-al' dc = o*bu21-cú-!2. logPTlle .2 a = logP-ülog7 = lo926*1. . (nn. . prigina 261. m 60 so r00 Volumen Y '{l Fig.2.!nl. (r*uzl. of bur*wl l¡¡ de¡vir¡cionee de. re de numéric¡rnente por l¡ relación-de la longitud AB a le longitud AC.4. . Por t¡nto albn2*ct/.

8 3. ? = )f.2 1.93 342. REGRESION Y CORRELACION función de o.2r2]. T¡bb ü u 1.2 )u= 46.6 5.61 24.6 a I bx * cr2 a los datos de la t€ D. = + 2.2Ob+2275.00 Puecto que n (2) Reolviendo.96 96.20 18.o3to*óc*cr2-a)2 = )2(o+br*crr-a) k = )*a{o*br]-cnz-u)2 = 2Zr(a*brtcü2-a) aF :d.1 8.75 117.12 67.36c = 230. 8.20 o + 2276.6 2A = an*óI¡*c2n2 [¡s (r) ecuacionec normales son 2ry = o)¡*b2r9*c2rs 2n2a = o.92 230.49 92.8 4.8 7.' 7.8 4.971.0 7.48 19. b = : 2.7 12 n3 xy 6. lar ecurciorÉ¡ norm¡ler (I ) rc convierten en 8a I 42.1 12.00 2.83 29.62 21.cAP.2 6.44 3.t2 9223.92c : 1449. c.70 26.688.73 5.9 5.28 233.8 3.8l E¡t¡ ec CURVA DE A¡UsTE.22 rzy 6.65 185.8 r87.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).58 4.08 10.588 de mfnimoq cuadrado¡ pedida tiene l¡ ecr¡¡- .7 4.46 254t.42 - - 1449. e¡ decir 277 F(o.9 7.41 73.8r 2n2g I¿= 42.4E 1065.1 : 8.24 9.04 1.19 2. b.5 6.6 2.27 1.20 c = 48.7 4.b.2ll0rt .OI 32.16.065 t .04 48.t=o' *=o Enüonces # = ).91 636.066.66 259.2 1.L6 6470. o ción = 8.36 5?6.O. c = {). Ajustar una parábola de mínimos cuadrados de la forma ! Tabla 8-8.2b + 291.1 t€ 14 a 4. págin¡ 261.40 10.2a*2SL.0 ?.cl = )(o I Para minimizar esta función debemo¡ tener bx * cx2 - U)z Ti=o' .42 291.2 6.8 2.2110¡ arí la parábola 2.79 s32.360 + 18971. Tabl¡ u 1.06 941.9 7.82 4t.70 38.ólcs*clra H trabajn involucrado en computa¡ la¡ ¡uma¡ puede ordenarce qomo 8e mue¡ha en la Tabla 8-9.7 7.49 60.9 9.4 2r2 - Ic3 = 2276.6 9.28 38.19 36?.8 7.36 2ua = Zxu 291.

Utilizar parábola de mínimos cuadrados del Problema 8.5 5. b.8 7. ala pulgada más cercana y las edades y al año más cercano de 12 muchachos.0. b y c a cero. 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. Pata r = 1. Análogamente se obtienen otros valores estimados. y por medio de una ecuación de regresión de a ! bx * cy.2 6.962 7.18 la forma z r.741 4. .8 4.2..Un.página 262. (c) Hallar la ecuación de regresión de mínimos cuadrados de z sobre x.2) . las ecuaciones normales pedidas (21) en la página 262 se obtienen. Tabl¡ 8-10 Uest 4.762 4. Se desea estimar una variable z de las variables : Sean los puntos muestrales (ryUyzr).z¡ dt = a* br1 * cUt.065(1.9 6.8 8.621 5. . Ue"¡ = 2.zt. . .278 CURVA DE AJUSTE.503 7.. c e igualando las derivadas parciales con respecto za.19. y puede escribirse z: albnlcy Las ecuaciones normales (21).os resultados se muestran en la Tbbla 8-10 junto con los valores reales de y. las estaturas x.17.). .An) son respectivamenüe a*br1*ey¡ Por tanto las desviaciones de z¡. all. . (rn. Entonces los valores de z sobre el plano de regresión de mínimos cuadrados correspondientes a (r1. 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. y. 8. Demostrar que la ecuación de regresión de mínimos cuadrados se obtiene al determinar a.7 u REGRESION MULTIPLE 8.588 + 2. La Tabla 8-11 muestra los pesos z ala libra más cercana. vienen dadas por a*bnr*cyn dn = a* bnr* cUr.zn\. REGRESION Y CORRELACION la.2110(I.762... 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.613 6.0 7. b. . [.. (c) Estimar el peso de un muchacho de 9 años y 54 pulgadas de estatura. z.56L 2.5 2.16 para estimarlos valores de y de los valores dados de r.2)2 = 4. (ün. pág¡na 262. y. c de modo que satisfaga (21. (b) Determina¡ los valores estimados de e de los valores dados de r.640 7. . lcAP.

=í.cAP.b2r(u -a-br) .664 78.926 66. ü = 0. denoüado8 pot valoreg Tabl¡ 8-13 2est 2 64. las ecuaciones normales (I ) ee convierüen en l2a1-643b *106c (2) 643¿ = 769 * 34. demos- s'?.6612.¡ €stá dado por r viene dada por ! : a * b*.920 64 7l 63 67 DD 68 77 67 66 61 76 68 (c) Remplazando ¡ : 54.843 Utilizando esta tabla.4t4 69.e resultado¡ ¡e dan en la Tabla 8-18 junto con lo¡ mueshaleg de z. a = 6796 = 3. o aprorimadamente 63 lb. Si la recta de regtesión de mínimos cuadrados de y sobre que el error típico de la estima sy.606u zesb al susti- ) tui¡ los valores correspondientes de x."r)2 2afu 2fu-o-brlz o.7r7 68. el peeo estimado es zest : 63.-brl - o-bu) .! : 9 en (3). 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 = 40.8436 * 6779c = 40. c = 1. Ír.8646. Entonces ^.865r+1. ERROR TIPICO DE LA ESTIMA 8.168 48.682 ?8.286 66..136 64.= v.880 106o*67?9b+976o Rerolviendo.830 2yz = 6796 2uy = 6779 48.66+0. REGRESION Y CORRELACION Tabla t-12 fi 64 Df 59 49 62 51 a 8 10 6 11 z. 2a'- a2g n - b2rY por Ueet Loe valoreg de y ectimadoa a partir de la recta de regrerión vieneÍ'r dados = @ * ü¡.6068.8l CT¡RVA DE AruSTE. Utilizando la ecu¿ción de regreción (3) obtenemos log valores egtimados de z.206 69.225 68.2(Ufl -a. y. la ecuación de regrerión pedida es (t) (b z = 3.86? 65.20.139 34.356.r=n= = 2(a-a.

b2(r.38 7l 68.24 68 67 67 67.71 69 68 68.r9)z:l-.28 pulgadac.o.!* e!\ = 2a'2 + 2y29' * nú2 .anÚ .62 0.14 ü a Uesl 65 68 66.81 U - Aest 0. Demostrar que el resultado del Problema 8.UpotA-ú.19 2.2y-an-óIr = 0 2r(a-a-br) . 2(a .bt2y' .22...úl donde hemooutilizadolo¡re¡ultedot2r'=0.bñl = 2O'' .21.b2rtgt * nú(ú .24)2+(0.14 66 65 67.20 N3' = 2u2-o'2a-b2xy = 2(a' + ú)2 . Sabemo¡ que la recta de regreeión puede eecribiroe oomo blem¿ 8." y 8t.81 0. como se obtienen de la recta de regresión.19 0.+(0.bi2r' .x = lTiltr= 1.11(b ) la recta de regresión de y cobre x ea ! : 36.b2r'g' .2na-o..82 + 0.b2r'Y' = 2(a .a(2U. 8 2(A-a-bn) .47 6r. También ¡e indican lor valorea y - Uest. Tabl¡ t.xpot¿-á. 2u'=0 y ú = o*bt (que re deducen aldiüdiramboslado¡ de l¡ ecuación normal 2A = an * b)r por n¡.98)2 12 = L64z .2r-b2rz = 2A = on * ó)c 0 puesüo que de las ecuaciones normales 2ru .b2(r' * ñl@' * úl = 2(y'2*2ytfi*¡z¡ .66 >(u-u. g = A'+ ú.28 -1. REGREsIoN Y coRRELAcIoN lcAP. 8.a)2 .Cuandoeehacenestoeremplazo¡enelProlos datos del Problema 8.280 Pero CURvA DE AJUSTE.ó)(a . (1. / .*nú') . que corteeponde a empezar con l--o+bryremplazando:oporcero.24 -0.7L 64 66 66.ana . Por ejemplo.66 7l 70 69.2¡ pará Del hoblema 8. Erto demueetra el resultado pedido.24 63 66 65. Método 2.6? 70 68 69.14 -2.76. güe ¡e neceaitan para el cálculo de oy.bnü! = 2U'2 + nú2 .á).€2 + O.ú = b(r .71 -0.76 L.r.29 -1.bn.o2(g' * fil .ú = 2u'2 . I üyt * r. E. denotados por lresr.¡ Método 1. = 2a@-a-bt\ nll 2a2-a2a-b2ra Este ¡esultado puede extender¡e a ecuaciones de regresión no lineal.y.33 0.al@ .ú)'- b)(c n - ¡)(u - ú'l Si ¡ = r' * A.20 se obtiene el re¡ult¿do pedido. cotrespondiendo a ¡ = 65 tenemotgest:36.28 68 69 68.476(66) : 66.19 67 68 67. En la Tbbla 8-14 ee listan los valores reales de y (de la Tabla 8-3) y los valorec estimado¡ de y.b2t'g' .")z = "1.a2r * = b2u2 Entonces sí.11. Catcular el error típico de la estima¡ 8¡.2O puede escribirse como ^z üu. Entonce¡ del hoblema 8.81 62 66 66.

rr.:: .25. 8-11. y-gfo".nrr..58 del Problema 8. = 1. Tabla.11 a una distancia vertical sy.A)'.13 1.S-15 Uest : 8]-LlL2: 67.ne?. de datos.25 1.'.a) = =Q :y. Entonces el porcentaje pedido es 9l12 : 7 5d.. = 1/@ se tomaron las estaturas vie- COEFICIENTE DE CORRELACION LINEAL 8. Del último renglón de la Tabla 8-14.12 (o de la Tbbla 8-4...58).476¡ obtenida en el hoblema 8. 2r(u . ú>@ - a - bn) puesto que de las ecuaciones normales 2(a = 0. Tenemos Uest de ú : 67 . 8.11 se muestra sólida en la Fig. . Utilizando los valores - a -0.30 0. = tpiLo (1. Si los puntos están distribuidos normalmente respecto a la recta de regresión. tenemos 2(u-ú)2 .?0. Entonces el porcentaje pedido es 9lL2: 7 5%. parecen estar sobre las rectas. la teoría predice que alrededor d..el 6812 de los puntos se encuentra entre las rectas. y). REGRESION Y CORRELACION 28L 8.34 0.28 (es decir. Demostrar que >(g Elevando al cuadrado A"'r)'* 2(U*r. 8l CURVA DE AJUSTE.56 -0.82 * 0.22.[t = (y .un"J(v.28 (véase hoblema 8.brt Q.a-bxl = Análogamente puede demostrarse que el resultado es válido para regresión no lineal utilizando una curva de mínimos cuadrados dada por Aes¿ = ao* ap t a2r2 I " ' * a.11.40 pulgadas.04 (a) Variación explicada = (b) Variación no explicada -ú)2 = (-0. NOTA: Una mejor estima del error tfpico de Ia estima de la población de la cual so..08 2. Il .rn.23.82 -t. Las dos rectas paralelas.13 -1.61 -2..82¡z+.t-ti) - A)" = 2(A - El resultado pedido se deduce si podemos mostrar que la última suma este es eI caso. (o) ta recta de regresión y : 35.:'.24. ya que es cero. = )(U .::..)(y-uu.28) = 1. ya qve ú la Thbla 8-14 podemos construir la Tabla 8-15. se muestrana trazos en la Fig. Calcular (a) la variación explicada.U""t)2 .cAP.77 )(U". + (2. = 19..y""t) * (Uost .0t¡z . En el caso de regresión lineal )(v - Y'"'¡)(v" "r . '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. (¿) Construir dos rectas paralelas a la recta de regresión del Problema 8.28 y 1. ts.g) sumando.t)2* )(yn"t-ú)2+ z>fu. se encüentra entre -1. Este hubiera sido el caso aproximado si el tamaño fuera más grande.abn) a .) para 9 puntos (¡. Uir examen poste- 66 6l 62 Otro método... :: :.r 0. 8-11. cada una a una distancia vertical su.61 0. (b) la variación no explicada y (c) la variación total para los datos del Problema 8.22).. (b) Determinar el porcentaje de puntos de datos que se encuentren enhe estas dos rectas. del Problema 8. ne dada por 6r.

24.92 10. (a) coeficientededetermir¡ación = t = '1Hi1iáf*1"io" =m= 0.92 = 67.4 ' 0.16 o.4 2.92. prágina263..32 7t 0.96 2.282 CURVA DE AJUSTE.09 7. Utiliza¡ los resultados del Problema 8.4e88.3 -1. obtener el coeficiente de correlación lineal para los datos del Problema 8.3 -2. del Problema 8.49 1.A.32 1.16 6.4 0. la conelación ec poeitiva y por tanto escribimo¡ r : O.L2 7.6 0.76 11. El trabajo involucrado en la computación puede organizarse como se indica en la Tabla 8-16. Halla¡ (o) el coeficiente de determinación y (b) el coeficiente de correlación pa¡a los datos del Problema 8. 8.o.4 .49 -2. E. utilizando A.= !0.18 0.26(b).l2at2.27. Entoncee. trt =r- E.))' l) n'\ ¡ \) '\il t' jó -0.4 a'= tr'2 2.4F7q de acuerdo con el Problema 8. Por tanto se sigue el reeultado pedido.?0.z b22r.69 u'a' a'2 0.)z \/ñtrW Sin embargo.7 1.3 a-v 0.3 -2.4 7l 67 68 70 -0.6 L.6 0.3 4.3 0.) asír--*2r'a' ffi (2x. Puesto que la varirable yn".70 = 38. aumenta a medida que r aumenta. /i84s8)?58-3t Tabla E-16 = 0.7 0.= EF.66 -0. La recüa de regreeión de mínimos cuadrado¡ de y sobrer puedeescribfuse 1lest= b = 2r.. ¡o )¿ = 800 i.' .7027 o con dos cifrar significativas r : 0. tenemoa &*br 6 Ulr¡= bx.7 -3. .11.09 5.28.25.A)z = 19.-0v t'.34 \/G.22 + 19.62 1.16 2.82 4. y Ulst = U.:800/lZ = 66.'. la expresión para r tiene automáticamente el signo conecüo asociado.y = EP.34 2a'2 = 38. derivarel resultado (34). Utilizando la fórmula producto-momento.3 2. página 264.6 3.89 13.[bb tt 62 70 66 68 67 69 -4. (D) coeficiente de conelación = r : tVñ7d58.8 (c) Variación total : 2(a .92 0.aumenta.82 7.69 0. 8.09 10.42 -1.7 1.6 0.7027.68 2trtg'= 40. REGRESION Y CORRELACION lcAP.4 -0.= \Eá/ /rorl = \r¡.26.29 1.36 68 il 'l .89 0.16 6.02 1.donde ¡2= variación explicada va¡iación no explicada 2b2r.29 18.66 0.2 /?r.7027 u 65 63 67 B4 a 68 66 68 66 69 66 68 66 r-t -t. A partir del resultado general (30). para el coeficiente de conelación.f.6 . pero negativa cuando /est disminuye a medida que r.56 0.68 5. = y -f. (la fórmula producto momento).76 1.s¿.7 3.7 )y = 811 a = 8LUl2 2rt2 = 84.y.11. en el caso de regresión lineal. Entonces 2r'a' 40. puesto que la'gt'es positiva cuando 3/ss¡ autnentá a medida que r aumenta.69 22. Los resultados (b) y (c) pueden obtenerse por cálculo di¡ecto de la suma de los cuadrados.

036 Enroncec rz = bd.cAP. .| ¿gl\/¿e¿\ 6 =(iiot/\al/ ' ¡=o'7o27 que está de acuerdo con lo¡ Problemae 8.29. 2(a-nlz = 2(rz-2rt*r2) = 2s2 . Del Problema 8.TUSTE.476 d=ffi =1.26(D) y 8. Utilizar el resultado del hoblema 8.>IY w@ : n2rA-(2r'l(2A) .11.8l CURVA DE A./ 8. 8.11 (b) y 8.28.31.11(c) respectivamente 484 ' ó=10fr=0.nnn* v Entonces (I ) ee convierte en r(a-üz = 2a2 r : .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 .29 para halla¡ el coeficiente de correlación lineal para los datos del hoblema 8.(>aXIY) n :E Puesto que = (2rlln V'ú = (2Alln" Arúlogamente. la recta de regresión de donde A=?I.2ñ2r 4 ntz (2112 2(2nl' ()r)2 = 2rz = 2r2 . Demostrar que el coeficiente de correlación lineal viene dado por f= En el hoblema 8.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. Demostrar el resultado (17). REGRESION Y CORRELACION 288 8. [. págrna 261.30.

supóniendo la relación parabólica obtenida en eI Problema 8. (o) Del Problema 8.ú)2 = 21. y.ilz = variación explicada 21.40 8 = 1.20) - (42.33.284 CURVA DE AJUSTE.16. variación no explicada va¡iación total (d) = l-r2 = L-0. hay una muy buena relación no lineal dada por la parábola del hoblema 8.30.n¡zi = -0.tal =ffi=0'9822 (c) El hecho de que la parte (a) muestra un coeficienüe de correlación de solo 4.99r1)2 = 0. como lo indica el hecho de que el coeficiente de conelación en (b) está muy cercano a 1. De la Tabla 8-4 r= n2ru .()¡X)z) (8oo)(811) (r2)(54.Oz variación explicada . el error típico de la estima de y sobre I es B!.2z .31 para obtener el coeficiente de correlación lineal para los datos del Problema 8.4)/8 = 5. y (b) sr. Sin embargo.4'. 8.636 ó 1. (c) Hallar el coeficiente de correlación lineal entre las variables r.n parabólic a entre x.3743 indica prácticamente ninguna relación lineal entre r. 8.42) [(8)(2e1. Hallar (a) s.26(b).. (c) Explicar la diferencia entre los coeficientes de correlación obtenidos en (c) y (b).64 (á) Primer método. Ubtlizar la fórmula del Problema 8. y r =0'9911 var6eió.34. i = (2U)/n = (46.9922 = 0.218 6 o." = ss\/T=F = 1.7027 como en los P¡oblemas 8. COEFICIENTE DE CORRELACION GENERALTZADO 8..33 (b). paralos datos del Problema 8.2g y g.3?43 (b) De Ia Tabla 8-9.33 (b).1 ¡.636y'i-(0.32. 8 8. 2(A .2)r][(8X2e0.16.21(46.16.) (42. y? (a ) Utilizando los cálculos de la Tabla 8-9 y agregando que 2tt2 = 290. I del Problema 8. Esto puede deberse a fluctuaciones aleatorias o a una variable adicional que no se ha considerado. (b) Hallar el coeficiente de correlación no lineal entre estas variables.16. Entonces variación total = 2(A .11.80. (d) ¿Qué porcentaje de la variación total permanece como no explicada por la suposición de la relacii.52) - (40.01?g Por tanto 7. Utilizando (a) y el Problema 8. REGRESION Y CORBELACION [cAP.L071 = 0.4O De la Tabla 8-10 Por tanto t-= = l(g""t-Al2 = 2l.62. hallamos r= n2ru - ()¡X)r¿) (8X230.40.78%de la variación total permanece no explicada. Entonces la desviación típica de y es 8u= 2(u - ú\2 21.

36. Derivar la fórmula de correlación gradual de Spearman (36).l'ciñexptñat.22 Tercer méüodo.88 = 629. z. ss t+2+. AquÍ estamos considerando n valores de r (por ejemplo pesos) y n valores correspondientes de y (por ejem. REGRESION Y CORRELACION 286 Utilizando el Problema 8. Explicar córno determina¡ía un coeficiente de correlación múltiple para las variables en el Problema 8. Ya que z se determina de ¡. *n2 n n(n*r)(2n*11/6 2 n2-l t2 utilizando los reeultados 1 y 2 del Apéndice A. y. Utilizando el Problema 8.222-n22 48. y estamos interesados en el coeficiente de cor¡elaeíón múltiple de z sobre x. viene a3: s?+r?-2rs¡ads"sv .os grados son enteros de 1 a n. vemos del Problema 8. la varianza de las desviaciones. al y el coeficiente de correlación entre grados por * - s2¿. que Para obtenerlo.8l Segundo método..pl. Entonces si d¡ : r i .@ "" = 0'8418 = !ffi = thffia Debe mencionarse que si fuéramos a considera¡ la regresión de eobre y. el coeficiente de correlación de ¡ CORRELACION GRADUAL 8.19 Variación no explicada = 2(z - zo"tl2 (64-64. esbturas). pág¡na 264. Análogamenüe.76)z = 888'26 = 888.52. tenemos 2a2-a2a-b2ra-c2n2a = 0.33' variación no explicada = 0.I i son las desviaciones entre las graduaciones. la mediaú ylavarianzasf sonigualesa(n l)12 y (n2 L)ll2 respectivamente. Sea rr: el grado dado al j{simo valor de x. = 12-82 = 12+22*. CURVA DE AJUSTE.35.a = = 299. y I va. z gería en general diferente del valor anterior.19. ¡ sobre y.cAP.37 Coeficiente de correlación múltiple de z sobre x. [¿ media de r.22 8.4L4\2 + "'+(68-65'920)2 = 258.-.88 Va¡iación total 2(z-2\2 .*n @l_ryz n*l En = mientras que la varianza es sf.218 ó 0.25 Variación explicada Enüonces - 258.218 6 0.139 .L2(62. ! ¡ el grado dado al j'ésimo valor de y ' [.16 y el cálculo adicional 2gz 8y. dada en térrninos de e2r..

2 24 = Entonces rgrad= t-#!T = t-ir#?u = 0. 66. ?.6 10 t2 7.6. 3. a las e¡tatura¡ de loe padres ee les aaigna los órdenes (2) (3) dio de 7 . Calcular el coeficiente de correlación gradual para los datos del Problema 8. 11. 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. AsÍ.5. 9. REeRESIoN y coRRELAcIoN lcAP.6 7.8s45 indicando que hay una relación entre el rendimiento en laboratorio y teorfa.6 1.11 y compararfos rezultados con el coeficiente de correlación obtenido por otros métodos. 12 De igual forma. 3. 8. 66. 11. 71 Puesto que en esta ordenación loe lugares sexto y r*éptimo represenüan la misma estatura (6? pulgadas). 6.5. %. 7. 70. lac estaüuras de loe hijos ordenadas en gentido creciente son 66.286 Entoncee cuRvA DE AJUsrE. 8 (r) h¡ecüo que 7 = fgrad = eZ+sT-af. a los lugares 8 y 9 ae les asigna el orden 8.7. 9. las estatura¡ de los padres eon (r) 62. Hallar el coeficiente de correlación gradual. 1¡ (t) y (2).(J) y (4).6 3. 64.7. 6?. le. 6.5 l. 70. 10.5. 69. 66. 66.6.(2d2)/n = L-nfu2] 8. 69. Tabla 8-18 Diferencias de puntuacionee. 66.6. les asignamo¿ w orden meg [(6 + z + + 9) / 4 .66.6.6 1. 69. 6g. 7l y puesto que los lugares 6. Análogamente. 6g.6.6 7. 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. 69.6 1 11 6 8.7. 2.6 3 8. Tbmbién se incluyen dz y 2dz. ordenadas en forma a¡cendenüe de magnitud.6. 69.37. 69.s" 0.5. por tanto las estatu¡as de los hijos quedan ordenadas @ Con las correspondencias 1.6.l\ltZ . 3.c asignamos a estos doe lugares un orden medío de 6.6. la Tabla 8-B se convierte en Tabla E-19 Graduación del padre Graduación del hijo 4 2 6. 6.6 10 3. 8 y 9 repreeentan la migma estatura (68 pulgadas).6 11 . 6?. 67. d d2 -1 -2 -1 1 1-1 I 1 3 I I I 2-L 4 1 -1 1 4 2d. 1. tor \-"rttd- "3 - e¿. 10. 63.6. 4.5. 6.rz)/n y (l ) ge convierte en 7')/12 W @2 - * (nz 6>d2 .6 t2 5 7.38.

REGRESION Y CORRELACION diferencia en graduacionec d.px) .6 -1. En general. 20.26(b).6 3.?466 que concuerda muy bien con el valor r = 0.0 1. utilizando esperanzas. Tabla 8-20 -3. utilizando sumas.26 6.Fpx.pvl . E(Y .6 -3.00 2. (b) X sobre Y.cAP.6 1.}j'2l.a) ó Fok = o*v a-tly="4tr-u*) A-Py - /'.ú2 E(X . ) La función de densidad marginal de X es f{r) = [.26 12. 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 ."l Igualando estas ecuaciones a cero. lo+zo¡a.ol. los cómputos de d2 y I¡ )d se mue¡tran en la Tabla 8-20.00 d Entonces 2iP = 72.px) * (pv .0.5 -1. halla- tv = ol Ftx Por tanto si g . íE = dF Denotando la última expresión por F(c.5 3. = f.zBEl(X-pi(Y -¡.25 6.0=Y<L {o deotraforma Hallar la curva de regtesión de (c) Y sobre X.Fpx.2Boyy r (py .o*t¡ .26 1. los resultados para muestras tienen resultados análo- gos para poblaciones e inversamenüe. La función de densidad conjunta de las variables aleatorias X.9px.26 L2.r.v)l + Gv-Ft'x-o)2 = "? * F2oI .25 1.60 rgrad = t-#!T: . 8.P(X . p) tenemos AF u = mos -2(pv zBoi - 2oxv - 2px(pv .-ffi!\ = 0.40.px\ ^t u\ox) | Debe notarse la semejanza de la demostraeión anterior para poblaciones. con la correspondiente para muestras.P¡x. Y es l\r'a) : (a | f.8l CURVA DE AJUSTE.25 2.0 ü 12. Derivar (39) a partir de (37).5 1.5 -1.6 2.(r+2y) 0<n<7.25 2. lo cud es una condición necesa¡ia para que F(q. INTERPRETACION PROBABILISTICA DE REGRESION Y CORRELACION 8.26 L2.25 2. .7027 obtenido en el Problema 8.dlz} = El(y -pv)21 + BzEl(X-r.a* pr entonces A .5 -2.Fy = p(r .F) sea un mínimo.rv) = 0.39. .

