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.

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

Parte I PROBABILIDAD .

.

mientras no se especifique lo contrario. de {o. describiendo alguna propiedad conservada por todos los miembros y por los no miembros. ¡ |¡ es un triángulo en un plano ) es el conjunto de los triángulos en un plano. En general. EJEMPLO 1. u. denotamos un conjunto por una letra mayúscula A.4. Se sigue que para todos los conjuntos exactamente los mismos elementos. e. a. o. debemos estar capacitados para determinar si un objeto específico pertenece o no al conjunto.3.e conjunto es un pilar fundamental de la probabilidad y la estadística y de la matemática en general.6\. i. 4.2. Un conjunto puede definirse haciendo una lista de sus elementos o. El conjunto de las vocales en el alfabeto puede definirse por el método de extensión como { a. e. Si o y b pertenecen aC escribimos a. 4.b. u}. Si lanzamos un par de dados comunes los "números" o "puntos" posibles que pueden resultar sobre la cara superior de cada dado son elementos del conjunto { 1. 3. Si Ac B y B CAllamamosa A y B iguales y escribimos A : B. SUBCONJUNTOS Si cada elemento de un conjunto A también pertenece a un conjunto B llamamos a A un subconjuntodeB. i. grupo y colección. B. pero no un subconjunto propio. SiA C B pero A + B llamamos aA un subconjunto propio EJEMPLO 1. uloporelmétododecomprensióncomo{rlreeunavocal}. o. Obsérvese que la sola redistribución de los elementos no cambia el conjunto. léase"elconjuntodeloselementos¡talesque¡es una vocal" donde la línea vertical I se lee "tal que" o "dado que". u ) es un subconjunto propio de {o. es decir si B. EJEMPLO 1. Al lanza¡ un dado los resultados posibles cuando el resultado es "par" son elementos del conjunto {2.1. En este caso AyB tienen A+ Si A no es igual a B. El primero se denomina el método de extensión y el segundo el método de comprensión. C. EJEMPLO 1. El conjunto { Obsérvese que el método de extensión no puede utilizarse aquí. EJEMPLO 1.5._l 'Cupítulo Coniuntos y probqbilidqd EL CONCEPTO DE CONJUNTO 7 El concepto d.escritoAcB6B:Ayleído"AestácontenidoenB"o"BcontieneaA" respectivamente. i. 6). puesto que los dos conjuntos son iguales. el cual es un subconjunto (propio) del conjunto de todos los resultados posibles {L. . 3. Un conjunto puede considerarse como una colección de objetos. como siempre lo supondremos. escribimos de B. Sinónimos de conjunto son c/cse. o. si esto no es posible. y un elemento por una leha minúsculao. _ Si un elemento a pertenece a un conjunto C escribimos a€ C. u}. 5. e.4. i.6}. e } es un subconjunto.5.6. b e C. I a. A y B no tienen exactamente los mismos elementos. 2. llamados míembros o elernentos del conjunto. { 4 o. Sic noperteneceaC escribimos a é C. A tenemos A C A.2. EJEMPLO 1.Para que un conjunto seabiendefínido.

El conjunfio de todos los elementos que pertenecen simultáneamente a A y a llamala intersección dd Ay By se escribe A ñ B (región sombreadaen laFig. el conjunto de todoe los resultados posibles es el universo {L. 1-4 2. 1-1) se representan por conjuntos de puntos dentro de los círculos. Intersección. El conjunto de todos los elementos (o puntos) que pertenecen a A o a B. 1-2). OPERACIONES ENTRE CONJUNT\OS 1. . Si lanzamos un dado. se llamala unión deA yB y se escribe Au B (región sombreada en la Fig. Si AC B y B CC. En tal caso los subconjuntos de zt (como A y B indicados y sombreados en la Fig. 1 El teorema siguiente es verdadero para cualesq Teorema I-I. o tanto como aB. entonces AC C.2. es un EJEMPLO 1. Fig. Unión. l-3 Fig. EJEMPLO 1. El conjunto de loe rcsultados que consisten de las caras 7 u 11 sobre un solo dado es el conjunto nulo. CONJUNTO UNIVERSAL Y CONJI. Los elemenr Es útil considerar un conjunto que no tiene r uacío o el conjunto nulo y se denota por p. Tales diagramas denominados diagramas de Venn. DIAGRAMAS DE VENN Un r¡niverso u puede representarse geométricamente por el conjunto de puntos dentro de un rectángulo.a CONJUNTOS Y PROBABILTDAD lcAP. o simp espacio uniuersal y se denota por u. sirven para da¡nos una intuición geométrica respecto a las posibles relaciones entre conjuntos.7.3. l -2 Fig. 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 . 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. 6}1.9. EJEMPLO 1. 1-3).8.4.T.JNTO VACI( Para muchos propósitos restringimos nuestra d fico denominado el uniuerso del discurso.

cAP..esdecir. L'L.An(BnC) = (¿nB) nC -. l-6 AIGUNOS TEOREMAS RELATIVOS A CONJI. escrita por A .4u^B)uC I. l-5 Fig. símbolos de inclwión . 1'6).guenotienenelementoscomunes'sella¡¡ran coniuntos disiuntos. u el 1/. AnU (AuB)' = A'ñB' (AnB)' = A'UB' A = (AnB)u(AnB') Los teoremas L-Lzo. En la Fig. se B Si A : UB). 3.1l CONJUNTOS Y PROBABILIDAD DosconjuntosáyBtalesqueAnB:p.'NTIOS AUB = BUA Au(BuC) : (. cyf. Diferencia. interrecciones por uniones.4u(anC) = (AuB)n(AuC) A-B = AñB' Si AcB. A y B son disjuntos. el B y lo escri se llama saXl-B Fig. entonces A')B' 6 B'c.{ = A Primera ley De Morgan Segunda ley De Morgan Para cualquier conjunto generalizarse (véanse Problemas 1. 4. El conjunto que consiste en todos los elementos de A qtlle no pertenecen a B llama la diferencia áe A y B.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 .B (región sombreada en la Fig.69 AUQ-A. se escribe Fig.AnQ=9 AU'al -. 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.AñB1C An(BuC) = (AnB)u(AnC') . 1-4). t-Lzb A YB y 1-13 pueden y 1.11.

se denomina espacio muestral finito. Sin embargo. un espacio o conjunto muestral de todos los resultados posibles se da por {1. donde suponemos que ninguna lámpara eléctrica dura más de 4000 horas. (0. Un principio fundamental es que si efectuamos tales experimentos repetidamenle bajo condiciones aproximadamente idénticas obtenemos resultados que son esencialmente los mismos. Tales experimentos se denominan experimentos aleatorios. 6 | en tanto que otro es lpar. si lanzamos una moneda dos veces y utilizamos 0 para represenmr sellos y l para representar caras el espacio muestral (véase Ejemplo 1. Si elemental o simple. 0 ú :: 4000. es decir SC. Si lanzamos una moneda eI resultado del experimento es un "sello". Si tiene tantos puntos como hay en algún intervalo en elejer. = 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.2. Si un espacio muestrdl tiene un número finito de puntos.SC. EJEMPLO1. impar) Sin embargo.11. si un resultado es divisible por 3. simbolizado por S ( ó 0 ).. .esdecirunodeloselementosdelconjuntóíqs)(ó{0. 'EJEMPLO 5. EJEMPLO 1.12) puede dibujarse por puntos en la Fig. entonces el resultado del experimento es el tiempo f en horas que se encuentra en algún intervalo. EJEMPLO 1. 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. cara la primera y sello la segunda. es lógico que el último no sería adecuado pan determinar. EJEMPLO 1. simbolizadaporc(ó1).CONJUNTOS Y PROBABILIDAD [cAP. Un suceso es un subconjunto A del espacio muestral. Unespacio muestral que es finito o infinito contable frecuentemente se denomina espacio muestral discreto.16.12.3. por ejemplo.tal como 0 f r: S 1.. Silanzamosunamonedadosveces.1 0. l-? tos como números naturales 1. . Los siguientes son aLgunos ejemplos.15. 2. Si tenemos una máquina que produce tornillos. 1)). Obsérvesé que eJ córresponde al conjunto universal. En tal caso es deseable utilizar números en cambio de letras siempre y cuando sea posible. 1.SS) caras. g. Frecuentemente es útil dibuja-r un espacio muestral gráficamente. sedenominaespacio muestral infinito no contable. el resultado del experimento es que algunos pueden estar defectuosos.16.elresultadopuedeindicarsepor{CC.2. o una "cara".en tanto que uno que es infinito no contable'se llama espacio muestral continuo o no discretoSUCESOS posibles. 3.dsdecirdos EJEMPLO 1. se denomina espacio muestral infinito contable. Si tiene tantos punl'ig. por ejemplo. 1 EXPERIMENTOS ALEATORIOS Todos estamos familiarizados con Ia importancia de los experimentos en la ciencia y en la ingeniería. es decir es un conjunto de resultados el resultado'de un experimento es un elemento de A decimos que el suceso A ha ocunido.1 ) representaselloen el primer Ianzamiento y cara en el segundo lanzamien[tr. Un suceso que consiste de un solo punto de cJ frecuentemente se llama un sueeso .or . etc.CS. Si lanzamos un dado. no defectuoso}. hay experimentos en los cuales los resultados no son esencialmente los mismos a pesar de que las condiciones sean aproximadamente idénticas. 4. como en el Ejemplo 1.13. 1-7 donde.6). si lanzamos un dado el resultado del experimento es uno de los números en el conjunto {L. .5. Así cuando se produce un tornillo será un miembro del conjunto {defectuoso. por ejempio. 4. Si un experimento consiste en medir "la vida" de las lámparas eléctricas producidas por una compañía.14. EJ EMPLO 1 .

w tloríá de conjuntos e inversamente. entonces podemos obtener otros sucesos en cJ. Como sucesos particulares tenemos el suceso en sí mismo. Por ejemplo. que es el suceso cíerto o seguro ya que un elemento de eJ debe ocurrii. y de estas dos maneras una cara puede aparecer en una sola manera. entonces la probabilidad del suceso es h/n. 2.17. A n B es el suceso'qtanto A como B" 3. perosi estamos regutJs de que'el suceso no ocurriú d_e9. 1-8.cualquier experimento aleatorio siempre hay incertidumb¡e sobre si un suceso específico ocurrirá o no. SS) : eJ A-B- Añ B: {CS} {^SC. simplemente "cara" y . Flxisten dos procedimientos importantes por medio de los cuales podemos obtener estimativos para la probabilidad de un suceso. CC}. entonces ta próbauilidad del suceó es h/n. Equivale adecirque laprobabilidad contrasu ocurrenciaesdel 75% al25vo o de B ai. que se llama el suceso imposible puesto que un elemento de Q no puede ocurrir. 1. 4.18. Enfoque'clásico o a priori Si un suceso puede ocurrir en h maneras diferentes de un número total de n maneras posibles. Si estamos seguros de que el iuceso ocurrirá decjmos que su probabilídad es 100% ó 1. 1l CONJUNTOS Y PROBABILIDAD EJEMPLO 1. y el conjunto vacío Q. como se indica en la Fig. un suceso ocurre h veces. excluyentes. Supóngase que deseamos la probabilidad de que resulte una cara en un solo lanzamiento de una moneda.'sello" (suponiendo que la moneda no se pierda ni caiga verticalmente). 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.Puesto que hay dos maneras igualmehte factibles del resultado de la moneda.como frecuencia relativa o a posteriori. es decir que no está cargado. CC} EL CONCEPTO DE PROBABILIDAD En.cAP. CC. EJEMPLO 1. razonarno{¡ que la probabilidad requerida es 112.[ proposicio Fig' 1-8 Empleando las operaciones de conjuntos en sucesos en Así si A y B son sucesos. SC. Entonces A : {CS. Haciendo referencia al experimento de lanzar una moneda dos veces sea A el suceso "por lo menos resulte una cara" y B el suceso "el segundo lanzamiento sea un sello". 2.19. A' es el suceso "no A". A.lm9s que su probabilidad es cero. 1.B es el suceso "A pero no . EJEMPLO 1. 0). SilosconjuntosconespondientesalossucesosAyBsondisjuntos. Enfoque.ad con la que podemos esperar que un suceso ocurra es conveniente asignar un número enhe 0 y 1. donde n es muy gmnde. Esto también se llama laprobabilidad empírica del suceso. Si después de n repeticiones de un experimento. 1) y (1. diríamos que hay y 26Vo de oportunidad de que ocurra y un 767" de opoitunidad de que no ocurra. Esto quiere decir que no pueden ocunir ambos. frecuentemente decimos que los sucesos son mutuamente. el suceso que sólo resulte una cara es el subconjunto del espacio muestral que consiste de los puntos (0. SS } así tenemos A U B: {Cg A': {SSl SC. AU B es el suceso "Aó B o ambos".B".esdecirAñB:Q. si lanzamos una moneda dos veces. . En ólgebra de sucesos que coffesponde al álgebra de conjuntos indicada en la e. Al llegar a este resultado suponemos que la moneda es honrado. B : { CS. Como medida de la oportunidád o plobabilid. si la probabilidád es de 1f4. todos igualmente factibles.

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

4. El espacio muestral es e-I: {1.... Véase Problema 1..5.entonces P(A) = P(AnAi + P(AñAz) *'.. si suponemos probabilidades iguales para todos los sucesos simples.]) .P(AsnA) (rr) + P(Lt\AzñAs) También pueden hacerse generalizaciones a n sucesos. entonces P(A¿: '!y si A es k=1. En particular.A..21.An (1+) P(Ai + P(Az) + .. 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. Az. Ar.cAP.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 5.3..+P(4") = 1 (e) 1-19: Si A y B son dos sucesos cualesquier4 entonces P(AuB) = P(A) + P(B) .. 1l CONJUNTOS Y PROBABILTDAD P(Ar) Teorema +P(A2)+. entonces 1 6 .. entonces P(A:U AzU ¿") : P(... si A (10) t. á3 son tres sucesos cualesquiera.P(üñAz\ - P(A|¡A..) + P(Ar) + P(As\ .2. + P(ánA") (rr) ASIGNACION DE PROBABILIDADES entonces por el Teorema 1-18 Si un espacio muestral el' consiste únicamente de los sucesos elementales Ar. Si asignamosprobabilidades iguales a lospuntos muestrales.79. 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. esdecir si suponemos que el dado es honrado. Az.B\ Generalizando. Hallar la probabilidad de que resulte 2 ó 5.. EJEMPLO 1.2.. como el de la frecuencia relativa de la página 6.. Podríamos lógicamente emplear otros procedimientos para asignar probabilidades. + 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).4.. Se lanza solo un dado.6}.P(A.

r-9 EJEMPLO 1.22.. A.) + p(A)P(Al Azl + .Ya queB es la unión de los sucesos 1-18 que 7.á PROBABILIDAD CONDICIONAL = t 1 Sean A yB dos sucesos (Fig. Fácilmente se demuestra que la probabilidad condicional satisface los axiomas en la página 6.) excluyentes á1. Denotamos por P(BiA) la probabilidad de B dado que A ha ocurrido. P(BIA\:"+#=#=? Por tanto.CONJUNTOS Y PROBABILIDAD El ¡uceso que resulte 2 ó 5 ee [cAP. + p(A")P(AlA") (20) . . (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 .41 ha ocurido tantas veces la probabilidad de que A3 ocura dado que At y Az han ocurido. TEOREMAS SOBRE PROBABILIDAD CONDICIONAL Teotema 1-22: Para tres sucesos cualesquieraAl. 1-9) tales que P(A)> 0. Por tanto P(2u5) = P(2)+P(51 = *. TambiénP(AñBr:216:1/3. A3 tenemos P(AtñAzt\ás) = P(A) P(A2l At) P(Asl Atn Az\ (1e) En palabras. es decir la probabilidad de que B ocrura dado que A ha ocu¡rido. entonces P(A'. se convierte en el nuevo espacio muestral remplazando el original e-I. el saber que el resultado del lanzarniento es un número iinpar aumenta la probabilidad de Ll2 a 213. . ilamamos a P(B I A\laprobabilidad condicio¡wl de B dada A. (o) Si B denota el suceso {menor que 4). 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. (o) no se da ninguna otra información. Puesto que se sabe que A ha ocurrido. A2. 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. (b) se da que el lanzamiento resultó en un número impar.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(A|A. 1 indica por 2 U 5. Teorema 7-23: Si un suceso A debe resultar en uno de los sucesos mutua[iente Ar. El resultado se generaliza fácilmente a n sucesos. Hallar la probabilidad de que en un sólo l¿nzamiento de un dado requlte un número menorque 4. AnB Fig.

entonces todas las fr cosas pueden realizarse en el orden especüicado en nr rr2 .en n2 maneras diferentes. 2' 4 : 8 maneras de eacoger una cami¡a Un diagrama..92. si se cumple (2I) (21) Ar. Az.. .. Ar.23.¡ maneras diferentes. . .k=t. se emplea frecuente' mente en conexión con el principio anterior. An que pueden causar la ocunencia de á. Inversanente. = P(A)P(Az)P(A) (qsl Ni (22) ni (23) son sufrcientes por sí solo. As son independientes entonces deben ser independientes por parejas. 1l SUCESOS INDEPENDIENTES CONJUNTOS Y PROBABILIDAD Si P(B lA) = P(B). Si P(AnBl = P(A)P(B) de (I8). . ??¡ rn?D€rds diferentes. Sin embargo. es decir uno de los sucesos debe ocurrir.. entonces decimos que á y B son sucesos independicnües. Por esta razón con frecuencia se hace referencia al teorema fle Bayes como el teorema sobre laprobabilidad de causs. . . surgen problemas cuando la cuenta directa se convierte en una imposibiüdad práctica En tales casos se ernplea el anólisís combinntorio. La generclización a más de tres sucesos se hace fácilmen- TEOREMA O REGLA DE BAYES Supóngase que . An son sucesos mutuamente excluyentes cuya unión es elespacio muestral ef.. 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.91 y 1.3 (221 'y también debemos tener P(ArñAzñAr) te. 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 . como se deduce Algunas propiedades de la independencia están dadas en los Problemas 1.cAP.A1. 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. Si un hombre tiene 2 cami¡as y 4 corbaüac enüoncee tiene y luego una corbata. . .2.a de contar. 1-10). PRINCIPIO FUNDAMENTAL DE CUENTA. es decir la probabilidad de que B ocuna no está afectada por la ocurrencia o no ocurrencia de á. V finalmente una k-ésima cosa puede realiza¡se Qr fl. que podría llamarse una forma sofisticad. Esto es equivalente a entonces A y B son independientes. . Ar. llamado diagrama órbol debido a su apariencia (Fig. P(A¡nAx) = P(á)P(A*) j+lc donde j. .

. . . I 2 1 Fig. l-10. las diferentes maneras de áscoger una camiea y luego una corbata se indican en el diagrama á¡bál de la PERMUTACIONES Supóngase que se dan n objetos diferentes y deseamos ordenar r de estos objetos en una línea puésto que hay n manera. D. n2 son de un segundo tipo. = n(n. 43 y 2p EJEMPLO 1. rr. ?a. . Si las camisas se representan por S¡. lógi tos es Sup n conjunto que consiste de n objetos de los cuales nr son de un nguir entre sí). G es ¡P:t = fi. .. + . Así abc es di o lo Sin embargo. . Tz. EJEMPLO 1. . 41. .l. . Para el caso particular cuando r: . 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.6.P. . Tt. (25) se conüerte en = n(n-l)(n-z)..2). E. Así el núm&o de permutaciones diferentes (28) Véase Problema 1.to. clr no se Aquí.10 CONJUNTOS Y PROBABILIDAD [cAP.. .P.26.l)(n .r + l\ donde se observa que el producto tiene r factores. 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. 52 y las corbatas por ?1.7 manerias r * escoger ét segunaoiU¡e_ to-. EI número de ordenaciones o permutaciones diferentes que consisten de 3 letras cada una y que pueden forma¡se de las ? letras A. Llamamos a . El número de permutaciones diferentes de las 11 leüras de la palabra u M/SS/SSIPP. en muchos problemas estamos interesados solamenos sin inteiesar su orden. -se deduce por el principio fundarnlntal de cuenta que el número de ordenácionás.1 : nt (26) que se denomina n factorial. n. son del hnr + nz + . (n . y luego de hacer esto n de . consiste de LM.24. y finalmente n 1 formas dó escoger-el r-ésimo objeto. F..34.s de escoger el primer objeto. . elnúmero de permutaciones de n objetos lomados de r en r. . B. . l-10 (25) . = . Dichas selecciones se llaman combinah misma combinación. C.P.5 = 210 .

Sea A el conjunto de todos los números reales cuyos cuadrados son iguales a 25. que también puede escribirse como (2e\ ("\ \r/ Fácilmente se demuestra que n(n-L\". (|)*-lt * (i)*"-. (a) A:kl* elementos. es la base de los logaritmos naturales.s resrreltoa CONJTINTOS 1. Indique cómo describir a. se.yEñn"e-n donde e : 2.'6 = .48. U (n Tenemos (véase Problema 1.4 por (c) el método de comprensión y (b) el método de extensión. EJEMPLO 1. . Problenra.71828.r. Para un estudio más detallado de la fórmula de Stirüng véase el A¡Éndice A. Por esta raz6n decimos que el I unaexpansión asíntótica del lado izquierdo. r! (30) /n\ ( J=( /n '. EI n(¡mero de manera¡ en lae cuales cartas diferentes es nU. 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. .-5). .\s/ .s propiedades interesantes. El símbolo . escogerse o ¡elecciona¡¡e de un (91') 3 ca¡t¿s pueden total de 8 sc¡ = lt) = 8'J. :25)que se lee"el conjunto de todosloselementosde¡ talesque.27.describé dando sus (D) Puesto que t2 :25parar:5y x:-S. Véase Problema 1.)" (n) Tienen mucha. (l)* = APROXIMACION DE STIRLING A r¿ ! xa+ 4x3y!oxzyz *4xy3 +ya Cuando n es muy grande la evaluación de aproximada n! no es práctica.(t)**._. @-l (:.e¡decirA .s! COEFICIENTES BINOMIALES 56 Los númerós de (29) se les llama frecuentemente los coeficientes binomiales puesto que provienen de laexpansión binomiat (r 1- u)^ : * .r'2 :25".36) ln\ \"/:nt¿r=rl@=T. .cAP. . En tales casos se utiliza la fórmula (38) nl .:nC.(t¡*" . y)t = r:{ * (Í)".1..(n-r-rr\ r! ó nP.28.podemosesaibir A: {5.en (33) signifrca que la relación del al lado derecho se aproximá a 1 a medida eü€ /l + o. + .r/\) \r/ \n EJEMPLO 1.

+.. aA.t.5)=0 sólosi x:B6x:6. Puesto quetambiénBCC.{0.+.6}. Otro método. r>g} y B: {fr | r<l}. (s) (AnC) e (Bne. Sea r cualquier elemenüo de á.+. tenemos x€ B.-4}. n]. si el universo 'u = {}.0.0}n {5. 0..-4} = {-18.15:0). B: {x I x2 -8r+. puesto que {9} es un conjunto no voclo que conriste del conjunto vacío. 1 L.o.u C. Por el Teorema 1-8. (b) "A es el conjunto de ¡ tal que 12 : 4 y ¡ ) 9'.-2ly * )9. 1.lQ}.Demostrarque BcA.o} u {5.o} u {0. Determinar cuáles de las proposiciones siguientes son verdaderas y cor¡egir las que son falsas.6.r). 5. C' : conjunto de los elementos en 'll que no están en C : {0.o.L2 CONJUNTOS Y PROBABILIDAD lcAP. (e) A-8.4} utilizando el re¡ultado de (b). (/) (Bn C). (a) AnB = {-12.5. -4} y los subconjuntos de u están dados por A : {-\n.-4} (c) (AuB) n C = {-{2.r} {*.o. Entonces B. (c) (AUB)nC. -rt.. Si A = {r l r2=4.5. entonces AcC.sededucequeACB6B)Aylrrpropocición Obaérvese que esto se lee es verdadera- 1.-4}n{+.--4} n {+. página 3.-4}n{0. seaA={rl*esunenteroimpar).-4} = Entonces (BnC\' = {0. (d) B' : conjunto de los elementos en t/ quenoestánen g = {0. ".-fr.-rt. Yaque x2 -8x * 15:0 ó (r -3)(¡.-qyC = {+. ee deci¡ ¡ € A. no hay objeto que no sea igual a sí mismo.-4} = t-\ñ} (D) . Asf."áÁ y porüantoBC 1.0|.8 = {6. Entonces {x I x * x} : e. Aeícadaelemenüodeá esunelemento de C y por tanto A C C.6. 2 es wn número re¿l mientras que {2} esw conjunto que consiste del número real 2.2.5.4. Puesto que no hay un númeror tal que x2 :416x:2.0. pertenecen á.. Puestoque el conjuntovacloesunsubconjuntodecualquierconjunto.üenemosB:{g.pueotoqueloe elementos 3 y 5 son enterosimpares. es decir cada elemento de A eetá en 8. ) La proposición es falsa.-r/2. entonces B) A. El error radica en escribi¡ {@} por @.'NT\OS 1. AsícadaelementodeB perten.r. (d) B'u C'.2. DIAGRAMAS DE VENN Y TEOREMAS SOBRE CONJT.-{2. Demostra¡ que si Ac B y B cC.-fr}.B: eonjunto de elementos en A que no están en B : [0._\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. el conjunto vacfo. Entonces ya que AC B._\E} .+. (b) AUB.-.r} = {0. r.r. üenemoe A-B = AñB'= (f) BñC = {6.-tf2. tenemosque¡ € C. OPERACIONES ENTRE CONJUNTOS.5. = {0. ¿Es cierto que {2} : 2? No.3.enconhar(a) AnB.5.0. r.4 u n = {-fr.-{r). . (e) A . -4} = {+.6. se sigue queA: @.+.r. es deeir B ee un subconjunto de A. Cualquier objeto particular se supone ee igual a sf mismo. {*.-¿}.". (o) (b) (o {rln+ü} -.5.

1l CONJUNTOS Y PROBABILIDAD Obsérvese que este re¡ultado conjuntamente con Tborema 1-12b.reB 6 r€A. 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. (sl AnC = {-\/-2.-¿l = {+. = (AnB) u (AñB').0} n {*. En el diagrama de Venn de la Fig. (b) Ilus- har el resultado de la parüe (c) empleando un diagtama de Venn.r€B') (b) = A' ^B' El resultado puede extenderse a cualquier número finito de conjuntos (véase Problema 1. (A¡C\ u(BnC) : @u {*.cAP.8') A = (AnB)u(AnB') El resultado puede generalizane (véase Problema 1. l-12 Obsérveee que un diagrama de Venn no suministra una prueba como la dada en la parte (o).7.69). 1-11 la región sombreada representa (A U B)'. página3:Tenemoo An(Bu C) = (AnB)U(AnC). Ao(BuCl = = = = = l r€A.8. (AuB)' = {r I r4Ar-tB} = {" I rCA. Demostra¡ laprimeraley distributiva.8. Sin embargo. l reA¡B 6 neAnB'} M6todo 2. En Ia Fig. Fig. página 3.nn. (o) Tenemoe págrna 3: (A u Bl : A' n B'.-¿} [Vóase pa¡te (f)]. y se observa que esta región es igual a la región sombreada de la Fig. 1-12. Sea C:8' en el Problem¿ 1. . 1-11. B n C = {}. 13 el de la parte (d) ilustra la segunda ley De Morgan.-4} Entonces t. sirve para euminishar relaciones posibles entre conjuntos que luego pueden probaree por métodos similaree al dado en (o ). Teorema 1-6. {r {" (AnB) u (A nC) 1. 1. Entonces A n (BuB') A r. Demostra¡ que para cualquier conjunto A y B tenemos A Método 1.9. Región sombreada = (AUB)' Región doblemente ¡ÜEÉru¡r qvvrs¡¡¡E¡¡w rayada ]_"7.al : (ArtB) u (A^B') : (AñB') u (A¡.reBuC} I re A. l-ll Fig.74). Luego At ñ f|' se representa por la región doblemente rayada en donde se encuentran ambos conjuntos de líneas. (c) Demostrar la primera ley De Morgan.neB\ = {r I neA'.@. (AnB) u(AnB') A : {r I reA) = {.2.-ll . Teorema !-L?tt.reC) @ | reA"'B 6 xeAnC\ {. elconjuntovacío.xeB 6 reC} I s€A.

.n(8.11. 2. (f) A.10 sea.). por ejemplo. = A.11 com ^ B' . y (b) Si tenemos en cuenta los paloc el espacio muestral cronsiste del as de corazón. 1-13 para describi¡ los s sucesos (a). 13}. Se extrae una carta aleatoriamente de una baraja de 52 cartas.4. (d) A. 1-13.{rey y no trébol}. de Teorema 1 era simila¡ todos lo¡ obeervarse de la Fig. (e) A. @) AUB'. B. (q AnB. es deci¡ rey (ó) 4 n I : {rey y trébol} : {rey de trébol) de trébol)) (c) Puesto que B Luego A U Bt = {trébol}.B. .(g) (AnqU (AnB. Describir los sucesos (a) AUB. (n A'-3' :{no rey y no "no trébol") : {no rey y trébot}: (cualquier trébol excepto el rey). reina. picar. I diagrama eden de indicarse A U B. (o) Si no tenemos en cuenta los pdos el eepacio muestral consiste de as. También puede considera¡se observando que (A ñ B) U (A n B') : A. diamantes y tréboles. rey de corazones. Luego el espacio muestral consiste de 52 puntoo indicados en la Fig. Refiriéndose al experimento del Problema 1. B': {no trébol} : {corazón.4 el suceso {se extrae un rey} o sencillamente {rey} y B el suceso (se extrae un trébol} o sencillamente {trébol}. : (rey o corazón o diamante o pica). . .-8..1-14. Describir el espacio mueshal (o) no se tiene en consideración el palo (b) si se tiene en cuenta el palo. (o) A U B = {o rey o trébol (o ambos. También puede considera¡se observando que A. ..A. . . .12. diamanües y tréboles. picae. puede indicarse como {1.UB. diamantes y héboles respectivamente por l.). dos.10.nB. Emplear la Fig. 1. . (e) A-8.L4 . 2. 1 EXPERIMENTOS ALEATORIOS. si . (E) @ nB) U (A ñ B'):{(rey y trébol) o (rey y no trébol)): irey}. diamante. 3.2). . (b\ A' se 1. ESPACIOS MUESTRALES Y SUCESOS 1. pica}. picas.CONJUNTOS Y PROBABILIDAD [cAP. (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 ).. 1.B -{reyperono trébol} Es lo mismo que A ñ B' .. jota. de acu gamas Fig. .4 u B. podemos indica¡ una jota de picas por (11. rey. . Denotando corazones. diez.

Una carta se extrae aleatoriamente de una barqia de 52 cartas.Ar ) - 0 por el Axioma 1. página 6.^^'rl i' r"u r--' resultado (l ) puede establecerse directarne¡rte (véase Problema 1. ñ A' : Qtenemog 1 es decir PIAJA') = P(ó) 6 P(A)*P(A') = P(A') = l-P(A) (b) Tenemos el diagrama de Venn de la Fig. Demostrar (a) el Teorema 1-17 y (b) el Teorema 1-19.At) = P(Azl . P(Az. l-15 (An CALCULO DE PROBABILIDADES 1. (o) Tenemoe Az : At U (Az .Ar.42 ) = P(Al ). (b) Teorema 1-15. página 6. asr que Entonces por el P(42\ = P(ár) * P(A2.Puesto que P(eJ) sfnp = Q se sigue del Axioma P({)) 3 que s = P(d)+P(Q) 6 = 1. Fig. Para demostrar que observamos que A C et. (b) Con anterioridad sabemos que P(A) > 0 por el Arioma 1.cAP.A¡ ) en donde . 1l TEOREMAS SOBRE PROBABILIDAI) 1.P(Ar) Puesto que P(. (c) Teorema 1-16. (o) Tenemos AV A' :s[. también ee rigre queP(.(A ñ .77). Encontrar la probabiüdad de . página 6.At son mutuamente excluyentee.14.15. Entonceepuesto gue. Así por el Teorema 1-14 [partc (o)] y el Axiom¿ 2 P(A) < 1 primero P(A)=P(¿)=1 (c) Tenemos eJ : eJuQ.B) son mutuamente excluyentee.4n8)l Entonces puesto que los conjuntos A y B . 1-15 (1) AUB: AUIB -(. axioma 3.42 . Aunque hemos utilizado el diagrama de Venn el i rlu^') ".41 y Az .13. Demostra¡ el (c) Teorema 1-14. tenemos usando el Axioma 3 y el Teorema 1-14: P (A u B) | i'.

4' ñ T' = (4 U ?)'.. (e) P(C') - 1 .16 CONJUNTOS Y PROBABILIDAD [cAP. Pero por el Teorem a 1-t2 (a).* h* . diarnante.1l _ 9 . a cada punto mue¡hal. También se hubiera llegado a este resultado por un razonamiento sencillo de que hay 13 números y así cada uno tiene una probabilidad de ger extraído igual a 1/13.la probabilidad requerida es 36/52 = 9/13. Asf g n C significa tree de corazoneo.r-Lñ-Z-521 También podíamos obtener este reeultado observando que el diagrama de Venn favorable a este suceso es el oomplemento del suceeo moetrado como la parte sombrcada en la Fig. (b) una jota de corazones. . (e) roja o blanca. (d) no roja..P(C) = ! P(L0 Ln = ?uti[zando laparte (d)y elTeorema 1-1?.. . pica. respectivamente. # -.* (d) P(c):P(ln c 62ñc6.10(tr).16. (e) cualquier palo excepto corazones. eeto es 1/4. P. Por tanto puede denotarse por P(4' ñ ?').lsnc) = #... rcy.10(o) en donde cad¿ punto mueehal. t (b) P(11 ñC¡= :- (c) I * -I^ 26 ) +P(6 ñD¡: 62 52 = I " .[P(4) +P(")-P (4 n T)] _. 1. 4 bolas blancas y 5 bolas azules. en particular "as" tiene una probabilidad de 1/13. (d) un corazón. 1 que sea (g) un as. Así.n. 1-16.16 : 36 puntos muestrales en él y cada punto muestral tiene una asignación de probabilidad Il52.# = 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. Determinar la probabilidad de que sea (c) roja.y 1. Una bola se extrae aleatoriamente de una caja que contiene 6 bolas rojas. doo. (c) azul. D. asignando probabilidades iguales de tl52 : L162. (f) un diez o una pica" (g) ni un cuatro ni un trÉbol. P(4'^T')= 4(4 U ")'l: L- P(4 U ?¡ : 1..52. .2. en tanto que S U C significa tres o corazón. P(6 n (o) ") P(1): PG^e ó 1nP ó. página 6. por ejemplo.13 . (b) blanca.L ñD ó 1 n ") =P((1 n c) +P(1 nP) +P (1 nD) +P(1 n r) 11111 = 52. trébol. Por simplicidad utiücelnos C. ? para indicar coraz6n. P¡ @ Puesto que 10 y P no son mutuamente excluyentes tenemos del Teorema 1-19 UP):P(10) +P(P)-P(10 ñ : 1/13 + rl4 - 7152 : 4lI3 @) La probabilidad de no cuatro no trébol página 9... (c) un tres de tréboles o un seis de diamantes.sz = Lg Tbmbién había sidq posible conseguir este resultado del espacio mueshal del Problema 1. Puesto que este complemento tiene 52 . 13 pot aa. l-r 1. Empleemoe el espacio muegtral del Problema 1.

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

)(á) = P(ArP\A2l (2. 1 Esto indica directamente que A 1 y A2 son independientes puesto que . lanzamientos de los dadosobservamosquelaprobabilidad de no 7 u 11 en el primero o segundo lanzamientos está dada por empleando el hecho de que los lanzamientos son independientes. \. Entonces P(ArnA. entonces P(A2 | A r) : 4152.3) Si A es el suceso "7 u 11" entonces A se indica por Ia porción sombreada en la Fig.18. dados se muestra en la Fig."t (ol La primera carta puede extraerse en una de las 52 maner:u¡ posibles y ya que hay rempl. 1-17. Hallar la probabilidad de que ases si la ca¡ta (c) se remplaza. También. así que P(A2l Ar Sin embargo si ocurre un as en la primera extracción quedarán 3 en ) : 3/51.2) signitica que el resultado del primer dado es b y el del segundo 2."A) = P(A) P(A.19.) = (b) Como en la parte (o). I a a aa (r.azamiento la segunda ca¡ta también puede extraerse en una de las 52 maneras posibles. 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. A. l) (1.l Método 2. Así que ambas cartas pueden extraerse en (52)(52) maneras. (2. 6) El espacio muestral para cada lanzamiento de los (r.2.2) a a aa (5.6) I (¿.3) (4. Así ambas cartas pueden extraerse en (52 ) ( 51 ) maneras. 6) ({. r) (2. todas igualmente factibles.6) (2. aa {) (6.1) a Se deduce que la probabiüdad de no dada por ? u 11 está 345 Primer dado P1A'¡ '= | . puesto que también hay 4 ases en las ó2 ca¡tas para la segunda extracción.42 suoeso "as en la segunda P(Arñ A2): P(A1) P(A2l A t).' ( #)l#) == # r\ P(A1l:4152.3) (3. Por ejemplo (5. oaa (3. si la carta se remplaza para la segunda extracción. extracción". 1.2gara indica¡ y 2o. 1-17. . l) (3. a (2.tp(A2 A¡\ = (52")(*) = . de una baraja de 52 cartas. Encontrar la probabilidad de no obtener un total de 7 u 11 en ningunó de los dos lanzamientos de un par de dados honrados.2 a (6. todas igualmente factibles. Entonces P(A. Puesto que los dados son honestos y hay 36 puntos muestrales asignamos la probabilidad 1/36 para cada uno. p(A. r'(A. P(A¡): 4152. (b) no ambar¡ sean se remplaza.3) (8.2l a a (6. Entonces estamos (o) Puesto que para la primera extracción hay 4 ases en las 52 cartas. . Método 1.nA") =+:(. Se extraen dos cartas.18 coNJUNTos y pRoBABILTDAD lcAP. = las 51 cartas restantes. {) (5. Puesto que se incluyen 8 puntos tenemos que P(A ): 8/36 : 219. Sea A1 buscando suceso ttas en la primera extracciónt' y .6) a (3. /. 6) a 1. l'ig.P(Al -- L 27 -::99 1o. l-17 Utiüzando subíndices t.

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

. Si se extrae una bola de cada talego.23 con A: R. (d) P(BtnBil:P(Br )P(B2lBt):P(Br )P(B) = lt!")/-=) + 5/ = I 4 \4 + 2/ \3 P(B'tñnb:pelp@. Puesto que una bola roja puede resultar al escoger cualquiera de las cajas podemos em. Un talego contiene 4 bolas blancas y 2 bolas negras. 1 : Ar ó A2 ocurraes- 5 +5+ 1 L. Puesto queA resulta en uno de lossucesos mutuamenüe excluyentes 1-22 (Problema 1. página t. Axioma 3 empleando (I8). Si el suceso .. Asípor P(A) = P(AIA)+P(A^AI') = P(A) P(A i A) + P(42\ P(A I A2) 8.) . plear los resultados del Problema 1. Si se obtiene cara se saca una bola de la caja.O*' P(A\'Aki \ P1A¡ A¡ = P(A) P(A I Ak) P\Ak^A) = --PÁt ) P(A¡l P(A' Akl 1.23) Ay A2.)("+-ri-r:ri ---r:\ \2/\2+8/ \-/\-. La contiene 3 bolas rojas y 2 azules en tanto que la caja II contiene 2 bolas rojas y 8 azules.20 CONJUNTOS Y PROBABILIDAD Luego el número de manera¡ en l¡as cuales por lo menos uno de los sucesos 11. Demostrar el teorema de Bayes (Teorema L-24.. fcAP. I|2 : süc€so "bola blanca del segundo talego". (b) ambas sean negras. An tenemos por el Teorema P(A) = P(AI)P(A Ar) + ' " + P(A. Hallar Ia probabilidad de sacar una bola roja.. At : I.24.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. hallar la probabilidad de que (¿) ambas sean blancas. Así la probabilidad de sacar una bola roja P(Rt - P(nP@ Il+P\II\P(RIII¡ = /t\/ I \ /r\/ z (.23.24 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).. Si R indica el suceso "sacar una bola roja" mientras que 1 y 1I indican los sucesos escoger caja f y caja caja I /d respectivamente. Demostramos el teorema para el c¡¡so n : 2. Extensiones para valores mayores de n se obtienen fácilmente. 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.píryina9). Az: II. . Por tanto P(. SeaB¡ : suceso "bola blanca del primer talego". j Dor tanto ". Supóngase en el Problema 7. otro contiene 3 bolas blancas y 5 bolas negras. si se obtiene sello se saca una bola de la caja /I.2/ 5 z TEOREMA DE BAYES L25.26. pero revela que se sacó una bola .\P(A:A. (c) una sea blanca y una negra. Demostrar el Teorema 1-23.41 U Az): 11/36. página 8. Se lanza una moneda honrada.I.22.

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

. Cada ordenación de los hombres Elnúmerodeordenacionespedidoes = "Pr.336 (b) Pq = 6. nPr.Pr. Entonces 9' sPs : I .6 .28. (¿) aP¡ = 8. tercera y cuarüa pueden ser cualquiera de las 10. Entonces I ' 10 ' 10 ' l0 : 9000 son los números que pueden formarse. Luego hay 3 maneras de llena¡ la tercera posición. (b) uPo. 9 . puestos). . L = b! =.31..22 CONJUNTOS Y PROBABILIDAD [cA?.2.. Así pues. = 5.30.32.1. 1 Debemos ordena¡ 5 bolas en 5 posiciones así -. La segunda puede ser cualquiera entre 9 (no puede ser la que ocupó el primer puesto). 1.T = - 5040 El número de ordenaciones de n objetos diferentes tomados de r en r ea n = n(n 1) . por tlnto: El número de ordenacionesde lag 5 bolasen una filaes En general.. El primer número puede ser cualquiera entre 9 y los tres restantes pueden elegirse de gPa formas.. l.5. = e 15 (d) ¡P¡ = 3. y 4 mujeres en una fila de modo que las mujeres ocupen los sitios pares. Por tanto: El número de ordenacionesde 10 En general. Se quieren sentar 5 hombres puede asociarse con cada ordenación de las mujeres. Obsérvese que cuando | = tr. ¿De cuántas formas pueden sentarse? Los hombrcs pueden sentarse de 5P5 formas y las mujeres de 4Pa formas. (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).1 = 6 1. Halla¡elvalorde (a) .r * l) Esto se conoce como el número de permutaciones de n objetos diferentes tomados de r en r y se denota por P. y finalmente sólo 1 manera de llena¡ la última poeición.oPo = 514! = (lZO)\24) 2gg0 1.rP. 1. Otro métod<¡. 8. (n . persona!¡ tomadasde 4en 4es = tC. 2. es decir hay cinco maneras de llenar la primera posición. ¿Cuántosnúmerosdecuatrocifraspuedenformarseconlosl0dÍgitos0.. (o) La primera puede ser cualquiera entre g (el 0 no). S para ocupar el tercero y 7 para ocuparel cuarto... La primera posición puede ocuparse por cualquiera de las cinco bolas.9si(c)los números pueden repetirse.3. (d) rPr.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 . (b) si los números no pueden rcpetirse.7: 4536son los númerosque pueden formarse. hay 9 formas para ocupar el segundo puesto.2. 3. cuando esto está hecho.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. ¿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. I . (c) tsPt. La segunda.4. puestos)..8. á maneras de llenar la cuarta posición.3 = 860 (c) .29.8. . g. = r¡ ! como en el Problem a 1. Cuando esto se haya hechó hay 4 maneras de llenar la segunda posición.7. 4. 120 Elnhmerodeordenacionesdenobjetosdiferentesenunafilaes=n(n-l)(n-2\. 7 : 4586 sonlos númerosque puedenforma¡se.

n#l* 1. 1l CONJUNTOS Y PROBABILIDAD La primera cifra puede elegirse entre g. . . g. n¡ En general el número de ordenaciones diferentes de n objetos de los eue ?r¡ Soriguales* donde. la segunda entre 8 y la tercera entre ?.PorelProblemal. Pero las dos personas consideradas como una sola pueden ordenarse entre sí de 2! formas.33. I 1. Así pues. Se ordenan en una fila 5 bolas rojas. Entonces el número de ordenaciones pedido será = 4't. loslibrosdequímicade2P2:2! formasylostresgruposde3P3:3! formas. En todos estos casos los libros de matemáticas están juntos. (b) solamente ios libros de matemátitas deben estar juntos? (o) Los libros de matemáticas pueden ordenarse entre ellos de aPa: 4! formas.. ¿De cuántas formas distintas es posibliordena¡los si (c) loslibrosde cada asignatura deben estar todos juntos. n2 son iguales.35. ¿De cuántas formas pueden sentarse 7 personas alrededor de una (c) (b) mesa.36.34. Entonces 9 son los números que pueden formarse. el número de ordenaciones de 6 person¿N sentadas alrededor de una mesa con 2 determinadas de ellas sentadas juntases de 5! 2! :24O. El primer dígito puede elegirse de 9 maneras y los dos siguientes de gP2 formas. Cuatro libros distintos de matemáticas. Entonces ' 7 : 504 será el nfrmero pedido. 6l 2l3! - 207 360 (b) Considerar los cuatro libros de matemáticas como un solo libro. los libros de física de 5p5 :6! formas.. 1 n"+ . Entonces hay 6 personas para sentarse en círculo. (b) si dos personas determinadas no deben estar una al lado de la otra? Considérese una de ellas sentada en cualquier parte. de modo que dos de ellas no estén sentadas juntas es 720 . . . multiplicando N por 5! 2l 3!) se obtiene el número de ordenaciones de 10 bolas si todas ellas fuesen distintas. ll0.9 ! formas. 23 (c) ' 8'7 : 5O4 Otro método. son iguales. Entonces las 6 restantes pueden sentarse de ?20 formas.cAP. Entonces. que es el total de car¡os que se dan en la ordenación de 7 personas en un círculo. se tiene el número total de formas en que 6 personas pueden sentarse alrededor de una mesa. colocan en un eslante. es decir. 10 ! EntonceslSl 2: 3l)N = t0! y N - 101/(5! 2t Bl). ePz:9 . (b) de las 2 bolas blancas entre sí y (c) de las 3 bolas azules entte sí (es decir. . Multiplicando N por el número de ordenaciones (o ) de las 5 bolas rojas entre sí. que lo pueden hacer de 5! formas. mediante (o). seis diferentes de física y dos diferentes de química se. ¿De cuántas formas pueden 10 objetos dividirse en dos grupos de 4 y 6 objetos mente? es respectivaotros 6 Esto Io mismo que el número de ordenaciones de 10 objetos de los cuales 4 objetos son iguales y los tambiénsonigualesentresí. rt.34estoes ¡ft - 10'f''8' . 6! = Considérense las dos personas que no han de ir juntas como una sola. Entoncesel número de ordenacionespedido será = 9l a! - 8 709 120 1. Pero los libros de matemáticas pueden ordenarse entre ellos de aPa:4! formas. + tt¡ = n.24O: 480 formas. Entonces se tienen 9 libros que pueden ordenarse de 9P9 . COMBINACIONES 1. si (o) pueden sentarse de cualquier forma. 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.

Pero las 2s forma¡ incluyen el ca¡o de no seleccionar ninguna verdura. Entonces tC+:I. _ e! _ \s/-sws-BJ]T- e. 2 físicos restantes de un total de 6 puedtn elegirse de eCz formas.6.24 CONJUNTOS Y PROBABILIDAD lcAP. 1. oCz = 10 .4 = l4.6. b! ?.CL-l tC2+5Ca+ sC4+ scs : 5 *10+ 10* 6* 1 : 31 .37.5. Por tanto El número de ensaladas Otro método.38.4O.5 71 ^ (ol .. ae llamanúmerodecorñbinacionesdelosnobjetostomadosderenrysedenotapor. En general el número de grupos distintos de r objetos que 8e pueden formar con.Olf/Vvienedadopor ^ n"r nl /"\ \r / .ur .rl nP' 1.2 = 6.4!B! = 7. si (c) puede pertenecer a él cualquier matemático y físico.. beno y achicoria? Cada verdura puede tratarse de 2 formas.2delasSverduras.Entonceselnúmerorequerido de ensaladas es -..objetos dados. Número toüal de selecciones posibles = sCz.rl(n-rll n(n-11"'(n-r+1) r! . n. endibia. Hallar el valor de (a) zCq (b) aCs. 6 uCt=oC1 =6' 5ú ff (c) +Ca es el número de grupos de 4 objetos que se pueden formar con 4 objetoa..39. no teniendo en cuenta el orden de los objetos dentro del grupo. (b) un físico determinado debe pertenecer al comité. 15 = 150 (c) 2 matemáticoe de un total de 3 pueden elegirse de sCz formas. (c) dos matemáticos determinados no pueden estar en el comité? (a) 2 matemáticos de un total de 5 pueden elegirse de sCz formas. el número de formas de considerar lias cinco verduras es 25 formas.SdelasSverduras. lo que es evidentemente 1. 3 físicos de un total de 7 dan 7C3 formas.C.. 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). como si se escoge o como si se rechaza. De un total de 5 matemáticos y 7 físicos. 2 matemáticos de un total de 5 pueden elegirse de sCz formas. ¿De cuántas formas puede formarse. es:25 - 1 : 31 Puedeseleccionarseldelassverduras. Nfimero total de selecciones posibles = sCz' zCs = l0'35 = 350 (b).b = 126 1. = #h = I si se define Nótese que formalmente aCa 0! = l. se forma un corúité de 2 matemáticos y 3 físicos. (c\ eC+ 7.6.8. 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. ¿Cuánt¿s ensaladas pueden preparañ¡e con lechuga. Número total de selecciones posibles = tCz'tCs = 3'35 = 105 L. ¿De cuántas formas puede elegirse una comisión de 5 personas de entre 9 personas? /g) = ^c.1 = o'' --ll (b) oCs = 6 ! = 6. 4. 5. 3 físicos de un total de 7 pueden elegirse de zCs formas.5. escarola.

n0r+ ncz+. . que consten 4 consonantes y 3 vocales? No es necesario que las patabras tengan significado. obtenemoa Ia distribución conocida como el trióngulo de Poscal: n=l n=2 n=3 n:4 n=5 n=6 et¿. 10 ' 6040 : 1 ?64 000 COEFICIENTES BINOMIALES 1.r)l (n-r)(n-L)l * r(¿-1)! r! (n . Con 7 consonanps y 5-vogaJes diferentes. .+!\".*-.41."¡ /¿-r\ /"-r\ \ " )-\"-t) El resultado tiene la siguiente aplicación interesante.11)"-. 1b:10 * 6.Cs+ -. Entonces: El nhmero de palabrae y las ? letra¡resultantee (4 q 7C1 ' óCa ' ?! : 35 . Aeí10:4I6.r)'! r! (n .. 'xl (**!\" = r-:o (1?). Demostrar q"" Tenemos que 11) \r/ = l" .43. .' \"/ ü/ \ El término conetante corresponde a aquel para el cual 3& .42. $ \k /' 3 \& /'. 1.B.1l CONJUNTOS Y PROBABILIDAD 26 nCn Engeneral. ee 1. 3 vocales) pueden ordena¡¡e entre sf de zPz : ?! forma¡.z. ¿cuántas palabras pueden formarse.tFV=fr . ee decir k = 4.cAP.!2 = 0. 4. La¡ 4 coneonantes pueáen elegirse (!e lC+ formas.= xau /rz)'.*.r e =4e6 . 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..11. ! = 2r-1. De acuerdo al teorema del binomio *'\. ¡raracualquier enteropositivo n. de 1. Halla¡ el término constan6 en h exDansión de 1r.y por tanto eetá dado por /12\ _ \n/= 12. \ r / \r-1l' (n-r*r)(n-1)! r! (n .1r .. Si escribimos lo¡ coeficientes de la expaneión binomial de (c * U)" púa n :0.1¡¡ 1" . lss 3 vocsles de s0g formac consonantes. r0.eüc.1).t) + f" .. 2.r)l (¿-l)! (¿-1)! .

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

{fi. un dado honrado.á á *. Por tanto aot-t/ffi5oso¿-so:N Para evalua¡ N uüilizamoe logaritmoe de ba¡e 10. Por tanto la probabilidad pedida e¡ p(666. (/) P(ningrn *) = # = m.n"¿-¡. Hallar el valor de 50! Para n muy grande. Los libros pueden ordenar¡e éntre ef de roPro = 10! formar.ó En generd.4?.por elmiamorazonamientoanüeriorlaprobabiüdaddeobtener r vece¡A en n enaayos independientes ea \n/ 1.. jota. de que S libros . Un estante tiene 6 übros de matemáticas y 4 de física. Cada eopacio tendr6 lo¡ ¡uce¡oc 6 o 6.\6/ \o/ BITT\6i \6i 8888 nc.p(6)p(6') .4E. u (c) (d) P(3 diece¡ y 2 jot¡¡) CONruNTOS Y PROBABILIDAD QCslQCzl 1 szcs 108 290 (4cr P(nueve. Arf tenemo¡ un üotd de 8 libroe que pueden orden¡¡se enhe ¡f dc 6Ps = 8 ! formas. Detenninar la probabilidad de tres seises en 5 lanzamientos de Represéntense los lanzamiento¡ del dado por cinco eepacioe no 6 (6'). Pero hay rCa son mutua¡nente ercluyentes. 2 de otro) = q#@ = ffi = t -. Pero a su vez io¡ 3 libro¡ de matemótica¡ pueden cden¡r¡e enhe ¡f de 3P3 = 3 ! form¡¡.* = (il'eu)' : 10 de ertor nrceeor y pueeto que suponemoe que lor ¡uoesos ron independientee. 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. LuegoP(al menoa un ar) 1. Asf logN = los(/lofi¡o5o¿-50) 1f = i los100 I |losr * 60 log60 - 50 log¿ .lf{| = 'ffi.cAP. reina. diez. n7 . Halla¡ la probabiüdad determinados de matemáticas estén juntos.\o/ \o/ para todc lo¡ oEo¡ resultado¡ en los cuale¡ ocuren hec 6 y dos no 6./r\3/s\2 = =*é)t1l)'= = I 't 'v. Supongamos que lo¡ 3 libro¡ determin¡do¡ de m¡temática¡ ee remplazan por 1. puesto que hay 4 form¡¡ de eecoger el primer palo y 3 foim¡s de ercoger el regundo. = . Análogamente '" . L¿ probabilidad pedida está dada por 8!3! 10! - 1 15 APROXIMACION DE STIRLING A z! 1. eractamenüe 66.á./L\'/qY .6ó.66.p"en-' = (n\o'o'-' sip: P(A) y q:1--p:P(A'\. rey) x4crx4crxrcr) (rcr) szCs 64 162 496 (e) P(3 de un palo. Por ejemplo.46.66. etc.

Bz. A y B juegan 12 partidas de ajedrez de las cuales A gana 6.de2tablasenBpartidases(réase Problema 1. t."u j /t\/r\/t\ * /r\/r \/r\ = \r/\5/\r/ \¡i \zi \¡i 5 . 2a.04 x 100r. 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. lallar la probabilidad de que (o) quien lanza primero los dados gane.P(B'roBj¡B'r) L . . Hallar la piobabiüdad de que (o) A gane las tres partidas.:.) P@. luego A o B gane.. supuestamente honradoe. (ó) quien lanza segundo los dados gane.Xt(. \a) = n /r\2/<\ (c) P(A y B ganen alternaüvamente) : P(A gane. Probabiüdad : 1 /6.Asílaprobabilidad.'J?fi '. 1-17. 1á¡ n gane al menos una partida. 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) = (. luego B.z. lanzamiento. (c) A y B ganen altemativamenie.10.P(B') P(B. y 3a.) . (Esta suposición no sería justificable si un jugador fuera influenciad.28 11 CONJUNTOS Y PROBABILIDAD lcAP. A pierde en el ler.46) 5 /s\ " \í)o'n'-' = t(. (o ) La probabilidad de obtener 7 en un sólo lanzamiento de una pareja de dados. B gana 4 y 2 tnrmrnan en tablas. Quien obtenga primero un total de 7 q^? el juego.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. luego A. I|3 los sucesos "B gana" la 1a. Denótese por A B t. lanzamiento.P(B no gane ninguna partida) t ..18 y Fig. un nfimero que tiene 6b dígitos. Az. 2a. luego pierde B. 1 = ¿los100 | ¡lor3142 + 11 = i(zl * de donde 50 1og50 - 50 log2?18 .i :.4836 N= 3.:..6990) - 50(0.50 A y B juegan lanzando alternativamente un par de dados. partida respectivamente. PROBLEMAS DIVERSOS 1.:'. (b) dos partidas terminen en tablas.^... luego B) == ". es 1/6 como se determinó en el Problema 1. y 3a. partida respectivamenüe. -/¿\/a\1¿\ = le ^ \3/\3/\3/ 27 1. Probabiüdad = {¿)(f )($).'.íll 36 (d) P(B gane al menos una partida) : 1 . Acuerdan jugar un torneo consistente en 3 partidas.) suponiendo que los resultados de cada partida son independientes de los resultados de la¡ ohas.49.4972) + 50(1. A 3 los sucesos " A gana" la 1.4343) = 64..':. luego gana A.

estén vivos en 20 años.8.*/q\'*/q)'* \o/\e/t_' \o/'. estamos buscando P(Br lB2).53. l|/ los sucesos que el esposo 0. 1. gane es /t\ /s\/s\/r\ . Una rnáquina produce un total deL2 000 tomillos diarios de los cuales en promedio elSVo son defectuosos. Así la probabilidad de que g. Este resultado se obtiene así Si P(BJB)='+#=elwq=* Método 2.cAP.' \6/\6/\6/\6/ * = /q\/r\T. Una caja contiene 5 bolas rojas y 4 blancas. 1. gana A. Hallar la probabilidad de que de 600 tornillos seleccionados aleatoriamente 12 sean defectuosos.51. pierde B. ¿Cuál es la probabilidad de que la primera también sea blanca? Método 1. Las probabilidades de que un esposo y una esposa estén vivos dentro de 20 años están dadas por 0.52. P(W) : 0. Suponemos que . : 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) . que la segunda es blanca. 1l CONJUNTOS Y PROBABILIDAD 29 (3) A pierde en el ler.02 . De 12 000 tornillos. P(H): (o) P(ambosüvan) = P(H1W) = P(H)P(W) : (0. Véanse Problemas 1. (b) ninguno viva. Así Probabiüdad pedida = -H*-P 1.tJ es cero ya Así iríamos 6 a 5 a que el primero que liance gana. Entonces y lI/ son sucesos independientes. Bl.151 y 1.\6/ =5136=5 1 . de tal manera que la probabilidad es 3/8.2)(0.152.8 y 0./s\/¡\/o\/s\/r\ * \6/-\6i \6/\u/ \6i \6/\Bi \u/\6i 1l-.8)(0.9.1) = 0.9 respectivamente.9) = 032 (ó) P(ningunoviva) = P(H'nW') = P(H'\P(W') = (0. pierde A.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.(5/6)2 11 . lanzamiento. el 3'/o 6 360 son defectuosos y 11 640 no lo son. (c) al menos uno viva. "blanca en la segunda extracción". Puesto que se sabe que la segunda bola es blanca solamente hay 3 formas de las restantes 8 para que la primera sea blanca./l)/q)lq\It\ \6/\6. I|2 son los suceoos "blanca en la primera extracción". Sean ÁI. respectivamente. Se extraen dos bolas sucesivamente de la caja sin remplazamiento y se observa. Hallar la probabilidad de que en 20 años (a) ambos vivan. respectivamente. lo cual puede ser o no razonable. pierde B. Prqbabilidad = (áX8X8X8X+).

nA) = ''-n' P(A¡ñ A¡ ) hay (. 1 (c) P(al menoc und üYa): 1 -P(ninguno viva): 1 ."uAn) = )r(¿*) -)e6'tnl'r) "' * (-t¡"-t P(At^A2¡ " n.etc.. .\ri )\" " ' " + (-r)^-'l'\l+) = r-fr+i-"'+1-t¡"-'I cz \z/!t!/ Del cálculo sabemoe que (véare Apéndice A) = lf ¡*#. .) Ap) hay ( (+)l=+) \lr/\tt . A partir de la generalización de los resultados (10\ y (1 l)... Por tanto la probabilidad pedida es p(ApAzu-.) p\AztAttp(A.1) .#...C2 términos que tienen el valor dado por (3). E P(A¡ ñ Ar) es la suma de probabilidadesdeA¡ñA¡conjyhdeedelhastanyh)j. 'á P(4 ñ A¡ ñ que tienen ) = "r"términos el valor dado por (4).r) .. (véase Problema 1.. aefqueparar:-l e-./\.(+ll-+ll=+) \..54.u) las es la ¡uma de las probabilidades de A¡ desde t hasta n.. Tbmbién (E) p(A.4¡ U AzU'..98 1.79) tenemo¡ (1) donde E P(A¡) + )P(AinAinAk) P(áruAru.Tenemosporejemplolosiguiente: (z) P(A)=+ yanálogamente PlAr¡=L ya que de lo¡ n sobres rolamente 1 tendrá la dirección apropiada.ri. Por üanto.1/ =.). n-ésima carta ¡e encuentra en el gobre correcto.vAn¡ 1\ t.ñA2t : p(At\p(A2lAt\ = (*)("=) aProPi"ao ü.f'.i \.6321.U An y deeeamos hallar P(A¡ U A2V..\ /"\/t\/ I = (l)(t)-l:)/l)l \.sobre "nto"o' *to '' de los rectantes n- 1 sobres estará (4) p(AtnAzr1A¡) = p(Á. . U A. -r/\n-2/ (+) = + \.=t \/ .* r-e-l I : 0.xt"1B"""ntJfi::::i*il'ff. Entonce¡ el ¡uceso al menos una carta en el sobre conecto es. 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.\t/\.30 CONJUNTOS Y PROBABILIDAD [cAP.A.i/ ..1/ nl (5) Entonces en la suma > Análogamente en E p(A./\ . riamente. lo¡ sucelo¡ primera.".i1-:. Hallar la probabilidad de que al menos una de las cartas llegue a la destinación aproDenótensepor A¡.. finalmenrte .nA2n. El resultado ee a¡ombroso ya que la probabilidad permanececasi constante para n ) 10.-. Una secretaria ineficiente coloca ncartasdiferentes en n sobres con destinos diferentes aleatopiada. 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. página 7.42. cegunda.02 = 0.. .lAtnAr) y así aucesivamente...) "1 ó 1.0.

Determinar cuántas personas se necesitan en el Problema 1.55 para que la probabiüdad cumpleaños distintos sea menor que U2. Así la probabilidad de que la segunda persona tenga un cumpleaños diferente de la primera es 364/365. 1.55.56. 12+22 i-. (b) método de comprensión.165/\'.DeterminarsiACB o no. Análoga' mente la probabilidad de que l¿ üerce¡a persona üenga un cumpleaños diferente de las dos primetas es 863/365. .cAP. Entonces.-k)..n(r-l) i30 para n pequeño comparado con 365.865 ) de 1.. por ejemplo n ( 30. debe ocurrir en uno de los otros 364 dlas. "'+rn(t-#) ln(1 Pero sabemos de cálculo (Apéndice A. SeaA = {r r2-3r*2=0}. la probabilidad de que la n-ésima persona tenga un cumpl'e¡ñoe diferent¿ de las otras n * 1)/365.. el segundo término y los términos superiores a la ae 1S¡ son dlespreciables comparados con el primer término.-4\ .693. Denotando la probabiüdad dada por p y tomando logaritmos naturales hallamos (r) @\ (3) lnp tnp =t"(r-#) -r'"(." .s supletnentarios CONJUNTOS 1. 3. Por tanto tenemos n. Sea A eI conjunto de los números natwales entre 5 y 15 que son pares..z\.-*(n-1)2 - n(n .ln p r¿(rr : - -- 1) ?30 .693 6 ln 2 = 6 (n . Describir A de acuerdo al (o) método de extensión.1\:{. fótmula 7) que -r) -= --c - T- 3 así que (I ) puede escribirse como = ft+z+ : 2. La primera de las n personar¡ tiene lógicamente algún cumpleaños con probabilidad 365/365 : 1. suposiciones que no se cumplen genetalmente en la realidad. Por tanto tenemos es (365 - P(n cumpleaños diferentes) = #* # ffi = \'- ' 365 :-l! + 1 1\/'.58. Finalmente.^" --!.). Problema.' (Apéndice A' fórmulas 1 y 2) (Ir\ I+2+ "'*(n-1) = @. 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."' .2 -r¿-506 = 0 = 0. Halla¡ Ia probabilidad de que n personas (n < 365) seleccionadas aleatoriamente tengan n días de cumpleaños diferentes.. 1l CONJUNTOS Y PROBABILIDAD 31 1.0. tnp = . Suponemos que solamente hay 365 días en el año y que todos loe días de cumpleaños son igualmente probables. si Ia segünda persona tiene un cumpleaños diferente.r)(Zn -r) 6 obtenemos para (3) (5) *::":: 16) rnp = -!!+ñ! . .23)(n'l 22) = g asf que n : 23.. D = {t I 12<16).67.l.(. Enipleando los hechos de que para n .865)"'\'. asf que una buena aproximación en este Pa¡a (7) p : L12.

0 @uB) .uC'). (c) Teorema 1-4.64. (b) (AuB)uC. página 3.66. formule en palabras el (a't A'. (bl AnB.66.32 CONJUNTOS Y PROBABILIDAD Demoeürar que para cualquier conjunto [cAP.6 A: falredad de las propoeiciones siguientce. página B. C = {4. ¿EE (A - B)' : A' . (ü) B'. Tborema 1-120. Emplear un diagrama de Venn para dibujar ceda uno de loo conjuntoo eiguientec: (¿) A n (Bucl (ü) .5\ yrupóngarequeloerubconjuntoede'll son A:{1. (d') A-8. página (o) Eemortrar la segunda ley De Morgan. (o) Si A y B eon dos conjunüos cuáleequiena. (s) (AnC)' u B. Generaliza¡ el recultado del Problema 1.Encontrar (a) Av(BuCl.9. Generdiza¡ las primen y eegunda leyec De Morgan a cualquier número de conjuntos. y (D) ilustra¡la utilizando un diagrama de Venn. (d) AnB'.(BnC) (e) A' - (BuC)' 1.62. (d) el númer.69. signifrcadodecadaunadelasoperacionessiguienüee: (f) B A.(B.5. (c) lanzar un¡ moneda hasta que aparezc¿ un sello. x>y O i Demostra¡ que cualquier aubconjunto del conjunto vacfo debe ser el conjunto vacfo. (ü) Teorema l-8. (e) A. (c) A'uB.?0. DIAGBAMAS DE VENN y TEOREMAS SOBBE CONJUNTOS 1.69' 1.p6gina 3. A)8. 1. ei ¿[e como I Sea ci éeeI' o cl¿se de todos loe conjunüoc que no 8on elementos de eUos mi¡mo¡. de loe siguientes experimentos aleatorios: (o) 3 lanzamientos de 1. Si A e¡ el suceso "cara" en el l¡nzamiento de la moneda y I es el euc€¡o "3 ó 6" en el lanzamiento del dado. (c) A)8. EXPEBTMENTOS ALEATOBIOS. (e) el número de partícular nucleare¡ que enhan a un contador Geiger. Sea'tl el conjunto de todos loi enteros no negativos y conaidérenee loe nrbconjuntoc A = {xl¡e¡unente¡ope¡.2.4 u (BnC\ (c) A' n (BuC)' (rt) A . I-a paradoja descrita se conoce Rusell.76.A r. (c) Añ(BuC). Ilustrar el principio de dudidad haciendo referencie a losteoremas de la pfuina 3. De¡cribir un espacio muestral para cada uno una moneda. (c) A'nB'. Demo¡harque .5}. B.B'? Ju¡tificar l¡ ¡olución.ñ(B. 1.).68. (Véase Problema 1.o de llamadas recibida¡ en une ce¡ttrat telefónica. .72. en un grupo de 600 hombre¡. (fllanzat una moneda y un dado. 1.nC. 15¡(6. ESPACIOS MUESTBALES Y SUCESOS L. Seaununiver¡o 'Ll:{L. (fl (A-B) u (B-A).31. A tenemo¡ A C A. entonce¿A = B. - .0(¡=4) Encontra¡ (a) AvB.6?. 1 1. 1. 1.68. 1.3. (e) A-8. oPEBACIONES E¡ITBE CON.61.?). 1. entoncq cJeeJ. (e\ B-A. B.73. 1.t B = IA-(AnB)] u ÍB-UnB)l 1.(AuC). (ñ) A . =y. (ó) Sir yy son do¡ númeroereales sr¡alesquierq entonces x1y. Afirmar -B = @. 1.1. Demo¡trarque (á -A)UA =á ¡ólo srBC A e ilugtrarlo utilizando un diagramade Venn.. (d\ (AnBlu(AnC).76. Un erperimento consiste en el lanzamiento de una moneda y un dado.} ! B = {rlreounnfimeroprimo. L. (Ó) el nhmero de fum¡dore.4. (o) Demostrar que (b) Demoetrar que ri p-f Ge[. B={2.?f . 1. E¡tudiar la verdad o entonces A CB.2}.ruNTOS.7 o negar: Si A u (Ar\B) eilusha¡loporundiagramadeVenn.60. Demostra¡el (a) Teorema l-2.

1. (b) ambas sean rojas.tA'r). (d) blanca. 1. Explicar el significado de cada una de las siguientes: (a\ P(AroA!r). Hallar la probabilidad de extraer 3 ases aleatoriamente de una ba¡aja de 62 remplazan. (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.90. Demostrar que si P(A ) >P(B ) entonces P(A I B) Si > P(. PBOBABILIDAD CONDICIONAL Y SUCESOS INDEPENDIENTES f .cAP. CALCULO DE PROBABILTDADES 1.42 el suceso "rey en la segunda extracción". (d) sean rojas o blancas o de ambos colores (roja y blanca).1. 1. . @) p(A'rr.P(A¡B). remplazando la bola extraída después de cada extracción. 1. (b\ p(AluA2\. Un experimento consiste en la sucesiva extracción de tres cartas de una baraja. Sea A1 el suceso "reyen la primera extracción".demostrarque pendientes.54. Si aI menos un hijo en una famiüa con dos hijos es un niño ¿cuál es la probabilidad de que ambos hijos sean niños? Demostrar que la probabilidad condicional definida por (17). Resolver el Problema 1. Csonsucesosindependientes. ll CONJUNTOS Y PROBABILIDAD 33 TEOREMAS SOBRE PROBABTLIDAD 1.(A ñ B) son mutuamente excluyentes.83. (b) la primera sea roja ylasegunda sea blanca. as. Hallar la probabilidad de que si dos bolas se extraen aleatoriamenremplazamiento) (o) ambas sean azules.86. 12 defectuosos. (c)A y B-C.página 8. L. y (I I ). 1. y A3 el suceso "rey en la tercera extracción". (D ) si las cartas (o) se no se remplazan. (¡) solamente una sea roja.89. (e) Al menos aparezca una cara en tres lanzamientos de una moneda honrada. (i) la primera sea blanca pero la segunda no. 1. SiA. (c) AyBUC. (c) una sea roja y la otra azul. Se extraen dos bolas sucesivamente de la caja del Problema 1. (¿) roja. 1. 7. B'. o azul. (c) no azul.14(b) demostrando (sin emplear el diagrama de Venn) que AUB = AOIB-(AOB)I donde A y B .8 I . Halla¡ la probabilidad de que (a) ambas sean blancas. Se exürae una bola aleatoriamente de un caja que contiene 10 bolas rojas. pfuina ?.84 si no hay remplazamiento después de cada extracción.87. (g) al menos una sea azul. (¿) p(A1^A'2ñA\). 1.85. .83. satisface los axiomas de probabilidad en la página 6 y por tanto todos los teoremas sobre probabilidad. Demostrar el resultado (1 1). 30 blancas.t1. y así demostrar eI resultado (l ) del Problema 7. p6gina Generalizar los resultados (I0 ) 30. (e) pl(A1nAr) u (A"nAr)]. cartzs 1.?9. blanca 1.80. para cada uno de Ios sucesos siguientes: (c) La aparición de un rey.91. (b) La suma 8 agatezca en un solo lanzamiento de un par de dados honrados. (b)AyBñC.4 ). Determinar la probabilidad p. son inde- .77.92. (h) máximo una sea roja. 20 azules y l5 naranjas.. Completar la demostración en el Problema 1. jota de tréboles o reina de diamantes al extraer una sola carta de una baraja común de 52 ca¡tas. (e) la segunda no sea azul. (c) ninguna sea naranja.8t. B. Hallar la probabilidad de que sea (c) naranja o roja.82. o un estimador de ella. (b ) A' es independiente de A es independiente de B demostrar que (o ) A es independiente de B . (b) ni roja ni azul. pfuina Demostrar que P(A'uB') = 1 . 1.t4.7t. üe (sin Una caja contidne 2 bolas rojas y 3 azules.

AziA2. caja / contiene 3 bolasrojasy Sblancas. . La urna I tiene 2 bola¡ blanca¡ y 3 negras. 9 ¡i impares. (c) cada mujer debe eetarentre dos hombres? COMBINACIONES 1. 4 blancae y I nggra. Demostrar que A¡ . A ¡: auceao At. Se selecciona una urna aleatoriamente la urna II.106. . CUENTA Y DTAGNAMAI¡ ARBOL 1.9?. En cada compartimiento del primer joyero hay un reloj de oro. 3 blancas y 4 negras.4 doeee y 2 tres€s? 1. A3 lon independientes pero que 1. Se TEOREMA O REGLA DE BAYES 1. Resolver el problema anterior si la8 cifreÁ de los números pueden estar repetidas. Az.101. .94. (D) 3 libros determinados deben estar juntos. .1O3. (¿) roC¡.1OO.43 no son independientec.¿Guál es la probabilidad de haberla exbaído de la primera caja? Ttes joyeros idénticos tienen dos compartimiento¡. ¿De cuántas formas pueden 5 personas sentarse en un sofá si tiene sol¿mente tres asientos? 1. ¿Cuántos números diferentes de 3 cifra¡ pueden formar¡e con 3 cuaEog. 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.ent¿nüoquelacajalfcontiene4bola¡rojasy2blancas. Una bola extrafda aleatoriamenüe de una de las.lO2. I monedae diferentes en 2 posiciones diferentes? PERMUTACIONES 1. ¿cuál es la pobabilidad de que el otro compartimiento tenga un reloj de oro? 1.1O?. En el tercer joyero eñ un compartimiento hay un reloj de oro.106. (¿) roP¡. 1. 1.96.104. L.93. suceso "número impar en el primer dado". en tanto que en el oho hay un reloj de piata Si seleccionamos un joyero aleatoriamente. á3 : "total impa¡ en ambos dados". abrimos uno de los compartimientoa y hallamos un reloj de plaüa. Atl At. A2 = BuG€so "núme¡o impar en el segundo dado". (b) las primeras dos cifras de cada número son pa¡es? lor números deben ser 1.99. y una bola ertraída aleatoriamente e¡ blanca.cajas reeulta azul. (c) 2 libros deüerminados deben ocupar lo¡ exüremos? (o ) 1. ¿Cuánto¡ números de cinco cifras pueden formarse con los dÍgitos L. Se lanza una moneda tres veces. Hallar el valor de (a) rC3.10t.96. Se extraen tres cartas aleaüoriamente (sin remplazarniento) de una baraja de 62 ca¡tas. En cada compartimiento del Begundo joyero hay un reloj de plata. (b) ¡C¡. Hallar la probabilidad de que sea blanca. ¿Para qué valor de n es . 3. . ¿De cuántas maneraa pueden coloca¡se l. ¿De cuántas formas pueden 3 hombres y I mujerec sentarse alrededor de una meea ei (o) no se impone ninguna resüricción.+tPt = nPtl. Luego ee extrae una bola de la segunda caja. La escoge una bola aleatoriamente de la primera caja y se coloca en la s€gunda c¿ja sin ob¡ervar su color. ANALTSIS COMBINATORIO.34 CONJUNTOS Y PROBABILIDAD Sea lcAP. ¿De cuántas forma¡ pueden ordena¡se 7 libros en un eEtanüe ei (a) er posible cualquier ordenación. .98. 2. 1. 1. y lrr urna ffl. Una caja contiene 3 bolas azules y 2 rojas mienüras que otra caja contiene 2 bola¡ azulee y 5 rojas. Utiliza¡ un diagrama árbol para determin¡r la¡ diferentes poribilidades que pueden suceder. (b) doe mujerer determinadas no deben centar¡e juntar. Hallar la probabiüdad de haber escogido la urna I. Hallarelvalor de(a) oP2. (ó) zPs.109. 1 1.

rnda carta no sea una figura dadoque la primera eí lo es. (ó) ( ). Con 5 estadistas y 6 economistas quiere formarse un comité de 3 estadistas y 2 economistas.t24. j=1 = n.2n-1.. Halla¡ la probabilidad de que uno de loe jugadores obtenga (o) ? diamantea.cAP. (c) un economista determinado no debe estar en el comité? 1. ¿Para qué CONruNTOS Y PROBABILIDAD valor de n s€ cumple que 35 3' n+rC¡ : 7' nCzl. unavez'(c)dosveces'en 1.) = 0."".8 mujeres.119. ¿f). (b) tres 1. (c) al menos una carta sea un diamante. 1. s€ impone ninguna restricción. Hallar la probabilidaddeque (o)laprimera carta no Bea un diez de tréboles o un aa. (d) (rz*21t.111. En un juego de naipee ee reparte a cada uno de loe 4 jugadores 13 cartas de una baraja de 52 cartae. Demostrar que (c) (b) \r¿l \o/ \r / + 1") * '. La¡ apuestas en favor de A de ganar un juego de ajedrez contraB son 3:2. COEFICIENTES BINOMTALES 1. Hallarlaprobabilidaddeobtenerunasumade?puntos(o)unavez.4 mujeres.110.126. (b) j=t (-1). Demostrar que (o) É . 1l 1. (b) la primera ca¡ta sea un aÁ pero la eegunda no. PROBABILIDAD UTILIZANDO ANALISIS COMBINATORIO 1. (b) en contra de A de perder los prir4eros dos juegos? 1.125. ¿De cuántas formas pueden seleccionarse 4 niños y 5 niñas si (o) no determinados? 2 hombres. Expandir (o) (o+y)6.. (h) las cartar son frguras o picas o ambas. lJna caja contiene 9 tiquetes numerados del 1 al 9.122. (f) la seErnda carta no sea una figura. 2 héboles.118.116. 3 corazones y 1 pica.( ") .+ r-''i" 2/ \l )=o \o/ \r/ /"\ * /"\ I 1.121. Calcular..e cuántas formas puede un grupo de 10 personas dividirse en (o) dos grupos de 7 grupos de 5. ¿Cuántos comités diferentes pueden formarse si (o) no se impone ninguna restricción. reina' rey).f 23. (b) /11 \ (r-a)4.117. impar o par' impar' par. t"l kCz\QC¿)/DC. (e) no más que una carta sea figura (jota. \ r/ 1. 3 y 2 personas? y 3 personas. (b) un palo completo.-tj(. (b) deben seleccionarse un hombre y una mujer 1. (d) las cartas no sean del mismo palo. Hallar el coeficiente de ¡ en lt * ¿)t.113. ..114. 1. (c) (t-r t)s./"\ . \4 / 1. 3 niños y 3 niñas con 6 hombres.115. +/"\ \2 / /"\ . Si s€ extraen 3 tiquetes de la caja uno a uno' hallar la probabilidad de que alternativamente s€an impar.120. 1.(b)almenoe dos lanzamientos de un par de dados honradoe. par. ¿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. (g) la seg. Halla¡ el número de (o) combinacionee y (D) permuüaciones de cuatro letras cada una quepuedenformarse con las letras de la palabra Tennessee.C. 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. Se extraen dos cartas sucesivamente de una baraja de 52 eartas... (b) dos estadistas determinados deben estar en el comité. 1. (c) eC¡.

1. (o) Hallar la probabilidad de obtener la suma 7 en al menos uno de tres lanzamientos de un par de dador honrados. Halla¡ la probabilidad de que (o) las cartas eean de un palo.132.reina..36 CONruNTOS Y PROBABILIDAD lcAP. +P(Á") 1. ¿Podríamos asignar probabilidadee de 1/11 a cada uno de esos puntos? Explicar. 1. (b) máximo dqs sean igualee. 12. Una urna contiene 6 bolas rojas y 8 azules.). 1. Hallar porcentaje de enor en la fórmula de Stirling para n : 10. An P(ArvA"u. Enunjuegodepókerhallarlaprobabiüdaddeobtener(o)unaescaleraflor.140.queconsistedediez. 1. Un espacio muestral consiste de 3 puntos muestrales con probabilidadeg a¡ociadas dadas gor 2p.5.130.138. l. 1..133. - L.51. 1 1.141.140 para que la probabiüdad de obtener 11 por primera vez sea mayor que (a) 0. A-(A nf¡: AñB'. Hallar la probabilidad de que un jugador tenga de 13 cartas g de un mismo palo.jota. Demostrarque 1. ¿Cuántas palabras pueden formaree con 5 letras si (o) lae letras son diferentes. .3. .) + P(A)+ . etc. 1. (b) tn full que consiste en 3 cartas de un valor y 2 de otro (por ejemplo 3 diecer y 2 jotas.I's probabilidad de que un tirador dé en el blanco eede 213.134. Si diepara al blanco hastaqueledal¡primera vez. Un par de dados se lanzan repetidamente. Halla¡ la probabilidad de que 3 sean rojas y 2 azules. Supóngaae que al lanzar una moneda 500 veces hay una secuenci¡ de2(lsnzanientosqueresulüan"carast'.142. Hallar la probabilidad de que ocurta 11 por primera vez en el sexto lanzamiento. ¿De cuántas formas pueden selecciona¡se 30 individuos de un total de 100? 1. rey y as del mismo palo. Se extraen cinco bolas aleatoriamente sin remplazamiento.146.uAn) < P(4. . 1. Se extraen 3 ca¡üas de una baraja de 52. Demostrar que aproximadamente 2nCn - 22"1\/ñ. (c) ca¡tas diferentes. 1. hallar la probabilidad de que necesiüe 6 disparos.'. (d) 4 ases. PROBLEMAS DIVERSOS 1.13?. 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.127. . 1. . ¿Cuál es el menor número de lanzamientos necesarios en el hoblema 1. Demosürarque siACB' entonces AnB:Q.. (D) 2 letras son idénticas. 1.144. Halla¡ la probabilídad de que (o) sean diferen1.12E. Cuatro enteros se eligen aleatoriamente entre 0 y 9 inclusive.136.95? 1.129. . (b)al menos dos sean ages.143. Al lanzar un par de dados la suma puede ser 2. (b) 0. (b) ¿Cuántos lanzamientos se necesitan para quela probabilidad en (o) eea mayor que 0. Obüener una aproximación al resultado del Problema 1.139.l47.131. Az. Demostrar que para cualesquiera sucesos Ar. 1. p2 y 4p Halla¡ el valor de p. .135. . APROXIMACION DE STIRLING A n! 1. (c) todas las letras son diferentes pero dos letras determinadae no puden estar juntas? tes. ¿Puede considera¡ee la moneda cómo honrada? Expücar.145.96? 1. ¡rara valores de n grandes.

150. que (Sugerencia: Consi¿s¡ar 1. .)va".148. (b) dos cincos. (c) trer cincoe. u¿ fi. Resolver el Problema 1. demostrar que p"(a) = 1 fipn-o (0) y luego emplear el resultado del Problema 1. (c) los cuatro jugadores tengan un palo completo. Demostrar que la probabiüdad para que la secretaria del Problema 1.156. Un jugador de póker tiene las cartas 2. "dar ¿ letras en los 1. .149.154.:). Este üipo de problema se presenta en física en conexión eonlaestadística Bose-Einstein.\¡/(.50 si el juego se ümita a B lanzamientos.11)'-* 1i)'-l \"/ \o/ \t/ . Generaliza¡ el resultado del Problema 1. 1. 1l 1. Hallar la probabilidad de que en un juego de bridge (o) dos jugadores.¿De cuántas maneras pueden colocarse 4 bolas idénticas en los compartimientos? (b) Resolver el problema si hay n compartimientos y r bolas. una interpretáción combinatoria. 3. 4.ISrí"r"ncia. Demostrar que /"\ = ! 1t'¡¡" . 1. (ü) tres jugadores.(i)' una interpretación combinatoria.6.t't .155.1ó3.' Denoüando la probabilidad deseada comopñ (a). ¿Cuál es la probabilidad de que obtenga el 5 suponiendo que los oüro¡ tres jugadores en conjunto tienen (a) un cinco. 1.152. 1.151._ \r/ (1 + r¡t (1 + o¡"-t y hallar el coeficiente de ¡j en el producto).8.54 obtenga exacüamente I ¿-c / r\k sobres correctos ". (a) Un estante contiene 6 compartimientos separados.541. (d) ningfrn 5? ¿Puede resolverse el problema sin saber el número de cincos que tienen los otros jugadores? Expücar. 1. CONJUNTOS Y PROBABILIDAD 37 (c) Un estanque contiene 6 compa. Este tipo de problema se presenta en física en conexión con l¡a es tad ísüca Fermi-Diroc. Demostrar l") .rtimientos separados.151. ¿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.cAP. Desea descartar el 8 y remplazarla por otra carüa que espera sea un 5 (err ese caso obtendrá una "escalera"). . 1.

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

.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 39 donde la suma en 2 se toma sobre los valores posibles de probabilidad. Tabla 2-2 =I r f(r) 0 I r/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.1 x ( -..+/(r") x.6. lxla .2-f Eepectro Fíg.. Recíprocamente la función de probabilidad puede obtenerse de la función de dist¡ibución. 2-2. P(X < (8) La función de distribución puede F(rl = P(x=r) -.) +. Una gráfica de f(¡) se llama grdfica de (b ) EJEMPLO 2.. (b) IÁ gráfica de probabilidad puede reprecentarse comoleindica en la Fig.cAP. En la FA. pata vrta donde obtenerse.2-2 Histograma FUNCIONES DE DISTRIBUCION PARA VARIABLES ALEATORIAS DISCRETAS varidble aleatoria X se define por La función de distribución acumuhda. es decir . Fig. por ejemplo X: 1 significa que esüá enüre 0. (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)=. P(X:1) = P(CSuSC) = p(cs)+ p(sc) = i*i P(X=21 = P(CC) Así. r.1 y construir la gráfica de probabilidad.)f(u) (0 donde la suma a la derecha se toma para todos los valores de z para los cuales u = x.de la función de probabilidad notando que r es cualquier número rl = F(u) real. o por un histogromo. 2-1 la suma de las ordenadas es 1 mientras que en el histograma la suma de l¡¡ áreas rectangulares es 1. o simplemente la función de dístribución. En el ca¡o del hislogama podemos considerar la va¡iable aleatoria X como continua. Si X únicamente toma un número finito de valores lct. como se indica en la Fig.2. r/4 =I r/4 la función de probabilidad está dada en la Tabla 2-2. 2-1. (a) Halla¡ la función de probabilidad correepondiente a La variable aleatoria X del Ejemplo 2.5 y 1.

Si se selecciona aleatoriamente un individuo de un grupo numeroso de hornbres adultos. 2. 2-3.@ e -. que son verdaderos en general. Entonces definimos la probabilidad de que X se encuentre entre ¿ y b como P(a<X<b) : Í"' f (n) d. 2 son LlA. Por tanto no podemos definir una función de probabilidad en la misma forma que para una va¡iable aleatoria discreta (págrna 38). F(r) se mues- Los aspectos siguientes acerca de la función de distribución anterior. Este hecho permite obtener la función de probabilidad a paftir de la función de distribución. Para llegar a una distribución de probabilidad para una variable aleatoria continua notamos que la probabilidad de que X se encuentre entre dos ualores diferentes tiene significado. nos conducen f(r) tal que o a poshrlar la existencia de una función 1.40 EJEMPLO VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD lcAP. deben notan¡e. Las magnitudes de los saltos en 0" 1. . así el valor en 1 es 314 y no Ll4. 3.2 su 2. El valor de la función én un entero se obtiene del paso superior. la probabilidad de que su estatura X sea precisamente 147 centímetros sería cero. A medida que procedemos de izquieida a derecha (es decir subiendo la escalera) la función de distribución permanece igual o aumenta. pagjna 38. Debido a la apariencia de la gráfica de la Fig.3. 2.2.)I__ f(r\dx=r donde la segunda es una proposición matemática del hecho que una variable aleatoria de valor real debe ciertamente encontra¡se entre . 1. 714 corresponden exactanrente a las ordenadas en la Fig. DISTRIBUCION DE PROBABILIDAD Si X es una variable aleatoria continu4 la probabilidad de que X tome un valor determinado generalmente es cero. por ejemplo. 712.4. Estas ideas y la analogía de las Propiedades 1 y 2. 2-3 frecuentemente se le llama función escalera o función paso. f(r\ > 2. (b) Obtener (a) f'a función de distribución es lo F(r) = ll ln la ln [1 I -o(¡(0 0<r--l l<r12 2<r1de (D) Larepresentación gráfica tra en la Fig. Esto se expresa matemáticamente estableciendo que la función de distribución es continua por la derecha en 0. Sin embargo hay una probabilidad mayor que cero de que X esté entre 145 y 150 centímetros. 1. tomando valores desde 0 hasta 1. (o) Halar representación gráfica. Debido a esto se dice que es vnafunción monotónicamente creciente. EJEMPLO 2. 2-1.n (6) . la función de distribución para la va¡iable aleatoria X 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.-g ec y puesto que esto debe ser igual a 1 tenemos c: tl9.5. = Í. en el Ejemplo 2. 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.r) = P(X=r) f(r). = 13 t'n ¡3 . 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). = *-h=:h 7 En el caso de que f(r) sea continua. Si 0 f: x 13 entonces F(rl Si¡>Sentonces = ou fo' .l-*Ít'lol' = )ow2dr . EJEMPLO 2. En tal caso podemos remplazar cualquiera o ambos de los signos ( en (6) por Así.tu. ou + f"'f@)au = fo'!u.n* =. lo que supondremos al menos se establezca otfa cosa.6. (b) P(1< p(r<x<z) -.CAP. = # + F(r) = fo" . Entonces de .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. #f. 2] VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 4L Podemos demostrar que esta definición satisface los axiomas de probabilidad dados en la página 6.f.'!. el (o) Tenemos F(r) = Si P(X = r\ = o" Í__. (o) HaIIar la constante c para que Ia función f(r¡ = {"^* L0 sea una o. (a) Ya que f(r) satisface la propiedad 1 si c ? 0. debe satisfacer la propiedad 2 para ser una función densidad. .5. la probabilidad de que X sea igual a cualquier valor determinado es cero.ru.t) = 0. Una función f(r) que satisface los requisitos anteriores se llama función de probabilidad o distribución de probabilidad para una variable aleatoria continua.?1.'" de otra forma " función de densidad y (b) calcular P(l < X < 2). (b) Emplear P(l < r = 2\. n.. (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. definimos la función de distribución F(x\ para una uariable leatoria continua por F(.5. También debe observarse que F(r) en este caso es continua.'U". : P(. pero con mayor frecuencia se denomina función de densidad de probabilidad o simplementn función de densídad.UU ¡( 0 entonces F(. página 39.

2 (ó) Tenemoa P(r<x<2) P(X=21 - P(X=1) f(2) - F(1) n-n como en el Ejemplo 2. la cunra no puede caer por debajo del eje r. Geométricamente la probabilidad de que X esté enhe a y b.ü# (121 at. Puesto que f(r) Z 0.r. 2s137 n La probabilidad de que X se encuentr€ entre r yxt Ax está dada por (8) p(r= xtn+ta) así que si = .2-4.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.x)itu donde = f""jl.'r(u.F@t(n).' T*0" + F(az(a).a# .6.42 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD [cAP.i. El área total limitada por la cuwa y el eje ¡ debe ser 1 debido a la propiedad 2 en la págna 40. INTERPRETACIONES GRAFICAS es la función de densidad para una variable aleatoria X entonces podemos reptesentar y gráficamente por una curva como en la Fig. se representa por el área sombreada de laFig. es deci¡ P(a 1 X < b). : f(x) Si f(r) Fig. 2-4.'. 2-l . az y F se suponen derivables con respecto a.'.. (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"".

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

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

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

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

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

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

2) tenemos X : 5. Supóngase que se lanza un par de dados honrados y que la variable aleatoria X denote la suma de-los puntós. . 2'9.cAP. 2-8 la suma de las ordenodas es 1 en tanto que en la Fig.2). variable aleatoria X es la suma de las coordenadas para cada punto. así que cada punto muestral tiene probabilidad 1/36.s restreltos VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD DISCRETAS 2.1) así que la probabilidad asociada es 4/36. (c) LospuntosmuestralesparaloslianzamientosdeunpardedadosestándadosenlaFig.Jo 4/36 2/36 (ó) Podemos emplear un espectro o un histograma como los dados en la Fig. (b) Consbuir una gráfica para esta distribución de probabilidad. Tabla 2-4 'x 1'17'página18. Utilizando el hecho de que los 36 puntos muestrales son igualmente probables.3).La 2 3 4 5 6 7 8 q l0 3i 36 11 t2 1/36 /(r) 1/36 2t36 3/36 4/36 5/36 6/36 o/. de acuerdo con si deseamos considerar a X como va¡iable discreta o continua. (2. (3.4). Así para (3. (4. obtenemos la Tabla 2-4. (a) Obtener la distribución de probabilidad paraX.1.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 49 Problerna.Po¡ ejemplo. 2-9 la suma de todas las óreos rectangulares es 1. 2-8 o en la Fig. garaX:5 corresponden los cuaho puntos muestrales (1. Nótese que en la Fig.

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

Hallar la función de distribución conespondient¿ a la función de densidad del Problema 2.2V @) (o) Uüilizando la Tabla 2-5 del Problema 2." r¿*l = ?['*-'(1) .6. la constante c.ran-l(--)J = l[r*-' " "if = i.4. I -u.r . t:_flu)ttr = 1./ -\-'l (* :u. )? estÉ entre 1/3 y 1.6.itan-rc .-.entonces ó -l < x = -f.'= J-. 1 C" F(r) = )_-t{")a" = i)__ n du _ = !l-t.. t*tantolaprobabilidadpedidaes t(-'lstt oJ-t dn *lft dr IL'rJ¡5.12 + | = "t"r-rrl r-o = "L. 2-13. f .<6.2-13 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 2.6..rr_rrl.cAP.t¿n-r (+)] I = z(z-z\ = 6 6/ "\4 2. donde -o(ú. _.2l VARIABLES ALEATORIAS Y DISIBIBUCIONES DE PROBABILIDAD 51 2.. z2 = 1 (ü) si* = x2 =t..(-.e¡décir t-. F(¡) I 7t8 6/r 6tE 4/E 3/8 2t8 I UE t Fig. X del Problema 2./J f = " =. Un (¿) (a) Debemostener aXtienelafuncióndedensidad o". rL t__J = 11h.2 obtenemo¡ F(rl (ó) L8 gráfica = de la función de distribución de (o) se muestra en la Fig. acf que c=Ur.\r-. (c) Hallar la función de distribución F(*) para la va¡iable aleatoria representar gráfrcamente esta función de dishibución. (b) Hallar la probabilidad de que f(r)=c/(n2+l).r12*L =zC' oJ6.

Tabla 2-6 Y X 0 0 0 I c 2 3 Totales ü I 2c 4c 6c 3c 5c 6c I . (a) tos puntos muestrales (r.) 2c 4c 6c 3c DC l4c 22c 42c 7c L5c Tota les+ 9c l2c .U\ : 0 de otra forma. La función de probabilidad conjunta de dos variables aleatorias discretas X. P(X>z) = f -(1 -e-r) = (c) e-4 p(-B<x<4) = ln¡rulou = f_roa"+ ton2r-r..62 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP. (c) Hallar P(X>l. y (c) la probabilidad de que-3<X<4.2 2. las probabilidades asociadas con esos puntog dadas por c(2x * y). (o) Hallar el valor de la constante c. tenemos que c : L142. fir-\ = dt l-F1. donde r. Puesto que el gran total. )-11. (b) Hallar P(X =2. 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.8.du = -e-2"1 = L-e-8 lo l{ Otro método. se indican en la Tabla 2-6. (o) . y) para los cuales las probabilidades son diferentes a crero se indican en la Fig.y f(r. P(-3<X<4) = P(X=4) -P(X<-3) = r'(4) .e-4.A) = c(2r *y). (b) la probabilidad de que X > 2.Y s2\. Por tanto. debe ser igual a 1.42c. Y = l).F(-g) = (1 -e-e)-(0) = l-e-B DISTRIBUCIONES CONJUNTAS Y VARIABLES INDEPENDIENTES 2.7. = = F(2) = | . 0 = U < 3. y pueden tomar todos los valores enteros tales que 0 < n 3 2. Por defrnición P(X =-21 = )" ze-z"du = -u-r"1. Y estÁ dada por f(r.¡l = f2"-u l0 r)0 r10 le-1 (ó) P(X>z) Otro método.

1<g<5 de otra forma 1o (c) Hallar P(X>3. es decir | | f@.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD De la Tabla 2-6 determinamos que 53 (b) P(X=2. 2.{. Hallar las funciones de probabilidad marginal (c) de XV (b)de Yparalasvariablesaleatorias del Problema 2. como se determina de los Problemas 2.Y=\ = asr que h P(x=4 = # P(Y=l) = I (2x rr y)142. y.u) d. (o) Hallar el valor de la constante c. (b) Hallar P(1< X <2. Y del Problema 2.11.10.8 (b) y 2. P(X = t.8. (o) La función de probabilidad marginal para X está dada por P(X = r) = ft@) y puede obtener¡e de los totales del margen en la columna derecha de la Tabla 2-6. (o) Debemos tener la probabilidad total igual a 1. 2. Y <2).. no P(X--2.r du = I . Si las variables aleatorias.u) = lcnU 0(r<4. De estos vemos que 6c=L/7 | P(X=r) = ft@) = jUc=1/3 verificación:l+1*11 '7 3'21 (b) La función =r r=0 u=t. 2<Y <3).Y=l)=5"=a 42 (c) De la Tabla 2-6 determinamos que P(X>t. Y es f (n. Demostrar que las variables aleatorias X.8 son dependientes. l22c=17/2r n=2 fz(u) y puede obtenerse de los de probabilidad marginal pata Y está dada por P(Y = a) = totales del margen en la última fila de la Tabla 2-6.9. De estos vemos que P(Y=Y¡ = verificación:1*3 +!+1 ''7 74'7 t4 fz( =t 2. P(X=2.Y=L) + P(X=21 P(Y=L) E resultado también se deduce del hecho de que la función de probabilidad conjunüa. puede expresarse como una fi¡nción de ¡ veces una función de y.9. Y son independientes debemos tener. para todo r.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.cAP. La función de densidad conjunta de dos variables aleatorias continuas X.Y : A) = P(X = r\ P(Y = Y¡ Pero.

'=r$l'"-.Yl'"=.podrfamocremplazarenlaerpreaiónanüerior(por<.54 vARIABLEs ALEAToRIAs y DrsrRIBUcIoNEs DErRoBABTLTDAD -l IcAp. [ Í=.=. = e6c Entonces 96c = 1 y c : 1/96.=o J"=. 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.* s /rz11z . fv J-"=oJ"'='ffiauao = + .=oL.12. Por t¡nto Fr(rl = 1.(a) = 0. 4.'uau)a' = *f. para 5 < 0.r=o(ry-. Oo = #Í:=. (o) L¿ función de di¡t¡ibución marginal para X ¡i 0 < ¡ ( 4 ec Ft@) = p(X=r) = f' ¿u=-4 ¿O=-@ f" fet.¡¡'J. 7 ñ J"="To' = ln 2.o)ctud.2<Y ' (c) <3) = Í. y). =y( 5 ec Fzful = P(Y <-vl = Í¿t=_@ f1 ¿ú=l f" f@.olduclo dudo = P¡re o > ft (s J.2 Empleando la defrnición de /(. Hallar las funciones de distribución marginal (c) de X V(bl de I' del Problema 2.F .Tn' = idt\t/|.11. Ft(¡) = 1.r.)* = "Í:=rr2adr = "tu*)l'_. = = 1 C' 5r.o' = "Í."=. 1""=140. . xaau )clx = "!.Y=z) = í:="í"'=.1Í":=.'=.r"=.:o J"=rcnvilxils ft rrs = " J. (ó) Utiliz¿ndo el valor de c hdl¡do en (a) tenemoe P(l <x <2.'=. la integral tiene el valor f4 ¡5 J.- ñ E P(x>s.frarau = * Í'^='lÍ"'="u aafa' = + f"="#l'"='* L f4 Br. fi uo = # 1.

donde J tt. Se deduce que X. Puesto que f(x.14. Del Problema 2. la Fig. 2-15 muesha la definición por trazos de . Halla¡ la función de distribución conjunta para las variables aleatorias X. y) resultante. Y son independientes. !""=.2l Para y VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD OD = 5. de tal manera que su función de distribución conjunta eetá dada por F(r. 1 < y ( 5 dentro de la cual la función de densidad X. Para U < l.¿v I < Y < 5 [ 0 de otra forma L/96.n ffia. 2-15 2. y) : Fr G\ Fz@).L2. En la Fig.F(r. 2-16 hemos indicado la región cuadrada 0 ( ¡ ( 4.¡ ryl96 sobre fi.F ¡ (r) V Fzp) se determina¡on en el Problema 2. 2-I6 . Por tanto Fzfu) Puesto que F2 (y) es continua en y = 4@r-t)tz+ tfy<b a=6 l. esta probabilidad está dada por 'í Í"'=.LL se observa que la función de densidád conjunta para X. t = 1. Fz@) = 1. La probabilidad rc. 3. En el Problema 2. av = ut-[:. Las distribuciones marginales . J ( por < . Y puede escúbirse como el producto de una función en r veces una función en y.' *u au)a* Fig. l\¡. En efecto.ul = fr(r) f2(y). o 0 ( ¡<4 f de otra forma .Y es diferente de cero.y)dxdy pedida está dada por p(x+y<s) = ff r*a-B donde ft es la parte del cuadrado sobre el cual r * y ( 3.11. [f=. F{A) = 0.13. Y del Problema 2.l\ (r6)(24) Fig.t : 5. región sombreada en la Fig. 2-16.. podríamos remplazar en la expresión anterior [o u<r : 1.Yl = rz(az .(ul = { (.cAP.| l rr. ! c(t = c : F(r. 2.11 hallar P(X+ y < conjunta de 3).

1 ..16 ó P(ut<Uiu.= fu ).. ' olü au = ¡'tl f ¡¡gqullv'tu:du Esto es válido pr. donde ry''(u¡ ) 0 (es decir la penCiente es positiva). Demostrar el Teorema 2-t. u aumenta a medida que r aumenta (Fig.56 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP.66. El teorema también se puede demostrar si rl'(u) 0 ó r/'(u) ( 0.\: ?u.v)dud. L es una función decreciente de ¡.u . Primero suponemos que a medida que r. como puede deducirse de la figura. pá$na 46.f . Jtl r s(u. Entonces.y) fe2 dr dy Remplazando avanzado que r : Út@. Análogamente podemos demostrar ('36) para el caso donde .15. . pá4ina 46. 2-17 f . Primero considere el caso donde u : ó@) 6 x : tenemos función creciente. Ju.(' 'u2 l3-' '. página 46. 2.16..a). Úz(u.u.1)llJ duda ("' ("'n.u11V1o. "rl "" /{.2fu. La función de probabilidad para U está dada por s(u) = P(Lt ") = Plo(x) . Demostrar el Teorema 2-3. 92fu.t'@) Este es un caso especial de (34). para el caso donde J 0. 2-1'7). u).2 1 L (" = J.r\uti. Véase Problema 2. | trrr J| s(u. 2 lu=rd' CAMBIO DE VARIABLES [r(3-r)z r 'rldr 48 2.. esto es.o'tlJ J< que es (3ti). Dr P(r1<X1rz.67). ) O.=o g6. u) en la integral de la derecha tenemos por un teorema de cálculo flrrtu. pá$na 46. Igual que en el Problema 2. es decir g(u) _. págir. esto es._-. = 2. podemos demostrar que u y u también crecen.¡.a todo u1 y u2 solamente si los integ'andos son idénticos. (r) (t tlt(u) es una P(ut LI 1tt"): P(rtlX1rr\ f¡7 (2) Remplazando x escribirse como /'ü: | t\u) titr 'ul |. Por tanto = fI¡rfu. también podemos demostrar que (31) se cumple (véase Problema 2..z 46. Para el caso donde rlr'(u) -< 0..At<Y<Az) = | fre | l(r. y crecen.Ll Plx = gfu)) = f lv@)l En una manera análoga puede demostrarse el Teorema 2-2. u) ellacobiano..17.páqina 46. (2) puede Fig.a) a@'a) donde es d\u. Demostxar el Teorema 2-4. y : Ju.fl.4v.u).rl duda = f"' (''' Ju.' ut 12 : ¿ ttt V@) en la integral al lado derecho.

..)óx:L2-3u.Loe valore¡ de u que correrponden a¡= . o por el Probler¡¿ 2. du ¡5 <tz:_su.. Los valores de r para los cuales.I9..16 que la Tbnemosu:tl3(L2-f.. En este caso no podemos emplear el Teorema 2-4 directamente ¡rero podemor proceder de la manera eiguienüe..82. 2-18. u= r+11 6 r =n/F1. UyXqtídadapor y8€hatomadol¡raízrealpositiva.e por el Teorema 2-3. Tenemos tL = tr2 ó r = *\ñ. .3 y* = 6 rcn u = 6 y u -2re¡I¡ectivamente. página 46.3 ¡e deduc."1:-.U<u) = P(-B<X<\fr) = J-s f@lA. La función de es disüribución para U G(ul = P('tlu') Entonces si 0 Fis. HaJlar la densidad de probabüdad de la variable aleatoria U = )? donde X es l¡ va¡iable aleatoria del Problema2.. 2.. | . U: * .3 ( ¡ < 3 corresponde a 0 s z s 9 er tanto que 3 (¡( 6 corresponde a 9 ( u ( 36..E2.cAP.3 ( 6 corresponden a los valores para los cualeo 0 S 36 como se muestra en la Fig. f(r) = to de otra forma Halla¡ la probabilidad para la va¡iable aleatoria a = X4 + Puesto que l.16. = P(.19.+ l larelación entre loe valoreedeuyrdela¡variablesale¿torias donde u:2.2-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. o el hoblema 2.17.2O.'ll = 1 2. de probabilidad pedida para U ea ( z-ni i s("! = 1o utilizando el Teorema 2-1.A¡íparacadavalorderhayunoydamenteu¡valordeuy función de densidad para U ee s(ut Verificación: = ilt'. Como se obeerva en esta ffuura el intervalo .2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD es 67 2.tt¡¡f".2. página 46.sutz¡21 ].2 = _. recfprocamentg. 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). 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 ¡. de otra forma .3.18. Puesto que ú'(u) : dx/du : .Enüonce¡1.¡función u = 2.!7. La función de ptobabiüdad de una variable aleatoria X (2-' ü=1.

0 < a < 4 g(u'al = de oEa forma {o La función de den¡idad marginal de U está dada por 21u<6 ctfu) = f"^=oWo' J.ol =#¿" .1.2 l*ibníz (12).11) hallar la Método 1. uear¡do la regla de c@l Utiüzando la definición dada de = f(r) eeto se convierte en 0<z<9 9. lo1u114 de otra forma . 2 ea - Fig. Y tienen función de densidad conjunta r(x. Por üa¡¡to la región 0 I r 1 4.IBUCIONES DE PROBABILIDAD Pueeüo que la [cAP. El Jacobiano está dado por Fr 0r J_lr"0o oa lüu la" att lo =l I 1 11 -.-ro 0 6<¿<10 f4 afu.r'nu ffr:i:0" 'Sea u = t I 2y. u : r. 1 < y ( 5 correeponde a la regiiin 0( u ( 4. ! : ll2(u . le * fil2136 z4B l.21.u 110 que ¡e muesEa eombreada en la Fig.2 < u . = 2. Entonces la ¡olución ¡imultiinea re¡ulta r : u.<¿<36 de otra forma 21rsrz Verificación: zlb.a) (véase Problema 2. = {. función de den¡idad g(u) ee l¡ derivada de G(u) tonemos.u).=. 2-r9 Entonce¡ por el Teorem a 2-4 la función de densidad conjunta de U y V (u(u-t:l/384 21u-o( 10. 2-19. función de densidad de U = X + ZY. etcogiendo arbitrariamente l¡r eegunda relación. Si las variables aleatorias X. 1 tZ _1.58 VARTABLES ALEAT1ORIAS Y DISTR.

a) : {*''nu de otra forma :':' 0 L = XYz. Si las variables aleatorias & Y tienen la función de densidad conjunta 4' L <s <5 f(r.2)2 (u reeultado dd método L para 6 ( u ( 10. El Jacobia¡¡o estó dado por .22. Al dividir egüa¡ ecúaciones obtenemoe y/r = u/u aef que y = ut/v.u2 t< 7) uztga-rls < L26'u 6 1 64u 1u2 < Eata región ee muesba eombreada en la Fig.2l como VARHBLES ALEAI"ORIA"S Y DISTBIBUCIONES DE PROBABILIDAD 69 'lar p determina refiriéndo¡e a lae regioner ¡ombreadas I. V = )PY.2-2O Fig. Considére¡e u : xy2 . Mo ¡oe conducealasolucióneimultánea s=p2/34-r/t. u = x2 y . Fíg. IL m de b Flg.11) hallar la función de densidad conjunta de U no uu está dada por o<azlgu-r/t<4 gue son equivalentee a ."'' gunoo = Í"::'lW-#fo' + 4)t2304.21.ytdrdy " = ÍÍ fta.cAP.2-2L 2.a función de di¡tribución de la variable eleatoria X + 2Y erüá dada por P(x *zY É ut = Íl rr2y 3 t@.i 1<c<5 Pa¡¿ 21u ( 6 obserraÍros al r€ferirnoo a la Fig. 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. eüc. De un¿ manera análoga podemoe obtener el Al deriva¡la con respecto a ¿ 8e encuentra (u . 2-19. [.L(y(Senelpla' (véase Problema 2. Nlétod.y=y2/3p-rl3. 2'20 gue la últim¡ integral ee igud a Í"--.' I":".au i*Z=. I/aimagende0(x14.o 2.

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

Ve¡ific¡ción: ao ifui = 6o. 2.25. (y) respectivamente. En este caso la función de den¡id¡d eonjunüa et f(x.a J_ú En el integrando f1 se anula cuando u ( 0 y f2 8e anula cuando u ( u. Por tanto Cful = | JO f! (2e-2ül(ge-sru-u))do (" = 6"-su.9 t¿nemo¡ ftutrt = arf que con ¡ : 2 ffi:*+#t f(ylz\=g#f=+ P(Y=rlX=2\=/(1l3r=*z (ó) .to ¡iu>0yg(u):O¡iu(0. 2. de densidad de U: X * Y e¡ y): f t@) fz(yl.8 y 2.27.e-tr¡ f -'.23 si X.rru-u)f2@t)(-d.f2(u-t:ld.u = (.23 la función s(ul = t'.f ..d. Si X. halla¡ la función de densidad de su sumao U = X Por el Problema 2.u:-dw.o{üau = tfo'k-r"-"-rv\d. (o) Empleando los ¡esultado¡ en los Problema¡ 2.24.w) = (" DISTRIBUCIONES CONDICIONALES fz@\lt@-u)dut = fz'ft "/u=-n 2. HaJlar (al f(y l2).- u de tal maneraque u = u-u.26.241a función de den¡idad pedida es la convolución de f t y fz y eetá dada por c@) = ft*fz = f' fr(o.{olf2(u-olito = f t* fz que es la conuolucidn de h y fz. pígna 47\" Tenemos Ít* fz = | /r(") fz@-o) Jo=-a Haciendo fa da u)= a. así que por el Problema 2.l) = 6(e-zt .f 2* f1 (Propiedad 1.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD 61 2.8.olver el hoblema nes de densidad f t@). Y son variables aleatorias independientes que tienen funciones de densidad ft@l =112"-t' . R'ex.<0 L0 ü>o * fg"-to a=o " frfu\ '-\e' =1l0 a<0 Y.cAP. obtenemos (-' Ítrfz = .fw=n . (b) P(Y : 1lX : 2'¡ pan la distribución del Problema 2.f¿ .-*) = 1 2.ar@u . Y son variables aleatorias independientes que tienenfunciof. Demostra¡ gue fi t.

2E. (d) la densidad de Y. Si X.rlrol+)0. (o) Para 0kc(1.¡.'. dada I 16 2.rYP* está. hl.ffr:j:r. = Í.) = Jt=o Sxydy . = t¡*} ftulr\ h¡a oü¡o¡ ralore¡ de = definid¿. (b) P(v > + I + < X <*+d'r). ft (¡) = (b) 0. y) er diferente a cero sombreada en la Fig. ft@la) (d) = ffi . (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.t'o<a<r [0 se muestra Hallar (a) la densidad marginal de X. Y por f(r. (b) la densidad marginal de Y. (c) la densidad condicio nal de X. La función de densidad conjunta de las va¡iables aleatorias X. para 0 ( r ( 1.i¿¡t\ = {o (2r/(L-azl a=r=l otra¡ O.2-23. 2-23 (c) La función de den¡idad condicional de X ec.2 2.29. Pa¡a los ohos valoree de r. : J'(i**r)0.a) = {i.62 VARIABLES ALEATORTAS Y DISTBIBUCIONES DE PROBABILIDAD lcAP. Fig. El resultado es (' Ítu. La función de den¡idad condiciond no está defrnida cuando L8 función de densidad condicional de Y es. El re¡ultado es para 0 (y(r. f2Q): O.a) = {t^" de otra forma 1=1=.. pa¡a 0 ( y ( 1. la deneidad marginal de Y se obtiene fijando a y e L. rt*) hallar (a) f(alr). Y tienen la función de densidad conjunta r(r. Análogamente. !2@) Para = Í' Brydr = 4aÍ-u2'l lo¡ otros valores de y. 2-23. /(¡ | y) no ertó (ó) P(Y>l¿l+<x<l*drl = tr*.* :".): fz@lr\ = !(u'a'-l = {'u'* h@\ lo La funeión de densidad condicional no está definida cuando JFr o=u=r otray (¡): 0- . 2-23.4¡s pare 0 ( ¡ ( 1. ¡. La región sobre la cual f(r. como 8e integrando con reapecto a ¡ desde r = y hasta Í: indica por la franja horizontal en la Fig.

que se supone üene radio b.[t . la función de densidad estd dada por .U) Debe anota¡se que no puede deducirse a partir de f(x.31. = t. Entonces la probabilidad de pegar en el blanco es Jo I rb t(.29 son independientes.r'lúttr = Í"' fo" &or : . y a¡í { Y son dependientes. Puesto que se supone que intenalc igualec tienen probabüdadee iguales.rrrro. f(t. y) puede expresarsecomo una función de r por una función de y.t L \a/ 2.G't = lI 0<¡<1 | 0 de oEa forma f zfu) : tf f 1 ofY=1 o de otra forma Entonces ya que X. : T zalo lr-(i) Jl. Ít@l = 4r?. Hallar la probabilidad de pegar en el blanco.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 63 Verificación: fo' .r) = . Eeto ¡e debe a la restricción 0 < y < ¡.¡ _. Dos puntos se escogen aleatoriamente en el intervalo 0 < de que la suma de sus cuadrados sea menor que 1. la¡ funcionee de densidad de X. + f t@) Í2fu).30. Jo L /r)'lo' = \a/ --) r de lo cual c = 312a. La función de deneidad ertá dada por f(r) r_ /r)rl = "Lt . Si ecta ee remplazarí pu alguna reshicción en y no dependiente de r (como en el Problema 2. Determinar la probabilidad Denótense por X Y la¡ va¡iables a¡ociadas con lo¡ puntos dados. tenemos ("fr. b(Boz-br¡ =. y) : 8ry.2-23.. c es r¡na constante y o es el radio del objetivo (véase Fig.ls rbF /"\2-1. Íis. tal conclusión serfa verdadera- APLICACIONES A LA PROBABILIDAD GEOMETRICA 2. = lo'Ar"d. fz(A) : AaQ-A2'). Y son independientes. R es la dista¡rcia del impacto desde el centro del objetivo.21). que flr. 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.)¿. Suponer que siempre se hace impacto en el objetivo. 2-24). Determinar si las variables aleatorias del Problema2. htotdda -- Ío' 2.(. = .(. EnlaregiónsombreadadelaFig. Y están dadas respectivamente por (r) f . fot rrror¿a = fo 4A$-u2lda = | 7 f"'r. ¡ < 1. Portanto f(r.cAP.30.A\ = 8rA.)']0" Aquí.2-21 Puesto que siempre se hace impacto en el objetivo.32.

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

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

2.36. 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 |.al + ft@lfzfu) o.ntonc€. obtenemos oha erpreción.2-28. o<Y<1 de otra forma Suponemoequelafunciónde¡conoeidahestalqueloeinüervalocXSr. lo que er equivalente F(r.yl = F(r.IBUCIONES DE PROBABILIDAD [cAP. do por U: XY.3') = g F(z. Lor result¡dos completoe se muestran en la Frg. ala¡cuales correcponde u:Í1.2rs = - 2U8 a = h(r) = ¡fi e8 u¡¡a rolución.vl -| F(r. B. y). i) ¡e encuentra dentro del rectángulo.y) = I 2z2y*xy2-8!-ZV2 420 F(x. !: u/u. P(X = di¡tribución deben ¡er igualee. etc.y 1 l. u: x 6r:u. Por tanto.al + Fr(r) F2fu).Y=y:l¡(*)üienenuna correrpondencia uno a uno en una forma continu¡.r. 2-2t (h) Las va¡iable¡ aleatorias aon dependientee ya que f(r. Hallar la función de densidad de U : Método f Sea . Por incpeccióa. Xf si la función de densidad conjunta de X. Br2 .84. 2.2 Cuando (¡.yt = d+# F(r.1) ó &: a2 6 PortntoY:*tE. F(r.a\ - o Fig.66 VARIABLES ALEATORIAS Y DISTB.¡) = I F(r'Y\ = I F(r.Y es f(.8 elJacobiano eetáda- . V: X. para 0 ( r. r): P(ts< yI e¡ decir la¡ funcione¡ de Jo f " au$ - u) ttu = (u Prt(t Jo BAI t)2) d.yeatarolucióntienelaepropiedadeodeseadas.Entonce.

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

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

2. Una urna tiene 5 bolas blancas y 3 neg¡a¡. 2.39 si s€ extraen las bolas c.46.39. repreeenüar gráficamente la di¡tribución.IBUCIONES DE PROBABILIDAI) 69 Problenra.44.1 y 2. Obtener l¡ función de dishibución y su gráfica para el (o) Problema 2.42.E¡ suplernenta.2. Hallar la función 2.38.46. (ó) P(1 < X < 2). Una variable aleatoria X tiene función de deneidad f(n) = | "r' 1 "r L0 L< aé2 21r13 de otra forma .19. 2.48.89. 2. Una moneda ¡e lanza tres vece& Si X es l¡ variable aleatoria que indica el número de caras que rerultan. s). 2. Rnpre*ntar gráfrcamenüe las funciones de densidad y digtribución. (D) P(l < X g). (o) hallar la di¡tribución de probabilidad para X V (b) repreeentar gráficamente la distribución.42.47. Hallar la di¡hibución de probabilidad de Z.41. 2.18. (a) construi¡ una tabla que muestre la distribuci6n de probabilidad de X V (b) representar gráfrcamente la di¡tribución.on remplazamiento.41. Resolver el Problema 2. de digtribución para la variable aleatoria del Problema 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. La Tabla 2-8 muestra la función de distribución de la variable aleatoria X. (o) Conetrui¡ una tabla que indique l¿ función de dietribución de X y (b) representar gr6ficarnente e¡ta función de distribución. (c) Problema 2. Comparar los re¡ultados con los Ejemplos 2. Sea X la yariable ale¿üoria que representa el número de ases extrafdos aleatoriamente en 4 ca¡tas de una baraja de 62 cart¡¡.cAP.4O. (b) Problema 2.40. (c) P(X >21.rlo s VARIABLES ALEATOBIAS Y DISTRIBUCIONES DE PROBABILIDAD DISCBETAS 2. 2. (a) Construir una üabla que muestre la distribución de probabilidad de X V (ü) FUNCIONES DE DISTBIBUCION DISCBETA 2. Obtener la función de distribución y su gráfica para el (c) Problema 2. (¿) P(X > r. Si se extraen doe bolas aleatoriamente sin remplazamienüo y X denoüa el número de bola¡ blancas. describiendo la relación entre ella¡.2l VARIABLES ALEATORTAS Y DTSTR. (dl P(X < 3). probabilidad. = Determina¡ (o) la función de VABIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 2. La función de probabilidad de una variable aleatoria X ee muestra en la Tabla 2-7. la con¡tante c.38. (D) Problema 2.4L. lbbla 2-? 2 3 Tabla 2-8 r f(n) I L/2 r F(r) I r/8 2 3 4 r/3 r/6 3/8 314 I 2.47. (r) P(. Una variable aleatoria X tiene función de den¡idad l(x) Ilallar (o ) = 1o = (ce-g" c)0 rso (d) P(X < 1).

(b)P(X<+. 2 2). Halla¡ la función de probabilidad condicional (o) de Problema 2.56.69. pendientes.49. (cl P(llz < X < 3/2). y su función de probabilidad conjunta puede expresarse por el producto de rfna función en ¡ y una función en v. (d\ P(X > 21.Y>+). Y = 2). (g) P(Y = 3). 0< gr< 1 f(r'u) = 1o deotraforma Determina¡(o)laconstantec.52. Demostrar que las variablec aleatoúas di¡ctetas X. Halla¡ la función de distribución para la variable aleatoria X del Problema 2.Y = 3).64. DISTRIBUCIONES CONJUNTAS Y VARIABLES INDEPENDIENTES 2. E)emo¡trar el resultado del Problema 2. 2. SiP(X:3):0hallar(o)laconstantec. X dada Y.3. (b) P(1-12< X <312). (b)lafuncióndedensidad. y): cxy parar: L.70 VARTABLES ALEATORIAS Y DISTRIBUCIONES DE Hallar (a) la constante c.2. (d) P(l<X<2).54. (b) de Y para la función de dencidad del Problema 2. (c) P(X>l). (fl P(X = r). La función de distribución de una va¡iable aleatoria X está dada por 2.63. 2. X. (c) P(X > 1). Hallar las funcionee de probabiüdad marginal de (c) X V (b) (c ) y para las va¡iables aleatorias del Problema 2.ó8. Halla¡ las funciones de distribución 2. Sean 2. Sea X una variable aleatoria que tiene una función de densidad (r.54. Y variables aleatorias continuae que tienen función de densidad conjunta (c(r2*a2) 0Ér< 1.57.ót. marginal (a) de X.3. (e\ P\Y < 2).!: L. 2. (b) P(X=2. cerode otra forma. Hallar (o)laconstante c. ¿Puede ser la función (c(I-12) F(r\ = 1o una función de dishibución? Explicar. Y son independientes solo si poro todos los uolo¡es de x. De'rerminar ¡i X Y son independientes. 0= ¡=1 deotraforma 2.56. La función de probabiüdad conjunta de dos va¡iablee aleatorias discretae )d Y eet6 dada por f(x.60. (e)siX Ysoninde 2. 2.ñ. (c) P(I<X< 2.56 para el caso donde las variables son continuas.(d)P(Y<{). (d) la función de dietribución. (D) de Y dada X para la distribución del .(c)P(|<X<*). (b) P\X'> PROBABILIDAD [CAP.2.67. f(r) = 1o 0=rÉ2 deotraforma Hallar (a) el valor de la constante c. DISTR¡BUCIONES CONDTCIONALES Y FUNCIONES DE DENSIDAD 2.

Hall¡¡ la densidad condicional de (c) X dada Y.(ulZ 0. (*e-2.67..cAP.at = 1. 2. Y. Siladen¡idaddeXes f(r)=U"(r2 *1).*.rl:j"<s<L Hallar la funcióa de den¡id¡d ondicional de (a) X dada Y.57 .6!. Veúfic¿r que la integral de gr(?r) en el método 1 del Problema 2. -. (o ) Si la función de den¡idad de X es f(r ) hallar la función de densidad de X3 . (b ) Iluatrar el re¡ultado en la parte (a) erco$endo f(rl = i: l0 y verificar la solución. (b) Y dada X. . y>0 f@. (bl Xs + 1. l.2L e¿ igual a 1.6t. 2.2.@) < 0. (D) Y CAITIBIO DE VARIABLES 2. 2. (ü) *. 2.63. 2.7O.ú = { 0 J^ ^¿_.62. (ü) Y dada X. Sea la den¡idad de X Í@l = Halla¡ l¡ densidad de (¿) 3X (l/2 to -l<r(l deotraforma .64. Demo¡tra¡ el Teorema 2-2. para la digtribución del Problema 2. < 5 < @.2I y verificar su reapuesta. hall¡rladensidadde Y = tan-rX.66. Si X tiene función de densidad f(r) Hallar la función de den¡idad de l"-. (e-(r+u) x>0. DemostrarelTeorema 2-3. n)0 = to r=o Y: X2.66. SiXüienefuncióndedenaidad f(r):(2v)-r/2"-érz.paraloscaso¡ (al g.p6gna 46.2l VARIABLES ALEATORIAS Y DTSTRIBUCIONES DE PROBABTLIDAD 77 2. 2. (c) r¿. Hallar la función de densidad condicional de (c) Xdada Y. Sea dada X.. de otra forma [^ la función de ilen¡idad conjunüa de X. 2.72.(¿) S 0. u >0 n1O 2.71. si f(r. -a <a < . hal|arlafuncióndedén¡idad deY=*. Completar la labor necesa¡ia para hallar gt(u) en el método 2 del Problema2.69. 2.página46. 2.

(bl V = XzY. < U < @. Y variables aleatorias que tienen función de den¡idad conjunüa Í@. Si X.8O. 2. Sean función de densidad de X.22. para hallar la función de den¡idad de U = X + Z. l¡ función de den¡idad conjunta h¡lloda en el hoblema 2. hallar la fi¡nción de den¡idad conjunta de U y V.8E. y:8 ¡enO demoeEarqne la -@ I e¡ ob\=i ¡r"-tz/2 r=0 r'(0 l0 2. ofrf 1.). . Sea l(n'u) = ){ (1. Re¡olver el Problema 2. f. CONVOLUCIONES 2. APLICACIONES A LA PROBABILTDAD GEOMETRICA 2. Sean X.75.2 2. -e 16 1o. y tienen función de den¡idad onjunta f(r'u) = y tJ (e-(t+vt r>0. Doc puntor ¡e seleccion¡n aleatoriamente ¡obre un segmento de lfnea cuya longitud a o ) 0.77.t1.R y @¡ott tt.t2. 2. V = X I Y.21 primero efectuando la Ea¡rdormacií¡ 2Y 2.76. 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. 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.76. osv51 to deotraform¡ la función de densidad conjunta de Y.72 VABIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD Verifica¡ por medio de integración directa [cAP. Sean X.7t. Hallar la función de dengidad de Z = XY. Emplear el Problema 2.a) = (2r\-rs-(r2+Yt).emosha¡que (a) lt*(fz*fs)=ft*fz*ft*fs' (b)/rt'(lz+fs) =(/rof)*fs' = Z y lttryo utiliz¿ndo convolucione¡ 2. Y variables aleatoria¡ independientes didribuid8r idénticamente con función de den¡idad (l f(t) = Hallar la función de dengidad de X 0<¿<1 deotraforma 1o * Y y verificar su ¡olución' 2.74.79. 2. thll¡r proübiUd"d la de que lo¡ trec reg¡mentor de lfnea formado¡ de e¡t¿ m¡nora puedan ¡er los lados de un triángulo.r""""va¡iablesaleatoria¡taleequeX:R co¡O. 2.halla¡ la función de den¡id¡d de (a) U : XYz.22 pare. Si. yz0 deotraforma {o = X/Y.

X. Halla¡ (o)P(0 < X< 3)..DoopuntosPyQ se escogen aleatoriamente sobre AB y CD reepectivamente. 2..¡¡ue. (c) Repreeentar gráficamente la función de probabilidad y la función de distribución. e¡ la función deprobabilidadparaunav¡¡iablcdeaüoriaX (o) Determinar c. y la¡ 3:80 P. (e) H¡tlarP(X > 3).t9. . (e) HallarP(2 s X< 3). (d) Hallar P(2 = X ( 5). Supóngase que f(r) : cl3t. 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 .Y=ll. P(r=1).t7.S Y DISTBIBUCIONES DE PROBABILIDAI) 73 2. deotraforma Hallar la función de densidad de la va¡iable aleatoria Y: X2 y verificar ¡u ¡olución.9L ¿cuil ea la relación en'tre la¡ rcluciones (c).2l VARIABLES ALEATORIA.u r€. . (b) Hallar la función de distribución. P(l<x<2. < X < 2).E4. es la función de densidad para una variable aleatoria 2.cAP. (d) P(l <x<21. Una va¡iable aleatoria X tiene función de densidad l$tr-¡z) o<¡51 f(xl = t. (o) Deüerminar a (b) Hallar la función de di¡tribución.E8.GlP(x+r>1).ln 2)lZ.. M.86.(d)HallarP(X> 1). Supóngaee que 2. 2. encontrar c. (c) Representar gráficamente la función de den¡idad y la función dedistribución. tomará el metro.91. ' PROBLEMAS DIVERSOS 2. t)o es la (0 rS0 (b ) Determinar P(1 función de distribución para una variable aleatoria X. AB yCD tienen longitude¡ de 8 y 6unidadesrelpect¡vamente. 8i no lo toma. Dos segmentoe de línea. ¿Cuál es la probabiüdad de que tome el meüro? Se sabe 2. f(r) = ( cre-22 r >.t¡. (b)P(X> 1). ir a egta estación entre e¡tos tiempoe aleaüoriamente y eoperar por el buc mÁ¡imo que un bus llega a una estación deüerminada entre la¡ 8:00 P. 2. Y tienen funcione¡ de den¡idad reapectivar f(n) "ao = {:'u-'" rÉo Lo (cl c@) = {o (c2Ye-st Y>o u=o (e) Hallar(o)ct!cz.0 {o deotraforma X. F(rl = 1"0_"_. La función de probabilidad de una variable aleatoria X está dada por f(r) dondep es una constante. Dos variables aleatorias independientee. (a) Demostrar que para una constante c apropiada. 2. M.t6.9O.. (d) y (e)? Jurtifrc¡¡ . En el Problema 2.92. r :1.1. 2. Un¡ pcr-na decide 6 minuto¡.

dada en la Tabla 2-9. o<Y <2 | c(2r+Y) o(¿(r' o de otra forma I (marginat)deX.X2 + Y2. y > 1). Demo¡trar que la función de den¡idad de X s(u) I @# u=0.1ü1.99. (D) Hallarp(1 <x<1.y>1).96.74 VARIABLES ALEATORIA"S Y DISTRIBUCIONES DE PROBABILIDAD sean lcAP. . (d) Harlar P(Ll2 2. Y son independientes. -.1. t2<X< l). (b) X Si -X. En el Problema 2. /(z) = 2.96. Un¡ estaca de longitud .L se rompe en dos parües. (c) Iüllar p(x<rlz. f tienen función de den¡idad conjunta f (r' u) = t o llla 0(¡(U.91 halla¡ la funciónde den¡id¿d de (o) X2. * Y es ) 0. Hall¡r ta función de densidad de Z . + y. (b) ttallarP(l S X< 3. Y variables aleatoria¡ independientes cada una con función de densidad . Y son independientes.79 a tres o má¡ va¡iables. u=0.(c)lafuncióndedensidad 2. Y está dada por I r/9 r/6 r(r. Generalizar (o) et hoblemz 2.94.2. ¿por qué? +l En el Problema 2. 2. (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. La función de probabiüdad conjunta para las va¡iable¡ X.s7.102.0<U<t de otra forma P(X + (a) Determinar ai Y> rl2r.(d)lafunción Hallar(o)laconstantec. Supóngase que la función de probabilidad conjunta de las va¡iables aleatoria¡ X.78 y (b) el Problema 2.. 2.a) = de deruidad (marginal) de Y. Sean X. 2.Y<312). Y está. (b) Hallar p(X>tlz). X Y va¡iable¡ aleatoria¡ que tienen función de den¡idad conjunta f(r. 0 os¡=2'o<Y=' de otra forma 2 (o) Determinar ei X.98.2 2.ur = {"-'o |..101. (d) Hallar 2.93. ¿Cull er el análogo del teorema de la convolución para variables aleatorias di¡creta¡? Ilustrarlo usando el hoblema 2.).y> 1/B)... ¿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. Sean -(_ Y vari¡ble¡ aleatori¿¡ independiente¡ di¡tribuidae idénticamente y con función de densidad (2v)-r/2¿-úr2.(b)P(X>Ll2.2.103. y < g) = p(X > p(y < +. 2.93 ee cumple que P(X > +.( tt ( -. nal de X y f. (c) HallarP(Y = r). x.(u) = ¡1e:r donde l. 2. (c) Dererminar si X y Yron independienter. Estudia¡ ¡i considerra que eltar oupoeiciones Bon realistas y cómo podrÍa mejorarlas si no lo son.101.

Un haz cilínüico de partícula. Si es l¿ f (r'a' z) = ( 1 rv2zs 01r11. Demorbar que la probabilidad de que l¡ atuja intersecte al meno¡ un liado. Y. Un piso ertá con¡huido de cuadrado¡ de l¡do L Una aguia de lon¡itud o1l a lanza al piro. En el Problema 2.. Z.cAP.1O5. 2. (¿) 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. c Fis. r *"loq. Ilallar (o) P(X > Y< +r. . Supóngase que la¡ variable¡ aleatoria¡ X Y.¿.ede O a cualquier punto P del objetivo) forma con el eje. er igral a o(4t o\ltf . P(Z<X+Y). Z tienen función de den¡id¡d conjunüa r(r.J'v 1r' o1z.1O4. - 2.106.a.107 halla¡ la probabiüdad de gue una ¡rarüfcula pegue 8l objetivo entre A = O y0 : Í14.ri"r" dos de esta¡ va¡iables aleatoria¡ eon independientee. función de den¡ided conjuata de tres variable¡ aleatoriea X.2l VARIABLES ALEATORIAS Y DIÉ¡IT.'"L'. 2.1O7.109.s de radio q e dirige haci¡ un obietivo hemi¡férico ABC co¡ centro en O como ¡e indica en la Fig. Z> $). 2-32.10t. 0121L o de oha form¡ 1.z) Demo¡ka¡ que au¡que = ito-""trtcosracos¡rz :.1O4 para que la probabilidad de intersección ¡ea mádma? Erpücar ru rcluci6n. la! b€s no son independientes. es decir ¡ur factores funci6n de densidad marginal.2-32 2.IBUCIONES DE PROBABILIDAI) 76 2. 0< y1l. Pa¡a una aguja de longitud dada ¿cull debe ¡er el t¡do del cuadrado en el Problena 2. dada por Ilemochü que la dirtribución s(o) = lcosa 0<c<n/2 deohaforme {o donde 0 es el ángulo que la línea OP (de.

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

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

.4. ALGI.- y la desviación tfpica "=\F=+ Obsérvese que si X tiene ciertas dimensiones o unüadeq por ejemplo entímetros (cm).)2 f(n) ita (151 I-a. +. en tanto que si los valores tienden a distribuirse lejos de la media.A DESVIACION TIPICA Anteriormente e_n la página ?6.NOS TEUREMAS SOBRE VARIANZA Teorema 3-4: é: donde p = E(X\.¡.t)rl = Í__ O - ¡. Entoncec l¡ varianza re encuenha por 02 = r/ t\21 tl("-n/l es / ¡\2 (z/ 2 ¿\r/f \ . Si es una va¡iable aleatoria discreta con función de probabilidad entonces la varianza es a'l = E[(X. La situación se representa gráfrcamente en la Fig. entonces la varianza de X tiene unidades cm2 en tanto que la desviación típica tiene las mismas unidades que X. Hallar la varianza y la desviación tfpica de l¡ va¡iable aleatoria del Ejemplo 3.. Si los valores tienden a concentra¡se alrededor de la medi4 la varianza es pegueña. la desviación típica se denota por o en cnmbio de o*..2 l. EÍ(X -p)'l = E(Pl - p2 = E(X') . = J-. Otra ca¡rtidad de gran importancia en probabilidad y estádística se llasra lautianza y se define por Var(X) está dada = EÍ(X-*)'j (II) La varianza es un núme¡o no negativo. entonces la varianza "? = EÍi/.media y se le denota por t.p)rf(xtl = X (rEn el caso especial de (13) (I3) dondelas probabilidades son toda¡ iguales. Es por esta rcz6n que con frecuencia se utiliza la desviación típica..l0(Xll (161 . varianza (o la desviación típica) es una medida de la díspersión o wriaeión de los valotes de la variable aleatoúa alrededor de ¡r. la varianza es grande. para el caso de dos distribuciones continuas con la misma .tr71x-¡l f(*). tenemos ¿ = l(u-p)r+(rr-p). . plrf(a) ee\ Donde no exista lugar a confusión. anotamos que la esperanza de una va¡iable aleatoria X frecuenüemente se le llama la..3 TI|' VARIANZAY I..("-á) rota" = J. A la raíz cuadrada posiüva se le llama ladesviación típica y por úx = t/@ X = . &1.'¡* = . x^Si (1t) es X es una va¡iable ale¿toria continua con función de densidad f(r). 3-r EJEMPLO ' 3.78 ESPERANZA MATEMATICA lcAP. Fis..¡ media 6 p = E(X) = 4/3. De acuerdo con el Ejemplo 3. es decir cm.p)r) = 2 @.+ (a"-plzlln que eslavarianzade turconjunto dez númerosf¡ ¡ . ("-i) l. ¡.2. V la varianza por o2.

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

¡ri es la r-ésima derivada de M * (ú) evaluada en ü : 0. De la expansión podemos demostrar que [Problema 3. la función generatnz de la suma de va¡iables aleatorias independientes es igual al producto de sus funciones generatrices de momentos.'NCION GENERATRIZ DE MOMENTOS (27) - 'i|¡'a I-a.4pip I FI.r. (r) . En palabras.t"2 lrt = t"L-Bp'rtr * l"t : t't. donde i es la unidad imaginaria en la función generatriz de momentos obtenemos una función importante llamada lafunción característíca.función generatríz de momentos se define como Mx$) ee decir = E(e'*) er"f (28) (variables discretas) (2el (30) M*(t) = M"(t) ¡ . Y tienen la misma distribución de probabilidad solo si M.=t eo'f(r¡) = 2 ) _. IUI y (t\ idénticamente.#l+ "' * r:#+''' ¡"i (r 1) Puesto que los coeficientes en esta expansión nos permiten hallar los momentos. 2p" 6¡Ir¡12 tt. Donde no exista lugar a confusión escribimos M(ü) por M"(tl.3 Como casos especiales tenemos. AIfUNOS TEOREMAS Teorema SOBRE LA FUNCION GENER ATR...-" (32) es decir. = l"L. Entonces X. Yson variables aleatorias con funciones generatrices de momentos M * (t) y M .15 (c)] M*(t') : I + tLt * r.16(D)l = fi*"Oll.IZ DE MOMENTOS 3'8: Si Mx (ú) es la función generahiz de momentos de la variable aleatoria X y a y b (b 0) son constantes. entonces la función generatriz de momentos de (X + a)/b es + Mr*ro. utilizando pl = p ygb:1. erf(r\ dr (r) (variables continuas) Podemos demogtra¡ que la expansión en serie de Taylor es [Problema 3.r(t\ Teorema = """'**(l) (33\ 3-9: Si X. La denotamos por . la justificación del nombre función generatriz de momentos es lógica. Teorcma 3-I0 (Teorerna de la unicidad): Supóngase queX. FUNCIONES CARACTERISTICAS Si remplazamos ú : i<. (t) respectivamente.80 ESPERANZA MATEMATICA lcAP. entonces M**"(t) = Mx(t)MtQ) (3 /r) Generalizaciones del Teorema 3-9 a más de dos variables aleatorias independientes se hacen fácilmente. f M " son variables aleatorias con funciones generahices de rnomentos M y "(t) (t) respectivamente.

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

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

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

q en la Fig. 3-2 es c. =o "( *-" =. en contraste.25. variables aleatorias mutuamente independientes (discretas o continuas). Si h : 2 en la desigualdad de Chebyshev (59 ) vemoo que P(X-pl>2s) í= 0. . . trimodal o multimodcl respectivamente. llamado la ley de los grandes números. Algunas veces tenemos dos. tiene la mayor probabilidad de ocurrir. Cuando se hace referencia a la "ley de los grandes números" sin ninguna especifrcación. . este teorema establece que la probabilidad de que la media aritmética S. cada una con media g y varianza o2 finitas. r): 1l2. .3 3. Aunque la ntedia es la más empleada. .3-2 . 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. Por ejemplo. .25 6 P(lx-pl<2"\ > 0. En tal valor r. también se emplean otras dos medidas de centralizaciiln. Sean X.10 6lO% y se Fig.. Estas son lamoda y lamediana. 1. realmente es falso.75.\.2... tiende a cero : g. La moda es el valor que con mayor frecuencia ocurtre. En tales casos decimos que la distribución es bímodal.34). f(r) es máúma. el ánea a la izquierda de r. o en otras palabras. En el caso de una üstribución discreta puede no existir una mediana única (véase Problema 3. equivalente.. Xz. 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.6.84 EJEMPLO ESPERANZA MATEMATICA lcAP. 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. Mediana La mediana es el valor de r para el cual P(X = x): P(X. la desigualdad de Chebyshev. tres o más valores que tienen relativamente grandes probabilidades de octrrrencia.75 Literalmente. : Xt* Xz+ .ro sería 0. se implica la ley débil.) Sn/n (60') Puesto que Sn/n es la media a¡itmética de X1 . y. Así por ejemplo el área a la izquierda de la ordenada eD f. 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. que esperamos sea verdadero.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. Un resultado más fuerte. Moda./n difiera de su valor esperado ¡¡ por más de e. Con li31 frecuencia este resultado se denomtna ley de los grandes números en forma fuerte.pero cuando n '+ @. Xn. Los valores que corresponden a tales áreas se llaman uolorcs percentila o simplemente percentíhs. Teorema es una consecuencia interesante de 3.19 (LeV de los gnndes números): Entoncessi S.. lim + X" (n=L. .. el resultado del Teorema 3-19 se llama ley de los gundes números en forma débil. la probabilidad de que X se encuentre dentro de 2 dewiaciones típicas de su media es rnayor que o igual a 0.

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

'(*) . Véase también Problema 3.3.. ¿Cuál es el precio justo que se debe pagar por un boleto? Sea X la variable aleatoria qrre denota la canüidad de Tabla 3-2 d:.os diferentes valores de X conjuntamente con sue probabilidades se muestran en la Tabla 3-2. Por ejemplo la probabilidad de obtener uno de los 20 boletos que dan un premio de $ 750 es 20/10 000:0..'(+).. Sin embargo una lotería gana dinero. Hallar la esperanza de la suma de puntos al lanza¡ un par de dados honrados.'(#).3 que es una cantidad adimensional.. por el Teorema 3-2. js = !+ | + á + # +. que tiene un coeficiente de curtosis igual a 3. La esperanz¿ de X en pesos es r (pesos) 150 0.(*) . Comúnmente se compara con la curya nonnal (véase Capítulo 4).'(*).002 3000 0..0005 0 P(X : r\ 0. Sean X. Problerna.002) + 3000 (0.41.1. pero los definidos anteriormente se emplean con mucha frecuencia. El precio justo a pagar por un boleto es 6 peeoo. Y los puntos que aparecen sobre los dos dados. s = ...02 750 0.0005) + (0) (0. = 1 PorüantoS:2. Es posible definir coeficientes de sesgo y curtosis utilizando otras medidas de centralización y dispersión.) E(xt = Para halla¡ esta suma.o\El = t7 \o. |s = i . Entoncee Restando.ero que se ganará un boleto. Tenemog E(x) Entonces. En una lotería hay 200 premios de $150.002.(i)" = +.z.(i). 20 premios de $750 y 5 premios de $3000 Suponer que se colocan a la venta 10 000 boletos.9?75) : 6.977t D(x): (150) (0.. - E(Y) ^/t\ = tll) * \o/ "' .2.(+). el precio del boleto sería más alto.s.02) + 750 (0. [./ 'l*)* 7 E(X+Y) = E(X\*E(Y) = 3.00 ó 6 pesos. 3. hágase á. .86 ESPERANZA MATEMATICA lcAP.. Hallar la esperanza de una variable dada por aleatoria discreta X cuya función de probabilidad está Itrl Tenemos : (i)' (t=r.s resueltos ESPERANZA DE VARIABLES ALEATORIAS 3..

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

88 ESPERANZA MATEMATICA [cA". Y ron independientee.. Entonce¡ l¡ varianza e¡ Var (X) = Etá .9. puetüo que X. independienteo. Demostra¡ el Teorema L4. Por tanto Y.3 3.)'= i o = tFf-var(x) = \E = t r" : Ot¡o ¡nétodo. por el Teorema 3.7.*(á) # :%1 Entonces. Obsérvese que la validez de eate teorema gira alrededor de si f(. Tenerno¡ E'(x ^"' * u' -'u. y) la función de probabilidad coniunta de X.u) = ) ) . por el Teorema 3-4.)'= * Var y. (o) Del Problema 3. Hallar (¿) la varianz y (b\ la desviación típica para la variable aleatoria del Problema 3. con¡iderada di¡creta. VARIAT'IZA Y DESVIACION TIPICA 3.y f t@) fz(a) )1. püa todo ¡.10. Pa¡a va¡i¡blee dependientec generalmente no ee cumple.(. tenemoe f(x. Si la¡ va¡iablec X.4 l¿ media de X ee ¡t= E(Xl -. Y rcn E(XY) = 22 Í!J! --t ra f@.p\zt = '[(* -])'] = l:_ (" _'L)' t*. y): f tG) /2 (y). Y ¡on independientes. Además.:r:¡:* . p6g¡na 78. / . = Wa"(X+Y) = 1/g v6 3. y) puede expresarae como una función de r multiplicada por una función I. Halla¡ (a) la varianza y (b) la desviación típica de la suma obtenida al lanzar un par de dados honrados. de ¡i X. (o) Como en el Problema 3.(+)-Fr. Demoshar el Teorema 3-3.4. página 77.8.'/'Q)2afztu) .(l) var(X) Var (X * ' . y. E(x2) = E(vz¡ ='. tenemos E(X): E(Y)= 7 12.7 Y) = Var (X) (Y) = F (b) ox+).1/2.2. = Var(Y) = +-(. ea decir. o. con las eumas apropiadae remplazadas por integracioneg. Sea ¡t(¡." (')no(')l E(X) E(Y) Si cualquier va¡iable e¡ continua la demoetración ee desarrolla de igual manera.r. Por el Teorema 3-4.\2 ^a = f-('-L)''"-"0' = i = El(x-r)21 E(xz¡-ll(x))2 = t."*' ""'*"' =i'|í'. var(X) (D) 3.

n)21 E[(X .-'u \I/ + . e¡ decir cuando a : ll.pv)}21 EllX .r.11..r?2.cAP.a)2 pueeüo que E(X . . Y ..13.3] ESPERANZAMATEMAIICA 89 3.14. Var (X + Y) = E[{(X + Y) - (px + pv))2] = = = = utilizando el hecho de que . .tt)lo es una variable aleatoria normalizadq demostrar que (u) E(X*¡ = 0' (b) Var (X*¡: 1.px)(Y . página ?9.TNCIONES GENERATRICES DE MOMENTOS 3. * .pv)l * El(Y EI{(X Var (X) + Var (Y) px)(Y pvl2) El(X - - pv)l = E(X . \t / \r/ + .py) + (Y .)"n'-' + (-t)'p'l J \r-r/. * t-t'(T)t1"'-. + r-r¡t('. se ri' y emplear cl Teorema 3-6. y el hecho de que E[(X tt)z1= 3." -.. Si X* : (X . = t(4=\ / =.ttv eon independiente¡.pi E(Y - py) - o ya que X.\x.tt): E(X).i.ltx..ft\tr*"-.P)21 + (P .)t(")u'-l + (-t)rpr \. !¡rw-u¡ = L¡nwl-r) = a' o \ (x*) 0 (b) var = u" (?) = \o¡1x - u¡"1 oz =I utilizando el Teorema 3-5. = .(i )/.pl|.-iut + "' + (-l)'-t¡ur * (-l)-rnt donde al combin¡r loe do¡ úlüimo¡ término¡ re¡ulta (-l)r-1(?'- 1)p'.E(x. Er(x-'''.o)n = O.(i\*.!^r_':i. + (-r\'-'( n ._i.px) + (Y ..:. (a) puesüo que E(X) = E(x*t ¡r.t:. Pr = El(x-pl'l = nfL x.12.ar Y gnr -Y . mínimo de El(X-o)'l ocutre cuan- 3.'tut '\'/ + "' + (-L)'-'( t .u\(Y .)¡. Demostrar el Teorema 3-7.t . pág¡na 79.r. . Demostrar el Teorema 3-6. p{ina 79..u.' . La demo¡tración de (I9). f)e esto vemos que el valor do (t¡ .EÍ6 .-..í':. Y y por tanto X gue al remplaz. MOMENTOS Y FI. página 79./ /\ /"\ = ..t'+ "' + {-r\r\l)r...lt:0...2] + zEl(X . .px)2 * 2(X . Demeshar el resultado (26).págna79.

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

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

e<o+iarz * Jo ¿-<a-.t an + !o' "-"r. y eon independientes entonces E(Xy) : E(Xl E( y) . e-(a-i@)¡ 2 a*io l-" ' . Si X. 3. -oo < Í 1 @. página 82.donde c ) 0 y c es una constante apropiada. Puesto que f(r) es una función de densidad tenemog Í)."r. + fo* n. a.ryttx * pxpv = ElXy). Demostra¡ el Teorema B-15.rrrrru.pv)] = E[Xy ._(a_io) ü a L 2(o* io) 2(a.LJ_-e(a+t@)ro" q.23. = 2a io l-o = | al@t la ela@ . Y es oxy = Y) = El(X .f(r)dr tlÍ-"eíore-o<-x.* npv] = E(XY) . Demostüar el Teorema B-14.pvX.o = 8en Cú. l:. úu empleando las fórmulas de Euler (véase problema 3.pyE(X) * E(pxpvl = E(XYI .io') = _a2 a2 * o2 COVARIANZA Y COEFICIENIE DE CORREIACION 3. = *t_""^"0. 3. página 82.22. Por tanto.. . la función ca¡acterística está dada por E(eiax¡ = .r = "lÍ:.24. Hallar la función característica de la variable aleatoria X con función de densidaa f@) = ee-atEt.e-ho 2ia. o" = asf que I .6-'l "iar¿-.f?o/.20) ceñ d = ao.3 D(etx¡ = f-.l*-ei. Yl = E(XYI -.E(X)E(ts) = 0 .pxE(Y) .92 ESPERANZA MATEMATICA La función ca¡acterfstica está dada por lcAP. Por definición la covarianza de X.c-atxt d. por tanto por oxy el problema 8.o<t> ¿sf .23 = Cov(X.¡xXY .. = "{lo 4f-o u-n<-.lxtty = E(XY) _ E(X) E(Y) Cov (X.r'.Fxpy . arf 2c O + .p*y .."-*l* = -Alo = I - Entonces c: ol2..útit¡) l€ lo lo .

.o1. (e\ E(Y')..(1)(1ac) +(2)(22c\ = 58o = E = n 78c E(Yt = 22af..-.tuo = re2c: #= + = (fr (s\ (r) (ñ oxy o2* = var(x) = E(x2r-l*(x\)z = +-('*) ffi 4= = var(Y)= E(Y2')-lE(Ytl2= cov(X.:-* J.*.2103 apror. * (1)z(1ac) E(Y2') lllr"t *l =t .. página 52. Utilizando c : LI 2LO tenemo¡: (¿) (c) E(xt = E(Y\ E(xY) h + s) dr t...) (e) E(xz¡:22r2f(r. (0 p.or.y) = E(xy)-E(x\E(yt ?-(it)'=:* = +-/+)l+) = --+ r47 7 \21l\7/ -0.25 si las va¡iables aleatorias X.ú = .3. [] tA. Y se definen como en el Problema E(x) (a) E(X'¡. (¿) (b) = ))o/(". página 50. si las va¡iables X.= = t/zwan ' 15514. (/) Var(x).26. lr.cAP.O.at) = 4.'.at) = rr..lyL47.ul = )y. Y se definen como en el Problema 2.y) = ?rh f(.=.o. dy = %T t 16 ri = ñ)"=./zso r/55 -20: = 3. (d) E(X').. 2. f"t=u our. (s) Var(Y).[) ¡@.8. (b) t 93 (¿) 3..n". + (0)(1Xc) + (0X2X2c) + (0)(3)(3c) + (1X0)(2c) + (1X1)(3c) + (1)(2Xac) + (1XBX6c) + (2)(0)(ac) + (2X1)(6c) + (2X2X6c) + (2XB)(?c) 427 ld.. EsPERANZAMATEMATIcA y). Resolver el Problema 3. Ju=o {rú{rr r sl dr dv = ..o.(1)(9¿)+ (2)(L2cl+(3X15c) = = = 22nufia."=. =# =+ = 22u2f(u. sl Hdla¡ Cov (X. ..J"-o{o)1"Iuld'rita = I70 6s = tf67580 .r..a\l = . (c) E(XY).a\ .al = )"rl-)ftr.ol.26.r". txv o = oxnv -. . = E= + (c) D(xY.alf '* = *.lrrr"o*. E(Y)..ur".

pág1na62. página 61. f u'. Como en el hoblema 2.# E(xz¡ =h Í.29.. .^:.\r-.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.. * a) dr tru = # otr . X: 2 es E(Y =2) "x = ? r(+) X: donde la suma se toma sobre todo y que corresponde a E(y.30.03129 aprox."=. VARIANZA Y MOMENTOS CONDICIONALES 3. .27. 3 (d) (el u') b) (h') (t oxy =# E(Yz¡ = h f. . [.(iu) = ii 3. Hallar la esperanza condicional de Y dada X : 2 en el problema 2. pág¡na 62.za condicional de Y dada 2(L-ys¡ 2(l+y*y2) --¡O+7I- x para eI problema 2. pág¡na62.var(X) = E(xz¡-ll(xtl2 = #.(#). Demostrar la desigualdad de Chebyshev.2g.(#)' = *tq*$ o2.=o.y) = E(xy)-E(x\E(y) = ?-(?f)(*t) oxy = -# -0. Si f(r) es la función de densidad de X entonces . = var (y) = E(vz¡ _ l'(y))2 = t# _ (#)' = t.rrrr. Presentaremoe la demostración para variables aleatorias ecntirruas.g. Hallar lavariar¡.)\t)* J_- donde hemos utilizado el hecho de que ltz: E(Y lX: r) :2. * v) dx da = cov(x.(rlytdr = í"'"(#*S* El=a\ 3.2g.28.x=2) = -. Hallarlaesperanzacondicionalde(c)YdadaXv(b)XdadaYenelProblema2.28(o).27. La demosbación para variables discretas es semejante si ee remplazan las integralee por sumas.(ui) . Esto oru o"oo oo.94 ESPERANZA MATEMATICA fu'=o [cAP.(#).rrr. la función de probabilidad eondicional de Y dada X : 2 es ftutz) = Entonces la esperanza condicional de Y dada + 2. (o) (ó) E(ylX=r) = Í-_afrtuldau = ír'r(rr")* = + E(xly=y¡ = f_-". p= oxoy -200l3969 /50s615e6-0 {r6únsn -200 t/zsnr/te zzs = ESPERA}IZA.zlB del Problema 8. . DESIGUALDAD DE CHEBYSHEV 3.

x.25 Comparando con (o) observamos que el límite dado por la desigualdad de Chebyshev e¡ ba¡ta¡te crudo.|ww.31.*X.* .t <1) = "(l*-*l . = E(X) = p Var(Xr) = Var(X2\ = "' = Var(Xn\ = o2 Entonces t(*) = "(*'*'. ". En la práctica la desigualdad de Chebyshev se emplea para dar estimativos cuando es inconvenientc o imposible obtener valores exactos. Así por la desigualdad de Chebyshev con Tomando el límite cuando n ) -. Demostrar la ley de los grandes números establecida en el Teorema 3-19.18.. LEY DE LOS GRANDES NUMEROS 3.t+.. '|..¡. Por tanto P(lX-rl > 6) 3.(l*-*l \t o2 =t)/ = 1-(1-e'r) = p2 e-s = 0.). ¡¡ (o) = 1/2.32.) = o .cAP.. Para la variable aleatoria del Problema 3.18. | \ _ ul=_ .¡rl > 1).18. Por tanto 02 t¡z-ttlZe rlr-yl=. como se pide. /ts r|.3l ESPERANZA MATEMATICA 95 02 = EI(x - p)21 (' = J-* @ - p)2 l(r) dr Puesto que el integrando es no negativo. el valor de la integral solamente puede disminuir cuando el int¿rvalo de integración se reduce.t)/ = . (b) Utilizar la desigualdad de Chebyshev para obtener un límite superior de P(lX .(-:. ¿lr-al=e Pero Ia frltima integral es igual a P(lX - pl ? . Entónce¡ P1x ¡. La desigualdad de Chebyshev P|X-pl > f) resulta P(lX¡r] = 1) < oz = 0.|) ol ¿l \l \ o = J¡ | f :l/2 Ze-udr = 1 - e-3 Portanto (b) Del Problema 3.) = ¡toz tt Var(S") = Var(Xr*'.*Var(X. (c) hallar P(lX . página 84.04e?e = plr- = 7/4..ul=') 02 esto se conviertq.'.rl > 1) y compararlo con el resultado en (a).) así que t'" (+) = 4 var (s") = * X: Sr/n üenemos _/ls" | \ donde hemos empleado el Teorema 3-5 y una extensión del Teorema 3-?.+E(x")l = L(nt) = = Var(Xr)*. Tenemos E(Xrl = E(X2l = . .'*"') . DeI Problema 3.

En este caso probabilidad esLl2. r. . 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. una va¡iable aleatoria discreta tiene una función de probabilidad f(r) : !12' donde 2. para el cual la . la mediana y la media se muestran en la Fig. eetá dada por = n-Zr/. (b) La medianaee 1. . y (c) compararlas con la media. Halla¡ (a) la moda y (b) la mediana.3 OTRAS MEDIDAS DE CENTRALIZACION 3. 3-6. = fr: aegunda derivada. es Í: L. Ahorapara0(a ( 3. . ea negativa para x = 1fá. El máximo relativo de la derivada es cero.[.?3 aprox.96 ESPERANZA MATEMATICA lcAP.33. . que ea La moda pedida."on-r2tdr = #(Y-t) 2aa_36a2 all2 hallamoe que *91 = 0 de donde _ia2 = 36a\436P-4(2X81-) . (o ) La moda se obtiene hallando donde la densidad f (x) ea máima.. r: 1. La moda.62 apror. (b) Hatlar la mediana. (a)/ La moda es el valor de 4 asociado con la probabilidad más grande.¿rL 81 -_l = 'r2) df ar.9 - -'l 86 - 8l l2r2 = u Entonces . P(x<a) Igualando eeta = *. e8to e3 f(r ) ocurre dondc .84. (c) ' E(x) = + ('¡z(g-xz\da = !(t*-+)l'= 8l\ 5/lo 8lJo que prácticamente ee igual a la mediana. aquel valor deo parael cudlp(X é a): ll2. Ob¡érvese que este valor da el máximo ya que la -24x 187 .60 = 1.36='ñ¿r ze) az de donde o = sli{z- q Por tanto la mediana pedida. l(r't 3. (c) Comparar la moda" la mediana y la media. que debe enconharse entre 0 y B.

. Entonces E(lX = D.098 y 2. Entonces el recorrido es 3 . En forma análoga puesto que todos los valores ¡ ( 0 tienen probabilidad cero.cAP.. = - p|) = l_".l0.10..33 la media Desviación media ee lt : 1. tomamoseluolor móximo de ¡: 3. PERCENTILAS 3.35 los valores de la vigésima quinta y septuagésima quinta percentilae son 1.68 aprox. (b) el recorrido semi-intercuartílico y (c) la desviación media para la distribución del Problema 3. Determina¡ (a) el recorrido.a septuagésima quinta percentila es el valor de ¿ tal que (18o2 - a4 ¡¡8t: o @a.L21 aprox. (b) Por el Problema 3.? 5. es decü 312.Portantacualquie¡númeroentrel y 2 podrfa representar la mediana..l : 2. o sea ¿ 0.'"¡)a' = SESGO 0. Por tanto el orden de las tres medidac es contrario al del hoblema 3.19 tenemos 02 ll 25 It3 oo - 32 8?5 -0.25. Del Problema 3.0 : 3.121 reepectivamente. Hallar el coeficiente y (b) curtosis para la distribución del Problema 3. I. : 2.r :: . a (c) f.35. Y CURTOSIS de (a) sesgo 3. Por coneecuencia escogemos el punto medio del intervalo.n "¡fa' = Í^" (.o .60 : 8/ó.3.33.esdecirlasoluciónde(18a2 : 0.r - pl f (n) dr = l"' l' . :.b1 aprox. Por tanto Recorrido semi-intercuartflico = ?121 .-1998 0.19.")] d' + Í. tomamos el uolor mínimo de ¡ : 0. (b) vigésima quint4 (c) septuagésima quinta percentilas para la distribución del Problema 3.33(b) tenemos (o) LadécimapercentilaeselvalordeoparaelcualP(X5o):0. Determinar los valores de la (c) décima.36.P(X=r):l12yP(X. (c) Como se encontró en el Problema 3.33 hallamos que s : 0.1253 3693 8750 (a) Coeficiente de sego -: o. (b) La vigésima quinta percentila es el valor de a tal que (L8o2 P\X<a)=#(Y-fl = "# aa -a4¡¡8t \l8L : O.33. Empleando el método del Problema 3.33. (c) Del hoblema 3.3l ESPERANZA MATEMATICA 97 (b) Si¡escualquiervalorentrely2.37.*l[#. OTRAS MEDIDAS DE DISPERSION 3.655 apror.)[#'n .098 aprox. Del hoblema 3. (" . M.t):ll2.")[#. : 1.". (o) Puesto que todos lós valores ¡ ) 3 tienen probabilidad cero.

coS c do -e ':. .t_ | eú . Utilizar el Problema 3.38._ .. y la varianzaes 02 : M"(O)-ÍM'1O¡12..l l''. Sea p.r i r)d (¿@ I ¿ir r 1. ú"r**:r.../" .39 I pt. . que tiene una curtosis de 3. = I#+i:"-o 2¡ tt'' sr(. remplazaudo j por h..Iu-| é(o) E1er. (b) Mulüiplicar ambos lados de la expresión (r) . ..Z.n... ¿ k icr_....i)o ¡f. - I zt. "" Entonces j f'= " -iia 4.> ]¡xeik. Qk¡).j .Para una variable ¿leatoria continua. De (32)..(ar tra -= k =S o*Ja " ¿i{r'. la serie de Fourier se rernplaza por la integral de Fourier (véase página 81). .. " t*''L i:.tlZ Se deduce que hay un sesgo moderado a la izquierda... n2.{o) r/o Con frecuencia llamamos Q$. Si M(tl es la función generatriz de momentos para una variable aleatoria X demostra¡ que la media €S g : M'(O.r-. ." . pk 1 12= T.u-¡ .¿.. X una variable aleatoria que toma los valores t n. f tl' . También la distribución distribución normal. = ..' '^'y'..1. ..l ¡rt" . Del Problema 3. 4¡ J.(".página 80. o1_o o.. respecto I @ desde 0 hasta 22. = o" = M"(0) - lM'10¡12 1. PROBLEMAS DIVERSOS 3.98 ESPERANZA MATEMATICA lcAP.40. puesto que f_"n. . como se indica en la Fig.rf t1o k+j k---j Por tanto rt ¡ P¡ .1. ti = M'(ol Entonces de (27) tL = M"(o) p = Iú'(0) 3. yp¡ los coe¡icietttes tte iour¡"r. .39 para obt€ner 14 distribución de probabilidad de una variable aleatoria X cuya función característica es O(<¿ ) : cos .. .x¡ ¿ior¡ = - i -) r^. f-ri".39. = 2¡p f -o --n ... (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 -. J.3 (b) Coeficientedecurtosis = et :..1.. 3.. tenemos remplazando r : L y r : 2. es algo menos apunüeada que la 3€. .¡ rru..

\2/ {. \ Fig." *./. 3-7. "_. 3-? (b) Tenemos p.si.20. cientc de sesgo es cero.)21 = E(X2) = pí = ps = qllX -p){] = E(X4) = p'n -o2 'lt4-. {2¡ or. # to' '"t2"-'d'o B L 4.1"/1) = r \/.Pa¡alo¡oEdvalore¡dektenemo¡p*=0. (r |.. = E(xz¡ = -+ ¿l" l/2r -.x2/2 ¿. 2'\2/ dadas en donde hemos efectuado la transformaciín xz 12 : u y utilizando las propiedader de la función gama (2\V 6\ del Apéndice A.p. -f rz ¿.2"-22/2¿¡ ¿u = + 'to f'sz¿-x'/z¿.cAP. Por ta¡¡to la va¡iable aleatoria ectá dada por X=) Comó una verificación vúas€ hoblema 3. 3 Por tanto el coeficiente de curto¡i¡ e¡ -i-ó ./g\ = {. = h Í. con probabiüdad Ll2 con probabilidad Ll2 -r 3. 2 2'\2/ = ...41. . Iülla¡ el coeficiente de (c) sesgo y (b) curtosis con densidad de la distribución defrnida por la curua normal. (.3l ESPERANZA MATEMATICA 99 Si&:lhallamosr'=$.= -z-rll) . = Z Jo {i .1"/l) = -{. (o) f(t)= l¿-"'" l/Zn- -co<n<e l!\ : llt = O y lt\:0.'\2/ Entonces = EI(X. Por tanto el coefi- La di¡tribución tiene I¿ apariencia de la Fig.8. Análogamente obtenemos ti = E(xr¡ = h fl= o.2. Por simetrÍa.k:-1hall¡mogp-r=*.

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). + n?. (b) E(Xr).45.47. Sean X.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. ¿Cuál es el número esperado de puntos que resultan en 3 lanzamienüos sucesivos de un dado honrado? ¿Parece razonable su solución? Explicar.48.44. Una variable aleatoria X se define | -2 prob.Y = ] 3 prob.46.x)(Y- pv)l = + c2al - 2co*. 1/3 por . = o?.zcEl(X.zl \ 'xv\2 "i" "x/ --t-"i = ""*"1-o'*"=-0 ó *=1 '7ní queesequivalenteap2 < "'*"?. ll2 . -2"":'\ -" -* \"r* ) -/ = oí+oil"-. 9. (b) E(zX + 6). (c\ E(Xt). Para cualquier constante real c tenemo¡ . Sea prob. Demosbar que -1 < s1 (véase página 82). .100 ESPERANZA MATEMATICA p [cAP. I Problerna.{) * -."Í\"-.!\'Entonees el lado izquierdo puede escribirse El¡.otr ___q__ . * c2El(Xr ¡x)21 .s suplernent&rio s ESPERANZA DE VARHBLES ALEATORIAS 3. 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). g. (c) E(XY).3 3.¡. 3.Y El(Y _¡v)21 c(X - Px))21 = 0 / ol. I 1 3. / . 3. (bl E(}X-21.( ". (c) E'l(X-1)21.42. La función de densidad de una variable aleatoria X es /(r) = (e-r r>0 de oüra forrns 10 Hallar (o) Eo(l.. (b) E(Xz *)a2).49.-". (cl E(X21. Una variable aleatoria X tiene la función de den¡idad (e-' r>0 /(r) = {l0 ^ ¡(0 Hallar E(e2x/31. Hallar (a) E(XI.

Y va¡iables aleatorias con deneidad conjunta f(r'al = iat' Io o-<:us1' o<tl<1 de otra forma Hallar (o) E(X).E(X) E(Y).XY\ 2 = E(X) E(Y\. (b) E(Xy) -. 1/B prob. 3.'. Sean X1 . (b) "x. ¿Se cumple que (c) E(X + Y) = EIX) + E(yl.0lyf 3. s) = ] : de otra forma |0 Y). 3. + Xn).54. .49. .2/3 v) | 2 i -a prob.3l ESPERANZA MATEMATICA ¿Se cumple 101 3. 3. Xn n variables aleaüoria8 que están distribuidas idénticamente tal que | 1 Xt.66. (d)E(XY). que (o) D(X + Y) = E(X) + E(Y). 3. Y va¡iables aleatorias con función de densidad conjunta Hallar (o)^E'(X).50? Explicar. en el Problema 3. (ó) E6?+ X'r+ ..51.7/2 prob. 3.55. en el Problema 3. VARIAT{ZA Y DESVIACION TIPICA 3. en eI Problema 3. 0f s<I. (c) E(X-rY). Sean X. 1/3 \o prob. Sea X una va¡iable aleatoria con función de den¡idad (1/4 -2f x=2 l(rl = jo deotraforma Hallar (o) Var (X).52? Explicar. 1/6 Xzl . (b) E(. E(Y\.50.58. (d) E(X2t'). Hallar (o) la varianza y (b) la desviación típica del número de puntos que resultan en un EoIo lanzamiento de un d¡do honrado.(zr+y) 0<r='I. Si /(t. (b) E(Y). (b\ E(XY) : E(X) E'(Y). * Xil.48? Explicar. (b) E(2X2-Y2). (cl E(XY).53.cAP. . tc)E(X+Y\. .62.0=tt<2 lr(t*u) l\x'a) = f deoüraforma 1o (b) E(Y). 3. . = I Z [ -_r Hallar (o) E(Xt+ prob. (ft E(xY).57. Y variable¡ aleatorias independientes tales que ^ vt || prob. (x) = io x>-0 de otra forma Hallar (o) Var (X). 3. (f.69. (d) E(XY). (b) "x. Sean X. 3. 3/4 prob. 1/4 Hallar (o) E(3X+2Y). Sea X una variable aleatoria con función de densidad f (e-.. X2. ¿Se cumple que (o) E(X + Y) = E(X\ + Sean X.