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

En eI Problema 8.0818 Nótese que el coeficiente de correlación lineal es pequeño Fsto es de esperarse al observar las rectas de regresión de mínimos cuadrados obtenidos en el Problema 8.2\ o.e5: 1.. Hallar los límites de confianza del 95'.o1f.40.66 (Problema 8.- 2.r: L.4?6 r6 (Problema 8.. 8l CURVA DE AJUSTE. Escribir las rectas de regresión de mínimos cuadrados de (a) Y sobre X.11 = -l/162/.q\I a.o+zul)arav =1 3 .xY p = n-xÍ oxY oxoy = *-(s)(i*) = = - 1 162 0 -l/162 .23 h es decir.42.476B-b t=r.81 para L2 .nfi162\/28/Bz4 -0.'=o Í"'=o.82 + 0.2 : 10 grados de libertad.11). Por tanto no podemos rechazar la hiPótesis.8I 6.82 + O.2U'L66 0'19916¡= = ya que eo.losaleolocar t=lt. = {".28 (calculcda en el Problem a 8.28. 1/ .0 y lb) 70.11.43)' y n: !2 1 r/o t r--- .4?6 t Vlo\' t/tz.66 del Problema 8'11' 8.los Ií¡:rites de conftanza del 95oy' para --j:lq--. (¿) La recta de regresión de Y sobre X es + oXY "+@ .45.2: LO grados de libertad..47G :t ' +('!!) t" / = 0.-.22)y 1.2g para 12 .0 pulgadas' puesto qu€ t s7..:2.r: L.t / ó (b) La recta de regresión de. r8fl .136 y 0.43.43. Ensayar la hipótgsis al nivel d-e significación del O.44. . ¡rara ias estaturas yos padres tienen unas estaturas de (o) 65.B4o confianza del 95% de que 6 se encuentra entre 0.X sobre Y es u-X = '\ av sX "('-i\ r-i( =$<a-rt oi ó r-Í = -#(r-#) TEORIA MUESTRAL DE LA REGRESION N E. sr...476x.9b Con un ensayo unilateral de Ia flistribucirin de Student a un nivel 0. hallar los límites de confianza d-ei 95'7.42. sx: 2.lrv1l_z=-.180.11 se halló que la ecuación de regresión de y sobre x eray: 35. (+) ó a -i : - ür I x) ó -.'lW\" .180 si ú ) ú.2 = l0 grados de libertad) vienen dados por 95?iparap(obteni. Y ltr-2 donde 37e : 85.-- . En el Problema 8.Of Ae que el coeficiente de regtesión de la ecuación de regtesión poblacional es tan bajo como 0.05 rechazaríamos Ia hipótesis de que el coeficiente es tan bajo como 0.á para el coeficiente de regresión del Problema 8.cAP. REGRESION Y CORRELACION 289 (e) xY = Entonces Í. se está en la ryHt\ = 0.- = . (b) X sobre Y para el Problema 8. Loslímitesdeconfianzadcl F = b-+f+) ' \ñ4\82 I para 12 . de los hijos cuyp son 8. ot : ".. 0. 8.szs=!2.

32. = t.6 pulgadas úo 0. se puede tener confianza de 95Vo que la estatura media de todos los hijos cuyas estaturas de los padres son 65.14 pulgadas. ¿Cuál es el tamaño mínimo tal de una muestra para que podamos concluir que un coeficiente de correlación de 0.32 sea considerablemente mayor que cero al nivel 0.elgbVo de que las estaturas de los hijos están entre 64.0.09 pulgadas. REGRESION Y CORRELACION lcAP.7 y 70.47. 35. los límites de confianza del 95% para Uo fo son = 2. Por tanto no podemosrechaza¡I/6 al nivel 0.' sr.14 + 5.05 utilizando un ensayo unilateral de la distribución que de Student. (o) (ó) Puesto que no podemos rechazar ) 0).2 pulgadas.80 pulgadas (b) Si 16 : 70.48).01 8.i¡z : (?O.s1t : 2.23 para 1 0 grados de libertad.O . En el problema 8.05.0.07 pulgadas.45 pulgadas. ciertamente no podemos rechazarla al nivel 0. Ya que t.11).2óy6!2so. el valor mÍnimo de n debe ser 032{n - 2 r/i -to.82 + 0.0 pulgadas se encontra¡án entre 67. se puede estar en la confianza de| g6% de que la egtatura media de todos los hi jos cuyas estaturas de Ios padres son 70.75 para 18 -2: L6 grados de libertad.16 :65. rechazaríamosI/e si ú ) ú.05 y (b) 0.za\ = 66.o¡ para n - 2 grados de libertad .96sy.78. los límites de conñanza del 95% están dados aproximadamente 8.": 2.45(c)] los límites de confianza delg1l".290 CURVA DE AJUSTE.14 f es decir.0. hallar los límites de confianza del96% para las estaturas'medias de los hijos cuyas estaturas de los padres son (a) 65.69.Estoconcuerdaconlosresultados aproximados mencionados en la página 262. hallamos [comparar con el hoblema 8. de confianza del g5% son (ro .45(ó)] los límites de confianza del 95%.46.? y 6?.05. o.11.Bb Sobre la base de un ensayo unilateral de la distribución de Student a un nivel 0. es decir.sz\/ra-z : p l.0 pulgadas.05. y¡ : 66.76 1 1. TEORIA MUESTRAL DE LA CORRELACION 8.1 y 7 4./i=@0.23 donde y¡ : ffisv.t)2 : (65 . se puede estar en la confianza del 96Vo de que las estaturas de los hijos están entre 63. los métodos muestrales son exactos para una población normal. También (x¡ . Porlo +1.0. Nótese que para grandes valores de n.ss :7.rcontalquero -ñnoseademasiadogrande.0 y ?0. es decir.0 pulgadas se encontrarán entre 65. (o) Si.8OOtl2r2 : 2. /e : 69.0 y (b) ?0. ¿Puede concluirse a un nivel de significación del (a) 0. 7.05? A un nivel 0.01 que el coeficiente de corréhción poblacional es apreciablemente mayor que cero? Deseamos decidir entre las hipótesis (Ho: g :0) y (llr t = . se puede esta¡ en la confianza d.SOO112)2 : 11. Un coeficiente de correlación basado en una muestra de tamaño 18 resultó ser 0.8 los límites (o) Si 16 : 65. es decir.Los métodos de este problema son válidos independiente del tamaño de n ó to .?6 t 3.476 r6 (Problema 8.sz). hallamos [comparar con el Problema 8.8 pulgadas. t/6 al nivel 0.E.6 pulgadas.48. Entonces los límites de confianza del 96Vo so¡ 69. Entonces 66.?6 a 2'23 es decir.66 (Problema 8.?6 pulgadas.11. Tarnbién.1/l-z = = .66. ' (b) Si re :70.

t=0. z = t.9730-0. para n=27.unrr.2182 = 1.L6rt*(=.5606.L613 logS:0.CURVA DE AruSTE. t. (b) p : 0.50 a un nivel de significación del 0. n=26.80.r6r3t"" o.=L.64 y por tanto n: 25. p : 0.e155.49. Dos coeficientes de correlación obtenidos de muestras de tamaños nt : 28Y rtz:35 se cdcularon como rr : 0.r5tz'""(+l-&.94.Hallarloslímitesdeconfianzadel96% paraeste coeficiente. Entonces el tamaño mínimo de la mueetra ean:28.0.s2\/ñ/\Flfu2p.o.rrro.05? o.s5=1.) nzr-2.66.el 95Vo püa pz vienen dados por Z=L. t .:) = oz= La variable tipificada ee Fz = r. v=26.b4es. ¿Hay una diferencia considerable entre los dos coeficientes a un nivel de 0.9730 0.s0(-/l1 \ \y'n_B/ = 1.4904- = 1. ú.0e86 10.Portantopodemos rechazar la hipótesis de que el coeficiente de correlación poblacional sea üan pequeño como p: 0. ¿Podemos rechazrir la hipótesis de que el coeficiente de conelación poblacional sea tan pequeño como (a) p (o) : 0.50 y tz : 0.51.05 utilizando un ensayo unilateral de la distribución normal rechazaría' mos la hipótesis solamente si z fuera mayor a 1.64.72. (Hs p2r= Fzrl I (Hi Fzr* .5493y2:(0.7L. REGRESION Y CORRELACION Para un número Pa¡a infinito de grados de libertad. Por tanto no podemos rechaza¡ la hipótesie de que el coeficiente de correlación sea tan pequeño como 0.2182:L.5606.r¡rlb*'.50. 8.69.60. (b) Sip:0.7L. = Deseamos decidir entre las hipótesis = 0.28z (ff3*3) = o.(-) \r P. L {zt - = Z-pz oZ 0.75.266e = 0.5366 a 1.tJ2:1.60. t. zz: r. a un nivel de significación del 0.s|= 1.sz\/rLtt/l-(u32Y = 1. 8. v =26.05. los límites de confianza d. t--032\r26^tr=@ = 1. t.50.s|= l. Puesto que r : 0. pa¡a n=2g.28 A un nivel de significación del 0.30 respectivamente.B0eb #*#= Fzrl.16131og(++*) /r r-\ \r-'l / *t./ 0. Por tanto los límites de confianza del 95Vo para p son 0.92.5493)/O.50.80 y n = 21.6.) 0. Un coeficiente de correlación basado en una muestra de tamaño 24 se calculó era r : 0.?1.49 y 0.5366' p = = L.9r : 1.05? zr = r.!613*(=.4620 Entonces ¡t2 tiene el intervalo de confianza del9SVo. El coeficiente de correlación entre las calificaciones finales de fÍsica y matemáticas para un grupo de27 estudiantes se calculó era0. v =24. si Si pz Fz /r +"\ = l.6932 0.96oz = 1.rsr3 loc\t -. 8./ = 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-(#)(#)] =

0 y 14.9 = 8. 0. Escribir las ecuaciones de las rectas de regtesión de (c) y sobre del Problema 8.s6oy'1:107686)á Problerrra. = L4.e)..uo+qY: 145+q'qfrEq = u= De los resulüado¡ del Problema ?o.0 = (b) 6 r-ü='?o-o¡..821(o-70. = 13..0=A+##€?!)@-70.0).5+E#9 = ú . REGRESION Y CORRELACION 299 Por tanto las desviaciones típicas de las calificaciones de matemáticas y fÍsica son 14. Tenemoe 8"".gZfy'f - (OfOg6P = = 9. r a 3 6 6 8 911 234668 8. para obtener las ecuaciones de las rectas de regtesión (¿) ó a-u='!w-nt.2. Representar gráficamente los datos y las rectas de mínimos cuadrados utilizando el mismq conjunto de ejes coordenados. 8l CURVA DE AruSTE. Entonces utilizamos ( I 6 ). 8xv 160.20 G&r'-áiÉfutB = o'7686 que concuerda con r hallado en el Problema 8.9 respectivamente. (b ) r como Ia va¡i¿ble dependiente.63.9) -69.64.v ts. E.o 8. página 261 .62. r. Ajustar una recta de mínimos cuadrados a los datos de la Tabla 8-31 utilizando a (a\ x como la variable independiente.e Ge. para los datos del Problema 8.rlos RECTA DE MINIMOS CUADRADOS Tabla 8-31 8.cAP.hallar(o)losvalore$deycuenda x=6.0=q9ff##q(v-6e.66. 0.61. Calcular los ertores típicos de la estima (c) er.x=L2.60. (b) sr.a guplementa.0) x-?0.966. (b) Í sobre y para los datos rr+qW = 64. = ¿yt/Ti-rz = = a"t/T7rz = f¿.60. 8y r-70.60. De la Tabla 8-30 tenemos..66 8.64.(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. Utilizar los resultados del Problema 8.?686.926 y r = 0.7t9(u-69.65 utiliza¡rdo el resultado de la parte (c)' . (a) (bl Ey. ParalosdatosdelProblemaS.5¿8 8.61 a.64.934 s. (b) SolucionarelProblema 8.. en tanto que su covari¡nza es 160. s!. a y-6e.

(o) Hallar la ecuación de regresión lineal de mínimos cuadrados de e sobre x. (D) Hallar la recta de mínimos cuadrados que se ajuste. o + bx r a 0 1 2 ó A 5 t) ¿x?alos datos de Ia Tabla 8-3¡t.2 5. (b) Ajustar una parábola de mínimoscuadradosdelaformad:oIbu*cuzalosdatos. (b) Hallar la recta de regresión de mínimos cuadrados de y sobre r. I : o t bx * cx2 I Tabla 8-37 REGRESION MULTIPLE E.74.u. y.71 rrcstrar c6mo una gráfica en papel semilogarítmico puede utilizarse para obtener la ecuación pedida sin emplear el método de los mínimos cuadrados. Con referencia a Ia Tabla 8-33. (b\ Estimar z cuando a to 90 10 72 . (c) Hallar la recta de mínimos cuadradoe que se ajuste a los daüos. (d) Estimar el valor de y cuando r : J.I 3.6 9. y : t 8.9 La Tabla 8-36 da las distancias de parada d (pies) de un automóvil que viaja a una velocidad u (millas por horas) en el instanüe que se observa eI peligro. Tabla 8-36 Velocidad. utilizando a r como la variable independiente.ID 80 ?8 93 86 65 72 87 91 7L 98 95 68 84 89 tt 82 80 72 74 E. ¿cuál es su puntuación eeperada en álgebra? Tabla 8-32 Algebra (c) Física (y) . (d) Representar gráfioamente las dos recta¡ de regresión de (b) y (c) sobre el diagrama de dispersión de (o).73. u (mi/h) Distancia de parada d(p) 20 54 30 40 138 50 60 70 90 206 292 396 E. utilizando a y como la variable independiente. REGRESION Y CORRELACION [cAP.300 CURVA DE AJUSTE. 54 42 30 . z. Escribir las ecueciones normales para la curr¡a cúbica de mínimos cuadrados dada por dx3 .y:6.3 14. 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. 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. con Ia escala logarítmica para yr la escala ariü- méticaparar. 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 8:69.72.?1.68. o^ 2. (o) Construir un diagrama de díspersión.a los datos. 12 . t. El número y de bacterias por unidad de volumen pres€ntes en un cultivo después de ¡ horas viene dado en la Tabla 8-36. Alustar una parábola de mínimog cuadrados.a Tabla 8-37 muestra los 3 6 o n 8 t? o t4 valores correspondientes de tres variables x. 8 t.70. ¿cuál es su puntuación esperada en física? (e) Si un estudiante obtiene una puntuación de 95 en físice. [. (c) Comparar los valores de y obtenidos de esta ecuación con los valores reales. (o) Representar gráficamente los datoe.6 21. (o) Representa¡ loe datos en papel semi-Iogaritmo. (a) Representar gráficamente d.8?. (c) Hallar la recta de regresión de írínimos cuadrados de ¡ sobre y. y.t--10. (d) Si un estudiante obtiene una calificación de ?5 en álgebra.(c)Estimardcuandou:45mi/hy80mi/h.(b)Ajustarunacurvademínimoscuadradosdelaforma !=abxalosdatosyexplicarporqué esta ecuación específica da buenos resultados. En el Problema 8.

00.75 para solucionar el Problema 8.E4. y dados en la Tabla 8-39. los dos conjuntos de calificaciones de los exámenes del Problema 8. coeficiente de correlaciónentredos variables¡. y obtener exptesiones para los coeficientes de regresión de mfnimos cuadradoe el resultado del hoblema 8. y tiene la form¿ z = A 1.y para los datos del Problema 8.50. Calcular (a) la variación total en y.8?. La Tabla 8.t3. D. Tabla 8-39 x a 2 4 5 6 811 18t210875 . r.i=10. 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. Demostrer que la ecuación para regresión lineal de z sobre r.eL2 mujeres.! .81 u 8.68 (a) dircctamente. (b) r sobre y. y es 0. (b) Problema 8. ballar las ecuaciones de la recta de regresión de (o) y sobre x..68 utilizando la fórtnula producto-momento y comparar con el resultado del Problema 8.68.89. en E.67.80 para hallar el coeficiente de correlación entre los dos conjuntos de calificaciones de los exámenes del Problema 8. ú=20. y.= E. (b) Obtener eI coeficiente de correlación directamente de las pendientes de las rectas de regresíón del Problema 8. (ó) Determinar la recta de regtesión de mínimos cuadradoe de y sobre r.68(b) v (c ). (b) Multiplicar todos los valores de ¡ por 2 y sumarles 6. 8.= 3y ss : 5. explicar por qué se obüiene o no el mismo resultado que en la parte (a). Si sv.86. (o) Calcular el coeficiente de correlación entre los valores correspondientes de r. (o) Hallar elcoef¡cientede correlación entre E. ¿qué porcenüaje de la varfación total pennanece no explicada por la ecuación de regresión? 8. Hallar los coeficientesde correlación para los datos del (o) Problema 8.3E F¡lad (r) Presión Sanguínea (y) 55 49 38 42 68 r47 725 160 118 t49 t28 150 146 115 140 162 56 42 72 36 63 47 60 165 E.82.79.cAP. " para los datos en el Problema 8.86. Hallar el coeficiente de correlación entre los dos nuevos conjuntos de valores.¡. El 8. (b) sr. 8.64.81.76. (o) Hallar el coeficiente de corre' r.r.68. Si el coeficiente de correlación entre.74. . (b) utilizando la fórmula s¡s = rs¡sÍ y el resultado del Problema 8. y puede escribirse como z-2. ERROR TIPICO DE LA ESTIMA Y COEFICIENTE DE CORRELACION LTNEAL E.68.76.z .38 lación entre muestra las edades r y la presión sanguínea y d. ¿Hay al' t.EO. 8.88.85.60. Hallar la covarianza para los datos del Problema 8. halla¡ r. (b) la va¡iación no explicada datos del Problema 8. (c) Estimar la pre- sión sanguínea de una mujer de 45 años.7t. E.Br * Ca I Dr2 * Ery * Fyz Obtener las ecuaciones normales para los eoeficientes de regresión de mínimos cuadrados.Sis"=1. REGRESION Y CORRELACION 301 8.90. Calcular (o) sv.7 7 a(r-¿l+b(u-úl o. Hallar (o) sy ". Multiplicar todos los valores de y por 3 y restarles 15. y. (c) la variación explicada en y para los 8.E2. 8l CURVA DE AJUSTE. sr:2. Tabla 8.60. (b) $. 8.8f . Utilizar los resultados del Problema 8. yesr:0. Utilizar 8.

98. G. Il¡llar t. E. t. I COEFICIENTE DE CORBELACION GENEBALIZADO E'91. estudiar una posible deeventaja del método de conelación gradual. t. Mostra¡ cómo se puede diseñar un coeficiente de correlación múltiple. D.99.4O 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. tls[a¡ la recta de régresión de mínimos cuadrados de (a) Y robre X. 8.página 263.págirra52.302 CURVA DE AJUSTE. Da¡ un ejemplo para demostrarcómo hallaría (a) el error típico de leestima. Tabl.a) = [2r+3a Io o(c(L'o<Y<2 de otra form¡ Ilalla¡ la curva de regresión de (a) Y sobre X. Hallar el error típico de la estima de z ¡obre ¡. el coeficiente de correlación gradual para loa datos del (a) Problema 8. (b) De.94. Obtener el coeficiente de correlación lineal para el hoblema 8.99. t.s. Halla¡ la recüa de regesión de mínimoe cuadrados de (a) Y sobre X. t. Halla¡ el coeficiente de conelación gradual y decidir eobre el acuerdo de loe jueces en su8 eleccioneg. INTERPBETACION PROBABILTSTICA DE LA REGRESION Y LA CORRELACION E.8.96.92. COBRELACION GRADUAL E. La función de den¡idad conjunta de las variables aleatorias X. B. en el ca¡o de do¡ variablee aleatorias X.y.97.¡ 8. ble¡ aleatoriac independientes? Explicar. página 52.90.(D)larvariacionee explicaday no erplicada.rOO.(b)XaobreYparalosdatosdelhoblema2. 8.gus observaciones en (o). Y con E. t. Hallar el coeficiente 264.8.lo6' función de densidad conjunta (o función de probabilidad conjuñta) f(x.5g ufilizando el resultado (35).93. Doa juecec en una competencia debían clasifica¡ a 8 candidato¿ A. de conelación para las variabie¡ en el hoblem" g. C. REGRESION Y CORRELACION [cAP. t. variación toüal es erplicada por la ruperficie de regreeión? (b) ¿Quéporcenüajedela Demostra¡elresultado (27). ¿Ocurren algunae simplificaciones en la¡ curvas de regresión Ce Y sobre X ó X sobre Y para el caso de varia- .104.lol. F. H¿ll¡rlacurvaderegreeiónde(a)YsobreX.paraelca¡odeunaauperficiederegresiónlinealparazsobrer. (o) Calcular el coeficiente de conelación múltiple pars los datos del hoblema 8. página t.lOS. Hallar el coeficiente de conel¡ción lineal para la¡ variableg aleatoria¡ del Problema 2.74.96gina 52. Y viene dada por f(r.99. H de acuerdo con sus preferencias. lo¡ resultados se mueshan en la Tabla 8140.84. (c) el coeficiente de conelación generalizado. y\. (b) X eobre y. y para lo¡ daüo¡ del Problema 8. (D) X eobre Y para el hoblema 8. (o) Hallar el coef¡ciente de correlabión gradual para los datos del Problema 8. t.74. (b) X cobre Y para Ios datos del hoblema 2.102.106.68 v (b) Problema 8.96.

40.50.(b)99%paralamedia'detodoslosvaloresde y correspondientesa¡ = 6. Solucionar el Problema 8.hallarloslímitesdeconfianzadel 9fleparafo)elcoeficientederegresiónde y sobre r. DemostrarqueparaelcasoderegresiónlinealelvalormÍnimodeE'{[]'-(o*¡lX)lz.00 y ñ = 7. a un nivel de significación del 0.10? ensayar la hipótesis de que el coeficiente de regresión poblacional 1. ¿Podemos concluir a un nivel de significación del (o) 0.05.(b\99% pra el coeficiente de regresión. Yvie' nen dadas por 2:r . Un coeficiente de correlación basado sobre una muestra de tamaño 27 se calculó como 0. ¿Podemos concluir a un nivel del (o) 0.tu] tan-'L rfti + si) -l E. Sobre la base de una muestra de tamaño 27 se encontró que la ecuación de regresión de y sobre r era t = 25. página 260.c2 soll constantes arbitrarias. y'es eI mismo que el entre.110. 8l CURVA DE AJUSTE. Las rectas de regresión muestrales de mínimos cuadrados para un conjunto de datos involucrando X.f-(1 -r2)s. donde r¡¡ !/6¡ cl¡. para la recta de mlnimos cuadrados.116.01. En el Problema 8. hallar los límites de confianza del (c) 95%.cAP.113.8. E. EnelProblemaS. 8.00 ¡. (Sugerencia: Suponga quer' = noi c1r. REGRESION Y CORRELACION 303 TEORIA MUESTRAL DE LA REGRESTON 8.ypuedeexpresarsecomo il2 -:.d'.60 de una muestra de tamaño 28.114. TEORIA MUESTRAL DE LA CORRELACION 8.109. es (o) tan bajo como 8.l0?hallarloslímitesdeconfianza d.sx = 3.114 si el tamaño de Ia muestra es 52. Dos coeficientes de correlación obtenidos de muestras de tamaños 23 y 28 se calcula¡on como 0.95 respectivamente.30. 8.5a = 3.50' ¿Podemosre' chazar la hipótesis de que eI coeficiente de correlación poblacional es (o) tan pequeño como p : 0. y).?0.el 95% para el coeficiente de correlación calculado en el hoblema 8.211Ú 8.1 "l$- c2) 20.l19. 8.* : 8. . 8. . En el Problema 8.00.0 + 2.80 y 0. que hay una diferencia significativa en' tre los dos coeficientes? RESULTADOS DryERSOS 8. (b) 0. Hallar los límites de confianza d. 5r .111. Demostrar que el cóeficiente de correlación - g.(b)997oparu un coeficiente de correlación que se calculócomo 0. Si sr.(b\ 99% para y cuando ¡ : 6. que el correspondiente coeficiente de correlación poblacional es considerablemente mayor que cero? E." = 1. utilizando un nivel de significación del 0'05? 8.121. Un coeficiente de correlación basado sobre una muestra de tamaño 35 se calculó como 0.S4.01.tes t?.!l = 2. (b) ta presión sanguínea de las mujeres de 45 años.00.118. 8. A' = llo * c2y.108.11?. (c) la media de lae presioñes sanguíneas de las mujeres de 45 años. Hallar el coeficiente de correlación lineal.10?. Verificar los coeficientes (5).115.\ es independiente de Ia elección del origen de las variables o de Ias unidades en que se expresan. 8. (b) tan grande como p : 0. ConreferenciaalProblema8. 8.84.10? hallar los lÍmites de confianza del (o) 957o.01.20. Demostrar que el ángulo entre dos rectas de regresión muestrales de mínimos cuadrados viene dado por .123.70.60.112. (b) 0. Hallar los límites de confianza del (a) 957o.el(o)95%.05.I22. (b) tan alto como 2. Demostrarqueelcoeficientedecorrelaciónentre¡. demuestre que el coeficiente de correlación entre r'.