01 - 3M"(0) ¡l'(0) + 2lM'(0\13 Ifrivr(Q) 4M.68.63. 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. (b) Problema 3.44. (a ) 3.44.69. página 81. (b) Var (X). 3. E(X2 ) : 8. 3. 3. Hallar la función carar:terística de la variable alcatoria X con función de densidad f¡): (x/2 io 05rtZ deotraforma .73. (b ) ox. Hallar el hésimo momento alrededor (a) del origer^. - 1)2] = L0.. g Problema 3.67 halla¡ los primeros cuatro momentos alrededor de la media. 2\21 Si una va¡iable aleatoria X es tal que E[(X Demostrar el Teorema 3-1.64.43.65. 3. Si M(ú) es la función generatriz F:t de momentos de la variable aleatoria X. MOMENTOS Y FUNCIONES GENERATRICES DE MOMENTOS 3. (á ) Problema 3. 3. 3.7 lxl I a deotraforma 4. Ei6 - . demostrar que el 3o. 1/2 -tn primeros cuatro momentos alrededor del origen.61.. Demostra¡ el Teorema 3-11. 3.'(0) ¡f.62.r02 3. E(X): 2. momentos al¡ededor de la media están dados por = p1 - ItI"'(.43.6 hallar (a) E(X).72. Hallar (o ) Var (X ). (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. (b) de la media. Si X tiene función de densidad ¡t") : -i (l/(b-a\ O a'=r=b de otra forma.60. ESPERANZA MATEMATICA Hallar la va¡ianza y la desviación típica para la variable aleatoria X del Una va¡iable aleatoria X tiene (a ) [cAP. Hallar (o) la función generatriz de momentos de la variable aléatoria x = y (b ) los ( U2 1 prob. (c) o¡. página 77. Halla¡ Ia función ca¡acterística de la variable aleatoria (a X = 7 ó I prob. (a) Hallar la función generatriz de momentos de una variable aleatoria con función de densidad f(t) = fe IO y (b ) r r>o de otra forma determinar los primeros cuaho momentos alrededor del origen.67.71. y 4o. 3. 3. 3.(0) + 6M"(o)lM.66. En el Problema 3.(0)]2 - 3[M'(0)]4 FUNCIONES CARACTERISTICAS 3.70. Hallar los primeros cuatro momentos alrededor de la media en el Problema 3. 1/2 prob.

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)

73% del área total.73% Fig. En este caso la función panZ puede obtenerseapartir de (4) alremplazar! = 0V o: 1. 99.-2y I2.Nl/s-> 96.8 yque3) las cuales rcn iguales aJ. du = + # fo' .2 y 3 desviacionestÍpicasde lamedia(esdecir entue z: -1y * L.". Esto quiere decir P(-1<Z=L) = 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 : 0.68... resultando de f(z) : le-"'" V2" .z: + .110 va¡ianza DIsrRIBucIoNEs DE IRoBABTLTDAD coN NoMBBE pRoplo [cAp.99?3 (10) ¡$$. 4-1 se muestra una representación gráfica de la función de densidad (7). es decir si hacemos (6) z=r= entonces den¡idad la media o el valor esperado de Z es 0 y la variartza es 1. ert (z). Si hacemos que Z sea la variable normalizada correspondiente a X. (r) Este resultado se conoce frecuentemente como la iunción o la distribución de densidad normal tipif!eada.z.9545. du (s) se Algunas veces llamamos al valor encuentra relacionada con la función enor.46%. 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'-"-. P(-3< Z<3) = 0.u y F(z) : á['. En esta representación gráfica hemos indicado las áreas dentro de L.96. *t(ft)] (e) En la Fig. que es uno. P(-Z=Z<2) = 0. La función F(z) eú(z) = z-frÍr' e-u'd.451/" y 99. 4 En este caso decirnos que la variable aleatoria X está normalmente distribuida con media g y l.. algunas veces conocida como la curva normal tipificda.27%..-.6827.

Los valores de f(r) en (13) pueden obtenerse empleando el Apéndice H. Esta airi¡Uu"iór..cAP.¿r) : L J" f"-u2tz ¿r. En la práctica la aproximación es muy buena si ambos np y nq son superiores a 5. Poisson.. n+€ \ vnpq / 1/2n que la variable aleatoria tipificada (X . y en el límite es total.t7). se llama la distribucíón dePodsson (en memoria de S. (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. L. . DISTRIBUCION DE POISSON Sea X una variable aleatoria discreta que puede toma¡ X esté dada por los valores 0. que da los valores de e-r para diferentes valores de ). decimos x -'p . 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. La aproximación es tanto mejor conforme aumenta n. .. 1.2. .. El hecho de que la distribución binomial tiende a la distribución normal puede describirse aI escribir Literalmente. 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. tal que la función (1g) de probabilidad de f(r) = P(X--x): {] r=0.rup)ll/nfiqes t¡m P(a= (12) normol asintóticamente. . donde tr es una constante positiva dada. o utilizando logaritmos. 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.D. 2.4l 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.

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

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

4 (20) 'tL -: D+r nb Si consideramos que el número total de bolas blancas y rojas es N.114 DISTRIBUCIONES DE PBOBABILIDAD CON NOMBRE PROPIO [cAP. (281 X tiene la dbtribución de Cauchy.(ó N es grande comparada con n).a)/(b-a) a< n <b rzb |1 f o r<a (27) La media y la varianza son respectivamente u = |@+b) DISTRIBUCION DE CAUCHY Una variable ". Los resultados son los que N gmnde el muestreo sin remplazamiento realmente es idéntico al nuestreo con remplazamiento. ya que para (25) de acuerdo con las primeras dos entradas de la Tabla 4-L. r=Nq (21) (I9) V e0\ se conviertan respectivamente en P(X = x'¡ = (22) p--nP Obsérvese que cnando (23) escribirse como N -+ . párySna 109. si la función de densidad de X es (2el . = i@-a).s=#=# de modo que 6 b=Np. que puede (24) p(x=t:) y (23) se reduce a = (I)o.=#=*. (221 se reduce a (I8). DISTRIBUCION I'NIFORME Una variable aleatoria X está distribuida uniformemente en a 3 fi 3 b si su función de densidad es f (t\ = Il/(b-a) {o a<r<A de otra forma (26) y la disbibución se llama duúnbución uniforme. en tanto que las proporciones de bolas blancas y rojas 6onp y q = L. entonces .n'-" o2 = 'ILPQ p=nP esperábamos.p respectivamente. La función de distribución está dada por F(rl = P(X = x) = j (t.

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

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

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

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

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 . en el erpacio mue¡tral. ccs. DishibuciónWeibull. c. csg css.(r i) . Distribución exponencial fkl = { lae-"' c)0 n=0 L0 M(t)= q.zar una moneda honrada tres veces resulten (c) 3 caras. Hallar la probabilidad de que al lall. Si C denota "cara" y S denota 'rlellot' y derignamos CSC.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 119 3. (c) al menos 1 cara. (d) no más de un sello.cAP. 4.1. Puesto que en ceda lenzamiento pueden ocu¡rir 2 posibilidedec (cara o rello). es decir puntoc muesEalee. por ejemplo. Distribución Maxweü.b[.'r(r / + |) - a-2. Estoe lon ccc."(t. 1"1 ¿=j ( f(s) = rL o6*t-r {o 02 "-axt r<o * = o-'. para rignificar cara en el primcr lanzamiento. f(r) lt= )o-l Problerna. (b) 2 sellos y una cara. Por tanto (o) P(3 cetar) = P{CCC¡ = } (b.llo en el regundo y cara en el tercero. 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. ssq scq scq sss Para una moneda honrada a e¡to¡ re¡ultado¡ re ler asignan probabilidadee iguales de 1/8.a resueltos DISTRIBUCION BINOMIAL 4. hay untotalde (2X2)(2)= g re¡ultados poeibles.+)] r >0 Í <0 5. Método 1.-t fi > O t'=.

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

Entonces. De 2000 familias r-:on 4 niños. 4l DTSTRIBUCIONES DE PROBABTLIDAD CON NOMBRE una PROPIO '..3. -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.zL (b) P(3 ocurra máximo vez) = P(X 1) = P(X = 0) * P(X = 1) = = 1l\/rY1¡\'*' ¡s) /r\'/rY .16 P(2 niños) : P(l niño) * P(2 niños) 16 16 * P(3 niíror) * P(4 nlñoa) 1 3 1 1 4 8'.L' = /1\/1\'/l)'= l.4 16 Otro método.es sea niño y al menos 1 Ll2.= 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\'. -' /t\/ 1l\'/+)' = t. P(al menos 1 niño) /t)l+)'ll\' = \..\o/\6i \6/ \r/\oi \o/ 3125 .i \t/ \t/ = 2 8 p(4 niños) = (l\ /1)'11)'= f x-/\z) \z/ . ¿cuántas calcula deben tener (c) al menos 1 niño. P(almenorlniño):1-P(nir¡gfrnniño) = l(b) P(al menos 1 niño y al menos una niña) ll)t \2/ = . (o ) ee coüvierte en P(X>l) : P(X:l)*P(X=2)*P(X=3)*P(X=4) = 18 4.4.i tUO (c) P(l : P(l niña) * P(2 niña¡) niñoe) :P(l niño)*P(2 : I +3 : * ..3888 ' 3888 ' 7776 ' 7776 . (c) 1 ó 2 niñas. \r \zi\z/ . 3725 3125 = n76r n76. (b) 2 niños./s\/t\'/qY \2/\6i \6/ \'i \ei \o/ * \o/\e/ \6/ * \s/\a/ \a/ 626 r25 25 1 763 .ooo (lf) = 2000 18?5 Número esperado de familia¡ con 2 niño¡ 20OO ' P(2 niños) ó 2 niñas) = (3) = \ó.3888 4.cAp. HaIaf la probabilidad (o) p(lniño) p(3niños) Entonc.3 vemoe que (o) (b) N(rmero esperado de familia¡ con al menos 1 niño = . Suponer que la probabilidad del nacimiento de un varón es t-. de que en una familia de 4 hijos (c) al menos 1 sea niño. por ejemplo. (b) al menos 1 sea niña.\s/\z) \z/ . (d) ninguna niña? Refiriéndonos al Problema 4.

.:: =:"0.p:0./ ) _)p.8)r = ¡. Médodo 1..46e.0.rt't0.4 Número esperado de familias con 1 ó 2 niñas = tZOOOill) ' '\ 6 / \/ = 125 1250 (d) Nfrmero esperado de famiüas sin niñas = (2000)( i ) = 4. (c) menos de 2.' (0. \r/ Entonces la función generatriz de momentos está dada por M(t) = E(etx¡ = )etxf(r'¡ n /n\ = ¡=0 . La probabilidad de un tornillo defectuoso e8 p :0. (ü) p(X = 0) = (c) P(x <e) = (fi)to.nba j-ésima si éxito en la prueba j-ésima U=1'2. Entonces es g : I . determinar la probabiüdad de que de 4 tornillos escogidos aleatoriamente (a) 1.7.8.'(\*.. Si X está'distribuida binomialmente.6... (b) 0.detalmodoquelaprobabilidaddenoTenunsololanzamientoesq:1-p:516.2.q" . Si el 20 % de los tornillos producidos por una máquina son defectuosos.l# = fr X que está distribuida Hallar la funCión generatiz de momentos de una variable aleatoria binomialmente.L22 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. HaIIar Ia probabilidad de obtener un total de 7 al menos una vez en tres lanzamientos dé un par de dados honrados. de un tornillo no defectuoso va¡iable aleatoria X el nl¡mero de tornillos defectuosos. sean defectuosos.Entonces P(ningrrn z en B lanzamienros) En un lanzamiento de un par de dados honrados la probabilidad de un 7 es p:1/6 (véase Problema 2.pet¡" Xi ' |0 {[1 si fracaso en la prr. = 1:)l+Y/q\' \"/ \"/ \6/ - r25 216 y 4. página49). f (r) P(x = r) = (!\o...6.r.8)a = s. Sea la (o) P(X: t) = (rn ). P(al menos un ? en tres lanzamientos) = | . = = Método 2.n) .46e6 ffi ? . 4.1. Para una secuencia de n pruebas de Bernoulli definimos n /n\ '?n ('/tr"')'0"-' (a -l.0.n" ..

Procediendo como en el Método 2 del Problema 4. Demostrar el Teorema 4-7. n..)(0.lro..t y varianza 02 Íini- (r) en tol P(X-11 -ko\ flp. o - {-npq...e*pet M(t) = M tQ) LI2Q\' ' ' (i=1.10.1. Por la desigualdad de Chebyshev. y1 E(X) = 0q*Ip = var (x. M"(t) - 'f pst¡n 4.esdeciresperamolque40tornillosesténdefectuo¡os.y (I)rc convierte En particular si X tiene distribución binomial o de Bernoulli. li* Pll{-.la ley de los grandes números (en forma débil) pa¡a las pruebas de Bernoulli.1 ):40. (o) Medialt:np:(400)(0.7 tenemos para/: L.1.'EBAS DE BERNOULLI 4.2..IMEROS PARA LAS PRI. página 83. tt = flp. v (3 ) se convierte en P(lz -. . págirra 84. Por tanto la desviación tipifrcada o = y'56 = 6.q Entonces o2 p:E(X)=E(X'\+E(X2)+"'+E(X")-np = Var(X) = Var(Xr) *Var(Xz) +.L52\.) / \ 14 'l y tornando el límite cuando n -+ @ = 2+ ¡4r. como se requiere. con S.38) o direetamente de la función de probabilidád (véace Problcma 4. Demostra¡ que la media y la varianza de una variable aleatoria distribuida binomialnente son p: np Y o2 : npg respectivamente.1 = . si X es cualquier va¡iable aleatoria con media tas. 4.9) : 36. entonces F = P(lX. . = X.i)'== .) Í+ó \l ?¿ -l = / = 0 El resultado también se deduce directaménte en el Teorema 3-19. o =. (b) l'Iananza o2 : npq: (400) (0.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L23 de momento¡ Entonces las X¡ son independientes y tenemos X: Xr * Xz *. tenemos. de Los resultados anteriores también pueden obtenerse (pero con má¡ difrculüad) derivando la función genaetriz momentc (véaee Problema 3..) + (r - p)2p = i)".)l*. halla¡ (a) la media y (ó) la desviación tipiticada para el número de tornillos defectuosos de un total de 400 tornillos." *Var(X) = npq donde hemos utilizado el Teorema 3-7 para o2 . .cAP.'* Xn.. LEY DE LOS GRANDES NT. 2. entonces ¡.t/V6d. Si la probabilidad de un tornillo defectuoso es 0.npl > k1/i-npq) < i ó (3) Si hacemos c = k \l T. página 80. Pa¡a la función geraeratr:iz Mj(t) = stoqlettp . :-.i .9.n) (Q Entoncee por el Teorema 3-9.8.

proceda a la derecha hasta la columna 8.L24 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.21. Por üanto'. [.3849.211 = + (''" {2r . es el área pedida y representa la probabiüdad de que Z estÉ ent¡e O y 7.Luego proceda a la derecha h¡sta la columna marcada 0.2910 = 0.4 4. (c) entre z : -0.68 sz=o) = -! l'o {2¡ J = | r' -o. baje por la columna ma¡cada con z hasta alcanzar el valor /.68 "- u.12.81 0.46 y z : O) * (área ent¡e z : O y z : 2.(área enhe z :-0.gg4g z=O .11.i77Z + 0. (e) a la derecha de z: - L. Por tanto .4738 - : 1..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.941. baje por la columna z basta alcanzar el valor 0. represenüa la probabilidad de que Z eaté entre -0. 0.2.rz¿u (c) ñ J" Area pedida .94) O y z = 0.46 y z: 2. 0. 4-3 (b) Area pedida : área entte z : O y z: *0.0.27. El recultado.25f ? El área.+e "-u2t2f.68 y 0. Halla¡ el área bqio la curva normal tipiñcada (a\ enfte z: Q y z: 1.C.6636. Entoncee.6636 e-ú'/! clu = 0.81 = Z = L.94. .68 (por simetría). Por tanto P(-0.2) = | {u ¡rz Jo ¿r.as 0. DISTRIBUCION NORMAL 4.2I) : O.81y z = L. ee el área pedida y representa la probabilid¡d de que Z eté entre -0.46 y 2.L (o) Utiüzando la tabla en el Apéndice. Por tanto P\0=z=r.1828 O yz ) lo mi¡mo que P(0.(b) entre z:-O.a'ley de los grandes números establece en este caso que la probabilidad de la proporción de los 3 en n lanzamientosdiferiendodel/6pormásquecualquiervalor€)0tiendeaceroamedidaquen-+€.2517. P(-0.4964 | t/Zt Js \/2r Jo "-uz/z 1 (d) Area pedida : (área entre z : : E¡to es - (área entrez : 0.ildlt + _= |^2 ¿¡ = O.2L) : (área entre z : O y z : 0. \.68 y z : 0.¿ ¿-uzr!¿u = -! Jfo \E = ___1__ -o.6.=12 Fig. = "-u!/t 0.28.46) * (área enbe z:0 y z : 2.u + t/2" 'lo + ('"' "-u2tz 1¿4 2l 10.t _o.46 " 1 e-u.!772 + 0.2.4864 : 0. (d) entre z: 0. El resultado.

5. El peso medio de 500 estudiantes varones de una universidad es de 68.4115 de lo 2: z es negativa pero a Ia izquierda de -1.5 y 0 ) . (b) Puesto que el área es e-tt/2 du = 0'3770 mayor que 0. z debe ser positiva.5: 0. Si "área" se refiere al área bajo la curva nonnal tipifrcada. (b) el área a la izquierda de e sea 0. Por tanta z: + 1. Area entre -1.4549 y z: l'ig. por tanto z debe ser negativa. o. Caso 1: z es negativa pero a la derecha de -1. 4.(área entre 0 y z) (área entre 0 y z) 0.5.5: 0. z : -t. Caso 0.30 47.5 kg en unidades tipificadas 68. hdlar el número de estudiantes que pesan (a) entre 48 y 71 kg.5)/10 68. (b) más. Entoncec la z pedida es 1.3997 + 0.5: -2.O2l7 + 0. o.14.4332- Entonces el área entre 0 y z es cual e: -1.5 kg.69.16.8621.3621.28'y z = O) T 1área a la derecha de z : 0) = 0.cAP.5 y 0' (c) Si z fuera positiva el área sería mayor que el área entre que es 0.7O ?1. (a) En la tabla en el Apéndice C.L6.:1Tí"11u (área entre 0 y O. 0 y z esO.5 )/10 . (c) el área enhe - 1. suponiendo que se regis' han al valor de kg más próximo."O. (o) Los pesos registrados entre 48 y 7l kg pueden realmente tener cualquier valor entre 47.35.28).5.0277 (árca entre -1.5 y z sea 0.16 es otro valor de z.8621 . de lo cual z:1.5:0.694 utilizando interpolación lineal.5 y z : 0.8997 Esto es lo mismo que P(Z > -1. 4.4332- : 0. con menos precisión.5 kg en unidades tipificadas : (71. : (47 . El problema es equivalente a resolver para z la ecuación rfz G ).0217.0.4332. -1.5 y 71. Por simetría.O2L7 : 0.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROP¡O Area pedida L26 (e) - (área entre z: -t. z : -1.13.O2l7 : Entonces el á¡ea entre z).1 y bajo la columna 6. Area entre z v -t'5: 9ü. hallar el valor o los valores de z tales que (a) el área entre 0 y-z sea 0.3??0.5 kg y la desviación tipiiicada es de 10 kg.de 91 kg. Area entre 0 y z es 0. el valor 0'3?70 se encuentra a la derecha de la fila ma¡cada 1.09.4332 :0.4-ll -1. Suponiendo que los pesos están dishibuidos normdmente.4332.

(dos veces el área enhe z : = 2(0.4821 + 0. La media del diámetro interior de una muesha de 200 lavadoras producidas por una máquina es 1. .6000 Entonces el nfimero de estudiantes que pesa entre 48 y 7f 500(0.16.275 cm y la desviación típica es 0.4 Proporción pedida de estudiantes : : = (área entre z = -2. (D) toe e¡tudiantes que pesan más de 91 kg deben pesar al menos 91.(área bajo la curva normal entre z : L.29 .010?): $.30 = 600(0.26 en unidades tipificadas 1.SO) (área a la derecha de z : 0 ) . de otra forma las lavadoras se consideran defectuosas. 4. podemos resumir los resultados anteriores en términos de la probabilidad al escribir P(47. 1-14 Obsérvese que si consideranros el intervalo L.1.L26 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. r.9tOt 4.2 L.6)/10 : 2.O]-25: -1.10 y z:0.26 (1.l.26 s 1.3849) = 0. 4-r3 Si W denota el peso de un estudiante escogido aleatoriamente.5<W<71. el resultado anterior se modifica ligeramente.0125 cm. El propósito prira el cual se han diseñado las lavadoras permite una tolerancia máxima en el diámetro de I.29 en unidades tipificadas : : (1.30 Entonces el número de estudiantes que pesa más de 91 kg Fig.91¡ = 6. Determinar el porcentaje de lavado¡as defectuosas producidas por la máquina. suponiendo que los diámetros están dishibuidos normalmente.266 a 1.2 Por tanto el porcentaje de lavadoras defectuosaÁ es 10002 Fig.2 . Sin embargo para doe cifrar significativag los resultados son iguales.275)l O. Hallar la función generatrrz Tenemos de momentos para la distribución normal general.600) kg.2 : -7. d1) = "ut'<o2t2/2t (J-ú "-tr-ort" l/2" .5 - 0.600 P(W -. M(tl = E(etx¡ = L= Remplazando (x ot/2r J -- (' ette-(t-tD2/2c2 dtr g.295 cm.26 a 1.30) : (área entte z: -2.68.1179 = kS ee 0.5)=0.0107 es 2.10 y z Ol * (área eítte z = O y z : 0.7698 ó O yz : 77% -1. (área a la derecha a. 1. : Z.11.2) .300) 0.I.29 cm como representando realmente los diámeüros de¡de L. etrt+oot-tu2/2. = 300.275')lO.(área entre z : O y z : 2.5 Proporción pedida de estudiantes 91'5 kg en unidadee tipificadas: (91.5 .4893 = 0.30) 0.2 -77% = 23%. .2) yz Proporción de lavadoras no defectuosas .29 cm.0126: L.tt)lo: uenlaintegralde M(tl = -= | \/2r J-14q modo quer:¡¡+ dx: o d4 tenemor dt.

. (b) la aproximación normal a la distribución binomial.4429 + 0. mostrada a trazos. Entonces dadas por/r= np=10(4\= 5yo = {nw = y'(10)(+)(+) 2.5 a 6.5 en unidades tipificadas : (2. Cor¡siderando los datos como conünuoe. se'deduce que 3 a 6 caras pueden considerarse como 2. (o ) Sea X la variable aleatoria que da el número de carag en 10 lanzamientos.95 Probabilidad pedida : : z: -1. 4-r5 23{587E Nfrmero de caras Fig.p94!l y la varianza para la distribución binomial están = 1.)'_ . Tqqbié"r!g_.* "á Ar P(X=A) /ro\/fY/r\'_ = \4 /\z/ \z/ P(X=6) = 106 stz /to\/r\o/r\n _ = (.68 y z = O) * (área entre z : 0 y z : 0. 4-16 trata los datos como gi fueran continuog.58 6.7784 Probabilidad 2341678 Nfrmero de caras Fig..7734 que se compara muy bien con el valor verdadero superiores de n.95) (área entre z :-1.7718 (área entre d. ro¡ Entonc.5 .5 caras.5)/1.E \ /\2/ \2/ =5) = l.58. 4-16 y puede aproximarse por el área bajo la correspondiente curva ncrmal. La probabilidad pedida es la suma de las áreas de los rectángulos sombreados en la Fig.¿*\ / = ewt+(ozt2/2) APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL 4. 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. )\.95) : O. La precisión es aün mejor para valores .58: 0.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L27 Entonces sustituyendo u - ot: u hallamoc que ettt+(c2t2/2)( M(t) : + f\t/2" J-* "--. Entonces p(x=B\ = P(x ('f)(.#*¿%*# 03 = # = 0.ó8 : -1. obtenido en la parte (o).es la probabilidad pedida es P(B=x<6) = #.3289 : 0.5 en unidades tipificadas : (6.e O.)\.cAP.17.6.5)/1.X.-o) l+Y 5 ll)' : . en la Fig.) ffi.58 y z : 0. Hallar la probabilidad de obtener entre 3 y 6 caras inclusive m 10 lanzamientos de una moneda honrada utilizando (c) la distribución binomial.

mr.3? (D) Procedemos como en ha parte (o).5 en unidades tipificadas hobabiüdad pedida . 239.94):2(0. es decir etabacargoda 280. 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.1443: 0.02) .0885 Se deduce que si fuéramos a tomar muestras repetidas de 120 lanzamientos de un dado.)(+) = I 1..O2 14.5 en unidades tipificadas : 1-0.0.6 .94 260. t.- -1. : 4.(área entre z : O Y z :-1. empleamos la aproximaclón normal. .e z: O y z:2.5 y 280. Hallar la probabilidad de que el número de caras no difiera de 250 por (a) más de 10.94 ib) Necelitamoe la probabilidad de que el n(¡mero de caras la encuentre entre22O y datos como continuos.6/ r7 \ /\6/ \6/ \ /\6/ Con¡idenndo los datos como continuos que 0 a También .311 : (área ent¡e z: O y z: -5. un 4 debe apariecer 14 vece¡ o menos en aproximadamente la décima parte de estas muestras.' La probabilidad de que resulte un 4 es p: l16 y de que no reeulte esg : 5/6.02y z: Probabilidad pedida -O.3264): 0.3557 -0.18 (o) Necesitamo¡ la probabilidad de que el número de caras se encuentre enbe 240 y 260..94 y z: 0. entre 239.(.250y11.35) : (á¡ea entre z : O y z : -5.4115 : 0.18: .02) : : -(área enhe z O Y z : 0.(i) = 250 s '= \/ill = .7 3 280. .0..5 en unidades tipificadas : 2. Una moneda honrada se lanza 500 veces.37) -0.5 en unidades tipificadas 28O.5 en unidadee tipificadas :-5.6 - 2O)l4."p: . o si conslderamos los datos como continuos.02 y 2 : -1.(lX*) : -5. remplazando 18 por 14.31-i Probabilidad pedida : (área bajo la curva normal enhe z : -5.73\ por más de 30.5 -.94) : (dos veces el área enhe z: O y z :0.7 3 Probabilidad pedida : (dos veces el á¡ea bajo : 2(0'4968): 0'9936 la eurva normal enb.. (rzo\/r\/!\'.. ¡ rzo\1¡\''l5_\'o' r8 \.0.5 .19. Hallar la probabilidad de que resulte 4 (c) 18 veces o menos y (b) 14 veces o menos.18 : -2.5 a 18. (b) por más de 30.5 se 0..5.'.5 - 250 )/11. ..4 4..35) : 0.b.6528 = (239.20)14.L28 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP.OB tipificadas : -0.. 219. l8 cuatros pueden tratarse como tt = ttp = Entonces 120( )l = ZO \o/ /t\ y q = 1/-n7tq .02 18.. o \ i \6/ \6/ -{.5 en unidades : (área bajo la curva normal entre z: -5..18. o si consideramos : (219. = . pbr (o) Deseamos la probabilidad del número de 4 entre 0 y 18. podríamos considerar que la moneda no 4. Esta se encuentra exactamente ¡rzo\/f\"i 5\'o' .5 cuatros.5 y 260. entre 219. suponiendo que el dado es honrado.08 .OB pero debido a que el habajo involucrado en la computación es excesivo.5 en unidades tipificadas: (14.5 en unidades tipificadas : : (área bajo la curva normal entre z: -0. Un dado se lanza1-2O veces. Entonces -0.

Otro método. 4. obseryamos queP(X: ¡) ) r=0 O para r = 0.. ' .-r)" r?. página 80.+:: ¡=(l ' ' e-).'ir .21.rl ('* i) = Se deduce que cuando n (2') / \¡ eu - pero I permanece frjo (es decir p -+ 9¡ P(X=r) + ¡:q. .I \n/ / r \ ¡-¡ ) n1@. Si X está dishibuida binomialmente.. . que ee la distribución de Poisson. Hilgase ¡. Entonces donde E(X) /-\ (I ) se convi'erte en rl Entonces cuando ¡. . Segundo. Establecer la validez de la aproximación de Poisson a la distribución binomial.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L29 DISTRIBUCION DE POISSON 4. El reeultado pedido entoncec ¡e deduce utilizando el Teorema 3-10. : rtp de modo que p : I/n.er = 1 y se completa la verificación. = "-^. Verificar que la función límite (2) del Problema 4.20 realmente es uná función de probabili' dad. 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. ) 0.cAP./ \ --> = (r-\)'1t . 1. dado que ). La funóión generatriz de momentos para la distribución binomial (3) es (q*pet)" = (1-p+pet)" = [1+p(et-l\]n Si \: np de modo que p : )t/n. Primero. (¿-r)(1) /.20. n/\ n/ \ en tanto que ('-+) +. tenemos >{] !a1*="¡ = t=O -. entonces (f) P(X=r\ = l'"lqrq¡-r \r/ : np.i)-' + m/ \ \ cálculo = €-tr empleando el resultado conocido del . 1'-t)/'-?).

1.4 4.r¡r1s.1) - 1.tr r/iñ 1o + per/ lliii tvr ll-nw 1n ¡pt e ' tnp. TEOREMA DEL LIMITE CENTRAL 4.23. Halla¡ la probabilidad de que en una muestra de 10 henamientas seleccionadas aleatoriamente.18 En general la aproximación es buena si p É 0. podemoa suponer que X tiene una distribución de Poisson. _/1t\ para X* es ". empleando (o) la distribución binomial.(d) I¡¿-)\ donde p(x-Bt . )r.180 (b) P(X>2) = 1-[P(X=0) *P(X:1) +P(X=2)] _ I fzo¿-z.re = (10)(0.1# ^:?¡p:(2000)(0.323 Una evaluación exacta de las probabilidades empleando la distribución binomial requeiiría mucho más trabajo./íil 2 o et't-(.r -Lót 1! ) = l-6e-z = 0.t ¡n = le(qe + pet. (b) más de 2 individuos tengan reacción.001) :2 _ 0. Si la probabilidad de que un individuo sufra una reacción por una inyección de un determinado suero. exactamente 2 estén defectuosas. determinar la probabilidad de que de un total de 2000 individuos (c) exactamente 3. Zze-21 -.np)/l/nW y la función generatriz de momentos Eletx'¡ E(et<x-nú/t'/-nil¡ tnnr rliii g 1"txrl noÁ ¡ "" = e-tnpt.. lioo ¡ln p¿tar liii¡ {ili ¡n . pero ya que las reacciones se suponen sucesos raros. es decir P(X:x\ -./)(p".183e ó 0. Entonces de acuerdo con la distribución binomial p(x:zl (b) Tenemos )\: np (tJ )10..24.22. 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. tfi-oa = > ¡=0 |\_. Entonces de acue¡do con la distribución de Poisson I¡¿- P(x--x) .0"-' . X tiene una distribución de Bernoulli. (b) la aproximación de Poisson a la distribución binomial. (o) La probabilidad de una herramienta defectuosa es p :0. e t.e¡' = \z/ 0. Denótese por X el número de herramientas defectuosas de las 10 escogidas. Diez por ciento de las herramientas producidas en un proceso de fabricación determinado re.130 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.' .1e37 ó o. sultan defectuosas. 4.1 y \ = np 5 5. es 0.001. vC.- 6 P(X=2) = %: = 0.2te-z --z! .. t ¡t qn. La variable tipificada para X es X* = (X . Denótese por X el número de individuos que sufren una reacción.

t2 Portanto E(etx'l: (r*!+"')" \2.Elet<xt-..r[r + L t(xt _ p) tz(x-t..25. Entonces. Por tanto +X2+"'*Xr. Demostra¡ el teorema del límite central (Teorema 4-2.) = nu y... = q+p+-'iroo : L+h+.tenemosSn:Xr o2.queeslafunción genetafrizde momentosdela función normal tipificada.?/ Pero a medida que n + e el lado a la derecha üiende a et2/2..) \ n Pero el límite de esta expresión a medida que n -+ @etet2/2. /.f = Efet(xr-ülo6).4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Entonces empleando la expansión 131 eL hallamoa = L*u* t+gl u2 uj +"' qe-to/..n6r-É) n orJ + ft.. = r++@++Gz)-.)/ot/.+.Elet<x"-Dta{.. en los dos últimoe pasoa. et<x^-tJ/ol..Xz. Zo'n o\/n que .. por una expansión en serie de Taylor... = {Eletrxr-utr"ñ1¡" . Var(S") = Var(X1)*Var(Xzl+" '*Va¡(X) Se deduce que la = noz variable aleatoria tipificada correspondiente a S.tar I peta/tlnnf. .cAP.qte es la funci6n generatriz de momentos para la distribución normal tipifrcada.si¡ = / Iz (t*.(t ) h+ m. tzqz . hemos utilizado respectivamente los hechos de que las X¡ son independientes y que están di¡tribuida¡ idénticamente. Elet<xr-u)ro{i1 . = . página 80. tq .EntoncesXt... Paran:L.r¡1*'-p)21 * .Sl es s" -JP oVn E(etsi¡ - Efet<s^-nutror/i 1 .'.. Por tanto. . por el Teorema 3-10.2.. e(x2-tt)/"G. debido a que las X¡ eon independienter.XntienenmediallyvarianTa ¿(s") = E(X)+E(X) + "'+ E(X. pig¡naLL2\.. "' \ -. 4. es sÍ La función generaEiz de momento¡ para .. p)2 .1 donde... . Así el resultado pedido se sigue por el Teorema 3-10.E(er... página 80.. o\t z"Pq-r / '/"Ñoo(n-!-g\ * .Elet<xz-ú/"6). se sigue el reeultado pedido.-] + 2o2n + ovn J = de modo E'(1) + l.. = r+fi+.

4 DISTRIBUCION MULTINOMIAL 4. Entonces la probabilidad pedida es lr Método 3. Halla¡ la probabilidad de que de 6 bolas seleccionadas de esta forma 3 sean rojas. rc 2l . /o\ /r'i \. 2 blancas y 1 azul en ese orden es /s\'/¿\'/rY \tll \.t i . ) Por tanto el número de mueshas y 2 rojas ".ri \z ) /ro\ \5. Se realiza un experimento en el cual se selecciona una bola aleatoriamente y se observa su color.i Entonces r azur) = . En forma análoga la probabilidad de escoger 2 bolas blancas e (4ll2l2 y la de escoger 1 bola azul (3/12)t . Por tanto Ia probabilidad de escoger 3 bolas rojas. 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. Una bola se selecciona aleatoriamente de la caj4 se observa su color y luego se remplaza. 12. P(roja en cualquier extracción) = # P(blanca en cualquier extracción) = h P(azul en cualquier extracción) p(B rojas. El número de formas diferentes de selecciona¡ 3 bolas blancas de 6 blancas * \r/.27. Hallar la probabilidad de que después de 5 pruebas del experimento se hayan escogido 3 bolas blancas.+)' = ffi es es Método 2.132 DISTRIBUCIONES DE PROBABILIDAD CON NQMBRE PROPIO lcAP. Entonces la probabilidad de escoger 3 bolas rojas /5tl2\3 .\ [ . y el número de estas formas diferentes 6l 3!2!1! como se expuso en el Capftulo 1. lJna caja contiene 6 bolas blancas y 4 rojas. La probabilidad de escoger cualquier bola roja es 5172. 2 blancas y 1 azul.rt. 2 brancas. Una cqia contiene 5 bolas rojas.h(¡r)'(#)'(. Método 1 (por fórmula). Po=' 3/12' Porexpansión se obtiene elresultado anterior. i-paIpo)G donde p. pero no se remplaza la bola.El número de formas diferentes de seleccionar las 2 bolas restantee de las diferenües que contienen 3 bolas blancas /a\ 4 rojas * (.26. DISTRIBUCION HIPERGEOMETRICA 4. .t \A/ Pero la misma selección puede realizarse en otros órdenes diferentes.'. pb = 4/72. 4 blancas y 3 azules. Método 1. 6t In\"lt\-/:lY z!r!\itl/ \itl \rrl $/ La probabilidad pedida es el término 44p" en la expansión multinomial de (p.

-> t!! I y la integral a la derecha diverge. (b) o2 : Ll72(b -a)2. E(erx¡ = g (" -J".rr¡ r¡¿n' ("' 2o (" cosor r=. n=6. 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. : Ll2(a + b). o > 0. r = 3." = o 2 . = n# Í.laprobabilidadpedidaes .@ 1x1*. Demostrar que la media y la varianza de la dishibución uniforme (página 114) están dadas respectivamente por (¿) ¡.cos or = . X con DISTRIBUCION DE CAUCHY 4. . de.' La función de densidad de @ es < j.. r= 4. (a) La función gerreratriz de momentos de X es -¿.29.r-n '.modo que = r*tu*lfí*. J-. = firo_ot.páginallS. i J-6 x'' + a: ""'l' ... tiene unadistribución Cauchy en. 7+ azctr sin +-ai )-. a f . = E(x) = E(xz\ l"'* = #:af" b2-a2 Z(b-a\ a*b 2 (b) Tenemos = I.r! * la cual no existe si ú es real. Sea @ una va¡iable aleatoria distribuida uniformemente en el intervalo -l=t trarque X: atan @.159). Jo r.dz T . (a) t. Oemos- /(a) = ! -L2- . Puede demostrarse que la úlüima intcgral existe y es igual a e-aa (véase hoblema 4. = ffi= Yt+Y = Entonces la va¡ianza está dada por s2 = E[(X-u¡21 = E(Xzl-uz ry4y_ (+). Entonces por(I9). PIX=S) DISTRIBUCION T.2+d2dr ' _ donde hemos utilizado el hecho de que los integrandos en el segundo renglón son funciones par e impar respectivamente. Tenemos b 133 =6.30..28.#ruo. Í". ¿ > 0 e.cAP.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Método 2 (empleando la fórmula). Esto puede verse al notar por ejemplo que si r ¿ 0. 4.'NIFORME 6 = \/4 }i|j.l \ /10\ \5/ 4.' 7't|^ou" (b) La función característica de X es E(eiox) = g (¿.'f-+ = #tl.

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

r2.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 135 Entonces.36. Esta debe ser la distribución de Z.36. t : (1 - N¿¡-Qr+v2t/z (b) Se observa del Problema 4.84. Puesto que Ia correspondenX y Y no es uno a uno no podemoe aplicar el Teorema 2-3 como está. Pa¡a ( 0es lóglco que P(Y SU) y> 0 tenemoe P(Y<u): P(Xz<a) = P(-\/u=X<+\/a) +fr"-. por el Teorema B-18.'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. colocarz: 1 en (39). Efectuando el cambio de variable x : *t/T en la última integral.B2.t2r(v/2)Jo " r-2t \r-2t/ : ll . Y: x2 dad.34 que una distribución cuya funéión generatriz de momentos es (1 2t)-<vt+v2)/2 es la dishibución chi-cuad¡ado con v11. Sea X una variable aleatoria distribuida normalmente con media 0 y varianza 1. DISTRIBUCION CHI. grados de libertad.CUADRADO 4. a * v.v2 gadosde übertad. . cia entre Paray Deseamos hallar la distribución de la manera siguiente. y utilizar el hecho de que r(á) = V7.a una distribución normal para X.34. 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. pero procedemos de :0. do ) función generatriz de momentoo de Z = X.s(v-2)/2e-<L-2t>r/2 dr =J-r(v/2) )o 2. pá4ina 1-1.t Pero esta es una distribución chi-cuadrado con 1 grado de libertad. como se ve al página 116.la varianza es 02 = E(xz¡-l'(x)l= _(rro)'= cr6#T_Fn : (1.6. grados de liberta u2 Z:Xt *X. Demostrar que X2 tiene distribución chi-cuadrado con 1 grado de libertad. página g1.-rr/2e-.r2 Al remplazar (l - 2t)n/2 = 7. ! X.'rz¿s (-fr"-. utilizando el Problema 4.ztl-v/2 fa u<v/z)-re-udu = (L-zt¡-'rz r'(v/z) )o 4.cAP. ea M(t) : Enet(xr+xü1 : E(etx. Sean ¡t y X. 4. Al generalizar los resultados anteriores obtenemos una demostración del Teorema 4-4.2t)-. obtenemos P(Y < ú = -! fs rrrze-uz t/2r Jo d.1 en la última integral hallamos M(tl = 2. es con (¿ dA v./2dü (-.)Eqéx"¡ : 1l-2t¡-'r/2 1l-2t)-vz/2 utiüzando el koblema 4.

831 y 12. xl es (1 . 4-18. (c) 67.1.O25 representa la percentila 2. xi representa la décima percentila.¡ se deduce en la misma manera. 4-18 (o) Si el área sombreada a la derecha es 0.. lcAP. . hay muchos valores para los cuales el área totál sombreada : 0.025.2-. (Véase las consideraciones sobre notación en la página 116). hallamos en la columna ¡. Hallar los valores de ¡2 para los cuales el área de la cola 15.. Entonces procédase hacia la derecha hasta la columna x%r.0. x! por los cuales (a) el área sombreada a la derecha: 0.10.831. en este caso cada área:0.05.la cual es igual a 0. a! es 0.39.34correspondienteav:9. y x? (c) Si el área sombreada a la izquierda es 0. (b) 2I.7..8. si el á¡ea sombreada a la izquierda es 0.3correspondiente^v :40. (c) S9.01.píryina 116.¡2. xz:. Sin embargo.(b) 2T. u"mo. entonces el á¡ea a la izquierda de representa la nonagésima quinta percentila. como puede observarse de la tabla. Demostrarel Teorema 4-3.61.025. .? conespondiente a la derecha de la distribución ¡2 es 0.38. el átea a la izquierda de percentila 99.5..05. 4.5. (b) Puesto que la distribución no es simétrica.O.O5): 0. (c) 50' Utilizando la tabla en el Apéndice E hallamosenlacolumna ¡2er. (c) el área sombreada a la izquierda: 0. Hallar el valor de la mediana de libertad.x?o¿s.01.la cual del Apéndice E es 12. se acostumbra. La representación gráfica de la dishibución chi-cuadrado con 5 grados de libertad se muestra en la Fig.35(b).5 correspondiente a z: 50.04 en tanto que el área a la izquierda es 0.37. El resultado general para todos los enteros positivos l. x. al menos se especifique lo contra¡io. (b) 32.026.esr.9?5 Análogamente. Entonces. (b) el área total sombreada: 0.0 correspondientear: av:21. El resultado 11. el área a la izquierda de x? es O. (b) 28 y (c) 40 grados de UtÍIizando la tabla en el Apéndice E.¡r. X. parav> 10 los valores de la mediana son iguales av .Ia cual es igual a 1. escoger las dos áreas iguales..99 y ¡22 representa la 4.0. para v : Por el Problema 4.8. ¡! que corresponde a (a) 9.05. x.95 y xz2 Refiriéndose a la tabla en el Apéndice E.01.10. qi" Z = X?*X2" tiene distribución chi-cuadrado con 1 * 1:2gradosdelibertadsiXr y X2 son independientes.40. Entonces del Problema 4. X. en la columna /. el área sombreada a la izquierda de x3 es 1 ¡j iepresenta la percentila 9?.1 es el valor pedido de 12. si el número de gndos de liberbad v es igual a (c) 15. el área sombreada a la derecha puede ser 0. Fig. Por tanto los valores son 0.¡ (puesto que la mediana es la percentila 50 ) los valores: (o) S.150. (d) Si el área sombreada a la derecha es 0. Hallar los valores de xf. los valores: (a)25. Véase Problema 4. 4. la cual es igual a 15. (d) el área sombreada a la derecha: 0. y Si el área sombreada a la derecha es 0.05.36 vemos que si X¡ y X2 es.025: 0. Es de interés notar que los valores de la mediana están muy próximos al número de los grados de libertad' En efecüo. búsquese el valor 5.136 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 2.05.2gs.4 4.tán distribuidas normalmente con media 0 y variánza 1. entonces X? V X3 tienen distribución chi-cuadrado con 1 grado de libertad cada una. Por ejemplo.3correspondiente av:28.

42.locuale¡tÁde¡cuerdooonelvalor6?. DISTRIBUCION ü x3s¡ dado en el Apéndice E.z \f 2nz. Debido a que Y y independientee ¡u función de den¡id¡d coqjunta er 6l producto de (I ) y (2)..= .r/2.6 = f. podemor utiliza¡ el hecho de que ({Tx2 .#.lt * T ) eeto puede eocribir¡e d. -/. #.3). Para .ss+rtrOool-t¡z = |(1.=o"r. himero fijamor r z b = integramos con reepecto a y de¡de .64+/199P = 124.zl ztÍt + <t2 | v>r a")au ( " Susüituyendo F(r) = G./4 f ( 7<rrz>-r e-<yz+ztrz ¿.. '\ z / (. xlgs = \@.tzl(vl7\ Jz=o = . .cAP..va J"' {2r2.@ hast¿ rl/z/r. (b) Si r=100.. Demostrar el Teorema 4-6.er dccir z<v/z)_te_ :|-r+zr/2 para -o 1g 1lo.0(v¡lorre¡l =L24.u\ .tzt'(vl2\ ). podemoe ercribir.rzrl. Entonca ti z. 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.(' F(r) = _ tf Jr=-..tz¿ul¿" LJ":_-e A = urfi en la integral entre parénteais rectangulares hall¡mo¡ .(z. página 117."a']au de acuerdo con lo pedido..t' / 2 e.2.rr-r"-./ . z ) La función de di¡tribución de I = Ylt/ffi e¡ F(u) = P(T=r) = P(Y=er/Zfi) = y@2.o 6 .Lu€{p integrannr_conrespecto az de¡de 0ha¡t¡o.64+rfss¡z =69.. / mayor que 30.t¡ e¡tl c¡¡i dbEibuido norm¡lmenüc con medie certr y varianza uno.Elrode donde t6=t = .100 gados de libertad. *^ I' = - *l Í": como z('' . tn¡r( z\ Ju= -' .-j(* .4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPTO 13? 4. oon un alüo grado de aprorimación.FA = zp I t/Ft x| = *(zo+tffj¡z (o) Si v=50.es+ftool-t)2= +(1."^' + zo+"/2 Í"'=-* d.41. DE STUDENT 4. Hallar xlerpm (a) v : 60 y (b) y . er la percentil¡ 10Op de l¡ di¡trlbución nornd tipilicada.u [f=. Por tanto tenemos Remplazando F(xl = . zo/2)-re-z/21ffi e-uzzr2. dud.y ¿2 # donde la integral ¡e toma ¡obre la región ( del pleno lz parn l¡ cr¡¡l g ut/ñ.rf ¡"ffi "-r.\2/ r\ (l + u2¡'¡<'+t>rz ..

Sielá¡eaalaizquierdadeú¡ es0.e0. ú. entonces el área a la izquierda de ú¡ es (1 repreeenta la percentila 95. DISTRIBUCION 4. dada por 1 (. sea 0. búsqueee en Ia columna y el valor 9. (c) el área total sin sombrea¡: 0. La representación gráfica de la distribución (c) el área sombreada a la derecha en la Fig. ) 0.01 es (e) -2.0.(b) 1. 4-19.[.01. hallamos en la columna te.138 DTSTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO ú [cAP. Deimostrar el Teorema 4-?.5.gg) = 0.::l = l"*:" 'u':'" Denotando la densidad como función de u y w por g(u. Por tanto el área de t para el cual el área sombreada a la izquierda es 0.26 como el valor pedido de ú. ) 0 y 0 de otra forma.01 y el área sombreada a la derech¡ es 0.025): 0. t. -1)(v'\/2) "-.82._tr Fig.e. entonc€s por simetría el área sombreada a la derecha es 0.:"i = l::"'.05 Refiriéndonos al Apéndice D.01.r) a\.olumna ¿.rl).O5): 0.:: ::'.75 correcpondienteay:16. ¿.05.645 correepondiente a y: 200.45. Efectúe Ia transformación u 1/ v1 .O. Por tanto el á¡ea a la izquierda de ú1 es (1 .. entonces el área total sombreada es (1 . .38.1 ez(vt+ v2)/2 lQl/21 f (u2/2) <t | + ú2)' ri o.70 correspondiente a v = 27i (c) 1. losvalores: (o)L. La función de densidad conjunta de f '' V¡ y V2 etá.9?5 y úr reprecenta la percentila 9?.4 4.nD\]uJur0. tenemoe | 1U) t.25. ú es 0. (d) Si el Área sombreada a la izquierda es 0. El resultado 1. (c) 200. (c) Si el irea total sin eombrear ee 0. a.t u(v2/ 2) . De la tabla hallamos t.entoncesúl correspondealapercentilagO.'') (?ñ rr^ o(vz/2) -| "-'.'. 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) 16.43.01/2 : 0. 4-19 tt (a) Si el á¡ea sombreada a la derecha es 0.lL=-=_rü=02 L"a/ ar t'2ú | vl1t2' .ú.005. r / Ll+ lvt/v)).44.90.DZ=ü l1U7D Entonces el Jacobiano es i'. t.:. 4. (El último e¡ el valor que se obtendría utiüzando la cu¡va normal.) = 6"i. Halla¡ el valor de ú1 para el cual de Student con 9 grados de libertad se muesha : 0.01. (d) el área sombreada a la izquierda : 0.99.025 por simetría.05.0.95 y úr Refrriéndonos a la tabla en el Apéndice D.l4\ -1- f 'pw\"rz'-' ID'-''-"e '"''o'-. t.05.u) = . (e) el área a la izquierda de ü.es.2 g(u.90. Del Apéndice D hallamoe 2. ODt=r.css = 3.83 es el valor pedido de t (b) Si el área total ¡ombreada es 0. vlW v2 .99. entonced el área sombreada a la derecha es 0. (b) el área total sombreada: 0.quedelatablaes igual a 1.la/2.. En el Apéndice B e¡te valoi corresponde a la enhada en la última fila ma¡cada ó). .er5.05. J z t . De la t¿bla t ss = 2.82. (b\ 27. Entonceg búequese la c.

- r1u)-¡(. 4. : (4.r. Apéndice A.(vz/2) Jo -tL-!:j!::-:(I5).. hallamoa \-i. /.18)2. ) 2' de (.au d.2* r.5.o.47.'. .-'1t'"tvp)-uvr\j-:.l= *. . Demostrar que la distribución F es unimodal en el valol ¡v' ' La moda localiza e! valor máximo de la función de deneidad. \ : ¡. ro.e75.rr. 7.8 = 3. /. hallar (¿) F. rr.2\/2)-t e-tt+<v{/v2)t(o/2> z(tt ' u2)/2 t0t/21 l. la función densidad de la di¡tribución F es r[(t..t)- tyt ('4fa) (.326.r' / 2(.io = F_¡ .. 11 .t .. (b) F . (c) Por el Teorema 4-8.78)2.ot.257.1 -. hallamos F. A diferencia de una conetante.ss : ". (o) DeI Apéndice F.L5.'rrr. u. ( " *.2* . Verificar que (o) /. (c) = 10.i/2)--t (v2:L vru)-(r.0 = 4.¿t.\z .7L = (2.cAP.o5 en el Apéndice F con e¡a¡ en l¡ distribución ú bajo ú. .. er hkt) = ei u (. RELACIONES ENTRE LAS DISTRIBUCIONES F. (d) F..ee. etc. (b) Del Apéndice F.rr.+v2't/2r-r = 0 Dividiendo Wt ut|ti2)-2(t2l t¡t)-[("\+t. 15. página 118..\/2i-r. ir ua 0. r.\i = /v' I vr\ ) si u ) 0 y 0 ¡i z¿ 5 0.96.1-2\/ /\. = 0. 10. hallamog . Utilizando la tabla para la dist¡ibución F en el Apéndice F.80. =- 9.\rt.ob.1 = (3. Vemos que 18.'r2\ ) = 0 ó trt ry = /. i \rn) - 2\ / v' \ si v. 4. rs = 3. primera f..30. r¿ desde La función de densidad (marginal) de U puede encontraree integrando con recpecto a decir 0 ha¡ta €..50¡2. \. donde. rr. página 118.rt) - (¡'r +t2)/2 - .l¡.71)2.46.t r rz)tz Si tiene un máximo relativo se presentará cuando la derivada sea cero.r..o. F.+t..o. es decir (r.0g (d) Por el Teorema 4-8.4l si u DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 139 > 0.9.*r. que es el reeultado pedido.5 L6l = (72.t e. = # = 0.\ z /.oc. Pero de Tenemoe (r h(u) / v2\vr/2 4Q 1/'' .s..ut = t'(P) ap Jo da) ) 0 y 0 ei rt É 0.TZ) \ (-" se Utilizando el criterio de la segunda derivada podemos demoetra¡ que realmente trata de un máximo.F' gs.n. ¡2 y ú 4.s.ss : t?n (b) fl.48. (a) Comparar ia¡ entradas en la columna de la tabla F... ro.. > 0 y 0 de otra forma. donde vt -.ul F'.so...

v2 = v en la funeión de densidad para la distribución F f (ul = .u/2¿-r/2(y + ul-(r1tr/2 ^/./ para u /_u_r. Demostrar el Teorema 4-9.-¡l r. Vemos que 4050 : (63.(.página 11?]. '\2/'\2/ "11\ "/r\ t -/. que puede establecerse simplemente como F r-p = t? ott¡ l(4í).sí generalizar los resultados del Problema 4.ee en el Apéndice F conegarenladistribución ú bajo ú.o) r\ \ '/ ll '=2 | '\ . ./" + 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.r¡ n'(.+tfttur¡ = P(T s +VFt-p) . \ : {".2 -. etc.t. 98.66)2.P(f 0) = = P(T=+\E|-+ donde hemo¡ usado la simetría de la distribución ú.48.)" .'.r( . 4. y que P(U 5 .1 = (5.60)2. t { l'-'u-r. vemos que el lado izquierdo de la última ecuación es igual a z..)" \/ Com¡rarando con (42).. 21. Entonces por la definición de un valor de percentila.*rr.140 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP.l / +z\-r¡ \ '/ ¡=. P(.92)2.Ft-o) f(u): 0 para ¿ < 0. Re¡olviendo.(4.r(l +3!) t r-ru+l)/9 ) O.eer. I ^F.. + r\ r( ol -r- . Entonces y a.5 = (9.l. tenemos P(T=+tlrno¡ = t -Pi . P.'. página 118.0 <'T = *t/Ft_o) ú donde ? es una variable aleatoria con distribución de Student con u grados de libertad.49. Por tanto ^\ F. pfuina 116.4 (b) Comparar la¡ enhadas en la primera columna de la tabla F. Por tanto t-P 2 = Pp<T:..es el nhmero tal = 7- * t\ "/" .rtF.4*)___\-.9 " / +1\ -t'* "" t / vv/21l-12v-(.-. 34. Sea 11 .'.84)2.

il = (4 . etc. Esto es posible sólo si p : 6. lo cual provee la verificación requerida. Demostrar que X. r por una función solamente en y para todos ser el Inversamente.52. Y son independientes solo si su coeficiente de correlación es cero. Entonces vemos que 6. Véase Problema 4..8t (b) -. f(x. 3. y se deduce que X. etc. Análogamente la probabilidad de no obtener un 3 en el segundo lanzamiento ee 5/6. se convierte en l@. DISTRIBUCIONES DIVERSAS 4.ú los valores de = t-+o-. Y son independientes.GB a ¡'..r y una función solamente en y. Sean X.94 3. por definición. y este nfimero se determina finicamente.CAP. 't7 2.1. lo cual provee la verificación requerida.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. Si el coeficiente de correlación p = 0.50.145. tt tt¡/z. s.+. 4. Hallar la probabilidad que en lanzamientos sucesivos de un dado honrado resulte un 3 por primera vez en el quinto lanzamiento. y) dada por (49) debe para todos los valoxes de x. -. Verificar el Teorema 4-10..4] DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L4t Pero..00 =. lotll. La prueba general del Teorema 4-10 se deduce tomando el límite cuando U2 la prfuina 117. entonces la función de densidad normal bidimensional (49).. er el Apéndice F (correspondientes las enhadas bajo x:nn en el Apéndice E. producto de una función solaménte en.78 = #. = tt-(p/zt ó Fr-p : tl2t'-tptz'.(p/z\\ = l-?. la probabilidad pedida es Y/r\ \6i \6/ / s c.21 . Y variables aleatórias cuya función de densidad conjunta es la distribución normal bidimensional.'..¡ es el número üal que P(T=tt.02 = #..F e..s2 T r. para (a\ p : a1 0.. Y son independientes.'.99. = @) con = "'13. Entonces la probabilidad de no obtener un 3 en lo¡ primeros cuaho lanzamientos es (5/6)(5/6)(5/6X5/6): (5/6)4.51. si X.. K (r(r ..r"?ll--+"-. Por tanto ú es estrictamente +\/F. página 118..Por tanto la probabiüdad de obtener un 3 en el quinto lanzamiento es 1/6. que era lo que se querfa demostrar.7 2.L .60 -. 3.95 y (b) p : 0. Ll . _ 9. en el Apéndice E. + * en la distribución F en DISTRIBUCION NORMAL BIDIMENSIONAL 4.4!¡ 4 2. 4. ya que la función de densidad de Ia distribución positiva. (c) Comparar las entradas en Ia última fila de la tabla F o= en el Apéndice F (correspondientes las entradas bajo ¡.:\/2= en .. Comparar las entradas en la última fila de la tabla ..25 77i6 . Entonces vemos que a r': ó) con etc. Méüodo 1. s. página 118. )Lo.

4.4)1(0. . de la distribución Weibull.64. ¿Cuál es la probabilidad de obtener un total de 9 (o) dos lanzamientos de r¡n pa¡ de dados? en veces. DISTRIBUcIoNEs DE rRoBABTLTDAD coN NoMBRE Método 2 (utilizando fótmula). (b) uno. (D) al menos dos veces en 6 ¿ead¡¿o¡ por (1. i) integral.p(\ t + +)-l ó/J 4. (b) la variarrza.26 (c) P(al menos uno re gradúe) = 1 -P(ninguno se gradúe) :0-92224. alf hay 6 .of ¡(1 + 3) b/ L\ ..08 (D) P(re gradúe uno) = 5Cr(0. 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. etc. etc.oJs u.2692.be-! = o-2/br\t + a) Entonce¡ / o\ ¿u 02 = El(X-u¡21 = E(Xz)-uz = PROBLEMAS DIVERSOS o-".r I ú )./ du (' = o-r. ó aprorimando 0. se gradúe.6)4 = 0.tbr donde hemo¡ ütilizado Lr ¡ustitución u f@ ab ('/"\ du /' (r. : atb pa. ó aproximando O.63. 4 Utilizando la di¡tribución geoméhica. Verifrcar las expresiones dadas para la (a) media. (a) P(ninguno ee gradúe) = 5Cs(0.4)0(0. 2¡.55. 11. (c) al menos uno.92.L42 . \i)"-". 1 en el primer dado y 2 en el regundo dado.¡ :6 Gzl vemo¡ que la probabilidad /t\/o\' _ \6/ \6 / página 119. pedida er pRopro [cAp. 6 = 36 forma¡ en las cuales ambo¡ dadoe pueden caer. (o) t' = E(X) = JO f abrb e-o"o d. E¡ta¡ ¡on 1 cn el grimer dado y 1 en el regundo dado. eon p: Ll6. i7't6 4.6)r : 9. página 118. ó aproximando 0. La probabilidad de que un estudia¡rte que ingrese a la universidad se gradúees 0.""tb)-t a-ub I ur/be-! du Jo a_. - f.ra evaluar la (ü) E(Xz¡ = fo- oOro*r¿-oto¡lg r "b ('/z\r*ttro> e-!:u(t/b)-t = o"o )o \. 4. Determinar la probabilidad de que de 5 estudiantes (a) ninguno.q:616.977?6.

.6u. 6)./ * '"'(.5Bt 441 = 531 441 441 Otro método. . 5).5?. determinar (c) el porcentaje de estudiantes con 6 puntos.2788: .133 coeficienüedecu¡tosis: l. L. Por tanto una calificación de 6 puntos ¡e cor¡sidera como 5.5gr 441 * ss1 441 .56.6 (área entte 0.0 (6. Las calificaciones de un parcial corto en biología fueron 0.1XO. La calificación media fue 6. 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-p8/9.0676 : O.a di¡tribución ee s+l---^6:q : 3+ff1-6(0'1X0'9) = nuq 3'01 ligeramente má¡ apuntada que la distribución normal. un total de 9 ocurte en 4 cqlos¡ (3.6. 10 puntos.2:{). eb necesario con¡idcrar los datoe como si fueran continuoe.5 en unidadee tipificadar hoporción pedida: á¡ea entre : : ..9): 36.er)*P(9cincovecer)*P . (c) la calificación mínima delL0% más dto de la clase. 4. Véase Fig. 4).6 a 6. ^ /r\u = 'c'(o/ \é/ * '"'(.17 (5.3418 - y e = 0) (áre¡ entre z :{. ^ /r\'/e\'. (o) P(9 do¡ veces en seis lanzamientos¡ = 6"'\t/ /q\t-' . (D) Varianza : npe: (40OXO. P(al menoe 9 doa veco) : 1 - P(9 cero vecer) - P(9 una vez) : .5 en unidader tipificadar : 5.2."'\g/ ' ^/rY/s\u.? y la desviación típica fue 1. Por tanto la de¡üación tfpica = /56 = 6. dependiendo del número de respuestas conectamente solucionadas de un total de 10. (5.1): 40.\0/ \e/ \s/ ^/l\'/q\' ffitZü 7268s 4. Para aplicar : 6. (a) (b) Coeficientedeeeego= Puesto que es positivo. (a) la di¡tribución normal a datos discetoe.1.17 z: -1 y 277o z: O) 0. == vnpq H = 0./r\'/e\a. (6. la distribución está sesgada a la derecha.7)1L.4I DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 143 De estas 86 forma¡ todar igualmente factibles ¡i los dados ¡on honrado¡.6. 4-20. 3).17 z: -1 y z:-4. es decir podemoselpemr que 40 tornillo¡ esüén defectuosos. ..7)1L. Suponiendo que las calificaciones están distribuidas normalmente.ó6./ \ó/ * '"'foi ó * '''Gi 72689 1 10240 960 48 61 = 681 440 65f ¿¿T .2.-"^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 = -'1. hallar (c) la media y (b) la desviación típica para la distribución de tornillos defectuosos de un total de 400.-. (4.5 .5 puntoe. ^/r\'/a\'. 4. (b) la calificación máxima del L0% más bajc de la clase./ \. Si la probabilidad de un tornillo defectuoso es 0. Halla¡ los coeficientes de (a) sesgo y (b) curtosis de la distribución en el Problema 4.58. ^ /r\ta.cAP. (a) Media : np :400(0.

4-22 repteeenta el eje de tiempo c.28y Ír:6. Refi¡iéndose al Problem^ 4.que lógicamente e¡ 1.6. 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. Un contador Geiger se emplea para contar la llegada de partículas radioactivas. pero no se consideSea P6 (ú) r-----]--l Fig.7)17.28. Por tanto la probabilidad de no contar en el tiempo At ec 1 .69.r2 la calificación mínima pedida zz =L. exiatirán término¡ adicionalecqueincluyen a (Aú)'y órdene¡ ruperiores. a Area entre zt y O: 0.40 : -L. De la Fig.28. 4-2L el la izquierda de z¡ eo LOT. 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.x2:8.4-22 o ran si AÍ es pequeño. Por tanto. zt Enüonces zt = (xt . 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.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 = 0.2 ! 22 Eu equivalente en unidades tipificadas. la probabiüdad de no cuenta en el tiempo t Entonces Po (ú + At) es la probabilidad de no cuenta en el üiempo ú + Aú. Máe precisamente.17 I'ig. Entonces (x2 - 6. tenemoS (r) De (I ) obüenemos (2) Po(ú+a¿) = lú Ps(Ú)[1 -IAú] = -IPo (¿) At+0 lim Po(¿-f a¿) - PoQ\ e¡ decir (.60. Si (b).P6(0): c e¡ la probabiüdad de no cuenta¡ en elüiempoGrro.10.4 .on O como el origen. 4.2 u 8 aproximando al entero má¡ cercano.28 (aproximadamente).69 halla¡ la probabilidad de exactamente una cuenta en el tiempo t. rin considerar los términoe que incluyen (Aú)2 y término¡ cuperiores. Halla¡ la probabilidad de que en un tiempo f no se cuenten partículas. por tanto área. At.4-20 Fig.7)lt.Z:-t.26 6 aproximando y al entero má¡ cercano. = 0. Entoncee tendremos una cuenta en el tiempo f * Af en lor riguientee dos ca¡o¡ mutuamente excluyenter: (i) 1 cuenta en el tiempo f y 0 cuentar en el tiempo At (ii ) 0 cuenta¡ en el tiempo ú y 1 cuenta en el tiempo Aú . La Fig. Por tanüo c = I y l¡ probabilidad pedida ee (11 Po(¿) = ¿-^t 4. por simetría : L. Si se suponen lar llegadae de lae partícula¡ sucegos independientes.I At.I -0.L14 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP. 4-21 (b) Sea r ¡ la calificación máxima pedida ] z¡ !u equivalente en unidadec tipificadas. (c) Sea .

4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 145 La probabilidad de (i) es P1(ú)(1 .rlos DISTRIBUCTON BINOMIAL (BERNOULLI) 4. Suponer 4. (b ) 1.¡e-rtt esto puede escribirse como d. Utilizando e¡to en (6) hallamos Pt (Ú) c2 0. (c) 2. que es cero. caras.69. sin coruiderar los té¡minos que incluyen (Aú)2 y ruperiores.62.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).s supletnenta. u) Multiplicando por (5) e^¿ d. 4. Si P(X=2). ¿cuántaseeperaríantener(o)3niños.64. Iülla¡ la probabilidad de (o\ 2 o már honradas. (b ) menos de 4.I a¿). DeSOOfamilia¡con Shijos.66. con un par de dados? ¿Cuál es la probabilidad de obtener un 9 exactamente una vez en 3 lanzamientos 4.P. La probabilidad de (ii) es Po(ú)I at.ar una moneda honrada 6 veces aparezcan (o) 0. X denot¡ el número (d) de caras en un solo !¡nzamiento de 4 monedas. tr¿-At (3) dt = ^Pl o d.67.cAP. (r) Esto puede escribirse Pl (ú + a¿) = Pr (ú)(1 - r aú) + P0 (¿)r a¿ Pr (¿ + (2) l¿) Lt . Problerna. Hallar fal¡o.t * \P.61. la probabilidad de acerta¡ correctamente al meno¡ 6 de 10 res¡ruestas en un examen tipo verdadero- . 3).66. (b) dog vece3' en dos lanzamientos de un par de dados honrados. Por tanto. . Por tanto (7') = ¡¿¿ . 4 caras en un solo lanzamiento de 6 monedas hallar (o) P(X = 4.I"(t) = XF'o(¿) - IP1 (¿) ge Tomando el lfmite cuando Af -+ 0 y utilizando la expresión para Pe(ú) obtenida en el Problema 4. @l 6 caras. ¿@xtPr) = x que al integrar (6) Pr(t) = \¿¿-rú+c2e-\r Si : t:0.i que es [a distribución de Poisson. Halla¡ la probabilidad de que al lznz. (b\ P(X <21' (c) P(1<x=3).59 esto convierte en dP.(b)5niñar. (d) 3' @l a. Hallar la probabilidad de obtener un total de 11 (c) una vez. P1(0) eo la probabilidad de 1 cuenta en el tiempo 0. 4. (n 5. (c)o2ó3niños? probabilidades iguales para niños y niñas.

4. (b) a la izquierda de z:0. -0.t'c.85 m.7O.77. Demostrar las fórmulas en la página 109 para los coeficienües de seego y curtosis.69. 0.e z: -1.610 y 0. (c) el área entre de z tales que (a) el área a la derecha de z sea 0. Hallar el área bajo la curva normal (o) a la izquierda de z : -1.81' 4. En un examen la media fue 78 y la desüación típica 10. (e)correcpondientea-0. 4.71. (D) mayor que 0.85- 4. (d) correspondientea z>:2.80' 4.23yz:1. entre 1.r)af(rl para la distribución binomial. z:-I.608 pul. (d) igual a 1. todas de edad idéntica y con buena salud.56.?8.El m inclusive.2 o. DISTRIBUCION NORMAL 4. De acuerdo con las tablas de los actuarioe la probabilidad de que una persona de esta edad específica esté viva en 30 años es 213.6140 pul y desviación tipificada 0.72.2266. (ó) el área a la izquierda de z sea -0. entre (o) 4.78: Hallar los valores sea 0. (d) coeficiente de curto¡is para una dishibución binomial en la cualp : 0. Demostrar que si una dishibución binomial con n : 100 es siméhica. (d) iguales a 0.2 respectivamente. llallar el área bajo la curva normal z: 0.85V 4. (b) menos que p . Interpretar los resultados. Hallar la probabilidad de que en 30 años (o) Ias 5.L46 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. Un agente de una compañía de reguros vende pólizas a 5 personas. Calcular la (o) media. ¿cuántos estudiantes tienen estaturas (o) ¡nayores que 1.9.68.2O y z --2.?O m y desviación típica 10 Si los diámetros de los cojinetes de municiones están normalmente distribuidos con media 0. Si X está distribuida normalmente con media 5 y desviación tipificada 2.oo ¿ea 22c/a. ¿qué porcentaje de las medicione¡ están (o) dentro del recorrido I.0025 pul. 4.!6.79. (b) Determinar los puntajes de dos estudiantes cuyas calificaciones tipificadas fueron y 1.86.4 4.23 y z sea O.96). (c) coeficiente de sesgo.61? pul.O?30.615 pul.45.(b)z=I.75.?0 m? cm.8{. 4.0314. EnelProblema4. (e) el áiea en¡e-z y z 4. (c) solament e 2.82.82.t ! 2 o. 4.4 respectivamente.52 y a la derecha de z: 1. lt!aosea .84. 4.50. Z está distribuida normalmente con media 0 y varianza 1. (c) Si las estaturas de 300 estudiantes están distribuidas normalmente c\on media 1.58. El l}'. su coeficiente de curtosie es 2. 4. haltar (a) P(Z = -1. (d) el áreaentre 1. (c ) mayor que g 1.80< z< !.5 o? 4'83. 4. ¿qué porcentaje de esas mediciones diferirá de la media por (o ) más de media desviación típica. dondeZestádistribuidanor¡nalmenteconmedia0yvarianzal. (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.96 =_ Z < t. determinar el porcentaje de los cojinetes de municiones con diámetros (a) entre 0.79' 4.15 y z *aO.900.64). 4. (b ) al menos 3.83. (b) P(-1. (c) a la derecha d.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. Hallarz¡ si P(Z-21)= 0. (b) menos que o iguales a 1.? y n : 60. Evaluar (o) ) (c - p\3 f (r) v (b) > (r . (c) menores que 0. (a)Determinarlas calificacionestipificadasdedog estudiantes cuyos puntajes fueron 93 y 62 respectivamente. (b) desviación típica.74. Si (c) P(lzl > r).6 y 1.59 y 1. (b) por fuera del recorrido ¡t ! 1. (/)ala izquierda de z:-2.gShallarlacon¡tanteatalqueelporcentajedelo¡casos(o)dentrodelrecorrido 7 í'. (c)z:-2. hallar P(X > S). (dl al menos I persona esté viva.76.b superior de los estudiantes recibirán una calificación A (excelente).618 pul inclusive. ¿Cuál es la cslificación mínima que debe obiener un estudiante para recibir una A ? Si un conjunto de mediciories está distribuido normalmente. La calificación media de un examen final fue 72 y la derviación típica g.5722.55 m.4O.

Explicar por qué se podría esperar que el teorema üengan la distribución de Cauchy.0 de cada 100 000 personas. Demostrar el teorema del lfmite central para el caso en q rre X ¡. Demostrar el resultado (l 7). (d) exactamente 100 cara¡. del límite central no sea válido en el caso que X¡ . . Department of Health.entoncesXr+X2 tieneunadistribucióndePoissonconparámetro). Un talego contiene una bola roja y siete blancas. enunaciudadcuyapoblaciónesde200000ocurran(a)0. 1/2 prob. el promedio de ahogados en accidentes por año es 3. f. 3 . página 113.97. o 2lámparas eléctricas sean defectuosas. Hallar la probabilidad de que en un muestreoaleatorio de 400 tor4illos producidos por estamáquina (a)máximo 30. 4. Una máquina produce tornillos.b. Demostrar que si respectivostrr X1 ¡l X2 son variables independientes con distribuciones de Poisson con parámetros ytrz.(f)menosdeS ahogados por año.95.88. 4. ( t 3 ). 36 LO"/o de los cuales son defectuosos.(n5lámparar sean defectuosas. (b) entre 1 y 3. .10O. de loe tornillos sean defectuosos.(Sugeren- cia: Utiliz. 4. Si 3% de las lámparas eléctricas producidas por una compañía son defectuosas.92. (c)entre y 46. . 4. (d) 3. Xz. Halla¡ la probabilidad de que 4. arí generalizando el Problema 4. TEOREMA DEL LIMITE CENTRAL 4.93. 4. hallar la probabilidad de que en una muestra de 100 lámparas eléctricas (a) 0. (b) cada ca¡a una vez. Generalizar el resultado a n variables. DISTRIBUCION DE POISSON 4. 1/2 -r -t Demostrar el teorema del límite central para las variables independientes 'Yk donde g = | | 1 prob. f(r) =. Xz. Se extrae una bola y se obsen'a su color. -'. r¡ : L - p.1 t\. página I 1 1 .98. Utilizando (o) la distribución binomial y (b) la aproximación de Poisson a la distribución binomial. 4l DISTRIBUCIONES DTSTRTBUCTONES DE PROBABTLTDAD CON NOMBRE PROPTO PROBABILIDAD PROPIO I47 L47 APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL 1. S. Según Ia National Office of Vital Statistics of the U. (b)entre 30y 60. .#Tf DISTRIBUCION MULTINOMIAL 4.101. Hallar la probabilidad de que un estudiante pueda acertar eorrectamente lasrespuestas a(a)12 o más de 20. (e) 4.cAP.(b)2. (c)2. hallar la probabilidad de que en 8 de tales extracciones se seleccione una bola roja 3 veces. Halla¡ la probabilidad de que el resultado sea: (o ) 1 "uno". Hallar la probabilidad de obtener más de 25 "sietes" en 100 lanzamientos de un par de dados honradoe.96.9!. 2 "doses" y . En el Problema 4. "heses". Demostra¡ el teorema del límite central para las variables independientes xk = 4. 4. (d) 55 o más. hallar la probabilidad de que (of rnís de 5. ( L 1 prob.t9. (bl 24 o más de 40 preguntas en un examen tipo verdadero-falso.97. Se lanza un dado honrado 6 r¡ece¡. . son independientes y están distribuidas idénticamente con la distribución de Poisson.91. Hallar la probabilidad de que en 200 lanzamientos de una moneda resulten (a) entre 80 y 120 caras inclusive.94. 4. Education and Welfare. 4. (b) 7.(e)entre4y8.90. (b) menos que 90 caras. p pr.(d)8.2.ar la función generatriz de momentos). . <x< @ 4. (c) menos de 85 o más de 116 caras. Entonces se coloca la bola en el talego.99. (c) menos de.87.(c)6.

120.112.106.fl DISTRIBUCION DE CAUCHY 4. Hallar la probabilidad de no obte4er un 1. (b) todas sean blancas. azules y amarillas en la proporciün 4t 3z 2: L.103.106 y e¡tudia¡ la precisión 4. hallar la probabilidad de que (o) 10. (b) P(lX-11 = +). Demostrar que el recorrido semi-intercua¡tílico para la di¡tribución de Cauchyeeo.116.113.116. normalmente con media 0 y varianza l Demostra¡r que Y: Xt lXz tiene una distribución DISTRIBUCTON GAMMA 4. 4. 4. Una caja contiene 5 bolas rojas 5l l0 blancas. (b) no más de 2. Si Xt y Xz son independientes y distribuidas de Cauchy. 4.11?. Demostrar directamente que (22). Si se seleccionan 20 aspirantes aleatoriamente. DISTRIBUCION UNIFORME reduce a (I ).z 114. entoncel su mdia 4. Suponga que X tiene una distribución de Cauchydeacuerdocon(29). De 60 aspirantes a una universidad 40 son del oriente. (b) P(Xz > r2).9: 4. 4. Y son independientes y ambas eetán distribuidas uniformemente en el intervalo de 0 a 1.págin. sesgo y (b) curtosis de una di¡tribución uniforme.105. 4. Si X.111.114. página 108. tl¡llar(o) P(X= 1). 4. dad de que (a) 6 sean figuras.109. Hallar la función generatriz de momentos para la di¡tribución uniforme. 2 ó 3 en cuatro lanzamientoe de un dado honrado. página 116. (b) ninguna sea figura. Una variablealeatoriaX tiene una distribución gamma conQ:3.115.102. Determinar los valore¡ modales de la distribución gamma. 4. o:2. página 115. Generaliza¡ el resultado del Problema i. recorrido gemi-intercuartílico es un eustituto de la desviación tfpica? aritmética también tiene esta distribución. Yerificar la (a) función generatriz de momentos dadas por (33 ). ¿Porqué en este caso el 4.(b)8 sean rojas y 2 amarillas. sean del oriente. Si se seleccionan 8 bola¡aleatoriamente (sinremplazamienüo) determinar la probabilidad de que (a) 4 sean rojar.110. Si se seleccionan 13 cartas aleatoriamente (sin remplazamiento) de una baraja de 62 cartas. 4. S blrncar. DISTRIBUCION HIPEBGEOMETRICA 4. (c) al menos una sea roja. 4. Determinar el coeficiente de (a) > ll 6/. es una función de densidad. 4. Demostrar que si X1 y X2 son independientes y tienen la misma distribución {e Cauchy. ó (24\ se para resolver el Problema 4. hallar P(lX . hallar la probabili4. 2 zzulee y l amarilla.148 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cA¡.119. blancas.107. (t) P(l = X=2). Emplear la aproximación binomial (18) obtenida.4 4.122. SiXestádistribuidauniformemente en-2< x=2.con < 2). cuando N ' e.Hallat(a) P(X i. Z.Hallar(al P(X <1).págrna114.121. Hallar (a) el tercero y (D) el cuarto momento alrededor de la media de una dishibución uniforme.11E. y (b) la función caracterfstica de la di¡tribución gamma .104. Hallar la probabilidad de que de 10 bolasextraída¡: (o) 4 rean rojas. 4.108. Verificar que (31 ). Una caja contiene una gran cantidad de bolas rojas.

134.140. (e) el área entre -f1 f f1 sea 0. (c) 28. Demostrar que la va¡ianza de la distribución t de Student con t.50.or'so'lr-. si el r.128.02'5yv=20'(c)eláxea 16. v: -f1 sea 0.g.125. (e ) 150.136. Si una variable Utiene una distribución de Student con ¡. Verificrü que (34).01. Halla¡ (o) 4. 250. : 6.ol/l'. v ) 2. (D) P(-a= U 3 c) :0.i) 4.05. (d) el área a la derecha de ú1 sea 0.¡' 4.10'(d)el sea 0.139.01. Demostrar que para 1 grado de libertad la distribución ú es una distribución de Cauchy. - 2).13?.1 de la función de densidad (45'¡. los valo-res de x? y x! no son únicos' 4.9¡' P(U>c)= 4.oo. er igual a 1. (d) P(U 2 c) = Q. y x! tales que (a) P(U > x?rl = 0'025. (ó) y (b) x. 4.%t con y :7.zoi (. lJnavariablealeatoriaXtieneunadistribuciónbet¿cono:3.z¿i (d) F.130.ti ti¡l gue (o) el área a derecha de ¡l sea 0. Resolver el Problemz 4.rales a la derecha de xB y a la izquierda de x!. hallar x2.727 si el área de la cola derecha es 0. = t2ul(v1* .131.cAP. es una función de densidad.95.9:2. Hallar 4.133. v. (c) F. (d ) 60.123. 4. Para una distribución chi-cuadrado con 12 grados de libertad. la distribución ú es 0.ss.rzo. Demostrar que la distribución beta tiene una moda l¡nica en DISTRIBUCION CHI-CUADBADO r: (a - l)/(a P(lX-+l = +).. hallarlaconstantec talque (a\ 0. f f. (b) el área a la izquierda de xi sea 0.05.136.ss.20 91tt: 1i Y_4_. Demostrar que (a) E(xz) = DISTRIBUCION ú DE STUDENT 4.or. (b) Demostrar que si la suposición de áreae iguales en la parte (o ) no se cumple.129.05.2.12?. ee la 0.donde zo hra una distribución f de Student con 15 grados de libertad. 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.2\' 4. hallar el valor ie . (b) F. (c ) 25.. Si la variable U tiene distribución chi-puadrado P(u < x?) : 0.98. 4./(. 4. (b) 19. Q) F. (o) llaltar x! y x? tales que el área bajo la distribución x2 correspondiente a v -. (c) P(U = cl = 0'20.' dada Por r * .124. ¡2o egtá x?ozs y (b) xizs para'r = 4.126. 4.142.2gs para r = 150.rúmero e. área combinada a la derecha de ú1 y a la izquierda de -f1 4.141.rs. / una buena aprorimación para percentila (100p) de la distribución normal tipificada.01.132.01 y ¡. (c) P(x?< U < x2z) = 0.? 9:?^5: suponiendo ireae'ig. (c) el á¡ea a la derecha de xl sea 0.99. Hallar los . \b\ Yar (7zl -. si el número de 4.páSrrra 115.90.¡.(b)eláreaalaizquierdadetlsea0.95. Demostrar que para grandes valores de 4. Hallar (a) es la x. Verificar que la integral desde u lsugerencía: Hágase a : 0 hasta e v2u).:10.rz. pígirn 117.55 ! 4.gc.4l DISTRIBUCION BETA DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO t49 4. (d) 40. hallar el valor de ú¡tal que (a) el área a Ia derechadeú1 seaO.01. + p .025. 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.valores de grados de libertad I ú para los cuales el á¡ea de la cola derecha de es igual z (a) 4.os. Hallar el valor de: (a) F. grados de libertad DISTRIBUCION x . (b) 12.eo.13E.90yy:25t (b)eláreaalaizquierdade-ü1 sea0.(c)eláreaaladerechadeú1 eea0.

c<ts -.n.o2)a(0.156. página LL8. (ó) io ".153. Verificar que estas constantes son l¿¡s dadas en (19). constantes y b2 < ¿c.0. É^ ¡=o . mente tienen una distribución idéntica. c.147.143.8. Demostrar el Teorema 4-5. Si Xr. 4..6O. Demostrar el resultado (46).145. . Halia¡ el valor aproximado de (t3o)..A) = ke-(!¡z+2bra+"v'l donde a. son independientes pero no necesaria. (véase página cada unacondistribucióngeométrica. 4. Y tienen la función de densidad conjunta f(r.16O. ..146.15E.1 o2 . prfuina 118. k=1... rj +n'r l¡ = ¡'oof 4.. ento'nces ) Xf ti"tt" 51. Demostrar el Teorema 4-8. hallar la función de distribución de lonva¡iablesaleatoúasindependientescon di¡tribuciónchi-cuadradoypr. ¿Puede deducirse la ley de los grandes números en forma débil del teorema del límite central? JuEtificar su solución. Sean las variables independientes n X¡. Demostrarque k=l ) X* tiene distribución de Pascal 118).. Xz.36.0. 4.159..pfuinal77. (a > o' o . RELACIONES ENTRE LAS DISTRIBUCIONES CHI-CUADRADO. página 114. 4.^h... 4.. b.I Y T' 4. de 4.. demostrar que e8t6n distribuidas marginal- "? y oi respectivamente.. Si X.149. Demostrar que 2u (. (Sugerencia: Ilaga la transformación u : 1/u). k=l son variablee aleatoria¡ independiente¡ disürluna distribución chi-cuadrado con y libertad.r.r.161. 4.X. ¿tiene X2 una distribución chi-cuadrado con 1 X1. DISTBIBUCION NORMAL BIDIMENSIONAL 4. 4. + Xn... y varianza 1.7ffi1. . mente con varianzas h aon 4.' o) 4. . Demostrar los resultados (20) y (23).e8¡zsa \z /' * (tlu)to. página 118. Hallar la función generatriz de momentos de la di¡tribución hipergeométrica.4 4.0r. PROBLEMAS DIVERSOS 4.150 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. Suponer que X..X. demostrardirectamentelosresulta- 4. Demostrar el Teorema 4-10. Y mnjuntamente tienen la distribución bidimensional (19). . 4. página 116...e8)2ez \3 /' y dar una interpretación de probabiüdad. Demostrar que cuando v "> @ la distribución f de Student tiende a la distribución normal tipificada.prgradoe X¡ + .162. Generalizar el Problema 4.37 demost¡ando que si buidas normalmente con media 0 grados de 4. .154. Si X está distribuida normalmente con media g y variznza grado de libertad? Véase Problema 4. Demosha¡ el teorema del límite central para el caso donde Xt.155. Completar la demostración de la ecuación (8) del Problema 4. libertad respectivamente. página I44.144..150.157.Porevaluacióndelasseries dos del Problema (") 4. 4..14E.

164. (c) la velocidad más probable. página 119. Determinar (a ) la conetante c. Estudiar qué le sucede a la media ¡i (o) r = . (b ) la velocidad media. (b) v = 2. (d) la velocidad efectiva(rme.163. (c) v1* 4. Comparar sus resultados con l¡ entrada 5. Estudiar qué le sucede a la varianza de l¿ distribución t 4. y varianza de la distribución gas para loc casos (o) (b\ v2= 4.esdecirlarafzcuadradade la velocidad media al cuadrado).162.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 4. .cAP.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.

.

Farte tl ESTADIST¡CA .

.

donde cada bola seleccionada se regresa luego de observar su color. Se podría obtener una muestra al examinar. Segundo. El muesbeo donde cada miembro de una población puede seleccionarre más de una vez se llama muestreo con rempla. En cambio de examinar un grupo entero.2.S. Desearíamos extraer conclusiones reapecto a los colores de 200 bolas (la población) en una urna seleccionando una muestra de 20 bolas de la urna. En el Ejemplo 5.3. Así en el Ejemplo 5.1. zamiento. llamado la población.4. n = 100 mientras que enelEjemplo S. Desearfamos ertraer conclusiones respecto a la honradez de una moneda deüerminada al lanzarla repetidamente.Capítulo 5 Teorío de muestreo POBLACION Y MUESTRAS. Desearíamos extraer conch¡siones respecto al porcentaje de tornillo¡ defectuosos producidosen una fábrica durante una semana de 6 dfas examinando 20 tornillog diariamente producidos en tiempos diferentes du¡anté el día. En forma semejante el número en la muestra se llama el tamóño de la muestr.c. por ejemplo. EJEMPLO 5. EJEMPLO 5. El-proceso de obtener muestras se llama muestreo. La población consiste en iodos lc lanzamientos poeibles de l¿ moneda. EJEMPLO 5. Tercero. en tanto que los 120 tornillos escogidos constituyen la muesha. la palabra poblacíón se utiliza para denota¡ la. comítnmente denotado por N.1 podemos hablar de la población de 12 000 estaturas (o pesos) en tanto que en el Ejemplo 5.Y SIN REMPLAZAMIENT\O Si extraemos un objeto de una urna. la población puede ser finita o infinita. Esto se hace con el propósito de inferir cieitos hechos respecto de la población de los resultados hallados en la muestra.s observaciones o medida.lo cual puede resultar difícil o imposible. generalmente finito.4 podemos hablar de Ia población de todos los 200 colores en la urna (algunos de los cuales pueden ser iguales).n: 60. 155 . como en "la población de determinada ciudad es de 180 000". EJ EMPLO 5. denotada pot n. un proceso conocido como inferencia estodística. 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. tenemos la alternativa de colocarlo o no en la uma antes de una segunda extracción. MUESTREO CON. Deben nota¡se varias cosas. loa primeros 60 lanzamientos de la moneda y notar los porcentqiea de caras y sellos. En este caso los tornillos producidos durante la ¡emana conforman la población. INFERENCIA ESTADISTICA Con frecuencia en la pÉctica estamos interesados en extraer conclusiones válidas respecto a un grupo grande de individuos u objetos. N : L2 000. En el primer caso un objeto determinado puede seleccionarse una y otra vez. Primero.Nesinfinito. la palabra población no tiene necesariamente el mismo significado como en el lenguaje común. 1 . el número se llama el tamaño de Ia población. mientras que si cada miembro no puede seleccionarse más de una vezwllamamuestreo sin remplazamiento. puede llegarse a la idea de examinar solamente una parte pequeña de esta población.s y no los individuos u objetos. que se llarna la muestra. mienhgs que en el segundo caso solamente puede seleccionarse una vez.

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

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

Teorema (5) 5-3: Si la población es de tamaño N.6. 5 (3) EJEMPLO 5. 1. = 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. entonces (5) se remplaza por o2/N .á dada por E[(X-ti'l: "l = ¿ n donde o2 es la va¡ianza de la población. 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. Teorema 5'1: La media de la disbibución muestral de medias. y si el tamaño de la muestra es n S N. est. Se supone aquí que la población es infinita o que el muestreo es con rernplazamiento. la media de la población.(¡¿ -n\ -f / en tanto eue ¡r* aún se da por (4). .r es F*. Nótese que (6) se reduce a (5) cuando N . denotada por .5. Entonces es natuml buscar la distribución de probabilidad del estadístico muestral X. oft = . 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.-. 2 entonces la media muestral . Los teoremas siguientes son importantes en este sentido.. Entonces la variable tipificada asociada con X. Si una muestra de tamaño 5 resulta en los valores muestrales 7. página 112. 9.158 TEORIA DE MUESTREO Jrf ll |"'Fi. está dada por E(X) = donde ¡. entonces la varianza de la distribución muestral de medias. De otra forma Io anterior es conecto si remplazamos o/l/-n en (7\ por o* como se da en (6). dada por Z: es x-r "/\n es (7) normal reintóticamente. Teorema (6) 5-4: p y vaianza o2 entonces la media muestral p y vananza é/n. que se llama la distribución muestral para h media de la muestm o la distribución muestrcl de medias.ux. estn lim P(Z -z z) = -= f = J 1 vzr -* "-uztz ¿r. denotada por oi. (s) El Teorema 5-5 es una consecuencia del teorema del límite central. si el muestreo es sin remplazamiento.¡ n lcAP. = t' es la media de la (l) población.

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

y 52 tiene media y desviacián üípica dada por Fsr+s. + (x^- X¡z n-I (17 ) de modo oue u(D') = g' (t8) Debido a esto.20) ¿'(St) está definido por = Asr : ?-Joz > 30). denota las variables aleatorias para una muesha de tamaño n.. El estimador Q6) insesgado qu9 9sq rnuy próximo a o2 solamente para grandes valores de n (n q2 (x. y P. En '"al caso ia distríbución muestral de la suma de estodísticos S. EJEMPLO 5. corresponden a las proporcioneJ de éxitos P. X. Refiriéndose al Ejemplo 6. + (xz. i (X^-.) Cuando = ps2 : ("\) (+). Sin embargo. continuaremos definiendo la varianza muestral por (I5).S. osr. * l's.. y iai-ecuaciónes (I1 ) resultan Ittt-?z . opr-p.e parámet¡o. Qe) N* - ésta se reduce a (16). X\z (15 ) Entonces en el Teorerna 5-1 hallamos que E(*) = A y sería increíble si también pudiéramos tener esperado de'un' eit"dírti"o sea igual al parámetro poblacional conespondiente llarnarnos al es+¿dístico un estimador insesgdo. en cambio de 52 y sencillamente remplazan n por n -1 en el denominador de (15). por (X. et y pz. algunos estadistas escogen para definir la varianza muestral por S.= li4-6ri \¡"- Los resultados anteriores son válidos si el muestreo es de una población infinita o con remplazamiento para una población f¡nita Si el muesheo es sin remplazamiento de una población finlta de tamaño N.5.6.iZA MUESTRAL 9i Xtr Xr. puesto que al hacerlo así muchos resultados posteriores se simplifican. : {$j$ : Pút . . de es+. PzQz (13) En cam!:i. (11) nrruestras son independientes.= 5 . y el valor una estima insesgada. Sienrpre que el valor . resulta ser que (véase Problema 5. VARIA¡. : {"'rr4r.-i)'? + (Xz-.160 TEORIA DE MUESTREO lcAP.o de rcnal diierencias de estadísticos algunas veces estamos interesados en la suma de estadísticos. -X). supotriendc rtii€ ¡a-s = ¡'s.X). Se pueden obtener recultados semejantes a (1 1).s. entonces la media de la distribución muestral de varianzas está dada por E'(s. . + .la varianza mueshal tiene el valor a2 = en tanto que la ertima inseegada eetá dada por +(6-6)2 - z Ao s.P". entonces la variable aleatoria que da la uarianza de la muestra o la uarianzt muestral se define de acuerdo con (14). y S..t)'' t(S2) : o2. página l57. -. 5 Resuitados cortespondientes pueden obtenerse pan disfuibuciones muestrales de diferencias de prcpordónes de doe poblaciones distribuidas binomialmente con parámetros pt. página 78.. En este caso . . Sin embargo.llpt iLp2 Pt. ez respectiva¡nente..

se Debido al Teorema 5-6 la variable en (20\ ción de este teorema véase Problema 5.22. resulta ir¡ ande o e un bien complicada. Para una demostra- CASO DONDE LA VARIANZA POBLACIONAL SE DESCONOCE En los Teoremas 5-4 y 5-5 hallamos que. En (2I ) hemos supuesto lógicamente que se conoce la varianza poblacional o2 . en muesa la particular diferencias de medias. 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. 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. 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. (21) está normalmente distribuida si la población de donde se toma¡on Ias muestras de tamaño n está normalmente distribuida. pagjna 117.cAP. Establecemos esto en el teorema siguiente. UtilizAndo la misma idea po es más buci ¿" diferencias de varianzas.1 grados de libertad. Es natural preguntar qué sucedería si no conocemos la varianza poblacional. que ? tiene una distribución de Student con n Teorema demuestra en el Problema 5.i2 o2 (20) o- La distribución de esta variable aleatoria se describe en el'teorema siguiente. 5l TEORIA DEMUESTREO 161 DISTRIBUCION MUESTRAI. En cambio de hallar la distribución muestral de S' ó S' es conveniente hallar la distribución muestral de la variable aleatoria relacionada nS! . S/\n X-t' slltn'- (22) r ü Podemos entonces demostra¡ utilizando el Teorema 4-6. - 1. podemos considera¡ él estadísü próxima a 1 indicaría una pequeña pequeña indicaría una gr¿rn áiierencia mientras que una relación diferencia.Si. 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. En cambio. en tanto que es normal asintóticamente si la población no es normal dado que n >: 30. 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 . 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. Una posibilidad es estimar la varianzá poblacional utilizando una o más varianzas muestrales y luego colocar la corespondiente^ desviación típica en (21). Si. .grados'de libertad. 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. denota con frecuetlcia por ¡2. Sin embargo.24.

Para n =) 100 la distribución muestral de la S es muy próxima a una normal. Proporciones oP \ ^7ett " ¡ !.puede utilizarse (2 ). Si la población noesnormal. Los resultados dados son válidos solamente si la población es normal o aproximadamente normal. (l) Desviaciones típicas o" Os !t/ 2n población oq está dada por (1) solamente cuando es normal (o aproximadamente (r) normal). (r/ I lo 't/tt l1(t1 que es casi igual a o2para valores deir trr j . La distribución Medias o. Enlonces si las varianzas de las muestras aleatorias están dadas por .. /.j respectivamente. u.ac\ \{r/ tiene la distribución F con ffi 7. Sr respectivamente.: ir. Por ejemplo la mediana. 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. Para n '. etc. Nótese que (2) se reduce a (1) cuando ¡.-_. Nótese que (2) se convierte en (. la curtosis.Sl. 6n Las notas anteriores para medias igualmente aplicables aqu í.100.1.: nSj/('n 1)or. ttp .Í . lo que se cumple para poblaciones normales. el sesgo.!f S.t normal. EI teorema también puede aplicarse en el caso de que las distribuciones de población no sean normales pero tengan forma de campana. (1) . los momentos. r.¿s ción. d . el estadís_ tico F lr^ -_ '1.1 ) en caso de que la población sea Va¡ianzas (-') O.t62 Teorema TEORIA DE MUESTREO [cAP.?/.ra : 3o4 .o con gran aproxima- O.i Las notas para desviaciones típicas sqn igualmente aplicables aquí..!!1.-8: Si se extraen dos muestras aleatorias independientes de tamaño m y n respectivamente de dos poblaciones normales con valianzas oi.t o \/n muest¡al de medias se ájusta mucho a una normal (normal asintóticamente) para n = 30 incluso para poblaciones no normales..2533 0 \/n Para n = 30 la distribución muestral de la mediana es muy próxima a una normal..p en todos los casos son dn¡crr Medianas - "!t.5 5. la moda. OTROS ESTADISTICOS Muchos otros estadísticos además de la media y la varianza o desviación típica pueden definirse para muestras. n 1 grados de libertad. la media poblacional en todos los casos.

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. . es Ia diferencia entre el límite real superior e inferior. etc.'RECUENCTA Si una muestra (o una población) es grande. Es interesante observar que Ia gráfica parece indicar que la muestra se extrajo de una población de alturas normalmente distribuida. se llama marca de clase.Por e¡emplo.-r-l correspondientes a esta clase Ia correspondiente frecuencia de clase es 5. desviación típica. como se muestra sombreado en la Fig.5 y 62.cAP. Como ilustración suponga que una muestra consiste de las estaturas de 100 estudiantes de la univelsidad XYZ.l .5. 60-62 es 61. 5-1.5-62. Distribuciones muestrales para estos estadísticos. conjuntamente con los dados.5-59. etc. denominada la frecuencia de clase. o por un polígono de frecuencios uniendo los puntos medios de los techos del histograma. se ¡nuestqan en la tabla anterior. consiste de estaturas desde 60 hasta 62 pulgadas. por ejemplo. la frecuencia relativa o porcentual correspondiente a la clase 63-56 es 18/100 ó 18'i. Ya que una estatura registrada tromo 60 pulgadas realmente está entre 59. 5l TEORIA DE iúUESTREO 163 definiciones son análogas a esas dadas para poblaciones en el Capítulo 3. En este La primera clase o categoría.5 se conocen como límites reqles de clsse. podríamos haber registrado el intervaIo de clase como 59.) de tro estudiantes É tr-r (::i t'. El histograma correspondiente es entonces semejante al de la Fig.5 pulgadas.. EI siguiente intervalo de clase sería entonces 62. o al menos sus medias y desviaciones típicas (errores típicos). DISTRIBUCIONES DE FRECUENCIA RELATIVA Y OJIVAS estudiantes err cada clase. denotado por c¡r que comúnmente es el mismo para todas las clases (en cuyo caso se denota por c).5-62.5:3. se conoce como d¿süribución de frecuencia o tablade frecuencia. En el intervalo de clase 59. el resultado sería una distribucíón de frecuenciarelatiua oporcentual. La suma de ias áreas es 1 ó l-00'.5. EI punto medio del intervalo de clase. Algunos de estos. Por esta razón es útil organízar o agrupar los dofos. que puede tomarse como representativo de la clase. Puesto que 5 estudiantes tienen estáturas casoc:62. inciicadas por 6G-62. Tabla 5-2. La ordenación resultante.'J ir z 61 64 6t- l0 ?3 76 (pulgadas) Estatura (p [:ig.:) riri {l¡ ¡ lii 12 o ilr -71 27 8 .5--65.5 pulgadas mientras que unaregistrada como 62 pulgadas realmente está entre 61. El ancho del intervalo de clase 7-ésimo. es difícil observar las diferentes características o computal estadísticos tales como la media. Orden3mos los datos en clases o categortbs y determinamos el número de individuos que pertenecen a cada clase.5 y 62. Io que se llama uninterualo de clase. puecen enct-¡ntrarse con frecuencia.5 los números 59. Tabla 5-2 ESTATURAS DE 1OO ESTUDIANTES DE LA UNIVERSIDAD XYZ o H o 10 (pulgadas) fir) Estatnra i Número -f. 5-1 ercepto que el eje vertical es frecuencia relativa en cambio de frecuencia. DISTRIBUCIONES DE F. Si en la Tabla 5-2 registramos la frecuencia relativa o porcentual en cambio del número de .5 y 60.

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

: t: hl . ((i _1 (8.Snt\mí + 2tn.i7-- xIi- f /¿¿' n entonces las relaciones (3f ) también son válidas para las M.r 11.cAP..-'(i)r ¡) ri 5b *rt-f. It. 8..fi l-''' n * f rt'i' 4JÁ s f. (b) la desviación típica de la población. Si escribimos il. 3.\3 t)t1 mimit+ün\2ntí-Bn{ra f. Así los momentos r con respecto a la media rl n (2e) .ll ---- 30 Lr. el error típico de medias.tt¿'i2 ntlt . 6.1. '1 9 + 0 c + 41'21 - 10. 11. Una población se compone de los cinco números 2.(tr l cr- de tal modo que obtenemos de (3I ) las fórmulas claves 0 = c2(XIi-M'l) l1tt = cj(Mi. pueden hallarse Probletna. Halla¡ (a) la media de Ia población. .8 y o = 8. (a) r o2 = 12___i_E_l_e_ll J :l --.gWiMí + 2M'r3) lnt = cl(xIi. _ l(. es decir.s resueltos DTSTRIBUCION MUESTRAL DE MEDIAS 5.utiui+ 6It[i'M3 . r !11 0. la curtosis.(ir.gM'r") (32) etc. etc. l¿ I' .29. 5l TEORIA DE MUESTREO 165 y al origen respectivamente están dados por ¡'rt . . De una manera semejante otros estadísticos como el sesgo.U (b) . para muestras. (c) la media de la distribución muestral de medias. Lógicamente la segunda ecuación de (32) es igual a la (28). (30) Las dos clases de momentos están relacionados por ?ll1 Q tnz -: 1n:. Considerar todas las muestras posibles de tamaño dos que puedan extraerse con remplazamiento de esta población. Itt Fórmulas semejantes existen p¿üa momentos superiores.^. Pero 'rrr : >("j)l lln = /tlr = n¿z )'/[(a + c¿r) -. (d) la desviación típica de la distribución muestral de medias. /l¿¿ tni (s 1) etc.

6.5+ 5.29.0¡:: -f -' . (3.6.11) (3.0 8.2\ Esto pone de manifiestrque '' .-.1¡ muestras (2.3).11) (8.5 + 10 /r.5 6.o2/ N . 7.5.0 O. (c) Hay iC-.6) \2.0 6.8/2 = 5. l'I1!11-q9-"'-lgl-99'":'I9't3ls 25 comprobándose que ) 150 tt - o'' t{' -.5 ¿" (l 8. 2) (8.r' = 16. 6) (3.6). (6..5 .. or".to oue el sesundo miembro ^^ . 4.5 11. 7. 5. 11). Para una demostración general véase Problema 5.40. ¡r: 6 y o2 :10. (d) I'a varianza o{.4. (2.0 4.2t (3.0 7. sumando los 25 números así obtenidos y dividiendo por 25. 3) (2.5 (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).11) 4. 10'8/5 .2. + (9.05 Y ox r.5 7.0. Para una demostración general de este resultado véase hoblema I . (o) y (ó) como en el Problema 5. 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. 3) (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).2. (6. rj). 6.0 y la media de la distribución muestral de medias .O.8) (8.puestoqueel segundo miembro es 10.40 de modo que o. Las correspondientes medias muestrales son 2. + l:1.0 9.2) 12.5.0.8) (6.8) \3.5 I. 8).0 -('25-10 - c. ) "l .b - 6.5.5 9. El resultado final es .0 es 8. (3.5 7.5. 7.2) (11.5 = 6.U t< (.11) (6.* 2.166 TEORIA DE MUESTREO lcAP. y la media de la distribución muestral de medias es 9."\.0r 6. Para una demostración general véase Problema 5.0. de la distribución muestral de medias se obtiene restando el valor de la media 6 de c¿da número de (1 ). que es el valor obtenido anteriormente."2*= o2/r.6) (6.0 5. por ejemplo.\ N _irl.01.!lr_115.* . 3) (rl. elevando al cuadrado cada diferencia. (2.8) Las correspondientes medias muestrales son 2.1. 8).?.0 -i.0 + 7.D 6.3) 111.0). 11)..1 para el caso de muestreo sin remplazamiento.2). de la distribución muestral de medias x es 6.1-¡ .f. éstas son (2. (8... Estas so r (2. Lo mismo que en el Problema 5.5 + 4.0 : itO + 6. o: 3.8). 8. 11) La selección (2.0 5. ¡'. 5.0)2 = 4.0 otr 3.8.5 + 9. 5. (3. 6) (8.0 poniendo de manifiesto el hecho de que tÍ - (d) La varianza.5 1 4.47.0 (2. 4 135 : -.3). nuesto que segundo -:^-L-^ "" (.8. _Í ) .5 5. se considera la misma que (8. de acuerdo con el valor anterior.2) (6.3) (6.05.5. 5..6) (tt.11) (1r.r ) 4.8) (11. ll ). 4.

0 pulgadas y desviación típica 0.cAP. la media y desviación típica esperadas serán muy próximas a las de la distribución teórica.4962 : -2.0 : 0.3 La media X de una muestra en unidades tipificadas viene dada por Z X-p* aX X-68.4. \a) p*. De aquí que con 80 no se obtenga realmente una distribución muestral de medias. pues.67 0.(área a la izquierda de z : -2.4 - 68. Por ello.6 pulgadas. (b) menor de 66. : (área bajo la curva normal entre z : -2.0)/0. (b) sin remplazamiento? El número de muestras de tamaño 25 que teóricamente pueden obtenerse de un grupo de 3000 estudiantes con y sin remplazamiento son (3000)2s V aoooCzs.1915 : 0.5) : O.67) : : (área a la izquierda de z : 0) y z : O) .02 onzas. Así se tiene. que son muchas más de 80.0098): 0. Así.30 onzas. puesto que el número de muestras es grande. = tL = 68.68.5l TEORIA DE MUESTREO r67 5.3 . habría mucha aproximación entre las dos disbibuciones muestrales.8 y 68.68. Hallar la probabilidad de que una muestra af azar de 100 cojinetes elegidos entre este grupo tenga un peso total (c) comprendido entre 496 y 500 onzas. por tanto.8 y 68. ¿cuál será la media y'la desviación típica esperada de la distribución muestral de medias resultante si el muestreo se hizo (o) con remplazamiento.6 (68. 5.5 Proporción de muestras con medias entre 66. Quinientos onzas.02 ? .6 pulgadas 3000 3000 (b) p* = p - 68.4 pulgadas? ¿En cuántas muestras del Problema 5.3 cabría esperar una media (o) entre 66.25 -1 que es ligeramente menor que 0.0 0. (b) de más de 510 Pa¡a La distribución muestral de medias ox- o yn !* = p = N-n N-1 5.304 o cero.5\ :(áreaentree:-2yz:O) * (área entre z : O y z : 0.6 pulgadas y puede.3. pulgadas.3 pulg.30 500 /ioo 500-1 - 100 0.0038 -2 A7 Entonces el nhmero de mueshas esperado es : (80)(0.5 - 0.4772 + 0.4 en unidades tipificadas: (66.8 en unidades tipificadas 68.8 .0 pulgadas y dewiación típica 3. 0.0 y z : O.0 pulgadas y Yox=- ox = o=3 \/n {zs = 0. Sin embargo. Si se toman 80 muestras de 25 estudiantes cada una.0)/0. cabría esperar que la distribución muestral experimental de medias se distribuya aproximadamente normal con media 68.6682) ó 59.6687 Entonces el número de muestras esperado es (80)(0.6 : -2.02 onzas y una desviación típica de 0.4 pulgadas . para todo propósito práctico. sino solamente una distribución muestral experimenú¿1. Supóngase que las estaturas de 3000 estudiantes de una universidad se distribuyen normalmente con media 68. considerarse la misma que en el muestreo con remplazamiento. (b) 66.6 (o) 66.3 en unidades tipificadas : : (66.(área entre z : 0.0)/0.0 pulgadas.0pulgadas o vn N-n _3 N-1 \/% .67 Proporción de muestras con medias menores de 66. 5-3 5. Fig.6 : -2. cojinetes de bolas tienen un peso medio de 5.5.

O27 : 2.(.02)lO. página 158. mediante la aproxlmación normal a la binomial. y 6Ol/" de l2O.22 y z : -0.0.96 5.) - .O27 : -2.168 (o TEORIA DE MUESTREO lcAP. son variables aleatorias que tienen la misma distribución que la población.96 en unidades tipificadas: (4.48(i8 . (x1) r rI (x.8..(área entre z : -4. Hallar la probabilidad de que en 120lanzanientos de una moneda el número de ca¡as (o) esté comprendido entre el 40% y el60%.5..t - . Tenemos . página 158.96 ) El peso total se éncontra¡á entre 496 y 500 onzas si la media de los 100 cojinetes y 5.7 4 : -2.00 - 5.(área entre z : O y z = 2. tenemos l¿-12 E(X¡) = * Entonces ya que la media muestral se define como -Y='' x. 6 72.+"'") =.22 y z : O\ . Puesto que el número de caras es una variable discreta.+-\1L tenemos como se requiere l E(X) = ]lEtX.22 : --0.O2\10.7 4 y z : O) = 0. . 4..10 en unidades tipificadas: (5. Se procede como en el Capítulo 4.2704 : 0.027 5. (a) ' pide ra probabilidad de que el número de caras en los 12Q lanzamientos se encuentre ent¡e 4O(/o de 6 48.10 . tenemos por los Teoremas 3-5 y Var (X) -f vu. En esta población la probabilidad de cara es p : I12 y la probabilidad de sello es C :1P : l12.. X2.216-1 (área entre z : : 222 -074 Fie.96\ (área a la derecha de z:0) . DISTRIBUCION MUESTRAL DE PROPORCIONES 5.pues.10 onzas..5-4 (ó) El peso total excederá de 510 onzas si el peso medio de los 100 cpjinetes sobrepasa las 5.E6)) = L(rr\ = t! 6.ruo2.0. Demostrar el Teorema 5-2. 3-7 " x. Puesto que X1.5-5 5.+ "' + -' Entonces puesto que X¡. (b) sea 5/8 o más del número de lanzamientos. Demostrar el Teorema 5-1.96 Probabilidad pedida : 2..96) :0. 5. F'ie. '1-.6. la cual tiene media ¡1. X. son ina"p"nl'i"nt".00 en unidades Probabilidad pedida tipificadas : (5..7.7 4) (áre^ entte z : -2.4985: 0.ttr rr"rr"n Var uuri^X.5 y 72.0015 : (área a la derecha de z Así. Se consideran los 120 lanzamientos de la moneda como una muestra da la población infinita de todos los posibles lanzamientos de la moneda.5.5 se encuentra entre 4. Se 1-2O.. se pide Ia probabilidad de que el número de caras se encuentre entre 47.00 onzas.5 . solamente se darán 3 casos cada 2000 de obtener una muestra de 100 cojinetes con un peso total superior a 510 onzas.02)lO.

cAP.65) : 0. Cada persona de un grupo de 500 lanza una moneda 120 veces.65\ : (área a la derecha de z : 0) .60.40 y se Buma . 0.00.0456 = 2.0'60 = 2.28) 2(O.0041?-0. de 0.28y2:2.0456 (0. Teniendo esto en cuenta se resta 11 Z" = Al¡. - 0.00417) corresponden a las proporciones 47.6250 - 0. (o) En el apartado (o) del Problema 5.60+0. ¿En cuántos individuos cabe esperar que (o) el númoro de caras se encuentre entre eI 40% y el 60% desuslanzamientos.8 se ha obtenido que todas las posibles muestras de 120 lanZamientos de una moneda.idad pedida = 2. (b) 518 o más de sus lanzamientos resulten cara? Este problema está estrechamente ligado al Problema 5.28 : : : Otro método. puesto que no se ha utilizado el hecho de que la proporción es realmente una r¡ariable discreta.uo ".50 = _2.48 Probai¡ .detamaño 120 cada una.6250.19 : 2(0.971. (área bajo la curva normal entrez=-2.48 . = .9.28 _ y 0.51720 del primer método.=1p= ^FY = 120 = 0.5/120 y (b) Empleando el segundo método de (o) se tiene. = 2.28) 2(área errtre z : O y z : 2. las proporciones pedidas en unidades tip! 0.I9 : -2.5 en unidades tipificadas = 72.0456 40Vo enunidades tipificadas 60o1c -2.74% de ellas con porcentaje de ca¡as entte AOVI y el .0041 7. 5l TEORIA DE MUESTREO ¡r: núrnero de ca¡ae esperado .40 0.t9 yz : 2.28 que concuerda con lo obtenido por el primer método.117 l1 a 0. no concuerda exactamente.5 . i:abe esperar el encontrar un97.1.00417) en unidades tipificadas Probabilidad pedida . Aquí se consideran S00muestras.977 4 ttp=P:i=o. Adviértase que (0.s los posiblea l¿nzamientos de una moneda.86 : (área bajo la curya normal a la derecha de z : 2.5 en unidades tipificadas = - 60 72. puesto que 5/8: - 0.0040 -_ 0'6250 5.60 + 0.I9 en unidades tipificadx: ffip z sí la probabilidad pedida es el área bajo la curva normal entre 0.4857) : Aunquees:cresultadotiene dos cifras significativas.4960 : 0.50 0. puesto que L1240: 0.0r56 - 0. de la población infinita de todo.60 5.5 5.fn ficadas son. Así pues.00417) y (0.(áreaentre z : 0 y z : 2.8.5 . que 0'00417 0.0.40 72.np = rzo(!) = oo o= 47 \/"pq 47.4887 ) : O.

00125) en unidades tipificadas 0'02 r 010q1?5 . (a) Puesüo que I. : 2 personas se esperará que los 5/8 o más 5.0764. pero ésta. Otro méüodo.2t) : 0. Determinar la probabilidad de que de (a) 200. Se ha encontrado que el 2% de las piezas producidas por cierta máquina son defectuosas. hubiese obtenido 0.a es .. Es interesante advertir que en 500 .p = :p = 0. 0. En ó00 muestras se puede esperar 97 .5025.7 4% de 500.02(0.0'02 -: 0.11. ó 489 muestras con esta propiedad.8)12.5 o más. (2()'o de 400) = 3 Entonces 11.10. En concepto continuo..0025 : 0.o3_o. se tiene (o.5000 - 0.) Entonces.46)/0. Los resultados de una elección demostraron que un cierto candidato obtuvo el 46% de los votos.02 (o) y oP=tE= : 1/ 0.14 = 20 0. método del apartado (o).02 I 0.1056.50 + 0. (3% de 400 ) : 12 piezas defectuosas.4G y ".={-= . p0.18 Probabilidad pedida : : (área bajo la curra normal a La izguierda de z 0. Tales individuos pueden razonablemente sospechar que sus monedas no están bien hechas aunque sí lo estén. ¿Cuál es la probabilidad de que en una partida de 400 piezas sean defectuosa.57L4 Si no se hubiese aplicado la corrección.5/200 = 0.0025. Este tipo de error es un rresgo que se presenta siempre que se trata con probabilidades. (b) 2% o menos? PP'=P=0. (Esta proporción puede también obtenerse dándose cuenta que 101 o más indica mayoría.5 y'1+oo)1onz)¡rsg : 2.0040) de sus lanzamientos sean caras. También puede utilizarse el aegundo 5.0362: 1.170 TEORIA DE MUESTREO lcAP. (b) Razonando como en (o).oo125)enunidadestipificadas=W=|. Se sigue que en 489 individuos se esperaría que su número de caras se encontras€ entre eI 4O% y el 6O%.25 y como antes la probabilidad pedida (b) {0.1131 .0.5025 o más.s (o) 3% o más.21 (área bajo la curva nonnal a la derecha de z : l.18) 0.0714 se : O.8 : - 1. sería 100.489 : 1I individuos cabe esper:ü que su número de caras no se encuentre entre el 4O% y el 6O% de los lanzamientos. una mayoría se obtendría en la muestra si la proporción en favor del candidato fuese 0.0352 L12n: ll40O: 0.1056 Si no se hubiese aplicado la conección se hubiese obtenido 0. (b) 1000 individuos elegidos aI azarde entre la población votante se hubiese obtenido una mayoría de votos para dicho candidato.5000.3869 :0.98) v = 400 _ 0.5025 en unidades tipificadas : (0.5 y así la proporción sería 100.25 hobabilidad pedida : (área bajo la cu¡va normal a la derecha de z : I.5 en unidades tipificadas : " : {"w : (11. 12 o más significa 11.26): 0. L/2tt. se concluye que en (500X0.5025 Probabilidad pedida : . como variable continua.5 6OVo. 1/800 0.007 Mediante la corrección para variables discretas.5000 + 0.00125.-' 0.

. (b) 250 hóras más que las bombilhjde B? .4964 DISTRIBUCIONES MT.) o (e) . y 0. 14 (d.q/n = y'd. Sea Ut la variable de los elementos de la población 3._u.... 7. = varianzadelzpoblación U.46.cAP. Calcular (a) *u. rnientras que las de otro fabricante B tienen una duración media de 1200 horas con una desviación típica de 100 horas.j ut-v2 (6-3)21(-..69 Probabiliüd pedida : (área bajo la curva normal a la derech¿ de z = 2..-(e) ou". ou. 6 r¿.iu. Las bombillas eléctricas de ün fabricante á tienen una duración Lned. (o) (b) (c) Éy. (f) n'u r- u" = mrianza de la población (U 1- U 2) (1-3¡z + (5-3)2 + Oo... o..6g) = 0.Ur) Fur-u. 8 y U2 lavariable de los elementos de lapoblaciín2._u". sacado de (o) esto concuerda con el resultado general FLtr_uz= y (b).7 g . ¿cuál es la probabilidad de que las bombillas deA tengan una du¡ación media que sea al menos (a) 160 horas.e + ll = La población consistente en las diferencl¡e de cualquier término de U¡ y cualquiera de (J2 ea 3-2 3-4 Entonces 7-2 7-4 media de 8-2 8-1 (U1.' ¡ecado dc 5.' Éiinz.0158.5000 - 0.]ESTRALES DE DIFERENCIAS Y SUMAS 5. = (2-3)2 * (4-3)2 =l ó ou"= l.a demostración del resultado general se deduce del Teorema g-7 .ia de 1400 horas con una desviación típica de 2OO horas.6l (b) pp TEORIA DEMUESTREO = p: 0.5025 en unidades tipificadas = ff*s : 0. (b\ pu. = població n lJn = f.13. -3)2 + (3-3)2 + (4-3'¡z b L7 3 Eeto concuerda con el reeulüado general para muestras independient"" ou.0036 = 2._ri.46@Ba)/1000= 0.4. (f.) nu.12. (t) vr. (d) V @ ).= \Ej7r-. [. = t/f. = mediadelapoblaciónU. @). = media de La ]{S*?*8) = l. = varianza de la población I/' (3-6)2 + (7-6)2 + (8-6)z _ 33 a2u.. = FLrt = 4Lrr. Si se toman muestras al aza¡ de 125 bombillas de-cada fabricante. ofi.m=!T.

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.

dos 3. formados por 76. 2x It 5 qA +3 | fi + 5 + 4 + 5 + 2 + 8 + 6+ 5+ 4 + 8l.32.4. Nótese que las Figs.3 + 4 + 5+ 4 + 8 1 2+ 5+ 4 20 =ñ:n'" Método 2.6.0 o o É o C t{0 6 N^^ Eou o O . 5-12 Fig. respectivamente.56 ó 1.6. 5-12.5.23 caras.2 52.2.4 81 . Hallar la media aritmética de los números 5. 5-11 es Ia más lógica para representar datos discretos.. cinco 4. Hay seis 5.31. 5-9 y 5-10 de la parte (a). 153 y 140 libras. 1. Hallar el peso medio de todos los estudiantes. 20.3. 5-11 y 5-12 corresponden a las Figs.8.1 Número de caras Fig. Método l. VARIANZA Y MOMENTOS PARA MUESTRAS 5. 5. de modo que eI mismo porcentaje l8.75.5-ll (c) La representación gráfica puede indicarse como en la Fig. L48.1 menor que 0 menor que 1 menor que 2 menor que 3 menor que 4 menor que 5 menor que 6 100 38 t82 524 811_ 975 1000 9?.4.8 5. La Fig. dos 2 y tres 8.8. .TEORIA DE MUESTREO Nfimero de lanzamientos Nfrmero de caras (frecuencia acumulada ) 0 Porcentaje de lanzamientos (frecuencias acumuladas porcentuales) 0. Entonces _ )/¡ n .3.8.5 100.8 18.5.4.0 3.5. CALCULO DE LA MEDIA. el porcentaje de lanzamientos en los que haya menos de 2 caras es igual aI porcentaje en las que haya menos de 1.(6)(5) +(2)(3) +(2)(6) + r5)(4) I (2)(2) +(3)(8) 6+21-2+5+2+3 96 20 = 4. así por ejemplo.6.2ol.10 Hzo o lzo A 0123456 Número de caras 6 0123. 5-12 muestra el polígono de frecuencias acumuladas u ojiva de los datos y los trata como si en esencia fuesen continuos.aparece para todos estos valores (indicado por la línea horizontal).10 N-^ EOU G' o :! . dos 6. 5-11 o en la Fig.10 y 18 individuos registran una media de pesos de 162.4.2. La Fig.4. Cuatro grupos de estudiantes.

para hallar tatura media de los 100 estudiantes de la Universidad.34. por ejemplo. si 5 tienen una estatura de 61 pulgadas. alcú" 2f¡u. etc. El método se denomina el método claue y debe emplearse siempre que sea posible. 67. )/'(o*crr¡) = o>f.35.t yaque n=2f¡. 5 = 150 libras 5. Véase Problema 5. pígina 163.64.180 sfn TEORIA DE MUESTREO lcAP. Derivar la fórmula clave (27). -.. Utilizar la fórmula clave del Problema 5. T abla 5-lO 5.33. 5. Entonces la desviación de.35. = a*c! )/'rr' .34 para hallar la estatura media de los 100 estudiantes de la Universidad XYZ (véase Problema 5-33). es igual al tamaño de intervalo de clase c multiplicado por algún entero u¡.45 pulgadas . etc. Elproblema entonces se reduce a encontrar la estatura media de 100 estudiantes. Utilizar la distribución de frecuencias de estaturas en la Tabla 5-2.rj. etc. la es La solución se indica en la Tabla 5-9. 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 >/ - + .ffiq = 6?. 63-65 pulgadas.)" = 67+ (i%). XYZ..¡ (tambiénescrito brevementecomor =a I cui. para la media aritmética. xj . se consideran como teniendo estaturasde 61. Adviértase que todos los estudiantes con estaturas de 60--62 pulgadas. es decir r¡ -o:cltj óx¡: a *cu. 18 tienen una estatura de 64 pulgadas.r¡ con respec[o a alguna marca de clase determinada a.página 164. )fu = l5 u = "*(?t.. pulgadas. especialmente para los casos en los que los números son grandes y hay muchas clases..o. La solución puede ordenarse como se indica en la Tabla 5-10. Denótese la clave de marca j-ésima por . Técnicas breves se encuentran disponibles para disminuir el trabajo en tales casos. La media está dada por fi _ 2f¡r¡ = = nnnn.45 pulgadas Los cálculos involucrados pueden conveitirse en tediosos.

8):¿ + 3(8 - 4.4200 n=)/=100 2 2f(r-ñlz= 852. " 2f(r-r\2 _ n 6(5 .r\2 n 15(162.20 . Hallar la desviación típica de las estaturas de los 100 estudiantes de la Universidad XYZ Véase Problema 5.7500 100 = {dEfB = 2.0L25 214.96 y "-rfzs6=1.4. Tabla 5.31.cAP.z - 2 f(r . s2 = 59. 5l TEORIA DE MUESTREO 181 5.5025 30. HaIIar Ia desviación típica de los pesos de los estudiantes del Problema 5.38.7500 f(r TL n\z 852. : y'Gb.36. [.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. = a*cú' t¿ . Hallar (c) la varianza y (b\ la desviación típica para los números en el Problema 5.8)2 = 2QA (2_20 4.37.2025 6.34 tenemos ri = a + cui y ft = a*c'" 2f.8025 72-74 246.31 tenemos ú = 4.92 pulgadas 5. .36. Como en el Problema 5. Derivar la fórmula clave (28). aír 20 Méüodo 2.8.20 20 2.5050 I¡D.u.rlgadas. donde hemos utilizado el hecho de que las 5. para lavarianza.45 2.8)2 _ (b) De (o\. Como en el Problema 5. = +:q = 65'6 en unidades libras cuad¡adas o (libras)2 .55 o. 5.33. Entonces n20 _ 59.32.45 -0.33. página 164. (o) Método 1.a solución puede ordenarse como se indica en la Tabla 5'11.6 (libras)2 : \6bS libras : 8.11 Estatura (pulgadas) Ma¡ca de clase 61 r r- r-r = 67.6025 11.Do 18 42 27 8 0.45 pr.45 lr - fr)¿ Frecuencia 5 / f(r ñ\2 60-62 63-65 66-68 69-71 -6.39.45 4t.DO'O 64 67 70 73 -3. Del Problema 5. x: 67.10 libras.2460 8.

40.41.u? = ¿2 ¿2 * . De la frltima columna tenemos ¡ como en el Problema a2 = "rfL>l!'. b = f.92 pulgadas. Utilizat la fórmula clave del Problema 5.o.39 para hallar la dewiación típica de las estaturas en el Problema 5./¡¿)'l = ¿21¿ .<"? .40 obtenemos la Tabla 5-13. + c2úz *> r.> f . cr¡atro momentos con respecto a la media para la distribución de estatu¡as Continuando el método del Problema 5. + tlz) 2xt = *2 : t."? -'#2 2ú2c2 r¡u. 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 . 2lu=75 )fqz = 97 lalEr lo-s primeros del Problema 5.33. Esto nos permite halla¡ 6. 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".jú.35.{r.33.\t 't t l = = ".az¡ n \n /l = ta)'f-re? / rs Vl = Ltoo-\t*/J ^ ó'b-275 y s: 2.-a¡z i) = "i 2 ¡ .- o¡. La solución puede ordenarse como se indica en ta Tabla 6:12. 2 't t f.u? -t t - C2[ /2f.1"u. = ¿2.'1 \fu/J _ ú2]l 5.f ¡@._ "o¡. : }> f .L82 Entonces s2 TEoBTADEMUEsTREo [cAp.u.f!n'LN c2[u2 (.

1b)B] = -2.BB Mí= >fu2 n y de (32).. que tomamos como 67 pulgadas (la marca de elase).41. 40. los 18 eetudiantes con estaturas 63-65 pulgadas se numeran 05-22. En forma semejante 77.5275 Entonces mB = -2.(0.15 ML=Zy = o.nL¡ = ca(M't.67 pulgadas respectivamente.3759 ffiz:s2=8.97) -3(0. (o) DeI Problema 5.3759 qa-szrgy _ 6 al = z't+ De (o) vemos que la distribución está modetadamente sesgada a la izquierda. -0. 67. 02. tenemoe 183 M] = >fu n = 0. 27.33. Hallar los coeficientes de (o) sesgo y (b) curtosis para la dishibución de estaturas del Problema 5.3?59 5. De (D) yemos que e8 menoc apuntada que la dishibución normal (que tiene un coeficiente de curtosir: 3).33) + 6(0.15)41 : 199. etc.EO notación de la página 165.6l Entoncee.41.6982 . (b) Hallar la media y la desviación típica de la distribución muestral de medias en (o). cada uno de los cuales determina la estatu¡a de un eetudiante determinado. (o) Emplear dos dígitoe para numerar a cada uno de los 100 estudianües: 00.15X0.. ffi2=s2=8. Cada Nf¡mero Estatura n(rmero de estudiantes se denomina número'muestral. 46 resultan en'estatu¡as de 70. Asf los 5 estudiantes con esüaturas 60-{2 Tabl¡ 6-14 pulgadas s€ numeran 00-{4.53-4(0. Así 51 conesponde a un estudiante con estatura 66-68 pulgadas.15)2(0.97 M. explicando cualquier discrepancia. 7'1.6275 B(0.53 M'r') = 9[0. . que tomamos como n(¡meros muestrales aleatorios. 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.88 "z1ML- 8. OL. fflg = p: { (8.1s)2] = ca(ML-gLI|Mi+ zM'Lz) = 2?[0. 99 (véase Tabla 5-14).15)(0. etc. . utilizando La TEORIA DE MUESTB..6932 a3 Coeficiente de eesgo = a. 46.14 m+ Entonces = 199. PROBLEMAS DIVERSOS 5.9? . Entonces extraeremo8 nl¡meros muestrales de la tabl¡ de nf¡meros aleaüorios (Apéndice I).9?) + z(0.43. (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.^=>+=2. (c) Comparar los resultados de (b) con los valores teóricos. lttt = ffi2= ffi3= 0 0.5275)3 (b) Del Problema 5..cAP.42.5275 rttt Coeficiente de cu¡tosis as=E = : 199.4MiML+ 6M'r2ML- BMin) 81[2.

16. 70. 81.00 64. 67.58 9. 51. 56. 86 6. 67. 59. 18 70. 67.77.70 Trbl¡ 6-16 Media muestral 64. 19. L2. 98.67 64. 45.00 66.00 67. 67. 51.24 64.69.25 67. 46 2.73 73. 11. 70.00 67. 70.70 7.70.64.98.25 Cl¡enta Í 1 u fu fu2 16 0 8 6 0 2 ñ( /t/t )#{ 6 4 A a+67. Medi¡ = a*cú Derviación = o*c2fu típicr = = e - 6?.00 extnfdo¡ Estatr¡¡as corespondientec 64. 67 64. 67 67. 73 67.ón dc l¡ trbl¡ de nl¡rncro¡ dcatoiio¡ h¡brfrmo¡ podido inici¡¡ en eualquier parte y escoger cualquicr patrón dctetmindo. 1t.02. T¡bh 6-ró Nf¡meros muesFale¡ Est¡twr¡ o- E¡la+ Nfrmeros muestralea extrafdo¡ rrcqrondieatcc 67. 64.93 14.04.70.08. 67. 67.00 (0'75)(23\ = * 'ñ- 67'58 Pulgadaa 2fuz />1"\' n -\ i " (0. 70 6L.70. 70 64. 10.25 67. 67.99 23. 43 1f. 19.91.46. 67.50 68. 70 73.58.70 70. 87 fl.25 64.64. 40.50 68. 21. 64 70. 06.70 medi¡ 67.75 69. 05.28. 64 67.09.0L.64.54.83. 56. 67.00 -4 -3 -2 -1 0 1 -4 0 -4 -6 0 0 4 / 28 45 16 23 d D . 64. 73 67.6r.23. 64. 55. 73.50 68.75 66.64 73. 67. 3 14 16 4 I l. 6L. 12 3. 65. 70.75 69. 67. = 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). ?1.97.25 66. 67 70.75 67. 67. l. 67 .93. 07.97 24. 58.74. 90. 30. 70.28.64.25 67.33. 6? 15. 67 64. 73. 67. 39 13. 64 67. 63.64.25 69. 67. 67. 67.00 68. 70.93 5. 70.2L.50 66. 60.00 70.79 70.50 68. 70.32 8. 67.67 67.74. 67.5 Por eete proceso obtencmo¡ l¡ T¡blr Fló quc rnue¡tra lo¡ n(¡mcro¡ mue¡trale¡ extrafdor.f = n 30 4 ).60 67. 68.25 65.91.64.2L 10.50 67. 67.50 79. 34. 45. 67 67.73 67.25 70. 76.50 69.31.42.30 58.52 13.'7L. 67. 73. 70.44.41.84 64. 03. 67 70.54 2:2. 20.25 68. 73. g8 25.25 69. tt.6L.57.64. 70. 64.22.50 1.41 pulgadar . 67 23. 13.fu.67. 67.27. 64. 67 70.25 69.87 26.36 08. 67. 10. 07. 31.8s estatu¡as correspondientee y la est¡tun mcdb pan c¿de un¡ de h¡ 30 muegtraa flebe mencio¡rarse que aunque eecogimos el prirner rengl.25 68.75 68. 73. 42. 64.93 27.96.184 TEORIA DE MUESTREO lcAP. 67. 70 64.82. 67.70. 21.50 66'.75 65. 73. 64.79.91. 67 29. 96. 33 m. 75.00 66. 58 70.73.08 12.24. 67 70.76) = 1. 15.03.96.50 65.62 4. 93. 70 67. 53. 61. 56. Esta ee una distribución mucet¡al de mediu. 67 Ír¡f¡f media 66. L¡ medi¡ y la derviación tfpica ee obtienen como es usual por los métodos claves delcrito¡ anterbrmeuüe.

46 pulgadas.) au . 5. /(r) tr.con el valor de 67.41 pulgadas de la parte (b).50 : -2.5 .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 €..44 tendrían dewiaciones típicas (o) mayores que 11.0082.g2/fi = 1. Las discrepancias se deben a que solamente 30 muestras fueron seleccionadae y el tamaño de la muestra fue pequeño.) ps: o = ts=-' o 10.0.?d L -r. ) ea el producto de (1 ) y (2). por tanto el porcentaje pedido es 2.5 .t J.4.4 es (0.0 libras.0 libras. (a) : 11. pfuina 162.r.8%.0 es (0.50 libras.t.8 . Puesto que o/t6':2.0)/0.58 pulgadas de la parte (b).8 libras en unidades típicas : (8. dada por o*.0 . por tanto el porcentaje pedido ec 0.0 libras y desviación típica 0. es ig¡ual. Entonces la probabilidad de que las primeras 4 sean rnayores que ü y las 2 últimas 6ean menores que u es decir - nc.33). tenemos: ( ¿[.cAP.r .. de (b) 8. Se escogen muestras de 200 estudiantes de esta población y se calculan las dewiaciones típicas de las estaturas de cada muestra. es igual a o/y'[. Hallar (c) la media y (b) la dewiación típica de la distribución muestral de las dewiaciones típicas. (b) menores que 8. De la Tabla 5-1. donde la dewiación típica poblacional o = 2. de acuerdo.0.0.". El área bajo la curva normal a la derecha de z 2. esto es Q\ (r) f" sean . 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) . 5.0y0.40) y el tamaño de la muestra n : 4.l' ra. La desviación típica teórica (error típico) de la distribución muestral de medias.50Ib v400 5.f 'LJ" f t@ta*l'/t.46. Una muestra de Por 6 observaciones se hace aleatoriamente de una población.. . ¿Qué porcentaje de las muestras del Problema 6.50 : 2.5l (c TEORIA DE MUESTREO 185 ) es t a media teórica de la distribución muestral de medias.1 aJ. El área bajo la curva normal a la izquierda z : -2.45 pulgadas (vóase hoblema 5. estamos de acuerdo con el valor de 1.92 pulgadas (véase hoblema 6.44.45. ¿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. La desviación típica de los pesos de una población muy grande de estudiantes es de 10.0 libra¡ en unidades típicas: (11.a la media poblacional ¡r que 67.10.0 lb ( lr) \/2" + = 0.4772) = 0.a a.' ¡p¡ a*)"lJ'"-r.3'/'.8libras? La distribución mueetral de desviaciones típicas es aproximadamente normal con media 10.0228. Podemos considera¡ que el muestreo es o de una población infinita o con remplazamiento de una población finita. Í:-lÍ.4918) : 0.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. dada por a¡.

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

5. = p (b) Uüilizando loe Teoremar 3-5 y 3-16 (generalizadoe). (b ) la dewiación típica poblacional. Considerar toda¡ lae posibleamuestrasde tamaño dos que pueden extraers€ de esta población con remplazamiento.50.(-r¿_ i)] = Lfr-"-rf = 4(N-"\ nl.a7 @). 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. 15.cAP.42 onzae. (c) la media de la digtribución mueshal de medias. remplirzamiento.Ét ". ya que por definición a1 187 -la2+'.LL.( rr-:--r l(-. (d) ¡ean menor de 22.Ét suplernenta.62. Demostrar que (c) la media y (b) la varianza de la media muestral del Problema6.á var(X¡) * .(n_'. Encontrar (c) v (d) directamente de (c) y (b) mediante las fórmula¡ 5. obtenemos var(x) = Sv^.39 onzas. Una población est6 formada por los cuatro nfrmeros 3.rlo s 6.4L .38 o mayor de 22.1'".(. En el Problema 5.51 si la población 5e compone de 22 cojineter. .N\N-rl' 't/ 5. y el Problema 6-4?.e 22. Si se erüraen 300 mueetras de tamaño 36 de e¡üa población.N-1 ^' .7. ¿en cuántae de lag mue¡tras aleatoria¡ cabe ecperar que sus medias (a) ertén enl'l.. cov(x¡.N-1J '¿\N-1/ Problern DISTRIBUCION MUESTRAL DE MEDIAS a. (b) sean rnayor de 22.048 onza¡. Por tanto I+v:l Cov (X¡.f x"\ D p (.49 si el muestreo fuese sin remplazamiento.4L onzas? y 22.48.47 están dadas respectivamente por t*= (o) E6) = "1 =*"(x=) /X' +. (b ) sin 6.á." +a¡v = a N 02. Hallar (o ) la media poblacional. (d) la dewiación típica de la distribución muestral de media¡. adecu¡das.53...51.x¡)] = #ú* *.p) = -Noz r \ -2 'r' X¡) = . Resolver el Problema 5. g (o¡ - p)(o.51. NÉ y la primera suma en el lado derecho er igual por definición.49.) = #[. Resolver el Problema 6. (c) sean menor de 22. ó.6l TEORIA DE MUESTREO En esta ecuación.iE(x)+"'+E(x")l 1 =1 n (p -r "'+p) donde hemoe empleado el Problema 6.37 onzaa. Loa peeos de 1600 cojinetes de bolas se distribuyen normalmente con medla 22.40 onzas y dearriación tfpica 0. el lado izquierdo e8 cero.¡ = .' " ) = .

R o I en las proporciones adecuadas.6t. comprobar que . que tienén unas registencias . 5. (b) menor de 785.6?. En una prueba de aptitud puntos? la puntuación media de lo¡ estudiantes es de ?2 puntos y la dewiación típica de 8 puntos.' ¿Cuál es la probabilidad de que dos grupos de estudiantes. sacadas de la urna con rempliazamiento.56.188 TEORIA DE MUESTREO lcAP. 5. Ciertos tubos fabricados por una compañía tienen una duración media de 800 horas y una dewiaeión típica de 60 horas.55. difieran en su puntuación media en (o) 3 o más puntos. Explica¡ la diferencia. 5. llallar Ia probabilidad de que de los próximos 200 niños nacidoe (o ) menos d.61.6 6. (c ) el 63"h o más sean niñas? Resolver el Problema 5. (c) entre 2 y 5 Una urna tiene 60 bolas rojas y 40 blancas. (c) 8 bolas rojas y 12 blancas. ¿Qué enores pueden introducirse al utilizar dos conjuntos diferentes de monedas? lotes de 100 bombillas cada uno.63 si se comprueban 100 cables de cada fabricante? Explicar las diferencias. y explic. ¿Cuáles son las probabilidades del Problema 5. 6. formados de 28 y 36 eetudiantes.64. (b) 98 o más bombillas buenas? 5. (ó) al menos 450 libras más que A? 5. ¿Cuál es la probabilidad de que las dos coleccionee difieran en 8 o más bolag Resolver el Problema 5. Se extraen dos cotecciones de 30 bolas cada una con remplazamiento y s€ anotan sus colores.60. En lugar de bolas rojas y blancas.66. Un fabricante despacha 1000 DISTRIBUCIONES MUESTRALES DE DIFERENCIAS Y ST'MAS 5. Supónganse iguales las probabilidades de nacimientoe de niño y niña. (b) l2 bolas rojas y 8 blancas.12. se pueden usar hojas de papel. (c) mayor de 820 horas.5t.el 4Oi'o sean niños. 5. Hallar la probabilidad de que en dos muestras aleatorias compuesta cada una de 200 votantec. ¿en cuántos lotes cabe esperar (o) menos de g0 bombillas buenas. (b ) entre el 4O% y el 60% sean niñas.59.60. sob¡e las que se escrriba la inicial . ¿en cuántas cabe esperar que (o) menos del 4OVo sean niños. Hallar la probabilidad de que una muestra aleatoria de 16 tubos. Lo mismo del Problema 5. respectivamente. haya una diferencia superior al1^o"k en las proporciones que votaron por dicho candidato. 5. ¿Cuál es la probabilidad de que el peso de 25 paquetes recibidos aleatoriamente y cargados en un ascensor supere el límite de seguridad del ascensor. 5. Si U¡ y U2 son los co¡r¡\ntos de nhmeros del Problema 5. 5. Los resultados de una elección mostraron que un cierto candidato recibió el 65% de los votos. 5. respectivamente. A y B fabticzn dos tipos de cables.65. rojas? 5.ar las diferencias en los Una u¡na contiene 80 bolas de las que 6oo/a son rojas y 4OToblanca* De un total de 50 muestras de 20 bolss cada una. (ó ) entre el 43% y el 57% sean niñas. que es de 8200 libras? DISTRTBUCION MUESTRAL DE PROPORCIONES 5. (b) 6 o más puntos.57 si se consideran 100 en lugar de 200 niños resultados.66 si las exüracciones son sin remplazamiento al obtener cada colección.63. 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. Si normalmente el 6Vo de las bombillas es defectuoso. Los pesgs de los paquetes recibidos én un departamento de almacenamiento tienen una media de 300 libras y una desviación típica de 5O libras. ¿en cuántas cabe esperar (a) igual número de bolas rojas y blancas.57.62.nedias a larotura de 4000 y 4500 libras con desviaciones típicas de 300 y 200 libras. (c) más del 640/o sean niños.69.54. tomada de entre ellos tenga una duración media de (a) entre 790 y 810 horas.54 si la muestra extraída ee de 64 tubos. De un total de 1000 muestras de 200 niños cada una. (d) 10 o más bolas blancas? Dseña¡ un experimento que ponga de manifiesto los resultadoe del Problema 5. 6. (d) enhe ??0 y 830 horas.

Si se seleccionan 10 . (h) Porcentaje de tubos cuya duración no sobrepasa . ?s 6. Determinar la probabilidad de que la varianza de la primera muestra sea mayor que (o) dos veces. I 6. la de la segunda.3?6 < ? 1.899 900 . = 5.80 si las desviaciones típicas de las duraciones son (o) ambas 40 horas.72 ei el muestreo es sin remplazamiento.73. Con 6. Con referencia a esta tabla determinar: (¿) f 'ímite superior de la quinta clase. 6.74. = 1. entie 0.999 300 1000-1099 1100-1199 las 600 horas. A y B fabrican bombillas. 6 Frecuencia de Ia cua¡ta clase.0 voltios y la dewiación tfpica 0.tr*Lrr: ru. Si se extraen muestrae de tamaño 5 de esta población.8f .49 se confi¡man utilizando (a) P(-1 < f < 1) = 0. DISTRIBUCION MUESTRAL DE RELACIONES DE VARIANZAS 5. (g) Flecuencia relatir¡a de la sexta clase.78. Verificar si los resultados del Problema 5. respectivamente.54 libras.70.05 y 0.50. (e) Tamaño del intervalo de clase.54 libras con dewiacionee típicar de 0.499 500 . TOTAL 400 . Una en tanto que muestra de 8 bombillas se toma de A y 16 de 8. Explicar cómo podría utilizar el Teorema 5-7. Se pesan tres cantidades dando 20.05. 6.?6. (d) Límites reales de la última clase. para diseñar una tabla de distribución f de Student como la dada en el Apéndice D.399 400 . (c) Marca de clase de la séptima clase.8 o másvoltios? DISTRIBUCION MUESTRAL DE VARIANZAS 6.48. (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. La Tabla 5-17 rmuestra una distribución de frecuencias de la duración de 400 tubos de radio comprobados en la L & M Tube Company. Hallar (o ) la media y (b ) la desviación típica de la suma de las cantidades. hallar (o) Ia media de la distribución muestral de varianzas.599 600 .01. Dos muestras de tamaños 4 y 8 se extraen de una población distribuida normalmente. (b) ambas b0 horas. una distribución ú de Student con r.97 y 62. ¿Es la probabilidad de que una ttarianza sea mayor que 1. Una población normal tiene una vari¿nza de 15. Verificar si los resultados del Problema 5. 5.49. (b) Límite inferior de la octava clase. (b) mayores que 20. (ó) P(1.699 700 . (b) el error tfpico de varianzas.cAP.2 veces. y Se halla que CASO DONDE SE DESCONOCE LA VARIANZA POBLACTONAL 5. ¿qué porcentaje puede tener varianzas (a) menores que 10.82.79.21.60.50.E0.5I TEORIA DE IIIUESTREO ttur2 189 (a) 4.376) . El voltaje medio de una baterfa e¡ de 15.5 veces la otra mayor que 0. o menor que 0. donde ? tiene.01? Dos compañías. De acuerdo con la tabla de distribución ú de Student para 1 grado de libertad (Apéndice D) tenemos P(-1 < 1) : 0.0.799 800 .i se confirman por este valor y explicar cualquier diferencia. Reeolver el Problema 6. (b) ou1+ur = \Grtr.0. (b) se encuentre enüre 50 y 70 horas. referencia al Problema 6.tubos aleatoriamente hallar la probabilidad de que la dewiación tfpica muestral (o) no exceda a 50 horas. (b) 7. Número de tubos L4 46 58 76 68 62 48 22 6 Solueionar el Problema 5.77.71. ¿Cuál er la probabilidad de que cuatro de estas baterfas conectadae en serie tengan un voltaje conjunto de 60. ó.46 y 0. La duración parz A tiene una desviación de 40 horas la duración de B tiene una desviación típica de 50 horas. DISTRIBUCION DE FRECUENCIA 5.2 voltios. Tabla 5-17 Duración (horas) 5. página 161.72.35.75.

5. ¿cuál es el promedio adecuado para sus calificaciones? (b ) ¿Cuál sería si todas las ponderaciones son iguales? 6. (h) una ojiva. Con log resultados del Problema 5.742 0.89.55 segundos. Porcenüaje de tubos cuya duración es al menos de 500 horae pero menor de 1000 horas.128 0.735 0.333 y 0.t4.87.741 0.736 0.96.?30 0. La Tabla dos. ¿Cuál es ¡u media Las calificaciones de un estudiante en las tres asignaturas del curso fueron 77.742 0. (c ) un polígono de frecuencia¡ relativas.734 0. Construir una distribución de frecuencias de los diámetros utilizando intervalos de clase 5. (c) di¡tribución de frecuencias relativas. Los tiempos de reacción de un individuo a determinadoe estímulos fueron 0.737 0.735 0.740 una 5.88. (d) una ojiva porcentual.727 0. Una 6.?30 0. correspondientes a la distribución de frecuen- 5. Comparar estos resultados con los obtenidos directamente de la colección de datos de la Tabla á-18. Si las marcas de clase de gna distribución de fiecuenciaa de estoe diámetros vienen dadas en pulgadas por los números 0.82. 0.0. Estimar el porcentaje de tubos del Problema 5.92.735 0.734 0.324.732 0.E5' Para los datos del Problema 5.?38 pulgadar.83.731 0.737 0.91.735 0. (c) entre 0.738 0. (g) una distribución acumuhdá porcentual.50.738 0.86. Resolve¡ el Problema 5.78 y 89.?30 y 0. Las calificacione¡ de un estudiante en cinco aeignaturaa fueron 85. (b) una distribución acumulada relativa o porcentual.735 0.736 0.82 construir (o) una distribución de frecuenci¿s acr¡muladas. Con los datos del Problema 5.?36 0.74 y 82.746 0.736 0.72t 0. (b) no superioree a 0. nueve 9 y diez 10.733 0. (b) los límites reales de clase.726 0.44 los.746 0. ee¡ie de nfimeros está formada a¡itmética ? por seis 6.90.63. ?6. O. 5.0. y 0.734 0.735 0.89 determinar el porcentaje de cojinetes de bolas que tienen diámetros (o) superiores a 0. 0. Deüerminar el tiempo medio de reacción del individuo a los estÍmu- 6.732 0. 0. respectivamente. lcAP. sue clasee .?39 0. respectivamente.740 0.735 0.?36 pulgadas. Tles profesore¡ de economfa regieünron una ealificación media en sus eiámenes de 79. (b) 9?0 o mág Los diámetros interiores de las arandelas producidas por una compañÍa pueden medirse con aproximación de milésimas de pulgada. (d) un histograma de frecuenoias relativas.729 0.52.732 0. ó.82 construir (o ) una distribución de frecuencias reliativas o porcentual. ocho 8.734 0.737 0.732 pulgadas. hallar.321.94. CALCULO DE LA MEDIA. 0.743 0.732 0. Para los datos del Problema 5.741 0.82.739 0. 4 y 6.736 0.49.724 0.738 0.386.(a) el tamaño de intervalo de clase. (c) entre 620 y 890 horas. 0.739 0. 5-18 niuestra los diámetros en pulgadae de una muestra de 60 cojinetes de bolas fabricados por una compañía.327.733 0. (b) un polígono de frecuencias.63. (c) los límite¡ de clase.730 0.82 con duraciones de (o) menos de 560 horas. ó. DESVIACION TIPICA Y MOMENTOS PARA MUESTRAS 6. Construir (a) un histograma y (á) un polígono de frecuenciae ciaa del hoblema 5. (i) una ojiva porcentual.732 0.0. 5.744 0. (c) Si las ponderaciones asignadas a cada asignatura rcn 2.88 consüruir (o) un histograma.728 0.731 0.725 0.733 0. 0. "de"*- Tabla 5-18 0.736 0.46.89 para los dato¡ del hoblema 5. 6. (b un ) histograma de frecuencias relativas.95. horas. siete 7. (e) un polígono de frecuencias relativas. 93. (c) una ojiva.735 0.93.5 5.740 0. Hallar la media a¡itmética de dichas calificaciones.729 0. (f) una distribución de frecuencias acumuladas. 82 y 96.190 (i) (j) TEoRTA DE MUEsTREo Porcentaje de tubos cuya duración es mayor o igual a 900 horas.330.

Determinar el porcentaje de hombres y mujeres empleados en la compañía.6. i) 5.2.7256-0.4.6por2ydespuéssumando6seobtienelaseriell. Log salarios medios anuales pagados a hombies y mujeres de la compañía fueron $á200 y $4200. 7.0..6.5.98' (b) 6. Tabla 5-21 60 ó.2 624 2 462 480 498 516 534 552 570 588 606 12.7247-0. para los daüos de la Tabla 6'20 empleando (o) el "méüodo largo".2.5.7274-0. (b) el méto' do clave.7265-0.7. .2. (c) 0.2. reqrectivamente.103.7 L2. (b) 3.7259-0. .7.106.g?.7.2 11. tlalla¡ la dewiación üípica para las distribuciones del (o) hoblema 6.7270 0.262-0. 10. 19.3- 9.2 TOTAL Í 98 75 56 42 30 21 15 11 6 compañía.9.5l estaban formadas por 32.22. 2.?. 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) 0.7264 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 0.3-L2.99.1. Tabla 6-19 Carga móxima Nl¡mero de cableg (toneladas cortas) 9.1273 0. Demostrar que ¡as dos series tienen lae mismas desviaciones tfpicas.7255 0. Calcular la media de los datos de la Tabla 6'22.cAP. 5.7280-0. Determinar la media de la carga máxima empleando (a) el "método latgo".6. Calcular el diámetro medio. 12.100. 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.7277-0.8-10.4.726L 0.7279 0.7252 0.8-L3.99.7268-0. Halla¡ i 9. 1. L7. L. (b) el método clave. (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 6.2.0.0.7282 TOTAL de de Sfmenos de 36-menos de 40-menos de 16 L2 30 36 40 45 I o 2 TOTAL 54 250 6. ' 164. 6. (o) Sumando 5 a cada uno de los nl¡meros de la serie 3.3-10.7258 0.7253-0. Hallar la desviación típica de los número¡: (a) 3. pero diferentes medias.3-11.8-11.7.7249 0.6. 25 las clases. 10' L6. respectivamente. Hallar la dewiación típica de la serie de nl¡meros de la progreeión a¡iümética 4.7 t2 17 l4 6 3 1 Tabla 6-2O fr 11. 15.?276 0. ó.98.7 .0. TEORIA DEMUESTREO 191 y 11 estudiantes.4.6 se obtiene la s€rie 8. El salario medio anual pagado a todos los empleados de una compañía fue de $6000.7250-0. Determinar lacalific¿ciónmediaparatoda8 5.101.6.102. ¿Cómo están relacionadas las medias? (b) Multiplicandocadaunodelosnúmeros3. 1. .2 10.7271-0.104.8-r2.7267 0. 1' 1' 5. 11 .8.7 10.

. Aplicar el resultado de (o) al Problema b.g. (b) asimetría? . (f) s. Hallar los momentos de (o) primero.111 y 5.111. (a) Hallar la media y desviación típica para los datos del problema 5.g.121. 5. (o) Hallar la desviación típica s de los diámetros de los remaches del Problema b.1o6.127.(b)curtosisparaladistribucióndelProblema5. 5.111. (c) tercero y (d) cuarto orden de los números 4. (c) lrq .10.nl_ thnirni+6ml2rn..gg.0. (l). ) Construir una distribución de frecuencias para los datos y hallar la desviación (c) Comparar el resultado de (b) con el de (a). @¡.124. 3.101. Hallar el coeficiente de (o) sesgo. la distribución del Problema 5.2g. (b) respecto al punto 5.L92 TEORIA DE MUESTREO lcAP. 11.1!2.108 para los datos del problema 5. la fracción p son unos mientras que la fracción q : 1 p son ceros. De un total de n números. 5. (c) nt3..t s). (b) segundo. (b) rr. Calcular los primeros cuatro momentos con respecto a la media para la distribución de la Tabla 5-23. (c) tercero y (d) cuarto orden con respecto los números del Problema 5.108.113. - ?n: - 1m'rm! * l}m'r2nt!. (a) De un total de n números. 5'112. (t t 2s).li. Hallarloscuatroprimerosmomentosconrespectoalamediadelosnúmeros0.0. Hallar (o) m t . Tabla 5-23 f t2 t4 16 18 5.2_ Bm.117.98.r5. (b) m. tlallar los momentos de (o) primero. 5. Hallar (a) ntr. ¿Qué distribución se aproxima más a la distribución normal desde el punto de vista de (a) apuntamiento. Comparar con el problema b. Si loscuatroprimerosmomentosdeunaseriedenúmerosrespectoalpunto3sonigualesa-2.1 y -12.¡nz = ml- 5'115. (D ) Derivar una fórmula análoga par^rns. 6. Calcular los cuatro primeros momentos con respecto a la media para la distribución del Prol¡lema 5. Los momentos de cuarto orden respecto a la media de las dos distribuciones del Problema6. ¿cuál es la media? 5.L22. (c) respecto al origen. Los momentos de segundo orden con respecto a la media de dos distribuciones son g y 16. 5. 5.109. = nt. teóiicos esperados. I 4 o 10 7 5. 8. S. l. tt. (b) curtosis para la distribución del Problema 5.llE.98. (b típica. Hallarelcoeficientede(c)sesgo. 20 22 2 AI. .1 . mientras que los momentos de tercer orden con respecto a la media son -8. "on 5.5. y (i) (i+ rFpara 5. (b) segundo. ¿Qué distribución está más sesgada a la izquierda? 6. comprobar las relaciones entre momentos (a) mi2.123.119. (b) ¿eué porcentaje de diámetros se encuentra entre (r1 .111. - l}rnlstn" * 4n.722.116.126 son 230y 780 respectivamente. 14. 5'121.. a la media de 5.r5 1.f 07.8 respectivamente. 5. la fracciónp son unos mient:'as que la fracción q : 1 -p son ceros.l F. Hallar (a) la media y (b) la desviación típicaparaladistribucióndelProblema de los resultados obtenidos.f f O. 5 5. Si el momento de primer orden con respecto al punto 2 es igual a 5. si la distribución fuese normal. Hallar los cuatro primeros momentos con respecto a la media de los números de la progresión aritmética 2.-Btnini l2m'rs. 5. 17. Demostrar que la desviación típica de La serie de números es fi.102(c). Lo mismo del Problema 5. 5. Véase Problema 5.125.. k) ¡¡. (a) Demostrar que . determinar los correspondientes momentos (o) respecto a Ia media.30explicandoelsignificado 5. Con los resultados de los hoblemas 5. t¡l F. (t l3s)? (c) Comparar los porcettajes'de (b) lo. (b) segundo.11g. (b) mz.+.126.mt. @') mt y (d) ma para los números.120.-2bybO. y comentar las diferencias observadas.1. (c) tercero y (d) cuarto orden respecto al punto ? para los números del Problema 5. l. 1.114. 30 5.lOO. Hallar los momentos de (a) primero. 5.

Demoshar que los primeros cuatfo momentos con respecto a la media de progresión a¡itmética a.129 si la medi¿na de duración es de 900 horas. Una mueetra de 8 obeervacione¡ se hace aleatoriamente de una población. 1z+22+32+".aI progresión aritmética con primer término o y raz6n d) erlt6 dada por tl1-2 (n2 Dd2 . Demostrar el resultado (I9). Demoetrar que Vt y Vz definidas en el hoblema 5. (b) Hallar la probabilidad de que en una muestra aleatoria de 100 eetudianües la calificación mínima del 2O% superior Eea menor que 76.22. a * 2d.. a * d. (o) Hallar la calificación mfnim¿ del 2O% superior de los eetudianües. tno = ñ(n2-l\3n2-7'td4 CompararconelProblema 5.. (b) la dewirrción tfpica de la duración exceda 96 hora¡? ¿Qué ruporicioner deben hacerse? 6..129(o) y explicar ous reeultados.130. (b) sin remplazamiento.131.132.. hoblema 6. (n-1)d (eadecirun¿ 6..104. halla¡ la media de la distribución muestral de varianzae si el muestreo ee (o) con remplazamiento.a|(n-l)dson 11 ffit = 0.fsugerencio: Utilizar - l+2+3+.134. Si muestras de tamaño 5 se ertraen de esta población y se calcula la varianza de cada muestra. En el Problema 5. (a) Demostrarquelarvarianzasdelconjuntoden nfrmerol a.* (n .al2d. Una población de 7 números tiene una media de 40 y una desviación típica de 3. mz = i.cAP. . 6.. página 175. Determinado¡ tubos producidos por una compañfa tienen una duración de 900 horar y una dewiación típica de 80 horas.1 5. 5.135.6l PBOBLEMAS DIVEBSOS TEORIA DE MUESTREO 193 5.128.115. ¿en cuántos lotes cabe eErerar que la mediana de duración exceda a 910 horaa? Comparar ¡u solución con el hoblema 5.. pfuina 160. ¿En cuántos lotee cabe esperar que (o) la duración exceda 910 horar. ¿Cuál es la probabilidad de que lae primeras tres obgervaciones sean mayores que las'últimas cinco? ó.129..a*d.133.1 (b)Emplear(a)enel 6.1)a = $n(n-l)(2n-ll8n2-Bn1 ).@z-L)dz. son independientes. fSugerencia: 14+24 +34+' .'*(n-1)=in(n-1).+(n-l\z=fn(n-Il(2n-1).. mt = 0. 5.. La compañfa envfa 1000 lotes de 100 tubo¡ cada uno. En un exarnen las calificaciones fueron normalmente disüribuidas con media 72 y dewiación típica 8.136.

es decir.28 + 0.27 % . El valor correspondiente del estadístico se llama estima insesgada del parámetro.r--Bo. cabe esperar que el estadísticoSseencuentreenlosintervalos&s o^s8Í. Si se dice que una distancia viene dada por 5. EJEMPLO 6. la distancia real se encuentra entre 5. a ESTIMAS INSESGADAS Y ESTIMAS EFICIENTES En el Capítulo 5-indicábamos que un estadístico se llama estírnador insesgado de un parámetro poblacional si la media o esperanza del estadístico es igual al parámetro. Sin embargo. página 162. EJEMPLO 6. Lógicamente se prefiere tener estimas que sean eficientes e insesgadas. ESTIMAS POR INTERVALOS DE CONFIANZA.que es cierto para muchos estadísticos.ACIONALES Sean ¡rs y o" la media y la desviación típica (error tÍpico) de la distribución muestral de un estadístico S. €l 68. ya que en general Z(3) + o.46% y 99.95. por la relativa facilidad con que algunas de ESTIMAS POR PUNTOS Y ESTIMAS POR INTERVALOS.73% de las veces. La media X y la varianza 3' d"finid". se dice que la distancia es 5. u-¡r"* 3o" . por otra parte. S realmente es un estimador sesgado de o.31 pies. La precisión o conocimiento del error de una estima se conoce también como su seguridad.s*o. &s-2o"EFsl%a'" ó ¡r. respectivaménte. Véase Tabla 5-1. puesto que E'(X) = u. el estadístico con la menor varianza se llama estimador eficiente de la media.3. Los valo^res i y 3 z se llaman estimas insesgadas. Entonces.Capítulo 6 rF I | . Si. Si las distribuciones muestrales de dos estadísticos tienen la misma media. eonq de esttmocton : . SEGURIDAD La estima de un parámetro poblacional dada por un número se llama estima de punto de.. en las páginas 157 y 160 son estimadores insesgados de la media poblacional ¡r y de la varianza poblacional 02. EJEMPLO 6. utilizan estimas sesgadas o no eficientes.28 pies.03 pies.. la va¡ianza de Ia distribución muestral de medias es más pequeña que la distribución muestral de medianas. pero esto no siempre es posible. El valor correspondiente del estadístico eficiente se llama estima eficiente.1. la media provee una estima más eficiente que la mediana.s. si el tamaño de muestra es n > 30). si la distribución muestral de S es aproximadamente normal (lo que se ha visto-.l parámetro. 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. La distribución muestral de la media y la mediana. Por tanto. se está dando una estima de punto. En la práctica se ellas pueden obtenerse. la media poblacional' Sin embargo. U 13 t) = o2.2_5 y 5. se está dando una estima de intervalo. ambas tienen la misma media. L94 .2. DE PARAMETROS POBI.

645 r.1.05 2.00 2. En la Tabla 6-1 se dan los valores de z" que corresponden a distintos niveles de confianza utilizados en la práctica. 2."\\ñ s (3) .96 1.45%y te.srs . Tabla 6-1 Nivel de confianza zc e9. En general.27%.96..96. son los límites de confianza del96% V 99% (ó 0.27%.95.respectivamenllama¡ a estoé intervalos los interualos de confianza del68.33 2. etn. Los números 1. INTERVALOS DE CONFIANZA PARA MEDIAS 1. S +. Por ejemplo si -t. como otras veces sé conocen.58 o. 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.r. obtenidos en el Capítulo 5.96 o7 Y X + 2. de modo que para obtener los límites de confianza anteriores.73% s9% s8% s6% s5. entonces los límites de confianza d'el95% y 99% para la estimación de la media poblacional ¡. El porcentaje áe confianza se"llama también nivel de confíanza. de los límites de confianza se llaman coeficientes de confianza o ualores críticos y se denotan por zc. t 6 . si el muestreo es sin remplazamiento én una población 2.cAP. ps er los intervalos S .27 %.00 1.00 0. Pequeñas muestras (z < 30). en el caso de un S insesgado). entonces un intervalo de confianza para ? está dado por (véase pagina 161) (N -t.46%y99. & S*Sorenel 68.68 2. la desviación típica poblacional o es desconoc^ida.F') se hacen fácilmente modificaciones apropiadas para obtener los intervalos de confianza.6l TEORIA DE ESTIMACION 195 Análogaménte cabe esperar o se puede confiar en encontrar.68. $ I 3or) son llamados los límites de confianza del 68..9q -V 0. Más generalmente. S-2o" a S+2o" ó S-3o.o.58 ox respectivamente. 95.46% y 99.Grandes muestras (n > 30).27% 60% 3. S -+ 2o. y S -r 2.46% 95% 90% 80% 68. se utiliza la estima muestral S o S. Para niveles de confianza que no se encuentran en Ia tabla. a S * o' delasveces.. Si el estadístico S es la media muestral X. Los números extremos de estos intervalos (S i o5.73% para la estima de ¡rs (es decir.28 1. Utilizando los valores de o.73% "pueden Análogamente. vienen dados por X r.73% o. .6746 En los casos donde un estadístico tiene una distribución muestral que es diferente de la distribución normal (como chi-cuadrado. 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. De los niveles de confianza se pueden obtener los coeficientes de confianza y recíprocamente. En este caso utilizamos la distribución t para obtener los niveles de confianza.1. Poi estos se 99.96 o. se puede ver que los límites de confianza para la media póblacional vienen dados por Xtz"* vn N-tt. los valores de z" pueden sacarse de las tablas de la cuwa normal en el Apéndice C. para estima¡ el parámetro poblacional.6% del área se encuentra en cada "cola" de la distribución ü.szs son los valores de ? para los que el 2.99) para p". Iímites fiduciales.szs y ú.

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

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

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

96"/\f. 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. = n .3. = S tr.3?-6.88 < tt<68.35)2 + (6.36-6.as y i : 2. no hay esencialmente diferencia entre 6. pues.3).5275) = 8.2.37 centímetros.36. 6.33. los lí¡nites de confianza son 6?.45 ! 1.saa = tln ! 2. de la media poblacional).93/V100) ó 67.38: Estima insesgada y eficiente de la verdaderava¡ianza media: t : 67.3.02 pulgadas.46 pulgadas.336.35)2+ (6. Para la muestra dada 67.023 es una estima de la verdadera desviación típica pero esta estima no ni eficiente.88 y 68. Determinar unas estimas insesgadas y eficientes de (c) la verdadera media.88 y 68.? = /8.58o/tñ.33: Estima insesgada y eficiente dé la verdadera altura Del Problema 5.35)2 5-1 0. = i2 = .96(2.00055 cm2 Nótese que 0 = /0"00055 = 0.6136 s2 Así .88 a 68. 6.iroentre s yG.93 pr¡]Éadas como una estima de o (véase Problema 6.45 pulgad.93. n-1" (6. - iT $.3?-6. 6. 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.6l TEORIA DE ESTIMACION 199 6. 2. Así. Dar una estima insesgada Problema 6.95. por tanto.45 ! 0. 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 66.35)2 F (6.JDani (b) Estima insesgada y eficiente de la verdadera varianza (es decir.TG pulgadas .4. que puede denotarse por 66. Se puede. (a) Los límites de confianza del 95% son X t I.45 -- 0.88 < p < ti8. (o ) Estima insesgada y eficiente de la verdadera media (es decir.!1t.02): 0.96. Adviértase que puesto que n es grande. ESTIMAS POR INTERVALOS DE CONFIANZA PARA MEDIAS (GRANDES MUESTRAS} 6. de la varianza poblacional).32 6.. En símbolos se escribirá P(66.ó. el intervalo de confianza del 95% para la media poblacional ¡t es 66.36 cm.cAP. (b) la verdaderavarianza.32 y 6. (b) Los lfmites de confianza del 99% son X 2. Determinar unas estimas insesgadas y eficientes de (o) la verdadera media.6136 : y.45 ¡ + z.58-?+ = V100 67.02 pulgadas es. 6.02.2.02 pulgadas. (o) Del Problema (b) ó. Para las cinco medidas puestas en orden de magnitud la mediana es 6. 4er. Utilizando n : 67.37. decir que ia probabilidad de que la estatura media de la población se encuentre entre 66. 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. 95Vc ó 0. Una muestra de cinco medidas del diámetro de una esfera se registraron como 6.57 pulgadas. JC = . (b) la verdadera varianza.35)2 2(n-ñ\2 - n-l = = es insesgada + (6.

96ry = \/200 0. 6. el área desde z eE 0. Si se utiliza. (o ) Los límites de confianza del g5% son 6 (b) x t 1. los límites de confianza del90ak son n!I.0.Hallar los límites de confianza del (o) 55"1.200 TEORIA DE ESTIMACION lcAP. se habría empleado ?: \/n/@4s = y'200[99s que puede tomarse como i para todos los propósitos prácticos.45 t utiliza¡lo.21 pulgadas. los límites de confianz¿ del 98% son r ! 23g+ = \/7i Asi 0.00??putgadas t 0.69 a 68.824 pulgadas y uná desviación típica de O. : O es Asi pues. (b) 9O% y (c'¡ 99. Oa z : zc ea O. se utilizaría t.00b8 pulgadas Los límites de confianza d.0049oulgadas t/-zoo sn 0..0069 pulgadas Fig. ñ!3+ \ñ - 0.824t0.7.645a (c) .el 99o/. de modo gue no 6?. 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.' o^.sa| = r*z. que puede denotarse por 66.824tSL93 = \/zoo .= vn Vn V200 ó 0.824! 0. Los límites de confianza d. 6.73V. : t.semana dieron una mdia de 0.824 t 1. respectivamente.824 t 0.{ñ= 0.b6 y 0.0U89pulgadas.el 99. pues.73 pulgadas. 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.008 pulgadas.gg9!9 = \/zo0 0. srn embargo. Lad medidas de los diámehos de una muestra de 200 cojinetes de bolas hechos por una determinada máquina durante una. Adviértase que se ha supuesto que la desviación típica dada es la desviación típiez modific¿d¿ i Si la desviación típica dada fuese S.49.6 Asf.45 1 0.006 Pulgadas . los límites de confianza anteriores se convie:rten en 67.824 ! 0. es total.824 * 2. se puede considerar el factor es necesario = 0. v (bl99% para el diámetro medio de todos los cojinetes.73% para el diámetro medio de G. En general.824:r0.ss9 = 0.4í. lugar de Para y muestreo sin remplazamiento.O42 pulgadas. r. z:zc Puesüo que el área total bajo la curva es 1.824 0.824=z. para n > 30 se puede asumir que s y 3 son prácticamente iguales. son xtz.21. Para obtener los intervalos de confianza.33.96? como 1.6. de aquí que z":2. (a) " lok.645.82¿!L.69 (¡¡ < 68.so! = Vn 0. el área a la izquierda de z:-zce8 también lVo.6-l (b) S" busca z" tal que el á¡ea desde z : entonces z.g6a = Vn 0-824:t 0. el intervalo de confianza del 997o para la media poblacional ¡r e¡ 66.G. Entonces por simetría. puee.6450'942 = 0.i :.E8y. los cojinetes del Problema Hallar los límites de confianza del (a) 98%.

de aquf que el grado de confianza pedido *162(O.4.01.04.8 ó n : 96.7I 6.00.01 ¡i n e¡ 97 o mayor. debe emplearse la fórroul¿ para poblaciones finitas con muestreo sin remplazamiento.goo*.38 + 0. un sicólogo estima que la dewiación típica del mismo (c) .682ó ESTIMAS POR INTERVALOS DE CONFTANZA PARA MEDTAS (PEQUEñAS MITESTRAS) 6. (o) ¿Cuáles sonloslímitesdeconfianzadel9Ú% para la estima de la media de las 200 calificaciones? (b) ¿Con qué grado de confianza poüá . 8e tiene la confianza del99% de que el error de la e¡tima eerá menor de 0. Una muestra aleatoria de 50 calificaciones de matemáticas de un total de 200. Los coeficientes de confianza del 96Vo ("d. (b).r. (d) t= 60? Pa¡a los coeficientes de confi¡nza del 96% ("doble cola") el área total en la Fig.oble cola") para la distribución normal vienen dados por i1.96)(0.X+r"L .orr.23 zc h¡estoqueestodebeserigualaTSll.gzs:2. Puegtoque¡.96X0. Eláreabajolacurvanormal : O t z: 0.01 soliamente ¡i n es 167 o mayor.Tomando o = la estima eerá menor de 0.2910.26fvéaeet¿mbiénProblema6.96. ¿Cuáles son los coeficientes correspondientes pala la distribución úsi (a) v = 9.q'-: 200 v50 200-1 = 75 + 1.:n-L:10-1:g. Fig.Entonces los coeficientes de confianza pedidos son tú.siendo 0.0452 pulgadaa . 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. Asf el área ¡ombreada en la col¿ derecha es 0.4 60 límitee de confianza pueden repreaentarse por Ítz"ox deede z 68. (ó) +2.cAP. ¿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.f I l. .38 y c : 0. TEORIA DE ESTIMACION 20L es de Al medir el tiempo de reacción.2S z"=L6 z"=0. 6-8 debe ser 0. Halla¡ los límites de confianza para el diámetro verdadero del (o) 96% y (b) 99%.05.e?'.58o/{i.06.051/\/n = 0. Entonces los lfmite¡ de confianza del 964o eon . AsÍ. Entonces (2.81.38 pulgadas y una desviación típica s : 0. : 20.9. (b) Loe límite¡ de confianza del 99% son X t 2. Para lo¡ valores de v dados egtos son (a) t Z. se tiene que el error ser6 igual a 0.decirse que la media de las 200 calificaciones es 75 r 1? (o) Puesto que la población no es muy gtande en relación con el tamaño de la mueetra. : 166.r¿ -.04.t = t. pues.05 segundoe.05)/\.*.06)/0.01.96+ v50 (10) 200 .9df (b) tos vn N-n A¡-1 = N-n N-1 75 t 1.10(c)]. 6.06 pulgadas.05 segundos.8.11.setienequel. Aef.9Tolfi. pues. arrojó una media de 75 y una desviación típica de 10. er decir.01 segundos? 0.38 t 2. (d) =2.81 es 0.58')(0.Entonce¡ utilizando ¡ : 4.i=r.g6ol{n. <í n.21o. = * t1.Ze. (c'¡ t2.6 : 0.. (c) v : 30. Una muestra de 10 medidas del diámetro de una esfera dio una media ñ: 4.n r1s/t/Á¡.29lO):0. 6-3 6.026 y el valor crítico correepondiente es ú.01 : 9.26 &- Vlo-1 = 4.01 si (1.hallamoat.50 2oo-L = 76!2. 1fi = (1. lo¡ límitee de confianza del96% pedidos eon 4.10. (o) Los llmitee de confianza delglovo están dados por.09.