8.127.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) .129. (e) ¿En qué año podemos esperar que el índice de costos médicos doble el del 194?1949. 8ü 8É ¿Es el resultado válido para regresión no lineal? 8.125. (b) Br.2 t23. Hallar (o) s".y para loa daios del hoblema 8.1 t 10.0 113.2 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 101.5 por mayor 103. (c) Calcular los valores de tendencia y compararlos con los valores reales.8 102.126. 210-225 I .8 111.2 r20. E.8 114.L24. - Tabla 8-42 Año Indice de precios al consumidor Indice de precios al 99. Con referencia a la Tabla 8-43: (o) Representar gráficamente los datos.304 CURVA DE AJUSTE. 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 . REGRESION Y CORRELACION [cAP.(ó)Estimar los pesos de doe hombres cuyas estaturas son 64 y ?2 pulgadas respectivamente.6 I 10.4).5 r14. 19 5 o (t) e. 8.7 114. Ilalla¡ el coeficiente de correlación entre las estaturas y pesos de 300 adultos dados en la tabla de frecuencias siguiente.3 1r 7.8 8. 8.8 111.5 116.4 I14.3 I 10.L25.2 Fuente: Bureau of Labor Statistics 8. (ó) Hallar la recta de mínimos cuadrados que se ajusta a los datos y construir su gráfica. El período base es de L94? 1949 : 100.6 L19.1 25. (d) Predecir el Índice de precio para la asistencia médic¿ durante 1958 y compararlo con el valor verdadero (L44. Demostrar que para regresión lineal 4 = +. f¡¡ 32 20 t2 q .130.128. 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 8-42.41 ESTATURAS .l2S. Tabla 8.r. (o)HallarlarectaderegrecióndemínimoscuadradosdeysobrerparalosdatosdelProblemaS.1 114. Hallar los límites de confianza del 96% pára el coeficiente de correlación calculado en el hoblema 8.

Estudiar la relación. Con referencia a la Tbbla 8-44.8l CURVA DE AJUSTE. En el Teorema 8-1. Demostrar el Teorema 8-2. página 265. Demostrar el Teorema 8-1. Education 8. E. 8.133.página265. del Problema 8. (b) Hallar la parábola de mÍnimos cuadrados que se ajuste a Ios datos.9 17.¿) donde .132). Demostrar que si 9(r) = E(Y \ X = c) entonces EUY - É(x)1'!) = E{LI'- o(xl¡z¡ + Ells(x) - q(x)l. Tabla 8-44 Año Natalidad por cada 1000 habitantes 1915 1920 7925 25.132 para variaciones explicadas y no explicadas. si Ia hay. (a) Representar gráficamente los datos.9 ¿ind 1935 1940 1945 1950 1955 24.6 23. y). Sean X. (d) Explicar por qué la ecuación en (b) no es útil para propósitos de extrapolación.cAP. 8. Y variables a|s3fs¡i¡s con función de densidad conjunta (o función de probabilidad) f(x.136. . (c) Calcular los valores de tendencia y compararlos con los valores reales.3 16. (Sugerencia.9 Welfaie 19. REGRESION Y CORRELACION 305 8. ¿es g(r) única? Explicar.' Utilizar el Problema 8.131.¿(r) es cualquier función de r para el cual estas esperanzas existen.0 1030 18.134.5 23.7 21. 8.6 Fuentet Department of Health.132.l35.

de las cuales se extrajeron las muestras. . 2.. b.r i:7. Ttatamiento ¿ üol fio2 rob tra Denotaremos por i¡ la media de las medidas en la fila j. . EJEMPLO 9. La gran media o media total es la media de todas las medidas en todos los grupos y se denota por c. se utiliza para indicar que el índice k se ha sumado. donde i : t. cada uno de los cuales tiene b repeticiones o réplicas.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. Tenemos _lb fr¡:62r.. desarrollada por Fisher. medias de tratarrtiento o medias de fila. a : 4. esto es r .1r2'. .ao lk : a0 i=t r=t -. tenían la misma vaianzi. Supusimos que las dos poblaciones. *iÉr. dl h : 7. . .. Hablamos de a tratamientos.. En el Ejemplo 9'L.. . donde el número de medidas en cada grupo es b. 22. Los valores i¡. tg y 24 hU}l'a respectivamente. Aquf r¡¡ denota la medida en la fila j y Ia columna k.^ 306 (2) . Los resultados de un experimento de un factor pueden representarse en una tabla con a filas y b columnas (Tabla 9-1). Tabla 9'1 Tlatamiento 1 Ítt E2l rtz rzz xtb fr1.. ¿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.a Q) El punto en tj. 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.1. se denominan medias de grupo. En muchas situaciones existe la necesidad de ensayar la significación de diferencias entre tres o más medias muestrales. r35 se refiere a la quinta medida para el tercer tratamiento. o lo que es equivalente a ensayar la hipótesis nula de que las medias muestrales son iguales. TYatamiento 2 itv t2. Utiliza la distribución F considerada anteriormente en los capítulos previos. . Supóngase que en un experimento agrícola cuatro ttatamientos químicos diferentes del suelo producen rendimientos medios de trigo de 28. Por ejemplo..2.2..

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

VALORES ESPERADOS DE LAS VARIACIONES La variación entre tratamientos V6 . . i=1. . b) puede expresarse como la (14\ X.El6 escierta. de (I6) V (/8) vemos que sólo si.2.2.) : (ab-l)o2 + "1 (16) (17) b> a? (r8) (. 2.l)o2 E(V'. las poblaciones de tratamiento..y u de acuerdo con las definiciones (8).a-l ¿'(Si) v ab-L (I6) (22) proveerá estimas insesgadas de o2.*= p*a. La constante o¡ puede considera¡se como eI efecto especial del tratamiento j. Por tanto solamente hay una población de tratamiento y todos los tratamientos son estad ísticamente idénticos.É[s es cierta tendremos ^/ I¡u E\fr)\ = J de modo que solamente en ese caso n(ffi)= a Qr- (21) Qz.T L¡r Los A. Esto equivale a suponer que las X* (i : L.) = a(b . (7\ y (3).. puedentomarsecomo variables aleatorias independientes (relativas ai y h).? (23) . . ai k : l..7o "b .. entonces tenemos de = '"+. . . . que por suposición son normáles. Si. la variación dentro de tratamientos V. t).r--Lr}. . . tienen una media común como también una varianza común. La hipótesis nula de que todas las medias de tratamiento son iguales viene dada por (Ifo: ot= 0. .¡. Podemos demostrar que (véase Problema 9. y la variación total V son va¡iables aleatorias que respectivamente toman los valores t)b. e .. distribuidas normalmentp con media cero y varianza o2. b) son va¡iables normales. x¡2. Definamos la constante ¡r por tL 1s. _ o?r. Sin embargo. Entonces (I4) puede escribirse como (véase Problema 9.ta¡¡ donde P". =O (15). .Efo es cierta o no.19) ' De (17) se deduce que E(Vt) = (a-l-)o2 + b> E(V. De otra parte.308 x¡1 ANALI$S DE VARIANZA [cAP...n = F. X.19) de modo que (20) es siempre la mejor estima (insesgada) de I independiente de si.E[6 no es cierta.2.2.o1o en forma equivalente por (I1o: Fi= pi i =t. Cada una de las X¡n suma de su valor esperado y un término de "error": (h: L. Íjb respectivamente. si . 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... ..18).9).

Por otra parte.u/o2 tiene la distribución chi-cuadrado con o(b . (3) y (8).13¿. Teorema 9-2: Bajo la hipótesis nulal{0.-f.cAP. po{emos demoshar los siguientes teoremas fundamentales relativos a las distribuciones de las va¡iaciones V. de (I9) y (20) cabe esperarse que S. y luego calcular u. esto es. va : b)1nt. página 161.1. Es importante ¡ecalcar que el Teorerría g-1 es válido si se supone o no I/s ./o2yV/étienen la distribución chi-cuadrado con ¿ -1 Tenrema y ab - 1 grados de libertad respectivamente. 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.)2 . Pa¡a utilizar este estadístico debemos conocer su distribución. pág¡na 116. .ab . el cual es una consecuencia del Teorema 5-8. con tratamientos. a-I. 9-1: V. si las medias de tratamiento no son iguales.1) grados de liberbad. Si este estadístico es considerablemente grande podemos concluir que hay una diferencia significante entre las medias de tratamiento y así rechazamos f[e. es decir. vemos de (23) qrr" 33 puede ser mayor eü€ o2. o el método corto. V6 y V. siendo el efecto más pronunciado a medida que la discrepancia entre medias aumenta. Esto viene dado en el teorema siguiente. Debe advertirse que los grados de libertad para la variación total. ENSAYO ¡ PARA LA HIPOTESIS NULA DE MEDIAS IGUALES Si la hipótesis nula . Vt. Total. que se denominatabla de anólisis de uarianza.3 r""igual a c2 independientemente de si las medias son iguales o no. En la práctica calcula¡íamos u y uo empleando eI métódo largo. en tanto que el Teorema 9-2 sólo es válido si se supone f/0.- ¡¡z Ao s6 = o-1 u6 86 -_ s. Teoremag-3: E] estadístico tad. Tabla 9-2 Grados de Iibertad Enüre tratamientos. De otra forma podemos o aceptar lfe o reservarnos el juicio dependiendo de análisis posterior.a(b-L) j a\o _ l) grados de libertad a : a-L+ ut = )(er¡.9l ANALISIS DE VARIANZA 309 DISTRIBUCIONES DE LAS VARIACIONES Utilizando el Teorema 4-4. (10) y (11). Se deduce que un buen estadístico para ensayar la hipótesis -EI¡ viene dado por 3.: u uu.Ffs no es cierta. 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.

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

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

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

cAP.!'. En tal caso habrá más de un valor correspondiente a un tratamiento dado y a un bloque clado. Bajo la hipótesis H[. Tabla 9-5 Entre tratamientos.I y (c .lc (ú - l)(ü --1) rt1 ar* u" = )(r./S3 ti"n" la distribución F con s .1.. página 312. Más información considerando los factores puede a veces obtenerse repitiendo el experimento.1) grados de libertad. 'L' - u. V.V/o')tiene la distribución chi-cuadrado con ab . (¿ -l)(¿r-t) grados de libertad Entre bloques.l¡^i¡l v ^3yS: vienen dados en el teorema siguiente análogo al Teorema 9-3./o2 tiene la distribución chi-cuadrado con c . úe = l'Total.e. Bajo la hipótesis H'oz'el estadístico 3.1 grados de libertad. s c-ls . como en el caso de factor uno. El teorema nos permite aceptar o rechazar H3" 6 H3'. niveles de significación especificados.tt y Ht2'.l.'alor ccrrespondiente a un tratamiento dado y a un bloque dado.*-r)! EXPER. proceso conocido como repetición. Supondrerfios que hay c valores para cada posición. (a-1)(l¡-l) con grados de libertad Residual o aleatoria. Debido a la repetición debe utilizarse un modelo apropiado para remplazar el dado por (35). > (J'j - :L)2 a-l i | 3l ' -ra--1 con cr . Análogamente para ensayar la hipótesis I1[!) consideramos el estadístico ^3ySg.1) (b . una tabla ^ análisis de varianza puede construirse code mo se muestra en la Tabla 9-5.r) el estadístico si. Por conveniencia.!') 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. ti"n" la distribución Fcon b . la columna o bloque h y ala repetición /. cambios apropiados pueden hacerse cuando los números de repeticiones no son todos iguales. El modelo viene dado por X ¡xt = ¡.IMENTOS DE DOS FACTORES CON REPETICION En la Tabla 9-4 sol¿rmente hay un '. Bajo ambas hipótesis HÍ. Pa¡a obtener esto denotemos por X¡o¡ la variable aleatoria correspondiente a la fila o tratamiento j. Para ensayar la hipótesis I1. Las distribuciones ¿" .1) grados de libertad.V"/n2 tiene la distribución chi-cuadrado con b -1grados de libertad. .1 y (c . L'.r * Fr * 7.u I' lir./S. ¿. el Teorema ANALISIS DE VARIANZA 313 9-5: Bajo la hipótesis H[L). uc = (t>(tA-j)r b.1) (b . * .1 grados de libertad. Teorema 9-6: Bajo la hipótesis ll[. .

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

aunque físicamente cualquier forma puede utilizarse) y asignar cada tratamiento.6. 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. Caso I. esto es l3*= 0 I{:}): No hay interacciones entre tratamientos y bloques. página 306. (a . B. para ganar tanta información como sea posible. Il[r) no puede rechazarse. 9-1 por cuadrados. Por esta razón muchos estadísticos recomiendan que se ensayen I/é'. D. etc.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. Pa¡a üseña¡ tal experimento podríamos dividir el teneno en 4 X 4 = L6 parcelas (indicadas en la Fig.9-l . Completa aleatoriedad. Il[3) puede rechazarse. y l/. Luego podemos ensay4r H.2 Fig. esto es 7¡¡ = 0 Desde un punto de vista práctico debemos primero decidir si puede rechazarse o no I[[3) a un nivel apropiado de significación utilizando la relación . Esto produce una tabla factor dos con valores singulares. Utilizaremos este procedimiento alterno.4. 9.r A B c A C B A c C" Dr Au B6 Cuadrado Compleüa aleatoliedad Bloquee aleato¡ios Cuadrado latino Fis. Supóngase que tenemos un experimento agrícola como en el Ejemplo 9.F' de 3?/S3 de la Tabla 9.cAP. utilizando hs íelaciones F de G?liZ v 3:63 reópectivamente como se muestra enlaTabla9-6. que pueden analiza¡se como en la Tabla 9-5. El procedimiento se ilustra en el Problema 9-tr3.l) + ab(c .j'z) utilizando las relaciones .9-3 grecoJatino Fig. 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. Las diferencias en los factores serían impgrtantes solamente si fueran grandes comparadas con tales interacciones.9-l Fig. 1.los detalles de un experimento deben planearse cuidadosamente con anterioridad. El propósito de la aleatoriedad es la de eliminar varias fuentes de enor tal como fertilidad del suelo.F de 33/0? V GfBi en cambio de esas dadas en la Tabla 9-6.1. Sin embargo. Caso II. y utilizando este valor para remplazar el denominador 3! en el ensayo F. a cuatro bloques escogidos completamente al aza¡. En lo que sigue damos algunos ejemplos importantes de diseño de experimentos. C. indicados por . Esto se denomina a veces como diseíw del experimento.o) y-H<2. esto es oj = 0 I{2): Todas las medias de bloque (columna) son iguales. DISEÑO E)GERIMENTAL Las técnicas de análisis de varianza discutidas anterionnente se emplean despuós de que se han obtenido los resultados de un experimento. En este caso podemos concluir que las interacciones no son muy g¡ánAes. Dos casos poóibles se presentan. 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.1) (b . En este caso podemos concluir que las interacciones son considerabtemente grandes.

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

.4.¡.(c) ?'.cAP. = 't)61't).-!+abEz -* í. : abñ. el ANALISIS DE VARIANZA 317 g.ijk+ñ2\ = i.oi-ziri+ñ2) utilizando el Problema 9. i'k f¡*" . . Verificarque(o) (d) r: úbÍt(b).18 49 50 47 19 .k / r'\2 rl rS/rl-zrJ. (b) la gran media para todos los tratamientos.].utilízandolanotaciónenlapágina307.r-r): i.2(o) en el tercero y último renglones anteriores. riedad de trigo cultivado en un tipo particular de suelo tratado con químicos A.=brj.D6 I ab¡z s-? -4 ab =. Verificar las fórmulas cortas (10)-(12). B. (b) (c) Puesto que 7j.2.3.-¿)t )¿i = i. Utilizar el método largo.2(b) en el tercer renglón y el Problema 9.. La Tabla 9-7 muestra los rendimientos en hl/ha de una cierta va- A B C .j=lk=l 'i ) )'¿r. (c) la va¡iación total.k .k = )rr¡.u ó un -.k abúz )"i = j.k 2r@br\ aü*: )"'n = j. + abú2 i. . o C.k )(rji-zx.r b bI 1. Análogamente = )(¿. -'#(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.. Tenemos página 307.zr>ti. Hallar (c) el rendimiento medio para los diferentes tratamientos.2x)r¡¡ I i.It - 1'b' Tabla 9-? 9. (d) la variación entre tratamientos y (e) la va¡iación dentro de tratamientos.) r:r tenemos K por Ia parte (c).t) = )(¡. )r¡.'*\ u u. )1rc = ))*r* r = abt 9.k .18 49 48 50 49 51 50 .2(o) en el último renglón.

48 y 50 hl/ha para A.4)'. ¿podemos rechazar la hipótesis nula de medias iguales al nivel - 1 : F=$=h = 3 6 - L : 2ya(b .41-B.4)2 + (4- + (2 -3)2 + (4-3)2 + (:J-U + (5-4¡r + (4-4): 3)2 + (3 .26. eon 49.¡.)2 t. (o) ConreferenciaalApéndiceF. = o.5. Con referencia al Problema 9.k = (3.4¡:: * (3 . i. [cAP.@ir-E)2 = (3-4)r + (4-4)x + (6-¿)¿ + (4.4.01? Tenemos con-o Con referencia al hoblema 9.u = 14-8 = 6 (cl.96podemos techazar la hipóüesis nula de medias iguales al nivel 0.1): 3(4-1) : I grados delibertad. (a) (b) ? 3 9.4)2 + (2 . 1 = 4. 4l(4 .05. . -¿).4)2 + (4-4): + (3 .. hallar una estima insesgada de la varianza poblacional oz de (c) la variación entre tratamientos bajo la hipótesis nula de igual medias de hatamiento.4): + (5-4¡: =14 ((l ) Variaciónentretratamientos = tr. = lae+A+3*B) = 5 3. = i(B+4-f b+4+2t. B. 3 0. (b) la variación dentro de tratamientos.05. = ) @¡¡-E¡.4)! + (3 .318 ANALrsrs DE vARTANZA Para simplificar la aritmética podemos restar algún número apropiado.yemosqueF. =. C (b) (c) .g)r + (4.¿): + (4 -4):¿ + (6-4)2 + (5. = b)) (é) Variacióndentrodetratamientos Otro método.5)r + (d--5)! -l (5-5)r + (5-5)r 412 9. Variacióntotal 4 =.conut:2yu2:9.4)2 + (5 -.:l = = r'.Tabla 9-8.95:4. = !4(B+4+ 5+4.4. Por tanto los rendimientos medios.¡. (b) 0. Tabla 9-E e (a) por Las medias de tratamiento (fila) para la Tabla 9-8 vienen dados respectivamente rr.Puesüoque^F :6)F. Entonces obtenemoe los datos de la.. por ejemplo 45.¿. ¡r.: i(4+6+5*5) = respectivamente. de significación del (c) 0. obtenidog al sumar 45 a éstos.6.f B+4+6+b+b¡ = Así la gran media para el conjunto original de datos es 45 * 4 : 49 hl/ha. de todos los datos sin afectar los valoree de las variaciones.

I¿ tabla de aDáli¡is de va¡ianza para loe hoblemss 9.4 ba'i ab 1 i062+t22+202) 0w: (^8\: te. el ANALIS$ DE VARIANZA 319 (b) ConreferenciaalApéndiceF.4.9no podemos techazar la hipótesir nula de medias iguales al nivel 0. .vemoaqueF.n) = : 2oo 6 _ tg2 = E (c) D-Qb:14-8 .O1.?.06-S8t = (b) Los totdes de las filas ¡on 206-rsz = 14 También rl.02. Utilizar las fórmulas cortas (101-(12) para obtener los resultados del Problema 9. = 3+4+6*4 = 16 tz.4-9.a&-6 . Tabla 9-9 Gg=f. .6:8..conur:2!uz:9.2/3 n con 2.=2+4+3*3:12 rt.Pue8toqucF=6(F.9 o(b-1)=(3)(3)=9 gradoe de =14-8=6 libertad 9.= Dentro de t¡ata 0w=0-0b a -63 ^' . (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"?--# : .6 ¡e muestran en la Tabla 9-9.cAP. = 4 +6+5*5 = 20 r = 16+12+20 = 48 Luego D6 1s-.

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

¡r .f)r!-i tÍf -f)): r t. las medias de grupo o muestrales y la gran media.fti'k ¿rr.1 .u-1) = 5(4) rA = I l "u ?'...)rr¡(. lógicamente tampoco la podemos rechazar al'nivel 0.-+(8-7)z = 5): 72 -= J'K )(t. directamente observando que es igual a (7--9):r-(11.-i)z -3(9 ' - 7\2 36 ! 5(7 + 4(8 -- 7)! = 36 .(i -5r2 .18-512: rl¡--5rr .)(r.1456 =ZO I | =.(8 _ 8l: - . Entonces tenemos . Tabla 9-13 Entre tratamientos.(10 8r: I í8 __ 8)r -i rG 8): -1.i = Gran 8 media = 84 1t En esta tabla hemos indicado los totales de fila.r (2 5):r -l.-i. por ejemplg 400. 20 grados de libertad tenemos F .r. u. .9.t0i Muestra 2 Muestra 3 11 409 401 406 408 405 . Es conveniente restar Tabla 9-14 Muestra 1 . Utilizando el método largo.108 406 408 un número apropiado.l-5rr -.. Tabla 9-15 Total Muestra 1 Media 9 7trI 4 27 8 5 2 Muestra 2 Muestra 3 6 25 32 5 10868 .87 ..01 si hay una diferencia en los tres tipos. el Formamosla Tabla 9-13.^.05.ru r También podémos obtener 72 -- 36 .102 410 .2lIl I ab-I=24 I W = tz.ss: 2. . 7):+(11 -?)2+. y obtener la Tabla 9-15. ensayar al nivel de significación del (c) 0.u¡. (b) 0.cAP.01. La Tabla 9-14 muestra la duración en horas de las muestras de tres tipos diferentes de tubos de televisión fabricados por uná compañía.. ?t¡ = 655 tratamientos.". MODIFICACIONES PARA NUMEROS DESIGUALES DE OBSERVACIONES 9. ".. ANALISIS DE VARIANZA 321.)! ¿'.8 (5X4) t: Pata 4. Por tanto no podemos rechazar la hipótesis nula a un nivel 0.-¡.05.

¡=84 = + iL2 + .6 7.10.11. Por tanto ! = n2=5. Tabla 9-16 [cAP. 12.8 6.02.01.322 ANALISIS DE VARIANZA f. Rt=3. Tabla 9-16. e Variación Grados de libertad Media de cuadrados F D¡=36 a-7=2 n-a=9 io.4 uru so'- 18 = 36 G1=?9=4 = 4.=32.9 6. 12t nB=4.2 7. CLASIFICACION DOBLE O EXPERIMENTOS DE DOS FACTORES 9.-. 9.?.7 45 8. n=12. + 62 +8r-Q|2 = 72 a6 = ?t-. F.9 utilizando las fórmulas cortas incluidas en (24).4 7.01 si (a) hay una diferencia significativa en rendimiento por acre debida a los fertilizantes.0 5. La Tabla 9-17 muestra los rendimientos por acre de cuatro go.8 o.05 pero no al nivel 0.5 Enüonces para 2 y 9 grados de übertad hallamos del Apéndice F que F. Soluciona¡ eI Problema 9. (25) V Q6l. 72 t1. como también los totales de columna.2 Calculamos los totales de fila y medias de fila. = 19= 1g 5.8 9.:25.. so:. Utilizando el método lartivadas en Cosecha I Fertilizante A Fertilizante B Fertilizante C u Cosecha III Cosecha IV 6.2 ñ"¡'.os datos pueden resumirse en la tabla de análisis de varianza.(32)2 s-5-4 -W = s6 'l)ú = I-Ub Utilizando estos re¡ultados el análisis de va¡ianza procede como en el Problema 9.9. Por tanto podemos rechaza¡ la hipótesis de medias iguales (esto es. las medias de columna y la gran media. = = 36 (27)2.96 : 4. Tabla 9-1? Cosecha cosechas de plantas diferentes culparcelas tratadas con tres tipos diferentes de fertilizantes. . ensayar al nivel de significación de 0.. I 5. rg. De la Tabla 9-15.(25)2. como se indica en la Tabla 9-18. ninguna diferencia en los tres tipos de tubos) al nivel 0. (b) hay una diferencia significativa en rendimiento por acre debido a las cosechas.26.=27.99 : 8.

4-6.6.6.2 2t. 64 7. Fq.0 Gran total 22.2 .68 u" : Variación de medias de columna con respecto a la gran media = 3[(6.yaque 6.zt gl: 2.8)2 + (?.8 Media de fila 6.0 .2 Fertilizante A Fertilizante B Fertiüzante C Totales de 4.8)2 + (5. (7.7 -6.S12 -'.8)2 + (5.8¡r+ (7.4¡z * (7.podemos rechazar la hipótesis de que las medias de fila son iguales y concluir que al nivel 0.6 ¡'=0"2/i3=0.5 -6.ocz Al nivel de significación de 0.6 .9 columna Medias de 19.3 Gran media 6.8)z] = 2.8)21 = 13.2-6. .6. el ANALISIS DE VARIANZA Tabla 9-18 Cosecha 323 I Cosecha II Cosecha III losecha IV Totales de fila 24.8)2 + (5.86 gl: 3.9 68 5.0-6.:5.9 = = 81.5 18.8 : Variación de medias de fila con respecto a la gran media = 4U6.6 7.4¡z a (6.3-6.2 23.4-6.8)2 + (8.6.8 7. Ya que el valor d'e F correspondiente a las diferencias en las medias de columna ea menot que 1 podemos concluir que no hay difenencia significativa en el rendimiento debido a las cosechas.8 -6.0 33.58 F =G?/C?: a.6.8)2 + (6.7 8.8)2 -1 (9.S¡z a (7.24> 5.05 con 2.14.4 7.5-6.8)2 = 23.8 .6 columna u.6 grados de libertad.7 5.8)2 + (8.05 hay una diferencia significaüiva en el rendimienüo debida a los fstilizantes.5 6.5 6.6.14. : Esto conduce al análisis de varianza en la Thbla 9-19. Entonces.8)2 + (5.7-6.8 .6 5.8)2 + (6.32 U: Va¡iación total (4.6 oi = t.8 9.3 5.08 ue : Variación aleatoria = Lt .2 -6.6.8)2 + (6.9 -6. Tabla 9-19 6.9 .r.0 7.r.2 6.3 .2 8. .cAP.