9ó utilizando el Apéndice C indica que e-Bt/fi-fl/n:0.50) Prob( que hob / J--ct t)_p .55 y la estima p : 0. Entonces loe límites de confianza del 99lo rcn i t ú.6a5y'i6lBB)Io-75j7i : 0.50.045 TEORIA DE ESTIMACION lcAP.qq /lo - 4.. ¿Qr'é tamaño de muestra debe toma¡se en el Problema 6.315 a 4.25.06 como estima de o.-'\ r1/pg-p)/n / rB I l-r'-tt'/z¿y t/2. (a) Soluciona¡ el hoblema 6. (b) Comparar los resulüados de los dos métodos.73% para la proporción de todos los votantes que estaban a favor de este candidato.55 '^^ I(0'55)(0'45) :r 1'e6!ff : = 0. 6.58)(0. Puesto que (P .p')/\/p(l ."-. pues.88 + 0.426 pulgadas.l)6or.15.38 * (2. indicó que el 55% de ellos estaban a favor de un determinado candidato./e(l -p) ¡? V = 0. = 3.14. (b) 99%y (c) 99. J_. = P t 1.96-9. los intervalos de confianza mues¡ras.2/z¿y L645 Al comparar con Prob(p > 0.38 + 0.0 = 4. 0D > 0. Hallar los límites de confianza del (a) 95%.88 r 1.38 4.50 ó n= 27r .13.L2.06/y'10 .55 2.88 i g.f) = 4.202 Asf.= v-n 4. Para hacer este problema de una fo¡ma más exacta.18.11 suponiendo válidos los métodos de la teoría de muestras. y para tener una confianza del g5% de su elección necesitamos : 0.50): 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.13.l = 4.446 pr'lgadas. tenemoe 0. (a grandes ) Mediante loe métodos de Ia teoría de grandes muestras los límites de confianza del 95% son X t 1.38 t 0.13 para que la confianza de que el candidato sea elegido sea del g5% z El candidato se elige si p ) 0.045 : 4.6 : se puede estar en la confianza del 96a/o de que el valor ve¡dadero se encuentra entre 4. 0.55 del Problema 6. t 3ú058)16:¡8 10d 0.06) /\t1. Esto era de esperarse dada la menor precisión que r¡e obtiene en pequeñas muestras con relación a Las grandes ESTIMAS POR TNTERVALOS DE CONFIANZA DE PROPORCIONES 6.ssr(S/tñ-l.58ú6:5EXb:¡BtTdd = Los lfmites de confianza del 99.95. (c) 6. Análogamente.27.55 + 0. (b) Los límites de confianza del99% parap son 0. los límites de confianza del 99% son 4.55 = o'55t0'10 donde se ha tomado la proporción muestral 0. (a ) Los límites de confianza d.96. (b) En cada caso.O37pulgadas ? donde se ha utilizado la desviación típica muestral 0. utilizando P donde B = : 0.049 pulgadas.pV" es normal asintóticamente. véase Problema 6.335 pulgadas y 4. t.55 t 0.55.96-0-.b0 Entonces. Una muestra de 100 votantes elegidos aleatoriamente entre todos los de un distrito dado.se5 - (b) Para v = 9.88 + g.Z5(0.1.06b0 pulgadas y el inüervalo de confianza del99% e¡ 4. - ó Prob(p > e-Bt/p6-ffi¡ = + J(t t/2r -.73% parap son 0.el95o/o para la población p son P : l.55 para estimarp.

Los límites de confianza para la diferencia de proporciones de los dos grupoe están dados por 'll1 1t2 dondelossubíndicesly2serefierenaadolescentesyadultos.50 - 0. ae confianza que Ia diferencia'de las medias de las poblrcionee (b) Los límites de confianza d. 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.il3li.BZ a 0.tr 7. [-os límites de confianza para la diferencia de medias de.6l TEORIA DE ESTMACION 203 6. se As( pues.27 da el intervalo de confianza del 95'ib como 0.15.25 son las proporciones respectivas de adolescentes y adultos a quienes les gusta programa.23. pues.t 1.6V n:40 enlafórmula \tF(l=A/. dando. Una muestra de 150 bombillas del fabricante A dieron una vida media de 1400 horas yuna desviación típica de 120 horas.75. 95"/o de = 200 t 24.. se puede 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. intervalo de confianza del 99.17 y 0. Hallar los límites de confianza d9l (c) 96% y (b) 99. dando el intervalo 0.96/il2OtG0I80)2/100 Así.83.Xn-.19 y 0.58\.. Mediante la fórmula aproximada p = P + 0. En una muestra aleatoria de 400 adultos y 600 adolescentes que veían un cierto programa de televisión. (a) Los lÍmites de eonfianza del 95Va son 0.16. En 40 lanzamientos de una moneda.33.25 = 0.AquíPr:300/600:0.4 y B son dados por (a) *o. (a) Al nivel del g5o.45 a 0. Hallar los límites de confianza del (a) 95% y 99% para la diferencia de las vidas medias de las poblaciones A y B.5B = 0.?4 y el INTERVALOS DE CONFIANZA PARA DIFERENCIAS Y SUMAS 6.31. gt= Ptz" t z¡/F(=ffi. esperar con confianza d.37 a 0.25 ! Z. -loi*o'o -"1/"o-"" Los límites de confianza del 9b7o son: 1400 1200 . PtQt .06.Zb + 1. se tienep = 0./.25 = 0.el 99% son: 1400 - 1200 12.96 La verdadera = 0. pues. z" = 3.60 + 15.el 99Vo que la verdadera diferencia de proporciones .73% para la proporción de caras que se obtendrían en un ilimitado número de lanzamientos de la moneda. SustituyendolosvaloresP:24140 = 0.el ggVoson 0.50 ! Pz : 100/400 : 0. 100 adultos y 300 adolescentes dijeron que lei gustaba. se puede esperar con el 994n de confianza que la diferencia de las medias de las poblaciones se encuentre entre 167 y 233 horas.60 La fórmula más exacta del Problema 6. Así. PzQz el - O. se puede esperar con el encuentre entre 175 y 225 horas.45 a 0. se puede encuentre entre 0. (b) Al nivel del 99.6. pues.50 encuentre entre 0. z" = 1.73% como 0.96.g. el intervalo 0.cAP. 6.0g.?9..el 96% que diferencia de proporciones (ó) Los límites de confianza d.respectivamente. se Así. pues./i120)r/15¡+-G0)r400 = 200 + 82. se obtuvieron 24 ca¡as. se tienep : 0.

24 ) Los lfmites (c) Loc lÍmites (d) toslfmitesdeconfianzadel voltios. Es y Eq representan los voltajes de las 4 baterías.1 V y la desviación típica 0. pues. pues.96(100)i/200 = 100:tg./nloslímitesdeconfianzason:100 11.2 y 109.73"/o para o son S . Así. .t+ti.4 (o) (b Los límites de confianza del95% son: 180. 0.9.4 + 1.08) = 180. indica el nivel de confianza. Entonces. entonces n 1800.4 t = 180. Por tanto (véase Tabla 5-1.1 y 112.08) 0.[4: "'rJ o'r. En este caso se aplica la teoría de grandee muestras. entonces n : = 10. 82.1) = 180.8 horas.4:t0.19. Y t¡. Así. Si Er. se puede esperar con confianz¿ entre 90. pues.4 t 3(0.58(100)/r/Zbd = 100 r 12. El valor de 0. FfJ voltaje medio de las baterías producidas por una compañía es de 45.19 deberá tomarse para que con confianza del 99. ¿Qué tamaño de muestra en el Problema 6.08 ÉEr+nz+E¡+Eo = 4(45.58(0. osr* Ez+t:.0b4voltios.r Bo/l-zn Ss/\/Zn.ozs.054 voltios se llama error probable. 46O.2L. Hallar los límites de confranza del (c) 95% y (b) 99"/.x {2n 300//t = 5..= lr'. La desviación típica de las duraciones de una muestra de 200 bombillas fue de 100 horas. de la desviación típica para todos los estudiantes del colegio. INTERVALOS DE CONFIANZA PARA VARIANZAS 6.o/yEi. Hall¿rr los límites de confianza del (a) 95% y (b) 99% para la desviación típica de la población de tales bombillas. * uotr* l'a.. = orr. (b)LO%? De igual forma que en el Problema 6.16 voltios.. = 1la1ffiy : 0.4i0. puesto que /¿rr = lLEt lr'. * l'a.4 t de confi¿nza del 99.r-= oE.el 95Vo que la desviación típica de la población se encuentre ) Al nivel del 99% los límites de confianza son: 100 * 2.21 voltios.73% con: 180.04 volüios.19. (b) Si }OO/\E : Aei pues. los límites de confianza del 99. el tamaño de la muestra deberá ser 1800 o más.4 + 2. 5O%son:180.6?45(0.96(0.204 TEORIA DE ESTIMACION [cm. utilizando s como una estima de o.20. Si se conectan 4 baterías en serie. Se utiliza la dewiación típica muestral para estima¡ o. Así. Entonceg el error porcentual de la desviación es 3s/t/-at (¿) Si 300 _ = s. (c) 99. 0. ee puede esperar con confianza del 99'y'" que la deerüeión típica de la población se encuentre entre 87.g.73% la verdadera desviación típica de la población ::o difiera de la desviación típica muestral en más del (c) 6%.08)=180.08) = 180. La desviación típica de las estaturas de 16 estudiantes seleccionados aleatoriamente en un colegio de 1000 estudiantes es 2. o 6. se tiene ltlt+Ez+at+¿o = Fu. (b) 99%.1 voltioE y dc.04 V.9 horas. (o) Alniveldel 95".* o".73% y (d) 5O% para el voltaje total. = 45. (a) Loslímites de confianza delgSv" están dados por sy'7/x. = 0.r+r 2+Er+84 = . 6. 6.. el tamaño de la muestra deberá ser 450 o más. oE.f8. página 162)loslímites de confianza para la dewiación típica de la población son dados por S * z. hallar lós límites de confianladel (a) g5%. donde 2. (b d.4 V r de confianza del 99% son: 180.e75 y st/n/x.4O pulgadas.

22.¡]oor=32.15.2 a.el95')h están dados por Sy'-n.ozs. (b) Los lÍmites de confianza d.49 pulgadas.' son 100y'2b-0 115.!75= 5.el99% están dados por Sy'-nl¡. hallamos como en el Problema 4.92)2 = 253 lL6.7. 3? = t=r"i = (lf)rznl = "? = 18 de modo qrre 26._.8 ó ¡. y 18 respectivamente halla¡ los límites (o) Tenemos nt = l(t.68 y 4.sa+19.oos:4. s! = 20.5 6 x.24 y = 6.1 : 199 grados de libertad." x%os 1_l . .t-t. ee decir. Entonces los límites de confianza del 997o son 2.s¡5. Por tanto se tiene la confianza del 99% de gue la desviación típica poblacional se encuentra entre 88.9 horas respectivamente. X.t.50. Paray:16-1:lSgradosdelibertad.2= 115.sor-79.= r\ri= (f.?3 y xz. Por tanto se tiene la confianza del 95% de que la desviación típica poblacional se encuentra entre 91. (o) Los límites de confianza d.¡¡5.. Por tanto se tiene la confianza del 95% de que la dewiación típica poblacional se encuentra entre 1. esto es. 1.60 ó y.9 y 1001800/t2.oos = 72.)rto = \/ 2o.o75 = |{zsrr.84 pulgadas. x1.40\f-16/2.2.oe5=5.40Vf 6 /1. x?szs = 27.3 horas.26 6 7.73 y 2. Este resultado debe compararse con eI del Problema 6. Dos muestras de tamaños 16 y 10 respectivamente de confianza del (c) 98% se extraen aleatoriamente de dos poblacio- nes normales. Solucionar el Problema 6./x Para v : sr.9 y x.68 y 4.14.9 y 115.83 y 3'84 pulgadas.19 utilizando la teoría de pequeñas muestras.19(b). (b) tos lÍmites de confianza del 99\i. rz = 10. Entonces los límites de confianza del 95% son 2..s¡5=2.23. pfuina 137' x.5 = 91'2 y 100y'200/12'1 = 111'3 horas respectivamente. Si se encuentra que sus varianzas son 24 y (b\ 90% para la relación de varianzas.14.19(a). 1...SO+19.9 horas.6l Para o TEORIA DE ESTIMACION 206 x?ozs = 16- 1 = 15 gradoode libertad. y St/T/x.r+l/Z[I6Ef-T¡z = jtz. Entonces los límites de confianza del 99% son 100/Eñ6 de donde X sq¡ INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS 6. 200 .ozs l-l Vz(rssl -r)z = itt. Por tanto se tiene la confianza del 99/o de que la dewiación típica poblacion¡l se encuentra entre 1.5 y Entonces los límites de confianza del 95o/.g = 88.2 y 111.cAP.49 pulgadas.40\R/2.83 y 3.50. están dados por Sy'-nlx ors y Sl-n/y. x2nzs de donde ¡¡.ee5 Para v y Sy/i/7.n.11. 6.. : 200 - 1 : 199 g¡ados de libertad.n25 = 2.o .92)2 = : \2. Este resultado debe compararse con el del Problema 6. it.24 y 2.40\f-I6/5. = 15.9212 : 239 161 = olz02s+V2(199)-1)e =.

6. Si n obsewaciones Xr & se toman de una población distribuida normalmente de la cual se desconoce la media y se conoce la varianza.sg<!=z.89 de modo que l/F.47(d).'or¡ g. pl" 'f (r. pl = (2to2)-tt2¿-zbk-r)2t2o2 (z') (r) Fijando íLldp = 0 t¡L = a -f.e¡ = 3. página 13p. Entonce¡ utilizando (171. pfui¡1g 19?.24. tenemos F ge = 4. hallrrmoe para el intervalo de confianza del 98%.23.6 Del Problema 4. Al tomar la raíz cuadrada 98% v el9o%. = 3)@*-Pl reeulta Q. ó )("*-p) = o e¡decir )"*-nr p-n 2 an = o (6) A¡f l¡ ectima de márima vero¡imilitud e¡ la media mue¡tral.zt oz 0.e5 2.#>@t-pl2 Tomando Ia derivada parcial con re4ecto raL 1:' fr. v Q) 90% para la relación de las desviaciones de las desigualdades del Problema 6.eo = ".89.0. como lógicamente era de eryerarse. (#)(ffi3) o. gue tenemos (I) Puesto Por tanto l(rx.eg oz 6.4437 oí = * ('z'6'g)(?q¿. reculta . 6.tn1z. También del Problema 4.47(b).25.os : 1t2.) Obsérvese que el intervalo de confianza del9O% e¡ mucho más pequeño que el intervalo de eonfianza del 98Vo.84 V F. Por tanto el intervalo de #(ffi) s += 6 0.23 hallamos los lfmitec de confianza para el (¿) (ó) ESTIMAS DE MAXIMA VEROSIMILITUD o.59.. tenemos pataUl: 15 y ez:9 grado¡ de libertad f or : 1/3. = (b) Como en (o) hallamos del Apéndice F que confianza del g0% es F.6?=1=r.z8a =# : = rsee. Halla¡ la estima de máxima verosimilitud de la media. Hallar los límites de confianza del (al 98% típicas del hoblema.206 IEORIA DE ESTIMACION [cAP.96 parapl : 16 1 : 15 ! U2 =LO-1 =9 grados de libertad. ü = \/2ro2 -J- r-<x¡-ü2rzoz L = f(nt. .(ffi) 4.

P)/n Los valores mayor y menor de esüa variable tipificada son tzc.13.p).26.0 hallamos Vé¿se Problema 6. mostrar que los límites de confianz^ para estimar la proporción de éxitos p en la población a un nivel de confianza determinado poÍ zc esüán dados por p- P +ft* 22 z" P(l-P) . estaecuaciónsereduceaafi*bp*c:0. Entonces tomando la derivada parcial con reqrecto a 02. Si escribimos f (rx. (a) como la utilizada en el Problema 6.ca p= _6 + 1/@=lo" 2a z"P+27=W 2(n* z7\ 2nP I 22" * ""t/6F(L1VlT7" 2(nI zf. - (2nP I * nPz = 0 Si o=n+z!.27.e f(x¡. Si en el Problema 6. (a) Si P es la proporción observada de éxitos en una muesha de tamaño n. {P(L = *2" p(.63.) Dividiendo numerador y denominador por 2n. = -fi+ uár> @t-r)2 02= 2 (rr - pl2 PROBLEMAS DIVERSOS 6. zi n -4nz | +! .6l TEORIA DE ESTMACION 207 6.25 se conoce la media pero se desconoce la varianza. z7 n -4ü r+4 n o P (b) Utilizar la fórmula de (¿) para obtener los límites de confianzadel99.cuyassoluciop son dadas por La fórmula cuadráti.p oP = -1. halla¡ la estima de máxima verosimilitud de la va¡ia¡rza. queda. donde z" deüermins el nivel de confianza. por tanto. se tiene e+ flt "" P(L-PI .L n - pl pz-2pp*p2: (nI nes para zp\p2 "?P# z?lp Multiplicando los dos miembros por ¿ y simplificando. En estos valores extremos. b--(2nP+"7) y c=nP2.TS% delProblema 6. tenemos ee i'# Fijando aLl0o2 . se tiene P-P Elevando al cuadrado los dos miembros."2) en cambio d.13.cAP. . La proporción muestral P en unidades tipificadas . (c) Mostrar que p¿üa grandes valores de n la fórmula de (c) se reduce a p=P¡2" \FF -nn. todo lo efectuado en el hoblem¡ 6.25 ha¡ta la ecuación (2) aplica.

X 032 y X 1¡2.30. respectivamente.98) están dadas por 11..208 TEORIA DE ESTIMACION (b) Paraloslímitesdeconfianzadelgg. Sin embargo.7 a Lt3. Las medidas de pesos de una muestra fueron registradas como 8.0 = 12. En la Tabla 6-2 se indican varios valores críticos y los conespondientes intetwalos de confianza del 95%.6 = 12. 2g.a los cuales la suma de las áreas en l¡as colas sea61. 10.7 7.4 20. X.. (c) Comparar la desviación típica muestral con la desviación típicÁ de la población estimada.s sr¡plernenta. empleando t¡alores críticos tales como justifica el trabajo involucrado.2 19.6 p=0.3 91.r De la tabla se observa que un intervalo del95%. Hallar los límites de confianza del (o ) 99%.72642 pulgadas y 0.8.Es posible haltar otros límitee de confianza escogiendo valores críticos de X2 gar. (b) 98Vo.¡amente 19. (c) 95% y (d) 90% para el dirimetro medio de todos los remaches fabricados por la compañía. La media y la desviación típica de las cargas máximas soportadas por 60 cables (véase Problema 5.4 libras.6%. 8.8 ¡.'.8. Determinar estimae insesgadas y eficientee de (o) la media de la población v (b) la varianza de la población.32.31.9 7. 6'33.22(a) fueron obtenidos escogiendo valores críticos de y2 de tal manera que las áreas en cada cola fueran 2.100). y (b)99dto para la media de las cargas máximas de todos los cables producidos por la compañía.64.2 y 9.O a 110.22(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 6.7s7=15.44.29.Entonces. ¡es=15.00058 pulgadas.8.=B. (c) Si n es gtande. y 0. respectivamente (véase Problema 5. zf. cuya amplitud sea menor que la del Problema 6. etc./Anz que se obtiene la fórmula pedida.. lcAP. 6.13(a). Estimar (o) la media y (b) la desviación tÍpica de la población de todos los tubos de televisión producidos por esta compañía.05. ó 0.8. 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. se tienep : 0.85.0 a 110.6. en general.?3 ton.e6 : 15. Valores Crítico¡ Tabl¡ 6-2 Intervelo de confianza d.28. respectivamente.o¡r y x e8l.69 en acuerdo con el problema 6. es de g1.utilizando de (a).8 89.?3 20. 6.ge = 15. .a. entonces zf. pero de tal manera que las áreas en cada cola no sean iguales. Un intervalo con amplitud af¡n menor puede hallaree continuando el mismo método de aproximación x. La media y la desviación típica de los diámetros de una muestra de 250 remaches fabricados per una compañía gon O.40 y 0.09 ton. de amplitud sol.42 a a 111./zn. dieron una du¡ación media de 1200 y una desviación típica de 100 horas.TSVo. la disminueión en el intervalo que 8e obtiene es comúnmente despreciable y no Probletn. (o) Solucionar el Problema 6.z.7.9 110.30 si se obtienen los mismos resultados para 30. Hallar los límites de confianza del (o) 951/. horas Una muestra de 10 tubos de televisión producidoe por una compañía.rlos ESTIMAS INSESGADAS Y EFICIENTES 6. 10.54 ¡. de forma 6.32 92.e4 91.s2=12.55yn:100enlafórmula y 22"/nson despreciables y pueden sustituirsepor cero.$=12'76. g.el 95"tb Ampütud 2r.

Se cree que una elección resultará muy reñida entre dos candidatos.86.30 horas.7g% para la proporción real de bolas rojas en la urna. Cinco medidas del tiempo de reacción de un individuo a un cierto estímulo fueron registradas real de 0.3g.41. Hallar eI error probable de la desviación típica del Problema 6'46' .g?. o.46. al primero le fue dado un nuevo tipo de somnífero y al segundo un tipo convencional. Dar los resultados utilizando la fórmula aproximada y la más exacta del Problema 6'27. respectivamente.82 con una desviación típica deO.3? suponiendo aplicables los métodos de la teoría de los resultados obtenidos. 6. dio el 7O% de bolas rojas. (b ) del 99%. (b)g|%t (c)997oV @)59.73% 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. 0.(b\95%'(c\99% deladecisiónen favor de uno de los candidatos? INTERVALOS DE CONFIANZA PARA DfFERENCIAS Y SUMAS 6. Hallar los límites de confianza del (c) g5%. 6.94" Hallar (¿) los Problema 6.41.80.45.g1 sfoundos. 6. Hallar los límites de confiánza (a) del 95% Una compañía fabrica cojinetes de bolas que tienen un peso medio de 0. mientras que de 100 cerrojos de otra máquina 12 eran defectuosos.638 libras y una desviación típica de y (b) del 99Vo pata los pesos de lotes de 100 cojinetes cada uno. (b\ 99% y G\ gg. respectivamente. 6.43. Si la desviación típica de la duración de los tubos de televisión se estima en 100 horas. ¿qué tamaño de muestra deberá tomarse puüa que sea del (a\96%. y una Una muestra de 12 medias de resistencia a la rotura de hebras de algodón dio una media de 7. Una muestra aleatoriade 60 bolas extraídas con remplazamiento de la urna.38 onzas los límites de confianza del (c) 95% y (b) 997o para la resistencia real' desviación típica de 1.40.a h diferencü de proporciones de cerrojos defrctuosos de las dos máquinas' Estudiar los resultados obtenidos. Una muestra de 200 cerrojos producidos por una máquina mostró que 15 eran defectuosos.6l' TEORIA DE ESTIMACION límites de confianza del 5O% 209 6.76 y 0. Para los pacientes del primer grupo el número medio de horas de sueño fue 7. Hallar los límites de confianza del (a) 95%' (b)99o/oy (c) gg .42. La desviación típica de resistencia a la rotura de 100 cables producidos por una compañía fue de 180 libras.40 verdadera no difiera de la proporción muestral en más del 6Vo sea (a) del 95Vo.012 libras.2?.g5.44.cAP.73V"? 6.2[horas. y (b) el error probable para la media de los diámetros del 6. (c) del 99.33.7 Bdn pá.36 si el error en la duración media estimada superar las 10 horas? ESTTMAS POR INTERVALO DE CONTIANZA DE MEDIAS (PEQUEÑAS MUESTRAS) 6. como 0'28. INTEBVALOS DE CONFIANZA PARA VARIANZAS Y DESVIACIONES TIPICAS 6.24 onzze. para que la confianza de que la proporción ¿Qué tamaño de muestra se debería tomar en el Problema 6. 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. De dos grupos análogos de enfermos A y B formados de 50 y 100 individuos. ESTIMAS POR INTERVALO DE CONFIANZA PARA PROPORCIONES 6. 6. Hallar grandes muestras y comparar Solucionar el problema 6. ¿Cuál será el número mínimo de voranües que se deberá mue\trear para quelaeonfianza sea del (a) 8O%. 6.ParalosdelgrupoB fueron 6.g9. Una r¡rna contiene una proporción desconocida de bolas rojas y blancas. 0. 0. 6.gg. HaIIar los límites de confianza del (o) g5%. (b)gg%y (c)99J37" para la dewiación típica de todoslos cables producidos por la compañía. Hallar los límites de confianza del (a) 95% y (bl99% para el tiempo reacción.

042 cm y 0.. para la relación de las varianzas de las poblaciones de donde se exhajeron. -t 1 r ( -. . Si Xr. . 6. La desviación típica compañía.51. Una población tiene una función de densidad dada por 8e toman n observaciones l(r) = l^0 [ Si se toman n observaciones X1 .52. 6..7T% de que la desviación típica de una población no difiera de la desviación típica muestral en más del 2%? 6. Determinar los intervalos de confianza del (o) 98%v @\gOVapara larelacióndelasdesviacionestípicasdel Dos muestras de tamaños 6 y E respectivamente tienen la misma varianza. Hallar los igr la 6. 6. (b) gg% y (c) gg.e 24OO libras y una dewiación típica de 150 libras. .6 ¿Qué tamaño de muestra deberá tomarse para que la confianza sea del (a) 95%. Solucionar el (o) Problema 6.2to 6.54 si las muestras tienen tamaño 120 cada una. .63.58. PBOBLEMAS DIVERSOS 6. .25 y 6. Los coeficientes de confianza del 999á ("doble cola") para la distribución normal están dados por 12. Hallar el estiniador de máxima verosimilitud de ). . Solucionar el Problema 6.49. TEORIA DE ESTIMACION [cAP. . En una prueba de 40 cables seleccionados aleatoriamente resulta una media de la resistencia de rotura d.(d)v : 30' (¿) v: 40? Una compañía tiene 500 cables. hallar la estim-a de máxima verosimilitud de z. del Problema 6.53.62. . 6. . ¿Considera que las dos muestras del hoblema 6. de la du¡ación de 10 bombillas fabricadas por una compañía es 120 horas. 6.49 utilizando la distribuciíny2 si una muestra de 100 bombillas tiene la misma desviación típica de 120 horas. . .26? Explicar. Si se toman n observaciones.55.59. hoblema 6. X¡. ¿Cuáles son los coeficientes correspondientes para la distribución f si (o) v = 4. Xn de esta población.49 si 25 bombillas tienen la misma desviación tÍpica de 120 horas. (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. X1. . 6.61.51 que tiene la menor amplitud? 6.e 11. 6. . .58. .62. . Las desviaciones típicas de los diárnetros de los cojinetes de bolas producidos por dos máquinas son 0. ESTIMAS DE MAXIMA VEROSIMILITUD 6.52 y (b) Problema 6.54 fueron extraídas de la misma población? Justificar su solución. Comparar los resultados con los obtenidos empleando la distribución normal.54. Xn de una población distribuida normalmente con media ¡l y varianza ¿Pueden determinarse estimas de máxima verosimilitud de ¡t y o2 en términos d.(c)v:25.60. INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS 6. [(A'+t)st 0<¡:<1 de otra forma Xn de esta población hallar la estima de máxima verosimilitud de h. Hallar Ios intervalos de confianza del (a) 98% y (b) 90% para la relación de Ias varianzas.? ¿Son lc mismos a los dados en los hoblemas 6. Hallar los intervalos de confianza del (o) 98% y (b)907. . . r.50. Si n observaciones 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. 02 desconocidas. .035 cm respectivamente. Xn se toman de una distribución de Poisson con parámetro tr desconocido. .48. 6.56. Una población tiene una función de densidad dada por i@l = 2rt/r/" ¡2s-v*.(b)v:12. .57. basados en muestras de tamaño 10 cada una.

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

05 si la z obtenida para el estadístico S se encuentra fuera del recorrido .El conjunto de lasz que se encuentran dentro del recorrido . Si.95). 7-1. de modo que los resultados obtenidos no influyen en la elección. El área total sombreada 0. Entonces puede decirse que esta z difiere signifícatiuamente de la que cabía esperar bajo esta hipótesis y se estaría inclinado a rechazar la hipótesis.lo que significa que se puede cometer error con una probabilidad de 0.1. ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. Así pues.96 a 1. es decir.05 (área sombreada de la figura) si la hipótesis fuese verdadera. Esto no es tah sencillo como pueda parecer puesto que para un tamaño de muestra dado.96 podía entonces llama¡se región de aceptación de h hipótesis o región de no significación. es una normal tipificada (media 0. .O5. y así se tiende a conseguir poner una limitación al error de mayor importancia. si al elegir una muestra aleatoria se encuentra que z para ese estadístico se halla fuera del recorrido ..05. Como se indica en la figura. al diseñar un ensayo de hipótesis.96 (es decir. se dice que la hipótesis se rechaza al niuel de significación del0.96 a 1. un intento de disminuir un tipo de error.212 error del Tipo da.. un tipo de error puede tener más importancia que el otro. aunque igualmente pueden emplearse otros valores. entonces hay aproximadamente 5 ocasiones en 100 en que se rechazaría la hipótesis cuando debería ser aceptada.05 o que la z obtenida del estadístico muestral dado es significatiua al niuel de significación del 0.1. De acuerdo con lo dicho hasta ahora. va generalmente acompañádo por un incremento en el otro tipo de error. z > I. el valor de e obtenido de una muestra real para el estadístico S se encontrará entre 1. Esta probabilidad se denota frecuentemente por o.05 ó 0. ¡--lglj . varianza 1) y se muestra en la Fig.05 es el nivel de significación del ensayo. se puede estar con el 957o de confianza de que. ENSAYOS REFERENTES A LA DISTRIBUCION NORMAL Pa¡a aclarar las ideas anteriores. debe diseñarse de forma que minimice los errores de decisión.1. generalmente se fija antes de la extracción de las muestras.96 (puesto que el área bajo la curva normal entre estos valores es 0. En la práctica se acostumbra a utilizar niveles de significación del 0. lo que quiere decir que es un suceso con probabilidad de solamente 0. En cualquiera de los dos casos se comete un error al tomar una decisión equivoca- Para que cualquier ensayo de hipótesis o reglas de decisión sea bueno.01.)/o. si la hipótesis es cierta.96. lo cual puede ser o no ser posible. se puede formula¡ la siguiente regla de decisión o ensayo de hipótesis o signi{icación: (o) Se rechaza la hipótesis al nivel de significación del0.05 6 6"/.96 constituyen lo que se llama región crítica o región de rechace de Ia hipótes¡'s o región de significación. En la práctica. Esto equivale a decir que el estadístico muestral observado es significativo al nivel del 0. La única forma de reducir al tiempo ambos tipos de error es incrementar el tamaño de la muestra. 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. Representa la probabilidad de rumeter error al recbazar la hipótesis es decir.96 a 1.=lD6 I'ig. En tal caso se dice que la hipótesis ha sido rechazada aI niuel de significación del O.96). se está con un 95% de confianza de que se toma la decisión adecuada.7-l Sin embargo.96 a 1.O6El conjunto de las z que se encuentran fuera del rango -1. supóngase que con una hipótesis dada. ? II.05.. la probabilidad de cometer error del Tipo I. Entonces la distribución de la variable tipificada dada por Z : (S ¡.96 ó z 1. la distribución muestral de un estadístico S es una distribución normal con media p" y desviación típica o". por ejemplo se elige un nivel de significación del O.1.96 y 1.

Valores críticos de z para otros nivelei de significación. Debe ponerse de manifiesto que puedgn igualmente emplearse otros niveles de significación..81 2.05 001 45 0.8I -3. tss =. La Tabla 7-1. tales ensayos se llaman ensayos de dos colns o ensayos bilaterales. Ia región crítica es una región a un lado de la distribución.645 cí 2.la X-. para estimar o.-: ú1V11. 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. = op: o/1/i. utilizando un ensayo de dos colas. puesto que la suma del nivel de significación y el nivel de confianza es L00%. Cuando es necesário se utiliza la desviación muestral observada s (ó G).58 2. en una "cola" de la distribución. si se utilizase el nivel del 0. Si4 embargo.10 0. donde o es la desviación típica poblacional y n es el tamaño de la muestra. es decir. Véanse páginas 158 y 160. Entonces. como por ejemplo. con área igual al nivel de significación.cAP. los resultados son para poblaciones infinitas o para muestreo con remplazamiento' Para muestreo sin remplazamiento de poblaciones finitas los resultados deberán modificarse. puede también emplearse. Para ensayar la hipótesis nula (f) co (I ).645 y 1. Tales ensayos se llaman ensayos de una cola o ensayos unilaterales. Tabla 7-1 Nivel de significación o Valores críticos de z para ensayos unilaterales Valores críticos de z para ensayos bilaterales 0. Por ejemplo.7l / ENSAYOS DE HIPOTESIS Y SIGNIFICACION 2L3 (b) Se acepta Ia hipótesis (o si se desea no se toma decisión alguna) en caso conhario. página 195.005 0.58 ó -2. que da los valores críticos de z para ensayos de una y dos colas a distintos niveles de significación.28 1. 1.88 y -1. aceptaríamos -EI6 de que la media poblacional es p : o utiliza¡íamos el estadísti-EÍe (o al menos no lo . o. Z = -. Por esta raz6n. En tales casos.01 se sustituiría 1. se pueden encontrar utilizando la tabla que da las áreas bajo la curva normal.96 1.96 y -2. La Tabla 6-1.002 ó -t.6 1. media poblacional.58 y -2.58 2. en las dos "colas" de la distribución. media muestral.. con frecuencia se puede estar solamente interesado en los valores extremos a un solo lado de Iá media.58 (véase Tabla 7-L). La variable tipificada viene dada por Aquí S : X.645 1.08 y 3. es decir. Medias.96 en todo lo visto anteriormente por 2.88 2.08 ENSAYOS ESPECIALES DE SIGNIFICACION PARA GRANDES MUESTRAS Para muestras grandes.i: ¡t. En cada caso. Los co. será de utitidad para propósitos de referencia.28 ó -1.33 -2. cuando se está ensayando la hipótesis de que un proceso es mejor que otro (que es diferente a ensayar si un proceso es mejor o peor que otro). 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.33 ó -2.

La variable tipificada viene dada por z: En el caso de que P .-'.2I4 ENSAYoS DE HIPoTESIs Y sIGNIFIcAcIoN lcAP. aceptaríamos Ilo (o al menos no la rechazaríamos) al nivel 0.05 si ry olVn ríamos. 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 . = 0 O:.e6 = "ñ+ = 1. '\ l x2 (7) ¡ donde se puede. 3. Entonces. de éxitos en la población (4) Aquí S : P. la proporción de "éxitos" en una muestra.r. : ltulln. Considérese la hipótesis nula de que no hay diferencia entre las medias poblacionales. lt : !z.05 si p¿üa una muestra específica de tamaño n con media r (2) -1. Para ensay¿ü la hipótesis de que la media poblacional es menor que a acepta- iñ 2. utilizando un ensayo de una cola.e6 y lo rechazaríamos por el contrario. ¡r" : ltp : p. utilizar las desviaciones típicas muestrales sr V sz (ó 0t y 3. Para otros niveles de significación cambiaríamos (2) apropiadamente. Diferencias de medias.De (//).EIo al nivel 0.-X2-0 z _:. como estimas de or y 02.*r_*. 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. donde X en es el P-p \/pql" (5) número real de éxitos en una muestra. 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. Proporciones...= X/n. es decir. donde e : ! ._ = Xr-X" \.. página 159. (5) se convierte (6) Z= X-np \nLPrI Consideraciones semejantes a las hechas anteriormente para medias pueden hacerse. Con la variable tipificada dada por X. donde p es la proporción y n es el tamaño de la muestrsi o" : o. si es necesario. .. ? rechazaríamos) al nivel 0.05 si (véase Tabla 7-1)..p. 18) de una manera semejante a la descrita en la Pa¡te 1 se puede ensayar la hipótesis nula contra la hipótesis alternativa (o la significación de una diferencia observada) a un nivel de significación apropiado.

Diferencias de Proporciones. Los resultados también pueden emplearse cuando la distribución no es exactamente normal pero tiene una curva de distribución en forma de campana.- se utiliza como una estima de la proporción poblacionalp. X: y Sr ¡l 52 . Medias.t. Esto es análogo al utilizar la variable A X-. r" : 0 donde P = orr-*. Sean P1 De (JJ). 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. como Ia ú de Student. haciendop. Considérese la hipótesis nula de que no hay diferencia entre los parámetros poblacionales. 1. y P2 las proporciones muestrales de dos grandes muestras de tamaños txt Y ttz extraídas de poblaciones respectivas que tienen proporciones pr V p2 . y así lasmuestras son realmente extraídas de la misma población. (véase Tabla 5-1. es decir. etc. Supóngase que se extraen aleatoriamente dos muestras de tamaños nr Y n. Para ensayar la hipótesis I/o de que las muestras provienen de la misma población (es decir.t para grandes n. 2. de poblaciones normales cuyas desviaciones típicas son iguales (ot: o2). Para ensayar la hipótesis IIo de que una población normal tiene de media ¡r utilizamos q1 . ? sigue una distribución de Student.: X-¡. Diferencias de medias. se ve que la de pioporciónes se distribuye aproximadamente como una dadas por traldeladiferencia y desviación típica (e) Itn.cAP. chi-cuadrado. página 159.T. ENSAYOS ESPECIALES DE SIGNIFICACION PARA PEQUEÑAS MUESTRAS En el caso de pequeñas muestras (n < 30) podemos formular ensayos de hipótesis y significación utilizando otras distribuciones además de la normal. _s-6-: X-l ?/t (1 1) donde es la media de una muestra de tamaño n. excepto que se utiliza 3:tftl@=TS enlugardeo. $upóngase también que estas_dos muestras tienen medias y desviaciones típicas dadas por X. F. Pt : trz lo mismo que 01 : sz) se utiliza el valor de ú dado por T- Xt-Xz 11 "\l nr. p1 : p2.n" 1 donde r¿rS? r¿r+n!-2 + n:S:2 (1 2) . Estas distribuciones incluyen la teoría de muestreo exacto y lógicamente son válidas aún cuando las muestras son grandes. : pz: P. = t. en cuyo caso se reducen a las dadas anteriormente. Con la variable tipificada 2 v _ Pt-Pz-O "Pf \ Pt-Pz oPf P. La tipificada t =:# X diferencia estriba en que mientras Z se distribuye normalmente. (10) se puede ensayar las diferencias observadas a un nivel de significación apropiado ensay¿u la hipótesis nula. respectivamente. página 162). y de este modo Ensayos referentes a otros estadísticos pueden diseñarse análogamente.. Los siguientes son algunos ejemplos. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 2L6 4.

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

7.33. El problema de ensay En un intento para determina¡ si una distribución normal representa un buen ajuste para datos dados.ELACION ENTRE LA TEORIA DE ESTIMACION Y ENSAYO DE HIPOTESTS las estimación notamos q De alos de confianza y la teoría de en aceptar flo en el nivel 0. como a veces se le llama (véase Problema 7. POTENCIA DE UN ENSAYO Se ha visto cómo el error del Tipo I pued. CURVAS CARACTERISTICAS DE OPERACION.elo vn vn Por tanto. Un resultado semejante para_ ensayos de una cola requeriría intervaloi de confianza unilateralás. etc.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. (/ ) en la (1e) ñ _ L.05 es eq pigtm 195 conducente al intervalo de confianzadel96"/o se puede obsenrar que existe u eoría de ejemplo. . la si de modo que puedan darse los pasos rápid ejemplo en control de calidad. Útt "trrayo ajuste de distribuciones teóric as. Es posible evitar el riesgo de error < nunca la hipótesis. r a¡ la bondad d. Los gróficos de control suministran un método útil y sencillo para tratar tales problemas (véase Problema 1. es posible frecuenten llamadas "modelos" o distribuciones "esperadas") tras de la población. poüíamos realmente emplear el intervalo de confiaíza del Capítulo 6 para e¡¡sayar ttipótesir. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 2t7 R. al menos en el caso de los ensayos de dos colias.136 y también Problema 6. donde s camb se deben simplemente a fluctuaciones causa de deterioro en las máquinas. el enmyo chi-cuadrado. se describe más adelante.14). GRAFICOS DE CONTROL DE CALIDAD importante conocer cuándo un proceso ha cambiado suficientemente. Sin embargo.30. 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. significación.31). A pesar de que la necesidad de tales intervalos es rara' es posible definirlos (véase Problema 7. en muchos casos utilizan a menudo curuos característícas de Ia opet las probabilidades de errores del Tipo II bajo dife cómo en ensayos dados se logra minimizar los errt ensayo para evitar el toma¡ decisiones equivoci mostrar. érrores de los empleados. El método utilizado general: típica de la muestra para estimar la media y des 7. por ejemplo. qué tamaños de muestras deben emplearse.29).32 y 7.cAP. conviene utllizar papel grófico de curua normal o papel grófico de probabilidad.

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

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

? I estad de Y de es tal (a) v :.rtt" pr. Las frecuencias esperadas-son halladgf bajo una determinada hipóteiis llo.ráU" de esto véase el Problema 7.Los ensayos de significación para tablas h x h son análogos a los de las tablas 1 X k.rytc (véanse problemas 7. La corrección consiste en poner (21) coimo sigue "r "pii""uié ¡2 (corregida) = tL\-g!)- !'5Y * !4-grP +. El número de filas y columnas de la tabla dg contingencia determina el valor rñáximo de C.L\q 1) si las frecuencias-. número de grados de libertad es z : 1.t. En COEFICIENTE DE CONTINGENCIA Una medida del grado de relación. como se ha visto en capítulos ant-eriores.48. k il por (b) u : (h.. se pueden tener tablas h X h X I donde estén presentes 3 chsúicaciones. ejemplo. el máximo valor de c viene dado por 1frn .1F nz si las frecuencias observadas pueden solamente calcularse estimando m parámetros poblacionares con los estadísticos muestrales. A mayor valor de Q mayor es el grado de asociación. asociación o dependencia de las clasificaciones en una tabla de contingencia está dada por (26) que se llama coeficiente de contingencia.L27\.220 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP. Las tablas de contingencia pueden extenderse a un número mayor de dimensiones. Una tripótesis normalmente supuesta es la de que las dos clasificaciones son independientes enhe si.L)(k . Para. la corrección se hace solamente cuando el @s) se conoce frecuentemente como corrección de Yates.esperadas pueden calcularse sin tener que estimar -parámetros ooblacionales con los estadísticos muestrales.Cuando se aplican a datos discretos los resultados para distribuciones continuas deben hacerse ciertas correcciones. .. Una corrección análoga cuando se utiliza la distribución chicuadrado-. (h .*!4t_"p_4. Si el número de filas y columnas de una tabla de contingencia es ilrrh ah. También existe una modificación análoga de (24).62.ü nPr En general. Et númeró áé É dado para h > l. Así por CORRECCION DE YATES PARA LA CONTINUIDAD . que no es nunca superior a uno. .6g y 1.7 . ión muestral muy próxima a la distribución no sean demasiaáo pequeñas..

uo Pueeto que np o-{ffi=['r{ffi=' = _2.0358.I0 Probabilidad pedida : : área bajo la curva normal e¡tíe z: 2(áreaentre z: O y z: -2. se toma la siguiente regla de decisión: (1) se acepta la hipótesis si el número de caras en una serie de 100 lanzamientos se encuentra entre 40 y 60. -.. la probabilidad pedida es /1\'t0 'oocoo( i) /r \6r' .10) 7./ 1" (.s resueltos ENSAYOS DE MEDIAS Y PROPORCIONES UTILIZANDO DISTRIBUCIONES NORMALES 7.tp = 1oo(. se acepta la hipótesis. (b) Interpretar gráficamente la regla de decisión y el resultado del apartado (c).I de la regla de decisión y la probabilidad de cometer este error es igual a 0.CAP. Si en una serie de 100 lanzamientos sg obtiene una z entre -2. ambos inclusive./lY' (.5 . (2) de otro modo. En una escala continua. el área total sombreada (es decir.-210 caras) FiE. (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.7-2 z (60.e la regla de decisión y es igual a 0. Así. pues se habla de rechazar la hipótesis a un nivel de significación de 0.58%.'lóJ /1Yo .0358 6 3.5 - 50 = 2.. Hallar la probabilidad de obtener entre 40 y 60 caras inclusive en 100 lanzamientos de una moneda. cuando debería aceptarse q el error del Tipo.10 y nq son ambas mayores de 5. 53 (o) (b) Por el Problema 7.L0 y 210.5. \ql . 7-2.9642 : 0. Por esta razón. entre 40 y 60 caras inclusive es lo mismo que entre 39. la probabilidad de no obtener entre 40 y 60 caras inclusive si la moneda está bien hecha 1 . La regla de decisión se ve gráficamente en la Fig. se dirá que esta z difiere significatiuamente de lia que cabría esperar si la hipótesis fuese cierta. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION 22r Problema..lO 2. la hipótesis de que una moneda está bien hecha.1O y z: 2. Para ensayar (c) Hallar la probabilidad de rechazar la hipótesis. probabilidad de error del Tipo I) se llama níuel de significación d.0358 en este casc.1. Según la distribución binomial.en unidadee tipificadas = 60. cuando en realidad es cierta. se rechaza.5 caras.5 y 60.0.0358 del apartado (o).0358. puede utilizarse para la er¡aluación de la suma anteriqr la aproximación normal a la distribución binomial.2. Región de recbace ? El error que se puede cometer de rechazar la hipótesis (39. .1. 39. Entonces la probabilidad de rechazar la hipótesis cuando es correcta : 0. . /1Y.5 en unidades tipificadas = q9'5-:-E 60.'| rrx'ti'\r/ /tY' \-/ \-/ \-/ \-/ \-/ La media y la desvi¿ción típica del nf¡mero de ca¡as en 100 hnzamientos vienen dadas por t.. de otro modo se rechaza y se decide que la moneda no está bien hecha.) +'noc. está representado por el área total sombreada de Ia figura.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.) =.que muestra la distribución de probabilidad de caras en 100 Ianzamientos de una moneda bien hecha.

96 equivale a .84. Entonces Z la regla de decisión resulta: = (X - 32\14.1.np: 64(0.96.1. -zr Fis.96.? en lugar de 0. 7. el área entre 0 y zr es 0.32. por ejemplo. Estopuedetambién - el número de ca¡as se encontrará entre lr 2. 7-3 es 0. cada6rea sombreada en la Fig.025 por simetría.58o y pt*.84que 32) < 1.96(4) la regla de decisión anüerior.16 y 39.O25O : O-4750.2.84. caras se encuentra entre (2) es Se rechazá la hipótesis en caso contrario.96yñpq lleva a Ia regla de decisión anterior.que también conducea ) obtenerse de la Tabla ?-1. el número de ca¡as se encontrará entre ¡¡ decir.96(4) :24. El error que se comete al aceptar la hipótesis cuando debería decisión.Asípues.bg (másexacüarnente 2.5000 0.84. se ve que con probabilidad 0.96{npq o entre 32 - 1.01 .y z¡ : 1.96 y 1. Segundo método: Con probabilidad 0.960.(X-32)l¿:1-96óX:39.58(4):21. Así.4950 ! zt = 2.(X-32)14:-1.96 <(x-gz)l¿. 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. es decir.96(4)< X< 32 + 1. np.5) . es decir.58o. g2-2.7-B 2r Los valores críticos la Tabla 7-1- -1.32 y o -= t/iw = y'6llos)(05) = = (X p)/o 4 bajo Ia hipótesis de que la moneda está bien hecha. Entonces. (i ) Se acepta la hipótesis de que la moneda está bien hecha si el número de 24.< 1.25.05. Diseñar una regla de decisión para ensayar la hipótesis de que una moneda est. entre 25 y 39 ambos inclusive.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.16<X< 39.t6.1. SiZ:1. nótese que la media y la desviación típica de la distribución binomial exacta de caras están dadas por ! .96.96(4): 1. (o) Primer método: Si el nivel de significación es 0.76y 32+ -1. en ambos casos se aceptaría la hipótesis de que la moneda está bien hecha.960 y ¡J + l. se habría rechazado la hipótesis.96.1. (d) Si.05 y (b) 0.O.5. (b -1. una posible regla de decisión es: (I ) Aceptar la hipótesis de que la moneda est:á bien hecha si Z está entre -1.575).96_ (2) Rechazar la hipótesis en cualquier otro caso.3. 2. (2) Rechazarla en cualquier otro caso.95.5000 .96 y 1. Tercer método: y np+1. Se puede aceptar la hipótesis cuando realmente debería rechazarse como. Siguiendo el mismo procedimiento del método segundo del apartado (o ). Si el nivel de signilicación es 0.005.01. 24. Entonces.68 y Bz + Entonces la repla de decisión sería: (l) Aceptar la hipótesis si el nfrmero de caras se encuentra entre 22 y 42 inclusive. Se puede argüir que con solo una cara más que se hubiese obtenido. ? (c) Según la regla de decisión. Entonces el área entre 0 y zr = 0.99 .96(4)< (x6 32.222 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. 89.966X=24. .0050 :0. pues.58(4\: 42.96 < z < 1.23-7. Para mayor discusión véanse Problemas 7 rechazarse ea error del Tipo 1I de la . Esto es lo que se debe afrontar cuando para tomar decisiones se toma cualquier línea de división.5i2:-1. es decir.96(4). sería el caso cuando la probabilidad de cara fuese realmente 0.

lo que se hace es simplemente no rechazarla.P.645 los resultados Be deben a la casualidad.645.S. En un experimento sobre percepción extrasensorial (E.25\15.5) = zb ! o=\/wq = /86(05)(-05) = ¡/Es = (a) Para un ensayo de una cola al nivel de significación de 0.54 p=.P.05. los resultados significativos al nivel del 0. se concluye que los resultados del experimento anterior wn probablemente significatiuos. Sin embargo.entonceseláreaent¡eOyzt:0. (I) ee Adüértase que tealmente debería aplicarse una conección de continuidad. Sin embargo. Se elige un ensayo de una cola.05 y (b) 0. es decir.645. entonces se tiene que decidir entre las dos hipótesis siguientes: Si Hoi p: 0.) 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. en muchos ejemplos prácticos es importante decidir si una hipótesis debe eer aceptada o rech¡zada. puesüo que 32 en una eecala continua está entre 31-5 y 32.5 y el sujeto tiene fuerza de E. Seglrn la üerminologfa. Entonces el área enüre O y zt = 0.33. Esto puede también eacarse de la Tabla 7-1.3(b) serfa: (I ) (2) No recltzz.Puestoque32(ó 31.98 es mayor que 1. Una completa discusión de tales casos requiere l¿ consideración de errores del fipo II (véanee hoblem¿s 7. los resultados son significativos al nivel del 0. en lugar de aceptar la hipótesis.06 son no significatiws.64: 1.P. Algunos estadísticos adoptan la terminología de que lios resultados significativos al nivel del 0. la regla de decisión o enaayo de significación es: (f ) Si la z observada es mayor que 1.4. zl (2) Si z es menor de 1.cAP. la media y la desviación tfpica del número de cartas identificad¿c correcüamente 3.84) que es menor que 2.01 son probablemente significotiuos.4900Y2r:2. . Así por ejemplo.05.np = 50(0. la regla de decisión del Problema 7. 7-4 Puesto que 32 unidades tipifrcadas (32 . de modo que posteriores investigaciones del fenómeno están probablemente justificadas.26').omete al aceptar una hipótesis que debería ser rectrazada. Fig. 7-4 de modo que el área sombreada en la región crítica de r¡alores alüos sea 0. Asfrpues. puesto que no se está interesado en la facultad de obtener valoree bajos.01.05 pero no al nivel del 0.645. ¿Cómo se podría diseña¡ una regla de decisión en el Problema ?. Si el zujeto identifica conectamente 32 cartas' determinar si los resultados son significativos al nivel de significación de (c) 0. Es desconocido-para el zujeto cuántas cartas rojas o azules hay en el lote. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 223 7.05 el individuo tiene fuerza de E.3 que evite el enor del Tipo T? El error del Tipo I[ se c.26)13. p es la ptobabilidad de que el sujeto elija conectamente el color de una catta.64:1.01.5 V el sujeto está simplemente adivinando.5 üiene un valor tipificado de (31.98 (ó 1. es decir. Para evitar este etlor.S. los resultado¡ son totalmente casuales Ht: p ) 0. no significativos al nivel del 0. se deduce que los reeultado¡ no son significaüuos al nivel de 0. 7. lo que efnificarfa que ee rehuaa cualquier decisión en este caso.5 .01. Si la hipótesis está dado por ff6 es cierta. sino en la facultad de obtener aciertos numerooos. Rechazar Ia hipótesis en ca6o contraúo. se concluye que al nivel del 0.P.06 se debe elegit z1 en la Pig. la decisión rnantiene es decir.S.23-7.ar la hipótesis si el número de caras se encuentra e¡fte 22 y 42 inclusive. mientras que los resulüados significativos a niveles superriores al 0.33. 31.5.5) en unidades tipificadas es 1.01 ¡on altomente significatiuos.84 llegándose a Ia misma conclusión anterio¡. (D) Sielniveldesignificaciónes0.6.S. Y zr : 1.05 y el indiüduo tiene fue¡za de E.4500.

. Se tiene que decidir entre las dos hipótesis: Ho. Si se toma el nivel de significación del 0. se llama a veces niuel de significación erperimental o descriptiuo. si el área sombreada en la Fig.9)(o. como puede deducirse del koblema 7. puesto que Ee esüá interesado en determinar si la proporción de gente aliviada por la medicina es demasiado baja. 7 Puesto que los niveles de significación sirven de guía en la toma de decisiones. Si ¡. La distribución muestral de X tiene una media r¿x-Éyunades. 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(0.7. Asípues. (2) En caso contrario.84):0. 7-5 es 0.viacióntípicaop:s/1/i.$) : 1AO y " - 7. altamente significatiuos (véase final del Problema ?. mediante la simetría de la curva.r es la duración media de todos los tubos producidos por la compañía. El estadístico bajo consideración es la media muestral X. 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. 7.dondegvoscnlamediayladesviacióntípicadelapoblación de todos los tubos producidos por la compañía.33. . Se zl Fig.S.01 . Ahora 16O en unidades tipificadas (160 .96.23. H1: ¡t* 1600horas Un ensayo bilateral debe utilizarse aquí puesto que g * 1600 incluye valores mayores y menores de 1600. La duración media de una muestra de 100 tubos fluorescentesproducidosporuna compañía resulta ser 15?0 horas. El fabricante de una patente médica sostiene qu€ la misma tien'e un 9O% de efectividad en el alivio de una aler_gia.33.l8O)14.224 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP. con una desviación típica de 120 horas.0322. (a) Paraunensayobilateralalniveldesignificaciónde0. es decir. (2) Se acepta l/6 (o no se toma decisión alguna) en caso contrario.33 (en cuyo caso se rechaza H¡). entoncegz¡ : -2.P.Ossetienelasiguienteregladedecisión: (/) Se rec}raza 116 si la z de la media muestral está fuera del rango . comprobar la hipótesis ¡¡ : 1600 horas contra la hipótesis altemativa r¡ # 1600 horas con un nivel de significación de (a) 0. en este problemapuesto quep(Z > 1. algunos estadísticos citan las probabilidades reales inherentes.01.En una muestra de 200 individuos que tenían la alergia la medicina suministrada alivió a 160 personas.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. es sobre el 3 por 100.96 a 1. que es mucho menor de -2.05 y (b) 0. ta probabilidad citada en-este caso 0.6. Determinar si la aseveiación del fabricante es cierta. \/"pq = /?2ooxo.5(b). Entonces tre las dos hipótesis: se debe decidir Ho: p: 0.1.5). Denótese porp la posibilidad de obtener alivio de la alergia utilizando la medicina. 7-5 toma como regla de decisión: (1) La aseveración no es legítima si Z es menor de -2.01.23: -4.s.9 y la aseveración Se elige un ensayo unilateral. 3. Por ejemplo. por un período de 8 horas.r¡ = a. lt:1600 hora. o de la Tabla 7-1.

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 rechaza /16 al nivel de significación del 0. Se ¡ecltaza 7 .F/0 (2) De otro modo. el valor de e es -2.1600)/12 : (L570 .58. fle al nivel (b) Si el nivel de significación es de 0. (1 Hs si Z es menor de -1. Bajo la hipótesis de que (I es rechazada.05 y (b) 0. Se debe < 1600 decidir entre las dos hipótesis: Ho: lJ: 1600 horas.7(b) mediante un ensayo bilateral. Adviértase que esta decisión es idéntica a la obtenida en el Problema 7. Puesto que / : (X . hay un aumento de resistencia al nivel de significación del 0.Ff6 (o no se toma ninguna decisión) en caso contrario. que es menor de -2. Como en el Problema 7.33.¿ 7. ) (2) Se acepta.33. ¡. puesto que se ensaya I/6 conha una alternativa diferente en cada caso.05. (2) S. Debe aquí utilizarse un ens¿ryo unilateral (véase Fig. laregiónsombreadadelaFig. y realmente no hay cambio en la resistencia 1800 libras.01. 7. 7-5).oo loo/v5o que es mayor de 2.58 a 2. Para ensayar esta aspiración. .05.33. que es menor de -1 . en efecto.1800 -------------ó. (a).0Sysetieneque zt : Se adopta.01 y.33 los resultados son significativos al nivel de 0. Mediante una nueva técnica en el proceso de fabricación se aspira a que esta resistencia pueda ser incrementada.7 Como en el Problema de significación del 0. I/e es cierta.7(a) mediante un ensayo bilateral. De aquí se deduce que los resultados son olúamente significatiuos y Ia aspiración de mejora debe ser admitida. Entonces.9. ' (b) Si el nivel de significación es 0. utilizando la desviación típica muestral como una estima de o.9 6.01 la regla de decisión es: ) Si eI valor de z es mayor que 2. el valor de z es -2. no están siempre en concordancia.01.05. 7-5 es -2.7(a). De aquí que se adopte la regla de decisión: (I ) Se rechaza H¡ si Z es menor de -2. con los niveles de significación de (¿) 0. se ensaya una muestra de 50 cables y se encuentra que su resistencia media es de 1850 libras.cAP.T-Stieneunáreade0.50 se -l .01? Se tiene que decidir entre las dos hipótesis: Ho: lJ: Ht: lt > 1800 libras.1600y12 : -2. En el Problema 7. naturalmente esperarse.50. ensayar la hipótesis p : 1600 hora. se rechaza pues.s frente a la alternativa horas. se tiene X-p ol\n 1850 . 7-4).96 a 1.01 eI valor de z1 en la Fig.8.50 se encuentra dentro de este rango. y hay un cambio en la resistencia Aquí debe emplearse un ensayo unilateral (véase Fig.01. se acepta Ile (o no se toma ninguna decisión) al nivel de sfinificación del 0. se tiene g : 1600 y o* = a/t/n = 120/\/L00 = 12. el rango -1. Esto cabe.645. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 226 eneuentra fuera del rango Bajo la hipótesis I/6. basadas en ensayos de una o dos colas.01. acepta H6 (o no se toma ninguna decisión) en caso contrario.33. puesto que z -2. Al nivel de significación del 0.7.96 a 1 .96 en la regla de decisión del apartado (c) se sustituye por -2. ¿Puede mantenerse que. se rechaza pues. Adviértase que esta decisión es la misma que la obtenida en el Problema 7.645. por tanto la regla de decisión: -L. II1: ¡t{ 1600 horas.50. (a) Sielniveldesignificaciónes0. Las decisiones concernientes a hipótesis'lfe dadas.645. /ls al nivel de significación del 0. Ilo es aceptada (o no se toma decisión alguna).

7. Enton- Bajo ferencia de medias están dadas por Ho: ltt : llz.5 pulgadas.8 pulgadas. = o*r-fr.05 pero no al de 0. ¿Hay una diferencia significativa entre el restfltado de las dos ciases al nivel de significación de (a) 0. Para un ensayo bilateral.e 2.606 donde se han utilizado las desviaciones típicas muestrales como estimas d. .01 no hay diferencias significativas entre ambas clases.58. p2 .-*. = 1# = -2. los resultados son significativos al nivel de 0. no se puede rechazar la hipótesis a este nivel de significación. z ENSAYOS RELACIONADOS CON DIFERENCIAS DE MEDIAS Y PROPORCIONES 7. ! la diferencia se debe simplemente al azar H t : Pt * ¡t2 . - l"? .645.la estatura media del primer gtupo ^o hay diferencia entre las estaturas mediases mayor que la del segundo ur?. ?. I vez cada 10.2 pulgadas con desviación típica d. De aquí se deduce que al nivel de 0.05. "Z= l8r.4s Puesto que los resultados scin significativos al nivel de 0.hay una diferencia significativa entre las dos clases la hipótesis lls. se deduce que los resultados son probablementesignificatiuos. de acuerdo con la terminología utilizada al final del Problema 7.01.lp. Se debe decidir entre las hipótesis: Ho: llt : H t: Ft ) Bajo la hipótesis.01 si Z se encuentra fuera del iritervalo -2.5.10 si se está dispuesto a correr el riesgo de tomar una decisión errónea con una probabilidad de 0. =o n*r-rr"= "? . mientras que 50 estudiantes que no mostraban interés en tal participación tenían una estatura media de 67.226 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [g. mientras que en la segunda clase la puntuación media fue de 78 con una desviación típica de 7.96 a 1. es decir. (b) 0. !40*50 = 1.58 y 2. n2 = 0. ambas clases provienen de la misma población.5 pulgadas con desviación típica de 2. ft1 "8.10. se tiene que Supóngase que las dos clases provienen de dos poblaciones que tienen de medias respectivas decidir entre las hipótesis: l\ y tJz. los resultados son significativos al nivel de 0.El6 .e o1 y o2.0ó hay una diferencia significativa entre las dos clases y la segunda es probablemente mejor. Entonces z= (a) (ó) Pata un ensayo bilaüeral.05.53 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 0.10. Debe sin embargo ponerse de manifiesto que la hipótesis puede rechazarse al nivel de 0. Se hizo un examen p dos clases formadas por 40 y 50 estudiantes respectivamente.11. = o n*r-'^" = !t-". se rechaza la hipótesis lls si el valor de z fuese mayor de 1.01? ces. De aquí se deduce que al nivel de 0. Ensayar la hipótesis de que los estudiantes que participan en las pruebas atléticas son más altos que los otros. ltz . La estatura media de 50 estudiantes de un colegio que tomaban parte en las pruebas atléticas fue de 68. En la primera clase la puntuáción media fue de 74 con una desviación típica de 8.05 si Z se encuentra fuera del recorrido -1. Así pues. La media y la desviación típica de la di- uir-i..96.

650 0.7\n 3'75 La diferencia observada será significativa al nivel de 0.54 (c) De acuerdo con un ensayo unilateral al nivel de significación del 0. urr-r'. De donde se deduce que a este nivel tambiénlas diferencias se deben al azgt.r-r. Denótese por P utiliza¡ suero. = 0 V p".ir_*.05 si Yif-t'uou (b) La diferencia observada ó 1/-n=8.II para que la diferencia observada de 0. (2 ) sin decidir entre las dos hipótesis: es decir. se deduciría que el suero es efectivo al nivel de significación de 0. (b) 0. respectivamente las proporciones poblacionales curadas ( I ) utilizando el suero . = p de curas 0. Se debe r! p2.01.33. (ó) De acuerdo con un ensayo unilateral (c) Si se utilizase un ensayo unilateral al nivel de significación de 0. H t : pt ) pz. se debe deducir que los resultados se deben al azar a este nivel de significación.0648 donde se ha utilizado como estima de la proporción 65)1200 : 0. 7."2 nn (2.01 si : 28 al menos. = o?.7 observada en las estaturas medias se tiene xt .13.05.75 y 65 individuos. (a) o.0648 ro.5¡z ¡ ".r. Puesto que esta condición es satisfecha..CAP.tt d \/a>r2.t. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION 227 7. se tiene ._P" orr. siendo en todo lo demás los dos grupos tratados idénticamente. deberá incrementarse el tamaño de cada grupo en ?8 será significativa al nivel de 0. al nivel de significación del 0.54. 14.5 ó t57 n>1b? 50 De aquí que se debería incrementar cada muestra en al menos : lO7 .7 pulgadas en las estaturas medias sea significativa al nivel de significación (o) 0. = o o.01.o*r-*.xz 4 . ¿En cuánto deberíán incrementarse los tamaños de muestra de cada uno de los dos grupos en el Problema 7. (c) 0:10.#) = 0. Se administra un suero al grupo A.05.09 3.L2. ui'!!=r. Ensayar la hipótesis de que el suero ayuda a curar la enfermedad al nivel de significación del (a) 0."io" dos grupos per- o*r- *.645.10 se rechazaría f/e solamente si el valor de z fuese superior a 1. respectivamente se han recuperado de la enfermedad. bajo la hipótesis tiI6.75/\n 0.ebr(-#.10.l las diferencias observadas son debidas al az. pero no al grupo B (que se llama gtupo control). se r*}lrazaría lahipótesis1116 solamente si z fuese mayor de 2. Entonces.zt./" Para la diferencia de 0.28. .y el suero es efectivo Bajo la hipótesis 116.75 n .70 y donde q : 1 p : 0. Dos grupos A y B fo¡mados cada uno de 100 individuos. se rechazaría la hipótesis IIs solamente si z fuese mayor de 1. padecen una enfermedad.01? Supóngase que el tamaño muestral de cada grupo eB n y qLe las desviaciones típicas manecen iguales a las de antes.05. el suero no es efecüivo Ho: Pt : Pz.30. Entonces ry- en los dos grupos muestrales el valor (?5 * P.?50 - = 1.zorro. Se encuentra que en los grupos Ay 8. (b) 0.8 í¡ n>78 50 Así pues. 0.7 3. Puesto que el valor de z es 1.

96. 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. que son las mismas del problema anterior. Solucionar el Problema 7. Entonces 0. (b) el candidato sea preferido en el distrito A.-t'r= se ú'G. Bajo la hipótesis ^FIe.645. ?.472.05 se rechaza H¡ si Z fuese mayor de 1. Al nivel de significación del 0.sol( r*-L * r*-L ) : 0. = ú(¡D=@=00456 f(0. Bajo la hipótesis (Ho: pt:pr ) se tiene l¡. Esto muestra cómo al incrementarse el tamaño de la muestra aumenta la seguridad de las decisiones. se debe decidir entre la hipótesis (f/e ). z Adüértase que las conclusiones anteriores dependen de lo que se esté dispuesto a arriesgar de tomar una decisión erróneá...14." 0. que se estudia con un ensayo unilateral.0374 . z=ñ= - = 2.67 es puesto que el valor de z es mayor de 2.?S. se compone de 300 individuos y si se curan 225 i* : 0. se puede proceder a dar el'suero a grandes grrlpos de gente solamente para obtener entonces que realmente es inefectivo. _ 1. Si los resultados se deben realmente aL azar y se toma la decisión de que son debidos al suero (error del Tipo I).0374 P.48)(200)l/500:0.01 de equivocación.zt y 195 del grupo B.750 = ro. 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.650 0.15. que están a favor del candidat<¡. . .13 si cada grupo dividuos del Grupo.6b0 respectivamente.. En tales casos. Co¡r un ensayo unilateral y al nivel de significación del 0. en muchos casos es imposible el aumentar el tamaño de la muestra.56)(300) 0. se rechaza É16 a este nivel y se deduce que el candidato es preferido en el dis' trito A .96a1.-P. se debe decidir entre la hipótesis (Ho : P t : pz\ y (Ht : P t * pz).480 = -0^0456== nivel.Puesto queZ:1.encontrándosedentrodelintervalonosepuedetechazatH¡ a este (b . se deduce que el suero es efectivo con solo una probabilidad de 0.05. Puesto que éste es el caso. decir. es decir.0. estaban a favor de un candidato dado. ?. Por otro lado. que se estudia con un ensayo bilateralCon un ensayo bilateral y al nivel de significación del 0.560 dondesehautilizadocomoestimadepyqlosvalores +(0. se rechazaría Hs si Z estuviese fuera del in' tervalo-1 .05 ensayir la hipótesis de que (o) haya diferencia entre los distritos.528 l'75 y 1-0. Denótese por pr y p2 las proporciones de todos los votantes de los distritos A y B. se puede rechazar la hipótesis al nivel de significación del 0.33. (¿) Si solamente se desea determinar si hay diferencia entre los distritos.zol ro. Entonces = 0 or.t 0.01. Este es un riesgo que nb siempre deseamos suponer. Sin embargo. l'pr-pz = donde (225 0 ú¡'. se está forzado a toma¡ decisiones en acuerdo con la información utilizable y asÍ se tendrá que correr mayor riesgo de tomar decisiones erróneas.P" = rrar.195y600:0. respectivamente.750 y 195/300 Adviértase que en este caso la proporción de gente curada en los dos grupos son 225/300 : 0.228 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.528 = z - P. Una muestra de 300 votant€s del distrito A y 2O0 del distrito B mostró que el 66% y el 48% respectivamente.

L7¡"- 1= ?l|'!-_99rnJ . Para determinar si la máquina sigue en buenas condiciones de producción.050.05. Puesto que T = -3.05 se adopta la regla de decisión: (I) (2) (ó) Se acepta fle si f se encuentra dentro del intervalo-f cz¡ a f e75. Para un ensayo bilateral aI nivel de significación del 0. que para 10-1 tad es el intervalo -3. Puesto que ? -B . se rechaza . -t/n- t = 9!$-. En el pasado una máquina ha producido arandelas con un grosor de 0. H lJ: 8000 libras. Se rechaza -1 :9 gradosde lls en caso contrario.01 . que para 5 grados de libertad da 7') -3.01. Bajo la hipótesisae se tiene (o .01. Se rechaza. : 9 grados de liber- Puesto que ?: 3. y la afirmación del fabricante está justificada es falsa 1 : ¡t 1 8000 libras.053 pulgadas y una desviación típica de 0.F/6 si ? se encuentra dentro del intervalo --f. ) Para un ens¿ryo bilateral al nivel de significación del 0.86. ABI sería aconsejable comprobar la máquina o al menos toma¡ otra muesha.05 .f. : ) Para un et¡sayo unilateral al nivel de significación del 0.01 . á ú. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION Ú ENSAYOS RELACIONADOS CON LA DISTRIBUCION DE STUDENT 7.01? Se tiene que decidir entre las hipótesis Ho:.05. . . que resulta tener un grosor medio de 0..cAP. se toma una muestra de 10 arandelas.o. se encuentra en buenas condiciones no se encuentra en buenas condiciones Bajo la hipótesis (o H¡ se tiene .26 a 2.F/e en caso contrario. ¿Se puede admitir la afirmación del fabricante aI nivel de significación del (a) 0. (b) 0.É16 elr cáso contrario. Ya que se rechaza lls al nivel 0. se dice que lamuestraresultaproboblemente significatiua (véaee la terminología del final del Problema 7 .003 pulgadas.16. se rechaza Puesto que ?: 3. 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.86 .01 se adopta Ia regla de decisión: (I ) (9) Se acepta .i6= = -8. Se deduce que la afirmación del fabricante es extremadamente improbable que esté justificada. y la máquina Ht: P + 0.25 a 3.26.00. : ) Para un ensayo unilateral al nivel de significación del 0. -1:5 gradosdelibertad da ?) -2. (b) 0. Se desea decidir entre las hipótesis Ho: lt:0.36. y la afirmación del fabricante de modo que se requiere un ensayo unilateral.ee5.F/6 eri caso contrario.6). lo cual para 10 libertad es eI intervalo -2.050.4!9 ú0 -t -_.00.g.86.Efs al nivel 0. se rechaza ffs .F/s.25. 7. Ensayar la hipótesis de que la máquina está en buenas condiciones de producción al nivel de significación del (o) 0.05 pero no al nivel 0. I/6 al nivel de 0.050 pulgadas.05.un. se adopta Ia regla de decisión (l) (2) (b Seacepta116 si ?esmayorde -ú. = 4---f. que para 6 Se rechaza. se acepta.00.01. se adopta la regla de decisión (1) (2) Se acepta f/¡ : si ? es mayor de -f. Se rechaza.ee.17. y la máquina de modo que se requiere un ensayo bilateral.

05? Si se denota por ¡l-. Q.S! + nrS! n1 -ln2-2 Entonces t6+L4-2 =9. se rechazará la hipótesisl{6 si ?se encuentra fuera del recorrido --t r¡g¡.40 fanegadas. eue para n¡ I nz .01. no se puede rechazar Se deduce que no 116 al nivel de significación del 0.?6 a 2.19. (cociente de inteligencia) de 16 estudiantes de una zona de una ciudad dio una media de 107 con una desviación típica de 10.2:. ? ?. La media de trigo conseguida en las parcelas no tratadas fue de 4.. Q. y ¡r2 las medias poblacionales del decidir entre las hipótesis I. "t/U"t+ Y"2 donde o - n. Así pues.01. donde nrsl + n252. T= Entonces xt- X. ¿Hay diferencia significativa entre el I. Q. de 14 estudiantes de otrazona de la ciudad dio una media de 112 con desviación típica de 8. "tf.y el fertilizante incrementa la producción Bajo la hipótesis I/6.51.05. Todas las demás condiciones fueron las mismas.05. .3s7\n/12 + Urz = 1. Así pues.1 - 4.01. de los dos grupos al nivel de significación del (o) 0. no se puede rechazar.2 : 72 + t2 .05.2: 28 grados de libertad es el recorrido -2.45 (¿) Con r¡n ensayo bilateral al nivel de significación del 0.ffi + 12(0-36)2 t/". mientras que la media en las parcelas tratadas fue de 5.O5 a 2. se rechazará Hs si T se encuentra fuera del recorrido -t.36 fanegadas.2 : 22gradosde libertad es 2.8 0. la mitad de ellas fueron tratadas con el fertilizante y la otra mitad no (grupo control). se eligieron 24 parcelas de terreno de igual superficie.ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. tiene que decidir entre las hipótesis se Ho: lt : ltz. de los estudiantes de las dos zonas. n1*n2-2 "=!ffi (a) I 12(0.76.44\/ l/16 + l/t4 = 1. Para ello. El I. no se puede rechazar É16 al nivel de significación del 0.8 fanegadas con una desviación típica de 0. En una estación agrícola se deseaba ensayar el efecto deun determinado fertilizantn sobrela producción de trigo.01. eue para 28 grados de libertad es el recorrido -2.ee5. mientras que el L Q.4012 =o'397 v T= 5. ¿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.16 + 74 .ee.y la diferencia se debe al azar H t: pt ) tt1. T- xt-x. sé rechazará Ia hipótesis f16 si ? fuese mayor que ú. respectivamente.44 y T= ltz - t07 9.01.y hay diferencia esencial entre los grupos Bajo la hipótesis lls.ctsa ú e75. hay diferencia significativa entre el I. Q.Ef6 al nivel de significación del 0.1 fanegadas con una desviación típica de 0. lo cualpara n1 * nz . 7. y (b) 0. se tiene que Ho: lt : ltz ! no hay diferencia esencial entre los grupos Hti ltt =* tlr.85 Con un ensayo unilateral aI nivel de significación del 0. de los dos grupos. Así pues.18. (b) Con un ensayo bilateral aI nivel de significación del 0. a ú.

= E = *n@ = r. y la variabilidad se ha incrementado El valot de 12 para la muestra €8 X2 : nsz/sz :20(0.1 para v : 20 . (b) 0. se rechaza ^Ef6 al nivel de significación del 0. Así. 9tt" 4'rn.32 on?T.32)2/(O. ¿Es el aparente incremento de va¡iabilidadsignificativa al nivel de signifióación del (a) 0. Y deberá efectua¡se una revisión en la máquina. lo cual para22 grados de libertad esL.05.EI6 al nivel de significación del 0.cAP. empleando eubíndices 1 y 2 para las clasee A y B respectivamente. f ( F. se rechaza.05.?0. Un instructor tiene dos clases. ¿Podemos concluir al nivel d-e significación del (c) 0. sz :12 de modo -que G? = . Sin embargo antes de sacar conclusiones definitivas referentes a la conveniencia del fertilizante.25 onzas.05.máqlLlina era de 0. 4 = . ENSAYOS RELACIONADOS CON LA DISTRIBUCION ¡' 7-2L.05 y (b) 0.01. En el mismo examen. que ás igual a 36. pues.EIe al nivel de vel de significación del 0.4.05 que la variabilidad de la clase B es mayor que la de la clase A? (o) Tenemos. y los resultado¡ observados se deben alazar H 1 : o > O . Se deduce que el incremento en la producción de trigo alttilizar el fertilizante es probablemente significoúiuo.la clase A tuvo una desviaóión típica de 9 en tanto que la clase B tuvo una desviación típica de1'2.01? Hay que decidir entre las dos hipótesis: Ho: o :0._Lr'? = if Itr¡ (e)2 = 86.er:z.LL para 15. 24 grados de libertad (véase Apéndice F). que es igual a 30.e5. ENSAYOS RELACIONADOS CON LA DISTRIBUCION CHI-CUADRADO 7.25 onzas. aunque no hubo diferencia significativa en medias de las calificaciones.01 paraZ¡ = L5.01. .74 eí Entonces. Entonces.Alnivel 0.y la variabilidad de la claseA es mayor que la de la B La decisión debe por tanto baearse en un ensayo unilateral de la dietribución F. en una asignatura específica.8. (b) Ya que f'. Así puee. probablemente incrementado.72. sr g.nn no podemos techazar ff6 al nivel 0..06.ee : 2.01 si el valor muestral de pues.Ffs al nivel de significación del 0. no se rechaza.0 onzas.serechazarálahipótesisfl6si?fuesemayor que ú.25 onzas. p. y cualquier va¡iabilidad observada se debe al azol Íi1: o1>. ¡12 fuese mayor- Mediante un enaayo unilateral.Por tanto .v2 = 24 tenemos del Apéndice F. se rechaza .sr. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 237 (ü) Conunensayounilateralalniveldesignificacióndel 0.tá h.05 Si el valor de X2 muestral fuese mayor 9ue x?gs. El número de grados de libertad para las clases son respectivamente rr¡ :16-1:lb. Vz:26-L=24. se rechazará.É16 al ni- Se deduce que la variabilitlad se ha. (o) (b) Mediante un ensayo unilateral. muestras en cuestión.Z5l2 = 82. ya que Ad F( F . sería deseable tener alguna prueba más. llenados por una. A y B. LaclaseA tiene lGestudiantes en tanto que la clase B tiene 25 estudiantei.oz. vemos que tampoco podemos rechazar.2 para 19 grados sig de I O. En el pasado la desviación típica de los pesos de ciertos paquetes de 40.1 : 19 grados de libertad. Una muestra aleatoria de 20 paquetes dio una desviación tipica de 0.8g.01. F.ltle al nivel 0.!4 = '*rrrr'= 1Eo Hay que decidi¡ entre las dos hipótesis : o ¡ = o2.

99 60. es igual a 0. Con referencia al Problema 7 . y después se calcula p. En la práctica se pue' den presentar otras dos posibilidades: (I ) Se decide sobre c (tal como O. con la regla de decisión dada hay muy poco riesgo de aceptar la hipótesis de que la moneda eetd bien hecha.5 en unidades tipificadas = - 60 60 = = 0.jo la curva normal de La izquierda en la Fig.O5 ó O.? tiene una media y una desviación típica que Bon dadas por p=np=(100)(0. Esto es de esperarse ya que no estamos tratando de decidi¡ si hay una diferencia en las medias de las calificaciones.0358.7.5405 Asi pues.6.24.5 4.Efs cuando realmente p : 0. está dada por el área rayada p de la iigura.2(ol.23 si (a)p:0. Para calcular esta área se obeerva que la distribución bajo la hipótesisp : 0.tO2: 0.07 -6.5 en unidades tipificadas = 39. cuando realmente P : 0. llegando a una regla de decigión (2) Se decide sobre Q y P y después se llega a una regla de decisión.5.O1). se acepta cuando el p = 0.2L no inüeiresa su¡ valoree. (c)p :0.ó y 60.9' (d) P : O-4. La probabilidad de rechazar Ffe cuando debería aceptarse (es decir. ?-6.6 p-0.4) = 4.6)=60 ú = lnpq = 60.5 caras Fig.18 yz : O. rOalculada en el Problema 7.66 to'l. CURVAS CARACTERISTICAS DE OPERACION 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 : 0.58 tipificadas = üipificadas - = = : -2. ?.J? neda está bien La hipótesis ff6 de que la moneda está bien hecha.90 4.5 39.6.102 -4.7 39 5 caras 60.58 = 70 y'6oo)(oJ)(0. ¿cu6l es la probabilidad de aceptar la hipótesis de que la mohecha cuando la probabilidad real de ca¡a es p : Q. la media y la desviación típica de la distribución de caras vienen dadas por !=np=(100X0.232 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP.? .7)=70 60.7 7. (b)p : 0. probabilidad de error del Tipo II).2 es decir. número de caras en 100 lanzamienüos se encuentra entre 39. Solucionar el Problema 7. que representa el nivel de significación del ensayo de lfe.5 en unidades 39.23.2L si existe una diferencia significativaenla media de las calificaciones de las clases? Justificar su solución. entonces la distribución de carag en 100 lanzamientos eetá representada por la curva normal de la derecha en la Fig.¡O tn Entonces I: áteabajo la curva normal entre z --6'66 y z -2-O7 : 0.22. pues. esta á¡ea d.6)(0. probabilidad de error del Tipo I) viene: dada por el área toüd c de la región sombreada ba.7-6 Si la probabilidad de cara es p : 0.7 (es decir. .3) = 4. sino solamente si hay una variabilidad en las calificaciones.90 V(100)(0.5 en unidades ' = : r/"pq 60.8.5 p=o.5 4. Puesto que la media real de las calificaciones no se usó para nada en el Problema 7 .6. 7-6.0192 Así. (a) Sip : 0. En el diagtama se ve claramente que la probabilidad de acepLr . Adviértase que en este problema se tenía la regla de decisión de la que se obtenfa c y p.18 Entonces 9: área bajo la curva normal entre z : -4. ¿Canbiarían sus conclusiones en eI ProblemaT.

5405 0.8 0. (d) Porsimetríap = 0.9642 0.6 0.5 se puede interpretar p como la probabilidad de acepoar p : 0'5 cuando debiera ser aceptado.0 0.cAP. 7-1.t"p:0.2 0.0000 0.0 0. Interpreta¡ los gráficos obtenidos.4 0.2 0.5405 0.6 0. Nótese que p representa la probabilidad de aceptar la hipótesis p : 0.3 0.0000 0.9 1. (b) Sip=0. Representar gráficamente los resultados de los Problemas 7.8 0.8.23y 7. Sin embargo.09ó8 al nivel de significa- En general.0358 :0. 7-z (o) El gráfico p. La Tabla 7-3 muestra los valores de p correspondientes a valores dados dep.24 construyendo un gráfico cuyos ejes sean (a\ I y p.12 y z -4.8 0.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION y'(100X0-S)(0¿) 233 =¿..5 cuando realmente p tiene un valor distinto a 0.9.5 0.6 0. llama curua carocterísüca de operación o curva OC de la re- la di¡tancia del punto máximo de la curva OC a la línea p ción del e¡rsayor : I es igual a a : 0.7 0.se gla de la decisión o enoayo de hipótesis.23y7. el apuntamiento mayor de la curva OC es la mejor regla de decisión pa¡a techazar hipótesis que no son válidas. Be ve que sip = 9.0192 0.0192 0.88 = 0. si realmente'p : 0.25.12 p: área bajo la curva normal entre z : -10.5 en unidades tipificadaa 39.9 0.5405.(a).1 0 0 (a) (D) Fig.1 0.9 0. Esta probabilidad es igual a 1 0.6.4 da el miemo valor deÉq. (b) ( 1 p ) y p.0000 muy aproximadamenüe.1 06 0{ 0.8) = 80 y o=.6 en unidadeb tipificadas Entonces = ry = q9? : = = -4.5./nW= 60. 1c) Comparando con (b) o por cálculo.0000 la Tabla 7-3.p:0.9: 0 pa¡a todos los propóeitos prácticoe.9642 y ha eido introducida en - L-p 1.88 -10.0000 0. 7. comolorobtenidosenlosProTabla 7-3 p B 0.3 02 0.eedecir.? 0.enüoncea p=np = (100)(0.24.4 0.3 0. blemas7.6 0. . p ee muestra en la Fig.

158?.7-9 = iren. Si ción (a) ! es la resistencia media. 7-9.310 libras es cierta. Considérense las doe hipótesis (Ho: bras) Las distribuciones de las resistencias medias correspondiente¡ a estas dos hipóteeis se repreeentan. Para hallar su valor nótese que 307. Razonando análogamente a como se hizo en el Problem¿ 7. puesto que indica la aptitud o potencb de un ensyo para rechazar hipóüesie que son falsas. X>300+3(2. ? ) E gráfico (1 . la regla de decisión anterior se convierte en: (I ) (2) (ó) Se rechaza 116 si la reeistencia media de 64 cuerdae excede a 30?. respectivamente con las distribuciones normales de la izquierda y de la derecha de la 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.0 libras. La cantidad p se llama tambiénfunción caructerístico de operoción de un ensayo. es decir. (b) Bajo la regla de decisión adoptada en (a).Enton= "lr/ñ 24/\/u Así.0 tb 307 tb 3r0 lb -1.e potencia. I¡ cantidad (l .26. de modo que realmente ambos gráficoe aon equivalenüee.0 libras en unidade¡ tipificadas : 300 (307.P). suponiendo que la desviación típica de las ¡esistencias se mantiene en z4libras. 7 -7 (b). 7-9.26. de aquí que A - 310)/3 = Fig. ae quiere decidir enhe las hipótesis: Ho: U: Ht: ! ) Pa¡a 300 libra¡.310 libras? Supóngase que la desviación típica se mantiene en z4libras. 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. y el nuevo p¡oceso es mejor que el primitivo se un ensayo unilateral d nivel de significación del 0.234 (D ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. tiene la siguiente regla de decigión (referenüe eon la Fig. (2) Se'aceptqlfq pue¡to 'que z = cessi Z>2. y el nuevo proceso es igud que el primitivo 300 libras. es 7.0 lb.33. *r. Constmir (a) una curva OC v (b) una cun¡a de potencira para ei Problema 7. : -1.33.01 si se pone dé manifiesto qu¿ debe rechazarse al ensayar 64 cuerdas. ¡e llama curua de potencio de la regla de decición o ensayo de hipótesis. (c) Diseñar una regla de decisión para rechazar el proceso primitivo al nivel de significación del 0. H t : ! -. se puede hdla¡ p para loe caeor en que el . Esta es Ia probabilidad de aceptar Ho: ! : 300 libras cuando realmente es la probabilidad de comeüer error del Tipo II. en caso contrario.00.26(br.J = 't. i 800 *sz.33) =30?.01. Se acepta ^Éfs en caeo contra¡io.27. 7. Se cree que mediante un nuevo proceso de fabrica- puede inc¡ementarse la resistencia media.p) ¡e llama a menudo función d. y (Ht: tt: 310 libras).00 = 0.9qo. Esta curva ae obtiene ¡encillamente invirtiendo la curva OC. ¿cuál es la probabilidad de aceptar el proceso primitivo cuando en efecto el nuevo proceso incremente la resistencia media a. ?-8): (t ) Se rechaza lle si la e de la media de resistencia muest¡al es riayor que 2. bajo la curva normal de la derecha a la izquierda de z dect. que debieran ser rechazadas.

de modo que no hay probabilidad de aeguir con el proceeo primitivo cuando la media de resistencia es mayor de 316 libras. etc. p > 0.cAP. Para ensayar la hipótesis de que una moneda está bien hecha (es decir. Tabla 7-4 tt 290 1. límite al riesgo de error del Tipo I Por ejemplo.6? : 0.1 o más (es decir.6 0.05.7-10(b). (b) La curva de potencia se ve en la Fig. AquÍ y Tipo II.0000 p 0.. se ha puesto Denótese por n el tamaño de muestra pedido y por ¡ el número de caras en los n lanzamientos.4) debe ser á lo sumo 0. Eeepués. la restricción (A) impuesta requiere que la probabilidad de error del Tipo I sea a lo sumo c : 0. Determinar el tama¡1o mínimo de muestra necesario y enunciar la regla de decisión resultante.1687 316 0.1 p (lb) 300 300 3to 3t5 (o) (ó) Fig. se desea imponer las siguientes restricciones: (A) la probabilidad de rechazar la hipótesis cuando sea realmente conecta debe ser a lo sumo 0. es piácticamente. 315 librae. 7-11 se tiene: .6?. En esta curva 6e ve que la probabilidad de seguir con el proce' so primitivo. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 235 nuevo proceco da un¡ resistencia media ¡r igual a 306 librar. (¡) U probabilidad de aceptar la hipótesis cuando realmentep difiera de 0.05. la curva baia ró- pidamente hacia cero. Por ejemplo.0 libra¡ en unidades tipificadas: (307. De la Fig. sepuedenobtenerdeellalaomismasinterpretacionesque de la curva OC.7-11.0 .0038 320 0.6 6 p f 0.8 o.9 0.5 en 0.1 0.05. y de aquí - 396 librae.l (excepto para el nivel de significación del 0.9900 L1. 7.?4Eo De esüa forma se obtiene la Tabla 7-4. ?-10(o).5.5) mediante un número de lanzamientos de la moneda. si el nuevo da una resistencia menor de 300 librar.0 B 0.7 0. ya que lae dog curvag eon esencialmente equivalentes.5 0. en- 9: i¡ea bajo la curva normal de la derech¡ a la izquienda de z :0.7-r0 (¿) La curva OC se muestra en la Fig.305y9 = 0. mientras que la restricción (B) requiere que la probabilidad de error del Tipo II eea a lo sumo 0 : 0. ri ¡r tonces 307.7486 3r0 0.¡ o.0000 296 1.2 0. p : 0. La eituación planüeada se ve gtáficamente en la Fig. por encima del cual se rechaza la hipótesis de que p : 0.01 cuando el nuevo proceeo da una media de 800 librar).0000 300 305 0.28.05.

.05.574 . Cada vez que se observa una media muestral se representá por un punto en el gráfico.6 r¿ * 0.5 en caso contrario. Cuando un punt'o se rale de estoe límite¡ control (tal como en la tercera muestra tomada el jueves).674.re'presentaría grárticamente la regla de decisión de (a).n: 318.584 pulgadasi ee supone que la máquina es a- (2) De otro modo.llamado grófico de control de colidad.4 a 0.49{n vnpq = '--.6 n Y x - 0. Se construye una máquina que pr-oducfuá cojinet€s de bolas teniendo un diámetro medio de una desviación típica de 0.05 o menos cuando p tiene cualquier otro valor por fuera del recorrido 0.egla de decisión mediante la cual se puede estar razonablemente cierto de qúe la calidad del producto esüá de acuerdo con las noÍnas requeridas. Sin embargo. En tanto que los punüoe se encuentran entre los límites 0.0.5.r) - 0. (b) S€ rechaza la hipótesis + 17 .008yn=6.645 ó (t) o.7 3% se puede decir que la media muestral X debe estar denüro del intervalo (p¡ entre cae a m p ¡t:0.96 r ó (Sl u. Por tanto un promedio ponderado de todas estas probabilidades.29.6.7 BVo o brevemente lfmite¡ 3o. y se obsen¡a el diámetro medio de la muestra.6 n- 0. enfte 742 y 177 si el número de carac en Slg lanzamientos está dentro del recorrido 159.564 a 0. Así pues. es 0. L7 . (o ) 3o¡) a (p¡*3o¡) con el 9€. (2) es una cantidad muy aproximada. p = 0.98. pueden igualmente determlnarse otros lfmiües de confianza. ¡- np :1-77 - 159.5n = 1. es 0. .4r rtñ- (n.5. la moneda al menos B1g veces. Para determinar si la máquina esconstruida para el fin que se destina..) Eláreabajolacurvanorrnalp:0.025. automáticamente tomarÍamos como 0.008 pulgadas.524 * Puestoque De aquí que la regla de decición eea como sigue: (l ) Si la media muestral decuada para el trabajo pedido. Se sigue que el tamaño de la muestra debe ser al menos 31g.6n 0. (b) Mostrar cómo se. (o) Diseñar una. 7 0. hay la posibilidad de que falle algo y se precisa una invesüigación del posible fallo.6 a la izquierda ae es 0.05 o menoa.ít/n Vnpq= "- :0.Saladerecha a" 7 (9) El área bajo la curva normalp 09" O.806y'-n es De (3) y (4). la máquina (b) Un registro de las medias no s€rú adecuada y habrá que buscar la razón de su ineptitud.73% de O.6. se debe lanzar p - 0. el procelo está bajo control.564 y 0. se toma una muestra de 6 cojinetes ejemplo. La elección en cada caso depende de la¡ circunetancias particulares del tnismo.5\/n De 0.0'6n Realmente el área entre -f. muestrales puede tlevarse por medio de un gráfico tal como ee muestra én la Fig. ? (f.4s 1/A 0.el 95V".05 en el "peor de loc casos".x :177. dentro del intervalo 0.014l\/6\ y (0.05. se adopta la riguiente regla de decisión: (o) Se acepta la hipótesiep:0. 7'l2. GRAFICOS DE CONTROL DE CALIDAD 7. Para decir.Haciendo n : 319 en (3) o (4). Los límites de control determinadog anteriormente se llaman límites de confianza del gg. también s€rá 0. tales como los límitee d'el 99% o d.5 : .. Obeérvese que tomando la probabilidad de aceptación como De(/) x .5.5.seeigueque I se encontrará entre (0.236 ENsAyos DE Hrpornsls y sIGNIFrcAcroN lcAP.584 pulgadas. que representan la probabilidad de error del tipo II.o:0. = 0.9É!= -r. .9801fa- e'¡ 9-.O\4\'\/E) o Con confianza del 99 .49\/n n = o.0. e¡ decir.

página 178.. Utilizar papel gráfico de probabilidad para determinar si la dist¡ibución de frecuencias de la Tabla 5-2. .30.7 ó 151 29.2 ó 316 308.494.¿94)¡(0. Se tiene P(x caras en una serie de 5 lanzamientos) : f(¡) = sCrprqs-".7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 297 Lunes Martes Miércoles Jueves Viernes $ € bD osal 1} a a t ü {. página 163 puede ajustarse a una distribución normal. Ajustar una distribución binomial pectivas de cara a los datos del Problema 5.506)5-¡. Para la distribución de frecuencias observada.0294 5 6 33 161. Tabla 7-5 Número de caras (r caras) Frecuencia esperada Frecuencia observada 38 0 1 0.1: np : 6p.47 6 p :0.2 t44 342 287 164 25 7.9 ó 162 316. El ajuste se observa que es bueno.C.cAP.0332 0. la distribución binomial ajusta- En la Tabla 7-5 se han obtenido estas probabilidades así como las f¡ecuencias esperadas (teóricas) y las observadag.31.3162 0.3087 2 3 ^ 0.4 6 29 33.1507 0. La media del número de caras es ¡. La bondad del ajuste se estudia en eI ProblemaT.47 rooo Igualando las medias teóricas y real se tiene 5p da viene dada por /(r) = . la media del número de caras es 2fr_ / _2470=2.43. : 2.(0.1619 0. 7-12 AJUSTE DE DATOS A DISTRIBUCIONES TÉORICAS 7. Así pues. x F a os74 a a a t I a : o 0 s64 o Fis. dondep y q son las probabilidades resy sello en un solo lanzamiento de la moneda.7 ó 309 150.30.

? 76 Frecuenei¡¡ Estatun (pulgad¡¡) menor que 61.0 65.2068 6L65 6&68 69-71 68.43 ít 7 4. se rutiliz.0743 72-74 6 4 20.68 6 2l 38.6 Rcl¡tiv¡¡ Acumulada¡ (%) 6. 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. La "bondad {el ajuste" de la distribución qe congidera en el Problema ?.92 pulgadas (x mente El trabajo puede organiza¡se como en la Tabla 7 -7 . 7.70 -0. página 163.2771 0.44.a -2. determina la bondad de ajuste de la distribución dada a la distribución normal.4920 0. Después.5 66. como se ve en la Fig. en un papel. caicular e de los límites reales de clase.0 100.6 menor que 67.5 menor que 70.tlls. = 61.6 ¡¡+ 0.36 1. la distribución de frecuencia¡ dada se convierte en una di¡tribución de frecuencia¡ relativas acumuladas.92 ó 39 27. s = 2. las frecuencias relativa¡ acumuladas expreeadar en porcentajes.0 Io a E ql € ó a () 95 90 80 70 Q0 a (t 6 .4177 0.7L 6 28 7.40 respectiva- La cua¡ta columna. dadas en la quinta columna.39 2.72 -1.0 23.32.6 68.0413 0. como se muestra en la Tabla 7-6.46 pulgadar.5 oD. Estas se obtienen restando las á¡eas sucesivas de la cuarta columna cuando las correspondientesz tienen igual signo y sumándolas cuando üienen aigno contrario (lo cual solo ocurre una vez en la tabla). se obtienen lae frecuencias esperadas de la sexta columna.0 92. que da las áreas bajo la curva normal de 0 a z se obtiene con la tabla del Apéndice C.6 74.32.t3 D 18 42 27 8 ñ.6 menor que 64. Multiplicando lo¡ valores de la quinta columna (que representan las frecuencias relativas) por la frecuencia total n (en e¡te ceso n = 100).E 50 40 30 20 Primero.z z = . De aquÍ se sacan las áreas bajo la curva normal entre los valores sucesivos de ¿.5 7¡. son pasadas sobre los límites reales superiores de clase.3892 0. La¡az6¡ de esto se ve claramente con un diagrama. Véase o a I É to 5 o a d E 62.5 62.35 y 5. anotadas en la última eolumna.grófico de probabilidad eepecial. Por lo anterior. Ajustar una cunra nonnal a los datos de la Tabla 5-2. Par:a.6 &tatura (pulgada¡) Fis.6 menor que 73. se observa que hay una distribución normal que se ajusta e¡trechamente a los daüos. ?-r3 hoblema ?. Y se pone de manifiesto que ee ajuetan ba¡tante bien con las frecuencias observadas realmente.5 7t.41 0.6? 0. El grado en que los puntoe así dibujados ee encuentran sobre una lÍnea recta.238 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla [cAP. donde la media i y la desviación típica 6 se han obtenido en los Problemas 5. 7-13.5 7L. .

> 3. (b) 0. 0 r N(rmero de dÍasr Número de días obsen¡ado 2L 18 7 3 1 {r accidentes) 0. respecti- xz = (o) El valor crítico (b @t:lptlz -(rz:. En 200 lanzamientos de una moneda se obsen'aron 115 caral¡ y 85 sellos.1. a¡í com.34. 100 sellos) es h:2. se rechaza la xlo¡ para 1 grado de libertad es 3.63.33.CUADRADO ?. puesto que 4. Ajustar los datos a una distribución de Poisson. El número medio de accidentes es Número de I Número de accidentes. La Tabla 7-8 muestra el número de días f durante un período de 50 días. Entonces.84. respectivamente rr = 115.3659 0. Ensayar la hipótesis de que la moneda está bien hecha con un nivel de significación del (c) 0. puede ser esto un indicio de la adaptabilidad de la distribución de Poison a la muestra de datos.4066 0.50 pótesis de que la moneda está bien hecha al nivel de significaeión del 0. no se rechaza Se deduce de los resultado¡ observados que aon probablemente significotivos y la moneda no estó probaPara una comparación de este método con los métodos utilizadog anteriormente.60 hipótesis de que la moneda está bien hecha al nivel de significación del 0. durante los cuales r autos tuvieron accidentes en una ciudad.24 2. np2 : tOO. El cálculo de la varianza de la distribución da' da. < 6. blemente bíen heclu. hi' la ) El valor crítico xlso para 1 grado de libertad = 6. véaee método 1 del Pro" blema 7.0494 0.eo Entonces. puesto que 4.05. de acuerdo con la distribución de Poisson. Tabla 7-9 Número de accidentes. 313 {11 = Iq"+ill En l¿ T¿ble ?-9 aparecen lae probabilidadee para 0.56 6 ó 20 18 8 2 1 0.01. ?] ENSAYOS DE HTPOTbSIS Y SIGNIFTCACION Tabla 239 7-t 7.3 y 4 accidentes de esta distribución de Poisson. la euarta columna que da los números de días observados se ha repetido. .36.9?.o loe números teóricos de días en los que ee presentarán ¡ accidentes (obtenidos multiplicando las correspondientes probabilidades por 50).47 0. la varianza d : L.05.90 hallado. Para conveniencia de la comparación.f 0l2r + : (21)(0) '50 (18X1) + (7X2) + (?liQ_l q)(a) = .0111 4 6 6 ó Nótese que el ajuste de los datos dados a una distribución de Poiseon es bueno. da 0.1647 espeado 20.. Para una verdadera distribución de Poisson. Comparando con el valor de \ : 0. Las frecuencias de caras vamente. Las frecuencias de caras y sellos observadas son.'12 ¡ 85.rj días.84. LA PRUEBA CHI.01. Entonces y eeüos esperadas si la moneda está bien hecha son np : 100.30 8.63. Entonces.33 I 2 3 18.50 .* : P(r accidentes) 1118 2 7 o.7:2 -L = l.2.np)z npt npz - (115__100)2 Pueeto que el número de categorías o clases (caras.CAP.v: + (85:!00)2 = 100 h 4.

05 y un ensayo bilateral. Con la corrección para la continuidad. 115 o más caras equivale a 114. Solucionar el Problema 7. Se sigue como en el Problema 7.96 a 1. la media y la desviación tÍpica del número de caras espe- : (l1b -lOO)t7. (rz-npzl2 .05 pero no al de 0.96. de nuevo en consecuencia del Problema 4. ^-------::-:-. Método 1.1. 115 caras en unidades tipificadas Bajo la hipótesis de que la moneda está bien hecha.00 20-+ n 20 Puestoqueelnúmerodecategoríasoclases(carasl.15. (185 _ __ 1001 Í4.5)z _ .b8 a2. (24-20\2. (16_20¡z _ *--lO-+ +ñ=5. De ello se sigue que la concordancia entre ambas frecuencias no es tan buena como para no dudar de Io deducido. solucionar el Problema 7.84.35. Con un nivel de 0.npr o _ (rt-np)2 . dades tipifica¿¿5 : 4.05. puesto que 5.5)2 . (2. si el valor de z está fuera del intervato -1. 7. (ZJ2)2 : 4.L2.01 el intervalo sería -2.05)2 7 -37. Véase Problema 4.5.34 mediante la aproximación normal respectivamente.1.5) =100yo=1fipq=/IZOO¡O.5 . de modo que X2 : 5. Nótese que el cuadrado del valor anterior. Pa¡a una comparación con los métodos a4teriores. Esto conduce a las mismas conclusiones que por el primer método.6)esh:6.93_4)' _(15-20\2 . es igual al valor de ¡2 corregido con la corrección de Yates p¡ra la continuidad del Problema7.ema se cumple siempre que la prueba de chi-cuadrado comprende dos categoiías.34 utilizando la corrección de yates.63 se deducen las mismas conclusiones que en el Problema ?. a la distribución binomial. no se puede rechazar Para 5 grados de libertad x%s: 1. 7. Ensayar la hipótesis de que el dado esté bien hecho al nivel de significación del 0.06. x2 (conegida) = = (lzt - nptl nPt 1001 0'5)z + !1""- np2l npz - 0'5\2 (1115 - 100 _ 0. Método 2.15. Esto se cumple siempre que la prueba de chiruadrado eomprende dos categorías y se aplica la corrección de Yates.zvb Puesto que 4'205 > 3.60.4. (23-20)2 +--lO .g. véase método 2 del Problema 2. Entonces.84 y 4.s)z = 100_ 100 tt q^< 4.0.35. La Tabla 7-10 muestra las frecuencias observadas y esperadas allanzat un dado 120 veces.01.07.2. (rt-nptl2 .00 la hipótesis de que el dado está bien hecho.34' Esto Con un nivel de significación del 0.00 > 1. se rechaza la hipótesis de que la moneda eetá bien hecha.O7 : 2.86. radasen200 lanzamientosdelamonedason¡r=np=(200)(0. .)z .86.5)z = _100 )_ (L[. Entonces 114.2o5 < 6. ? 7.20.34 que la hipótesis se rechaza al nivel de 0. (rs-np¡.v:h-1-:6-1:b.58. es el mismo valor de X2 obtenido en el probl.-nps)2 (ra-npe)2 < 11.5 o más caras.07 :2.7OO)17 . Tabla 7-10 C¡ra Frecuencia obaervada I 25 2 3 15 4 23 5 24 6 t7 20 l6 20 Frecuencia eeperada 20 20 20 20 np2 np| np4 np| np6 _ (25-20)2.86.36.5 en uni: (114.240 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. El valor crítico a2e5 para 5 gados de libertad es 11. (rr.S¡(0f)--7. Nótese que el cuadrado de este valor.

7I ENSAYOS DE HIPOTESIS Y SIGNIFICACION 241 7. Puesto que eetos números esperados Bon menores de 5. . cabría esperar 3 bolas de cada clase en la muestra de 12 bola¡.39.3 >2!3 sededucequeladistribución observada dífiere significativamente de la esperada al nivel de significación del 0. : 3. amari'llo y verde.352.cAP.zb rugosoe y verdes ft Entonces tssol = x2= (o) (b) Para v Para v (3L5 3L2. 101 rugosos y amarillos y 32 rugosos y verdes. Ensayar la hipótesis de que la urna contenga proporciones iguales de los diferentes colores.'nr parav: h -1:9 gradosdelibertad es21-. 7.40. Se deduce pues.352 y X2 :0.L. teoría y los reeultados del experimento están de acuerdo.4?O > 0. la aproximación de chi-cuadrado será errónea.2.g El valor crítico d" x. naranja. 108lisos y verdes. loe resultados obtenidoe están sujetoe a unh razonable influencia de error muestral.75lisosy amarillos tol. x?ss: 11. estos números deberían presentarse en la proporción 9:3:3:1.ss= = 3. ?. Una uma contiene un gran número de bolas de cuatro eolores dife¡entes: rojo.470 Puestoquehaycuatrocategorías.01. ¿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. . Puesto que los números esperados están en la proporción 9:3:3:1 (y 9 * 3 + 3 + 1 : 16). Bajo la hipótesie de que la urna contiene proporciones iguales de los cuatro colores.05? El número total de guisantes es 315 + 108 + 101 + 32:556. . obseryó 315 lisos y amarillos.05.81.como 23.01. Se deduce que cabe sospechar alguna tendencia no aleatoria en dicha tabla de números. 9 que se da en la Tabla 7-11.. x2.01. Una muestra de 12 bolas extraída aleatoriamente de la urna dio 2 rojas.76 *W = 0. 4 amarillas y 1 verde. Una tabla de números aleatorios de 250 dígitos mostró la distribución delosdígitos 0.38. Para evitar esto se agrupan las categorías de modo que los núme¡os esperados en cada categoría sea al menos 5.76\2 3t2. En los erperimentos de Mendel con guisantes.zS lisos y verdes Struol = frtssol 104. que la Nótese que para 3 gtados de libertad.26 rugosos y amarilloe B4. De modo que aunque el acuerdo es bueno. de modo que no se puede rechazar la teoría al nivel de 0. ¡$5: 0. de modo que no se puede rechazar la teoría al nivel de 0.h=4yelnúmerodegradosdelibertadesv=4-1=3.se esperarían fttssel = -- 312. r ry = 2s.7. . ¿Hay alguna evidencia que permitadudarde su teoría al nivel de significación del (a) 0.3.Qe-2512 try+ . 5 naranjas. ?. (b) 0.. De acuerdo con su teoría. .

:-:_+r::__-::_:sis de que los dados estén X¿ 4. En 360 lanzamientos de un par de dados.) x2 _ = -6-.10).Desgraciadamente. Esto se consigue en nuestro caso considerando las categorías "roja o verde" y "naranja o amarilla". de aquí que cuando no sea aconsejable agrupar frecuencias se debe recurrir a los métodos exactos de probabilidad incluyendo la distribución multinomial. respectivamente.84.puestoque4. en 360 lanzamientos cabría esperar "siete" y 1/18(360):20 veces "once".07 Parav:2-1:7. para grandes muestras tales como las de aquí. En general. empleando la corrección de Yates. 7.242 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.5)2 (124 - 2ol - 0. Ento¡-. la aproximación ¡' para frecuencias pequeñas es pobre. .x2l)s==3. puesto que incluso el valor corregido de y2 se encuentra cerca del valor crítico. Esto cabía esperarse puesto que la corrección de Yates Debe ponerse de manifiesto que si se emplea la aproximación de siado pequeñas.Asínosepuedetechazrlahipótesisalniveldesignificacióndel 0.tz. se rechazaría la hipótesis a algún otro nivel (tal como 0.0. ¿Es el resultado consistente con la hipótesis de que el nacimiento de varón y hembra son igualmente probables? . 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. Sin embargo. para las que la muestra dio 3 y 9 bolas. no se rechazaría la hipótesis al nivel de 0. Los resultados observados pueden imaginablemente deberse al azar. se duda acerca de la decisión que se debe tomar. = ry. pues con la X2 corregida. Puesto que el número esperado en cada categoría bajo la hipótesis de iguales proporciones es 6.84seestaríainclinandoarechazarlahipótebien. se tiene (9 ^cuando las proporciones de los colores sean iguales.r que conduce a las mismas conclusiones anteriores. 7.05.42. Sin embargo. de modo que (74-60)2 .05. los resultados que se obtienen utilizando la correc- ción de Yates son más dignos de confianza que los resultados no corregidos. (24-20\2 .05(aunque sí se puede al nivel de 0. se obtendría ¡2 a pesar de que las frecuencias sean dema- (2-3¡z . Así pues. En tales casos.0?>3. se observaron 74 veces "siete" y 24 veces "once".81 sellegaríaalasmismasconclusionesqueantes. "Siete" se puede presentar de 6 formas y "once" de 2 formas. l)na encuesta sobre 320 familias con 5 niños dio la distribución que aparece en la Tabla ?-12. - e¡z -9 Parav:2-l:1.(ig:lf-!éE. se agrupan las categorías de forma que la evidencia en contra de Ia hipótesis se muestre claramente.-ss:3. Un par de dados puede caer de 36 formas.10).1.ü. (5-e)z . se tiene x: = 0qj:_6Fo. aun Otro método: Utilizando la corrección de Yates. (4--3)2 .41.ces P("siete") : 1/6(360):60 veces 6/36 : 1/6 y P("once") :2136: 1/18. ? Si se desea rechazar la hipótesis.84. = siempre reduce el valor de ¡2 .05.:?. x' _ (1 -3¡:r ooo Puestoqueparav=4-1:3.rP.5)2 #-g*): = 3. De otro modo.xjr¡.Entonces. Ensayar la hipótesis de que el dado esté bien hecho al nivel de significación de 0. = - 60l 60 - . z.. se tiene (174 (correglda.65 De acuerdo.

Seap:probabilidaddenacimientodevarón.. 100.. .=--_a6---_Eñ-----Jó¡-----i6b--_-Ed. Bajo la hipóteeis nula lfq de que el suero no tie' ne efecto.os= 5.92 27.---r¡If. es decir.103. v : k . x2. el ajuate no es tan bueno como pudiera = 4.959 7.^ _ (18_10)2 (56_60)2.13 utilizando la prueba chi-cuadrado. pero no al 0. 100.13 *(18-2-0:68)2 *(a2:^-39=92\2-(27:3ft7rl2 *(8:?'j13)z:0..45.--I¡Ié- .2 : 2.68 38.32. Se deduce que el ajuste de los datos es muy bueno. pectivas probabilidades anteriores por 320.?11.412_ -58:t-- .cA¡.49. Solucionar el Problema 7. Utilizar la pmeba chi-cuad¡ado para determinar la bondad de ajuste de los datos del Problema 7. Pa¡a rr = 2.1 para y:61:6gtadosdelibertad.64 > O.---T08J.i".1y0 niño¡seobtienemultiplicandolasres' (40-50)2. (164-150. y los reaultados son 10.m : 5 .U Puesto que x:e5:11.?11.05. como 8e indica en la Tabla ?-14.z = 6 4. Para y : 4.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.L . X?ss = 9. Asf'puesto que X2 = 7 .yg:1-p:probabilidaddenacimientodehembra.43. (88_100)2.(287_308. . puesto que X2 = 0.serechazarálahipótesisalnivel de significación del 0.(26-29.1 . Entonces.7t Puecto que el número áe parámetros empleadoc en estimar las frecuencias esperadas es m dia g y la dewiación típica o de la distribución normal).?)2 . Así se deduce que los reeultados son probablemente significativos y el nacimiento de varón y hembra no son probablemente iguales. . 50. v = k . (110_100)2.--lóo:t- .99. xL¡s:0. .sss:15.1 : 4.".!.-r3)2 .9)2 . TABLAS DE CONTINGENCIA 7. 7.4.--_-16-_¡&.(342_316. (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.(L44_161.os:0.-. el ajuste no es "demaiido bueno".212. De aquf queel ajuste de creerse. La¡ condiciones del problema se presentan en la Tabla ?-13.1 . . Adviértaoe que ¡fo es equiyalente a afirma¡ que la recuperación eeindependie¿úe del empleo del suero. .-El: .43 20.?)2. 10.01.12 243 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 .Entonpiobabilidadee de (5 niños). Determina¡ la bondad de ajuste de los datos del Problema 7.x2.44.1 .103. De aquí (8_10)2 _.. "!ü Puesto que el número de parámetros utilizados para estimar las frecuencias esperads e8 m metro p de la dietribución binomial). Para V 1 (que er el pará- los datos es muy bueno.2)2 . .3.m : 6 .= (s8_33. 50. 2.1 y x. Para v : 2 (que son la me- = 2.959 > 0.:z . lag cla¡ificaciones 8on independientes. x..30. BONDAD DE AJUSTE ?. x. (4 niños y 1 niña). 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla ?. cabría esperar que 70 individuos de cada uno de los grupos Be recuperase y 30 en cada grupo no se recuperase.

En general. obtenido en el Problema ?.5)2 * ----TO* ?O S0 _ . Solucionar el Problema 7. 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.38 es el cuadrado del valor de z : 1.vó Obteniéndose que las conclusiones del Problema 7.10 uüilizando z.5)r . ya que. pero en la que solamente se han puesto los totales. Nótese que X2 : 2.5)2 . En la Tabla 7-16 se indican los estudiantes aprobados y suspendidos por 3 profesores: Sr.54. conaidérese la Tabla 7-15.-. habrían suspendido 27 lL80 : Iíc/o de los estudiantes y DO . pueeto que una vez hecho esto loq números de las restantes casiüas vienen obligados por los üotales ya indicados.45 son también válidas aquí.05 utilizando X" equivale a rechazar esta hipótesis con un ensayo unilateral al nivel de 0.51).84 para 1 grado de libertad y puesto que ¡2 = 2. De modo que hay un grado de libertad.5)2 * ----?O- (i65-701 -0. ya que la corrección de Yates siempre disminuye el valor de ¡¿". 7. 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. (125-301 -0. Está claro que solamente se tiene libertad lara colocar un número en una de las cuatro casillas vacías. 7.30\2 (36 *ffi = 2'38 Tabla 7-16 Para determinar el número de grados de libertad. Y 47 L4 61 Sr.--.38 < 3. Se No ¡e recuperan recuperan TOTAL 100 100 Grupo. Asf pues. se deduce que lob resultados no son significativos al nivel de 0.Puestoqueparalastablas2Xz.¡. Z. or^_.46.0. Ensayar la hipótesis de que las proporciones de estudiantes suspendidos por los tres .13 FRECUENCIAS OBSERVADAS Se re.gs. X Sr. Esto podría haberse visto rápidamente. = I.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.47. x2)x2ss correrpondea x>x.^se sigue que X er lo mismo que z en este caso. que es igual a la¡ dos dadas anteriormente.A Grupo B TOTAL 140 60 200 Puesto eue X. Tabla ?-16 FRECUENCIAS OBSIERVADAS Sr. drado Cel valor de z.244 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla 7.05.13. ? Tabl¡ 7-14 FRECUENCTAS ESPEBADAS BAJO Ho Se re. ^. como en la página 215 (véase Problema ?. 200 140 30)2 o _ (75 x-1rc-?o70)2 - 70)2 . Y y Sr.No ¡e recuperan cuperan TOTAL Grupo A (utilizando suero) Grupo B 75 25 Grupo A 100 100 (utilizando suero) Grupo B 70 30 100 (no utilizando suero ) 65 35 60 (65 (no utilizando suero) TOTAL (25 70 30 60 100 200 TOTAL 14r. _ ¡¡ (corre(rda) = (i75 -70\. porejemplo. X.ss : 3.Xz egelcua- Nótese también que yn ensayo unilateral utiliaando ¡12 equivale a un enEayo bilateral utilizando. Sr. (35-301 -0.45 aplicando la corrección de Yates. al rechaza¡ una hipótesis al nivel de 0.!t_.profesores son iguales.84.e5óx{-x.No ee recuperan cupetan TOTAL [cAP.

49.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. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION habrían aprobado el 86Vo de los estudiantes.51. que es igual que la Tabla 7-L7 pero en la que solamente se han puesto los totales.85 85V" d.n"n¡ln\z' nrnn/n ntftl.e 64 54.75\2 .60)2 4175 -.25 OD : didos TOTAL 55 61 9. que puesto que x:eg : 4.61.25)2 .ecuencias teóiicas.L5% de 55 : I5% de 6t 9. 7.zs¡ : 5. Nótese. Está claro que como cada fila y cada columna han decumplir con loü totales.75 = = 51. Y 85% de S¡. at__n_ = -nrrxJn (ór nrnsln)2 (b2. Entonce8 *.05. 7.10 si se está dispuesto a correr el riesgo de estar equivocado 1 vez de cada 10. Í4-9.n2nslnl2 .15 61 15% de 64 8.40)2 (5-8.1). X ¿IO Tabla 7-18 Sr.r"/" a1b2 (o.5135-547ó-----d25 9J5 --. Puesto que x.1Xk . .núnR/n "r'. pá.-. considérese la Tabla 7-18.ó+ Pa¡a determinar el número de grados de libertad.(h+Ic-l) = (h-lx/ú- 1) como se requería. Nótese que este resultado es válido si se conocen los parámetros poblacionales necegarios para obtener las fr. de otra forma se necesitan ajustes como los descritos en ( b ). después de lo cual. Z TOTAL 153 27 Aprobair¡c didos TOTAL 85% de 55 : 6l 4G. Las frecuencias esperadas bajo FI¡ se muestran en la Tabla 7-17. (47._ (50-46. Así pues. Hay h (fz > 1. todos los números restantes vienen obligados por lo8 totales. * ó1)(o1 * o2) o1*óq*a21b2 n a2b. no se puede rechazar I/e al nivel de 0. k > 1) el número de grados de libereg * & - 1 totales independientes de un total hÉ.15)2 (8-9. Mostrar que para una tabla de contingenciah X h tad es (h .60-=4. Z TOTAI.85)2 (56-54. los resultados esperados bajo la hipótesis nula aparecen en la Tabla 7-20. Tabla 7-17 ITRECUENCIAS ESPERADAS RAJO Sr. se puede rechazar lfs aI nivel de 0. Y St.CAP. 153 qn X Sr.60 64 180 64 180 Entonces o x-. Sr. Se deduce que el número de gtados de libertad hk . sin embargo.gina 22O .40 : Aprobados Suapen- Suspen. 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.99.48. Pero : (ar- nrnn/n)z (a". hay en este caso dos grados de libertad. 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.

f. 7 Análogamenta Así.10012 = 1. se puede escribir az-ry = ur-ry = Í2fts .246 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP. = #.49 paralos datos del Problem^I. n2:60. r¿r(1 - Pr).50. ns = ür*ó2.bq - aqb'12 donde A:&tbz-azbt..azbtl .a2b)2 -T nrn2nAnB nrn2(Pr. P.Prl . ür : 'tL¡ = flP.ln)? = -"r!rrrñr" 7. .49 da x2 = n(1aft2. 1-Pr . Denótese por P1 y P2 las dos proporciones muestrales y blema 7. Dr = 65. Or--m arb2 = - a2b. -flg L-p l-P2 = bc -= = q = -.P)2 que es el cuadrado del estadístico Z. dado en (IO) en la página 215.tn)z = 200il(?5x35) 2.46 ¡2 (corregida) = ---ñ^"" - = - (25X65)l (140)(60X100X100) . C= vra = {*#fu : r/d'6112e = 0'1084 .Pr)]2 nrnínpnq = nfri\+LlllrJ (Ya que n = nt+tt2l (Pt.4S. a1 =75. ns = 100.49 x2= n(ap2.. entonces riI ) del Problema 7.ozbr\2 n /orbz-ozót\2 ml?¿B\ n n nzn¡\ n n¡r¡\ / / / n fatbr-tzDt\2 n ?zrs\ / que al simplificar.51. bz:35. ¡e tiene del Problema 7. se tiene p la proporción poblacional. Sise aplica la corrección de Yates.P)2 nWtPrA$ . ^ (t) n /otbr-ozbt\2 n lotbr. Halla¡ el coeficiente de contingencia para los datos de la tabla de contingencia del Problema 7.45.n2P2n{l . COEFICIENTE DE CONTINGENCIA ?.93 7. de modo que (r) (4) ú1 = nlPy az = nzPz.38 : Empleando la corrección de Yates. - O2 l¿z' fL¡ tl' ó. n1=at*b¡ nz=a2*b2. el resulüado eg el mismo que en el Problema 7. Con referencia al Pro- (r) (2') P. yn:2OO.. r¿¡ = 100.49.45. bz = nz(l- Pz) tlg = flq Utilizando (3) y (4). da x' : D'- n(a. nt=140. frA=úr*az. Ilustrar el resultado del Problema 7. a2=26.=&r*a2*b1*b2.52. EnelProblemaT.=. 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). (/ ) se remplaza por (21 "rr"r"^"" : nL2 nrnznAnB x2 (conegida¡ n(ltl.

6.. En tal caso.. D Tabl. la probabiüdad de decidi¡ que el eetudiante no reeponde al aza¡ cuando es que si. La probabilidad de conteetar correctamenté Bajo la hipótesisp r pregunta¡ de las 10 será rcCrqqto-'.13.(á) = 0. (a) Sip : 0. = 1/@-ffi.60)2 50 . (f) p : 0.(g)p : O. Para taleo ca¡os.5 cuando realmente = O'7' : O.55.5 (ee decir.21 valor máximo de C ee presenta cuando la¡ Se recuperan No se recuperan 0 TOTAL 100 GrupoA (utilizando auero) (no utilizando . .a 7.6)8(0.53. " x./Zt(xz + n'l = t/ñl@6T 2oo-) = 0.4) + 10010(0.t.". PROBLEMAS DIVERSOS 7.6)e(0.?0?1.". Esta tabla de contingencia aparece en la Tabla 7-21. (c)p : 0.6)?(0. do¡ clasificaciones son perfectamente dependiente¡ o a¡ociadas.4)2+ ro0a(0.cAP.----80Entonceg el valor máximo de C e¡ .-60 ..[roOi(0.i .4. (d) p : O.54. Nótees la probabilidad de error del fipo I.9. las únicas frecuenci¡¡ de casillas que no Eon cero aparecen en la diagonal que baja de izquierda a derecha de la tabla. Pueeto que las frecueneias eeperadas. son todas igualea a 50. (ii) en caso contrario.6)101 = 0.(iX. todor loe que tomen el suero 8e recuperarán y todor lor que no se lo tomen no Be recuperarán.618 .X.64.(+Xá) * . P(7 o más correctas) : P(7 correctas) * P(8 conectas) + P(9 corectae) * P(10 correctae) = .L27). para la dependencia total en uua tabla de conüingencia.= (100 zw En general.3504 7.3)3+ r0Cs(0..5 cuando realmente (a) p : 0. el estudiante está adivinando. 7.(. suponiendo independencia total. C.3) + r0Cr0(0.---80.0o)z (0 .ro)¿ .ueno) TOTAL 100 (irupo ó 0 100 100 100 100 200 . hallar la probabilidad de aceptar la hipótesisp = 0.3)10] = 0.4)3+ roOs(0.7)8(0.. hallar la probabilidad de aceptar la hipótesis p P : 0. donde g =L- p. Hallar el valor máximo de C para la tabla 2X 2 del Problema 7.50)2 (0 .o. (Véase Problema 7 . (b)P : 0.? Bajo la hipótesis p P(menoc de 7 corectas) : - 1 -P(7 o mác conectas) 1 .. (e) p : 0. el e¡tudiante acierta alazar). En el Problema 7.?1e Asi ee que ésta pues. ee 0.3.". en la gue el número de fil¡s y columnas eon ambas iguales a &. 7l ENSAYOS DE HIPOTESIS Y STGNIFICACION 24V 7. (100 . Hallar la probabilidad de rechazar la hipótesis cuando es corTecta.. = 0. adopta la siguiente regla de decisión: (i) si 7 o más respuestas son acertadas el estudiante no las acierta por casualidad.3)2+ r0Ca(0.1?19.54.2.56.7)e(0.6 la probabilidad pedida será 1 - [P(? conectas) * P(8 correctas) + P(9 cotrectas) + P(10 correctas)] =|- ho0?(0. Para ensaya¡ la hipótesis de que el estudiante acierte por car¡udidad.". Seap la probabilidad de que una pregunta sea contestada correctamente.7)7(0.¡* . En el problema 7. Un instructor hace un cuestionario forurado por 10 preguntas falso-verdadero.8.

(g) pueden hallar¡e análogamente y se indican en la Tabla 7-22 junto con el valor correspondiente a p : 4.5)(ee decir.54. Utilizar el Problema 7. 4. 7.56 para construir el gráfico de É y p obteniendo así la cun¡a característica de operación de la regla de decisión del Problema. . **. +i. 3.ó) y (Ht:.!¡. ¿Puede deducirse que al nivel de significación (c) 0. Una moneda que se lanza 6 veces da 6 veces cara.01. 7.0.5 0.Ele al nivel 0.05.999 0. Puesto queP(0 ó no ee puede rec}ntzar H¡ al nivel de 1ó 5 ó 6 caras) = 2(t) = 0.945 0.05.57.013 0 828 7.5 cuando realmente p > 0. Ad- la curva OC del 06 Si se hubiese dibujado (1 -p) yp. Aquí se desea decidir entre la¡ hipótesir (Ho: p : 0. l0 09 08 0? El gráfico pedido es el de la Fig.121 0.350 0.1094. Se ha irrcluido también el valor para p : 0.01 la moneda no está bien hecha? Considerar ensayos de una y dos colas.1 El grafico indica que la regla de decisión dada ee muy odecuado para rechazat p:0.9 0.58. por #.5). Nótese que la probabilidad se denota por p (probabilidad de error del Tipo II). 0.65. respectivamente. ? Loa resultados de (b). pero no d 0.6 0.68.03125.t v i. el resultado observbdo es significativo al nivel 0. 03 02 0.05 ó 0.01 (es decir.59.1094.01.000 0.1. la moneda está bien hecha). no se puederechazar. viértase la semejanza con Problema 7-27.64.618 0. se habría obtenido la curvo de potencia de la regla de decisión. Puesto que P(0 ó 6 carar): t'o+* = 0.2 0.4 0.1?19 : 0. pero no al 0.05 y (b) 0.01.7 0.8.7 hallado en el Problema 7 . Ensayo unilateral: Aquí se deeea decidi¡ entre las hipótesis (Ho: p: 0. pero no al 0. 1. p + 0. .06. Ensayo u¡ilateral. Pueeto que P(6 ó 6 earar): * + # = éa:0. caraa en 6 f(x\ = P(x lanzamientos) = Entonces lae probabilidsdes de 0. Bajo la hipótesis (Ho: p: 0.trf6 llnivelde . como se muestra gráficamente en la di¡tribución de probabilidad de la Fig.t+.01662 y P(6 ó 6 carad) = * +-# : 0. Tabl¡ ?-22 p B 01 1. si en la moneda sale 5 veces cara. Sea p la probabilidad de ca¡a en un solo lanzamiento de la moneda. .6) y (Ht: p > 0.01).8 0.828 del Problema 7.248 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.3 0.6 y 6 caras son dadas. $oluciona¡ el Problema 7.5).2188. 0. se puede rechazar. (c). 7-14. Ensayo bilateral. .05 ó 0.5 dado por p : 1 . ee puede rechazar ñfe Ensayo bilateral: al nivel 0. 2.Puesto queP(6 caras): f¡ :0.989 0. 7-15.¡qn.

*Y¡= n¡ = que ee la distribución multinomial de la¡ X [compárese (I6). Suponga que Xt.p)2 PQI'I¿ 7. por definición.96.Y¡=Ur I Yz* .62. npp respectivamente.l\z : npz trr : zpr respectivamente..:í-^*f e-^ dondehemo¡uuiüzadoelhechodequept*pz+. Enüoncec. con frecuencias esperadas flPt..¡p_r¡rll*l)q/ = '' \P Pq = (P-..tYx=at I Yr* Yz-1..p)z = . Demostra¡ que la dist¡ibución condicional de las f dado que Yt*Yz+ "'+Yx = es precisamente la distribución multinomial de las X. p I Frecuencb observada Frecuencia esperada nP np II n(l. Epplear el resultado del ProblemaT. n(P. como se define por (21). busc¿ndo está dada por Iadi¡üribucióncondicionalqueeetamos P(Yt.'. Asl el denominador tiene el valor "":.. iYr. el valor En cuanto aI denojminador.cAP. de (I ).+ph=L. Tabl¡ ?.. el Problema 7. ..... Por t¿nto reeecribimo¡ (2/ ) como (r) x2 = /t'=^')'*f"'=^'\'*. tiene aproximadamente una distribución chi-cuadrado.= ut. (21) ea diffcil de manipular ya gue las X di¡üribuidas multinomialmenüe son dep.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 249 7. yx= ax) = 19#)1-+gj. .61. . .1'"'-. + ' ' ' + Y¡ es en sí migma una va¡l¡ble de Poi¡eon con parámetro np¡ * np2 + . Sean f.¡Yt=Ur Y Yt+Yz+ "' *Y¡r= P(Yr+ Yz| "' * Y¡ = n¡ e-n n¡ Entonces..nPz.págtna 218.23 Si P es la proporción mue¡tral para La categoes la proporción poblacional y n eo la frecuencia total. el numerador en (2) tiene. / \V^r/ \Vrzl . i npn: n.. . ." Por tanüo (2) ee conüerte en P(Yr=Ur.*/t'-^'\' \Vrr.. ^#--"Jpltpf2"'plk 7..60..L tu¿cione¡ por medio de la Tabla 7-23.Yt va¡iablesmutuaÍienteiñdependientes con dist¡ibución de Poisson y parámetros tr¡ : npt. = (nP ...endientec.61 demuestra que podemos remplaza¡ las X por lae Y independienúes con dietribución de Poisson ai ae cumple que Y¡ + Y2 + " '* Y¡": ¡.. página 14?. ce pueden describir las ei- ría I. y2= u2... página 118]... (5) de la página 214. sabemos del hoblema 4..Yz=U2r .. . Sin embargo.aL. *Y¡r= n¡ PlYr=At. Yr + ).Yz=Az.. Tal como oe establece. que Yr + Y. Xz X¡ tienen una distribución multinomial..Y2=U2. Pa¡a la función de probabüdad conjunta de ft l¡¡ Y tenemos (r) (21 p(y.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. Mostrrir que una prueba en chi-cuadrado que comprende dos categorías es equivalente al ensayo especial de significación para proporciones (pagina 214).Pl n(l-p)=nq TOTAL n .6t pa¡a demostrar que ¡2. de acuerdo con la resüricción (221.

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

* p¡(1) = de den¡idad paraW es p(rr) : (Zr)-r/2e-u2/2.67.64. donde z : h - las bases para las reglas dadas en la página 219. 7.9.69. normal (puesto que e8 una combinación lineal de la¡ variablee Z normaies e independientee). ¿Se puede deducir al nivel de signüicación del (o) 0. (ó) Interpretar gráficamente la regla de decisión y el resultado obtenido en (o).entarios ENSAYOS DE MEDIAS Y PROPORCIONES UTILIZANDO DISTRIBUCIONES NOBMALES ?'63.66.05.OO.Of O.e) = p(lWl < e) - e4(0)(Z€) = 7. Solucionar el Problema 7. . (o) ¿Qué regla de decisión ?. 7. se quiere un nivel de significación del 0..e y azules..7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 26L Para evaluar el denominador de (5) notamos que la variable aleato¡ia W = lptZl * es l-p222 + .65.(o¡ : 1 s Por tanto la función . (¿) ¿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 que E\W\ = VE(O) + \/p2(o)+ . yos. Supóngase que en el Problema ?. se adoptarÍa en el Problema 7.cAP. 7. Var (W) = pr(l) * pz$) * .93 onzas. una muestra de 36 piezas de hilo dieron una resistencia media de 8.1i¡ ee rechaza en caso co¡rtra¡io. Recientemente..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 1.05? 7.. es decir. Esüo provee Problernas suplem. Enaayar la hipóteaie de que los dados esüén bien hechos. Un fabricante sostiené que al menos el 95% de los equipos que Euministra a una fábrica eetá de acuerdo con las especificaciones requeridas..05 desde el punto de vista de (o) un ensayo unilateral y (b) un ensayo bilateral.66 ei el nivel de significación es del 0.01? (b) ¿A qué nivel de confianza ee aceptaría la hipótesis? (c) ¿Cuál ¡ería la regla de decieión si ee adoptara un nivel de significación del 0. mediante (of un ensayobilateralyla¡.ebolac rojas que de azules.trLtroyo uniiateral y un nivel de significación del 0. Para ensayar la hipóteeis de proporciones iguales de e¡to¡ colores. 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.40 onzas. + V!f.1 y la desviación típica fue 8. (o) Hallar la probabilidad de rechazar la hipótesis cuando en realidad aea correcta. Ensayar la afirmación del fabricante al nivel de aignificación del (o) O. proporción d. la puntuación medi¡ fue de 74. 7'68.05 y (ó) 0. y por tanto a la¡ Y o a las X reduce el número de grados de libertaá en X2 en 1... En una escuela determinada con 200 estudiantes el mismo examen dio una puntuación media de 75. La "demostración" anterior (que puede hacerse rigurosa) muestra incidentalmente que cada restricción lineal colocada alas Z. En un examen dado a un gtan número de estudiantes de muchas escuelas distintas.01.01 que el es ahora peor? hilo 7 .0.01.7 o. y Denominado¡ (.0ó? (d) ¿Cuál sería la regla de decisión si el nivel de significación fuera del 0.63 se desea eneayar la hipóüeeis de que hay moyo. Un examen sobre una muegtra de 200 de talee equipos reveló que 18 eran defectuosos. (Zr)-t/2(ze) Al dividir (8) por (9) obtenemos el resultado deseado. Comentar la significación de este resultado al nivel de 0. Discutir las razones de las posibles preferencias de uno de estoe ensayos sobre el otro. ee decir.63 si ee quisiera que la probabitidad de rechazar la hipótesis siendo realmente conecta sea a lo sumo 0.01? Se lanza un par de dado¡ 100 veces y se observa que un total de ('siete" apa¡sce 23 veces. no cargados. + {pt Zt. erplicando las conclusiones sacadas con estos ensa- . Una urna contiene bolar roja.

.80. [. 7.73. ENSAYOS EN RELACION CON LA DISTRIBUCION ú DE STUDENT 7. ? 7.05 ensayar la hipótesis de que las máquinas deben ser introducidas. Una muestra de 75 bombillas de otro fabricante B dio una duración media de 1230 horas con una desviación típica de 120 horas.77.7 4. El nuevo fertilizante se aplicó a 30 de estos cuadrados y el antiguo fertilizante a los restantes. Análisis de 6 muestras de A dieron un pH medio de 7. determinar si los dos tipos de soluciones tienen diferentes valores de pH.a2. 7 .05.2 con una desviación típica de 0.032.63 fanegadas. una parcela de terreno se dividió en 60 cuadrados de áreas iguales. 7. ¿Puede deducirse al nivel de significación del (c) 0.01 las niñastengan mejor ortografía que los niños.05 y (b) 0. Ensayar la hipótesis de que (o) las dos máquinas tengan diferente calidad de fabricación y (b) la máquina B sea mejor que A.05. ?.76. Ensayar la hipótesis de que la duración media de las bombillas no ha cambiado. Mediante unniveldesignificación del 0./o con una desviación típica de 0. A y B fueron ensayadas pa¡a ver su pH (grado de acidez de la solución).32%. (b) 0. mientras que la puntuación media de 36 niñas fue de 75 con una desviación tÍpica de 6. Análisis de 5 muestras de B dieron un pH medio de ?. ¿Se contradicen los resultados con los del problema anterior? En un examen de ortografía en una escuela elemental. 7. respectivamente. Para ensayar los efectos de un nuevo fertilizante sobre la producción de trigo.54 fanegadas.8 y 0.76. me- 7. En el Problem a 7 .05 y (b) 0. mientras que 15 estudiantes de otra clase tuvieron una puntuación media de 74 con una des- .05. Unamuestrade 10 análisis dio una media de contenido en cobre de 23.2% de cobre. lcAP. El número medio de fanegadas de trigo cosechadas por cuadrado en los que se utilizó el fertilizante nuevo fue de 18.01. En un examen de psicología de 12 estudiantes de una clase hubo una puntuación media de 78 con una desvia- 7. mediante un nivel de significación del (a) 0.7 8.05 que el producto presenta las especificaciones requeridas? ?.01 y (b) 0. ENSAYOS REFERENTES A DIFERENCIAS DEMEDIAS Y PROPORCIONES 7.72 ensayar Ia hipótesis de que las bombillas del fabricante B sean mejores a las del fabricante A utilizando un nivel de significación del (o) 0.a media y desviación tfpica correspondientes a los otros cuadrados fueron 17. Una muestra de 8 bombillasdelaproducciónactualdiouna du¡aciónmedia de 10?0 horas. La duración media de Ias bombillas producidas por una compañía ha sido en el pasado de 1120 horas con una desviación típica de 125 horas.05 y (b) del 0. ¿Hay diferencias entre las duraciones medias de las bombillas de los dos fabricantes al nivel de significación del (o) 0.19.5% y una desviación típica de 0.01. Un experto efieiente mantiene que introduciendo un nuevo tipo de maquinaria en un proceso de producción se puede disminuir sustancialmente el tiempo de producción. A causa de lo costoso del mantenimiento de estas máquinas resulta que a menos que el tiempo 4e producción ee disminuyaen un8. respectivamente.252 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Solucionar el Problema 7.01.05 y (b) 0. Explicar las diferencias entre esto y lo que se pedía en el problema anterior. < 1-t2O horas.01? En el Problema 7 .52 con una desviación típica de 0.01 y (ó) 0. etc.49 con una desviación típica de 0. 0.24%.7 7 ensayar la hipótesis ¡¡ : 1120 horas contra la hipótesis alternativa tt diante un nivel de significación del (o) 0.4a. la puntuación media de 32 niños fue de 72 con una desviación típica de 8.70 si el nivel de significación es del 0. Dos tipos de soluciones químicas. ensayar la hipótesis de que el nuevo fertilizante sea mejor que el antiguo.01. ción típica de 6. Muestras al azar de 200 tuercas fabricadas por la máquina A y de 100 tuercas fabricadas por la máquina B dieron 19 y 5 tuercas defectuosas. Las especificaciones para Ia producción de una cierta aleación piden el 23. En seis pruebas de este tipo se obtuvo un decrecimiento en eI tiempo de producciónde 8.01 V (b) 0.01. Con un nivel de significación del (a) 0.05 y (b) 0.72. 1 . todos ellos tenían idénticas características de suelo. Utilizar el nivel de significación del 7. Ensayar la hipótesis de que a los niveles de significación (a) del 0. exposción a la luz del sol.05.7L. Una muestra de 100 bombillas de un fabricante A dio una duración media de 1190 horas y una desviación típica de 90 horas.83.8f En el Problema 7. con los niveles de significación de (o) 0.O7o laintroducciónde tales máquinas en eI proceso resulta antieconómico. Utilizando un nivel de significación del (a) 0.024.79 ensayar la hipótesis de que el contenido medio de cobre sea más alto que el que marcan las especificaciones.

se toma cada 3 horas una muestra de 16 piezas de hilo y se determina la resistencia media. Adviértase que en esüe caso solo son necesarios los límiúes de control super. Ensayar la hipótesis de que las temperaturas en esta ciudad presentan ahora menos variabilidad que en el pasado. Dos muestras consisten de 21 y 9 observaciones. (b) (1 -p) y p. Construir (a) unacurva OC y (ó) .90. La resistencia a la rotura de una muestra de 8 cables dio una desviación típica de 300 libras.92. (b ) ¿Qué conclusiones pueden sacarse de acuerdo con Ios riesgos de error del Tipo II cuando se incrementan los támaños muestrales? 7 . Para mantener esta calidad de producción.95.93. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION es 263 superior al segun- viación típica de 8.05 y (b ) 0.25 considerando Ia analogía de bolas rojas y azules con caras y sellos respectivamente.28 onzas.90 construyendo un gráfico de (c)p V p. (o ) Solucionar los Problemas 7 .9.86. Comparar estos gráficos con los del Problema ?. Con la temperatura media del día 15 de cada mes. En el Problema 7. durante los 15 últimos años.91. ENSAYOS EN RELACION CON LA DISTBIBI'CION CHI. Con un nivel de significación del 0. ?.87 si las dos mueetras con¡i¡ten de 60 y 120 observaciones respectivamente.05.8. determinar Ia probabilidad de aceptar la hipótesis de que haya igual proporción de bolas rojas y azules. (e ) 0. ?.0f .84.05. ?. cuando la proporción real p de bolas rojas sea (o) 0.63. se toma una muestra cada 4 horas de 200 de las tuercas producidas.27 GBAFICOS DE CONTROL DE CALIDAD 7. (b ) 0. al nivel de significación del (a) 0. Determinar los Iímites de control del (a ) 99% y (b)95% pam el número de tuercas defectuosas de cada muestra. 7.6.cAP.ores.85. ¿podemos concluir que hay una diferencia significativa en la variabilidad de los valores del pH para las dos soluciones al nivel de significación del 0.3. t¿ ?. Después de introducir un cambio en el proceso de producción de estos cables. La desviación típica de resistencia a la rotura de ciertos cables producidos por una compañía viene dada por 240 libras. ?. (b) 99% sobre un gráfico de control de calidad y explicar sus aplicac¡o- nes.64 onzas y una desviación típica de 1.CUADRADO 7. (d) 0. Alrededor del lVo de las tuercas producidas por una compañía son defectuosas.82. Para determinar si el producto está de acuerdo a estas normas.E8. una curva de potencia correspondientes al Problema 7.26 y 7 . (b) 0.89. . (c) 0.27 si se eru¡ayan 400 cuerdas. ENSAYOS EN RELACION CON 7 LA DISTBIBUCION F .77 una muestra de 20 bombilta¡ reveló una desviación típica en la duración de 150 horas. un cierto tipo de hilo producido por un fabricante tenía una resistencia media de roüura de 8. ?. Solucionar el Problema 7. Investigar la significación del aparente incremento enla variabilidad. En el Problema 7.7. En el pasado. desviación típica de las temperatwas anu¡legde una ciudad en un período de 100 años fue de 16" Fahrenheit.81 . Comparar estas curvas con las del ProblenaT .94. Hallar los límites de control del (a) 99. Ensayar la hipótesis de que la primera varianza poblacional es mayor que la de la segunda a un nivel de significación del (o ) 0. tienen varianzas dadas por s? : 16 y s2 : 8 respectivamente.01. Representar gráficamente los resultados del Problema ?. En relación con el Problema 7.01? CUBVAS CARACTERISTICAS DE OPEBACION ?.01 .731o ó 3o. (b ) 0.65. mediante un nivel de significación del (a ) 0.05 determinar si el primer grupo do. ¿Concluiría que esto no es común? Explicar. Ia desviación típica de las temperaturas anuales fue calculada como de 10o Fahrenheit.

Delerminar al nivel de significación de 0. 108 Mierc.100.103. (o) Determinar las frecuencias esperadas.gg.107. (b) Determinar al nivel de significación del 0. Los resultados aparecen en la Tabla 7-26 junto con las frecuencias esperadas bajo la hipótesis de que las monedas están ces y Tabla 0 caras Frecuencia observada 7 -26 2 caras 3 caras t.l 1 cara 108 bien hechas. En 10 unidades del ejército prusiano y en un período de 20 años 1875-1894. Este proceso se repite un total de 120 veces y los resultados obtenidos.105. Mar. El número de defectuosas ""d" fueron 2. 3. Juev.0b.106.0r . 3 4 .rrru de 4 máquinas.98.96 y comparar con el ajuste obtenido utilizando la distribución binomial. 7. . 7.108. se anota su color y se vuelven a la urna.05.100. . Ensayar esta hipótesis al nivel de significación del 0.se muestran en la Tabla ?-2g. Ajustar una distribución de poisson a los datos del hoblema 2.254 ENSAYOS DE HIPOTESTS Y SIGNIFICACION Tabla f 0 [car.r02 utirizando la corrección de yates.05 2 rojo 0 blanco Número de extracciones con Ios esperados.96. 146 t20 7. Se lanzaron tres monedas un total de 240 vese observó cada vez el número de caras obtenido. I 65 22 a l 10!¡ I LA PRUEBA CHI. con un nivel de significación del (o ) 0.CUADRADO 7'102' En 60 lanzamientos de una moneda se observaron 37 caras y 23 sellos. Número de libros sacados Tabla 7 -27 Lun.LB% B. utilizar papel gráfico 30 62 16 l0 . solucionar el Problema 7. 7 z AJUSTE DE DATOS A DISTRIBUCIONES TEORICAS -24 2 7. El número de libros sacados de una biblioteca pública durante una semana determinada viene dado en la Tabla ?-22.Lg?o D y 12% F. (b ) 0. 7. 7. 114 Vier. las puntuaciones dadas por un grupo de profesores en un determinado curso dieron un promedio d. 6l ?. Determinar si existe entre las máquinas una diferencia significativa al nivel dc significación del 0. 10.g8 pueden ser aproximados estrechamente a una distribución normal. 7. Un profesor nr¡evo da durante dos se_ mestres 22 A.1'04.01. Ajustar una distribución normal a los datos del problema 5. el número de muertos por unidad y año debido a coz de caballo se dan en la Tabla ?-2b. Ensayar la hipótesis de que el número de libros sacados no dependa del día de la semana.40% C. Ensayar la hipótesis de que la moneda está bien hecha utilizando un nivel de significación del (o) 0. Se eligieron aleatoriamente tuercas de la producción de . 7 '97 Ajustar una distribución binomial a los datos dela Tabla 7 _24.^ 30 Frecuencia esperada )0 90 3() ?. Ajustar una distribución normal a los datos del problema 5.05 si el profesor nuevo sigue las mismas nornns de puntuación que los otros. de probabilidad para determinar si los datos del Problema 5.66 C' 16 D y 12 F. Durante un largo período de tiempo. Tabla 0 ? -25 I ?-101. resultados obtenidos son consistentes (. 7. Una urna contienc 6 bolas rojas y B blancas.34 8. Ajustar una distribución de Poiss<¡n a los datos.05. 9.e 12% A.05.99. (á) 0. Se Tabla 7-28 0 rojo 2 blanco 1 rojo 1 blanco 53 si los extraen aleatoriamente dos bolas de la urna.

Ia Tabla 7-33 da la relación entre las notas de los estudiantes en matemáticas y física. A un nivel de significación de (a) 0. 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.115. es decir.100. los votos de los demócratas y republicanos registraron los resultados que se observan en. 7. 7l BONDAD DE AJUSTE ENSAYOS DE HIPOTESIS Y SIGNIFICACION 265 7. A 72 64 t7 23 Clase B 7. 7. Suponiendo que todos los pacientes dijeron la verdad.05 V (b) 0. Utilizar el nivel de significación del 0. 7.98. (b)hoblema 7.116.31 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 7.01 y (b)0. El resultado de sus respuestas se muestra en la Tabla 7-31.LOg? TABLAS DE CONTINGENCIA 7 Tabla 7-29 Se . Dott. Sobre una decisión de importancia nacional.(b) ¿Es el ajuste "bastante bueno"? Emplear el nivel de significación del 0. se Ies preguntó si las pastillas habían surtido efecto o no.ensayarlahipótesis de que no hay diferencia entre las píldoras de dormir y las de aziucar al nivel de significación del 0. Solucionar el Problema 7.112 introduciendo la corrección de Yates. De un grupo de enfermos que se quejaban de que no dormían bien.111. ¿Qué poeiblee dificultades en las t&nicas de muestreo como en otras consideraciones pueden afect¿r las conclusiones? . a unos se les dio pfldoraspa¡adormi¡.05 y en cada caso determinar si el ajuste es "bastante bue.96.05 v (b) 0.110.99.06. ensayar la hipótesis de que no haya diferencia entre los grupos vacunados y no vacunados.101. ¿Es consistente el resultado de (o ) con el del problema 7 . Ensayar la hipótesis de que las notas de física sean independientes de lás obtenidas en matemáticas. (a) Utiliza¡ la prueba chi-cuadrado para determinar la bondad de ajuste de los datos del Problema?.L17.01 ensayarlahipóteaisdequeelnúmerodeaccidentes es independiente de la edad del conductor. las dos claees.118.01.05. Tabla ?-30 Aprobados Clase 7. Mediante la prueba chicuadrado determinar la bondad de ajuste de los datos de (c) Problema ?. Los resultados de una encuesta hecha para determinar si la edad de los conducüores a partir de los 21 añoe. Tabla 7. enfer No se maron 'enferma¡on Vacun¡dos No Vacunados I L7 42 28 ?. Hacer el problema con y sin la corrección de Yates. 7. la vacunación y esta enfermedad son independientes.01 y (b) 0.f09. ensayar la hipótesis de que no haya diferencia entre. N nivel de significación del (a)0. Mediante la prueba chi+uadrado determinar la bondad de ajuste de los datosde (o)Problem¡ 7.113. Mediante un nivel de significación del (o) 0.112. Mediante un nivel de significación del (o) 0.01.114.06. (b) Problema 7. Posteriormente.la Tabla 7-32.05 y (b) 0.cAP.ensayarlahipóteois de que no hay diferencia entre ambos partidos en lo que a esta decisión se refiere. medianüe un nivel de significación del (o) 0.0ó. tiene su efecto en el número de accidentes de automóvil (incluyendo todo tipo de accidentes) se indican en la Tabla 7-34. IA Tabla 7 -29 muestra el resultado de un erperimenüo para investigar el efecto de vacunación de animales de laboraüorio contra una determinada enfermedad. mientras que a otros se les dio píldoras de azúcar (aunque todoselloscreíonque suspíldoraseranparadormir).

7./n. donde n es la frecuencia total de todas las casillas.?r para toda tabla de contingencia. discutir las tablas de contingencia h X k X I. COEFICIENTE DE CONTINGENCIA 7.127. (b) Con el resultado de (c) hacer el Problema 7.122. Demostrar que el coeficiente de contingencia máximo para una tabla fr X k es 1/1t¡ PROBLEMAS DTVERSOS . ?. 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. Por similitud con las ideas desanolladas para tablas de contingencia h X &. Demostrar el resultado (2) det Problema 7. 7'.121. 20. Dos urnas A y I contienen igual número de bolas. 7.117.128.LL4. Demostrar que el coeficiente de contingencia máximo para una tabla 3 X 3 mente.1L2 y (b) Problema 7.125.11?. (o) Demostrar eu€ ¡2 = 2@l/np.1 .121.119. (b) el coeficiente COLOR DE PELO Rubio No rubio 25 96 7. señalando las posibles aplicaciones que pueden_tener. ( sin y con coeficiente de n de yates.L23.266 ENSAYOS DE HIPOTESIS Y SIGNIFICACIOD¡ Tabla 7-33 lcAP. ? 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 7.126. Xu) r¡ñY Azules No azules 49 30 8-ó 7. la suma de frecuencias en la fila ¡ y en la columna j de una tabla de contingencia (frecuencias marginales).) 7. es JUS:0. se toma una muestra de 50 bolas con remplazamiento de cada una de las urnas. .¡¡¡. diantes. respecüivamente. pero se desconocen las proporciones de boias rojas y blancas en cada una de las urnas. Hallar el coeficiente de contingencia sin y con la corrección de Yates para los datos de (o) problema 7.49. Si nI y n! denotan. mostrar que la frecuencia esperada para la casilla perteneciente a la fila i y a la columna j es n¡n. Hallar el coefieiente de contingencia para los datos del Problema ?.8165aproximada- 7. donde n és la frecuencia total de todas las casillag.

130.48.133.13?.131.cAP. (c) 0. Con una determinada marca A de gasolina.64-7.54.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 267 dando la de A 32 bolas rojas y la de B 23 bolas rojas.141. (b) 0'01. ?.132 si salen 6 caras. (b) 0. ?. El porcentaje de calificaciones A dadas en un curso de física en una universidad determinada durante mucho tiempo fte L0%.01. Explicar cómo podría definir interualos de confianza unilateroles y dar una posible aplicación.05.l4O para obtener el valor de TOTALES lr2 n .54 ?. (b) 0.138.136.4 con una desviación típica de 0.05.140. Comentar cómo puede utilizarse la teoría del muestreo para investigar las proporciones de diferentes tipos de pescado presentes en un lago. Solucionar el Problema 7.138 ¿hay mayor variabilidad en millas por galón utilizando la marca B que utilizando la marca A? Explicar. En eI Problema ?. Generalizar el resultado del Problema 7. el número medio de millas por galón consumido en 5 automóviles análogos bajo idénticas condiciones fue de 22.05 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. 7 n¡ ng üt fl1 b2 .129.10.135. 2.55. Con otra marca B. ?. Comentar los resultados. ¿Se puede rechazar la hipótesis de que la moneda está bien hecha al nivel de significación del (o) 0. Mediante un nivel de significación del 0.54. ?.0Sinvestigarsila marca A realmente es mejor que B proporcionando mayor recorrido por galón.6 con una desviación típica de 0.134.132. el número medio fue de 21.140.0ó. Ensayar la significación de este resultado a un nivel de (a) 0. Utiliza¡ el resultado del Problema 12 para el Problema ?. Una moneda se lanza 8 veces y se obtienen ? caras. ?.56 si el 7 en la regla de decisión del Problema 7. es ahora 8. Solucionar el Problema 7. Con referencia al Problema ?.142. Solucionar los Problemas 7. 7. Durante un período particular hubo 40 calificaciones A en un grupo de 300 estudiantes. hallar el menor número de preguntas que un estudiante debe contesta¡ correctamente para que el instructor esté seguro al nivel de significación del (o) 0.4?. Construir gráficos análogos a los del Problema 7. ?.06 de que el estudiante no está contestando al azar. (c) 0. ?. Demostrar que para la Tabla ?-36 y2 " n = o(l+ú+"?\ * 2a (u" +ú+ rt2 'tL2 ns/ rr o?) ns ¡\ ?t I \t¿r / -. ?.01? Utilizar un ensayo bilateral. A B Tabla 7-36 I &1 II A2 III dg ó3 'tLg TOTALES ?.001' (d) 0. 7.23 pzra el Problema 7. Al nivel de significacióndel 0. 7.132 empleando un ensayo unilateral.13g.

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

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

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

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

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

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

el coeficiente de conelación gradual. y. Sin embargo. .264 CURVA DE AruSTE. es derivada en el Problema 8. Sin embargo. n. por generalización apropiada. El signo se toma en cuenta automóticamenüe si empleamos el resultado (29). Si dos conjuntos correspondientes de valores. denotado por rgrad o sencillamente r. empleando los números t. si utilizamos (30) para obtener r debemos aplicar el signo apropiado. 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). si lz : ñ.a pot aquellos laicos con los fundamentos de la teoría de correlación) sino que hay poca correlaciín lineaL En efecto. coeficientes de correlcción múltiple. Puesto que un coeficiente de cortelación simplemente ¡ride qué tan bien se ajusta una cun¡a de regresión (o superficie) a los datos muestrales. y se clasifican de tal forma. CORRELACION GRADUAL En cambio de utiliza¡ valores muestrales precisos. (8t) El coeficiente de correlación lineal puede ser positivo o negativo. (31\. es ilógico utiliza¡ un coeficiente de conelación lineal donde los datos no son lineales. (33) o (34). REGRESION Y CORRELACION [cAP. la última definición. . En consecuencia da el mismo número para todas las formas de curvas de regresión y no es útil como medida de ajuste.()r')()y') (83) que indica que r es invariante bajo una traslación de ejes. r. k = A.2. etc. . 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. esüá dado por rs¡ad donde d 6>d L-i@r_l) = . puede existir vna gran correlación no lineal. página 260.36. hallamos n2n'y'. los datos pueden clasifica¡se en orden de tamaño. 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. excepto en el caso de regresión lineal. 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. y (86) : n: diferencias entre las clasificaciones de los conespondientes número de pares de valores (r.r. 8 Si utilizamos la transformación (9). (32). se denomina fórmula de Spearman para la conela- . importancia. 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. Sin embargo. donde coincide con (30).. En particular. L'a conexión (25) entre el coeficiente de conelación y el error típico de la estima es válida para corelación no lineal. o cuando la precisión no puede obtenerse. y) en los datos ción graduaL La fórmula (36). Entonces la conclusión a extraerse no es que hay poca correlación (conclusión algunas veces alcanzad.

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

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

2 grados de libertad. Entonces el estadístico t- ú- ru.2 grados de libertad.. Ensayo de la hipótesis p * 0.8l CURVA DE A'USTE. (i=/ : 1'1513 tos'o(1 Estos hechos pueden también utilizarse para hallar los límites de confianza para los coeficientes de correlación.48. La transformación (60) se llama transformación /1+p\ I o/' ".46. lo : a * bxs.44. Véase Problema 8. 2.cAP.(i#J aproximadamente tiene una distribución normal con media y desviación típica dadas por (50) -Zt" /1+p\ *.45. Para p + Ola distribución es sesgada.2 grados de libertad. lo = a * bxs. En ese caso una transformación debida a Fisher produce un estadístico que aproximadamente tiene una dishibución normal.Para este propósito debemos conocer la distribución muestral de r. Los ensayos siguientes resumen los procedimientos involucrados.43 y 8. Véanse Problemas 8. Véanse Problemas 8.m (ao- úor\Ñ @a¡ tiene una distribución de Student con n . = 1. Denótese por üp elvalormedb predichodey correspondiente a x = Ío para la población [esto es. Denótese por ¡lo el valor predicho de y conespondiente i f : ts estimado de la ecu¡ción de regtesión muestral. Véase Problema 8.47 y 8.1618"". fo = E(YIX = co)]. 2.. Denótese por Jo eI valor predicho de y correspondiente o. Aquí utilizamos el hecho de que el estadístico f = rl/n-z \/fr (+s¡ tiene distribución de Student con n - 2 grados de libertad. Denótese Por Jp el valor predicho de y conespondiente 2. Aquí utilizamos el hecho de que el estadístico z =*r"(i+) = r. 1. 3. De aquí pueden hallarse los tes de confianza para valores medios poblacionales predichos.ffi @o- a"\{n-2 Urr¡ tiene una distribución de Student con n . De esta ecuación se pueden ha' llar límites de confianza para valores de población predichos.50. es decir.er. = ffi - (51) Z de Fish. es decir. REGRESION Y COBRELACION 267 tiene una distribución de Student con n .8 : to estimado de la ecuación de regresión muestral.49 y 8.'\[+Fi. 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. Entonces el estadístico t- su. Esto también puede utiliza¡se para hallar inten¡alos de confianza p¿ua coeficientes de regresión poblacionales de los valores muestrales. En el caso de que p = O esta distribución es simétrica y se puede utiliza¡ un estadístico con distribución de Student. Véanse Problemas 8. Í : Ís para la población. Ensayo de hipótesis para valores predichos. Ensayo de hipótesis para valores medios predichos. . Ensayo de la hipótesis p = 0.

Y tienen un coeficiente de correlación diferente a cero. CORRELACION Y DEPENDENCIA Si dos variables aleatorias X.11 ) de (2) y (l pedido sustituyendo en ). cuando p + O. Problerna. La gÉfre de la recüa . ozr-2. 8-5. eI coeficiente de correlación puede eer diferenüe de cero y podríamos halla¡ una ecuación de regreeión prediciendo una variable de la otra.a*br)-(a*br1l = b(r2-r1l Obteniendo que b : (yz . Se¿n X. y 22 conespondientes a y rz utilizando (50).b(r-r-1\ Í2trt Uz-Ut .1. calculamos Z. Luego utilizamos el hecho de que el estadístico Zr. podemos utilizar una ecuación de la forma de (39) pata predecir el valor de Y a partfu del valor de X..(.51. y2 ) son puntos sobre la recta yt = a+bn1. = Pzr. 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. La consüante b : (yz . EJEMPLO 8.)w-.¡r ) es la pen- . su distribución conjunta no se factoriza en sus distribuciones marginales).a ecuación de una recta es ! : a * b*. Y variables aleatoria¡ que representsn eetaturas y pesos de individuos. página 82) que son dependientes en el sentido de probabilidad (esto es. Si X representa los s¿larios anuales de los profesores en tanüo que Y representa la cantidad de crímenes. Además. Demostrar = que la ecuación de la recta es U-Ut tenemoe (Ty.s resueltos NECTA DE MINIMOS CUADROS 8. Una recta pasa por los puntos (xr. yr ) V @2.268 CURVA DE AJUSTE.2.lLzr.t [. diente de la recta.Zrpzr-2. REGRESION Y CORRELACION [cAP.1. Por tanto (1) A2 = aibr2 u-a1 = @*br)-(a+b*t) (2\ . Es importante acla¡a¡ que "correlación" y "dependencia" en el sentido anterior no necesariamente implica una independencia causal di¡ecta de X y Y. ozr-2.yt)l@z . Aquí hay una independencia directa enüre X Y. = Y nr- n^ = nt-3' nz-B (53') disbibuye norma[mente. Véase Problema 8. ). Significado de una diferencia entre coeficientes de conelacion. sabemos (Teorema 3-15. EJEMPLO 8. Esto se demuestra en los ejemplos siguientes. lt ) y ( rr. (521 donde se Itzr-|.@ se mueetra en la Fig. el resulüado se deduce. Entonces ya que (¡r. 8 3. y. Pero diffcilmente diríamos que hay interdependencia düecta entre X y Y.yt)lfz .

por ejemplo. 7). (8. tales como P y 8. 8. es decir. (3. 8-?. (b) Í como variable dependiente.4\.. 6 y-l=0. Refiriéndonoa a la Fig.(4. (b) Para obtener la ecuación de la recta construida en (o).g¡2. 8) y (14.b) = l(o * br . 8-6.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. 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. 8.642r. Derivar las ecuaciones nonnales (4)..3. para la recta de mínimps cuadrados.7 . aFlab = 0.. 2). REGRESION Y CORRELACION Tabl¿ 8-1 ü u 1 269 (c) Construir una recta que se aproxime a los datos de la Tabla 8-1. 9) sobre un ¡istema de coordena' das rectangulares corno se muesha en l¡ Fig. (11. Las coordenadas de e¡tos puntoa tomadoc de la gráfica eon aproximadamente (0.. 3 2 4 6 4 891114 o a t). Puede demostrarse que eetas realmente resultan en un mínimo.rA' ")t)'6"' Fig.tl' a-r =ffiO-l. página 260.2..542r ó¡ U=l+0.1 .61. Entonces el Problema 8. (o) Dibujar loe puntos (1. Ajustar una recta de mínimos cuadrados a los datos del Problema 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. 12. CURVA DE AJUSTE..8l 8. 2ra = a2r*b2r2 como 8e pedfa. (6.rfnSOn a*bry albr2. recta de mínimos cuadrados conespondientes a 11.os valores de y sobre la. dz: albr2-9". . r como . Una condición ó mfnimo (o un máximo) es necesaria para que esto sea un que aFlaa = O. escójarrse dos puntoe cualesquiera sobre la recta. albnn Las dewi¡¡ciones verticales correapondientes son dt = a*br1-yt. (9. 6). Ya que # = >f. vé¡ee Problema 8'4 que emplea el método de mfnimos cuadrados.1 ) y (72. 8-6 . 4). (b) Hallar una ecuación para esta recta.2 utilizando a (c) variable independiente.4.cAP. dn = a*bxn-yn Fis. F(a. f.

()r)()ry) = (40)(524\ .50. las ecuaciones normales son 2ru = c2y*d2a2 Entonces utilizando la Tabla 8-2. las ecuacionee normales se convie¡ten en dedonde c=-* ó -0. d=9 ó 1.50.Ga)(. REGRESION Y CORRELACION [cAP. se ha agregado a la tabla para emplearla en la parte (b).50 d- - = 1.2 utiPuesto que hay 8 pares de valores de.636 r. 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.(56X364) lt ó0'545 = 6 --lE f8-i6 g=w =qffiffiá#l )c = cnld)y = frao.546 + 0. Nótese que esta no es la recta obtenida en el hoblema 8. 8c*40d = 56 40ci256d = 364 Estos valoree también pueden obtenerse de ()rx)sz¡ . n lizando el método a mano alzadt. Otro método.sz El trabajo involucrado en el crilculo de las sumas puede ordenarse como ae indica en lá Tabla 8-2. b=+ ó0. la ecuación de la la recta de mínimos cuadrados es ¡ : c * dy.60 .r. a = ()y)()r2) .8 (o) La ecuación de la recta es y : o * b¡. y.CURVA DE AJUSTE.545. yla rectade mínimoecuadradoopedida es S t + lrx 6 U = 0.)ru) c=ffi==-0. t¿s ecuaciones normalee son )Y: 2ru: an*b)r a)r*b).636. Aunque la última columna no se necesita para esta parte del problema.oso (b) Si se considera a r como la variable dependiente y a y como la variable independienüe.

d respectiremen' üe. ti).4. es (7.8-8 8.7. 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. Ot¡o método.4 intersectan en el punto (. las rectas (¿) V (S) no coinciden. U = 0'646 + 0'636(12) = g'Z' (c) Al remplazary:3 enlarectaderegresiónde¡ sobre a.6)seencuenhasobrelarerfar=-++$y.ú).546 * 0. y : 0.546 f 0. remplazando las constantes o.E. y es la varirrble independiente. {. Demostrar que una recta de mínimos cuadrados siempre pasa por el punto (i.5). 0. y E=-t+*y.333 + 0'667 ¡' que no ee l¡ mi¡m¡ rect¡ 8.500*1. ¡ es la variable independiente.60 + 1.636¡. La recta obtenida en la parte (b) se llama la recto de regreeión de x eobre y.636 ¡ 2 0 6tl012 Fig. 6) se encuentra en la recta U = 0.. (b) Estimar el valor de y cuando x: L2. (o) Demostrar que las dos rectas de mínimos cuadrados obtenidas en el Problema 8. b por c. ¡ ¡=-0. U = &* Lrrr. . 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 ). = tllu-úl Nótese que en general.60 * 1. Nótese quelas dos rectas en e¡te caso prácüicamente coinciden.546 + 0. 2.9.333 * 0.Í.50(3) = {.8l CURVA DE AJUSTE. Nótese que al solucionar esta ecuación para y obtenemos y obtenida en la parte (o).60 y.Resolviendoeimultánesmente. pueeto eue6=*+t(?).50y.fi). pero ¡e intergectan en (a. se indican en la Fig.6.66? r 8 6 1 u= 0. llamedo el centroide. Representar gráficamente las dos rectas obtenidas en el hoblema 8.úr. Lar gróficas de l¡s dos rectat.636 r o.Elpunto(?. - 0.! :5. mfnimos cuadrados puede eecribirs€ como hocediendo como en el c¿¡o 1 intercambiando r. ¡ = 7 . REGRESION Y CORRELACION Por tanto la ecuación pedida de la recta de mínimos cuadrados es r = 0.ha*+É. (c) Estimar el valor de ¡ cuan' doY: 3' -2a40 a=T=¡-=o Luego el punto (6. hallamos que la recta de (5) que indica que la recta pasa por el punto (4.60+1. más exactamente.6.8. [¡secuacionee delaedosrectassona= llamos 8.6). la recta de mínimos cuadrados puede escribirse como Q) Caso que muestra que la recta pas¿ por el punto (á. lo cual es un¡ indicación de que los datos están muy bien descritos po¡ una relación lineal. r-ñ f). y. ú).: L2 en la recta de regresión de y sobre n. se utiliza para estimar r para valores dados de y. (o) El punto (?. Caso 1.cAP. (b) Al remplazar x.pue¡üoque7=-*+*(6). Por üanto la¡ rectas se interceptan en el punto (?.60y t2 10 = y= e. F = -0.