Los resultados se indican en la Tabla 9-20.05 si hay (c) una diferencia en las máquinas.13.6 : 577. + 24. C. D en la producción de tornillos.88 2. (b) una diferencia en los turnos.6)¿ = 2274.11.9)2 = 1673.96 bj'j.G8 = *>t-"ti = |trozs.6 = (4.8+33. móquina y lurno.2.n¡z (5.10 Entonces s-2 j* tt'r^ 12 ab = vr 1s-r-t' 577. Un productor desea determinar la efectividad de cuatro tipos de máquinas A.88 = = 18.324 ANALISIS DE VARIANZA las fórmulas cortas para obtener los resultados del Problema 9.(23.2)2 (27-O'¡z r. Los días de la semana se pueden considerar conro réplicas o repeticiones del rendimiento de cada máquina para los dos turnos. - 13.2)2 81.24 ¡ (22.08 de acuerdo con el Problema 9. En esta tabla se indican los dos factores principales. 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. Efectuar un análisis de varianza para ensayar al nivel de significación del 0. B.82 11 = = 23.k )"i T a .96 S-z Sro (24.88 ab = 23.68 . 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.rol rt .2)2 ¡ + (33. Nótese que para cada máquina se han indicado dos turnos. e 9..zu 'üc bb4.t2.82 = 6.58 EXPERTMENTOS DE DOS FACTORES CON REPETICION 9. Utlizar Tenemos de la Tabla 9-18 i. . 554.2+23..11.2¡z (19. : lcAP.5)2 + (18.08 = uc Lnezln.S¡z a (6.ut - bb4.

(31)2. (44)2.0-8.4 Para considera¡ los dos factores principales.6 La variación enhe filas üene dada por (zee¡z 40 a' = (54)2 (85)2t' (6.2 . que es una tabla de dos factores con valores simples.4 variación total para la Tabla g-22. concentremos nuestra atención al üotal de los valores de repetición correspondiente a cada combinación de factores.. (32)2.3.-. (38)2 ""--6-5 .6 = 1b0.6 : 66.6 - 1?9b.5 = 1861.(41)2. _124)2.1 = 6. (30)2.S .cAP.6 = 51.5 .0 'tt" = --ñ..b .1 Si reetamos de la variación subtotal u..?_1?e5. viene dada por -. + 72 +L02-W = 1946- 1?95. 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 [. variación debida alasinteroccion¿s entre las filas y columnas. 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+ .1795.6-51.ro ro 10 La va¡iación entre columnas viene dada por (zgq)' 40 = 1846.6 rov = 8.b --5 . Esta viene dada por * u" ) obtenemos la 0i = 0"-D¡.S . la suma de las variaciones entre filas y columnas (u. móquino y turno. Estos se ordenan en la Tabla 9-22. (119)r_eqq\2 ? 40 - _ 180s. ZO - (126\2.0c = 65.¡2912. que llamaremos variación subtotal u".)' + qq -ld.

Puesto que 3 de esos 8e deben a filas y 1 a columna¡. Siguiendo lae reglas de la página 315. Por tanüo los grados de libertad debidos a l¡ va¡iación residual o aleatoria ee 39 7 : 32. hallamos para la va¡iación combinada y grados de libertad combinados u¡* u. Esto esequivalenüe a decir que al nivel 0.entantoquelavarirrcióndebidaalae 2columnastiene 2-L= Estas va¡iacionee se indican en el análisis de varianza.6 + 84. filas y columnas de la Tabla 9-22).F nl: 2. podemos rechaza¡ |a hipótesis flllr ¿" la pógina 315.o Columnas (turnos). Para hallar loe grados de übertad debidos a la interacción obeervamoe que hay 8 valores en la Tabla 9-22. e Finalmente la variación reaidual. 7 (3 + 1): 3. se halla reetando la suma de variaciones füa.65 para el denominador de F en la Tbbla 9-23 no afectan las conclusiones alcanzadas anteriormente. - libertad cottespondientes a cada tipo de variación.06.90 para B. 32 grados de liberüad Fn. Po¡ tanto el total de gtadoe de libertad es 8 I : 7. Entoncee ya que F calcul¡do para lascolumna¡es 8.tr ¿" que lar fila¡ tienen ¡¡sdi¡¡ igualee.. 0c = 8'1 Interacción. Puesto que .326 ANALISIS DE VARIANZA lcAP.4-65.61. que conduce a unava¡ianzacombinadade gL.42. Esto es equivalente a decir que al nivel 0. Aef. . B2 grados de libertad podemos rechazar la hipóüesis ll. I¡iabla también da el número de grados de Tabla 9-23 Filas (mÁquinas).3 y 3 + 32: 36 respectivamenüe. Eeto resulta en a" = Q-(or*o"*o¡l = 7). Al usar este valor en cambio de 2. vemos que F para las fila¡ e¿ 6. eeto es. u¡ = 6.! : Sgradosdelibertad.o" : 150.6 : 84.5 G? = zltt Aleatoda o residual. Si decidimos analizar los resultados combinando las variaciones residual e interacción como lo recomiendan algunos estadísticos. Para l. lo cual indica que la interacción no ee significante. u= 150. no podemos techazt la hipóteeio l/[zt ¿" que las columna¡ tengan medias igualee. la va¡iación subtotal) ¿L U variaóiOn tot¿l u.05 podemos conclui¡ que las-máquinas no son igualmente efectivas. 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). D" = 84'8 Total.SfSe:2.4 Para continuar debemos determinar primero si hay alguna inüeracción significaüiva entre los facüores básicos (es decir. ya que hay 4 filas en la Tabla g-22La variación debida a l¡s fila¡ tiene 4 .16. el reeto. Tabla 9-23.: 4.06 no hay diferencia iignificativa entre turnos. ce debe a interacción.8 : 91.8 1 grado de liberüad. 0' = 51'0 i? = tt. columna e interacción (ee decir. De la Tabla 9-23 vemos que pa¡a interacción F : 0.:6.81?.Ya que hay 40 valores en la üabla original 9-2i el total de gradoe de libertad es 40 1 = 39.

4 -. Un hacendado desea ensaya¡ los efectos de cuatro fertilizantes A. D en el rendimiento de trigo. A este nivel aún no hay interacción apreciable.l cAP. 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. donde los números indican rendimientos en dkl por unidad de área.01 no hay diferencia significativa en los turnos.06 ..Ia variación üotal y las va¡i¡ciones para filas.19 (2eS1z - 5439.51 para 1.4 .75 . CUADRADOS LATINOS Tabla 9-24 9.01 las máquinas no 6on igualmente efectivas. B. Efectuar un análisis de varianza para determinar si hay una diferencia significativa entre los fertilizantes a niveles de significación de (c) 0.r. C. podemos concluir que aún al nivel 0. de modo que podemos proceder más al.49. Solucionar el Problema 9.5439. 32 grados oe libertad y puesto que F para filas es 6.15.At-ril. También obtenemos el total de rendimientos para cada uno de loe fertilizantes como g€ muestra en la Tabla 9-26.e0 = 7.47 para 3.94 Variación entre filas . = T*ry*ry 5723.25 + ry . 4 : 5443.' + (10¡z * (lT2 -@5Y 16 5769 - 6439.05 y (b) 0.26 A B 48 At5 c23 BLO 73 C 85 D 92 B15 420 D2r 74 TOTAL 70 296 c22 TOTALES 77 At7 7l 295 himero obtenemos toüales para filas y columnas como 8e indica en la Tbbla 9-26. columnas y üratamientos se obtienen común y corrienüe. 29.06 = 4.14. 32 grados de libertad y puesto que F para columnas es 3. el ANALISIS DE VARIANZA 327 9. concluimos que al nivel 0.05.06 : 329. Ya que F .25 *9'{ -(fftr = 284.t: 4. Ya que ¡'. Hdlamos Va¡iacióntotal : o= (18)? + (21)2 + (25)2+'. 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 9-24.69 16 variaciónenrretratamienros = .lá.01.13 si se utiliza el nivel 0.1)¡ ff +ff + ff -5468.01.19 - 5439.06 : va¡iación entre (77\2 (74\2 (78\2 (71\2 columru lS=?rc= 4 .

F para tratamientos es 4?. Puesto que se incluye igual número (cuatro) de gasolinas. i I}¡ 9. autos y caminos podemos emplear un cuadrado grecolotino. 4. Sin embargo.r.16.01. Así cada conductor tendrá la oportunidad de conducir a lo largo de cada uno de los caminos. 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).05.05 hay diferencia en la fertilidad del suelo de una fila a orra. C. p.. C.328 ANALISIS DE VARIANZA El análisis de va¡ianza s€ muestra en la Tabla 9-27. D aleatoriamente a filas y columnas. . debemosconcluirquehay una diferencia entre fertilizantes al nivel 0. 7. B. Un aneglo posible es el dado en la Tabla 9-28.9 > 4. Suponga que en el desarrollo del expeúmento del Problema 9-16 el número de kilómetros por galón es el dado en la Tabla 9-29. Diseñar un experimento utilizando cuatro conductores. Ya que el valor de. e Filas.17.76.19 Residuales. 4.lJtiliza¡ el análisis de varianza para determinar si hay alguna diferencia significativa al nivel 0. CUADRADOS GRECO. D. 6.. podemos concluir que hay diferencia entre fertilizantes. como se indica en la Tabla 9-28. 29. cuatro autos y cuatro caminos diferentes. Tabla 9-2? lcAP. 11. denotados por o. podemos aceptar la hipótesis que no hay diferencia enla fertilidad del suelo en las filas (o las columnas) al nivel de significación del 0.19 Columnas. Asignamos aleatoriamente los cuatro caminos que van a emplearse. de modo que cada letra apatezca solamente una vez en cada fila y solamente una vez en cada columna.78.76.05Ia hipótesis de que hay medias de fila iguales.¡.o :4.0 : 9. 284. B. Tabla 9-28 CONDUCTORES 1234 B. (b) Ya que Fgo. Es de interés determinar si hay alguna diferencia en el kilometraje por galón entre las gasolinas A. Supóngase que los diferentes autos se representan por las filas y los diferentes conduetores por las columnas. Puesto que el valor F para columnas es menor que 1. sujetos a los mismos requisitos impuestos a las letras latinas.69 Tlatamientos. Se deduce que al nivel 0. LATTNOS 9. concluimos que no hay diferencia en la fertilidad del suelo en las columnas.01. rechazamos al nivel 0.' I A.8? (o) Puesto que F er. Asignamos las diferentes gasolinas A. conductores.

-1--4(n-1)=(n-lXn-3). 7. Las filas.50 4244-4096 = 148.Ennueetro . (81)2 .60 I 4096 6. (63)2 .Portantolosgradosdelibertadparaelerroresn2 caso n f.4-T 4 . (61)2 . (68)2 4 .60 - 4096 = = 16. Filas: a----l---4 (64)2 .50 - 7.50 La variación total ee (1S¡z * (le¡z + "' + (16)2 + (2s\2 -e66\2 =' 'I | \-vt 16 16. 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. columnaE.00 deliberüad.1 para un cuadrado de n X n. (62\2 -.00 de modo que la variación debida al e¡ror e¡ 148. 16+11 +11+ L4 = Dtotal: 14+16+16+16 = ctotal: 14+18+15+14 = /3 total: 16 + 16 + 2l + 15 = ytotal: 19+16+11+16 = Stotal: 15+11+16+23 = (65)2 62 81 62 61 61 68 62 66 Entonces calculamos ¡ug va¡iaciones conespondientes. 4 - (70)2 (256\2 16 Q6A)z 16 QAA¡z = 4112. E número total de gados de übertad es n2 .cAP. (61)2 4-4-4-4-16 4102. utilizando el método corto.6o-40e6 = ?.60 ry*ff+ff+ry-ry 4 (16)'z = 4ros.4 . ó) Ga¡olinas: (62)2 4267.os resultados se mueshan en el análi¡i¡ de varianza.60 = 6. Tabla 9-31. el ANALISIS DE VARIANZA 329 Prirpero obtenemos totdes fila y columna como ¡e indica en la Tabla 9-30.00 - 6-50 - 11r. B. Dl Caminos: (o' P. C. como eigue: Atotal: 15+16+15+16 = Btotal: 19+18+2I+ 23 = Ototal: .60 Columnas: . (59)2 . (52)2 .60 -4096 = 111. leüras laüinas y letras griegas cada una tienern 1 grados : 4.

D). 5u.s : 29. Capítulo 5.19.50 2. Demostrar que > oj = 0 [(15). Se deduce que t=L )¡t* )"t j:r ' donde hemos utilizado la definición p )a.. 6.tz = b j=r |Lo rEr' " ' ) = ¿!s? j=1 d.} .*-i.05 pero no al nivel 0. Derivar (c) la ecuación (17). El tratamiento medias de la población viene dado por p¡ Por tanto ac = 9.-¡b-l ¡ es la varianza muestral para el tratamiento jr como que el tamaño de la muestra es b.r.50 Caminos (o' É' 7.a:9.5.26 Tenemos F. Entonces.500 :?*33=t.18. = F* e¡. (o) Poi definición tenemos v. ya E(v.s..so.60 Gasolinas.330 ANATISIS DE VARIANZA Tabla 9-31 lcAP.01. (b) la ecuación (I6). Por tanto podemos rqchazar lahipótesisdequelasgasolinasson igualee al nivel 0.or. e Columnas (conductores). 111. donde Sf é define por (15). de Ia página 308.3u*3" = op+\'¡ t=L i=l !:t' = (2p)/a. PROBLEMAS DIVERSOS 9.". (4.= . B.C. = 9. J=r - =. b 3 (¿'-1"'\ -i---t\ b / = a(b .-*.¡z > + ) (x.) = bj¿E(Si) utilizando (I6) del Capftulo 5.. 6).l)oz - .28 V F. 7. página 308].

01? Si existe alguna variación debida a las repeticionee se incluye en lo que ae llama el ertor re¡idual o aleatorio.2 9. tenemos dd Teoreme 6-4.. en (I ) tenemos E(va) = b>[+*(¡.\12 lBlx¡12 E(xil : E(Xz) = Var (Í) + Pero ya que las poblaciones de traüamiento son normales.8.) (d) (7) E(Xj. ¡úgina 161. omitiendo el fndice de la euma. üenemos E(val = b>86?) var(i¡. el ANALISIS DE VARIANZA Por 331 (b) definición vt' = a ) 1*r.) + a. los diferentes días de la semana. página 158: ( tr) var (5) =r Var(X) = # E(X) = p (i¡. = 84.cAP.t) X = ( )It. Demostt'ar el Teorema $1.1 gradoe de libotad.bgQ7z) Entoncee para cualquier variable aleaüoria U. . obteniendo u" .P = (a-l)o2 * abp2 + zbp> ".) / \ // /\/ ' = b>*?.13 supusimos que no existían diferencias significativas en las repeticiones.+*i):-l -"ufLab J !+rr) " '' ) -LD aoz * b ) (p+ a¡)2 - o2 - s'b. 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. (b) 0. E(U2) = Var (U) + lE(U)12.21. + > al - ob¡P (c--t)62 * b ) a. Entonceo. Como ¡e indica en el Problema 9..20. Por el Teorema 5-6. que V-/o2 tiene dishibución chi-cuaüado cón o(b - 1) 9.05. En el Problema 9. más el reeulüado dd hoblema 9.19(o).18.Enloncex. con medias ¡t¡ y varianza común 02. página 309. bSJ/o2 tiene drado con b .-x¡z t=r aa a o = b>*i-2bx)x.-ab*z j=1 a. esto es.+auxz l=r t=L ya que (f) (21 (. ¿Podemos sostener esta conclusión al nivel de signifi cación del (c) 0.) = pj = p+ai Utilizando los resultsdos (2>(7). puesto que las varianza¡ S! bn indep el Teorema 4-4. en la Tabla 9-23. P¡ra hallar la variación debida a larepeticiónutilizamoslostoüalegdecolumna cn la Thbla 9-21.p6gitn 116. Por tanto lv(x.

767 | -=0.. 0' = 0c 51'0 Columnas (turnos).827 = 73. denota la media de valores en la clase C cuando A¡ y B:p se maitienen fijos. .06 (y por tanto al nivel 0. Las otras variaciones son las mismas a las de la Tabla 9-23.. Sigñificados análógos se dan a E¡ ¡ ! r .4 De la tabla vemos que el F calculado para repeticiones es 1.22.4 3 Aleatoria o residual a'" | 2.EIvalorenA¡. es la media de valores para las clases Il y C cuando Ar es constante. I-a variación residual después de restar la variación debida a la repetición ea ue : 84.. T. La tabla final de análisis de varianza.6 = 11.8¡r. los días de la semana no eon significativos.rpor denota la gran media.k. Las siete variaciones en las que se puede dividir (1 ) vienen dadas por u = DA+ürJ+uc lTIAB *. e 1t=-+'re¡ (57\2 g (51)2 g ..C". 8r.2g grados de libertad.18.t 2 @¡rt- ú)z que puede dividirse en siete variaciones.4)2 . sedenotaporxjkl.. Tabla 9. . es la Tabla 9-32.ú¡n< .01) debi- da a las repeticiones. denotadospor ejemplo.0g. Ias conclusiones reliacionando máquinas y turnos son las mismas a las obtenida¡ en el Problema 9. Suponemos que la clasificación se hace en A grupos. = 8'1 Repeticiones (días de la semana).4.4 Puesto que hay 5 repeticiones. es decir. el número de grados de libertad asociados con esta variación es b 1 : 4. 9. l---g 6.7! parz 4. El valor f. podetnos concluir que no hay variación significativa al nivel de 0. teniendo en cuenta las repeticiones. denotados pot 41.. Estas variaciones son entre clases del mismo tipo y entre clases de diferentes tipos (inúerccciones).. Finalmente d Existirá una uarioción total dada por (l) 1) = t.32 Filas (máquinas).C{luposdenotadosporC¡. C.332 ANALISIS DE VARIANZA [cAP. Reproduzca la tabla de análisis de varianza a emplearse en tal caso. (47)2 (50¡z -. Ao) Barupos. o. como se indica en la Tabla 9-33.86. .*ucA-. . Pero ya que Fe5: 2.¡r."o = 11.1795.. Describir cómo se pueden utilizar las técnicas de análisis de varianza para clasificación triple o experimentos con los tres factores (con factores simples). g - (268)2 40 = 1807 .Elvalorú¡¡.u¡6. La interacción entre todas las clases se denomina como antes la uariación aleotoria o residuol..8 114: ?8..

.t .ñ.Bc b-r. Suponiendo que las parcelas eon de fertilidad semejante y que las variedades se asignan aleatoriamente a las parcelas.ñ.rlos CLASIFICACION STMPLE O EXPERIMENTOS DE UN FACTOR Tabla 9-34 A B C 9.34.kc (b - 1)(c - 1).n. Q¡n rB = = .c)i.Bzcl.+ ¿. (o 1)(b 1)(c 1) gl 1) ¡ A.BC gl 0¡s (entre grupos AvB) (o-1)(b-1) (b-lXc-1) (o - 1)(b - L).+ i)\2 E)2 aABc = .A^o 8ó^tsA.Bc -1) 3.23." = uesc (o-l)(ü-lXc-1) Probletna.* ñ. Dc ñ\2 : ab 2 @...4ñ s gl t. variedad y los rendimientos (en hl/ha) son los mostrados en la Tabla 9. el donde U¡ ANALISIS DE VARIANZA 333 - .(a-1Xb-lXc-1) AÓ.J- er" (ñ¡¡1.. (a.s suplernerirta.05.ri.'uc c-1.1Xó - l)(c - 1) gl os (entre grupos B) ó-1 c Ao og s "B .% (c 1)(a 1). ? (E¡.+ 0nc = ".ñ j*.t.c .ú.01. (b) 0.r+ ñ)z !ct = b > (ñ¡t.c (entre grupos C) -'l Añ "c . B.. (fr.új.ñ...(a-1)(b-1Xc-1) Añ.tt+ ñt."" a a-l - 7.r.. C. Se efectúa un experimento para determinar el rendimiento de 5 variedades de trigo A.2r@i*t.ó I Dg n rA^ Ét s^...cAP. ce' ) (¿.BlSA.4ñ sA.k. (a - 1Xó - 1)(c - 1) gl trac (entre gru- posByC) o¿ =o=ffi= (c-1X¿-1) acA . 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 .n\r. D.rTabla 9-3$ Media de cuadrados r¡ Ao -q¿=-A o-l Varíación o¿ (entre grupos A) Grados de libertad F ?1. (o - 1)(b - 1)(c - 1) sl u¿ (entre gr¡r- posCyA) (entre grupos (c - 1)(o .- ñ¡. E.k.ñ. .. determinar si hay una diferencia significativa en rendimientos a los niveles de significación del (a) 0.I ót s.-.¿).ByC) u (total) (o-1)(ó-l)(c-1) abc-7 9?.rt.

(b) entre máquinas.a 9-38. 9. (b) 0.334 ANALISIS DE VARTANZA [cAP. para el caso en que los 4úmeror de oba¿rvaciones dean CLASIFICACTON DOBLE O EXPERIMENTOS DE DOS FACTOBES 9. I'z duración de log neum6ticor. Durante un semestre un estudiante obtuvo las calificaciones indicadas en Ia Tabl. página 311. II.01 si hay diferencia en lo¡ neumáticos. Para lleva¡lo a cabo. determinada de sus fibras.24. Luego se da el mismo examen a todoe los estudiantes y oe obtienen las calificacionee indicadae en la Tabla 9-36.06. [.30. II1. Un profesor desea eneayar treg métodos de en¡eñanza I. loa resultados se dan en la Tabla 9-39. donde cada tipo ¡e ha tratado en 6 automóviles semejantes asignando los neumÁtico¡ aleatoriamente. y a cada grupo se le enseña por un método diferente.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. B. prÁgina 311. (25) V Q6). Se efectúa un erperimento para determinar el número de artículos diarios producidoe por cada operario utilizando cada una de lac máquinas. Dar la informaci6n deseada utilizando un nivel de oignifi' cación del 0. página 310.06. C. El fabricante desea determinar ei hay una düerencia (o) entre operarior.29. Ensayar a loe niveles (o) 0.01 si hay una diferencia significativa en los métodos de enseñanza.05. e 9.26. diferentes.05. Tabla 9. (b) 0.01 si hay alguna diferencia significativa en las marcas.28. 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) 0.25. 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 .06. D.O1 si hay una diierencia significativa en sus calificaciones entre Ssas asignaturas. Demo¡tra¡ el resultado (30). 9. 9. A 33 B 32 c 31 D 29 38 40 37 34 36 42 35 32 40 38 33 30 31 30 34 33 36 34 80 31 Método I III 76 62 7t 68 81 7g 90 81 Método tr Método 86 68 92 73 79 60 76 MODIFICACIONES PARA NUMEROS DESIGUALES DE OBSERVACTONES 9. Demostra¡ la¡ fórmulas cortae (3I fl34). Ensayar a loe niveleg de (o) 0. Ensayar al nivel de (o) 0. Demostrar los resultadoe (24).27.81. tres grupos de 5 estudiantes se escogen aleatoriamente.os a¡tículo¡ fabricados por una compañfa se producen por 3 operarios utilizando 3 máquinas diferente¡. (b) 0.85 Tabla 9-86 9. Tabla 9-37 I\[atca. (D) O. vienen dadas (en miles de millae) en l¡ Tabla 9-36. Una compañfa deeea ensayar 4 tipos de neumáticoe A.

Tabla 9'4O TIPOS DE MAIZ bloque te a los hl/ha.33. el ANALISIS DE VARIANZA 335 g.26 el primer valor para cada método de enseñanza corresponde a un estudiante de un plantel especffico.40 utilizando un 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.06 si hay diferrencia en (o) los tipos de neumáticos. Solucionar el hoblema 9. Suponer que el experimentg del hoblema 9.34.01. el segundo a un estudiante de otro planüel. c Semill¡s de 5 tipos de mafz ee siembran en 5 bloques' Cada ue se asignan 0. Determinar al nivel de 0.05 ¡i lo¡ rendirnienüos en bla 9-40. B C 16 18 20 15 L7 16 2l 19 18 23 19 2l 23 20 D 9.01. roy"t al nivel de 0.05 si hay diferencias signifiéativas en (c) loe operarios.36. (b) la localización. 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 .38 al nivel 0.12.g6. Solucionar el Problema 9-31 utilizando el nivel de significación del 0. Suponer que en el Prpblema g. (b ) en los planteles. (b) las diferencias en el tipo de maí2. dUrante díae diferentee. Soluoiona¡ el Problema 9.23 se lleva a cabo en el suroes' te de un pale y que las columnas de la Tabla 9-34 indican 4 tipoc diferentes de fertilizante.05. Tabla 9-41 9. 9. Suponer que en el Problema 9. (b) las clases de automóviles. Analizar el ex' pelinojo rubio Alto Mediano Pequeño 76 81 73 78 76 castaño 80 79 perimento al nivel de 0. varfan significati- aleatoriamen' 5 . los bloques).06 de que hay diferencia en (a ) d método de en¡eñanza.06 ¡i hay una diferencia en (o) lor ferüilizantes.40. Solucionar el hoblema 9.41.8?.01. doñde los números in' dican 10 en el tope de los graduados. 9.33 utilizando el nivel de significación del 0'01.cAP. ts Tabla 9-43 da el número de artículos produeidos por 4 operarios diferentes trabajando en dos tipoe de máquinas. / y II. Ensayar al nivel 0. EXPERIMENTOS DE DOS FACTORES CON BEPETICION T¡bla 9-42 A 9.38. Solucionar el hoblema 9. Ios réeultados se dan en la Tabla 9'41. SLOQUpS C D E IIIUIIV t2 15 15 19 L4 18 11 16 16 l7 10 t2 16 L2 11 14 11 12 16. (b) las máquinas. g. la eegunda observación empleando una segunda clase especffica.39.01. Ensayqr la hipótesis al nivel 0. lo 77 9. 9.24ltprirnera observación para cada tipo de neumático se hace empleando una claee espeiífica de automóvil.g2. \4 9. E 18 22 2L l7 18 24 g. y así sucesivamente. a ^ B {amente con (o) las diferencias del terreno (esdecir.3ó r¡tilizando el nivel de significación del 0. y así sucesiva-E mente. en tanto que en un experimento semejante efectuado en el oe¡te da los resultados en la Tabla 9'42.

donde lo¡ números indican rendimiento de maÍz por unidail de á¡ea. c16 9. Con referencia al Problema 9. T3 T4 c6 t7l D. Sz S¡. eetableciendo cualquier conclueión a que pueda llegarse.43. eetableciendo cualquier conclusión a que pueda llegaree. É. q D. Centro. t¡ Tabla 9-48 contiene los datos sobre el moho acumulado en hierro tratado con químicos A.a diferencias en (o) ertatura. 9. Wt. e 9. B. respectivamente. B o C.1. B. Tr AB 164 c2 Bf 181 c3 ca Ay 193 193 207 166 c4 D6 160 T.49 105 103 118 A B 3544 4233 6465 Lt2 10? 90 115 c 108 lr2 93 104 96 L02 .43 utilizando un nivel 0.01 si hay una diferencia significativa en los tratamientoc.4? c. miden las fortaleza¡ de los cable¡. Efectua¡ un análisiÉ de varianza al nivel Q. Wc y 4 especies d-iferentes . como se muestra en la Tabla g-46.05. Determinar al nivel (o) 0. B7 At4 Tabla 9-4ó c12 adicironal dando la sección donde naci6 el estudiante Eete.Cz. Para producir un tipo superior de alimenüo pnra pollos. D usando cuatro máquinas diferentes.05.6 . C. y de variaciones del teneno en dos direcciones perpendiculares. 9. Tabla 9-4t Alto Pequeño Mediano 110 95 Tabl¡ 9. St. (ó) 0. (D) lae variaciones del terreno. El aumento en peso por unidad de tiempo 6e da en el cuadrado greco-latino de la Tabla 9-46.46.44. W¡ . Soluciona¡ el hoblema 9. C. (c) lugar de nacimiento. Se obtiene el cuadrado latino. Det¿rmina¡ a un nivel de 0. Cuatrotiposdecable?¡.44. Oes: te.47. T¡¡ fq¡talezas promedio obtenidas se dan en el cuadrado greco-latino de la Tabla 9-4?. 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.Tc.38 euponer que introducimos un factor 876 c81 o73 Tabla 9-46 o78 E'76 c80 o79 c76 877 w4 CUADRADOS GRECO.336 CUADRADOS LATINOS ANALTSIS DE VARIANZA IcAP.as cantidades diferentes del primer compuecto se indican por A. Tabla 9. 7.C1 .48. ?a sefabricanporcadaunadecuatrocompañfas. o.LATINOS wr ^S.Tz. . [. (b) colo¡ de pelo. Ca. Tabla 9. Wz.Cuatro operarior A. B.r 198 D. L62 BB L45 cB 2t2 A6 112 86 Do An 188 Bq 167 c7 136 PROBLEMAS DIVERSOS 9. BoG Dy l0 Ap8 c6 10 cialee. 4 cantidades diferentes de dos compuestoc químicos se agregan a los ingredientes bási co¡.05.05.01 de que no hay diferenci¿ en (o) los fertilizanSe C8 At4 D10 Á10 c12 BL4 D16 D12 B11 811 Dt5 Á10 tee.S4 Sr.Ct. D y las del cegundo por ü. 6.45. w2 BB6 Dog ws Ao5 9. Tabla 9-44 efectúa un experimento para ensayar el efecto sobre el rendiniiento de 4 tratamientoe de fertilizanües A. Efectu¡r un análisis de la varianza del experimento al nivel de significación del 0. Ensayar la hipótesis a un nivel del 0.05 ¡i hay una diferencia significaüiva en rendimiento académico de los e¡rudiantes debida.

Norte y centro 80 ¡D 79 g.05 si hay diferencias debido a (o) los químicos. relativo a diferencia de estaturas. Los resultados se indican en la Tabla 9-49.60. (b) I.ó6. página 309. Demostrar el Teorema 9-3. Suponer que los resultados en la Tabla 9-48 del Problema 9-48 son válidos para el noroeste. Tabla 9-51 Alto 9.cAP.Q. Se realiza un examen para determinar si los veteranos o los no veteranos de diferentes I.40 suponer que un experimento adicional realizado en el noroeste produce los resultados de Ia Tabla 9-53.Q. (3) y ( ). Demostra¡ (o) la ecuación (37). rinden mejor' Los puntajes obtenidos se muestran en la Thbla 9-50. ¿puede determinar si hay una diferencia significativa en el número de artículos producidos en los diferentes días de la semana? Explicar.01 si hay alguna diferencia significativa en los I.Q. Solucionar el Problema 9. página 372.Q. Con referencia a los Problemas 9.50. 9.01.52 utilizando un nivel 0'01.51. (b) 0.5E. de estudiantes adultos de estaturas altas. 9.05 si hay una diferencia en los puntajes debido a diferencias en (o) el estado veterano. Bajo I. 9. (b) los tres lugares.05. Analizar la tabla al nivel de 0. página 309. página 312. 70 En el Problema 9-42. 9. Determinar al nivel (o) 0.5?.Q.62.54 al nivel 0.4g. Este Oeste Sur 88 84 86 Medio 80 78 82 Bajo 72 ¿o 9. Solucionar el koblema 9. el ANALISIS DE VARIANZA 337 g. Un experimento mide el L Q.54.Q. (b) la localización. . Veterano No veterano 90 85 Medio ril 78 I.05 si hay diferencia en (o) fertilizantes. página 312.53. t¿ Tabla 9-51 muestra los puntajes para una muestra de estudiantes universitarios de diferentes partes del país con diferentes I. en tanto que los resultados correspondientes para el oeste se dan en la Tabla 9-52. 9.61. Ensayar al nivel 0. medias y pequeñas. Demostrar el Teorema 9-2. Demostrar (o)la ecuación (39). ¿Es ésto cierto si cada valor se multiplica o divide por una constante apro' piada? Justificar su resPuesta. (b)la ecuación@0). Derivar los resultados 9. 70 9.62. En los cálculos de análisis de varianza se sabe que puede sumarse o restarse una constante apropiada dp cada valor sin afectar las conclusiones.55.Q' 9.59. Tabla 9-50 Alto I.23 y 9. (b) la ecuación (38). 9. 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. Determinar eI nivel de 0.05 y establecer sus conclusiones. Determina¡ al nivel de 0.

63.13? Justificar sus conclusione¡. es decir.69.66. e 9. Efectua¡ un análisis de va4ianza en el cu¿drado latino de la Tabla 9-64 a un nivel 0. 9. 9. 2X 2? (D) ¿un cuadrado greco-latino de 3 X 3? .338 ANALISIS DE VARTANZA Solucion¡¡ el hoblema 9. De¡cribir cómo emplear las técnica¡ de análisi¡ de varianza para experimentos de tres factore¡ con repetición.01.65. Suponer que en el hobleme 9.06 y establecer conclusione8.7 16 D66 Br7 Haga el montaje de un experimento que conduzca al cuadrado greco-latino de la Tbbla 9-55.64.71.05 y eetablecer conclusiones.68. Haga el montai dc un erpcrimenüo que conduzca al cuadrado latino Tabl¡ 9-64 FACTOR 1 de la Tabla 9-54. 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. las repeticionec. 9. 9. En ln práctica.67.62 utilizando un niyol 0. 816 FACTOB 2 c2r 823 416 AL8 ct4 Bt2 ct5 l á18 9. ¿es¡rer¡rf¡ encont¡ar un (o) curdrado latino de Explicar. Efectuar un análisig de va¡ianza en el cuadrado greco-latino de la Tabla 9-65 a un nivel 0.69. lcAP. 9. Montar y solucionar un problema que iluetre el procedimiento en el Problema 9. 0. 9.21 hallamos una diferencia significaüiva en los días de la semana. ¿Deberíen modific¡r¡e la¡ conclu¡iones obtenidas en el hoblema 9.

Apéndices .

.

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

a ¿)0 . nr(n) (2) f (i) : 1. n). ¿-o" cos br d.f'r^-'1t-u)n-t¿u olg m) 0. función factoriat. entonces r(n+l) = nr.Í. denotada por B(m. Í.yffin"¿-" (d) donde el signo . m) -L a)O 12. una buena aproximación para n! viene dada por n7 LA FUNCION BETA = 1finnne-n (7) La función beta. Si n es un entero positivo. (4) da "(l) = u" Para valores grandes de n tenem os la fórmula asintótica de (5) r(n +1) . e-o'" cosbr d. a)0 -/m + l\ ¡m¿-orzfu='\ 2 I zL<m+r)/2 11.n) .indica que la relación de los dos lados tiende a 1 cuando n -+ @. Por esta taz6n ción gamma es que (8) l(n) se cohoce como la.' a)0.342 La fórmula de recurrencio viene dada por APENDICE A f(ra+l) = donde (2).' Í.r = L#"-b2/4o = a+E 13. Una propiedad importante de la fun- r(P)r(1 -P) Parap : *. n) 0 (8) Está relacionada a la función gamma por B(m.n) INTEGRALES ESPECIALES - (e) Las siguientes son algunas integrales que se presentan en probabilidad y estadística. En el caso de que n sea un entero positivo grande. stirling: (4) : ll2. Una extensión de la función gamma para n ( 0 puede obtenerse por el empleo de . se define como B(m.fu.

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

0088 .237r .266I .3605 .3 DA .0003 .0126 .0005 .0086 .3961 .0003 .0044 .0989 .225I .0 1.010? .0208 .0007 .0003 .0036 .3982 .2732 .2036 .3166 .0422 .3503 .3712 .0290 .0016 .0198 .3144 I .3790 .1626 .3011 .2920 .3965 .0013 .8 I.0761 .0005 .2685 .0001 344 .3209 .0009 .3925 .9 .0018 .0002 .0129 .8 2.0005 .0073 .22i5 .2513 .3902 .1 .3778 .0 .0029 .0061 .3079 .140 .3429 .3391 .0224 .12 .0551 1.3589 .3292 .0002 .0067 .3932 .0020 .0006 .0010 .0116 .0002 3.3 IA .07.6 o.0363 .1781 .0004 .0355 .0056 2.0775 .10?4 .r1f)7 691 .0132 .0957 .0508 . ¡ .4 0.3034 .0001 .327L .0009 .2827 .1965 .1057 .3939 .1736 .0006 .0063 .1040 .0973 .0002 .00r1 .Dl éo .0110 .3230 .0297 .0004 .2 .0058 .3989 .2709 .0203 .3847 .0096 .6 ¿.1895 .0051 .0005 .2t55 .0540 .0151 .5 3.1 561 604 .0012 .058.3101 .381 4 .0270 .3984 .0.0573 .0804 .3683 .0016 .0005 .2613 .0084 .0431 .0003 .2227 .3572 .39?3 .1127 .3332 .0075 .01.0038 .6 2.0003 .3372 .0025 .0669 .3352 .0246 .3 0.0002 .0004 .3752 .0681 .0i21 .0632 .3187 .1 .1354 1.l lJf]4 .0071 .0004 .0003 .0119 .0004 .0498 200 .0379 .1582 .0 3.0046 .3725 .0413 .0008 .0091 .0040 .0093 .0r 36 .2072 .24!r2 .8 0.72i6 .0002 .3980 .1006 .0258 .3986 .1 804 .0025 .2444 .0048 .3945 .0019 .0189 .0925 .0007 .0005 .3802 .1.0002 .0002 .0122 .2396 .0468 .0031 3.0008 .0332 .28i1 .0229 .1182 .13 .0002 .1872 .0055 .0027 .0459 .r023 .0026 .1315 .1826 .0030 -0022 .1 .0235 .1758 .2516 .3668 .o024 .0ri56 .0008 .1 tQ .9 3.1334 .3885 .0053 .0002 .1415 38 .1849 .1219 .1 .2589 .0529 .3857 .0171 .1771 .óooó .0283 .0060 .3251 .06{4 .0241 .2t31 .0833 .0009 .6 l.8 3.3989 .0734 .3485 .2083 .0002 .2317 .1669 .3970 .0006 0004 .0184 .3555 .Apéndice B Ordenadas (E) de la curva normal t ipif icada enz 0 I .9 2.0863 .0519 2.0022 .2850 .0050 .1 7.1539 .0069 .0878 .0940 .3876 .u077 .1.2 3.1 109 092 1.5 0.156 .2756 .1919 .16'17 .3836 .0014 .0013 .0032 .3538 .l 2.0034 .0596 .7 2.3988 .0099 .0180 .0139 .9 .0387 .1989 .0 0.2t07 .3621 .I942 .1 .0020 .0007 .0404 .0310 .002I .0006 .0848 .8 .2966 .0154 .0213 .3894 .5 2.00I7 .0010 .2780 .2 1.0015 .3951 .0325 .0003 .2295 .0562 .0008 .0101 .0042 .0104 .3910 .0012 .2203 .0010 .0818 .7257 .0012 .2323 .oI47 .0371 .0023 .1435 .2637 .0396 .0036 .3521 .24G8 .0011 .3956 .0317 .0252 .0028 .0488 .0478 .254r .0113 .r295 .3467 .0047 .1518 .0043 .5 1.1 0.0004 .0893 .l 163 .0707 .0033 .3056 .7 0.0081 .0002 .3989 .3448 .0037 .0002 .3410 .0194 .0158 .0065 .2420 .331 2 3 4 D 6 7 8 o 0.1145 .0079 .0015 .2803 .0167 .0303 .3739 .3637 .0694 .1 .0339 oe OA .3867 .0264 .2 0.0790 .0620 .¡ 3.2989 .2565 .0003 .0277 .:1825 .0018 .0017 .2897 .0014 .000? .3918 .01?5 .2059 .0909 .r374 .3?65 .016:l .0219 .3697 .034? .0449 .0003 .0039 .3977 .0608 .

4955 .43?0 .4992 .0754 .4995 .1 .1064 .4993 .4999 .3272 .0478 .4463 .0239 .4969 .3340 .2088 .0 2.4936 .4904 .1960 .3051 .4977 .4981 .4 .4994 .5 0.4925 .4345 .4982 .4986 .4998 .3531 .0359 .3078 .4773 .4732 .4961 .4916 .2910 .4997 .3944 .2019 .3389 .4896 .4452 .4656 .5000 .2764 .4319 .4997 .4495 .2190 .4999 .4909 .3554 .0871 .1?00 .0948 .3599 .4997 .4940 .7 3.6000 .9 346 .6000 3.4929 .1985 .3170 .4999 .3997 .2 D') 2.4984 .4382 .8 .4207 .4984 .4591 .1ts26 .4898 .4846 .1517 .5000 3.0636 .4911 .4998 .4998 .9 1.)( 2.4997 .3365 .4738 .4999 .4968 .3508 .4131 .4999 .4963 4973 .2996 .4834 .4993 .4999 .3129 .487L .4726 .0319 .L265 .4265 .5000 .5000 .3708 .4990 .25t8 .4778 .48(.44t8 .4664 .4991 .1 1 2 3 4 6 6 7 8 I .6 0.4997 .3577 .1480 .4976 .4032 .1628 .3186 .4964 .2823 .0398 .4987 .4997 .4979 .4999 .4993 .4998 .476t .4953 .4998 .4978 .4999 .4931 2.4117 .4946 .4992 .1664 .1141 .4999 .2t23 .4999 .3980 .4982 .4995 .485? .1808 .0696 .8 1.4999 .2357 .4991 .4918 .() 3.4115 .4706 .229r .4989 .4999 .7 2.4830 .4998 .4719 .2 0.45L5 .4948 .1 .4979 .4989 .4332 .4999 .4767 .4999 .4941 .0438 .3289 .1331 .4756 .4920 .8 3.1293 .1179 .4951 .4750 .4545 :4633 .4306 .4988 .4998 .4992 .4990 .4967 .4956 .3686 .3485 .4505 .4015 .4997 .4854 .497L .4564 .0279 .2549 .4686 .1L62 .4999 .2881 .1879 .0987 .2673 .4986 .0517 .1103 .4998 .4998 .4995 .4875 .1772 .3438 .4998 .4842 .7 0.4980 .3 1.4999 .2454 .4554 .4236 .3926 .4099 r.467L .4999 .4995 .3315 .4838 .4922 .0 0.4974 .4994 .3 0.4884 .4938 .4997 .066? .3962 .1368 .4997 .6 L.4994 .4599 .4803 .4999 .4821 .0040 .2794 .4996 .4988 .4995 .{o9t .4535 .3749 .3849 .4996 .4678 .6 3.2389 .4 .1026 .4967 .4798 .Apéndice C Areas baio la curva normal tipificada de0az 0 0..4 0.4999 .4357 .1406 .4808 .4975 .4977 .1 .4394 .0199 .26L2 .4999 .4082 .0000 .2642 .4999 .4992 .3869 .4991 .2734 .3413 .3907 .4406 1.4999 .4994 .4989 .4932 .0 3.0 1.4649 .4996 .4999 .3830 .3665 .4817 .4t47 .4625 .3790 .3810 .2939 .4999 .4999 .2704 .4999 .3264 .4484 .4222 .4997 .4999 .0910 .4974 .1844 .1987 .4999 .4864 .4981 .4962 .1915 .4906 .4943 .4996 .3461 .4429 .4972 .4998 .2 ¿-D .0675 .2967 .4993 .5 3.4608 .4066 .07L4 .4901 .4049 .0793 .2 1.4996 .6 2.4192 .4699 .4878 .4292 A25L .4962 .4474 .3238 .4927 .4970 .0160 .5000 .4744 .2324 .5000 .2422 .4959 .5 1.4893 .2486 .2852 .4887 .4525 .4783 .4582 .5000 .0120 .4965 .4850 .4986 .1591 .4616 .4788 .4995 .tzt7 .4996 .2064 .4960 .3643 .9 2.1 0.4890 .3r 59 .4793 .48L2 .3888 .2t57 .4998 .4913 .2258 .4985 .4987 .5000 .3133 .3106 .2224 .2580 .t443 .444L .8 0.3023 .4693 .4279 .4934 .4573 .4998 .4881 .0080 .4868 .0832 .4949 .4772 .1554 .1736 .3621 .4994 .4945 .4990 .7 1.4966 .4983 .

256 .zo t..856 .70 1.t26 .33 8 9 .130 .677 2.L27 .14 3.t42 .?l 1.34 1.szs tse 31.50 2.531 t.68 2.134 .L26 .542 .18 2.684 .262 .254 .23 2.7L 4.28 t20 € .72 1.533 t2 13 14 15 .17 3.79 2.31 1.63 1.848 .86 1.538 .257 .46 2.Apéndice D Percentilrr de (tr) l¡ di¡tribsción f de Student con z grador de libertad v úss ¿oo t.90 2.78 2.255 .48 úes t.31 1.04 2.64 2.866 .66 9.816 1.856 .s.688 .68 L.6?9 .57 2.80 2.862 .5L 2.67 1. Edinburgh).L29 10 11 .48 2.260 .07 2.256 .630 .58 2.7L 1.?8 .31 2.05 2.47 2.t2 2.531 .08 2.t6 2.683 .643 1.66 2.L27 .03 3.696 .32 L.857 .26 2.L28 .77 1.36 1.694 4 6 6 .629 .68 .72 2.45 2.261 .860 .684 .259 .96 2.96 I7 18 19 . con permieo dé lo¡ autores y editorea.02 2.18 63.74 1.674 .906 .534 .06 2.546 .27L .r3 2.L27 .49 2.879 .66 t.L27 .532 .L26 .L28 .96 4.72 1.584 .876 .72 2.01 2.L27 .32 2l 22 23 24 25 26 oa 28 29 30 40 60 .32 1.692 .856 .256 .684 .73 1.09 2.703 .257 16 2.76 2.62 2.76 3.sgs I .873 .842 Fuente: R.865 .630 .131 .689 .688 .536 .25 3.66 1.861 .8?0 .727 .76 2.535 .L27 .256 .86 2.81 2.257 .60 4.267 2.71 3.624 .563 .34 1.727 . 3 . (previamente pubücado por Oliver y Boyd. AgriculturalondMedícol Recearch.128 .88 2.94 1.83 1.06 3.00 1.62 2.690 .r28 .62 2.81 1.32 L.t27 .727 .256 .626 .70 1.941 .858 .697 .37 1.07 2.32 L.633 .531 .266 .000 .08 1.896 .33 1. .711 .t3 2.30 3.256 .r27 .35 1.540 .645 t.258 .zs üeo tso 3.76 1.869 .32 1.09 2.92 6.L32 .863 6.530 .130 .00 2.89 1.71 t.128 .36 3.126 . Stotistícal T¿bles for Bíological.64 1.11 2.76 2.531 .257 .256 .889 .56 2.66 2.700 .48 2.82 6.73 1. publicado por l. Yate.ongman Group Ltd.L27 .691 .42 1.3?6 1.254 .534 .02 1.325 .683 .706 .20 2.31 .r29 .256 .128 .53 2.883 .06 2.537 .3L 2.98 1.92 2.255 .627 1.263 .687 .277 .90 1.A.46 2.76 L.67 2.33 1.686 .32 L.36 2.75 L.649 .82 2.47 2.532 .686 .258 .854 .80 1.t2s .569 .61? .78 2.685 .76 2.04 2.33 .266 .34 1.846 20 I.83 2.84 4.71 L.44 1.90 2.30 1.70 1.686 .L27 .263 .158 .50 3.77 2.30 L.258 r.06 2.84 2.11 3.31 1.38 1.683 .681 .70 1.42 2.?18 .60 2.978 .289 .06 2.257 .t27 .920 .82 2.532 .765 .98 2. Fistrer y F.54 3.39 2.260 t.856 .539 .29 L.14 .40 1.36 1.92 2.861 .74L .669 .t27 .L0 2.868 .061 .864 .858 .36 t2.36 3.70 2.137 .

3 45.0 62.9 23.26 6.09 2.0039 .73 2.0 33.9 1t.0 104 116 l4 16 16 to.2 35.6 92.26 9.5 16.2 74.2 88.8 16.3 r6.83 3.06 3.3 42.6 32.3 18.1 52.8 14.34 10.86 11.1 31.2 28.3 69.32 2.4 13.8 12.1 .1 ttz r26 13? 64.3 17.3 22.26 7.3 39.6 15.40 6.4 12.7 76.3 26.89 6.64 9.35 6.2oo¡ xlo.23 5.58 6.5 20.6 46.0 r 7.7 37.6 . 3 4 o I .1 12.23 5.6 14.r7 2.99 7.0 20. Vol.66 5.? 37.24 1.3 61.6 48.6 46.94 4.92 2.9 18.3 27.6 L2.8 44.61 2.96 8 I 10 11 4..8 70.2 44.24 1.2tL .57 7.18 2.0 13.291 .6 r3.26 6.9 30.6 50.102 .6 38.7 2t.4 69.0000 .831 .7 16.6 24.9 13..1 27.6 22.3 30.67 9. .3 2L.7 73.3 t6.7 7L.4 40.2 11.84 9.2 67.8 20.89 10.1 90.07 4.4 L02 113 rt2 t24 136 98.6 24.4 42.7 66.tl 4.4 35.8 26.6 32.6 36..6 32.7 33.0 t2 13 18.0201 .1 8.3 29.6 40.3 22.8 t9.1 77.455 1.66 8.91 7.7 34.2 11.30 7.6 9.3 12.07L7 .3 .37 3.34 8.0 27.0 14.7 26.90 6..6 12.3 59.26 3.6 tt. Pear¡on y H.39 6.9 34.7 2.07 3.38 9.7 38.1 37.4 37.t 31.l 22.2t 11.3 67.7 12.5 43.0 17.684 1.8 14.1 45.3 79.2 62.2 38.3 61.6 25.3 19.6 26.6 47.9 L6. 1(1966)' Tabla 8.3 99.0002 .O' X.7 25. x'.6 28.3 29.7 37.33 3.E 42.6 36.9 43.0010 .2 14.1 27.6 43.01 7.0158 .2 16.0 x2ot x'"0 .Apéndice E Percontilas (¡f) de l¡ di¡tribución chi-cuadrado con u grados de libertad v x.3 13.S.25 7.0100 .6 22.4 3.9 17.3 35.6 56.6 31.0 17.6 90.116 .5 20.4 16.2 66.8 63.39 10.7 28.31 10.6 109 1r8 130 t28 140 t24 149 Fuente: E.L 80.70 6.4 20.4 86.2 26. con permieo de lol autore¡ y editoree.0 71.7 39.3 15.4 43.7 23..2 12.3 16.6 30.0 16.4 29.6 54.54 L0.3 53.6t 6.6?6 .7 47.E4 6 .6 13. t3.2 29.7 28.6 4.8 67.0 22.9 20.5 96.1 39.9 29.2 11.6 19.3 18. 347 . páginas 187 y 188.6 43.872 L.43 8.79 t4.7 14.3 69.3 23.O.3 23.02 7.2L 1.8 43.49 2.56 3.70 3.3 18.35 7.2 46.6 16.7 18.6 2L.8 9.30 r6..2 6t.6 88.1 16.3 32.9 t8.9 12.24 10.6 21.7Ll 1.6 108 118 8.8 48.3 49.3 27.7 18.8 45.6 46.9 11.4 34.8 16.8 67.9 11.7 16.3 46.06 1. x?o".7 46.7 22.3 I 1.472 .1 DD.6 19.L4 6.25 5.8 14.9 34.3 71.01 5.45 4.63 ?.8 32:0 33.0 11.8 34.989 1.6 66rB 56.3 17.9 19.8 24. xlo.59 10.t7 4.8 13.63 7.90 27.8 36.41 ?.3 49.6 24.207 .9 63.O tt.gg x?rn y2 ^-00e .2 '19.L 30.o 22.3 24.2 29.60 5.1 13.3 49.0506 .8 t7.3 20. Hartley.49 11.8 79.5 34.7 14.77 4.2L6 .11 5.5 16.3 13.64 .8 24.4 32.3 10.1 40.7 29.0 L07 6.1 37.3 5.03 t.9 2t.6 33. Biomelr:iha Tobles fo¡ Stotitticíane.3 82.1 13.6 12.36 4.8 40.3 2L.6 29.1 16.3 73.67 3.7 60.9 35.8 28.3 96.6 23 24 25 26 27 28 29 30 40 60 60 70 80 90 100 41.9 26.4 40.0 4L.1 10.7 99.7 23.554 .88 10.69 2.57 4.44 9.7 26.4 83.84 5.81 9.8 38.484 .8 t7 18 19 20 2L 8.6 36.6 28.87 6.4 85.57 t.L6 2.7r 4.78 9.23 8.3 16.57 6. x?no X.3 13.0 44.362 l.91 9.3 89.2 t3.0 26.63 8.8 18.D'ID r.26 8.39 2.4 63.6 17.5 24.0 48.0 23.04 10.7 7.66 2.0 36.L 2l.1 10.1 12.58 8.9 40.1 41.1 28.2 59.9 68.3 28.2 18.3 26.3 49.74 7.20 2..8 30.6 14.6 79.3 14.0 69.2 31.4 23.2 94.103 x?.3 X.4 100 t2.8 26.9 40.1 t2.9 39.2 10.4 31.34 9.0 27.15 1.35 5.? 42.9 48.1 19.2 24.2 61.56 9.81 6.0? 5.3 11.3 61.8 55.0 19.73 3.60 3.6 20.8 14.6 61.34 1.5 33.8 13.4 32.3 32.6 61.2 37.6 74.04 7.6 41.63 6.2 36.3 16.4 16.82 4.8 20.