(2r. Problema 8. REORESION Y CORRELACION Demostr^ar que la tecta de regresión de mínimos cuadrados de y sobre forma (8).8 tenemos f. j[n2ra Por tanto (I ) oe conüerte cn 2rU t (>¿X>y)] de donde ¡e obtie¡e el resultado (S ). y (véa¡e problema g.-. . u=7+tc Por üanto .=-Ep=Ts¡t Del Problem¡ 8.(Ic)z¡ También >(r - t)(v .e¡z demo¡tración de (12).(2r)(2r'l n2r. pdgina 260. sean c = d *h.tenemos .t).n8z 2r2 I Entonces .(2rlz 2(¡z-2nr*12) 2r2-2ñ2r*2i:z 2r2-2n82 lniz 2s2 .(>.12). 8.272 CT'RVA DE AJUSTE.nEú (I¡X)z) ¿ru . = n8ru-(2rl()ü _ n2xz _ (2r)z Entonces ti ú = út I h.(2x')(2y'l n)s'2 . ¿ = ñ.()¿X)y) n)¡z .t¡z = - t )(>x)2 |ín2rz .Demosharque .ú = b(x..10 Si en el Problema 8.9.p'12 El resultsdo er útil para dessrrolle¡ un camino corto para obtener recte¡ de mfnimo¡ cu¿drado¡ al ¡e¡ta¡ con¡tanter epropirad¡¡ de lo¡ valore¡ dadoo de r. y.9. tenemos D_ 2(r n2xy .)(2g. U - g.pdgina 261. re rigue intercambiando D - >(z::elfu. U . 8.1 -ñF-trú. r puede escribirse en la (l).n2r'a' .al r. h_ v- dondeh n2uU yk son constantes.úl = 2(rs-i:y-ir*efrl 2ra-ñ2u-ú2n1'2eú 2rU-nEú-nfrE*nitfi . Ir 2(a . h = f. demostrar que D--i# .y.=7+h.7 . + k. g 8.8. Tónemo¡ de 11) [eAP. página 260. De la segunda ecuación en (5). u=u'*k.

82 y b = 0. 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.086/___V (b) f. 8-9. (c) Hallar la ¡ecta de regresión de mínimos cuadrados de r sobre y.cAF.a2n*b2n2 [.849 .a recta de regresión de y sobre r está dada por y = a + b*. 8-9. (b) Hallar la recta de regresión de mínimos cuadrados de y sobre r.8l CURVA DE AJUSTE. 62 62 6{ 66 Fig. . 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 = 63.476x. La gráfica de esta ecuación ¡e muest¡a en la Fig.82 + O. de modo que lae ecuaciones normales se convierten en 9oe 2? 666 864 É¡ E 12o*800ó:811 800o*63. de modo que y :96.418 Zny = 54.ae sumas se muestran en la Tabla 8. y ) sobre un sistema de coordenadas rectangulares como se muestra en la Fig. REGRESION Y CORRELACION 273 Se deduce inmediatamente del Problema 8. &11 La Tabla 8-3 muestra las respectivas estaturas lc.9 ya que 2fr' = l(c-t) y análogamente = 2r-nñ = 0 ly' = 6./ €70 6 !a 2a'= an * ólr 2ra . (c) Construir un diagrama de dispersión.y deuna muestra de L2 padres y sus hijos mayores. 72 de dispersión se obtiene dibujando los r = _8.197 )92 = 64.88+r. donde o y b se obtienen resolyiendo las ecuaciones normales.4.418b = 64.L07 de donde hallamoe o : 36.476.

dondecydseobtienensolucionandolas 2a = cntd. ¿ = n>r!: (>!)l?nl = n2a2 . y ( los números restados de r tee). u =7*68 = -**68 = IZ-LZ = b(u.67.86 * 0.849d muestr¿ en la Fig.á).6?. Esto nos conduce a la Tabla 8-5.4?6 Larectaderegresión x:c* dy.38. .ú de acuerdo con el Problema 8. por ejemplo 68. b = dada por ry# = 0. 8 "= (c) ecuaciones normales I]4ff de¡ sobrey viene = 85.Iagráficadeestaecuaciónse Otro método. esto ee a = 36.68.11. - 68 tenemos r.g8.036. 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. de r.82.07) 6 ecueción de regreeión pedida de y sobre x ea a . REGRESION Y CORRELACION lcAP. Solucionar el Problema 8.9. = ú - 68. = delascualeshallamosc:-3. (12X106) (-16)f.476(n-66.38*1. CURVA DE AJUSTE.086 8. y.5) - (10)z = 0. Por tanto 6?.476u u .68 = 0. aparte de los enores de redondeo.(lyX>ay) n2yz .12s¡z _ _s.11 utilizando el método del Problema 8.68.d=1.58 n I¡ =7*68 = -**68 = 66.476 También ya que &' = ú . 8-9. .2y 2uY = c2Y*d2Y2 L2c Utilizando las sumae en la Tabla 8-4.274 Otro método.asfque¡:-3. - (>¡XI=y2l. = ñ .()y)2 1.L07 E1lc#54. se convierten en -f SLld = 800 64.036y.12. Réstese un valor apropiado.

()rX>u) 6=-ffi.859? A = logP 1.14. P de Ia Tabla 8-6 y también indica los (l ) son 2a = on*ü)¡ de las cuales 2ry .9294 2. = C.8l CURVA DE AruSTE.0043 12 ra 3.6762 1.0095 3.40.7 28.log P : y.4685 3.0 pulgadas cúbicas.40 Luego Y = 4. 8. Tabl¿ 8-7 s = logV L.0350 3.7858 1.13.2 t9.8 49. C=1.3019 6. tenemos tomando logaritmos de base 10 cálculos involucrados en eI cómputo de la recta de mínimos cuadrados (l ).2 PVt = C. donde y y C son constantes. (c) Hallar elvalorde y y C.0997 3. Tabla 8-6 Volumen V (pul3 ) 54.6 194.a2r*b2r2 4. (c) EstimarPcuando V = 100.7348 1.4 37.40(21 =1. a = ()y)()rz)-(>rX:g¿l _ n2"2-1>n\z . REGRESION Y CORRELACION 276 ECUACIONES NO LINEALES REDUCIBLES A FORMA LINEAL 8. Para cada pareja de valoree de la presión P y el volumen V en la Tabla 8-6.40.(b) Escribirlasecuacidnes que¡elacionan aPy V.0 10.6953 (o) Puestoqueo=4.2878 2.40= lb/pulg2.6 88. la última ecuación puede escribirse (r) U = oibr donde¿:logC. . Las ecuaciones normales qorrespondientes a la recta de mínimos cuadrados logP = logC-ylogV logC ó logP*ylogV: Tomando log I/: x.to = 16.2340 2.5 72. y conespondientes a los valores de V.4 118. r=logV:2 25.4533 1. La tabla 8-6 da valores experimentales de la presión P de una masa de gas dada correspondiente a varios valores del volumen V. obtenemos un punto que se dibuja en el popel log-log construido especialmente como se muestra en la Fig.000.20. y y= logP=4.60X104 y y=1.40=-y.ffi¡af'=-1.13 dibujando los datos en un papel logJog. debe existir entre las variables.20-l.66L7 2.1 Presión P (lb/pul2 ) Ya que 6r.9479 2.20-1.1 lu = 8'7975 b )12 = 23.3 61.2ry . (c) CuandoT=100.b:-'1. Solucionar el Problema 8. n. De acuerdo con los principios de la termodinámica una relación de la forma PV.074L 2.8543 =-1.7943 4.2833 1. Entonces P=antilog1.2077 3.7910 1.0059 2xa - 16.2976 )r = 11.cAP. 8-10.8309 t.20=logCy (b) Pvt.6946 1. La Tabla 8-? da los valores ¡.4Ou.

y PVtl = 16O00 PARABOLA DE MINIMOS CUAI)BAI)OS E. m 60 so r00 Volumen Y '{l Fig. REOBESION Y COBRELACION [cAP. que er negatlva en e¡te ce!o. . U = a*ba*crz l¡ pa¡óbol¡ de mfni- Se¡n lo¡ puntos mue¡t¡alec (a¡Ittl.o*blogV ó g = o*bn Ie pendiente D.a)(2) = de modo que logP* 1. para la parábola de mínimos cu¿dradoo.8-r0 150 ¡00 ú t00 También ¡e indica un¡ rect¿r (dibujada a mano alzada) que re aprorima a eeto¡ puntos.a*(1.¡ U¡ ertfa dadar por dt = qtbx¡Ic¡.. 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 . prigina 261. .1rn ¡on olbr¡lcu!. Por t¡nto albn2*ct/. re de numéric¡rnente por l¡ relación-de la longitud AB a le longitud AC. (r*uzl. ..?"-al' dc = o*bu21-cú-!2. logPTlle .4 logV = 4. [¡ medida en este e¡¡o indica que D = -1. Enton4. . (nn. .4 los100 = l.!nl. Por ejemplo cua¡do V: 100.8 l0 ú' 3o {0 ü.2.Ut U2..2. P: 26 de la g¡lfic¿.. of bur*wl l¡¡ de¡vir¡cionee de.) d^ = o*üc"lorl-t^ y lrr ruma de lo¡ cuadrado¡ de le¡ de¡viacionee eotá dada por )¿t = )(o+ bxlca2-t)1 . e2. Deriva¡ las ecuaciones nomales (I9). .276 CURVA DE AJUSTE.16.2 a = logP-ülog7 = lo926*1.4. Entoncee lo¡ veloree de y ¡ob¡e moc cr¡¡dr¿dor cotrec¡rondieatet a a1. . Pa¡a obtener ¿ ¡e nece¡it¿ un punto sobre ce8 l¡ recta.4. . .

2110¡ arí la parábola 2.06 941.8 3.92 230.688.46 254t.6 5. Tabl¡ u 1.2r2].82 4t.9 5.4E 1065.2 1.971.20 18.28 233.6 9.75 117.22 rzy 6.70 26.20 o + 2276.b.16.2 6.2 6.5 6.36c = 230.41 73.8 r87. c.00 2.8 4.OI 32.93 342.9 7.83 29.49 60.19 36?.6 2.04 1.66 259.t2 9223.44 3.4 2r2 - Ic3 = 2276.65 185.1 8.8 3.360 + 18971.91 636.7 12 n3 xy 6.08 10.7 4.o3to*óc*cr2-a)2 = )2(o+br*crr-a) k = )*a{o*br]-cnz-u)2 = 2Zr(a*brtcü2-a) aF :d.36 5?6.04 48.42 291. = + 2.O.cl = )(o I Para minimizar esta función debemo¡ tener bx * cx2 - U)z Ti=o' .9 9.1 : 8.49 92.48 19.73 5. Ajustar una parábola de mínimos cuadrados de la forma ! Tabla 8-8.7 4.ólcs*clra H trabajn involucrado en computa¡ la¡ ¡uma¡ puede ordenarce qomo 8e mue¡ha en la Tabla 8-9.8 7.58 4.79 s32.9 7.20 c = 48. b = : 2. b.066.6 2A = an*óI¡*c2n2 [¡s (r) ecuacionec normales son 2ry = o)¡*b2r9*c2rs 2n2a = o.36 2ua = Zxu 291.92c : 1449.0 7.2a*2SL.24 9.8 2.61 24.27 1.cAP.19 2.00 Puecto que n (2) Reolviendo. T¡bb ü u 1.' 7.2 )u= 46.6 a I bx * cr2 a los datos de la t€ D.L6 6470.1 12. c = {). ? = )f.12 67. págin¡ 261.8r 2n2g I¿= 42.2ll0rt .7 7.t=o' *=o Enüonces # = ).62 21.8l E¡t¡ ec CURVA DE A¡UsTE.1 t€ 14 a 4.42 - - 1449.8 4.0 ?. o ción = 8.70 38. e¡ decir 277 F(o. lar ecurciorÉ¡ norm¡ler (I ) rc convierten en 8a I 42.8 7. 8.2 1.40 10. REGRESION Y CORRELACION función de o.065 t .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).588 de mfnimoq cuadrado¡ pedida tiene l¡ ecr¡¡- .2Ob+2275.96 96.2b + 291.28 38.

ala pulgada más cercana y las edades y al año más cercano de 12 muchachos. c de modo que satisfaga (21. all.16 para estimarlos valores de y de los valores dados de r.19. [.762 4. vienen dadas por (f) 2z = na*b2r*c2y 2rz : a2a * b2r2 * c2rg 2gz : a2y * b2rg -f c2yz El trabajo involucrádo en computar las sumas puede otdenarse como se indica en la Tabla 8-12.962 7. vienen dadas por a*bnr*cyn dn = a* bnr* cUr. .56L 2. y.2)2 = 4. .0 7. . y. Demostrar que la ecuación de regresión de mínimos cuadrados se obtiene al determinar a..zn\. (c) Estimar el peso de un muchacho de 9 años y 54 pulgadas de estatura.503 7.5 2.).0..2) . b.621 5. lcAP.2110(I.640 7. (b) Determina¡ los valores estimados de e de los valores dados de r.2 6. Análogamente se obtienen otros valores estimados.z¡ dt = a* br1 * cUt. y por medio de una ecuación de regresión de a ! bx * cy. Tabl¡ 8-10 Uest 4. y puede escribirse z: albnlcy Las ecuaciones normales (21). pág¡na 262.8 7.. (rn. . (ün.os resultados se muestran en la Tbbla 8-10 junto con los valores reales de y.762. . las estaturas x.613 6.18 la forma z r.278 CURVA DE AJUSTE.. . Tabla 8-11 Peso (z) 64 7l 59 53 49 6 67 62 11 DO bó 50 d 77 DD DI 48 56 52 10 51 76 61 68 Esüatura (z) Edad (s) ol 8 5l 8 42 6 ol l0 10 I t2 I (a) La ecuación de regresión lineal de z sobre r.5 5. Se desea estimar una variable z de las variables : Sean los puntos muestrales (ryUyzr). Entonces los valores de z sobre el plano de regresión de mínimos cuadrados correspondientes a (r1.588 + 2. c e igualando las derivadas parciales con respecto za. Utilizar parábola de mínimos cuadrados del Problema 8.7 u REGRESION MULTIPLE 8. 8. Ue"¡ = 2.2. 2d2 = 2(a* br I y la suma de los cuadrados de las desviacionee está dada por cy - z¡z Considerando esto como función de o.. . .An) son respectivamenüe a*br1*ey¡ Por tanto las desviaciones de z¡.065(1.17.741 4.8 8.zt.9 6.8 4. (c) Hallar la ecuación de regresión de mínimos cuadrados de z sobre x. La Tabla 8-11 muestra los pesos z ala libra más cercana. las ecuaciones normales pedidas (21) en la página 262 se obtienen. Pata r = 1. REGRESION Y CORRELACION la.Un. b. b y c a cero. z.página 262.

. 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 = 40.206 69.20.225 68.! : 9 en (3).4t4 69. o aprorimadamente 63 lb.606u zesb al susti- ) tui¡ los valores correspondientes de x. c = 1.8436 * 6779c = 40.880 106o*67?9b+976o Rerolviendo. a = 6796 = 3. la ecuación de regrerión pedida es (t) (b z = 3.865r+1.-brl - o-bu) . y.7r7 68.b2r(u -a-br) .cAP.6612. Utilizando la ecu¿ción de regreción (3) obtenemos log valores egtimados de z.139 34. REGRESION Y CORRELACION Tabla t-12 fi 64 Df 59 49 62 51 a 8 10 6 11 z. ü = 0.e resultado¡ ¡e dan en la Tabla 8-18 junto con lo¡ mueshaleg de z.66+0.86? 65. las ecuaciones normales (I ) ee convierüen en l2a1-643b *106c (2) 643¿ = 769 * 34. Ír.168 48.830 2yz = 6796 2uy = 6779 48.926 66.136 64.¡ €stá dado por r viene dada por ! : a * b*. =í.8l CT¡RVA DE AruSTE.682 ?8. Entonces ^. Si la recta de regtesión de mínimos cuadrados de y sobre que el error típico de la estima sy.286 66. ERROR TIPICO DE LA ESTIMA 8.= v. el peeo estimado es zest : 63.664 78. 2a'- a2g n - b2rY por Ueet Loe valoreg de y ectimadoa a partir de la recta de regrerión vieneÍ'r dados = @ * ü¡.356.2(Ufl -a.920 64 7l 63 67 DD 68 77 67 66 61 76 68 (c) Remplazando ¡ : 54."r)2 2afu 2fu-o-brlz o. denoüado8 pot valoreg Tabl¡ 8-13 2est 2 64.6068.843 Utilizando esta tabla.8646.r=n= = 2(a-a. demos- s'?.

(1.ó)(a .11(b ) la recta de regresión de y cobre x ea ! : 36. Demostrar que el resultado del Problema 8.xpot¿-á.14 66 65 67.71 -0.á).82 + 0.r9)z:l-.!* e!\ = 2a'2 + 2y29' * nú2 .98)2 12 = L64z .11.. 8.bnü! = 2U'2 + nú2 .2na-o. En la Tbbla 8-14 ee listan los valores reales de y (de la Tabla 8-3) y los valorec estimado¡ de y.UpotA-ú.x = lTiltr= 1. Sabemo¡ que la recta de regreeión puede eecribiroe oomo blem¿ 8.al@ .71 69 68 68. E.o.. Tabl¡ t.81 0.66 >(u-u.ana .19 0. = 2a@-a-bt\ nll 2a2-a2a-b2ra Este ¡esultado puede extender¡e a ecuaciones de regresión no lineal.24 -0. Entonce¡ del hoblema 8.2O puede escribirse como ^z üu.b2(r.28 -1.14 -2.+(0.r.€2 + O.24)2+(0. g = A'+ ú.bt2y' ..bñl = 2O'' .28 pulgadac.476(66) : 66.33 0.19 67 68 67. 2u'=0 y ú = o*bt (que re deducen aldiüdiramboslado¡ de l¡ ecuación normal 2A = an * b)r por n¡.b2(r' * ñl@' * úl = 2(y'2*2ytfi*¡z¡ .Cuandoeehacenestoeremplazo¡enelProlos datos del Problema 8." y 8t.2¡ pará Del hoblema 8.2y-an-óIr = 0 2r(a-a-br) . 2(a . REGREsIoN Y coRRELAcIoN lcAP.21. güe ¡e neceaitan para el cálculo de oy.b2t'g' . Por ejemplo.o2(g' * fil .ú = b(r .24 63 66 65.76 L.22.7L 64 66 66.úl donde hemooutilizadolo¡re¡ultedot2r'=0.28 68 69 68.¡ Método 1.bn. como se obtienen de la recta de regresión.81 62 66 66.ú = 2u'2 .19 2.66 7l 70 69.20 se obtiene el re¡ult¿do pedido.a2r * = b2u2 Entonces sí.47 6r.76.280 Pero CURvA DE AJUSTE.20 N3' = 2u2-o'2a-b2xy = 2(a' + ú)2 .b2r'Y' = 2(a .b2r'g' .y.14 ü a Uesl 65 68 66.b2rtgt * nú(ú .a(2U.38 7l 68. que corteeponde a empezar con l--o+bryremplazando:oporcero.*nú') .6? 70 68 69. 8 2(A-a-bn) .29 -1.62 0.ú)'- b)(c n - ¡)(u - ú'l Si ¡ = r' * A.")z = "1. / . Método 2.81 U - Aest 0.2r-b2rz = 2A = on * ó)c 0 puesüo que de las ecuaciones normales 2ru . Catcular el error típico de la estima¡ 8¡.anÚ . I üyt * r. cotrespondiendo a ¡ = 65 tenemotgest:36. También ¡e indican lor valorea y - Uest. Erto demueetra el resultado pedido.24 68 67 67 67. denotados por lresr.a)2 .bi2r' .

22.11 se muestra sólida en la Fig. ne dada por 6r.25.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.28 y 1. (¿) Construir dos rectas paralelas a la recta de regresión del Problema 8. (b) Determinar el porcentaje de puntos de datos que se encuentren enhe estas dos rectas. + (2.el 6812 de los puntos se encuentra entre las rectas.) para 9 puntos (¡.77 )(U"... 8-11. Demostrar que >(g Elevando al cuadrado A"'r)'* 2(U*r. 8l CURVA DE AJUSTE.:'.'. :: :.28 (es decir.40 pulgadas..13 1.13 -1. Tabla.[t = (y . ..rr.. ú>@ - a - bn) puesto que de las ecuaciones normales 2(a = 0.58 del Problema 8.un"J(v.brt Q. Las dos rectas paralelas. = tpiLo (1.t)2* )(yn"t-ú)2+ z>fu. ya que es cero.56 -0. Uir examen poste- 66 6l 62 Otro método.::. 2r(u .476¡ obtenida en el hoblema 8.t-ti) - A)" = 2(A - El resultado pedido se deduce si podemos mostrar que la última suma este es eI caso.61 0. y).11. Este hubiera sido el caso aproximado si el tamaño fuera más grande.34 0.cAP.04 (a) Variación explicada = (b) Variación no explicada -ú)2 = (-0. Calcular (a) la variación explicada. Entonces el porcentaje pedido es 9l12 : 7 5d. '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.nrr.82 -t. = )(U . se encüentra entre -1. (b) la variación no explicada y (c) la variación total para los datos del Problema 8. parecen estar sobre las rectas. = 1.U""t)2 .12 (o de la Tbbla 8-4.ne?. 8-11.. y-gfo". del Problema 8.25 1.:: . = 1/@ se tomaron las estaturas vie- COEFICIENTE DE CORRELACION LINEAL 8..g) sumando. la teoría predice que alrededor d.S-15 Uest : 8]-LlL2: 67.. tenemos 2(u-ú)2 .rn.30 0.61 -2. (o) ta recta de regresión y : 35.A)'..a) = =Q :y.24. de datos.08 2. Si los puntos están distribuidos normalmente respecto a la recta de regresión.)(y-uu.y""t) * (Uost .. Entonces el porcentaje pedido es 9lL2: 7 5%. se muestrana trazos en la Fig.28) = 1.28 (véase hoblema 8.abn) a . Il .22). NOTA: Una mejor estima del error tfpico de Ia estima de la población de la cual so.58).82 * 0.. 8.82¡z+..11 a una distancia vertical sy. = 19.0t¡z . ya qve ú la Thbla 8-14 podemos construir la Tabla 8-15.23. Del último renglón de la Tabla 8-14. Utilizando los valores - a -0.r 0. Tenemos Uest de ú : 67 . cada una a una distancia vertical su. REGRESION Y CORRELACION 28L 8. En el caso de regresión lineal )(v - Y'"'¡)(v" "r . ts.?0.

76 11.donde ¡2= variación explicada va¡iación no explicada 2b2r.6 0.68 2trtg'= 40.27. del Problema 8.68 5.22 + 19.34 \/G. Utilizando la fórmula producto-momento.[bb tt 62 70 66 68 67 69 -4.7 0.o.36 68 il 'l .4 . Halla¡ (o) el coeficiente de determinación y (b) el coeficiente de correlación pa¡a los datos del Problema 8.4 0.29 18.49 1.26.09 10.7027 u 65 63 67 B4 a 68 66 68 66 69 66 68 66 r-t -t.82 7. trt =r- E..49 -2.32 7t 0. 8. Por tanto se sigue el reeultado pedido.11.A.7027 o con dos cifrar significativas r : 0.7 1.34 2a'2 = 38.62 1.s¿.3 -2.z b22r.aumenta.) asír--*2r'a' ffi (2x.)z \/ñtrW Sin embargo. E.4 7l 67 68 70 -0.y.02 1. la conelación ec poeitiva y por tanto escribimo¡ r : O.3 a-v 0. utilizando A.7 3. derivarel resultado (34). puesto que la'gt'es positiva cuando 3/ss¡ autnentá a medida que r aumenta. página 264.69 u'a' a'2 0. .89 0. aumenta a medida que r aumenta.6 . obtener el coeficiente de correlación lineal para los datos del Problema 8. = y -f.66 -0.8 (c) Variación total : 2(a .16 o. /i84s8)?58-3t Tabla E-16 = 0.89 13.82 4.7 -3. (D) coeficiente de conelación = r : tVñ7d58.11.6 0.92 = 67.16 6.66 0.3 -1.92 0. Entonces 2r'a' 40.92 10. prágina263.3 4.282 CURVA DE AJUSTE.28.3 2.42 -1.09 5. Los resultados (b) y (c) pueden obtenerse por cálculo di¡ecto de la suma de los cuadrados. tenemoa &*br 6 Ulr¡= bx.' .:800/lZ = 66. Utiliza¡ los resultados del Problema 8.4F7q de acuerdo con el Problema 8.76 1.69 0. pero negativa cuando /est disminuye a medida que r. 8.A)z = 19.6 3.96 2.09 7.70 = 38.6 L.= \Eá/ /rorl = \r¡.56 0.4 a'= tr'2 2.= !0.7 1. ¡o )¿ = 800 i.))' l) n'\ ¡ \) '\il t' jó -0.2 /?r.25.7027.16 2. la expresión para r tiene automáticamente el signo conecüo asociado..-0v t'. (la fórmula producto momento).= EF.29 1.24.16 6.18 0. en el caso de regresión lineal.3 -2. REGRESION Y CORRELACION lcAP.'.92.4 ' 0. para el coeficiente de conelación.4 -0. El trabajo involucrado en la computación puede organizarse como se indica en la Tabla 8-16. Entoncee.f.L2 7.3 0.?0. La recüa de regreeión de mínimos cuadrado¡ de y sobrer puedeescribfuse 1lest= b = 2r.4 2.32 1.7 )y = 811 a = 8LUl2 2rt2 = 84. (a) coeficientededetermir¡ación = t = '1Hi1iáf*1"io" =m= 0. A partir del resultado general (30).6 0.y = EP.69 22.26(b).l2at2.4e88. y Ulst = U. Puesto que la varirable yn".

a recta de regresión de y aobre r es u=olbx Análogamente.476 d=ffi =1.29. págrna 261.30.11 (b) y 8.11. donde ¿=? rz r sobre y er =a*ilu 8y Entonces b¿t = 1g\ 1g) = \c"/\oy.11(c) respectivamente 484 ' ó=10fr=0. Demostrar el resultado (17). 8. 2(a-nlz = 2(rz-2rt*r2) = 2s2 .036 Enroncec rz = bd.(>aXIY) n :E Puesto que = (2rlln V'ú = (2Alln" Arúlogamente.nnn* v Entonces (I ) ee convierte en r(a-üz = 2a2 r : . Utilizar el resultado del hoblema 8.TUSTE. la recta de regresión de donde A=?I.>IY w@ : n2rA-(2r'l(2A) . REGRESION Y CORRELACION 288 8.cAP.27 ee demoetró que (r) Pero | = -4={@ñ4 = >(x-el(a-il = 2(ra-Da-sú*eúl = 2uU-e2A-fr2ntnD! = 2ru-nú-nfro-lnn! = 2rg-nDfi 2xt = --E . . Demostrar que el coeficiente de correlación lineal viene dado por f= En el hoblema 8.28.26(D) y 8.2ñ2r 4 ntz (2112 2(2nl' ()r)2 = 2rz = 2r2 .31.29 para halla¡ el coeficiente de correlación lineal para los datos del hoblema 8. [.| ¿gl\/¿e¿\ 6 =(iiot/\al/ ' ¡=o'7o27 que está de acuerdo con lo¡ Problemae 8. Del Problema 8./ 8.8l CURVA DE A.

4)/8 = 5.32.11. Entonces variación total = 2(A ." = ss\/T=F = 1.31 para obtener el coeficiente de correlación lineal para los datos del Problema 8. (c) Hallar el coeficiente de correlación lineal entre las variables r.4'.636 ó 1.2)r][(8X2e0.62.4O De la Tabla 8-10 Por tanto t-= = l(g""t-Al2 = 2l.42) [(8)(2e1.636y'i-(0.21(46. COEFICIENTE DE CORRELACION GENERALTZADO 8.Oz variación explicada . i = (2U)/n = (46.) (42. Utilizando (a) y el Problema 8.26(b).3743 indica prácticamente ninguna relación lineal entre r.2z .80.n¡zi = -0. REGRESION Y CORBELACION [cAP. y. (c) Explicar la diferencia entre los coeficientes de correlación obtenidos en (c) y (b). como lo indica el hecho de que el coeficiente de conelación en (b) está muy cercano a 1.284 CURVA DE AJUSTE. Entonces la desviación típica de y es 8u= 2(u - ú\2 21.20) - (42.218 6 o.33 (b). De la Tabla 8-4 r= n2ru .33 (b).L071 = 0. supóniendo la relación parabólica obtenida en eI Problema 8. 8.52) - (40.40. paralos datos del Problema 8. el error típico de la estima de y sobre I es B!. (d) ¿Qué porcentaje de la variación total permanece como no explicada por la suposición de la relacii. y r =0'9911 var6eió.33. (b) Hallar el coeficiente de correlación no lineal entre estas variables.ilz = variación explicada 21.3?43 (b) De Ia Tabla 8-9.01?g Por tanto 7.2g y g. y (b) sr.99r1)2 = 0.30.34. hallamos r= n2ru - ()¡X)r¿) (8X230. Ubtlizar la fórmula del Problema 8..16.78%de la variación total permanece no explicada..n parabólic a entre x. variación no explicada va¡iación total (d) = l-r2 = L-0.7027 como en los P¡oblemas 8. 8 8. 2(A . Sin embargo.16.16.ú)2 = 21. Esto puede deberse a fluctuaciones aleatorias o a una variable adicional que no se ha considerado. I del Problema 8.9922 = 0. y? (a ) Utilizando los cálculos de la Tabla 8-9 y agregando que 2tt2 = 290.tal =ffi=0'9822 (c) El hecho de que la parte (a) muestra un coeficienüe de correlación de solo 4.()¡X)z) (8oo)(811) (r2)(54.40 8 = 1.1 ¡. hay una muy buena relación no lineal dada por la parábola del hoblema 8. Hallar (a) s.16. (o) Del Problema 8. 8.64 (á) Primer método.

36.22 8.218 ó 0.a = = 299.88 Va¡iación total 2(z-2\2 . REGRESION Y CORRELACION 286 Utilizando el Problema 8. Explicar córno determina¡ía un coeficiente de correlación múltiple para las variables en el Problema 8.*n @l_ryz n*l En = mientras que la varianza es sf.76)z = 888'26 = 888. la varianza de las desviaciones.@ "" = 0'8418 = !ffi = thffia Debe mencionarse que si fuéramos a considera¡ la regresión de eobre y. dada en térrninos de e2r. = 12-82 = 12+22*. ¡ sobre y.88 = 629. ss t+2+.L2(62.139 .I i son las desviaciones entre las graduaciones.218 6 0.16 y el cálculo adicional 2gz 8y. vemos del Problema 8.19 Variación no explicada = 2(z - zo"tl2 (64-64.-. viene a3: s?+r?-2rs¡ads"sv . Utilizando el Problema 8. al y el coeficiente de correlación entre grados por * - s2¿.33' variación no explicada = 0.35. pág¡na 264. Sea rr: el grado dado al j{simo valor de x. z. CURVA DE AJUSTE. Ya que z se determina de ¡. el coeficiente de correlación de ¡ CORRELACION GRADUAL 8.52. z gería en general diferente del valor anterior. y I va.os grados son enteros de 1 a n. tenemos 2a2-a2a-b2ra-c2n2a = 0.22 Tercer méüodo. y estamos interesados en el coeficiente de cor¡elaeíón múltiple de z sobre x.8l Segundo método.pl.25 Variación explicada Enüonces - 258. la mediaú ylavarianzasf sonigualesa(n l)12 y (n2 L)ll2 respectivamente. que Para obtenerlo.. ! ¡ el grado dado al j'ésimo valor de y ' [. *n2 n n(n*r)(2n*11/6 2 n2-l t2 utilizando los reeultados 1 y 2 del Apéndice A.4L4\2 + "'+(68-65'920)2 = 258. AquÍ estamos considerando n valores de r (por ejemplo pesos) y n valores correspondientes de y (por ejem. Entonces si d¡ : r i . Derivar la fórmula de correlación gradual de Spearman (36).l'ciñexptñat.37 Coeficiente de correlación múltiple de z sobre x. y.cAP. [¿ media de r. esbturas).19..222-n22 48. Análogamenüe.

6.7. 69. ordenadas en forma a¡cendenüe de magnitud. 3. 69. Tbmbién se incluyen dz y 2dz.5.6.6. lac estaüuras de loe hijos ordenadas en gentido creciente son 66. por tanto las estatu¡as de los hijos quedan ordenadas @ Con las correspondencias 1. 66. tor \-"rttd- "3 - e¿.6 t2 5 7.6 1. 10.s" 0. 69.6 3. 6?. 11.6 10 t2 7.6 7. 6g. d d2 -1 -2 -1 1 1-1 I 1 3 I I I 2-L 4 1 -1 1 4 2d.2 24 = Entonces rgrad= t-#!T = t-ir#?u = 0.6.38.rz)/n y (l ) ge convierte en 7')/12 W @2 - * (nz 6>d2 . 66.6 10 3. 66. 64. les asignamo¿ w orden meg [(6 + z + + 9) / 4 . 69.(2d2)/n = L-nfu2] 8. las estatura¡ de los padres eon (r) 62. 7l y puesto que los lugares 6. 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. 6.7.11 y compararfos rezultados con el coeficiente de correlación obtenido por otros métodos.6 1 11 6 8. 12 De igual forma.6 3 8. 69. 7. 69. la Tabla 8-B se convierte en Tabla E-19 Graduación del padre Graduación del hijo 4 2 6.6 11 . 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.l\ltZ .5.c asignamos a estos doe lugares un orden medío de 6.286 Entoncee cuRvA DE AJUsrE. 9. 1¡ (t) y (2). 3.5. 6.5.6.(J) y (4). 70. 1.6. 3. Análogamente. Calcular el coeficiente de correlación gradual para los datos del Problema 8. 66. 67.5 l. le.6.6. 11. AsÍ.6 7.6. 71 Puesto que en esta ordenación loe lugares sexto y r*éptimo represenüan la misma estatura (6? pulgadas). ?.7. 8 y 9 repreeentan la migma estatura (68 pulgadas). 70. 66. 4. a los lugares 8 y 9 ae les asigna el orden 8. %.6 1.66. 6. 2. 9. 8. Hallar el coeficiente de correlación gradual. 63. 8 (r) h¡ecüo que 7 = fgrad = eZ+sT-af. Tabla 8-18 Diferencias de puntuacionee.37. 6g. 6. 10. 6?.8s45 indicando que hay una relación entre el rendimiento en laboratorio y teorfa. REeRESIoN y coRRELAcIoN lcAP.5. a las e¡tatura¡ de loe padres ee les aaigna los órdenes (2) (3) dio de 7 .

25 2.px) * (pv .F) sea un mínimo.9px.a) ó Fok = o*v a-tly="4tr-u*) A-Py - /'. E(Y .26(b). 8. Derivar (39) a partir de (37).Fpx.(r+2y) 0<n<7.60 rgrad = t-#!T: .26 6.0 ü 12.Fy = p(r .P¡x.rv) = 0.26 12.}j'2l. 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.0 1.2Boyy r (py .39.px\ ^t u\ox) | Debe notarse la semejanza de la demostraeión anterior para poblaciones. ) La función de densidad marginal de X es f{r) = [.25 1.o*t¡ .-ffi!\ = 0.26 L2. (b) X sobre Y.a* pr entonces A . 20.5 1. REGRESION Y CORRELACION diferencia en graduacionec d. utilizando esperanzas. los cómputos de d2 y I¡ )d se mue¡tran en la Tabla 8-20. INTERPRETACION PROBABILISTICA DE REGRESION Y CORRELACION 8. utilizando sumas.ú2 E(X .25 2.0=Y<L {o deotraforma Hallar la curva de regtesión de (c) Y sobre X.zBEl(X-pi(Y -¡.8l CURVA DE AJUSTE.r.40.6 1.00 2. = f.ol. íE = dF Denotando la última expresión por F(c.6 -1.7027 obtenido en el Problema 8. La función de densidad conjunta de las variables aleatorias X. En general. con la correspondiente para muestras.dlz} = El(y -pv)21 + BzEl(X-r.25 6.v)l + Gv-Ft'x-o)2 = "? * F2oI . halla- tv = ol Ftx Por tanto si g .0.px) . lo cud es una condición necesa¡ia para que F(q.00 d Entonces 2iP = 72. lo+zo¡a.6 2. los resultados para muestras tienen resultados análo- gos para poblaciones e inversamenüe. .?466 que concuerda muy bien con el valor r = 0.6 3.26 L2.5 -1.5 3.26 1.cAP. Tabla 8-20 -3.5 -2.25 2.pvl . . Y es l\r'a) : (a | f.6 -3. p) tenemos AF u = mos -2(pv zBoi - 2oxv - 2px(pv .5 -1.Fpx.P(X .

8 par¡ 0 Í r=1.'=. x = Í.la densidad condicional X dada Yes frotu\ = ffi = )'. para O t. 0óy fi (¡ly). ni la curva de regreeión están definidas para ¡( 0ó¡ ) 1.lla +zut)an ay = t ofr = F-tz = á_(i*)' = # . ni la curva de regresión se definen ( 8. Nóte¡equelaadoscurvasderegresión"=(3r+4llrcx*6). = daXe¡ rz(utat = W = {X [o ssYsr y<o 6 y>r y la curva de regreaión de Y sobre X está dada por a . = r<O ó r>. (e) o*r.'=o.*4 Jra\"+¡1"v = 6'+6 Ni fz (yl*).'=o Í"'=o o. 3ü.Portanto. = fo'!@+zula. (D p paraladistribucióndelProblema8. @l (a) (ó) "?. (d) o?. y f{rl =0 deotraforma.t"lul a.E(ylx=r\ = fl.t y la curva de regresión de X solre If viene dada por t.ladensidadcondicionaldeYd¡.para 0 r<l.f"'=o". = E(x I y =ú = tlpara y Í.=o J"=ooLi<"+zYlfdrdY rr ll = iá fr = f.+# o='=1 L0 rf .13r"+zv¡fanav = # Entonces ofi = Íz-*z = *-(3)'= # (dl Entonceo F = f. Hallar (a) X.'"(?i#)* l. (qY.*:12*6y)/(3+12y)eondiferente¡. "l?o + zutlar ay = I i: -'l 4r f-o J. de = |tr*nr¡ = y S L.I¡ ) 1.41.ufr{ulOaa ('/"+zy\. REORESION y CORBELACION [CAp. (b) Para 0 = y < I la función de den¡idad marginal de yes fztu) Por tanto. J:'=.288 cuBvA DE AJUSIE.4O.

0 pulgadas' puesto qu€ t s7.476B-b t=r.28. ¡rara ias estaturas yos padres tienen unas estaturas de (o) 65.23 h es decir.- 2.22)y 1.11 = -l/162/. sr. En el Problema 8.81 para L2 ..43)' y n: !2 1 r/o t r--- . .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.- = . sx: 2.los Ií¡:rites de conftanza del 95oy' para --j:lq--. Loslímitesdeconfianzadcl F = b-+f+) ' \ñ4\82 I para 12 .0 y lb) 70.11 se halló que la ecuación de regresión de y sobre x eray: 35.á para el coeficiente de regresión del Problema 8. REGRESION Y CORRELACION 289 (e) xY = Entonces Í.. ot : ". (+) ó a -i : - ür I x) ó -. Hallar los límites de confianza del 95'.44.180 si ú ) ú.2\ o. 0. (b) X sobre Y para el Problema 8.05 rechazaríamos Ia hipótesis de que el coeficiente es tan bajo como 0.:2.42. Y ltr-2 donde 37e : 85.136 y 0. 8. Escribir las rectas de regresión de mínimos cuadrados de (a) Y sobre X.45. En eI Problema 8.42..476x.'=o Í"'=o.9b Con un ensayo unilateral de Ia flistribucirin de Student a un nivel 0.82 + O.180.-- .'lW\" ..2g para 12 . (¿) La recta de regresión de Y sobre X es + oXY "+@ .cAP.2: LO grados de libertad.o+zul)arav =1 3 .43.82 + 0..43..4?6 t Vlo\' t/tz. 1/ .66 del Problema 8'11' 8. hallar los límites de confianza d-ei 95'7.28 (calculcda en el Problem a 8.xY p = n-xÍ oxY oxoy = *-(s)(i*) = = - 1 162 0 -l/162 .-.szs=!2. 8l CURVA DE AJUSTE.66 (Problema 8.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. Por tanto no podemos rechazar la hiPótesis.q\I a.11.. r8fl .4?6 r6 (Problema 8.r: L.B4o confianza del 95% de que 6 se encuentra entre 0.losaleolocar t=lt.2 = l0 grados de libertad) vienen dados por 95?iparap(obteni.nfi162\/28/Bz4 -0.47G :t ' +('!!) t" / = 0.2 : 10 grados de libertad.t / ó (b) La recta de regresión de. de los hijos cuyp son 8.e5: 1.11).Of Ae que el coeficiente de regtesión de la ecuación de regtesión poblacional es tan bajo como 0. se está en la ryHt\ = 0. = {".40.2U'L66 0'19916¡= = ya que eo.r: L. Ensayar la hipótgsis al nivel d-e significación del O.8I 6.lrv1l_z=-.o1f.

69.80 pulgadas (b) Si 16 : 70.7 y 70.01 8.t)2 : (65 . REGRESION Y CORRELACION lcAP.290 CURVA DE AJUSTE.za\ = 66.0.6 pulgadas úo 0. se puede esta¡ en la confianza d.16 :65.?6 a 2'23 es decir.46.32.6 pulgadas.i¡z : (?O.? y 6?.0. Un coeficiente de correlación basado en una muestra de tamaño 18 resultó ser 0. es decir.09 pulgadas. Entonces los límites de confianza del 96Vo so¡ 69.1/l-z = = .05.E.45(ó)] los límites de confianza del 95%. y¡ : 66.23 para 1 0 grados de libertad.05. rechazaríamosI/e si ú ) ú. En el problema 8. 35.14 f es decir. ' (b) Si re :70.11.66 (Problema 8. hallamos [comparar con el hoblema 8. /e : 69. los métodos muestrales son exactos para una población normal.01 que el coeficiente de corréhción poblacional es apreciablemente mayor que cero? Deseamos decidir entre las hipótesis (Ho: g :0) y (llr t = . Tarnbién. Nótese que para grandes valores de n.2óy6!2so. 7. = t. los límites de conñanza del 95% están dados aproximadamente 8.05? A un nivel 0.07 pulgadas. es decir. se puede tener confianza de 95Vo que la estatura media de todos los hijos cuyas estaturas de los padres son 65. de confianza del g5% son (ro . se puede estar en la confianza del 96Vo de que las estaturas de los hijos están entre 63. También (x¡ .23 donde y¡ : ffisv.s1t : 2. los límites de confianza del 95% para Uo fo son = 2.8OOtl2r2 : 2.45(c)] los límites de confianza delg1l". hallar los límites de confianza del96% para las estaturas'medias de los hijos cuyas estaturas de los padres son (a) 65.Bb Sobre la base de un ensayo unilateral de la distribución de Student a un nivel 0. el valor mÍnimo de n debe ser 032{n - 2 r/i -to.05 y (b) 0.48).05.8 los límites (o) Si 16 : 65.76 1 1.0. 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. ¿Puede concluirse a un nivel de significación del (a) 0.0 pulgadas se encontra¡án entre 67.0 y ?0.o¡ para n - 2 grados de libertad .": 2.SOO112)2 : 11. ¿Cuál es el tamaño mínimo tal de una muestra para que podamos concluir que un coeficiente de correlación de 0.96sy. hallamos [comparar con el Problema 8.O . es decir.sz).Estoconcuerdaconlosresultados aproximados mencionados en la página 262.1 y 7 4.sz\/ra-z : p l.2 pulgadas.45 pulgadas.75 para 18 -2: L6 grados de libertad. (o) (ó) Puesto que no podemos rechazar ) 0).ss :7.47.0.476 r6 (Problema 8.66. Ya que t. (o) Si.82 + 0.05 utilizando un ensayo unilateral de la distribución que de Student.14 pulgadas.0 pulgadas.32 sea considerablemente mayor que cero al nivel 0.0 y (b) ?0.48. Por tanto no podemosrechaza¡I/6 al nivel 0. Entonces 66.Los métodos de este problema son válidos independiente del tamaño de n ó to . Porlo +1.0 pulgadas se encontrarán entre 65.11.' sr.14 + 5. ciertamente no podemos rechazarla al nivel 0. t/6 al nivel 0.8 pulgadas./i=@0.?6 pulgadas.11). o.rcontalquero -ñnoseademasiadogrande.elgbVo de que las estaturas de los hijos están entre 64. TEORIA MUESTRAL DE LA CORRELACION 8.78.?6 t 3.

7L. pa¡a n=2g. n=26. t=0. El coeficiente de correlación entre las calificaciones finales de fÍsica y matemáticas para un grupo de27 estudiantes se calculó era0.28z (ff3*3) = o. v =26. a un nivel de significación del 0.28 A un nivel de significación del 0.4904- = 1.05 utilizando un ensayo unilateral de la distribución normal rechazaría' mos la hipótesis solamente si z fuera mayor a 1. t.rsr3 loc\t -.50 y tz : 0.60.9730 0.05? o.s0(-/l1 \ \y'n_B/ = 1.b4es. ¿Podemos rechazrir la hipótesis de que el coeficiente de conelación poblacional sea tan pequeño como (a) p (o) : 0.) nzr-2.el 95Vo püa pz vienen dados por Z=L.s5=1.80.30 respectivamente. L {zt - = Z-pz oZ 0. z = t.e155. = Deseamos decidir entre las hipótesis = 0.64. (Hs p2r= Fzrl I (Hi Fzr* .49.05.16131og(++*) /r r-\ \r-'l / *t.80 y n = 21.60.5606. REGRESION Y CORRELACION Para un número Pa¡a infinito de grados de libertad.tJ2:1.o.51. t--032\r26^tr=@ = 1.B0eb #*#= Fzrl.9r : 1.Hallarloslímitesdeconfianzadel96% paraeste coeficiente.(-) \r P. 8. 8.sz\/rLtt/l-(u32Y = 1. para n=27.2182 = 1.50 a un nivel de significación del 0. (b) p : 0. Dos coeficientes de correlación obtenidos de muestras de tamaños nt : 28Y rtz:35 se cdcularon como rr : 0.6932 0.5366 a 1./ = 0.unrr.96oz = 1.r6r3t"" o. v =24.rrro. 8.5493y2:(0.:) = oz= La variable tipificada ee Fz = r.50.r5tz'""(+l-&.L613 logS:0. Un coeficiente de correlación basado en una muestra de tamaño 24 se calculó era r : 0.5493)/O.9730-0. t.5606.=L.4620 Entonces ¡t2 tiene el intervalo de confianza del9SVo. Entonces el tamaño mínimo de la mueetra ean:28.2182:L.s|= l.64 y por tanto n: 25.s|= 1.92. t .0. (b) Sip:0.50.69.0e86 10. Puesto que r : 0.Portantopodemos rechazar la hipótesis de que el coeficiente de correlación poblacional sea üan pequeño como p: 0.94. si Si pz Fz /r +"\ = l.72.s2\/ñ/\Flfu2p.49 y 0.7L. Por tanto los límites de confianza del 95Vo para p son 0./ 0. ú.6.r¡rlb*'. Por tanto no podemos rechaza¡ la hipótesie de que el coeficiente de correlación sea tan pequeño como 0. p : 0. zz: r.5366' p = = L. t.) 0.266e = 0.!613*(=. v=26.?1.05? zr = r.66.75. los límites de confianza d. ¿Hay una diferencia considerable entre los dos coeficientes a un nivel de 0.CURVA DE AruSTE.50.L6rt*(=.

292
Bajo la hipótesis IIq,

CURVA DE AJUSTE, REGRESION Y CORRELACION

lcAP.

8

Z,

-

Zz - Qtzr- ttzrl ozr- z,

0.5493-0.3095-0
0.2669

:

0.8986

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

PROBLEMAS DIVERSOS

8.52. Demostrar la fórmula (25),

párytna 262.

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

Pero por definición,

2(u-ú12 _
¡¿ -

"l!

-z

2(r-¡:)(a-ú\ _ ---i-

o"v

y, por (6) en la página 260,

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

8.53. Demostrar que E[(y
Tenemos Entonces

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

y así

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

cero.

(o)

Para regresión lineal,

I"., = a* PX. Entonces

El(v -Y",tXY"¡r-

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

Bxz¡

porque las ecuaciones normales

E(Y
(comparar con el hoblema 8.3).

- a-

FXI

- 0,

E(XY

-

aX

-

PX2)

-

o

(b)

Para regresión parabóIica, Ycsr

= d + pX + 7X2. Entoncea

El(v -Yest)(Y"st-

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

yxz)]

cAP. 8l

CURVA DE AruSTE, REGRESION Y CORRELACION

293

debido a las ecuaciones normales

E(Y-a-pX-'tX2)

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

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

0

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

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

p2
y el resultado

='##

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

n?.*

se deduce inmediatamente.

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

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

(f)
Pero dado que Y

= a*

BX,

(21
Entonces

E[(a + pX

- Yr2l =
=
or*,

Elp26

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

BLE\(X

-

X)21

oi -;-

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

(l

) se

convierte en

(3)

p2 =

44

o

p-r*

oxY

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

oyv).

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

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

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

1950 161.1

25.2 31.4 39.8 60.2 62.9 76.0 92.0 105.7

122.8 131.7

Fuente: Bureau of the Census

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

ese año respectivamente. La ecuación de la

(f)

A = a*bx*crz

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

294

CURVA DE AJUSTE, REGRESTON Y CORRELACION

[cAP.

8

2U = on*ó)c*c2rz
(2)

2s2U

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

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

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

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

11o*110c =
110ó

886.8

=

1429.8

l10o*1958c =

9209.0

b:

13.00; de la primera

y

tercera ecuaciones,

a:76.64,c:0.8974.

(1)
donde el origen,

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

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

a
23.2

13

u4

ra
-116.0

fiz,u

-5 -4 -3 -2

si.4
39.8 50.2 62.9 76.0 92.0

I
4

-l
0
1

I
0

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

625 256
81 16
1

580.0 502.4 358.2 200.8 62.9
0

-r25.6
-119.4 -100.4

-62.9
0

0
1

I
4 o

92.0

92.0 422.8

2
3

105.7

16 81

21t.4
368.4 526.8 roD.o

t22.8
131.7 161.1

27 64

1105.2 2L07.2
3777.6

4
o

16 26

266 625

t26

)r=0
(ó)

2a=
886.8

2r2 =
110

)¿s=0

2a4

=

2aa

1958

1429.8

-

>r2a =
9209.0

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

4, 5 en (4) se mues-

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

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

g=l
1910

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

2r.6
29.2

4t.2
39.8

90.0
92.0

1r9.2 136.0 161.6

Valor real

106.7 t22.8

tlt.7

161.1

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

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

cAP.8l

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

(e)

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

se

ajusta

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

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

L952
41.85

1953 43.23

1964

1955 53.29

1956 54.L4

1957 49.12

1958
40.71

1969

hecio promedio

de

acciones (dólares) Precio promedio de obligaciones (dólares)

35.22

40.06

oo.lD

r02.48

100.93

97.43

97.81

98.32

100.07

97.08

9r.59

94.86

94.65

Fuente: New York Stock Exchange
(o

)

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

Denotando por

r,

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

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

r-r
-10.04

a-a
4.91 3.41

a'=

tr'2

%'a'

100.80 29.05 11.63

-49.30 -18.38
0.31

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

-5.39
-3.41

-0.09
0.29 0.80

-2.03
-5.20
8.03 ú.4ú 3.86

4.t2
27.04 64.48 78.85 14.90 20.70 97.81

-0.59 -4.16
20.48

2.56

-0.44

-3.91 -22.89

49.r2 40.7t

-4.55
9.89

-5.93 -2.67 -2.87

t2.t5
-28.38

oo.lo

94.65

)¿

452.64 45.26

--

2a=
975.16

2u'2 =
449.38

2t'y'=
-94.67

2a'2 =
93.69

a:
97.52

Entonces por la fórmula producto-momento,

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

=

-0.4614

(b)

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

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

296

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

[cAP.

8

t952
D

1953
6

1954
3

1

955
8

1956
q

1957
a

1958 4

1959 10
.,

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

I
10

I

I
-T

5

6

7

8

4

1

3

Diferencia de
graduación d

-9
81

0

0

-4
16

0

D

6

I

8

49

0

0

0

25

36

I

64

>d2

-

272

Entonces
Esto
se

rsrad

= ,-#!t

= t--ffi;\

=

-0.6485

compara favorablemente con el resultado del primer método.

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

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

es-

(h

o
90-99

4G49

50-59

60-69

70-79
I

8(H9
4
6 8 2

90-99
+
D

TOTALES
10

lt

,o

f¡¡
an

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

I
o

4

l6
24
2L L7

z o
C)

rf]

10
o

I

I
6 4

o t\
Fl

3 3

6

2

4t)-49 TOTALES

o 15

L2 23 20
10

7

25

100

(o

)

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

80-89 (cali-

(b)

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

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

:

47

ltOO:

47Vo,

cAP. 8l

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

297
de la

(c)

*

5

+ 2 +.4 t
(t)

LO

= 22.
Tabla 8'99

tt)
f¡¡

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

z

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

z o

o

70-79
2

?*
E2 Fl Ei
<
(d)
C)Q
f¡l

I
D

4

70-79

a2 Ftk < fr¡ oo

?x oií

50-59
6
D

ó

10

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

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

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

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

n2fru
(1)

-

(2f

"r)(2luu)

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

-

(2 |

"u,l

(2

| oun)

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

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

llama

298

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

lcAP.8

Glificaciones de matemáticas, c

r
a

44.6

64.5

64.6

74.6

84.6

94.5

Suma de

\% ¿y\
2

ft -2
-1
0
1

los núme
f vuv

fuuS

2

3

ros esqulnados en

c¡da fila
10 20 40 44

94.5 d a !

2

4

4

84.6

1

1

4

6

D

16

16

16

3l
0

Ei

I
E

74.6

0

o

10

8

I

24

0

0

r{
¡i

64.6

-1

I
3

4

I
6

D

2

2L

-2L
-34

2l
d8

-3
20

A

64.6

-2
-3

6

2

L7

Íii
3
fn ,

r͡
D

t4

44.6

t2
23 20 10

t-l
16

-36

108

33

t,
Ítut

26

2f

n=2f y )f yuy =¿=100 = -66
2f ,u"

)fyu?

2furuo

=

263

=

L26

-t4
28

-15
16

0

23

40

30

=64
2f ,ul

f"u?
Sum¡ de los
númelos cada

0

23

80

90

= =

286

{

32

3l

0

colur¡a

-1

24

39

2fu,uo
L25

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

r=

n2fu,uo

-

(2f

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

(100)(125)

-

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

=

0.7686

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

8x=cx

}f"u? /2f ,ú"\2
n \n/
uuuY

10=

13.966

(ó)

sy=a!

>fuui /2f

" -\ "

i

"\m_m

=t4.e25
,60.20

(c)

".n

=

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

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

REGRESION Y CORRELACION 299 Por tanto las desviaciones típicas de las calificaciones de matemáticas y fÍsica son 14. s!.x=L2. para obtener las ecuaciones de las rectas de regtesión (¿) ó a-u='!w-nt.66. = ¿yt/Ti-rz = = a"t/T7rz = f¿. a y-6e. r. (b) Í sobre y para los datos rr+qW = 64.a guplementa.gZfy'f - (OfOg6P = = 9. Ajustar una recta de mínimos cuadrados a los datos de la Tabla 8-31 utilizando a (a\ x como la variable independiente.0). Escribir las ecuaciones de las rectas de regtesión de (c) y sobre del Problema 8. 0.20 G&r'-áiÉfutB = o'7686 que concuerda con r hallado en el Problema 8.64. (b) sr. r a 3 6 6 8 911 234668 8. ParalosdatosdelProblemaS.5+E#9 = ú . 8y r-70.9 respectivamente.926 y r = 0.64.(b) elvalordexparay:7' (o) Utilizar el método a mano alzada para obtener Ia ecuación para una recta de ajuste de los datos del Problema 8.9 = 8. en tanto que su covari¡nza es 160. 8l CURVA DE AruSTE.e Ge. (b ) r como Ia va¡i¿ble dependiente.63.60. 0. Representar gráficamente los datos y las rectas de mínimos cuadrados utilizando el mismq conjunto de ejes coordenados.65 utiliza¡rdo el resultado de la parte (c)' .uo+qY: 145+q'qfrEq = u= De los resulüado¡ del Problema ?o.0 y 14. E. De la Tabla 8-30 tenemos.9) -69..7t9(u-69. Tenemoe 8"".934 s.61.hallar(o)losvalore$deycuenda x=6.v ts.5¿8 8. Utilizar los resultados del Problema 8...0) x-?0. para los datos del Problema 8.61 a..0 = (b) 6 r-ü='?o-o¡.66 8.cAP. Calcular los ertores típicos de la estima (c) er.60. (b) SolucionarelProblema 8.62.?686.60. página 261 .. = 13.2. Entonces utilizamos ( I 6 ).s6oy'1:107686)á Problerrra.e).821(o-70. = L4. 8xv 160.966.0=q9ff##q(v-6e.rlos RECTA DE MINIMOS CUADRADOS Tabla 8-31 8.o 8.0=A+##€?!)@-70.64. (a) (bl Ey.

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

8. Calcular (a) la variación total en y. (o) Hallar el coeficiente de corre' r.! . Si el coeficiente de correlación entre. REGRESION Y CORRELACION 301 8. (b) r sobre y.38 lación entre muestra las edades r y la presión sanguínea y d.68.50. (b) Multiplicar todos los valores de ¡ por 2 y sumarles 6.E2.Br * Ca I Dr2 * Ery * Fyz Obtener las ecuaciones normales para los eoeficientes de regresión de mínimos cuadrados.00. halla¡ r. Hallar (o) sy ". y.74.y para los datos del Problema 8.7t. 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.r. Tabla 8. coeficiente de correlaciónentredos variables¡. sr:2.81. (c) la variación explicada en y para los 8.= E. D. y dados en la Tabla 8-39. r. 8. ¿Hay al' t. Tabla 8-39 x a 2 4 5 6 811 18t210875 . (b) Problema 8.i=10.81 u 8. E.88.80 para hallar el coeficiente de correlación entre los dos conjuntos de calificaciones de los exámenes del Problema 8.E4. en E. Hallar los coeficientesde correlación para los datos del (o) Problema 8. Demostrer que la ecuación para regresión lineal de z sobre r. (c) Estimar la pre- sión sanguínea de una mujer de 45 años. yesr:0.68 (a) dircctamente.68 utilizando la fórtnula producto-momento y comparar con el resultado del Problema 8.eL2 mujeres. (o) Calcular el coeficiente de correlación entre los valores correspondientes de r.68.75 para solucionar el Problema 8.7 7 a(r-¿l+b(u-úl o. explicar por qué se obüiene o no el mismo resultado que en la parte (a).82. ¿qué porcenüaje de la varfación total pennanece no explicada por la ecuación de regresión? 8. El 8.¡. (b) sr. Calcular (o) sv. y obtener exptesiones para los coeficientes de regresión de mfnimos cuadradoe el resultado del hoblema 8. los dos conjuntos de calificaciones de los exámenes del Problema 8.89.8f .86. y es 0..67.90.68(b) v (c ). Hallar el coeficiente de correlación entre los dos nuevos conjuntos de valores.z . ú=20.cAP. y. 8l CURVA DE AJUSTE.60.= 3y ss : 5. 8. y puede escribirse como z-2. y tiene la form¿ z = A 1. (b) la va¡iación no explicada datos del Problema 8.76.85.76. ERROR TIPICO DE LA ESTIMA Y COEFICIENTE DE CORRELACION LTNEAL E.64. (b) $. (o) Hallar elcoef¡cientede correlación entre E. (b) utilizando la fórmula s¡s = rs¡sÍ y el resultado del Problema 8.79.t3.Sis"=1.86. " para los datos en el Problema 8. (ó) Determinar la recta de regtesión de mínimos cuadradoe de y sobre r. Utilizar los resultados del Problema 8. ballar las ecuaciones de la recta de regresión de (o) y sobre x.68. .60. La Tabla 8. Utilizar 8.8?. Si sv. (b) Obtener eI coeficiente de correlación directamente de las pendientes de las rectas de regresíón del Problema 8.EO. Multiplicar todos los valores de y por 3 y restarles 15.3E F¡lad (r) Presión Sanguínea (y) 55 49 38 42 68 r47 725 160 118 t49 t28 150 146 115 140 162 56 42 72 36 63 47 60 165 E. 8. Hallar la covarianza para los datos del Problema 8.

302 CURVA DE AJUSTE.104.página 263. (D) X eobre Y para el hoblema 8.paraelca¡odeunaauperficiederegresiónlinealparazsobrer.8. H de acuerdo con sus preferencias.93.96gina 52. ble¡ aleatoriac independientes? Explicar.99. t. t. INTERPBETACION PROBABILTSTICA DE LA REGRESION Y LA CORRELACION E. E. G. lo¡ resultados se mueshan en la Tabla 8140.s. en el ca¡o de do¡ variablee aleatorias X. (b) X eobre y.lOS. ¿Ocurren algunae simplificaciones en la¡ curvas de regresión Ce Y sobre X ó X sobre Y para el caso de varia- .84.94.lo6' función de densidad conjunta (o función de probabilidad conjuñta) f(x.99. t. de conelación para las variabie¡ en el hoblem" g.(D)larvariacionee explicaday no erplicada.102.97. Y viene dada por f(r. estudiar una posible deeventaja del método de conelación gradual. 8. t. La función de den¡idad conjunta de las variables aleatorias X. Halla¡ el coeficiente de conelación gradual y decidir eobre el acuerdo de loe jueces en su8 eleccioneg.98. t. Hallar el error típico de la estima de z ¡obre ¡.99.92. t.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. D.a) = [2r+3a Io o(c(L'o<Y<2 de otra form¡ Ilalla¡ la curva de regresión de (a) Y sobre X. (c) el coeficiente de conelación generalizado. Mostra¡ cómo se puede diseñar un coeficiente de correlación múltiple.(b)XaobreYparalosdatosdelhoblema2. H¿ll¡rlacurvaderegreeiónde(a)YsobreX.págirra52. REGRESION Y CORRELACION [cAP.68 v (b) Problema 8. y para lo¡ daüo¡ del Problema 8.96. el coeficiente de correlación gradual para loa datos del (a) Problema 8.y.74. Obtener el coeficiente de correlación lineal para el hoblema 8. 8.gus observaciones en (o). Da¡ un ejemplo para demostrarcómo hallaría (a) el error típico de leestima.96.rOO.lol. F. B. Halla¡ la recüa de regesión de mínimoe cuadrados de (a) Y sobre X. t. Y con E. Hallar el coeficiente 264.90. variación toüal es erplicada por la ruperficie de regreeión? (b) ¿Quéporcenüajedela Demostra¡elresultado (27).8. Hallar el coeficiente de conel¡ción lineal para la¡ variableg aleatoria¡ del Problema 2.74. I COEFICIENTE DE CORBELACION GENEBALIZADO E'91. y\.106. Tabl. Il¡llar t.¡ 8. (b) De. (b) X cobre Y para Ios datos del hoblema 2. (o) Calcular el coeficiente de conelación múltiple pars los datos del hoblema 8. página t.5g ufilizando el resultado (35). página 52. COBRELACION GRADUAL E. C. (o) Hallar el coef¡ciente de correlabión gradual para los datos del Problema 8. tls[a¡ la recta de régresión de mínimos cuadrados de (a) Y robre X. Doa juecec en una competencia debían clasifica¡ a 8 candidato¿ A.

d'. (b) tan grande como p : 0.40.109. (b) tan alto como 2.108. para la recta de mlnimos cuadrados.11?.1 "l$- c2) 20.80 y 0.111.118. EnelProblemaS. 8. 8.05.10? hallar los lÍmites de confianza del (o) 957o.114 si el tamaño de Ia muestra es 52. Un coeficiente de correlación basado sobre una muestra de tamaño 27 se calculó como 0.* : 8.00.00 y ñ = 7. TEORIA MUESTRAL DE LA CORRELACION 8.60.ypuedeexpresarsecomo il2 -:. Demostrarqueelcoeficientedecorrelaciónentre¡. ConreferenciaalProblema8. En el Problema 8.114.00. ¿Podemos concluir a un nivel de significación del (o) 0.01. 8. demuestre que el coeficiente de correlación entre r'. hallar los límites de confianza del (c) 95%. Demostrar que el cóeficiente de correlación - g.!l = 2. es (o) tan bajo como 8.?0. a un nivel de significación del 0.S4. 8. .113.I22. .(b\99% pra el coeficiente de regresión.112. página 260. Un coeficiente de correlación basado sobre una muestra de tamaño 35 se calculó como 0. que hay una diferencia significativa en' tre los dos coeficientes? RESULTADOS DryERSOS 8. Hallar el coeficiente de correlación lineal.00 ¡.l0?hallarloslímitesdeconfianza d." = 1.(b\ 99% para y cuando ¡ : 6. Las rectas de regresión muestrales de mínimos cuadrados para un conjunto de datos involucrando X. utilizando un nivel de significación del 0'05? 8.01. donde r¡¡ !/6¡ cl¡.8.(b)997oparu un coeficiente de correlación que se calculócomo 0.115. A' = llo * c2y. (b) ta presión sanguínea de las mujeres de 45 años.50.84.hallarloslímitesdeconfianzadel 9fleparafo)elcoeficientederegresiónde y sobre r. Verificar los coeficientes (5).c2 soll constantes arbitrarias.10?.l19. (b) 0.01.50' ¿Podemosre' chazar la hipótesis de que eI coeficiente de correlación poblacional es (o) tan pequeño como p : 0. ¿Podemos concluir a un nivel del (o) 0.05. E. Yvie' nen dadas por 2:r .20.\ es independiente de Ia elección del origen de las variables o de Ias unidades en que se expresan.sx = 3.123. Demostrar que el ángulo entre dos rectas de regresión muestrales de mínimos cuadrados viene dado por .tes t?. (c) la media de lae presioñes sanguíneas de las mujeres de 45 años. 5r .el(o)95%. Si sr. y).el 95% para el coeficiente de correlación calculado en el hoblema 8. que el correspondiente coeficiente de correlación poblacional es considerablemente mayor que cero? E. y'es eI mismo que el entre.121.70. Hallar los límites de confianza d.60 de una muestra de tamaño 28.95 respectivamente. (b) 0. 8.tu] tan-'L rfti + si) -l E. (Sugerencia: Suponga quer' = noi c1r. En el Problema 8.5a = 3.10? ensayar la hipótesis de que el coeficiente de regresión poblacional 1.cAP. Dos coeficientes de correlación obtenidos de muestras de tamaños 23 y 28 se calcula¡on como 0.(b)99%paralamedia'detodoslosvaloresde y correspondientesa¡ = 6.30. REGRESION Y CORRELACION 303 TEORIA MUESTRAL DE LA REGRESTON 8. 8.116. Hallar los límites de confianza del (a) 957o. DemostrarqueparaelcasoderegresiónlinealelvalormÍnimodeE'{[]'-(o*¡lX)lz.211Ú 8.110. 8. Solucionar el Problema 8. Sobre la base de una muestra de tamaño 27 se encontró que la ecuación de regresión de y sobre r era t = 25. 8l CURVA DE AJUSTE.f-(1 -r2)s.0 + 2.

126. Hallar los límites de confianza del 96% pára el coeficiente de correlación calculado en el hoblema 8.2 t23.6 L19.r. (o)HallarlarectaderegrecióndemínimoscuadradosdeysobrerparalosdatosdelProblemaS. El período base es de L94? 1949 : 100.5 116. Tabla 8.1 t 10.4). 8ü 8É ¿Es el resultado válido para regresión no lineal? 8.41 ESTATURAS . (b) Br. 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 8-42.2 r20.3 1r 7. 8.1 114. 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 . Con referencia a la Tabla 8-43: (o) Representar gráficamente los datos. (d) Predecir el Índice de precio para la asistencia médic¿ durante 1958 y compararlo con el valor verdadero (L44.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) .6 I 10.130. 8. f¡¡ 32 20 t2 q .L24.8 102.0 113. REGRESION Y CORRELACION [cAP.7 114. (c) Calcular los valores de tendencia y compararlos con los valores reales. 19 5 o (t) e. Hallar (o) s". (e) ¿En qué año podemos esperar que el índice de costos médicos doble el del 194?1949. 210-225 I .8 114. E.8 111. Demostrar que para regresión lineal 4 = +.3 I 10.8 8.127.2 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 101.5 r14.129.4 I14.5 por mayor 103.1 25.304 CURVA DE AJUSTE. Ilalla¡ el coeficiente de correlación entre las estaturas y pesos de 300 adultos dados en la tabla de frecuencias siguiente.l2S. - Tabla 8-42 Año Indice de precios al consumidor Indice de precios al 99.125. 8.y para loa daios del hoblema 8.128.8 111.L25. (ó) Hallar la recta de mínimos cuadrados que se ajusta a los datos y construir su gráfica.2 Fuente: Bureau of Labor Statistics 8.(ó)Estimar los pesos de doe hombres cuyas estaturas son 64 y ?2 pulgadas respectivamente.

(c) Calcular los valores de tendencia y compararlos con los valores reales.9 17.3 16.132 para variaciones explicadas y no explicadas. Con referencia a la Tbbla 8-44. En el Teorema 8-1. y). . 8. Y variables a|s3fs¡i¡s con función de densidad conjunta (o función de probabilidad) f(x.9 ¿ind 1935 1940 1945 1950 1955 24. ¿es g(r) única? Explicar.página265.9 Welfaie 19. 8. REGRESION Y CORRELACION 305 8. Demostrar el Teorema 8-2. Education 8.6 23. Sean X.6 Fuentet Department of Health. (a) Representar gráficamente los datos. 8. (d) Explicar por qué la ecuación en (b) no es útil para propósitos de extrapolación. Estudiar la relación.132.132).' Utilizar el Problema 8.131.8l CURVA DE AJUSTE. Demostrar el Teorema 8-1.l35.0 1030 18.¿) donde .134.136. si Ia hay. Demostrar que si 9(r) = E(Y \ X = c) entonces EUY - É(x)1'!) = E{LI'- o(xl¡z¡ + Ells(x) - q(x)l. E.5 23. Tabla 8-44 Año Natalidad por cada 1000 habitantes 1915 1920 7925 25.¿(r) es cualquier función de r para el cual estas esperanzas existen. (b) Hallar la parábola de mÍnimos cuadrados que se ajuste a Ios datos. (Sugerencia. del Problema 8.7 21.cAP.133. página 265.

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. Supusimos que las dos poblaciones. esto es r .. . Tenemos _lb fr¡:62r. tg y 24 hU}l'a respectivamente. . o lo que es equivalente a ensayar la hipótesis nula de que las medias muestrales son iguales.. Hablamos de a tratamientos.ao lk : a0 i=t r=t -. . La gran media o media total es la media de todas las medidas en todos los grupos y se denota por c.. .... donde i : t. . Los valores i¡.. En el Ejemplo 9'L. de las cuales se extrajeron las muestras.. 22. medias de tratarrtiento o medias de fila. *iÉr. Tabla 9'1 Tlatamiento 1 Ítt E2l rtz rzz xtb fr1. EJEMPLO 9. cada uno de los cuales tiene b repeticiones o réplicas. Ttatamiento ¿ üol fio2 rob tra Denotaremos por i¡ la media de las medidas en la fila j. . tenían la misma vaianzi. En muchas situaciones existe la necesidad de ensayar la significación de diferencias entre tres o más medias muestrales. b.1. 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. 2. dl h : 7.2. ¿Hay una diferencia apreciable en estas medias o la dispersión observada simplemente se debe al azar? Problemas como estos pueden resolverse utilizando una técnica impoftante conocida como andlisis de uaríanza.^ 306 (2) . r35 se refiere a la quinta medida para el tercer tratamiento.2.1r2'. donde el número de medidas en cada grupo es b. Los resultados de un experimento de un factor pueden representarse en una tabla con a filas y b columnas (Tabla 9-1). Por ejemplo. TYatamiento 2 itv t2. . se denominan medias de grupo. se utiliza para indicar que el índice k se ha sumado.r i:7. Aquf r¡¡ denota la medida en la fila j y Ia columna k. Utiliza la distribución F considerada anteriormente en los capítulos previos.a Q) El punto en tj. Supóngase que en un experimento agrícola cuatro ttatamientos químicos diferentes del suelo producen rendimientos medios de trigo de 28. a : 4. desarrollada por Fisher.

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

.El6 escierta. .9). Por tanto solamente hay una población de tratamiento y todos los tratamientos son estad ísticamente idénticos. t). .E[6 no es cierta. . puedentomarsecomo variables aleatorias independientes (relativas ai y h). x¡2. las poblaciones de tratamiento..¡.r--Lr}.Efo es cierta o no.. Podemos interpretar a p como la media pÍüa una clase de gran población que comprende todas las poblaciones de tratamiento. .308 x¡1 ANALI$S DE VARIANZA [cAP. X.l)o2 E(V'. entonces tenemos de = '"+.. Podemos demostrar que (véase Problema 9.7o "b .18). .19) ' De (17) se deduce que E(Vt) = (a-l-)o2 + b> E(V. 2.o1o en forma equivalente por (I1o: Fi= pi i =t. e .? (23) . i=1. (7\ y (3).2. Cada una de las X¡n suma de su valor esperado y un término de "error": (h: L. mutuamente independientes con medias pi y varianza común l. b) son va¡iables normales. .. Íjb respectivamente.n = F. distribuidas normalmentp con media cero y varianza o2. que por suposición son normáles. Definamos la constante ¡r por tL 1s. Sin embargo. VALORES ESPERADOS DE LAS VARIACIONES La variación entre tratamientos V6 . Entonces (I4) puede escribirse como (véase Problema 9. De otra parte.) : (ab-l)o2 + "1 (16) (17) b> a? (r8) (..19) de modo que (20) es siempre la mejor estima (insesgada) de I independiente de si. La constante o¡ puede considera¡se como eI efecto especial del tratamiento j. ..2. . La hipótesis nula de que todas las medias de tratamiento son iguales viene dada por (Ifo: ot= 0. ai k : l.. _ o?r. si ..a-l ¿'(Si) v ab-L (I6) (22) proveerá estimas insesgadas de o2.É[s es cierta tendremos ^/ I¡u E\fr)\ = J de modo que solamente en ese caso n(ffi)= a Qr- (21) Qz. .y u de acuerdo con las definiciones (8). Esto equivale a suponer que las X* (i : L.2. tienen una media común como también una varianza común. y la variación total V son va¡iables aleatorias que respectivamente toman los valores t)b.ta¡¡ donde P". .*= p*a. Si.2. la variación dentro de tratamientos V.T L¡r Los A. b) puede expresarse como la (14\ X.) = a(b .. de (I6) V (/8) vemos que sólo si.. =O (15).

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

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

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

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

cAP.!') es lógico considerar el estadísti"o ^ei¡S¿ ya quepodernos ver de (43) que Si se espera difiera significativamente de o2 si las medias de fila (tratamientos) son significativamente diferentes.1) grados de libertad.lc (ú - l)(ü --1) rt1 ar* u" = )(r.e. 'L' - u. Más información considerando los factores puede a veces obtenerse repitiendo el experimento. (a-1)(l¡-l) con grados de libertad Residual o aleatoria. L'. Bajo la hipótesis H[.1) (b .l¡^i¡l v ^3yS: vienen dados en el teorema siguiente análogo al Teorema 9-3. Teorema 9-6: Bajo la hipótesis ll[. Para ensayar la hipótesis I1. como en el caso de factor uno.1. Pa¡a obtener esto denotemos por X¡o¡ la variable aleatoria correspondiente a la fila o tratamiento j.1 grados de libertad. el Teorema ANALISIS DE VARIANZA 313 9-5: Bajo la hipótesis H[L).*-r)! EXPER.tt y Ht2'. ti"n" la distribución Fcon b . uc = (t>(tA-j)r b. Por conveniencia. cambios apropiados pueden hacerse cuando los números de repeticiones no son todos iguales. página 312./S3 ti"n" la distribución F con s . Bajo ambas hipótesis HÍ. Tabla 9-5 Entre tratamientos. > (J'j - :L)2 a-l i | 3l ' -ra--1 con cr . ¿. una tabla ^ análisis de varianza puede construirse code mo se muestra en la Tabla 9-5. .'alor ccrrespondiente a un tratamiento dado y a un bloque dado. Análogamente para ensayar la hipótesis I1[!) consideramos el estadístico ^3ySg.I y (c .1) (b . V. (¿ -l)(¿r-t) grados de libertad Entre bloques.r) el estadístico si. la columna o bloque h y ala repetición /. s c-ls . * . Bajo la hipótesis H'oz'el estadístico 3.1) grados de libertad.l. En tal caso habrá más de un valor correspondiente a un tratamiento dado y a un bloque clado.1 y (c .IMENTOS DE DOS FACTORES CON REPETICION En la Tabla 9-4 sol¿rmente hay un '.r * Fr * 7./o2 tiene la distribución chi-cuadrado con c ./S. úe = l'Total.u I' lir.V/o')tiene la distribución chi-cuadrado con ab . Debido a la repetición debe utilizarse un modelo apropiado para remplazar el dado por (35). El modelo viene dado por X ¡xt = ¡. proceso conocido como repetición.!'. El teorema nos permite aceptar o rechazar H3" 6 H3'. Las distribuciones ¿" .. Supondrerfios que hay c valores para cada posición. . niveles de significación especificados.V"/n2 tiene la distribución chi-cuadrado con b -1grados de libertad.1 grados de libertad.

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

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

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

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

B.05.conut:2yu2:9.4)2 + (5 -.f B+4+6+b+b¡ = Así la gran media para el conjunto original de datos es 45 * 4 : 49 hl/ha.¡. = i(B+4-f b+4+2t.05.)2 t. (b) la variación dentro de tratamientos. de todos los datos sin afectar los valoree de las variaciones.4)'.6.. Por tanto los rendimientos medios.:l = = r'.1): 3(4-1) : I grados delibertad. 48 y 50 hl/ha para A. por ejemplo 45. . Variacióntotal 4 =. 1 = 4. -¿). i.4)! + (3 .g)r + (4.4. Entonces obtenemoe los datos de la. eon 49. Tabla 9-E e (a) por Las medias de tratamiento (fila) para la Tabla 9-8 vienen dados respectivamente rr. 4l(4 . = ) @¡¡-E¡. hallar una estima insesgada de la varianza poblacional oz de (c) la variación entre tratamientos bajo la hipótesis nula de igual medias de hatamiento. C (b) (c) .4.Puesüoque^F :6)F.k = (3.95:4.4)2 + (2 . = b)) (é) Variacióndentrodetratamientos Otro método. Con referencia al Problema 9.5)r + (d--5)! -l (5-5)r + (5-5)r 412 9.u = 14-8 = 6 (cl.¿): + (4 -4):¿ + (6-4)2 + (5.4): + (5-4¡: =14 ((l ) Variaciónentretratamientos = tr. [cAP.Tabla 9-8. (a) (b) ? 3 9. ¿podemos rechazar la hipótesis nula de medias iguales al nivel - 1 : F=$=h = 3 6 - L : 2ya(b .4¡:: * (3 . (b) 0.41-B. = lae+A+3*B) = 5 3. = !4(B+4+ 5+4.318 ANALrsrs DE vARTANZA Para simplificar la aritmética podemos restar algún número apropiado..¿. de significación del (c) 0.26.01? Tenemos con-o Con referencia al hoblema 9.yemosqueF. = o.@ir-E)2 = (3-4)r + (4-4)x + (6-¿)¿ + (4.4)2 + (4- + (2 -3)2 + (4-3)2 + (:J-U + (5-4¡r + (4-4): 3)2 + (3 .4)2 + (4-4): + (3 .: i(4+6+5*5) = respectivamente. obtenidog al sumar 45 a éstos. =. (o) ConreferenciaalApéndiceF. 3 0.96podemos techazar la hipóüesis nula de medias iguales al nivel 0. ¡r.¡.5.

Utilizar las fórmulas cortas (101-(12) para obtener los resultados del Problema 9.a&-6 .= Dentro de t¡ata 0w=0-0b a -63 ^' .9no podemos techazar la hipótesir nula de medias iguales al nivel 0.?.vemoaqueF. (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"?--# : .conur:2!uz:9.O1. = 4 +6+5*5 = 20 r = 16+12+20 = 48 Luego D6 1s-.4.n) = : 2oo 6 _ tg2 = E (c) D-Qb:14-8 . = 3+4+6*4 = 16 tz.02.4 ba'i ab 1 i062+t22+202) 0w: (^8\: te. Tabla 9-9 Gg=f. .06-S8t = (b) Los totdes de las filas ¡on 206-rsz = 14 También rl.2/3 n con 2.9 o(b-1)=(3)(3)=9 gradoe de =14-8=6 libertad 9.4-9.=2+4+3*3:12 rt. I¿ tabla de aDáli¡is de va¡ianza para loe hoblemss 9. el ANALIS$ DE VARIANZA 319 (b) ConreferenciaalApéndiceF.Pue8toqucF=6(F.6 ¡e muestran en la Tabla 9-9.6:8.cAP. ..

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

)! ¿'.-¡.. las medias de grupo o muestrales y la gran media. .^. directamente observando que es igual a (7--9):r-(11.(i -5r2 .i = Gran 8 media = 84 1t En esta tabla hemos indicado los totales de fila.8 (5X4) t: Pata 4.01 si hay una diferencia en los tres tipos.(10 8r: I í8 __ 8)r -i rG 8): -1.2lIl I ab-I=24 I W = tz.ss: 2. ANALISIS DE VARIANZA 321.r (2 5):r -l. ?t¡ = 655 tratamientos. el Formamosla Tabla 9-13.102 410 . La Tabla 9-14 muestra la duración en horas de las muestras de tres tipos diferentes de tubos de televisión fabricados por uná compañía.. ensayar al nivel de significación del (c) 0.u¡.l-5rr -. lógicamente tampoco la podemos rechazar al'nivel 0..¡r . Entonces tenemos .-i.(8 _ 8l: - .18-512: rl¡--5rr .)rr¡(. 20 grados de libertad tenemos F .. Utilizando el método largo.-+(8-7)z = 5): 72 -= J'K )(t.r. 7):+(11 -?)2+.)(r. Por tanto no podemos rechazar la hipótesis nula a un nivel 0.01. Tabla 9-13 Entre tratamientos.05. u. MODIFICACIONES PARA NUMEROS DESIGUALES DE OBSERVACIONES 9.108 406 408 un número apropiado.". por ejemplg 400. y obtener la Tabla 9-15. Es conveniente restar Tabla 9-14 Muestra 1 .05.t0i Muestra 2 Muestra 3 11 409 401 406 408 405 . . ".9.1 . Tabla 9-15 Total Muestra 1 Media 9 7trI 4 27 8 5 2 Muestra 2 Muestra 3 6 25 32 5 10868 . (b) 0..87 .fti'k ¿rr.u-1) = 5(4) rA = I l "u ?'.cAP.-i)z -3(9 ' - 7\2 36 ! 5(7 + 4(8 -- 7)! = 36 ..f)r!-i tÍf -f)): r t.ru r También podémos obtener 72 -- 36 .1456 =ZO I | =.

so:.=32. n=12.01.9 6. De la Tabla 9-15. rg.26. I 5. 9.05 pero no al nivel 0.9 utilizando las fórmulas cortas incluidas en (24). ninguna diferencia en los tres tipos de tubos) al nivel 0.2 Calculamos los totales de fila y medias de fila. 72 t1.:25.11.99 : 8.?.8 o.5 Enüonces para 2 y 9 grados de übertad hallamos del Apéndice F que F.. (25) V Q6l.7 45 8.0 5. CLASIFICACION DOBLE O EXPERIMENTOS DE DOS FACTORES 9.4 uru so'- 18 = 36 G1=?9=4 = 4.8 6. F. las medias de columna y la gran media. Soluciona¡ eI Problema 9.-. Utilizando el método lartivadas en Cosecha I Fertilizante A Fertilizante B Fertilizante C u Cosecha III Cosecha IV 6.9. 12..4 7.(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 9.322 ANALISIS DE VARIANZA f. 12t nB=4. como también los totales de columna. ensayar al nivel de significación de 0.96 : 4.os datos pueden resumirse en la tabla de análisis de varianza. + 62 +8r-Q|2 = 72 a6 = ?t-. Tabla 9-1? Cosecha cosechas de plantas diferentes culparcelas tratadas con tres tipos diferentes de fertilizantes. Tabla 9-16 [cAP. Por tanto podemos rechaza¡ la hipótesis de medias iguales (esto es.02. Por tanto ! = n2=5.8 9. Tabla 9-16. = = 36 (27)2. ¡=84 = + iL2 + .10. .6 7. como se indica en la Tabla 9-18.2 7.=27. Rt=3. e Variación Grados de libertad Media de cuadrados F D¡=36 a-7=2 n-a=9 io.2 ñ"¡'. = 19= 1g 5.(25)2. (b) hay una diferencia significativa en rendimiento por acre debido a las cosechas. La Tabla 9-17 muestra los rendimientos por acre de cuatro go.01 si (a) hay una diferencia significativa en rendimiento por acre debida a los fertilizantes.