00 5.63 2.01 1.r7 4.96 2.63 3.39 2.22 3.76 2.39 t.37 2.22 3.53 2.12 3.0Q 2.25 2.85 1.01 1.94 1.07 3.87 r.42 2.L6 2.79 1 a^ 1.91 5.02 1.92 4.05 2.38 2.62 2.03 4. página 178.33 3.47 3.61 2.36 3.49 4.0s 1.14 3.21 4.87 3.94 8.82 2.93 2.6? 3.21 4.77 2.07 2.60 2.43 1.73 2.53 2.91 1.01 2.80 2.07 3.93 1.01 1. Vol.44 3.59 6.42 2.71 2.30 2.53 r.13 3.94 3.28 2.90 1.28 3.44 3.34 3.L8 2.59 8.27 2.93 1.68 t.31 2.84 1.33 2.41 3.(}51.61 2.62 2.10 2.96 2.40 2.59 5.49 3.41 3.88 4.61 19.76 4.86 5.08 2.DD 1.17 3.76 1.30 2.87 2.06 2.42 2.92 1.29 2.85 6.55 2.2r 2.53 2.6 10.96 5.r7 2.t5 2.67 2.26 2.76 2.4 19.96 1.74 2.68 3.09 2.00 3.38 2.rL 2.4 19.90 2.t0 | 4.71 3.22 2.74 4.7r 2.46 2.40 4.99 1.57 8.81 1.4e 3.18 3. O.39 4.25 2.94 1.L2 2.4 19.88 4.84 1.5 19.54 2.58 2.59 2.35 2I 22 23 24 25 26 27 28 29 30 3.38 2.56 2.53 2.22 2.06 2.4 19.L0 2.g¡.90 2.45 2.90 1.35 3.31 2.23 2.45 2.?0 8.L8 2.96 4.26 3.74 1.03 1.83 2.54 2.46 2.?0 1.93 5.94 1.59 1.2r 2.28 4.83 t.L2 9.12 2.6? 2.84 1.85 8.85 2.87 1.47 2.55 8.24 2.08 2.48 3.01 2.49 2.L9 2.59 2.07 3.61 I.87 3:70 3.25 2.99 1.26 3.65 1.76 2.46 1.47 2.67 4.t6 2.57 r.92 1.81 8.46 2.r9 2.49 2.53 2.09 2. Hartley.72 5.64 3.92 1.04 1.r3 2.76 1.50 4.84 1.73 4.15 4.26 2.63 6.1 7.92 2.81 3.23 4.18 2.84 2.18 2.34 3.97 r.3L 2.07 2.48 2.34 2.35 2.84 1.32 4.04 3.16 2.41 5.96 4.43 4.t2 4.57 2.91 3.tl 2.L3 2.46 2.79 3.10 4.66 1.06 4.87 t.56 2.11 3.35 2.91 1.L2 3.70 2.25 2.79 2.84 40 60 t20 t.51 2.16 2.35 2.31 2.92 2.70 2.82 4.97 3.35 4.75 1. con perrniro de los autoreo y eütorea.0L 1.99 2.0r I | 4.60 3.2q 3.99 1.33 2.10 2.29 2.2L 2.01 8.30 3.66 2.95 1.95 1.45 2.22 2.06 2.80 t.23 3.30 4.98 1.69 1.34 2.95 4.96 1.32 2.52 j 3.84 3.80 2.94 2.50 1.37 2.Apéndice F Porcentila 95 (nivele¡ 0.01 2.91 1. S.77 L.15 3.79 8.38 3.60 2.64 2.t0 2.49 2.7L 6.57 2.01 1.70 1.51 3.90 2.39 6.43 2. parr le di¡tribución F u1 grados de libertad en el numerador /2 gfados de libertad en el denominador ><.89 1.58 2.03 1.84 1.71 2.39 3.48 3.t9 2.97 1.70 2.76 2.L0 2.01 2.84 4.79 3.46 2.85 2.20 3.5 19.18 2.2 19.29 2.13 2.04 1.77 t.69 1.00 3.7l 2.18 3.79 2.3 4 o 6 I 19.66 2.r8 2.69 3.7l 1.84 2.85 1.19 4.89 1.08 3.62 2.25 2.69 4.42 2.19 2.84 3.93 1.95 2.45 8 I l0 11 5.69 5.78 t.62 4.37 2.93 2.09 6.96 1.56 4.03 2.03 ¿.05 2.02 2.46 2.5 19.30 L2 13 14 15 16 L7 18 19 20 2.49 2.64 2.12 2.87 3.28 3.00 I.8L 2.27 3.16 2.86 1.38 3.11 2.69 2.66 5.66 8.34 2.38 2.5L 2.89 2.9L 2.r5 2.32 2.L5 2.79 t.07 3. . Pear¡on y H.88 1.45 2.26 6.34 2.32 2.44 3.rL 2.84 3.65 2.20 2.90 2.20 4.98 2.14 3.06 2.15 2.08 4. Tabla 5.57 3.60 2.20 2.60 2.89 8.68 2.79 L. ¡O 5.01 2.97 2.66 2.32 2.82 t.00 2 Fuente: E.28 2.22 1.74 2.85 2.68 4.83 2.8z r.64 2.60 4.98 2.99 5.24 2.35 7.29 3.66 2.4 19.23 2.66 2.77 4.32 1.90 1.28 9.37 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 18.24 2.98 1.62 8.01 4.05 4.92 1.37 2.46 2.27 2.3 19.5 19.02 r.65 2.09 3.78 2.59 3.62 2.2 19.07 1.30 2.42 2.41 2.42 3.50 3.35 3.75 4.07 4.4 19. (1972).57 2.76 1.04 1.34 2.81 t.81 2.5 9.27 2.55 2.25 2.61 2.35 2.96 1.70 I 2.40 2. Eiom etriho Toblec for Stotíaticianc.74 8.4 19.20 2.74 4.73 1.23 2.92 3.86 2.74 2.5 19.94 1.47 1.37 3.49 2.96 2.lL 2.67 t.36 2.34 2.95 2.05 4.75 1.7 4 2:28 2.53 4.27 2.27 2.L5 2.58 3.5L 2.53 3.62 1.24 2.46 4.88 1.98 2.80 a.24 3.l I D.54 4.58 1.6L 2.77 2.40 2.43 2.LL 2.75 2.36 2.28 2.40 2.7L 2.44 2.96 t.09 2.54 2.54 2.53 2.64 2.85 2.64 1.23 2.63 5.86 3.4E 2.41 3.20 2.?3 3.64 8.r2 2.89 1.20 2.6L 2.1L 2.75 1.83 2.39 2.06 t.69 3.29 3.68 2.78 2.77 2.04 6. l'.42 2.?9 r.16 6.

09 3.88 2.66 2.86 8.81 3.38 1.52 4.64 6.55 8.3? 3.42 3.93 6.07 2.2 18.82 4.02 7.2 14.65 3.36 4.5 26.06 4.86 3.20 4.30 4.95 5.59 1.36 3.66 4.L7 4.49 2.60 '7.67 9.3 L2.86 2.46 3.98 2.64 4.19 11.04 3.25 4.63 2.03 5.0 30.18 8.36 2.81 4. gFados de libertad en el numerador v2 grados de libertad en el denominador x1 I 98.2 9.10 L2 16 20 24 30 40 60 L20 @ 4062 6000 5403 6625 5764 5859 99.68 4.26 4.44 4.34 4..64 3. Vol.45 7.61 o.62 4.62 3.96 I 10 11 .1 a.01 5.37 3.29 8.64 3.78 2.26 4.87 4.09 3.44 2.t4 4.99 b.29 2.07 6. para ls di¡tribución F v.89 4.99 5.22 5.8 99.18 5.32 3.57 t2.31 3.32 4.20 4.31 7.53 3.se.31 2l 22 23 24 26 26 27 28 29 30 40 fó 4.22 3.46 3.17 3.21 3.L2 1. .51 3.4L 2.35 4.64 4.72 5.36 6.91 5.02 7. 3 4 o oot 28.66 2.r3 2.2 99. Hartley.62 5.12 3.19 5.10 4.3 14.70 3.9 9.21 3.42 2.4 99.96 2.26 4.92 2.66 2.32 5. Pearron y H.49 12 13 6.44 4.06 6.07 3.4 13.88 7.5 10.Ll 2.61 6.99 2.80 6.29 7.5 14.65 9.25 3.2L 3.45 3.2 13.t7 2.18 3.67 2.84 6.3 28.35 4.80 3.39 4.3? 3.72 2.37 4.10 6.94 3.12 3.17 3.07 4.56 3.0 15.20 4.63 3.62 2.92 2.93 2.7? 7.O.5 26.93 3.30 7.4 26.48 3.32 2.03 3.88 2.7r 4.67 5.07 5.l 11.67 2.18 3.47 t4.20 2.26 3.6? 3.13 2.7 27.29 6.74 6. F.08 3.91 .78 9.03 2.79 60 2. Biomeúiho Toblec for Statbücbnc.19 l0 99.02 3.03 2.10 8.25 4.47 2.70 2.33 2.86 1.69 2.73 7.42 3.54 2.5 26.o J 2.70 6.L4 4.60 2.43 4.APENDTCE F 349 Percentila 99 (niveles 0.10 3.57 2.61 6339 6366 99.41 3.90 2.5 34.50 2.04 3.3 27.16 3.70 8.4 9.59 3.47 5.02 7.99 3.65 6 .02 6.36 3.63 4.oo 7.54 5.35 3.92 2.82 7.26 2.86 4.0s 1.84 2.2 ?.81 6.39 3.77 4.51 s.56 2.85 4.13 3.3 10.52 3.36 3.93 z.96 3.sz 2.30 3.47 3.95 4.2 16.65 3.10 2.76 4.23 3.31 4.0 9. página 180.26 6.16 3.60 6.6 10.40 8.56 6.10 4.45 s.01 1.72 7.31 3.64 7.96 4.40 4.68 2.3 13.43 3.63 8.78 3.76 3.9 99.23 2.31 4.70 3.11 6.68 3.0 16.2 29.68 7.84 9.78 3.72 6.76 1.87 6.tL 3.99 6.66 2.17 4.40 3.67 3.00 t20 Fuente: E.68 8.37 2.21 2.28 4.42 5.09 3.08 3.0 10.b8 2.6 14.üb D. 3.85 2.74 2.61 4.49 5.2L 6.50 4.8 10.1 13.95 1.85 7.39 2.5 13.26 3.30 3.43 3.58 4.11 6.40 6.72 5.75 2.4 11.5 9.75 2.29 3.1 6.10 3.72 2.65 8.2r 5.58' 2.9 99.2 9..19 2.46 6.04 4.68 99.94 1.94 4.78 3.7 13.56 4.16 3.46 2.80 2.36 2.5 26.34 3.00 3.97 6.74 4.63 5.1 7.93 4.12 4.46 7.80 3.4 27.20 2.6 9.08 6.96 2. 2 (1972).11 2t.60 4.37 5.39 4.60 3.33 8.29 2.?9 3.oD 8 ?.31 3.78 3.60 3.17 3.59 6.76 2.r 26.64 2.91 6.22 4.01 3.8 99.55 7.67 6.84 2.6 13.54 3.56 4.3L 6.33 3.54 20 9.2'.26 3.16 3.54 t7 18 19 4.03 1.94 2.87 3.011.86 6.00 2.59 3.13 3.00 2.69 3.56 6.7 10. Tbbla 6.87 2.46 3.02 2.23 6.7 99.89 7.6 5981 6023 6066 6106 615? 6209 6235 6261 6287 99.80 5.89 4.69 3.00 2.09 2.35 2.94 3. l4 15 16 4.52 2.15 2.89 3.4.89 4.41 3.59 3.89 3.94 3.01 6.83 3.7 16.01 .49 2.42 6.t4 5.70 2.?5 8.66 2.78 3.56 5.28 4.4 27.06 2.30 3.l 8 I 99.00 3.72 4.00 2.52 3.63 3.71 3.95 7.46 5.60 1.15 8. con permirc de lo¡ autoree y editoree.0 9.46 2.03 3.4 99.31 9.51 3.41 9.r7 3.86 4.40 2.07 4. 8.66 99.03 2.5 26.55 3.75 3. 3 4 o 6 .23.30 3.67 4.38 9.65 2.42 4.18 4.16 5.98 6.82 4.83 2.?0 1.06 4.54 4.99 5.3L 2.01 3.41 2.82 4.63 4.86 3.84 2.L2 2.88 5.71 3.90 3.23 5.40 4.60 4.89 3.3 8.74 4.7 14.43 3.54 3.72 7.62 4.4 27.66 3.50 4.S.94 3.4L 4.42 2.66 4.L4 5.66 6.4r 5.ó9 3.33 4.18 3.63 6.86 3.ó 16.47 6.51 3.7 10.39 6.38 2.78 2.

Apéndice G
Logaritmor dpcimale¡ con cuatro c¡fra¡

N
10

0

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

2

3

4

5

6

I

8

v

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

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

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

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

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

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

Partee hoporcior¡ales

22 23 24 26 26 27 28 29

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

4728 4742 4757

30
31

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

82
33

84 35 36 37 38 39 40

4829 4969 5105 5237 5366 5490 5611 5729 5843 5955

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

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

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

81114L7202226 81113L6L82L24

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

81113151719 81012141618 810t2L415L7 7 911131517 7 911121416

7 7 6 6 6 6 6 5 5 5

910121415 810111315 8 9111314 8 9111214 ? 9101213

7 ? 7 6 6

9101113 8101112 8 91112 8 91012 8 91011

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

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

4l
42 43 44 46 46 47 48 49 60

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

65/'2 6551 6561

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

5l
62 63 64

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

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

7tt8

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

N

2

D

6

I

350

APENDICE G

351

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

N
55 56 57 58 59 60
61

0

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

2

ó

A

D

6

7

8

I
1474

L23456789

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

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

7435 7513 7689 7664 7738

7443 7520 7597 7672 7745 7818 7889 7959 8028 8096

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

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

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

7

62 63
64

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

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

6 6
6

65 66

ot
68 69 70
7L

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

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

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

6 6 6
6

6 5 5 5

72
73

14

to
16 '/ó
79

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

8791 8797 8848 8854 8904 8910 8960 8965 9015 9020

5 6 5 5

80
81

82 83 84 85 86 87 88 89 90
91

9036 9090 9143 9196 9248 9299 9350 9400 9450 9499

9042 9096 9149 9207 9253

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

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

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

6
5 5 6

6

9304 9309 9355 9360 9405 9410 Q455 9460 9504 9509

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

o9 93 94 95 96 97 98 99

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

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

344

9786 9832 987? 9921 9965
I

9791 9836 9881 9926 9969

9?95 9841 9886 9930 9974
4

9805 9850 9894 9939 9983
6

9809. 9814 9818

9854 9899 9943 998?
n

9859 9903 9948 9991
8

9863 9908 9952 9996
a

3 3

4

N

Valorc¡ de e-^

(0<r<1)
}'
0

I

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

3

4

5

6

7

8

I
.9139

0.0
0,1

0.2 0.3 0.4 0.6 0.6 0.? 0.8 0.9

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

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

.9608 .8694 .7866 .7118 .6440

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

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

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

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

.8270
.7483

.677t
.6126 .5543

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

.5827

.5273
.477L .43L7
.3906

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

.Eore
.4538

.4107
.3?16

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

lo¡ valores

de

e-r

para otroe valore¡ de

I,
=

emplear lar leyes de los exponentes.
.03081.

Ejemplo:

-¿-3.48

=

(e-3oo)(¿-0.r8¡

=

(.0a929)(.6188)

Apéndice

I
Números aleatorios
74640 2349L
601 73

51772 24033
45939 30586 03585 64937
1

42331 83587

29044
06568

4662I
21960
1

62898 2L387 55870 86707 85659
551 89
41

93582 76105

04186 10863

52078
75797
81

25424 45406 82322 20790
98527 30277 60710 06829

1645

02133 79353 03355

31041 96799 65304

56974 12973
36081

37428
171 69

938

50884

19640 97453 93507 88116 14070 rL822 24434 41982 16159 35683

8?056 90581

94271

42t87
74950
15804

95863 51135 57683

5630

64759
56301

09448
21 631

62586 94623
5229A 87843

889

00745 25439
68829 48653 27279

65253
88036 06652
71

67283

85418 16835

49t59

9tt57
17480

7733L

590

t4676
47280

91097

294t4

28L95

47162

362

Respuestos o problemqs suplementqrios
CAPITULO
1

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

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

(c) {5i (d) t5}

k) @ (/) {3}

@) {2,6,3}
(¡¿) {6}

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

(d) {4} (¿) {3} (/) {3,4}

5/36

(c)

0.e8, (d) 2/9

(e) 7/8

) ) (c )
(o

(b

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

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

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

(e) 4/5

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

(e) IL/t6 (Í) L/5

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

(i\ (i)

6/26

52/225

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

(e) Lr/L5 U) r/5

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

1.86.

(a)

3/10

(b)

1/10

(c)

315

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

r.106.
1.107.

(¿)

32,805

(ó) 11,664

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

1260

1.108. (a)

120 10
6

(b) (b)

72

(c) L2 (c) 45

r.r09.
1.110.

(o)
tt.

70

.

1.96. 113 1.9?. t4/57
1.100.

=

1.111.210

8 12
(b)

1.112.

840 ?000

1.101. (a)
r-LO2.

2620

(c\

720

1.113. (a) 42,000 (b)

n:5 60
5040
(b)

lJla.

(a)

L20 150

(b) 2620 (b)

1.103.

1.115. (¿)

46

(c) 100

1.104. (o)

120

(c)

240

1.116. (¿) 1? (b) 163 1.117. (o)

1.105. (r¡) 8400 (b)

2520

20

(ó)

330

(c) t4199

353

354
1.118. (a)
16

RESPUESTAS A PROBLEMAS SUPLEMENTARIOS

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

6rys

¡

ya

1.119.2016

L.r22. (a) 5/L8 (ü) 11/36 (c)

1/36

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

44

(b)

2r

4

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

4152CB

r.127.

(6Ca)(aCz\/MCs

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

Ql

QCz. ¡¡'Ct

*

a'.Csl,l12cs

4(r3Oa\hgC+)/szCss 1025

r.l3E.

(o)

120

(ó)

60

(c) 72

1.131. 2.95 x 1.133. 0.8%

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

aproximadamente - 3

1.f40.

3L26/46,656

1.13ó. vT1
L.146. (a)

l.l4t.

(a)

4

(b) 14

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

4/52C5

r.t47.

2/243

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

126 462 3/32

(ó) , +,- rCn(b) (b)

r

,-tCn-t

1/16 (cl r/32

(d) 1/8
prob. empate

1,151. prob .4 gane

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

=

L26/216

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

2
0

2.38.

(¿)

I
3/8

o

3

2.39.

(a)

0

I
t6/28

.)

f(r)

r/8

3/8

t/8
t

f(r)

3/28

6/14

2.4o.

(a)

t

0

1

f(r)

9/64

r5/32

25164

RESPUESTAS A PROBLEMAS SI'PLEMENTARIOS

365

2.42.

(a)

r
f(r)

0 194,580

1

2 6768

3

4

270,726

69,184 270,725

r92
270,725

270,726

2.43.

(o)

r
F(n)

0

I
U2

2

3

L/8

7/8

I
4

2.46.

(o)

r
f(n)

I
L/8

2

3

(b) 3/4

(c\

7/8

(d)

3/8

(el 718

u4

3/8

U4

2.47.
2"48.

(o)

3

(ó) e-B

- e-6

(c)

e-s kll | -

e-s

F(r)

=

2.49. (al

6l2s

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

2.50. F'(c) =

2.6t.

(a) r/27

(r2/9 0<¡(3 de oha forma l0

(c) 26/27

(dl rls

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

fo

2.66. 2.67. 2.ó8. 2.60.

(¿)

(a)

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

(ó)

/r(u)

= {o

(Ale A = l'2'3
orra u

(d\

6116

(¿)

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

(ó)

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

tl1

*

al

o<a=l v=l

a=0

(a) (ó)

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

2.61

.

(a)

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

t)

=

rÍl'

0

5

Y

=

1

otra

r' O=A=I
0

(b)

l(r+ull@+l) 0 < ¿-< l, = 1o o<rsl,

=Y = otray

1

356

RESPUESTAS A PROBLEMAS SUPLEMENTABIOS

; i . ¡

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

0<rrl'

0=v<1

;
i |

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

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

,=o,u<0

A¿O

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

de oha forma

0 de otra forma

2.72. (o) c(u) =

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

(D) c(ut

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

i:i::
de otra forma

o

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

0 de otra forma

=

" {; '' 1"1í,""1.",t
I

2.82. c@)

=

{í'"-''u

:::

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

2.E3. l/4

-" ;: ;

2.s4.

s6/2*g

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

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

-

7e-o

2.89.

(a) c = (a)

1

(ó) 8e-2 c2=

,

2.9L. 2.s3.

cr=2,

I

- e-4 (ó) 9e-2-lAe-s L0

-

ze-r

(c)

4e-s-4c-?

(iI)

e-z-¿-t {ó

(el 4c-s

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

2's6' (a)

{r-^''
-rn2)

1"t"r0.".,-" (ó)
(r)
o1+

{;t'-"
zlrn

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

2.e0. (b) ;(1

lrnz

(¿)

2

,

2.e8. s(?)

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

2.ee.

(b)

7/L8

2JoE. \/r/z

pi= 2. pl:L L6/3 3.77. (o) (a) 1 (b) I (c) rla (c) 3.E1. 1e/10 (¡t') 6/6 a/3 @ 1 \Ng 3.68.82. pí=1.\ +(et/2+e-t/2) = cosht (ó) p=0.67.47.5e. o*=1/t5/ZO 4 (b) 2 (c) .6E. 3.7 3. 3/2 n (b) -2e/6 Lla !4 3. 3.43.54. (c) 1/(1¿). 3. Ft=2. (e2ia-Zie2ia-ll/"2 (a) (¿) (¿) Lr/144 (bl rr/L44 1c¡ t/iJttz (¿) (¿t) \/-LUr2 (e\ -L/L4a 0 -!rr 1 . 10.74. Fz:3/80. 3. nx=lE (al (a\ (ü) Var(X)=3/80.\klzk+t(k+ll I qeiab co)/ao 3. (a) (a) 2/3 (b) 2/3 G) aB 7/a (c) @\ Als 3.45. p3 =-L2lll60. pí= 2. ps: -5. pi= Al=0.79. (o) 1 (b) (o) Var(X)=5. (o) (f + 2te2t .61.50.62.62.60. yí= 6. (a) (3r +2\/(6r*3)para0 5 ¡<i t¿l lsu+Z)/(6u*3)para 0 = a = | 3.'PLEMENTARIOS CAPITULO 3 3. pz=7-. 3.RESPUESTAS A PIOBLEMAS SI. 3. 3.64. Fz:5. (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. pí=0.69. 3. pn=33 (c) (bk+r'st<+r)/(k* 1Xb-o) peiaa (sen (ó) [1+(-1)k](ó -a. 3/2 (bl 3e/4 (a.65.ó6. 3. p¿=35 (b) pr = 0.72.46.66. <1 (ó) p = l./m/L8 (d' \rzssñ8 (e) -9L/32a (Í) -sr/235 4 tb) 4/\/35 -t/tst¿. (a) 1 lb) 7 (c) 6 3. 3. 3. 7/0 (ó) 6/5 3. (c) 315 3. 3. 3.57.E4. 3. pá: t6/5.44.(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) \.55.78.48. 3.ezt\/zt2 (D) p = 4/3.83'.E0.5 3 (b) r3n/6 (a) 35112 @\ (ü \Elm. 3. 3. 3./3s12 3. 3. 3. i¿l p4=230718960 2a 3. ú= (a) h=0. (a\ l/2 parae>O (b) lParay>0 .

r/r-tsnflo) (ó) \F@i @ tlfr. (¿) 1/y'5 3. (a) r 2 0 (ó) 8(21/2-r)/L6 (D \. (a) x Var (Y lX) 0 5/S I 416 2 (ó) Y Var (X I Y) 0 I 2S/36 2 24t49 3.114.109. (b) 2415o (ü) e (al (a) (b) 6/e (b) 1/18 (c) (et * 2e2t + Sezt)16 (d) (d) (eto + 2e2to + 3e3.f 6/9 7lr2 o 3. (a) (b) r/4 (b) 0.113.. (o) (c) 8/16 1-+y'3 (bl v2 3.105. t"l . (o) (ó) ln 2 (D) I 3.100. (a\ L 3.125.127.120. (a) 3.85.124.118.103. (al 3. (o) 0. (bl 3614 (1 @l atg (b) 2/e L (c) * 2te2t - e2')/2t2 (el -2\/fr/r6 (d) -(1 + zibe2ia . (d) 1- (1/\.119.###parao < nr 5r 3.8/2 (ü) 1/3 (c) 0 .10E.o)/6 (a) -7/27 (c) 2(et-l-t¡¡¿z -Z(e--l-ü¡¡"2 (e) r/136 3. (o) no eriste (ó) (c) 3 -1 (c) e-z *0 3. 3.123. (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 3.91.17 (c) 0. (o) 3. (o) 3. (o) (c) 3 (ü) 3 3.1)/4 (c) 16/81 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. (o) 1 3.358 RESPUESTA"S A PROBLEMAS SUPLEMENTARIOS 3.e2.121 .90.L22. (a) 3. . (¿) 3.05r 3.10a. (o) (a) 3.1or. 3.[o ) 3.5 02.89.116.94. (o) 1 I (ü) (ó) (y'3.eziarlznl u) 12/6 3. ffiParao rle (b) 1 6x2*6n*L s r:< I .126.

4. 4.e265 (d) 0. L93t5t2 (a\ @) 32/243 (bl re2l243 k\ a01243 (dl 2421243 42 (b) 3. -0.1342 0.82.87. 359 CAPITULO 4 4.74.2241 (d) 0.6 (b) e (b) 72.80.69. 84 (bl 8.03?5 0. 4.849 (e) tt.5976 (c) 0.8?67 (b) 0.64. 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 4.66. 4.62.0089 (o) (o) 0.550 (c) -0.9962 (b) 0.7123 0.s27 1.0687 0.E3.0567 (b) 0. 57/6a Q\ 2r/32 (b) (ó) 4.67. 4.E6. 4.1680 (/) 0. (a'¡ 6L.4% (bt 23.5. 641243 25 (c) 500 4.7% (b\ 54.06131 .I RESPUESTAS A PROBLEMAS ST'PLEMENTARIOS . 4. 4.1008 (c) o.73.726t (/) 0.61. 4.76.9198 (c) 0. 4.2991 (c) (o) 0.6404 (d) 0. 4.90.7t. 4.0079 0.626 ó 0.78.995 0. 0.6826 4.0154 (e\ 0. (o) 0.85.4 (¿) 0.08 (d) r.3% (a) (o) (a) (o) 1.66.0658 4.a7% 4.t9. (al93% 4.4232 (o) 0.E8.0668 (a\ 20 (b) 36 (cl 227 (cl (d) 40 @) 15% 4.7% (al e5.89. 11/16 (dl 518 (a\ r7lL62 (a\ (a) 5/16 (c) 4.049?e (ó) 0.9495 (b) (ó) 0.05610 (b) 0.86 (c) 2.76.93.77 (c) 0. 4.75 (b) -1.77 (a) npq(q (o) 1. 4.0286 (d) 0.0% (c\ 93.92. (c) (p) 0.0838 (b) 0. (a') pl (b'l npq(l - 6ps\ * 3n2p2q2 -1.91.9500 0.224r (e) 0. 4.03eb . 4.63.15 (b) 0.E1.84. 4.0?86 (c) 0.G¿s 4.t"/o 0. 4.1494 0.68.90 75.2511 (b) 0.1127 (dl2.

s a8.. (o) B0. (a) 0.00g oz oz oz.2 (c) suponiendo áreas iguales en las dos colas.7 (b\ 4.BB (d) -0. (a) 237 22. (a) 2. (a) 0.008 oz oz (ó) (b) pX pX = 22.rr3.4 ft\ *e-tn -1"-.r?r. (a) e.111. (a) L22.008 = oz.16 5. (o) sx = 22.49.8 68.0620 4.40 oz.4972 (ó) 0.360 RESPUESTAS A PROBLEMAS SUPLEIVTANTARIOS 4.2 4l.51.62.r2o.0e (c) (c) (c) (c) 1.68 2.13?.ro2.130.b9 84.l 86.r y 26.55.9544 5.0918 (d) 0. (a) 0.2 zr. oi : 6.128 (d) -1.8164 (ó) 0. (a\ 3/4 .0 (d) 8. 82S\fe (b) (ü) (b) 2(b-al4/6 e/5 113 6. o* = 0. (c) p.160? (d) 0. 22.62 (b) CAPITULO 5 (c) 0. @) 2.0000 . (a) (ile)/Q?) .40 oz.1? v 7!r= !4. (a) 4. (o) 5/3888 (b) 5/324 4.2 2s6.? 3/4 16.0 (b) 4.000948 (ó) 0.60 3.r03.53.75 1.Lo4. 0.2 (c) (c) (c) 2B.0 (d\ 2.L26.ro9.000295 4.64. Ll4 aJLa. (o) 0.101.0 (b\ 4.35 L7e.gs (e) z.50. - 2.73 -0.166 6. (a) 0 4.829 1.5 (b\ 4.L27. ¡2.861 (..58 5.s 20. (a) 9. (a) ?0/429 (b) l/143 (c\ L42|L4B 4105 (.47 (c) 9. (o) e.L32.6e64 (/) 0.136.48 4.04462 (c) 0.34 2.tr2.138.1b82 (c) 0.L29. (a) 201.71 (ó) (b) (b) 1.B 4.LB 4. (a) 1.3/8 4.136. (a) (d) (el 2. @\ 4. (a) r 4.1 4. o* = 0.t : 5.128.L4L.8b2 (e) 0.1033 (c) 0.s5 z.76 1.s? 4. (Q 4.00248 (b) 0.005? (b) 2 (c) ninguna (dl 24 6.0 (b) (b) 4.40 o¡ ligeramente menor que 0.o rí.) 4'106' (c) 4.84 (d) 4.4O 0.03 (¿tl 2.00J8 (d) 1.3 (d) (d) 55.94. (¿) 4.75 2. (a) 4.81 (bl2.47 (c) e.0228 (c) 0. ('f) (l?)/(l?) (iSX?SXtt) sla 0 (b) (ó) (ó) (ü) l(¿ocoxzoc2ol+(4oc'l(nctsl* (qoc)(ncnl)taoczo 4.

0.49 (c) 0'28 5.11 5.3204.74.60 0.01 y 0.0% 76 5.01 (c) menor que 0. (a) menor que 0. 5.322.86 (ó) (c) -e1 (d) 63 . 0.1o9.100.7o. 0.L6 (ü) 0. 8.01.6.3265.8664 (c) 0.8 lb.3196. 501.33f0.76.a84 5.9596 (c) 0'1161 .0482 .326-0:328. 5.?9 0'0228 lb (b) 0.00496 pulg.73. (o) 0.00 6.?33 (c) 0. 99. (o) 5.0064 (c) 0'4504 5. 5..93.0026 6.60.0 s ?9 5. (ó) 0. 5.2160 (b) 0.72642 pulgadas 26.9t.003 pulg.91?2 6.5E.01?9 5.72.06 pero máe cerca a 0.2 6.6 (fl @) a6% 100 (horas) (s) 62/a00 (h) 25.108.111.92.01 (b) entre 0. . (b) 0.t7.68. 6.101. (a) ?99 (ü) 1000 (e) (c) 949. (o) 0.97.20% ton. 12.96.tO.36 (ü) (ü) 0'17 0.1%. 6.7L. 5. 0.1.8869 28. (¿) 0. 6 0 -1 (ü) 40 4 6 (c) (c) 288 (d) (d) 2188 (b) 0 26.56.59.10 5.26 5. 11. (o) (o) (ó) (ó) 11.66.60 1'.e5.0006?6 pulgadas (b) 72. (o) 0.3226.7349 pulg.76% S.106.LL2.62. 5.105.o% 78. (@) 0.47 (ó) e = 5. . (al 4018 6.82.50?.0019 (ó) 0.1841 (cl (o) 118.0028 (b) 0.65. O. 6. (a) 2 6 6 (b) 996 (b) (c) 218 12 5. 0.49 0. (o) 0. 0.t1 5. 86 5.3%' 99. 5. (a) 24% (b\ rL% 5.81.6% (il 0't ts.9 lb 5.0316 5. (a) 5. . 5.60 5. (o) ñ = 2.6% = 0.33?6 pulg. (c) 0. (o) 10.323-0. 5.67 0. . (c) 0. 46 (@) 0.00?? (ó) 0.0136 0. (¿) (o) (¿) (b) (b) 0.0.09 tons.104.6 (d) 10995.?4 lb I 2 (d) 126 0..E6.90 5. (a\ 2.99. 80Eo. (c) 146. (a) 82 6Jo2. 5.63. .113.166 ó 16.33? 6. 0.326.01 (b) menor que 0.94.. (ó) 38. (c) 0. . 78 á. 1199.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 5.

(a) 6. 5.28 (b) (s) ?8e.20 (f) 7. (o) 0. 6.69 I 0.97. (o) 0.09 t 0.546 2. 6.43.11 (ó) 0. 0.72642 + 0. 42 5.34.0090 CAPITULO 6 e. 6.126.1 ó. 60 y 100 tuboc son respectivamenüe.045 0. 2.22. 6.38 (hl 22.049 segundoe 6.30. 0.12t.. 0. (o) (b) 105.122.38 384 (b) al menos 221 (c) al menos 666 (d) al menos a 1.2344. (o) 0.62 6.6. m1 = 0.24 tons. 101. (o) 1.12 hr t 0.33.72642 t 0. (o) 9.125.36.2 (b) 0. (a) 5. (b) 0.0ab t 0.41. 1193.073 i 0. (a) 11.116.40. m1- 89.88.362 ó.86 lb reepectivamente 6.4 4 (i) (il 706.41.38 I (a) 0. 0.09 t 0.?0 r 0. (¿) ffiz: 0.35 (e) 26.000060 pulg.117. -0.94 Laprimeradistribución (a) la aegunda (b) la primera 5.045 6. -1r7.29. (a) 0.24 lb2 (c) 0.298 t 0. (bl 0.18 tons.82.128.r5 (c) 0.123. m1 :0. 6. (d) 032642 a 0.07 t 6. 0.2464 (b) 52.tu.127.38 (a) ?. 26. (o) al menos 96 (ó) al menos 68 (c) al menos 16? (d) al menos 225 900 (o) al menos (o) 7. 6. 101.68 a 0. 6.0? (b) 0.428 24.72ti42 t 0. n4= 0 -0. (c) 0.31.130.?0 * o.74 5.030 eegundoa (D) 0.112 . tb9 5.16 onzas 0.e5 5.0586. (ó) 11.?8 y 0.9?.000095 pulg.70 t 6. (o) 0.000025 pulC.3?. Las estimas de las media¡ de la población son 1200 hora¡ en todos los casos. (q') (c) e2. rn2= 5.131. 6.5 horas. (b) -4.¡'TARTOS 5. (a) 0.38.09? (c) 0.2 (d) 7158.84914 6.0696 r¡¿o 560 (c\ r.4 hr Las estimas de las desviacionee típicas de la población para los tamaños de muestra 30.18. 0.124. (a) 1200 hr 6.82 0.72642 + 0.22 0.0 y 100.25.39.2 106 (ü) (b) 8.5 lb (b) 0.09 t 0.36206.7.?3 onzas onzae (ó) Z. L9.241 7.000072 pulg.129.L2.298 0.7.Se (ó) ?.96 onzas t t I 0. 0. ó. ms = 0.00002b pulg. 0.u (o) al menos 323 hr (b) al menos 560 (c) al menos ?66 (b) 1. (o) ?8.53743.115.118.62 r 0. 7 RESPUESTAS A PROBLEMAS ST'PLEMEI.36. = -3.000085 pulg.493e (b) 5. 0.

mediante un ensayo unilateral en ambos caso8.15 6.?41 a l. kt') 0.52.79 kl) t2. (a) 1800 t 6. 7. r = .60..06? a 1.46. (a) 6. (a) (IIe: p=0.56.24 249 onzas lb (ó) 63.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 363 6.(b)0. (o) t¿. El re¡ulüado significativo al nivel de 0.01 en (o) ni en (b). es 7. 7 No se puede rechaza¡ la hipóteric al nivel de 0.4 horas hora¡ horas (b) 78.45.6 horas 2400 ! 59 libree (b) 87.64.69.61.9 1?0..5 horas (b) 88.1 horas 6. Se puede rechazer la afirmación a ambos nivele¡ mediante un enaayo unilateral. 2400 t 45 librs¡.05. Sí.99.70 6. en ambos nivelea.0 4802 (ó) al menos 8321 (c) al menos 11.58.67.8 (b) 0.65. (Hi p> 0.05. 6.62.9 6. -= 3' 2tritl "'+r3l 6.58. 6.lre 24 y 40.4E. (b) Se puede rechazar la hipótesis d nivel de 0.259 a 5.1 a 148.250 6.1 a 140.68. 86 lb (b) 1800 t 328 lb (c) 1800 t S82 lb 6.1 a 288.ó2. y se acepta en ceso contrario (o no se toma ninguna decisión).519 a 7.20.8 horas 6.51.50.458 a 4.654 a 1.r.31 onzas 6.70 (b) 0. I _ ()rr)/r¿ 6.7O. 139.06 (c) t2. (a) 63. 6. (o) No se puede rechaza¡ Ia hipótesis al nivel de 0.6% 105.6 ¡ a 1g0. . (c) 106.58 e 2. 7.8 t 0. (a) 0. (c) Aceptar la hipóterie ¡i las bola¡ rojac extrafdas esüán ent. (d) Rechazar lfe ei se extraen más de 41 bolasrojas.00 (ó) 13.63.8 l: 0.944 (b) 0.) (e) t2.05 en ambos en!¡ayos.673 a 2. 0.49.Bb 6. 1. (c) Rechazar 116 si se extraen más de 39 bolasrojasy acept:ula en caso contrario (o no tomar decisión alguna). rechazarla en caso contrario. 7.69. (b) Ensayo unilateral.02 (a) 0. (a) Aceptarlahipóteeissilasbolasrojarextrafdasestánent¡e22y42 rcchazarlaencasocontrario. . (a) al menos 87.17.9a1 a 2.5).78 (b) 0. k = -lln - (ct.138 a 10.ó4..5).269 (o) 0.5 a CAPITULO 7 7. ?.63.5 (ü) 102. (o) a 230. (a) 95.2606 7.14 (a) 0.66.

A1 \¡¿ - lar frecuencias esperadas con 108. 7. 7. 13.32)r(0. 4.06. E aparente decrecimiento significativo al nivel 0.9. Un enrayo unilateral indica que no disminuye la media a ninguno de loo do¡ niveles.0 respectivamente. es ?.96 onzas (D) 8.6t)l-r.8E.6.7 respectivamente.tO.ae frecuenciae esperadas eon 1.1 y 1.5.71. 7. 39.7 Un ensayo unilaüeral muegtra quc la diferencirr e eignifrcaüive eB al nivel 0. Un enrayo unilatetal a ar¡bos niveles de aignificación muesha que la marca B es superior a la marca A. ?.79.0.3rL2 8. 0.82.72.1.6. (o) t 0. 13 y 2 respectivamente.6. 23. 7.86. 66. 49.96.64 1 0. 7 (a) si (ó) no . Un ensayo cambisdo.78.05.01 . 14. concluimos que el primer grupo no es superior .36.1O0. 50.01.3. 4. 11.05.1.06.l0l.6 respectiVamente.83 onzae (c) 8. 43. ?.E5.9.6. es 7. 15. 60.73. f (x) = T.05 pero no al nivel 0.01.e0.7 respectivamente. Mediante un ensayo bilateral al nivel de aignificación de 0. 21.94.1 y 0.20.63 onzas 7. 7. (a) 0.0. 7.64 + 0.87.1. al eegundo. pero debe introducirse si el nivel de eignificación adoptado e¡ 0. 53.2.99. 9. 7.El' 7 Un ensayo unilateral muestra que el proceso no debe inhoduci¡se si el nivel de significación adoptado es 0. Las frecuenciae esperadac 8on 1. (o) Un ensayo bilateral indica que no hay diferencia en la calidad de fabricación al nivel de 0. Un ensayo unilateral rnuestra que a ambos niveles el contenido -nedio en cobre es más alto que el señalado en las especificaciones.98.05 pero lo es al nivel 0. Podemos conclui¡ que la primera varianza es mayor que la regunda a ambos niveles. pero no al nivel 0. f (r) = aC"(0. El aparente incremento en la vai'iabilidad no es significativo a ninguno de loe dos niveles. [.7.7.e5. Un ensayo bilateral a ambos niveles muertra que el producto no cumple con las especificaciones.4.RESPUESTAS A PROBLEMAS ST'PLEMENTARIOS 7.?. bilate¡al muestra que no hay eúdencia s ni¡guno de los do¡ nivdes de que la duración media haya 7.64 (ü) 0. (b) Un ensayo unilateral muestra que I no ee mejor que A al nivel de 0. la¡ frecuenciae esperadar son 32. 12. E resultado es significativo a este nivel con un enar¡yo unilateral. .E3. 7. y 4. 3. 7.77. no ¡e deduce que haya diferencia de acidez.01.2. no 7.7ó. 7.?.2. Las frecuenciae eeperadas son 41. No podemos concluir que la primera varianza 8e¡ mayor que la segunda a ningún nivel.4. 5.t9.05. pero no lo e¡ con un ensayo bilateral. 7.2.81 ln 7.7 y 0.0118 7.76.34. Un ensayo unilateral muestra que el nuevo fertiliz¡¡¡¿ superior a ambos niveles de significación. 7. (o) 6 (D) 4 7. 7 .84.0.4. 7. 7.0118 (c) 0 (d) 0 (e) 0.05. Concluirfamos que el resultado no común al nivel 0. Mediante un ensayo unilateral al nivel de eignificación de 0.

L72.3179 (con conección de Yatea) 7 .104. 7.115.05. tul e no (b) 10 si (c) 10 (d) 8 7. (b) El ajuste es pobre al nivel 0. La hipótesis no puede rechaza¡se a ninguno de lo¡ nivdes. 7.06. (a) Un ensayo bilateral al nivel 0. (o) El ajuste es muy pobre al nivel 0. 7. sea mejor que la B d nivel 0. La hipótesis no puede rechaza¡se a ninguno de los niveles.1L7 . el re¡ultado er significativo al nivel 0.728. No hay razón para rechazar la hipóteeis a ningún nivel. ) Un ensayo unilateial al nivel 0.L23. (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). (o) 7.116.103. (o ) 10. 7.133. (o) El ajuste 7.06. El proferor nuevo no sigue las miemas nortnas que los otroe. ?.05.05. La conclusión es la misma. 1. bueno (b) no (o) El ajuste es "muy bueno".t25: 0. .132. 0. (a) (b) (c) no ?. 0.05 indica que á tiene una mayor proporción de bolas rojas que B.01' 7.129.465t 7 . 7 .11f es es significante al nivel 0.109. (b) (b) 7. Puesüo que la dietribuciónbinomialdaunbuenajustedelosdaüos.0. .0738 (corregida) 7. Mediante un ensayo unilateral.118.RESPUESTAS A PROBLEMAS SI'PLEMENTARIOS 365 7.134.114. 7.05. No puede concluirse que la marca A 7. ?. 60.106. (a) 0.05 no rechaza la hipóteris (b de proporcioneo igudes. No hay razón para rechazar la hipótesis de que las monedas ¡ean hon¡adas. La hipótesis puede rechazarse al nivel 0.108. No al nivel 0. (b) El ajuste es bueno pero no "muy bueno". (a) 0. esto es consistente con el Problema ?.0872.109.06 pero no al nivel 0'01.110.05. La hipótesis no puede rechazarse a ningfin nivel.1985 (conegida) (D) 0. 50 respectivamente ( b ) La hipóüe¡is de que lo¡ reeultados ae'an iguales a los eeperadoc no 8e pueden rechazar al nivel de significación de 0.138.13?. Igual conclusión. La hipótesis puede rechaza¡se a ambog niveles.113. ?.05 pero no al nivel 0. (c) si no si no (c) no (c) no ?. 7.LO2.3863. 7. ? . La diferencia ?.124.139. 7 . ?. La hipótesis puede rechaza¡se a ambos niveles. La hipótesis no puede rechazar¡e al nivel 0.2205.10? .105.

21r*O.0 4. 75/p 8. (o) 1.14¿0.14(10)0.0 a (b) B?.9927 8.60 (ó) 1.gBB+o. (o) 0. (b) a = 29.r10. (a) 8. =0.2928 y 0.29y 8. (a) z = 3.109. 0.E0.14(L.80 E.000 + 0.20(r-B) +0.00 t _1.0 a 19.99.08?86 o¿ (ó) (c) t?0 ft. (a\ u=-i+í" 6 u=.91¿6 y y 0.151{" ¿O ó U -92.21 0.87.85.8r*12 (b) r= 0.188 ¡ (c) r32 8.rz 8.?600 y 0.6606 (ü) 0.60 8.89. u = 6.398 (ó) 192.6633 1.ss56' 8.oooo t 0.108. B. (o) (ü) t.096 o * 0.8.89 * L.s912 (ó) 0.64y 8.00 8.r3.0 t 5. (¿) 0.88.366 CAPITULO 8 RESPUESTAS A PROBLEMAS SUPLEMENTARTOS 15o 8.71.r1y (d) 7g 95 t.9818 8. (b) d 8. 37.00 (c) ?.408 + 0. 2. (¿) t 3. (a) 0.6 1.661¡ (c) r = -14.0 t 8. (a) 0.?3S(n-B)2 6 41.00 6 r= (¿) 1.448 8.1r4. (a) 3. (o) (ó) 2.138 t a 0.46¡r*l 8.1 E.5t*3.?961 y (ó) 0.92.szos 8.90. E.96.112.115.?801 y . (a) 24.68.E6.2 (c\ 182.24 (b) 8. (o) E.67.96.9?. (o) 1.126s 'y 0.66r * 2.6tly E.6 E.7l4r (b) "=t*lu 10.69.113.81. ft (d) Bg? (b') A=32.66.6t-t.13 + 0. Mediante un ensayo unilateral no puede rechazarse la hipótesie. (a) 0. (o) v=0.8861 1 t. 0.70.79. (cr.64. (c) 37.304 (ü) 1.s72 80. (bl u = 4. (o) 8.24.500a (cl r = 2.5 (b) (ó) g?.IBB72 616 8. -0.0 8.Z.111. (a\ 0.8961 (b) u = 8. - 1.968 (b.40 6 A:32.107.427Y 61.60 (ó) 17.00*1.) 1.84.77 y -.28 (o) (ó) Mediante un er¡rayo unilateral puede rechazaree la hipóteaia.74.9 2. r¡o¿ = fi -o.4 si no no si E.?8 + 1.20 E.

01.05.1083¡*0.4f.lgxsilaunidadxesLl2añoyelorigenesel ¡ es un año y el origen es el 1o.(b)y:722.01. 9.l31. una diferencia significativa en sus calificaciones a ambos niveles.129. una diferencia significativa en operarios pero no en máquinas.24. una diferencia significativa en rendimiento a ambos niveles. llay una diferencia significativa en neumáticos y automóviles al nivel 0.7 y 173. 9. 9.6402 si la unidad 8.16-0.30 pulg. No hay diferencia significativa en neumáüicos a ningún nivel.6158 E.38. 9.36 lb 3.38. (o) u = 3. 9.05 pero no al nivel 0.11?. de julio de 1950 (d) 142. 415 8. 9. 9. 9. No hay diferencia significativa en los sitios o fertilizantes al nivel 0.125.42. llay 9.01. (c) si no (ó) 8.128.126.25. (a\ 20.44.23. Ilay 9. 9. Igual al hoblema 9. 9.39.deenerode1954.34.7 (e)1977 1o.120.33.4 libras 8. 9. 8.9254 y 0. una diferencia significativa en marcas al nivel 0.33 r . flay 9. No hay diferencia significativa en operarios o máquinas. 0. 9. Hay una diferencia significativa en los sitios pero no en los fertilizantes aI nivel 0.4 (b) 116. No hay diferencia significativa en fertilizantes o suelos.05. Flay una diferencia significativa en los métodos de enseñanza al nivel 0-05 pero no al nivel 0. 9. 0.27.oy:107. (b)y:18.42*2. CAPITULO 9 9. Igual al hoblema 9.L27. No hay diferencia significativa en el color del pelo o estatura.40: No hay diferencia significativa en neumáticos o automóüles al nivel 0.36.26.38x E.0.43.66.3?.4653¡z.130.35. No hay diferencia significativa en operarios o máquinas.31. No hay diferencia significativa en el tipo demaíz o suelosal nivel 0.9*4.116.01. tlay 9.4547 8. No hay diferencia significativa en los métodos de enseñanza o plantelesal nivel 0.32. .dondeyeslanatalidadpor1000habitantes.05. 9.7096 y 0.43. Hay una diferencia significativa en el tipo de maíz pero no en los suelos al nivel 0.05.¡es5añosconorigenen julio de 1935.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 367 8.01 .9653 (D) 8. 0.

9.54. 9. C.Q.61. FIay diferencias significativas debidas al factor 1 pero no al factor 2 o tratamienLos A.64.47 No hay una diferencia significativa en rendimiento escolástico debido a diferencias en estatura.62.Q. y canüidades del primer compuesüo químico. 9. No hay diferencia significatirra en tratamientos a cualquier nivel. pero hay diferencias debidas al I. No hafl diferencias significativas debidas a los factores o tratamientos. 9. 9. al nivel 0. 9. 9.4E.52.55.66. No hay diferencias significativas debido a los químicos o s¡tios. sílo son. pero las debidas al LQ.01 las diferencias en los puntajes del examen debidas al estado veterano no son significativas. llay diferencias 9.49.Q.05. No ha! diferencias significativas en los puntajes de los estudiantes de diferentes partes del país. significativas debido a los sitios pero no a los fertilizantes. . No hay diferencias significativas debido a sitios o fertilizantes. No hay diferencia significativa en los puntajes de I.63. Al nivel 0. 9. fuual al hoblema 9. ltray diferencias signifrcatiyas en especies renciag signif icat ivas. 9. 9. máquinas o fortaleza de cables.46.54. significativas en los puntajes de los exámenes debido al estado veterano y al I.368 RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 9. llay diferencias 9.45.ó. B. pero no otras dife- ' ltray diferencias significativas en tipos de cables pero no en operarios. color del pelo o Iugar de nacimiento. 9.3.

lO. 217 convoluciones. 112. Bernoulli. 118. 264. 26+ 246 püa datos agrupados. 198. 31O. 347 como caso especial de la distribución gamma.310. 264. 197.348. 217. 81. 306- continua a la derecha. 244 264. distribución gaussiana. 2a6-2a7 . 8ó decisión.112. 4 conjunto vacÍo o nulo. | (uéase también conjuntos) columna de conteo. reglas de. 1 18 distribución chi-cuadrado. 118. 139'141 teoremas sobre la. 268 r23 aproximación de la dist¡ibución de interl¡retación probabilfstica de la. 119 distribución ¡'. 47. 319. r97. 116 reJación de la a la dist¡ibución normal. 89 282 diagramas á¡bol.213 Bridae. 13 2.2L6 área bajo la.246 Datos agrupados.lndice Ajuste de datos po¡ distribuciones üeóricar.311 aleatorios. 34ó cu¡va normal tipificada. 129.112 219. 99 (uéase tombién distri' bución normal) áreas bajo la. 321. 295. 254. 12. 267. 108. L28. 11.263 covuianza. 134. 46.281-289 tabla. 40 control de caüdad. 112 relación de la a la distribución binomial. principio fundameotal de. 306. 177.243. 2. cumplemos.129 distribución exponencial. 258-3O5 gradual.244 cuwa nomal.324 el. 163 decilas. 248 decisiones estadlsticas.97 dist¡ibución binomial. 127. 26O clase. 163.78. 144 cont¡ngencia. 219. dewiación. 46. 92- curua cuadrática. 333 cociente de inteligencia.L28 relación de la a la distribución de Poisson.118 propiedades de la.135-137. 3 264. 263. 259 típica (uéose desviación tíPica) desiación media. 118 distribución de Poisson. 56-60 pua el caso continuo. 1 conjuntos medibles. 85. 269 ensyo chi-cuadrado Pua la. 6 conección de Yates para la continuidad. 316. 184 categorías. 118 valores de Ias percentilas de Ia.37 Cambio de variables. 306-338 fórmulas cortas en el. 221-226. 11O. coeficiente de. 134 cuilas cdacterÍsticas de operación. 117.269 cunas de regresión no lineal. 1 13. 117 ¡elación con la chi-cuad¡ado y t. 9.86. 119- 310. 1 51 contado¡ Geiger.322 para experimentos de dos factotes. 316 bondad del ajuste. 118. 61 disÉibución beta. 2 constante de Boltzmann. 142 relación de la con la binomiál negativa. 135 distribución bimodal. 118. 213. ó conjuntos iguales. 258. cuenteo. 291 26r. 83.293. colección. 29G 292 correlación gradual. 246 muestral. 315. 30. 264 curyas OC. 116. 344 curua parabólica. 268. 177.294 generalización del. 263. 265-267 coeficiente de correlación lineal. 328. 47 para el caso disc¡eto. 183 de la distribución binomial. 47. 11O á¡eas bajo la. 109. 232-236. 7L. 345 ordenadas de la. 13 conjuntos bien definidos. 345 tipificada. 27.244 conelación. 1 conjuntos disjuntos 3. 11. 317. 217. 297 distribución de Bernoulli (uéose distribución binomial) distribución de Cauchy. 3 1 5 altamente significativos. 23.163 centroide o centro de gravedad de los datos. 112 clasificación simple o experimentos de un factor. 11. curua de ajuste. 246.28l-244 fórmula p¡oducto-momento para el. 332. 22O. 26 4 coeficientes de confianza. 115. 23A.2A2. 21 diagramas de Venn. 138. 5 completa aleatorledad. L27. 316. 248 curuas de aproximación. 116 cuenta. 139. 216. 92-94 teoremas sobre la. 268 generalizando. 2 (uéose deteminación. 258 relación de la a la distribución norrnaI.315. coeficientes de. 349 distribuciones gamma. lO9 (véase tomb i¿n distribución no¡mal) distribución geomét¡ica. L24. 297 poblacioml. 266 (véose tom' bi¿n conelación y reg¡esión) curva de potencia. 135 teoremas sob¡e la. 266. 161. 6O. 24O. 78. 316 püa de tres factores. Só.118 distribución hipergeométrica. 88. 28L-284 ensayo de tripótesis y significación para el. 2a5'247. 100. 316. 115.242. 26 4. 9. 267. 11. I29 aproximación normal a la. 82 cuadrados greco-latinos. 117. 164. 25 coeficiente de conelacion. 97 también varianza) dewiación tÍpica.11-13 teoremas sobre. 296 independencia y. 46 casillas. 3 dimensiones o unidades. 116. 3O7. 2ll. 284. 24 complemento de un conjunto. 111 r34 distribución de Pascal. 1 (uéos¿ también conjuntos) clases y frecuencias de clase. 1 77 combinaciones. 309 media y varimza de la. 220. número desigual de obseryaciones en 312-315 experimentos conjuntos. 114. 109 de la distribución de Poison. 263. 31ó álgeb¡a de sucesos. 33O cuadrados latinos.26l múltiple.125. 94. 239 propiedades de la. 295. 342 axiomas de probabilidad. 264. 296 Poisson a la.145 ajuste de datos por.324 cuadrados ortogonales. E4. 217. 19ó coeficientes de correlación múltiple. 1O8. 315. 225 análisis combinato¡io.333 para experimentos de un factor. 136. 247 332. 6 conjunto nulo. 85. conelación y reg¡esión üneal perfecta. 10. 130. 237 dispe¡sión. 112 de Ia distribución normal. 3f6-321 clasificación tríp¡e o factor tres expedmentos. 232-236. l.97-99. problema. 224. 316 27 distribución binomial negativa. ' dife¡encia de conjuntos. James. 316 diseño experimental. 115. 117. 2ó8 94. 218. 168. 133. 82.316-321 aproxirración de Stirling a nl.2 conjunto universal. 78 diseño de experimentos.297 teo¡ía muest¡al de.237-239 aleatoriedad. 82. 321.320. 263. 1l uti¡izando p¡obabilidad. 133 . 1 17 moda de la. 112. 31 curtosis. 21 1 desigualdad de Chebyshev. 1O9 relación de la a la distribución normal. 143. completa. 2L7.169 negativa. 115. 344.3f6 bloques aleatorios. 83. 311. 84 ajuste dé datos por la. 234. 230 coeflcientes binomiales. 9. 25-2 7 análisis de v xianza. 108 bloques.

295. 2I9. 168- de ¡elaciones de vuiauas.226-228 mediante diferencias de proporciones. 52 distribuciones de probabilidad condicional. 113. 113 distribución Maxwell.pua el coeficiente de correlación. 178 (uéo¿e 213 mediante la distribución f de Student. 117. 162. 64 293. 44 dis¡etas. 276. 3 7 Fisher. 262. 2L4. 306-31O.2A6 224 espacio muestral. 310. Futl.A. 5 enfoque uiomático de ptobabiüdad. 198. 6 fórmula de inve¡sión. 138. 54 de sumas de variables aleatorias. áreas bajo mediante relaciones de varianzas. 4ó.293. 299 er¡ores del tipo I y del tipo II. estadfstica. 41 de funcit¡nes de vadables aleatorias. 286 fórmula producto-momento para el coeficiente de cor¡elación lineal. 4 46. 38. 81 fórmula de Spe¡man pa¡a la cor¡elación gradual. 84 distibución uniforme.294 pa¡a la püábola de mlnimos cuad¡a- teoremas sobre. 2L9. 213. 198. (pe¡cepción ext¡as€nsorizlr. 260 ejes. 237. 162. 1?3-176 de varios estadísticos. 92. 1O8 .268 pua grar¡des muestras. 216 Fermi-Di¡ac. 196. 2ó9. 1O8 expansión binomial. principio de. t7l enfoque a posteriori de Drobabilidad. estadfstica (uéose estadís- tica Bose-Einstein) e1e x. 164 acumulada. 117 teoremas sobre la. 99 de la distribución binomial. 81. 119 distribución muestral. en téminos de varimzas y del coeficiente de conelación. 113.279- 164. 269.lores medios predichos. L4l 11 8. 124-127 ajuste de datos por la. 138. 213 ensayos de una cola. 118. 290 estima. pua variables aleatorias contfuruas. 81 ble. 117. 194. 164 acumulada. 4 espacios muestrales inflDitos contables.2t6 ¡elación con la teorÍa de estimación. 2 interacción en el. 199 insesgada (u¿ose estima iDsesgada) estimas de máxlma verosimilitud. 217 ensayos de dos colas. 158. 31 1 experimentos de Mendel. ó3. 156. 77 espermza condiciona!. 231 experimentos de clasificación doble (uCose experimentos de dos facúores. 216. 162 INDICE efectos de tratarniento. 161. 194 (uéate estimas insesgadas) toñbién mediante diferencias de medias. 314. 2L9.229-231 2L con repeticiooes. fó8.39. 6.294 fómulm de Euler. 42. 161. 39. 306 Fistre¡. 159. 2r9. 133 distribución Weibuü.47 disc¡etas. 293.370 media y vaxi^nza de la. 1 de proporciones. 220. dualidad. 263. 164. 262. 211267 estimas no eficientes. 84 distribución multinomial. 278. 41 distribuciones de probabilidad discret¿.282. ?7 muginal. 267 pua valores predlchos. 212. 160. 83. mediante la disúribuclón F. 194-210 eficiente. 28t. 1O8 expamión multinomial. 1ó7. l6 3 frecuencia relativa. 238 bidimensional. 47 interpretación gráfica de la. 156. 14. éxito. 311 notación paa. 194 estimas po¡ puntos. 312 Einstein-Bose. 111 teo¡ema de la unicidad para le. 273.160. 5. 215.263. óó estatura de padres e hijos.S. 214. 142 distribuciones condicionales. 110 espermza matemática. 4O. 297 f¡ecuencia observada. probabilidad de. 231. 63. 162 de difetencias y sumas. 218. 8l totales. 76. error típico de la (véose ettot tfpico de la estima) estimación. 39 (uéase tambíén funciones de distribución) función de distribución conjunte. 297 e¡rb¡ o residuo. 4. 163. 157. 17?179 acumulada. 261. 36 función aleatoria (uécse vuiable aleatoria) función beta. 114. 16ó. 163. 296 derivación de la. 243 ensayo de bipótesis y significación. 159. 3O8 error tfpico. 77 (uéose dos. 4 espacios muestrales no disretos.P. 2L6. 266. ó2 de funciones de vuiables aleatorias. 86-E8 condicionel. 14. 265 77 38. 346 media y vaianza de la. 112 de la distribución normal. 22L- experimentos de un factor. 119. 109 propiedades de Ia.6 286. 91. 6 enfoque clásico de probabilidad. 266 para vrimzas. 49. 162 distribución multimodal. 98.216. 80. 279 efectos de bloques. 43-46. 26ó también esperanza) estadfstica Bose-Einstein. 223. 213 para va. 324-327 variaciones pa¡a. 179 relativa. 117 relación de la a la chl-cuadrado y F..) distribución porcentual de frecuencias.215. 184 de medianas.196. 115. 81. 262. 157 función de densidad normal tipificada.ent. experimentos de dos faetores.318 de vuianzas. 94. 267. 162.274. 43 teoremas sobre la. 222 escalera flor. 312 efectos de lnteracción.249 distribución nonnalr 109-1 11. 326 función de distribución acumulada.22L.267 formas igualmente factibles.244. 118.179 distribuciones de frecuencia ¡elativa. 216 para coeficientes de regresión. 44. 45 función de densidad conjunta. zLl. 83. 29A espacios muestrales infiniio no conta- fumión complementaria de error. 61-63 distribuciones co¡iuntas. 25. 141 probabilidad.2La. 137. 2t6. 341 fracaso. 164 distribuciones de fiecuencia acumulada. distribución de 2t6. 16G162. 164 f¡ecuencias elementales. 132. 92. 44. 263. 178. 27 O. 194-2LO. 3 Ecuaciones norraales pua la recta de mfnimos cuad¡ados. 4 espacids muestrales continuos. 261. 1ó espacio muest¡a] finito. 285. 6 enfoque a priori de p¡obabilidad. 1ó chi-cuadrado y. 199. 264. 4 esperanzar 76. 35 estadfstico no puamétrico. probabilidad de. 40. 44.201 esti¡nas insesgadas.177 enfoque de la frecuencia relativa de 308. 5. t¡ansformación Z de. distribución f de Stud. 342 función característica. 13ó función de densidad para la. 287. 163.226-22a mediaate la distribución chi<uadrado. 111 distribución nomal bidimensional. ó1. R. 212. 48.61. I76. 194 estimas sesgadas. 116. 164 distribuciones de probabilidad. 44 . 260 elementos o miemb¡os de los conjuntos. 82 distribuciones de frecuencias.312. 313-315. 36 E.266.277 para el plaao de regreslón de mfnimos cuadrados. 311 distribución t Student) 163 acumulada. 289. 198. 267 3-2L5. 4ó para valiables aleatorias dlscrets.¡ecuencia marginal.4. 41 conjunta. 260. 194 e¡aor tfpico de la estima. 194 estimas. definicid¡ de la. 286-287 . 218 frecuencia porcentual. 117 disribución trimodal.214 püa pequeñs muestras. 297. 77. 289. 186 estadlsticos muestra¡es. óo conti¡uas. 198. 266. 43. 4 espacios muesfales discretos. 16-321 225 la.178. traslación de. 52-56 continuas.139-141 ¡elación de la a la distribución normal.171173 de medias. 290 . 163. 236 mediante la distribución normal. 157 de dewiaciones típicas. 44 va¡ianza pa¡a. 113 experirnentos aleatorios. 114 relación de la a la disEibución binomial. 343 función de densidad. 16ó-168. 206. 94. 194 estimas por intenralos. 241 3 mediante medias. 221-226 mediante proporciones. 38. 160. 1Og de la distribución de Poisson. 6 ensayo chi-cuadrado para bondad del ajuste. 259 estimador insesgado.

292. 204 para medias.179 ojivas porcentuales. 86. 1á6 con o sin remPlazamiento. L21 Jacobiano.272 función error. 163. L78 I paradoja de Russell. 156 tamaño de la. 79 momentos condicionales. 155 población binonial.S. 1ó1 grados de libe¡tad. 1ló de la distribución F. 94 moneda cargada. 155 aleatorias. á1 lÍnea real.45. 183. 156. 96. 1 56 partículas radioactivas. 198 dist¡ibución de muestreo de la. 2 lntcnalos de confianza. 15ó. 114. 81. 171. débil ros) (ué¿se muestras independientes. 27 . 308. invuianza baio üanstotmacióD. 164. 312. 308. 159. 341. 196 muestras aleatorias. 80 teoremas sob¡e la. 221 experimental o descdptivo. 5ó. 342 función gamma. 84 (véose también media) media muestral. 309. 47. ll. 3 inteivalo de clase. 13ó de la distribución d€ Poisson. 200 número. 3O6 medias de tratamiento. 44 371 molécula de gas ideal. 163. 11 método de mínimos cuadrados.164. 163. 38 marginal. 197. 6.297 198 para rectas. 4O función factorial. LS7. 1ó5. 277. 96. 156. 157 media ditmética.249-292 n factorial. 224 niveles de significación. 45. 83. 26L. 76. 79 intenalos geml-abiertos o dos. 136 gráficos de control. 76 de una muestra. 3 ¡ey conmutativa. 85. 157 media total. 171.Q. 3O6 de de de de medias de grupo. 3O7. 177. . 342 27. 95 para las pruebas de Bernoulli. 123 de la distribución chi-cuadrado. f 56 alrededor de la media. 85. ó3 niveles de confianza. 343 central. 80. 184. 164. 39 condicional..22O. 217 gráficos de control de caüdad. 97 medidas de dispersión. 97 mejor cuwa o recta de ajuste. 11? de un conjunto de números. 159 normal. 351 loterm. 3Oo funciones de distribución marginal. 84. 96 de la dist¡ibución beta. ó8. 241 tabla de. f16. 177 muestreo. aproximación de Sti¡ling a. 6 suma de los pa¡a la distribución chicuad¡ado.313 ? probabilidad. 21?. 110 eomplementaria. 98 integr¿les especiales. 166-167. Ojivas. 352 números complejos. 37 Poisson. 1. 1O9. 8O. poker.342 función gene¡atriz de momentos. 1r6. 195 (uéose tambíén lÍmites de confianza) IÍmites reales de clase. 117. 26O intetsección de cotiuntos. 2O2. 113.¡los abierto y cetrado. 158.266 pe¡mutaciones. 84. 269.166.84 Papel gráfico de curya normal. 43. 63 función de Drobabilldad coqiuDts. 48. 156 parámetros de la. 178 moda. 84. gran media. 179-183 la distribución binomial. 196 población finita. 44. 276.98 de la dist¡ibución binomial. 266. 177. 79 alrededor del origen. 206 modelos matemáticos. 32 parámetros poblacionales. para la convolución. 85. 2 núme¡os ¡eales. 8O función monotónicamente creciente. 39. 342 fórmula asintótica de Stirling pa¡a la. 196.) mÍniinos cuadrados. 19ó. 2 pea vErian¿as. 1 56 independientes.241 hipótesis estadísticas. 112 la distribución F. 112 de la distribución normal. 111 21 E inte¡ralo semi-intercuütÍlico. acumulado. 159. 3. 1 método de expansión. 1 (véase también conjuntos) prábola. 1^O. 165. 217. \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. 342 fórmula de recunencia ptala. 213 números rleato¡ios. I 55 integrales de Fourier. 54. 1 44 pe¡centil¿s o valores percentüa. 13 lÍmites de confianza. 156 población multinomial. f96-202 L44.165. 86 Marca de clase. 259 método de comprensión. 97 medias de fila. 18O- población normal. S.D. 117 modelo matemático lineal pua el análisis de va¡ianza. 40. 45 funciones de distribución. 39. 158 I.221 experimental o descriptiva. 47. 1ó6. 8 3O7. 47 para conjuntos. lf l. 259 ir¡tetcepto. 84. 48 probabilidad de causas (uéos(f teorema teoremas de la. 6r 3 ley de los grandes números. 17? niedia. 96. 269. 1ól momentosr 79. 1O9. 40. 156. 227. 6 moneda b-omada. 179 acumuladas. 44 g¡andes muestras. 2O4. 217 259 236.INDICE función de probabilidad. 212. 41. 76. 49. 198.P.234 pare propo¡ciones. 312 g¡an total.268 funciones de probabilidad marginrl. 224 tabla de. 84. 23O inferencia estadística. teorema de la unicidad pea la. ensayos de.44. 163. 97. lnteÁ. 117 la distribución normal. 214 histograma.179183 momelltos centüales. para la convolución. 96. 306. 94 función escalera.219. 156 196 Ley asociativa. 79 condicional. 186.97 (véase tanrbién esperanza) pados.49. 89-91. 3. 155. 12. lO9. 311 mediana. ró9 población infinita. 311. 199-201 grupo. 306. 1O función paso. 2 logúitmos comunesr tabla de. 1ó8. 111 de la distribución ú o de Student. ó6. 13 Iey distributiva.312 ordenadas. potencia de un ensayo. ó4. 197. 1 7-2O función de la. para el análisis de la varianza. 163. 13 en los zucesos. 164. 1 polÍgono de frecuencia.297 miembros o elementos de un coqiunto. 164. 183. grupo control. 342. 83.312.23O Herencia. 69 para datos agrupados. 266- 4t. 46. 84. 42 para variables aleatorias discretas. 47 Pata conjuntos. 1ó8. 8. 45.5 probabilidad condicional. 27-23 población. r23. 211 (uéase tombián ensayos de hipótesis y significación) hipótesis nulas. 2. 203. 36. 350. 76. 211. 205. 55. 11ó. (cociente de inteligencia). 123 la distribución de Poisson. (uéqs¿ rectas de mÍnitnos cuadrados) método y fórmula clave. 195. 3. 243 pua paábolas. 313 polÍgono de frecuencias 179. pea conjuntos. para la convolución. 264. 162 no unicidad de la. 259 para curvas. 6 muestras. 196. L22. 21 hipótesis. 2. 184 teorÍa de correlación y regresión. l2 computación de la. 126. 19ó nivel de significación. 89'91. 194-206 para diferenciás y sumasr 196.2O3 para relaciones de vuianzas.50. 164 operaciones de coniuntos. t71. 44. 268 para vuiables aleatorias continuas.5ó marginal. funciones de densidad marginal. 26. 195 lÍmites fiduciales.293 medidas de centralización. 61-63 conjunta. 43 4O 268. 2t3. 99 pe¡cepción extransesorial (udase E. 2+2. 199. 194. 206 semi-cerra2dO. 1óó. para datos agru- Gas ideal.237.

49 ¡éplicas. 7.94 de la distribución binomial. 1 14 independientes. 46 scesos mutuamente excluyentes.266. 31O. 242. va. 27 I relación fineal.2O2 interpretación probabilística de. 311.81. 131 teorema o ¡egla de Bayes.110 vüiables dependientes. 164.2ó9 coeficiente. 289. 3O9 ent¡e filas o tratamienúos. 261. 26O. 131. grados de libertad 311 métodos cortos paa obtener las. 326 diag¡ama. 97. 266. ó. 85. 260 variaciones. plano. 89.317. 266. 284.249 computación de la. 48. 266. 249 de vaiables aleatorias distribuidas normalmente. invarianza bajo.123. 48 función de densidad de. 67. 112 de la dist¡ibución normal.49. 265. 266. 195 valo¡es de tendencia. 2AL. 324-321 residuo. 79 pados. 219. 30. 3 significación. 29O curva. 50 papel gráfico.115 variables aleatoiias con distribución chi- ta.2a2. 3O6 triángulo de Pascal. 5O con distribución dg Poisson.245 en análisis de varianza. 164 probabilidad geométrica. 183 de la distribución binomial. 237 . 38. 279 unión de conjuntos. 258. 262. 6. entre columnas o bloques. 79 vriables aleatorias con distribución Be- serie".285 recta.39 vaiables aleatorias continuas. 194. 158 de la distribución no¡mal. 306. Valores críticos. 266. 25 Unidades o dimensiones.4 Recorrido. 289 ecuación. 38.262 vüiación explicada. 26? traslación de ejes. 151 teorema de unicidad. I O8 distribuidas normalmente. 29. 216 como segundo momento. 3O8. 68 proporciones. 82 veiables aleatorias normales asintótica- ley de los grandes números paa 109. Tabla de probabilidad coniunta. 1O9. 158. 3O7 para . problema de los. 262.272 318 grados de libertad para. 13O. 4. 64 gráfica. 271 referencias tipificadas. 22O. para datos agrucondicional. 39. 85 sesgo. 311. 1 subconjuntos p¡oFiós. 79 tipificadas de. 115 cuadrado. 2a9. 30. 42.85. 5 condicional. 242.78. 312 regresión. 1lO va¡iables aleatorias adimensionales. I7 -2O. 219 en anáUsis de varianzas. 262. I 18 tablas y distribuciones de frecwncias de doble v&iación. 4. 1Og de la distribución de Poisson. 260. 50 dist¡ibuidas unifomemente. 164 dist¡ibuciones de la. 176 velocidad efectiva (¡ms). 242.116 función (uéose función de probabilidad) geométrica.294 vaianza. 212 regla de Leibniz para la de¡ivación de una integral. 269.lasificación simple. 270 va¡iables aleatorias. 89. 15 utilizando el análisis combinatorio. 58.98 serie de Taylor. 26I intersección de.287-289 transformada inversa de Fourier. 1 ilceso imposible.262 27 a. 27 8. 269. variación total. 81 transformación Z de Fishe¡. LIL. 243246 tablas de frecuencia (uéose ta¡nbién distribuciones de frecuencia) variables aleatorim distribuidas binomia¡mente. 8O dist¡ibuidas binomialmente. 226 . 3O9. 289. 79. 38 variables aleatorias de la distribución de Bernoulli. 269 vdiables-transf o¡madas.111. explicadas y no explicadas. 131 prueba del. 156 temperatura Kelvin. 8O sesgada a Ia derecha o a la izquierda.114. 15-17 p¡obablemente significativos. l94 sÍmbolos de inclusión. 160 esperanza de Ia. 262. 43 t¿blas de clasificaclón doble. 113. 130. 31 1 entre y dentro de tratamientos.259.37.284 relaciones no lineales. 5. 254.161 veiables aleatorir nomalizadas. 26-27 231. ó2-56. 259. 2O1 t¡ansformación de Fourie¡.161:171 prueba de Bernoulli. pda la función generat¡iz tos. 198 rectas de mÍnimos cuadrados. 111 de la dist¡ibución t. 213 región de rechace. tabla de. 49. ó sucesos. 161. (véase v atianza muesüral) continuas. probabilidad empírica. 292-294 cov^rianza.284. 212 ensayos de. 11O v&iables aleato¡ias dist¡ibuidas uniformemente. 223. 151 82 seguridad. 281. 161.239 problema de la aguja de Buffon. 195 desconoce la. 3f 3-3f 5. 81. 78 va¡ianza combinada.86. 78.244 representación gráfica. 85. 29. 8O ¡acte¡Ística. 2ó9 Sec¡etaria. 1?9-183 vriable independiente. 79 distribución de las. pa¡a la función ca- vaiables aleatorias independientes. 46. 108 pruebas de Bernoulü. f91. 112. 63 no conelacionadas. 6 suceso seguro. 341 ¡elación con las dist¡ibuciones t y F va¡iables aleatorias con dist¡ibución Gamma.lores esperados de las.372 o ¡egla de Bayes) concepto de la. 52-56. 258 punto muestral. asignación de las. 195.63 vüiables aleatorias no relacionadas. 352 293. 8 cálculo de las. dist¡ibución muestral de.38 discretas. 259. 22O tablas de con¿ingencia. 17-2O. 81 transfomación. 123 de la distribución de Poisson. 112 de la distribución f'. 266.27l uperf icies. 3O7. 26O. 216 var\anza muestral. 263. 38. 20. 37 subconjuntos.115 vtianza poblacional. 97-99. 264-27 4. ? sucesos independientes.273 en términos de varianza muestral v teoría de muestreo exacto. 26 2 teoría muestral de. 79.88. 21 variación. problema de la. para un conjunto de números. 63. 264.experimentos de dos factores. 64 probabilidades. 1 I O región crltica. 37 serie de Fourier. 266. 196 tigmpo de reacción. caso donde s .318 múltiple. 165. 212. 264.81. 281. 2a7. 3O9 regresión múltiple. 1O8 vuiables aleatorias distribuidas de a- cuerdo con la dist¡ibución Poisson. 3O7.260 pua vriables aleato¡ias distribuidas binomialmente.97 semi-intercuartr-lico. 1O8 variables aleatorias dependientes (uéose variables aleatorias independieDtes) vaiables aleatorias discretas. 2t9. 291) universo del discurso. 41 INDICE sobres. 23a como una función de valor real. 79. 266. 114 1ó8. 311 tratamientos. 108. 117 muestral. 217. 322-327 tabla de c. aleatorias) 2 2 241. 49. ó-7 sumas es¡reciales. 7. 311. I 1 O pila distribuciones conjuntas.2a5 vaiación no explicada.6O teorema del límite central. 264. 15 sucesos elementales. 117 de la distribución muestral de medias. 262. 6. 11 1. 297 tammo de la muestra. S2 sin dimensiones. 83. 263. 9. 317. 1ó8. 48.82 de momen- mente. 9.158. región de. 45. 46. 8.159.2a4.124 las. 259. 3Og pua las.3il1 Taylor. 263. 143. 263. 2ll (véase tombién ensayos de hipótesis y significación) vaiables aleatorias con dist¡ibución Cauchy. 14.89 combinada. 63. 78 unidades tipificadas. 111 vuiable estocástica (véase vuiables valores exponenciales. 6 algunos teoremas importantes sobre la.2a5 vatiación residual o aleatoria. 45.2a4. 26A.

.

.

l .

.

.

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

Sign up to vote on this title
UsefulNot useful