6 ¡'=0"2/i3=0.8)2 -1 (9.2-6.5 6.8 9.7 5.4-6.r. Entonces.yaque 6.32 U: Va¡iación total (4.:5.8 : Variación de medias de fila con respecto a la gran media = 4U6.6.6 grados de libertad.3 Gran media 6.9 68 5. .4¡z a (6. Fq. 64 7.6 oi = t.8 .5 -6.8 .0 .2 23.7 8.8)2 + (5.8)2 + (6.8¡r+ (7.6 5.2 Fertilizante A Fertilizante B Fertiüzante C Totales de 4.5 6.6.7-6.0 33.0 7.8)2 + (8.2 .8 7.0-6.podemos rechazar la hipótesis de que las medias de fila son iguales y concluir que al nivel 0.3-6. Ya que el valor d'e F correspondiente a las diferencias en las medias de columna ea menot que 1 podemos concluir que no hay difenencia significativa en el rendimiento debido a las cosechas.24> 5.6 columna u.8)2 = 23.4-6.6 7.05 hay una diferencia significaüiva en el rendimienüo debida a los fstilizantes.05 con 2.5-6.7 -6.2 8.58 F =G?/C?: a. el ANALISIS DE VARIANZA Tabla 9-18 Cosecha 323 I Cosecha II Cosecha III losecha IV Totales de fila 24.S12 -'. Tabla 9-19 6.6.S¡z a (7.9 columna Medias de 19.9 = = 81.8)21 = 13.6. .8)z] = 2.4¡z * (7.8)2 + (6.5 18.2 2t.68 u" : Variación de medias de columna con respecto a la gran media = 3[(6.6.14.6. (7.ocz Al nivel de significación de 0.0 Gran total 22.8 Media de fila 6.8)2 + (6.zt gl: 2.2 6. : Esto conduce al análisis de varianza en la Thbla 9-19.r.8)2 + (5.3 5.3 .cAP.8)2 + (?.6.08 ue : Variación aleatoria = Lt .8 -6.9 -6.4 7.14.6 .9 .86 gl: 3.8)2 + (5.8)2 + (5.2 -6.8)2 + (8.

05 si hay (c) una diferencia en las máquinas.82 11 = = 23.8+33.. 554.08 = uc Lnezln.k )"i T a .68 ..324 ANALISIS DE VARIANZA las fórmulas cortas para obtener los resultados del Problema 9.58 EXPERTMENTOS DE DOS FACTORES CON REPETICION 9. - 13. C.2)2 81.6 = (4. Los días de la semana se pueden considerar conro réplicas o repeticiones del rendimiento de cada máquina para los dos turnos.2¡z (19. Utlizar Tenemos de la Tabla 9-18 i. En esta tabla se indican los dos factores principales.S¡z a (6.88 = = 18. B.11.96 S-z Sro (24.11.2+23. .10 Entonces s-2 j* tt'r^ 12 ab = vr 1s-r-t' 577.6 : 577.5)2 + (18.82 = 6. e 9.ut - bb4. móquina y lurno. (b) una diferencia en los turnos.G8 = *>t-"ti = |trozs.96 bj'j.2)2 (27-O'¡z r.zu 'üc bb4.13.88 2.2)2 ¡ + (33. : lcAP. Tabla 9-20 PRIMER TURNO Lun 6 SEGUNDO TURNO Mar Mie Jue Vie Lun Mar Mie 12 Jue Vie 10 C I o D 10 Los datos se pueden organizar de igual forma como en la Tabla 9-21. Efectuar un análisis de varianza para ensayar al nivel de significación del 0.6)¿ = 2274.n¡z (5.88 ab = 23. Nótese que para cada máquina se han indicado dos turnos.2. D en la producción de tornillos.9)2 = 1673. 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.24 ¡ (22. Un productor desea determinar la efectividad de cuatro tipos de máquinas A.t2.(23.rol rt .08 de acuerdo con el Problema 9. + 24. Los resultados se indican en la Tabla 9-20.

-.6 La variación enhe filas üene dada por (zee¡z 40 a' = (54)2 (85)2t' (6. (30)2.b --5 .ro ro 10 La va¡iación entre columnas viene dada por (zgq)' 40 = 1846. viene dada por -.0-8. que llamaremos variación subtotal u". (31)2. móquino y turno.1 = 6.6 - 1?9b.1795. (38)2 ""--6-5 . ZO - (126\2.)' + qq -ld. 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+ .3.6 = 51.5 .(41)2. (32)2.4 Para considera¡ los dos factores principales.6 rov = 8.. Esta viene dada por * u" ) obtenemos la 0i = 0"-D¡.S . _124)2.2 .1 Si reetamos de la variación subtotal u.6 : 66.b . que es una tabla de dos factores con valores simples.6-51.4 variación total para la Tabla g-22.6 = 1b0. + 72 +L02-W = 1946- 1?95.0 'tt" = --ñ.0c = 65. Estos se ordenan en la Tabla 9-22. variación debida alasinteroccion¿s entre las filas y columnas. la suma de las variaciones entre filas y columnas (u.¡2912.S . (44)2. Tabla 9-22 Primer turno Segundo 30 turno TOTALES 64 85 63 66 A B c D TOTALES 24 41 32 28 t25 44 31 38 143 268 [.5 = 1861..cAP.?_1?e5. (119)r_eqq\2 ? 40 - _ 180s.. concentremos nuestra atención al üotal de los valores de repetición correspondiente a cada combinación de factores.

entantoquelavarirrcióndebidaalae 2columnastiene 2-L= Estas va¡iacionee se indican en el análisis de varianza.: 4. Si decidimos analizar los resultados combinando las variaciones residual e interacción como lo recomiendan algunos estadísticos.6 + 84.tr ¿" que lar fila¡ tienen ¡¡sdi¡¡ igualee.8 1 grado de liberüad.8 : 91.:6.4-65.4 Para continuar debemos determinar primero si hay alguna inüeracción significaüiva entre los facüores básicos (es decir.61. - libertad cottespondientes a cada tipo de variación. Para hallar loe grados de übertad debidos a la interacción obeervamoe que hay 8 valores en la Tabla 9-22. el reeto. Eeto resulta en a" = Q-(or*o"*o¡l = 7). no podemos techazt la hipóteeio l/[zt ¿" que las columna¡ tengan medias igualee. eeto es. hallamos para la va¡iación combinada y grados de libertad combinados u¡* u. Puesto que 3 de esos 8e deben a filas y 1 a columna¡. D" = 84'8 Total. Esto es equivalente a decir que al nivel 0. u= 150. podemos rechaza¡ |a hipótesis flllr ¿" la pógina 315. vemos que F para las fila¡ e¿ 6.65 para el denominador de F en la Tbbla 9-23 no afectan las conclusiones alcanzadas anteriormente. Tabla 9-23. Entoncee ya que F calcul¡do para lascolumna¡es 8. filas y columnas de la Tabla 9-22).Ya que hay 40 valores en la üabla original 9-2i el total de gradoe de libertad es 40 1 = 39.42. Esto esequivalenüe a decir que al nivel 0.06. I¡iabla también da el número de grados de Tabla 9-23 Filas (mÁquinas). columna e interacción (ee decir.326 ANALISIS DE VARIANZA lcAP. .81?. 32 grados de liberüad Fn.. ya que hay 4 filas en la Tabla g-22La variación debida a l¡s fila¡ tiene 4 . e Finalmente la variación reaidual. que conduce a unava¡ianzacombinadade gL. De la Tabla 9-23 vemos que pa¡a interacción F : 0.SfSe:2. u¡ = 6. Siguiendo lae reglas de la página 315. Por tanüo los grados de libertad debidos a l¡ va¡iación residual o aleatoria ee 39 7 : 32.6 : 84. 0c = 8'1 Interacción. ce debe a interacción.06 no hay diferencia iignificativa entre turnos. Para l.F nl: 2.3 y 3 + 32: 36 respectivamenüe.! : Sgradosdelibertad.16. 7 (3 + 1): 3. lo cual indica que la interacción no ee significante.05 podemos conclui¡ que las-máquinas no son igualmente efectivas.o" : 150. Po¡ tanto el total de gtadoe de libertad es 8 I : 7. la va¡iación subtotal) ¿L U variaóiOn tot¿l u.90 para B. 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). 0' = 51'0 i? = tt. Al usar este valor en cambio de 2.o Columnas (turnos). Puesto que . se halla reetando la suma de variaciones füa. Aef.5 G? = zltt Aleatoda o residual. B2 grados de libertad podemos rechazar la hipóüesis ll.

14.13 si se utiliza el nivel 0.01 no hay diferencia significativa en los turnos. 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 9-24.5439. 29. Solucionar el Problema 9.51 para 1..06 : 329.19 (2eS1z - 5439.01.06 : va¡iación entre (77\2 (74\2 (78\2 (71\2 columru lS=?rc= 4 . de modo que podemos proceder más al. CUADRADOS LATINOS Tabla 9-24 9. D en el rendimiento de trigo. C.4 -. concluimos que al nivel 0.15.06 .1)¡ ff +ff + ff -5468. También obtenemos el total de rendimientos para cada uno de loe fertilizantes como g€ muestra en la Tabla 9-26. donde los números indican rendimientos en dkl por unidad de área. el ANALISIS DE VARIANZA 327 9. columnas y üratamientos se obtienen común y corrienüe.19 - 5439.r.01 las máquinas no 6on igualmente efectivas.01.47 para 3. 32 grados oe libertad y puesto que F para filas es 6.4 . Ya que ¡'.25 *9'{ -(fftr = 284.05 y (b) 0. podemos concluir que aún al nivel 0.25 + ry . Ya que F . Tabla 9-25 At8 D22 c2r Bt2 420 D25 BLI at6 c2s 810 ct9 D24 875 c22 D2l At7 TOTALES AL8 D22 c2l BL2 D26 Btl c19 D24 75 68 82 70 Tabla 9.06 = 4.' + (10¡z * (lT2 -@5Y 16 5769 - 6439.49. A este nivel aún no hay interacción apreciable.Ia variación üotal y las va¡i¡ciones para filas.e0 = 7.75 . = T*ry*ry 5723. 32 grados de libertad y puesto que F para columnas es 3.lá.t: 4.94 Variación entre filas . B.69 16 variaciónenrretratamienros = . Hdlamos Va¡iacióntotal : o= (18)? + (21)2 + (25)2+'.05.At-ril. Efectuar un análisis de varianza para determinar si hay una diferencia significativa entre los fertilizantes a niveles de significación de (c) 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.l cAP. Un hacendado desea ensaya¡ los efectos de cuatro fertilizantes A. 4 : 5443.

.F para tratamientos es 4?. C. 284. 4. podemos concluir que hay diferencia entre fertilizantes. 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). Diseñar un experimento utilizando cuatro conductores. 29. cuatro autos y cuatro caminos diferentes. (b) Ya que Fgo.19 Columnas.05Ia hipótesis de que hay medias de fila iguales. i I}¡ 9. Tabla 9-2? lcAP. rechazamos al nivel 0. B.05. CUADRADOS GRECO. Un aneglo posible es el dado en la Tabla 9-28.r. sujetos a los mismos requisitos impuestos a las letras latinas. denotados por o. concluimos que no hay diferencia en la fertilidad del suelo en las columnas. Así cada conductor tendrá la oportunidad de conducir a lo largo de cada uno de los caminos.01. 11. Puesto que se incluye igual número (cuatro) de gasolinas.8? (o) Puesto que F er. Asignamos las diferentes gasolinas A.o :4. C.01. D.' I A.19 Residuales. D aleatoriamente a filas y columnas. Es de interés determinar si hay alguna diferencia en el kilometraje por galón entre las gasolinas A.69 Tlatamientos. Sin embargo. Se deduce que al nivel 0. B.9 > 4. Supóngase que los diferentes autos se representan por las filas y los diferentes conduetores por las columnas.76. de modo que cada letra apatezca solamente una vez en cada fila y solamente una vez en cada columna. LATTNOS 9. 4..78. Puesto que el valor F para columnas es menor que 1.lJtiliza¡ el análisis de varianza para determinar si hay alguna diferencia significativa al nivel 0.05 hay diferencia en la fertilidad del suelo de una fila a orra. debemosconcluirquehay una diferencia entre fertilizantes al nivel 0. 7.¡. podemos aceptar la hipótesis que no hay diferencia enla fertilidad del suelo en las filas (o las columnas) al nivel de significación del 0.0 : 9. .16. 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. conductores.17. 6. Tabla 9-28 CONDUCTORES 1234 B. Ya que el valor de. como se indica en la Tabla 9-28. autos y caminos podemos emplear un cuadrado grecolotino. p.328 ANALISIS DE VARIANZA El análisis de va¡ianza s€ muestra en la Tabla 9-27. e Filas.76. Asignamos aleatoriamente los cuatro caminos que van a emplearse.

50 - 7. (81)2 . el ANALISIS DE VARIANZA 329 Prirpero obtenemos totdes fila y columna como ¡e indica en la Tabla 9-30.60 -4096 = 111.Ennueetro .60 = 6. 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. (52)2 . (61)2 .60 I 4096 6. Las filas. (61)2 4-4-4-4-16 4102.60 (A.60 ry*ff+ff+ry-ry 4 (16)'z = 4ros.60 Columnas: . como eigue: Atotal: 15+16+15+16 = Btotal: 19+18+2I+ 23 = Ototal: . E número total de gados de übertad es n2 . B. (68)2 4 . Tabla 9-31. 7.4 .cAP. 4 - (70)2 (256\2 16 Q6A)z 16 QAA¡z = 4112. utilizando el método corto. (62\2 -.00 deliberüad. C. columnaE. Filas: a----l---4 (64)2 .Portantolosgradosdelibertadparaelerroresn2 caso n f.50 La variación total ee (1S¡z * (le¡z + "' + (16)2 + (2s\2 -e66\2 =' 'I | \-vt 16 16. ó) Ga¡olinas: (62)2 4267. (63)2 . Tabla 9-29 CONDUCTORES Tabla 9-80 TOTALES Bf 19 ae Bc 16 1g 11 16 61 D6 16 cq 1¿ 65 69 62 70 By 19 ap 16 D6 16 cd 14 A6 t6 Ds cB TOTALES 14 L6 64 82 E{ cr lL BB 2l DB t6 A6 15 Bo 18 cy ll Bs 2r ao 15 De t6 c6 Af 86 16 23 68 Do 14 L6 c6 lL Dr L6 Ar 86 L6 23 Df As L6 63 cF 266 Entonces obtenemos los totale¡ para cada letra l¡tina y para cada letra griega. Dl Caminos: (o' P.1 para un cuadrado de n X n.00 - 6-50 - 11r.os resultados se mueshan en el análi¡i¡ de varianza.4-T 4 .00 de modo que la variación debida al e¡ror e¡ 148.50 4244-4096 = 148. (59)2 .6o-40e6 = ?. -1--4(n-1)=(n-lXn-3).60 - 4096 = = 16. leüras laüinas y letras griegas cada una tienern 1 grados : 4.

(o) Poi definición tenemos v.500 :?*33=t.) = bj¿E(Si) utilizando (I6) del Capftulo 5.} . e Columnas (conductores)..5. (4.60 Gasolinas. J=r - =.a:9. Entonces.26 Tenemos F.*-i.¡z > + ) (x.50 Caminos (o' É' 7.05 pero no al nivel 0. donde Sf é define por (15).330 ANATISIS DE VARIANZA Tabla 9-31 lcAP. Capítulo 5.s. Demostrar que > oj = 0 [(15).. 6.18. B.50 2.C. Derivar (c) la ecuación (17).3u*3" = op+\'¡ t=L i=l !:t' = (2p)/a. El tratamiento medias de la población viene dado por p¡ Por tanto ac = 9.-*.so. Por tanto podemos rqchazar lahipótesisdequelasgasolinasson igualee al nivel 0.". de Ia página 308.D). Se deduce que t=L )¡t* )"t j:r ' donde hemos utilizado la definición p )a.28 V F.. = F* e¡. b 3 (¿'-1"'\ -i---t\ b / = a(b . 5u. 111. 6).tz = b j=r |Lo rEr' " ' ) = ¿!s? j=1 d.19.r. 7. página 308].l)oz - .or. (b) la ecuación (I6).-¡b-l ¡ es la varianza muestral para el tratamiento jr como que el tamaño de la muestra es b. PROBLEMAS DIVERSOS 9. ya E(v.01. = 9.s : 29.= .

¿Podemos sostener esta conclusión al nivel de signifi cación del (c) 0.+*i):-l -"ufLab J !+rr) " '' ) -LD aoz * b ) (p+ a¡)2 - o2 - s'b.-x¡z t=r aa a o = b>*i-2bx)x. Por el Teorema 5-6. más el reeulüado dd hoblema 9.-ab*z j=1 a. Por tanto lv(x. E(U2) = Var (U) + lE(U)12. puesto que las varianza¡ S! bn indep el Teorema 4-4.20. con medias ¡t¡ y varianza común 02. 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. página 309. En el Problema 9..\12 lBlx¡12 E(xil : E(Xz) = Var (Í) + Pero ya que las poblaciones de traüamiento son normales.) / \ // /\/ ' = b>*?. . tenemos dd Teoreme 6-4.p6gitn 116.bgQ7z) Entoncee para cualquier variable aleaüoria U.2 9.. Demostt'ar el Teorema $1.21. üenemos E(val = b>86?) var(i¡.05. que V-/o2 tiene dishibución chi-cuaüado cón o(b - 1) 9. = 84.8.t) X = ( )It.13 supusimos que no existían diferencias significativas en las repeticiones.18. el ANALISIS DE VARIANZA Por 331 (b) definición vt' = a ) 1*r. P¡ra hallar la variación debida a larepeticiónutilizamoslostoüalegdecolumna cn la Thbla 9-21. bSJ/o2 tiene drado con b . Como ¡e indica en el Problema 9. + > al - ob¡P (c--t)62 * b ) a. omitiendo el fndice de la euma.19(o).) = pj = p+ai Utilizando los resultsdos (2>(7).) + a. obteniendo u" .01? Si existe alguna variación debida a las repeticionee se incluye en lo que ae llama el ertor re¡idual o aleatorio.Enloncex. ¡úgina 161.P = (a-l)o2 * abp2 + zbp> ". los diferentes días de la semana. en (I ) tenemos E(va) = b>[+*(¡.+auxz l=r t=L ya que (f) (21 (. página 158: ( tr) var (5) =r Var(X) = # E(X) = p (i¡.cAP. en la Tabla 9-23. (b) 0.1 gradoe de libotad.) (d) (7) E(Xj. esto es. Entonceo.

C". e 1t=-+'re¡ (57\2 g (51)2 g .4 3 Aleatoria o residual a'" | 2. es la media de valores para las clases Il y C cuando Ar es constante.18. (47)2 (50¡z -. Sigñificados análógos se dan a E¡ ¡ ! r .4 De la tabla vemos que el F calculado para repeticiones es 1. Las siete variaciones en las que se puede dividir (1 ) vienen dadas por u = DA+ürJ+uc lTIAB *..1795.ú¡n< .06 (y por tanto al nivel 0. Suponemos que la clasificación se hace en A grupos. sedenotaporxjkl. es la Tabla 9-32. los días de la semana no eon significativos.01) debi- da a las repeticiones. g - (268)2 40 = 1807 ..22. o.."o = 11. l---g 6.Elvalorú¡¡.86..4 Puesto que hay 5 repeticiones.4.7! parz 4. Finalmente d Existirá una uarioción total dada por (l) 1) = t. La tabla final de análisis de varianza. como se indica en la Tabla 9-33.32 Filas (máquinas).. La interacción entre todas las clases se denomina como antes la uariación aleotoria o residuol. . . El valor f.k. 0' = 0c 51'0 Columnas (turnos).rpor denota la gran media. 8r. Describir cómo se pueden utilizar las técnicas de análisis de varianza para clasificación triple o experimentos con los tres factores (con factores simples). teniendo en cuenta las repeticiones.827 = 73. Las otras variaciones son las mismas a las de la Tabla 9-23. denotados pot 41. C.8 114: ?8.*ucA-.6 = 11.8¡r. I-a variación residual después de restar la variación debida a la repetición ea ue : 84. T.. Ias conclusiones reliacionando máquinas y turnos son las mismas a las obtenida¡ en el Problema 9. = 8'1 Repeticiones (días de la semana). Pero ya que Fe5: 2. .u¡6. es decir.4)2 . denotadospor ejemplo..¡r..332 ANALISIS DE VARIANZA [cAP. .. Ao) Barupos.. Estas variaciones son entre clases del mismo tipo y entre clases de diferentes tipos (inúerccciones). denota la media de valores en la clase C cuando A¡ y B:p se maitienen fijos.t 2 @¡rt- ú)z que puede dividirse en siete variaciones. el número de grados de libertad asociados con esta variación es b 1 : 4.2g grados de libertad.C{luposdenotadosporC¡. podetnos concluir que no hay variación significativa al nivel de 0. Tabla 9. 9.EIvalorenA¡.767 | -=0.0g. Reproduzca la tabla de análisis de varianza a emplearse en tal caso.

- ñ¡. (o - 1)(b - 1)(c - 1) sl u¿ (entre gr¡r- posCyA) (entre grupos (c - 1)(o .Bzcl.ú. (fr.. (a - 1Xó - 1)(c - 1) gl trac (entre gru- posByC) o¿ =o=ffi= (c-1X¿-1) acA .új. Q¡n rB = = .ñ.A^o 8ó^tsA.ñ.J- er" (ñ¡¡1.BlSA. ? (E¡..rTabla 9-3$ Media de cuadrados r¡ Ao -q¿=-A o-l Varíación o¿ (entre grupos A) Grados de libertad F ?1.05. Se efectúa un experimento para determinar el rendimiento de 5 variedades de trigo A.% (c 1)(a 1).kc (b - 1)(c - 1).1Xó - l)(c - 1) gl os (entre grupos B) ó-1 c Ao og s "B .+ ¿.¿).n.01. el donde U¡ ANALISIS DE VARIANZA 333 - .k..'uc c-1..-.c (entre grupos C) -'l Añ "c . E. 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 ..ñ.+ i)\2 E)2 aABc = . Dc ñ\2 : ab 2 @.+ 0nc = "." = uesc (o-l)(ü-lXc-1) Probletna.ñ j*."" a a-l - 7.23. variedad y los rendimientos (en hl/ha) son los mostrados en la Tabla 9.ó I Dg n rA^ Ét s^.4ñ sA.rt. (b) 0. C.n\r.34.2r@i*t.. ce' ) (¿.ñ.c)i..k.Bc -1) 3. determinar si hay una diferencia significativa en rendimientos a los niveles de significación del (a) 0.Bc b-r.r.t.* ñ. (o 1)(b 1)(c 1) gl 1) ¡ A. Suponiendo que las parcelas eon de fertilidad semejante y que las variedades se asignan aleatoriamente a las parcelas.rlos CLASIFICACION STMPLE O EXPERIMENTOS DE UN FACTOR Tabla 9-34 A B C 9. D..cAP. (a.ri.(a-1Xb-lXc-1) AÓ..c .BC gl 0¡s (entre grupos AvB) (o-1)(b-1) (b-lXc-1) (o - 1)(b - L).I ót s.t .(a-1)(b-1Xc-1) Añ.r+ ñ)z !ct = b > (ñ¡t.4ñ s gl t.s suplernerirta. B... .tt+ ñt.ByC) u (total) (o-1)(ó-l)(c-1) abc-7 9?.

Ensayar a loe niveles (o) 0. 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. y a cada grupo se le enseña por un método diferente.os a¡tículo¡ fabricados por una compañfa se producen por 3 operarios utilizando 3 máquinas diferente¡.a 9-38. II1. 9.01 si hay una diferencia significativa en los métodos de enseñanza. II. tres grupos de 5 estudiantes se escogen aleatoriamente. [. e 9. Tabla 9. La Tabla 9-37 da los números de mill¡s al galón obtenido por autornóviles semejantes utilizando 5 ma¡cas de gasolinas. Ensayar al nivel de (o) 0. página 311. para el caso en que los 4úmeror de oba¿rvaciones dean CLASIFICACTON DOBLE O EXPERIMENTOS DE DOS FACTOBES 9.29. (b) 0.05.27. Para lleva¡lo a cabo. Durante un semestre un estudiante obtuvo las calificaciones indicadas en Ia Tabl. (b) entre máquinas.01 si hay diferencia en lo¡ neumáticos.28. vienen dadas (en miles de millae) en l¡ Tabla 9-36. I'z duración de log neum6ticor. Se efectúa un erperimento para determinar el número de artículos diarios producidoe por cada operario utilizando cada una de lac máquinas. página 310.06.85 Tabla 9-86 9.05. (25) V Q6). C. Un profesor desea eneayar treg métodos de en¡eñanza I. Una compañfa deeea ensayar 4 tipos de neumáticoe A. El fabricante desea determinar ei hay una düerencia (o) entre operarior. Luego se da el mismo examen a todoe los estudiantes y oe obtienen las calificacionee indicadae en la Tabla 9-36. 9.334 ANALISIS DE VARTANZA [cAP. B. Demostrar los resultadoe (24). (D) O. prÁgina 311.06.06. 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 . Determinar al nivel de (o) 0. diferentes. D.26. (b) 0.24. (b) 0. donde cada tipo ¡e ha tratado en 6 automóviles semejantes asignando los neumÁtico¡ aleatoriamente.A IVfarca Tabla 9-3E 11 15 L2 14 11 15 L2 L4 Matemáticas Ciencias I 16 10 I\Áarc¿ C L2 t4 Inglés Marca D I\Áarca E 16 18 16 L7 10 12 t4 t2 t4 Economfa 72 81 88 74 80 83 76 74 77 82 90 87 7t 77 70 80 9. Dar la informaci6n deseada utilizando un nivel de oignifi' cación del 0. Tabla 9-37 I\[atca. Demo¡tra¡ el resultado (30). Demostra¡ la¡ fórmulas cortae (3I fl34). loa resultados se dan en la Tabla 9-39.81.01 si hay alguna diferencia significativa en las marcas. determinada de sus fibras.30. 9. Ensayar a loe niveleg de (o) 0.O1 si hay una diierencia significativa en sus calificaciones entre Ssas asignaturas.25.

Tabla 9'4O TIPOS DE MAIZ bloque te a los hl/ha. Tabla 9-41 9. Ios réeultados se dan en la Tabla 9'41. E 18 22 2L l7 18 24 g. Ensayar al nivel 0. 9. 9. Suponer que en el Prpblema g.3ó r¡tilizando el nivel de significación del 0. varfan significati- aleatoriamen' 5 .24ltprirnera observación para cada tipo de neumático se hace empleando una claee espeiífica de automóvil. (b ) en los planteles. (b) las máquinas. g. Solucionar el Problema 9-31 utilizando el nivel de significación del 0.12. lo 77 9. el segundo a un estudiante de otro planüel.05 si hay diferencias signifiéativas en (c) loe operarios.cAP.g2. Soluoiona¡ el Problema 9.06 si hay diferrencia en (o) los tipos de neumáticos.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. Solucionar el hoblema 9. 9.g6. \4 9.8?.05. SLOQUpS C D E IIIUIIV t2 15 15 19 L4 18 11 16 16 l7 10 t2 16 L2 11 14 11 12 16.38 al nivel 0. Analizar el ex' pelinojo rubio Alto Mediano Pequeño 76 81 73 78 76 castaño 80 79 perimento al nivel de 0. Solucionar el hoblema 9.33 utilizando el nivel de significación del 0'01.06 ¡i hay una diferencia en (o) lor ferüilizantes. a ^ B {amente con (o) las diferencias del terreno (esdecir.01.06 de que hay diferencia en (a ) d método de en¡eñanza. roy"t al nivel de 0. B C 16 18 20 15 L7 16 2l 19 18 23 19 2l 23 20 D 9.01.33. y así sucesivamente. y así sucesiva-E mente. los bloques).01. Solucionar el hoblema 9.39.38.26 el primer valor para cada método de enseñanza corresponde a un estudiante de un plantel especffico. (b) las clases de automóviles. / y II. Se efectú¿ un experimento para ensayar ei el color del pelo y las estaturas de esür¡diante¡ adultos üienen algu' na incidencia en el rendimiento escoló¡tico. (b) las diferencias en el tipo de maí2. (b) la localización. dUrante díae diferentee. en tanto que en un experimento semejante efectuado en el oe¡te da los resultados en la Tabla 9'42.36. Determinar al nivel de 0. ts Tabla 9-43 da el número de artículos produeidos por 4 operarios diferentes trabajando en dos tipoe de máquinas.40. c Semill¡s de 5 tipos de mafz ee siembran en 5 bloques' Cada ue se asignan 0.40 utilizando un nivel 0.01. la eegunda observación empleando una segunda clase especffica. Suponer que en el Problema 9. EXPERIMENTOS DE DOS FACTORES CON BEPETICION T¡bla 9-42 A 9. Ensayqr la hipótesis al nivel 0.34. 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 . el ANALISIS DE VARIANZA 335 g.05 ¡i lo¡ rendirnienüos en bla 9-40. Suponer que el experimentg del hoblema 9. doñde los números in' dican 10 en el tope de los graduados.41.

1.45.05. T3 T4 c6 t7l D. BoG Dy l0 Ap8 c6 10 cialee. o. como se muestra en la Tabla g-46.05. W¡ .01 de que no hay diferenci¿ en (o) los fertilizanSe C8 At4 D10 Á10 c12 BL4 D16 D12 B11 811 Dt5 Á10 tee. L62 BB L45 cB 2t2 A6 112 86 Do An 188 Bq 167 c7 136 PROBLEMAS DIVERSOS 9. B. respectivamente. Wt. Para producir un tipo superior de alimenüo pnra pollos. B7 At4 Tabla 9-4ó c12 adicironal dando la sección donde naci6 el estudiante Eete. Wc y 4 especies d-iferentes .Cz. Tabla 9-4t Alto Pequeño Mediano 110 95 Tabl¡ 9. Wz.r 198 D.49 105 103 118 A B 3544 4233 6465 Lt2 10? 90 115 c 108 lr2 93 104 96 L02 . B. eetableciendo cualquier conclusión a que pueda llegaree.48. Tabla 9-44 efectúa un experimento para ensayar el efecto sobre el rendiniiento de 4 tratamientoe de fertilizanües A. B. Efectu¡r un análisis de la varianza del experimento al nivel de significación del 0. É.05. C. w2 BB6 Dog ws Ao5 9.47. Efectua¡ un análisiÉ de varianza al nivel Q. (c) lugar de nacimiento.Tc. 6. donde lo¡ números indican rendimiento de maÍz por unidail de á¡ea.43. Cuatrotiposdecable?¡. Tabla 9. c16 9. D y las del cegundo por ü. ?a sefabricanporcadaunadecuatrocompañfas. Determinar al nivel (o) 0. T¡¡ fq¡talezas promedio obtenidas se dan en el cuadrado greco-latino de la Tabla 9-4?. t¡ Tabla 9-48 contiene los datos sobre el moho acumulado en hierro tratado con químicos A. 9. Tr AB 164 c2 Bf 181 c3 ca Ay 193 193 207 166 c4 D6 160 T.C1 . B o C. Ca.S4 Sr.46.01 si hay una diferencia significativa en los tratamientoc.05. . Ensayar la hipótesis a un nivel del 0.a diferencias en (o) ertatura.336 CUADRADOS LATINOS ANALTSIS DE VARIANZA IcAP. (D) lae variaciones del terreno. St. eetableciendo cualquier conclueión a que pueda llegarse.as cantidades diferentes del primer compuecto se indican por A.43 utilizando un nivel 0. Con referencia al Problema 9. (b) colo¡ de pelo. Se obtiene el cuadrado latino.6 . 9. 7.05 ¡i hay una diferencia significaüiva en rendimiento académico de los e¡rudiantes debida. Centro. El aliñento se da a los pollitos ordenados en grupos de acuerdo con 4 peeos ini- Cr8 464 Dp6 D66 S" ce7 865 BrB c D3 Av6 cr6 9. Soluciona¡ el hoblema 9. [.38 euponer que introducimos un factor 876 c81 o73 Tabla 9-46 o78 E'76 c80 o79 c76 877 w4 CUADRADOS GRECO. Oes: te.Ct. 4 cantidades diferentes de dos compuestoc químicos se agregan a los ingredientes bási co¡. C. El aumento en peso por unidad de tiempo 6e da en el cuadrado greco-latino de la Tabla 9-46. Det¿rmina¡ a un nivel de 0. e 9. q D. y de variaciones del teneno en dos direcciones perpendiculares. Sz S¡. D usando cuatro máquinas diferentes.44.LATINOS wr ^S. miden las fortaleza¡ de los cable¡.Cuatro operarior A.Tz. Tabla 9.44.4? c. (ó) 0.

página 309. Norte y centro 80 ¡D 79 g. Derivar los resultados 9. Solucionar el koblema 9. (b) la ecuación (38).62. (3) y ( ). (b) los tres lugares.cAP. t¿ Tabla 9-51 muestra los puntajes para una muestra de estudiantes universitarios de diferentes partes del país con diferentes I.Q' 9.ó6. relativo a diferencia de estaturas.01 si hay alguna diferencia significativa en los I.61. 9. 9. Tabla 9-50 Alto I.5E. Este Oeste Sur 88 84 86 Medio 80 78 82 Bajo 72 ¿o 9. ¿puede determinar si hay una diferencia significativa en el número de artículos producidos en los diferentes días de la semana? Explicar. Demostrar (o)la ecuación (39).54. 9. en tanto que los resultados correspondientes para el oeste se dan en la Tabla 9-52.60. Demostra¡ (o) la ecuación (37).Q. Veterano No veterano 90 85 Medio ril 78 I.05 si hay una diferencia en los puntajes debido a diferencias en (o) el estado veterano.05 si hay diferencia en (o) fertilizantes. Determinar al nivel (o) 0.59.62. (b) 0. rinden mejor' Los puntajes obtenidos se muestran en la Thbla 9-50. En los cálculos de análisis de varianza se sabe que puede sumarse o restarse una constante apropiada dp cada valor sin afectar las conclusiones. Bajo I. Tabla 9-51 Alto 9. página 309. Con referencia a los Problemas 9. de estudiantes adultos de estaturas altas.53.05 si hay diferencias debido a (o) los químicos.Q. el ANALISIS DE VARIANZA 337 g. Se realiza un examen para determinar si los veteranos o los no veteranos de diferentes I.Q. . 9.5?.51. 9. (b) la localización. Un experimento mide el L Q.05. 70 En el Problema 9-42.01.4g. ¿Es ésto cierto si cada valor se multiplica o divide por una constante apro' piada? Justificar su resPuesta. 70 9. Solucionar el Problema 9.52 utilizando un nivel 0'01.50. (b)la ecuación@0). Determina¡ al nivel de 0. 9. Demostrar el Teorema 9-2.05 y establecer sus conclusiones.40 suponer que un experimento adicional realizado en el noroeste produce los resultados de Ia Tabla 9-53. Analizar la tabla al nivel de 0. Ensayar al nivel 0. Determinar eI nivel de 0. página 372. página 312.55. (b) I. medias y pequeñas. Los resultados se indican en la Tabla 9-49.23 y 9.Q. Suponer que los resultados en la Tabla 9-48 del Problema 9-48 son válidos para el noroeste. página 312. Demostrar el Teorema 9-3.Q.Q.54 al nivel 0. Tabla A B C 9-52 Tabla 9'53 5463 3423 5746 AltT 14 18 Bl20 10 20 cl18 Dlt2 ¿'ll5 15 16 11 11 12 19 12 15 L7 11 14 9.

De¡cribir cómo emplear las técnica¡ de análisi¡ de varianza para experimentos de tres factore¡ con repetición. Efectuar un análisig de va¡ianza en el cuadrado greco-latino de la Tabla 9-65 a un nivel 0. es decir.67. 2X 2? (D) ¿un cuadrado greco-latino de 3 X 3? . las repeticionec. e 9. Efectua¡ un análisis de va4ianza en el cu¿drado latino de la Tabla 9-64 a un nivel 0.06 y establecer conclusione8. 9.21 hallamos una diferencia significaüiva en los días de la semana. 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 9.64. 9. 9.05 y eetablecer conclusiones.69. ¿Deberíen modific¡r¡e la¡ conclu¡iones obtenidas en el hoblema 9. 0.7 16 D66 Br7 Haga el montaje de un experimento que conduzca al cuadrado greco-latino de la Tbbla 9-55. Haga el montai dc un erpcrimenüo que conduzca al cuadrado latino Tabl¡ 9-64 FACTOR 1 de la Tabla 9-54.66.68.69.62 utilizando un niyol 0.63. Montar y solucionar un problema que iluetre el procedimiento en el Problema 9. 816 FACTOB 2 c2r 823 416 AL8 ct4 Bt2 ct5 l á18 9. Suponer que en el hobleme 9. ¿es¡rer¡rf¡ encont¡ar un (o) curdrado latino de Explicar.65.01. En ln práctica.13? Justificar sus conclusione¡. 9. 9.71.338 ANALISIS DE VARTANZA Solucion¡¡ el hoblema 9. lcAP. 9.

Apéndices .

.

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

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

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

0004 .3970 .0129 .0002 .I942 .0005 .0113 .3332 .3292 .0363 .01.1669 .39?3 .331 2 3 4 D 6 7 8 o 0.0088 .:1825 .0707 .0031 3.2317 .0508 .0246 .3521 .0957 .0139 .0032 .1872 .8 0.0925 .5 1.1539 .0002 .0 0.2613 .2565 .0379 .3951 .3778 .0005 .0167 .010? .3802 .0008 .0283 .2227 .0681 .0878 .0198 .8 2.5 2.0468 .3980 .2072 .0003 .0277 .0034 .6 2.237r .0909 .0325 .2637 .140 .0038 .1315 .0.0252 .3101 .00r1 .3144 I .0046 .0023 .0355 .0007 .0037 .4 0.0004 .3538 .l 2.0119 .1 .0596 .0235 .u077 .1965 .0154 .5 0.0067 .0573 .3725 .3467 .0006 .0264 .0014 .1758 .0258 .0013 .3 0.0058 .0116 .3982 .3 IA .0018 .3977 .¡ 3.8 .0073 .l lJf]4 .0540 .2036 .0053 .0050 .3988 .2 1.0063 .2t31 .0005 .1006 .2295 .0004 .0013 .3605 .0003 .0669 .3668 .0122 .1 561 604 .0002 .0002 .3918 .0184 .3209 .2396 .3956 .3836 .1 .3621 .0011 .3429 .1040 .2420 .12 .0061 .3857 .0033 .3166 .0r 36 .3?65 .1182 .1781 .2920 .1 tQ .0010 .0 1.0016 .1771 .3637 .3034 .0093 .28i1 .0009 .1895 .0694 .0219 .3391 .3589 .0171 .0047 .0043 .8 I.016:l .3410 .0387 .0060 .0019 .3986 .0224 .2 0.1.0003 .3939 .7257 .1736 .0404 .Dl éo .0010 .0863 .0006 .1334 .0016 .0006 .24G8 .0081 .3079 .0020 .0008 .1919 .0036 .0332 .3503 .0241 .0551 1.01?5 .3989 .0339 oe OA .1989 .3352 .r295 .0051 .0086 .0632 .0488 .l 163 .0017 .0027 .0001 344 .0101 .0091 .0030 -0022 .1 .3230 .0006 0004 .0003 .0110 .3056 .Apéndice B Ordenadas (E) de la curva normal t ipif icada enz 0 I .0012 .0 3.0025 .1435 .2083 .2756 .1626 .6 l.3697 .16'17 .24!r2 .0303 .0608 .0002 .0158 .9 .0620 .3372 .9 .0008 .1 109 092 1.0529 .3902 .3910 .1 .0002 .0194 .0048 .0003 .3739 .0018 .0009 .0002 .0i21 .0005 .3 DA .0026 .0028 .3752 .0015 .0010 .8 3.0004 .06{4 .0132 .0459 .6 o.3867 .381 4 .0180 . ¡ .0056 2.3984 .1 804 .2589 .0079 .0893 .0297 .0001 .2780 .0151 .2897 .1849 .0003 .2989 .0213 .00I7 .2732 .0009 .0012 .0008 .0044 .3712 .0317 .2513 .1 .0002 .0519 2.2966 .2685 .óooó .3989 .1057 .0096 .r374 .0099 .0055 .254r .0973 .0022 .22i5 .0422 .0290 .0310 .0833 .266I .2 .0189 .058.2059 .3555 .3961 .0203 .0ri56 .3925 .1145 .0012 .3894 .2850 .034? .2516 .0208 .3965 .2803 .1127 .1219 .2t55 .3945 .0004 .5 3.1.0003 .0775 .o024 .0562 .9 3.3876 .0431 .0007 .0229 .3448 .0761 .0002 .r023 .0036 .0804 .7 2.10?4 .0025 .oI47 .0940 .0040 .13 .0029 .3011 .0007 .0 .3683 .3485 .0003 .1582 .3790 .0396 .0069 .0002 .327L .0065 .0734 .0002 3.2827 .3932 .2323 .1 7.1 0.2444 .2t07 .0005 .0989 .3187 .0020 .0014 .0084 .0015 .1518 .6 ¿.3251 .9 2.0002 .0002 .0270 .0371 .0413 .07.0042 .3989 .0478 .7 0.0126 .2203 .2 3.0498 200 .3847 .156 .0075 .1354 1.0104 .1415 38 .3885 .1826 .000? .3572 .002I .0003 .0004 .0848 .0449 .1 .225I .0818 .r1f)7 691 .0071 .72i6 .0005 .0039 .0790 .2709 .

0199 .4821 .4999 .4909 .0438 .4131 .4996 .1808 .4995 .4999 .4992 .4066 .1879 .4881 .1987 .4750 .3413 .8 .7 1.5 3.4967 .3749 .0832 .3790 .4999 .5000 .4999 .4999 .9 2.4991 .2549 .0636 .4906 .4693 .4959 .487L .4117 .4943 .4948 .4699 .4990 .4995 .6 3.4999 .4945 .5000 .2019 .4382 .2642 .4591 .1?00 .1293 .3926 .4929 .4993 .4994 .3r 59 .3340 .8 0.0040 .4505 .066? .4306 .4686 .4996 .1960 .4992 .0398 .4582 .4987 .0 0.4599 .4982 .4997 .4893 .4678 .0696 .4951 .4985 .4999 .4997 .4999 .4953 .5000 .0517 .4964 .3438 .0478 .4999 .3238 .4887 .0987 .4474 .4332 .1 .4956 .3106 .)( 2.4998 .4904 .2910 .4279 .4981 .2881 .4995 .1591 .2996 .5 1.4995 .4931 2.4783 .4798 .4864 .3461 .4875 .4846 .3531 .0675 .0279 .1ts26 .4345 .1517 .4989 .4726 .4656 .4803 .2324 .2422 .4987 .2939 .1103 .4878 .4719 .2764 .2580 .8 3.4998 .4207 .2704 .4999 .4429 .4545 :4633 .4980 .2224 .1915 .3869 .2258 .4990 .3315 .4990 .6 0.2454 .5 0.1064 .2734 .4998 .4997 .4772 .4898 .8 1.9 1.4992 .0754 .7 0.4995 .4913 .4236 .6000 3.4981 .4850 .4946 .4955 .4616 .4649 .4961 .476t .3485 .4115 .3849 .4996 .4962 .2967 .4998 .3962 .3997 .1480 .4996 .4911 .4394 .4 .4998 .4999 .4406 1.4986 .4979 .4854 .t443 .2t23 .4999 .4 0.43?0 .1 .4999 .0120 .4994 .4916 ..4969 .4049 .5000 .4997 .4998 .4977 .26L2 .0 3.0160 .5000 .4996 .4015 .1026 .2 1.7 3.3133 .229r .4972 .4756 .L265 .4463 .4976 .4960 .0871 .4996 .1 0.5000 3.4965 .0239 .1736 .4989 .4998 .467L .4999 .4993 .4993 .4934 .4999 .4978 .44t8 .4998 .3665 .4999 .0793 .4535 .4808 .4949 .3686 .4625 .Apéndice C Areas baio la curva normal tipificada de0az 0 0.4608 .4977 .4998 .5000 .4868 .2673 .4999 .3708 .4830 .2852 .3 0.48(.4999 .1179 .0948 .4999 .1368 .3051 .2 ¿-D .4564 .4997 .1L62 .4706 .4999 .3078 .4932 .4997 .4767 .4991 .7 2.6000 .2357 .3365 .4984 .4896 .1 .tzt7 .4 .1554 .6 2.0359 .1406 .4192 .3944 .4925 .48L2 .4838 .2064 .4773 .3980 .4778 .4998 .3129 .1664 .4998 .4997 .4842 .4834 .4099 r.3907 .2 0.4998 .444L .4989 .4744 .4999 .4991 .4525 .4999 .4793 .9 346 .4968 .1772 .497L .4t47 .4554 .4999 .2190 .0910 .4922 .2088 .3508 .0 2.4999 .4452 .4988 .4963 4973 .4941 .2t57 .4994 .4997 .1628 .25t8 .4940 .45L5 .3 1.4999 .4994 .4788 .1844 .2 D') 2.4974 .4920 .4817 .4265 .4999 .4962 .6 L.() 3.4901 .3810 .4999 .0319 .3170 .2389 .4927 .4997 .4984 .3888 .4974 .4884 .4573 .4988 .4997 .4732 .0000 .4992 .07L4 .4484 .0 1.4319 .3186 .4975 .4938 .{o9t .5000 .3599 .4995 .4222 .4994 .3264 .1141 .3272 .4986 .485? .4495 .4292 A25L .3289 .2794 .2486 .4936 .4966 .3554 .2823 .4967 .1985 .4664 .3830 .0080 .4986 .4082 .4982 .4918 .4998 .3389 .4999 .3023 .4970 .4983 .4890 .3577 .1 1 2 3 4 6 6 7 8 I .3643 .4032 .4993 .4979 .4738 .4357 .1331 .3621 .

31 1.r29 .569 .31 1.92 6.A.90 1.70 1.ongman Group Ltd.535 .71 t.584 .54 3.32 1.842 Fuente: R.26 2.700 .257 16 2.696 ..858 .76 2.633 .60 2.76 L.00 1.531 .36 3.130 .08 2.531 .L29 10 11 .73 1.34 1.816 1.689 .t42 .L27 .81 1.861 .36 3.68 2.920 .263 .868 .257 .262 .856 .88 2.27L . 3 .130 .30 1.28 t20 € .683 .L27 .98 1.06 2.92 2.649 .t26 .02 1.L28 .7L 1.09 2.258 .80 2.62 2.257 .684 .L27 .530 .630 .128 .71 3. .260 .37 1.30 L.07 2.727 .06 2.6?9 .46 2.35 1. Edinburgh).?8 .683 .40 1.31 2.00 2.56 2.18 63.263 .70 1.3L 2.533 t2 13 14 15 .542 .688 .71 L.869 .L27 .67 1.267 2.126 .32 L.33 .681 .68 .941 .30 3.697 .06 2.325 .49 2.532 .34 1.256 .128 .03 3.36 1.76 3.76 2.131 .532 .711 .82 2.70 2.624 .80 1.538 .46 2.66 9.64 2.540 .82 6.889 .L26 .83 1.14 .257 .256 .33 1.706 .277 .96 4.36 1.05 2.32 2l 22 23 24 25 26 oa 28 29 30 40 60 .8?0 .683 .L32 .5L 2.01 2.t6 2.t27 .50 3.L27 . AgriculturalondMedícol Recearch.727 .876 .90 2.18 2.32 L.896 .626 .25 3.534 .643 1.92 2.854 .537 .75 L.23 2.260 t.77 2.90 2.259 .256 .t27 .72 1.82 2.31 .531 t.81 2.684 .856 .703 .31 1.94 1.68 L.04 2.978 .33 1.36 2.261 .42 1. Yate.72 1.48 2.06 2.38 1.061 .684 .58 2.29 L.83 2.84 2.02 2.32 L.266 .685 .691 .76 2.000 .zs üeo tso 3.137 .39 2.686 .szs tse 31.84 4.856 .686 .857 .57 2.66 2.17 3.694 4 6 6 .258 r.256 .66 1.539 .627 1.06 3.254 .873 .L27 .20 2.86 2.79 2.53 2.32 1.96 2.86 1.sgs I .48 2.3?6 1.674 .906 .563 .t27 .63 1.883 .73 1.134 .60 4.t2 2.96 I7 18 19 .70 1.858 .765 .L27 .61? .534 .727 .669 .89 1.687 . Stotistícal T¿bles for Bíological.zo t. con permieo dé lo¡ autores y editorea.64 1.72 2.255 .L26 .862 . Fistrer y F.546 .14 3.L28 .856 .34 1.?18 .74L .128 .36 t2.77 1.r3 2.r28 .L0 2.78 2.630 .254 .688 .t3 2.686 .848 .76 1.289 .62 2.?l 1.677 2.861 . (previamente pubücado por Oliver y Boyd.47 2.258 .98 2.78 2.866 .257 .04 2.531 .645 t. publicado por l.Apéndice D Percentilrr de (tr) l¡ di¡tribsción f de Student con z grador de libertad v úss ¿oo t.66 t.70 1.08 1.t2s .66 2.44 1.67 2.266 .50 2.11 2.158 .33 8 9 .536 .863 6.47 2.48 úes t.L27 .256 .256 .256 .256 .255 .09 2.11 3.s.692 .74 1.76 2.532 .r27 .42 2.864 .846 20 I.879 .32 L.07 2.72 2.860 .45 2.7L 4.62 2.629 .690 .865 .

6 12.4 13.9 11.0 48.831 .78 9.66 5.6 32.0 104 116 l4 16 16 to.9 2t.1 10.0 36.1 12.8 20.63 7.7 26.79 t4.57 t.7 28.8 24.8 14.6 19.9 20.6 26.4 3.84 5.8 26.25 5.207 .0 17.3 14.1 28. páginas 187 y 188.31 10.9 13.2 11.4 20.3 49.1 19.tl 4.S.6?6 ..1 8.3 13.8 16.3 17.0 33.9 40.07L7 .0 44.3 18.40 6.3 .6 28.34 10.5 24.6 22.L 2l. t3.3 46.455 1.7 37.9 11.8 24.6 48.7 18.1 40.70 3.3 61.7 29.8 14.gg x?rn y2 ^-00e .83 3. xlo.9 43.6 16.0 27.4 86.35 5.1 39.4 63.6 32.3 32.1 41. con permieo de lol autore¡ y editoree.26 6.23 8.3 18.t7 4.1 12.35 6.2 31.3 17.r7 2.3 30.Apéndice E Percontilas (¡f) de l¡ di¡tribución chi-cuadrado con u grados de libertad v x.84 9.8 16.4 42.81 9.34 1.872 L.291 .8 43.32 2.2 12.6 15.7 16.6 61.6 24.1 10.7 2.5 20.24 10.0 20.3 69.3 99.3 26. 3 4 o I .1 ttz r26 13? 64.0 22.1 .96 8 I 10 11 4.6 36.2 37.5 96.4 23.61 2.9 48.7Ll 1.7 37.0 x2ot x'"0 .2 46.3 16.7 28.2 16.2 '19.20 2.0000 .6 66rB 56.04 10.6 46.26 9.3 29.88 10.8 t7.5 34.116 .39 2.3 89.7 25.8 20.3 16.4 34.0 13.2 88.26 3.70 6.49 2.04 7.3 27.41 ?.484 .4 69.3 r6. .4 29.6 21.4 32.43 8.8 30.81 6.2 38.57 7.0 17.09 2.0 19.0 23.6 .8 14.3 19. Biomelr:iha Tobles fo¡ Stotitticíane.3 23.2 35.362 l.64 .9 L6. 347 .77 4.0100 .64 9.6 14.5 16.3 82.2L 1.60 5.2 24.O' X.6 L2.. Pear¡on y H.0506 .2 11.7 76.6 33.2 59.0002 .3 I 1.82 4.l 22.0 71.73 2.7 16.8 t7 18 19 20 2L 8.37 3.3 39.6 61.59 10.7 33.0 14.7 39.44 9.6 31.3 49.86 11.4 40.5 16.6 40.39 6.49 11. 1(1966)' Tabla 8.3 26.6 90.18 2.2 t3.6 74.1 37.2 14.o 22.38 9.34 9.57 4.? 37.684 1.4 100 t2.0 16.6 38.1 52.7 12.26 8.6 50.1 45.3 27.58 6.7 99.6 23 24 25 26 27 28 29 30 40 60 60 70 80 90 100 41.8 63.3 73.3 16.7 22.7 26.3 32.2 29.8 34.4 32.7 60.L 30.7 66.60 3.01 5.69 2.26 7.6 46. x?o".E 42.3 69.3 2L..6 46.9 t8.3 71.554 .9 34.25 7.91 7. x?no X.L6 2.0 11.8 45.9 34.2 29.73 3. Vol.8 48.06 1.6 14.9 39.3 29.30 r6.58 8.6t 6.3 61.7 2t.L4 6.3 35.06 3.7 47.90 27.7r 4.0 69.2 36.6 12.2 62.6 43.3 61.L 80.6 54.8 26.3 42..2 26.90 6.9 1t.8 t9.1 t2.89 6.9 26.3 5.8 9.2oo¡ xlo.07 4.989 1.6 56.8 79.63 8.6 29.6 9.6 tt.54 L0.1 37.3 X. Hartley.1 DD.6 30.03 t.3 2L.3 11.? 42.8 32:0 33.24 1.23 5.1 16.6 47.6 36.1 31.2 61.2 11.3 22.9 68.8 14.3 13.3 45.0 27.6 108 118 8.15 1.6 92.1 27.26 6.3 49.472 .9 23.4 40.7 14.4 12.2 28.2t 11.01 7.8 13.1 13.8 38.67 9.8 55.99 7.2 10.0158 .3 20.6 25.102 .8 28.t 31.6 20..1 77.6 24.103 x?.1 16.0201 .3 24.0? 5.3 10.45 4.2 67.9 40.9 12.5 20.3 53.11 5.8 36.3 12.7 34.2 74.0 4L.6 36.9 18.33 3.4 16.6 22.7 73.6 41.7 7L.9 63.6 13.E4 6 .66 2.0 26.0039 .8 13.3 28.O.0 t2 13 18.0010 .6 r3.94 4.2 18.4 43.7 23.66 8.24 1.O tt..3 67.9 30.74 7.67 3.3 18.8 44.5 43..7 23.4 35.6 17.6 28.2 94.2tL .9 17.1 27.4 16.8 70.6 88.4 37.3 15.35 7.4 85.1 13.3 96.36 4.2 66.63 6.7 7.3 t6.8 12.6 2L.7 46.3 23.57 6.1 90.56 3.8 18.3 22.7 18.9 35.3 59.D'ID r.3 79.07 3.4 L02 113 rt2 t24 136 98.34 8.6 43.6 79.0 L07 6.89 10.8 67. x'.39 10.02 7.6 109 1r8 130 t28 140 t24 149 Fuente: E.8 40.92 2.3 49.0 r 7.23 5.30 7.7 14.6 32.91 9.3 13.6 4.56 9.9 19.0 62.8 67.4 83.2 44.6 24.6 19.87 6.2 6t.63 ?.5 33.2L6 .7 38.9 29.4 31.

84 3.98 1.22 3.53 2.84 4.33 2.46 4.06 t.15 3.6? 2.54 4.08 2.00 5.70 I 2.29 2.66 2.07 2.32 2.67 t.31 2.61 2.45 2.7 4 2:28 2.30 3.34 2. O.83 2.34 2.86 5.20 3.14 3.4 19.75 2.26 3.3 4 o 6 I 19.05 4.73 4.93 2.26 6.88 4.57 2.81 t.66 2.45 2.64 1.lL 2.01 2.37 2.99 2.90 2.60 2.91 3.42 3.34 2.1 7.76 1.39 2.5 19.t2 4.22 2.72 5.53 3.63 6.65 2.75 1.54 2.57 2.4E 2.57 8.01 8.28 3.96 2.40 2.76 2.91 5.7r 2.41 3.00 3.85 8.66 5.89 8.t0 | 4.34 3.68 2.87 3.59 5.t0 2.65 1.38 2.87 2.66 2.97 1.44 2.26 2.07 1.58 2.38 3.21 4.96 1.00 3.35 2.04 1.27 2.57 3.?3 3.86 1.23 2.10 2.7l 1.01 1.62 4.4 19.50 4. Tabla 5.95 1.DD 1.22 2.LL 2.12 2.2L 2.49 4.32 2.1L 2.86 3.78 2.41 2.2r 2.96 1.85 2.37 2.01 2.30 L2 13 14 15 16 L7 18 19 20 2.32 4.64 2.39 6.09 2.78 t.94 1.63 3.80 2.?9 r.0s 1.24 2. Vol.57 2. Hartley.67 2.L5 2.98 2.19 4.99 1.57 r.56 2.46 2.59 1.47 2.07 3.23 2.67 4.90 2.25 2.20 2.46 2.L0 2.81 3.5 19.06 2.49 3.35 3. S.38 2.83 2.45 2.6 10.89 1.23 2.18 2.27 2.50 3.47 3.74 4.34 2.56 4.r7 2.66 2.61 19.90 1.16 2.37 2.73 1.00 2 Fuente: E.92 1.75 1.39 t.80 2.94 1.99 1.34 3.40 2.46 1.03 4.91 1.53 2.84 1.75 4.62 8.18 3.79 L.06 2.26 3.93 1.53 2.89 1.30 4.30 2.68 t.08 3.48 3.28 4.42 2.03 1.?0 1.77 2.47 1.L9 2.42 2. parr le di¡tribución F u1 grados de libertad en el numerador /2 gfados de libertad en el denominador ><.82 4.85 1.28 2.49 2.l I D.34 2.87 3:70 3.96 4.18 2.87 1.80 t.06 2.92 3.28 9.20 2.45 8 I l0 11 5.35 2.84 2.87 r.46 2.25 2.07 3.20 2.36 2.61 I.t6 2.05 4.r7 4.92 2.65 2.93 1.4 19.74 1.11 3.7L 2.69 4.98 1.70 1.92 4.63 5.4e 3.58 3.84 3.2 19.89 1.r2 2.45 2.64 2.77 L.60 2.L8 2.23 2.20 2.36 3.87 3.L8 2.59 2.35 2.99 1.74 4.02 r.81 1.64 3.93 1.58 1.03 1.84 1.51 3.50 1.15 4.27 2.25 2.24 2.64 2.43 2.36 2.28 2.63 2.96 5.40 4.82 2.L0 2.60 4.94 2.66 2.15 2.41 3.(}51.94 1.77 t.58 2.08 4.07 3.84 40 60 t20 t.85 2.48 3.25 2.53 2.6L 2.59 3.75 1.64 8.79 t.14 3.84 3.91 1.5L 2.5 19.95 1.34 2.42 2.74 2.4 19.66 1.79 1 a^ 1.30 2.33 3.79 2.80 a.84 1. Pear¡on y H.68 3.23 3. ¡O 5.04 3.04 1.76 2.54 2.0r I | 4.16 6.41 5.13 3.71 3.77 4.77 2.96 1.5 9.5L 2.38 2.35 4.L2 3.L2 2.16 2.02 1.L5 2.49 2.83 t.59 6.01 2.70 2.21 4.95 2.L2 9.97 3.69 5.03 ¿.79 3.49 2.rL 2.19 2.59 8.96 2.0L 1.91 1.22 1.4 19.7l 2.3L 2. Eiom etriho Toblec for Stotíaticianc.62 2.76 2.L3 2.88 1.52 j 3.00 I.2r 2.90 1. con perrniro de los autoreo y eütorea.69 3.44 3.54 2.76 4.9L 2.12 3.24 2.71 2.85 2.87 t.4 19.96 t.40 2.74 2.95 2.93 2.86 2.43 2.48 2.tl 2.60 2.18 2.23 4.27 2.81 2.04 6.84 2.42 2.t9 2. l'.02 2.33 2.30 2.97 r.07 2.01 2.L6 2.46 2. (1972).Apéndice F Porcentila 95 (nivele¡ 0.70 2.62 1.28 3.?0 8.26 2.22 3.2 19.r3 2.06 4.53 r.64 2.78 2.01 2.55 2.88 4.09 6.37 2.29 2.01 1.38 2.31 2.97 2.39 4.39 3.10 4.76 2.46 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 18.09 3.84 1.88 1.2q 3.62 2.35 3.01 1.r9 2.4 19.8L 2.08 2.98 2.51 2.92 1.69 1.20 2.07 3.44 3.rL 2.62 2.46 2.46 2.71 2.09 2.84 1.60 2.68 2.70 2.07 4.05 2.18 3.59 2.09 2.32 2.25 2.37 3.92 1.79 3.40 2.01 1.39 2.99 5.10 2.49 2.92 1.79 8.29 2.96 1.92 2.6? 3.55 2.53 4.69 3.12 2.42 2.03 2.81 8.6L 2.90 1.5 19.69 1.r8 2.85 6.32 2.05 2.35 2.94 8.38 3.83 2.94 1.60 3.24 3.35 2I 22 23 24 25 26 27 28 29 30 3.7L 6.85 2.68 4.61 2.62 2.89 2.5 19.69 2.47 2.53 2.76 1. .27 2.44 3.37 2.t5 2.27 3.98 2.56 2.35 7.13 2.g¡.25 2.54 2.85 1.31 2.3 19.55 8.73 2.82 t.96 2.61 2.95 4.28 2.90 2.77 2.r5 2.06 2.22 2.43 1.16 2.04 1.84 1.42 2.74 2.74 8.8z r.01 4.94 3.49 2.11 2.41 3.29 3.93 5.53 2.66 8.17 3. página 178.29 3.90 2.20 4.0Q 2.43 4.79 2.24 2.76 1.32 1.96 4.

13 3.16 3.51 3.17 3.55 3.96 I 10 11 .46 5.APENDTCE F 349 Percentila 99 (niveles 0.t7 2.4 13.91 6..51 s.26 3.89 3.40 6.61 4.45 s.58' 2.46 6.23 3.3? 3.7 14.61 6339 6366 99.06 4.78 3.46 3. .06 2.17 3.5 26.65 3.07 5.51 3.2 29.16 3.66 2.o J 2.67 5.6? 3.72 2.65 8.26 2.25 4.40 2.68 2.17 3. Pearron y H.10 3.00 2.39 6.46 7.29 2.4 11.10 3.36 4.48 3. 8.33 2.42 2.42 3.66 4.84 2.02 7.30 3.11 6.20 4.40 8.88 2.5 26.41 3.92 2.29 6.20 4.5 34.45 3.9 9.56 3.29 3.18 8.63 5.64 3.98 2.4 99.44 4.87 6.87 3.99 6.03 2.81 4.41 2.71 3.22 4.3L 6.80 3.b8 2.49 5.47 2.47 t4.30 3.?9 3.94 4.22 3.89 7.64 6.73 7.01 .16 3.70 6.81 6.96 2.68 99.94 3.0 16.89 4.96 3.04 4. 3.l 11.66 2.03 3.88 7.19 2.00 3. Biomeúiho Toblec for Statbücbnc.10 2.13 2.01 5.10 L2 16 20 24 30 40 60 L20 @ 4062 6000 5403 6625 5764 5859 99.70 3.82 4.28 4.82 7.4r 5.72 7.08 3.59 3.12 4.66 2.03 1.2L 6.4L 2.3 L2.33 4.60 4.56 4.37 3.59 6.30 4.r 26.56 4.67 2.20 2.3? 3.97 6.3L 2.06 4.36 2.67 3.8 10.5 14.76 3.66 2.2 ?.87 4.43 4.02 6.36 3.46 2.18 3.5 26.00 2.54 3.13 3.üb D.tL 3.00 3.03 3.30 3.89 3.2 9.86 3.78 2.7 16.40 3.78 3.89 4.23 5.46 3.29 7.08 3.86 1.5 10.50 4.68 3.23 6.08 6.18 4.46 3.62 2.O.2 18.30 3.32 5.10 4.01 3.19 l0 99.31 3.36 3.01 6.72 5.S.88 5.7 10. Vol.63 3.01 3.1 a.59 3.39 2.93 6.62 5.89 4.72 6.7r 4.52 2.74 2.60 1.65 9.02 3.93 3.07 4.93 4.74 4.04 3.5 26.03 2.10 6.42 3.47 6.36 2.79 60 2.4 27.69 2.46 2.67 2.ó 16.19 11.56 6.67 9.72 2.0 15.86 8.09 3.35 4.01 1.0 9.95 7.60 3.99 2.4 9.011.ó9 3.65 6 .85 7.95 5.72 7.7 10.25 4.23.82 4.70 3.17 4.87 2.92 2.4 27.84 6.26 4.38 2.3 14.65 3.72 4.70 2.?0 1.1 13.64 2.76 4.2 9.36 3.54 5.93 z.74 6.66 4.3 13.L4 4.39 4.25 3.44 2.3 27.94 3.t4 5.86 2.31 4.09 2.60 2.59 1.64 4.45 7.26 3.6 13.61 6.69 3.52 3.20 4.44 4.99 5.4 99.61 o.1 6. Hartley.80 2.99 5.51 3.31 3.26 3.16 5.2 99.43 3.99 b.50 4.31 3.63 8.72 5.82 4.26 4.Ll 2.35 3.92 2.86 6.03 2.2 13.60 '7.55 8.49 2. 3 4 o oot 28.r7 3. Tbbla 6.54 3.58 4.59 3.9 99.3 10.7 27.63 4.11 6.06 6.1 7. con permirc de lo¡ autoree y editoree.84 2.49 12 13 6.57 t2.80 3.19 5. l4 15 16 4.84 2.6 9. 3 4 o 6 .95 4.4.L2 2.32 4.69 3.31 2l 22 23 24 26 26 27 28 29 30 40 fó 4.15 2.96 2.00 2.0 9.76 1.t4 4.41 3.37 5.09 3.07 3.63 4.83 3.84 9.32 3.02 7.38 1.43 3.07 4.0s 1.39 4.86 4.62 4.07 6.42 4.10 4.52 4. gFados de libertad en el numerador v2 grados de libertad en el denominador x1 I 98.L2 1.67 4.54 20 9.94 3.6 14.91 .02 2.2r 5.7 99.66 99.78 3.28 4.10 8.49 2.8 99.29 8.2 16.4 27.47 3.8 99.0 10.78 9.54 4.37 4.7 13.57 2.68 7.37 2.?5 8.29 2.78 2.60 6.66 2.04 3.68 8.94 3.3 8..99 3.75 2.26 4.86 3.18 5.76 2.02 7.22 5.15 8.56 6.21 2.66 3.38 9.94 2.L4 5.43 3.63 3.66 6.42 6.64 3.5 26.42 5.21 3.07 2.4 26.31 7.7? 7.23 2.98 6.18 3.55 7.56 2.52 3.34 4.32 2.77 4.67 6.74 4.85 2.r3 2.78 3. 2 (1972).oD 8 ?.86 3.sz 2.18 3. para ls di¡tribución F v.64 7.64 4.40 4.80 6.12 3.86 4.26 6.6 10. F.2'.65 2.40 4.85 4.70 2.63 2.70 8.63 6.33 3.53 3.6 5981 6023 6066 6106 615? 6209 6235 6261 6287 99.93 2.41 9.42 2.75 3.2L 3.62 3.l 8 I 99.39 3.00 t20 Fuente: E.09 3.31 9.80 5.5 9.47 5.33 8.95 1.88 2.20 2.0 30.60 4.2 14.54 2.5 13.11 2t.71 3.35 2.94 1.16 3.54 t7 18 19 4.81 3.21 3.83 2.62 4.90 3.60 3.31 4.50 2.68 4.34 3.96 4. página 180.90 2.56 5.91 5.se.9 99.oo 7.75 2.03 5.00 2.78 3.89 3.35 4.30 7.3 28.L7 4.4L 4.36 6.12 3.

Apéndice G
Logaritmor dpcimale¡ con cuatro c¡fra¡

N
10

0

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

2

3

4

5

6

I

8

v

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

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

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

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

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

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

Partee hoporcior¡ales

22 23 24 26 26 27 28 29

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

4728 4742 4757

30
31

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

82
33

84 35 36 37 38 39 40

4829 4969 5105 5237 5366 5490 5611 5729 5843 5955

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

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

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

81114L7202226 81113L6L82L24

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

81113151719 81012141618 810t2L415L7 7 911131517 7 911121416

7 7 6 6 6 6 6 5 5 5

910121415 810111315 8 9111314 8 9111214 ? 9101213

7 ? 7 6 6

9101113 8101112 8 91112 8 91012 8 91011

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

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

4l
42 43 44 46 46 47 48 49 60

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

65/'2 6551 6561

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

5l
62 63 64

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

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

7tt8

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

N

2

D

6

I

350

APENDICE G

351

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

N
55 56 57 58 59 60
61

0

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

2

ó

A

D

6

7

8

I
1474

L23456789

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

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

7435 7513 7689 7664 7738

7443 7520 7597 7672 7745 7818 7889 7959 8028 8096

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

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

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

7

62 63
64

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

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

6 6
6

65 66

ot
68 69 70
7L

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

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

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

6 6 6
6

6 5 5 5

72
73

14

to
16 '/ó
79

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

8791 8797 8848 8854 8904 8910 8960 8965 9015 9020

5 6 5 5

80
81

82 83 84 85 86 87 88 89 90
91

9036 9090 9143 9196 9248 9299 9350 9400 9450 9499

9042 9096 9149 9207 9253

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

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

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

6
5 5 6

6

9304 9309 9355 9360 9405 9410 Q455 9460 9504 9509

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

o9 93 94 95 96 97 98 99

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

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

344

9786 9832 987? 9921 9965
I

9791 9836 9881 9926 9969

9?95 9841 9886 9930 9974
4

9805 9850 9894 9939 9983
6

9809. 9814 9818

9854 9899 9943 998?
n

9859 9903 9948 9991
8

9863 9908 9952 9996
a

3 3

4

N

Valorc¡ de e-^

(0<r<1)
}'
0

I

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

3

4

5

6

7

8

I
.9139

0.0
0,1

0.2 0.3 0.4 0.6 0.6 0.? 0.8 0.9

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

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

.9608 .8694 .7866 .7118 .6440

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

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

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

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

.8270
.7483

.677t
.6126 .5543

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

.5827

.5273
.477L .43L7
.3906

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

.Eore
.4538

.4107
.3?16

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

lo¡ valores

de

e-r

para otroe valore¡ de

I,
=

emplear lar leyes de los exponentes.
.03081.

Ejemplo:

-¿-3.48

=

(e-3oo)(¿-0.r8¡

=

(.0a929)(.6188)

Apéndice

I
Números aleatorios
74640 2349L
601 73

51772 24033
45939 30586 03585 64937
1

42331 83587

29044
06568

4662I
21960
1

62898 2L387 55870 86707 85659
551 89
41

93582 76105

04186 10863

52078
75797
81

25424 45406 82322 20790
98527 30277 60710 06829

1645

02133 79353 03355

31041 96799 65304

56974 12973
36081

37428
171 69

938

50884

19640 97453 93507 88116 14070 rL822 24434 41982 16159 35683

8?056 90581

94271

42t87
74950
15804

95863 51135 57683

5630

64759
56301

09448
21 631

62586 94623
5229A 87843

889

00745 25439
68829 48653 27279

65253
88036 06652
71

67283

85418 16835

49t59

9tt57
17480

7733L

590

t4676
47280

91097

294t4

28L95

47162

362

Respuestos o problemqs suplementqrios
CAPITULO
1

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

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

(c) {5i (d) t5}

k) @ (/) {3}

@) {2,6,3}
(¡¿) {6}

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

(d) {4} (¿) {3} (/) {3,4}

5/36

(c)

0.e8, (d) 2/9

(e) 7/8

) ) (c )
(o

(b

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

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

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

(e) 4/5

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

(e) IL/t6 (Í) L/5

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

(i\ (i)

6/26

52/225

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

(e) Lr/L5 U) r/5

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

1.86.

(a)

3/10

(b)

1/10

(c)

315

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

r.106.
1.107.

(¿)

32,805

(ó) 11,664

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

1260

1.108. (a)

120 10
6

(b) (b)

72

(c) L2 (c) 45

r.r09.
1.110.

(o)
tt.

70

.

1.96. 113 1.9?. t4/57
1.100.

=

1.111.210

8 12
(b)

1.112.

840 ?000

1.101. (a)
r-LO2.

2620

(c\

720

1.113. (a) 42,000 (b)

n:5 60
5040
(b)

lJla.

(a)

L20 150

(b) 2620 (b)

1.103.

1.115. (¿)

46

(c) 100

1.104. (o)

120

(c)

240

1.116. (¿) 1? (b) 163 1.117. (o)

1.105. (r¡) 8400 (b)

2520

20

(ó)

330

(c) t4199

353

354
1.118. (a)
16

RESPUESTAS A PROBLEMAS SUPLEMENTARIOS

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

6rys

¡

ya

1.119.2016

L.r22. (a) 5/L8 (ü) 11/36 (c)

1/36

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

44

(b)

2r

4

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

4152CB

r.127.

(6Ca)(aCz\/MCs

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

Ql

QCz. ¡¡'Ct

*

a'.Csl,l12cs

4(r3Oa\hgC+)/szCss 1025

r.l3E.

(o)

120

(ó)

60

(c) 72

1.131. 2.95 x 1.133. 0.8%

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

aproximadamente - 3

1.f40.

3L26/46,656

1.13ó. vT1
L.146. (a)

l.l4t.

(a)

4

(b) 14

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

4/52C5

r.t47.

2/243

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

126 462 3/32

(ó) , +,- rCn(b) (b)

r

,-tCn-t

1/16 (cl r/32

(d) 1/8
prob. empate

1,151. prob .4 gane

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

=

L26/216

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

2
0

2.38.

(¿)

I
3/8

o

3

2.39.

(a)

0

I
t6/28

.)

f(r)

r/8

3/8

t/8
t

f(r)

3/28

6/14

2.4o.

(a)

t

0

1

f(r)

9/64

r5/32

25164

RESPUESTAS A PROBLEMAS SI'PLEMENTARIOS

365

2.42.

(a)

r
f(r)

0 194,580

1

2 6768

3

4

270,726

69,184 270,725

r92
270,725

270,726

2.43.

(o)

r
F(n)

0

I
U2

2

3

L/8

7/8

I
4

2.46.

(o)

r
f(n)

I
L/8

2

3

(b) 3/4

(c\

7/8

(d)

3/8

(el 718

u4

3/8

U4

2.47.
2"48.

(o)

3

(ó) e-B

- e-6

(c)

e-s kll | -

e-s

F(r)

=

2.49. (al

6l2s

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

2.50. F'(c) =

2.6t.

(a) r/27

(r2/9 0<¡(3 de oha forma l0

(c) 26/27

(dl rls

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

fo

2.66. 2.67. 2.ó8. 2.60.

(¿)

(a)

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

(ó)

/r(u)

= {o

(Ale A = l'2'3
orra u

(d\

6116

(¿)

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

(ó)

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

tl1

*

al

o<a=l v=l

a=0

(a) (ó)

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

2.61

.

(a)

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

t)

=

rÍl'

0

5

Y

=

1

otra

r' O=A=I
0

(b)

l(r+ull@+l) 0 < ¿-< l, = 1o o<rsl,

=Y = otray

1

356

RESPUESTAS A PROBLEMAS SUPLEMENTABIOS

; i . ¡

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

0<rrl'

0=v<1

;
i |

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

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

,=o,u<0

A¿O

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

de oha forma

0 de otra forma

2.72. (o) c(u) =

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

(D) c(ut

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

i:i::
de otra forma

o

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

0 de otra forma

=

" {; '' 1"1í,""1.",t
I

2.82. c@)

=

{í'"-''u

:::

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

2.E3. l/4

-" ;: ;

2.s4.

s6/2*g

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

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

-

7e-o

2.89.

(a) c = (a)

1

(ó) 8e-2 c2=

,

2.9L. 2.s3.

cr=2,

I

- e-4 (ó) 9e-2-lAe-s L0

-

ze-r

(c)

4e-s-4c-?

(iI)

e-z-¿-t {ó

(el 4c-s

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

2's6' (a)

{r-^''
-rn2)

1"t"r0.".,-" (ó)
(r)
o1+

{;t'-"
zlrn

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

2.e0. (b) ;(1

lrnz

(¿)

2

,

2.e8. s(?)

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

2.ee.

(b)

7/L8

2JoE. \/r/z

(a) (3r +2\/(6r*3)para0 5 ¡<i t¿l lsu+Z)/(6u*3)para 0 = a = | 3.48. pi= Al=0. 3.ezt\/zt2 (D) p = 4/3. 3.44. 3. Fz:5. (a\ l/2 parae>O (b) lParay>0 .5 3 (b) r3n/6 (a) 35112 @\ (ü \Elm.54. pn=33 (c) (bk+r'st<+r)/(k* 1Xb-o) peiaa (sen (ó) [1+(-1)k](ó -a.E0. 3.7 3.77.45. 1e/10 (¡t') 6/6 a/3 @ 1 \Ng 3. nx=lE (al (a\ (ü) Var(X)=3/80. ps: -5. 10. 3.64.E1. (a) 1 lb) 7 (c) 6 3. 3.47. pí=1. 3. 3.ó6.43. (c) 1/(1¿).\klzk+t(k+ll I qeiab co)/ao 3./3s12 3. pí=0. 3/2 n (b) -2e/6 Lla !4 3. 3. 3.78.68.69.(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) \. p3 =-L2lll60. pi= 2. Ft=2. 3.60.\ +(et/2+e-t/2) = cosht (ó) p=0.'PLEMENTARIOS CAPITULO 3 3. 3. ú= (a) h=0. yí= 6. 3. 3.79. pá: t6/5.57.E4. (c) 315 3. (o) 1 (b) (o) Var(X)=5. 3/2 (bl 3e/4 (a.66.62. pí= 2. (a) (a) 2/3 (b) 2/3 G) aB 7/a (c) @\ Als 3.62. p¿=35 (b) pr = 0. 3.6E. Fz:3/80.5e.67. <1 (ó) p = l. 7/0 (ó) 6/5 3. (o) (a) 1 (b) I (c) rla (c) 3. 3.61. pz=7-. 3. (tr'l 3/4 (bl L/4 (c) 7/r2 (b) 7/6 (c) 7/4 (d) 2/3 (a) (a) (e\ U) 2/3 @) (¿) I (bl 2 I 3.50.83'./m/L8 (d' \rzssñ8 (e) -9L/32a (Í) -sr/235 4 tb) 4/\/35 -t/tst¿.82. pl:L L6/3 3. i¿l p4=230718960 2a 3.RESPUESTAS A PIOBLEMAS SI. (e2ia-Zie2ia-ll/"2 (a) (¿) (¿) Lr/144 (bl rr/L44 1c¡ t/iJttz (¿) (¿t) \/-LUr2 (e\ -L/L4a 0 -!rr 1 . o*=1/t5/ZO 4 (b) 2 (c) .46. 3. (o) (f + 2te2t .55.72. 3.74.65. 3.

10a. (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. (a) x Var (Y lX) 0 5/S I 416 2 (ó) Y Var (X I Y) 0 I 2S/36 2 24t49 3.119.109.17 (c) 0.e2. . (al 3.114.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) (a) 3.120.94. ffiParao rle (b) 1 6x2*6n*L s r:< I .123.358 RESPUESTA"S A PROBLEMAS SUPLEMENTARIOS 3.89.124. (o) no eriste (ó) (c) 3 -1 (c) e-z *0 3.f 6/9 7lr2 o 3.r/r-tsnflo) (ó) \F@i @ tlfr. (o) 3.85. (o) (c) 3 (ü) 3 3. (bl 3614 (1 @l atg (b) 2/e L (c) * 2te2t - e2')/2t2 (el -2\/fr/r6 (d) -(1 + zibe2ia .118.121 .###parao < nr 5r 3. (a) 3.100.113. (o) 1 I (ü) (ó) (y'3.127. (o) 0.o)/6 (a) -7/27 (c) 2(et-l-t¡¡¿z -Z(e--l-ü¡¡"2 (e) r/136 3.105. 3. 3.05r 3.eziarlznl u) 12/6 3.125.1)/4 (c) 16/81 3.126. t"l .10E.8/2 (ü) 1/3 (c) 0 . (a) (b) r/4 (b) 0. (o) 3. (o) (ó) ln 2 (D) I 3. (d) 1- (1/\.116. (a) r 2 0 (ó) 8(21/2-r)/L6 (D \. (b) 2415o (ü) e (al (a) (b) 6/e (b) 1/18 (c) (et * 2e2t + Sezt)16 (d) (d) (eto + 2e2to + 3e3.[o ) 3.1or. (o) (c) 8/16 1-+y'3 (bl v2 3.103.. (o) 1 3. (¿) 3.5 02. (a) 3. (¿) 1/y'5 3.91. (a\ L 3.90.L22.

62.0668 (a\ 20 (b) 36 (cl 227 (cl (d) 40 @) 15% 4.77 (a) npq(q (o) 1.4232 (o) 0.73. 4. (o) 0.224r (e) 0.7123 0. 4.74.06131 .s27 1.E8.0286 (d) 0.E3. 57/6a Q\ 2r/32 (b) (ó) 4. L93t5t2 (a\ @) 32/243 (bl re2l243 k\ a01243 (dl 2421243 42 (b) 3.E1.4 (¿) 0.85.3% (a) (o) (a) (o) 1.0% (c\ 93. 4.995 0.90. 4. 4. 84 (bl 8.2241 (d) 0.08 (d) r. (al93% 4.1127 (dl2.76.0154 (e\ 0.t"/o 0.6404 (d) 0. 4.91.0838 (b) 0.e265 (d) 0.67.7t.66. 4.9500 0.5.G¿s 4.2991 (c) (o) 0.049?e (ó) 0.0658 4.0079 0.7% (b\ 54.726t (/) 0. 4.68. (a'¡ 6L. 359 CAPITULO 4 4. (c) (p) 0.9198 (c) 0.75 (b) -1.03eb .64.a7% 4.80.76.1342 0.0089 (o) (o) 0.87.6826 4. 641243 25 (c) 500 4. 4.93.92.6 (b) e (b) 72.E6.90 75. (a') pl (b'l npq(l - 6ps\ * 3n2p2q2 -1.9495 (b) (ó) 0.82. 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 4.9962 (b) 0. 4.849 (e) tt.1494 0.0687 0.84. 4.61.86 (c) 2. 4.5976 (c) 0.0567 (b) 0.66. 4.0?86 (c) 0.05610 (b) 0.550 (c) -0.03?5 0.4% (bt 23.77 (c) 0.69.8?67 (b) 0.63.I RESPUESTAS A PROBLEMAS ST'PLEMENTARIOS .7% (al e5. 4.15 (b) 0. 4. 4. 4.89.1008 (c) o.1680 (/) 0. 11/16 (dl 518 (a\ r7lL62 (a\ (a) 5/16 (c) 4.2511 (b) 0.626 ó 0. 4.78.t9. 0. -0.

40 oz.0228 (c) 0. @) 2.s a8. (a) 0.BB (d) -0.1b82 (c) 0.128 (d) -1.76 1.L29.73 -0.6e64 (/) 0.829 1.Lo4.1 4.2 zr.4O 0.4 ft\ *e-tn -1"-.3 (d) (d) 55.s 20. (a) (d) (el 2.64.000295 4.r y 26.2 4l.03 (¿tl 2. (a) 0 4.008 oz oz (ó) (b) pX pX = 22. (c) p.58 5.75 1.8164 (ó) 0.81 (bl2.48 4.. (a) ?0/429 (b) l/143 (c\ L42|L4B 4105 (. (a) L22.0e (c) (c) (c) (c) 1.00J8 (d) 1.166 6. (o) 5/3888 (b) 5/324 4.) 4'106' (c) 4.861 (.1? v 7!r= !4.51.68 2. (a) 0.008 = oz.L26.00248 (b) 0.B 4.s? 4.3/8 4.0 (b) 4.? 3/4 16.0918 (d) 0.160? (d) 0.47 (c) 9.0620 4. (o) e.L4L.62 (b) CAPITULO 5 (c) 0. (a) 9. (a) (ile)/Q?) .49.0 (b\ 4.2 2s6. (a) e.. ¡2.005? (b) 2 (c) ninguna (dl 24 6.75 2. (o) B0.t : 5.7 (b\ 4.136.0 (d) 8. (o) sx = 22.360 RESPUESTAS A PROBLEMAS SUPLEIVTANTARIOS 4.47 (c) e. 82S\fe (b) (ü) (b) 2(b-al4/6 e/5 113 6. (a\ 3/4 .8b2 (e) 0. (a) 1.138.0 (d\ 2.34 2.0000 .71 (ó) (b) (b) 1.00g oz oz oz.gs (e) z.60 3.b9 84.rr3.r03. ('f) (l?)/(l?) (iSX?SXtt) sla 0 (b) (ó) (ó) (ü) l(¿ocoxzoc2ol+(4oc'l(nctsl* (qoc)(ncnl)taoczo 4. o* = 0.04462 (c) 0.ro2. @\ 4. (o) 0.2 (c) suponiendo áreas iguales en las dos colas.L32.136.5 (b\ 4.l 86.62.2 (c) (c) (c) 2B.84 (d) 4.130.r2o. (a) 4.128. o* = 0.LB 4. (a) 0. 22. (a) 201. (a) 2. (a) r 4.55.50.35 L7e. (Q 4.111.o rí. - 2.40 o¡ ligeramente menor que 0. (¿) 4.94.16 5.53.9544 5.1033 (c) 0.000948 (ó) 0.40 oz.4972 (ó) 0.101.0 (b) (b) 4.ro9.s5 z.13?.r?r.8 68.tr2. Ll4 aJLa.L27. 0. (a) 237 22. oi : 6. (a) 4.

9t. . (o) 0.94. .74.9 lb 5.L6 (ü) 0.0482 . 0.003 pulg.100.90 5.3265.8869 28.0019 (ó) 0.62.33?6 pulg.01 (b) menor que 0.81.0316 5.5E.59. (a) 24% (b\ rL% 5.6 (d) 10995. 5. . 501.60.50?. 86 5. 12.01.0064 (c) 0'4504 5.1841 (cl (o) 118. 5. (o) 0.2 6. (o) 0.6.o% 78. (a) ?99 (ü) 1000 (e) (c) 949..105.0028 (b) 0.76.49 (c) 0'28 5. (al 4018 6. 0. 5.33? 6.0 s ?9 5. (c) 146.326.108. 78 á. (@) 0. (a) 82 6Jo2.91?2 6.76% S.?9 0'0228 lb (b) 0. (o) (o) (ó) (ó) 11.6 (fl @) a6% 100 (horas) (s) 62/a00 (h) 25.3204. (o) 0. 5.6% = 0. (o) 10..113. (ó) 0.72642 pulgadas 26.E6.3%' 99.LL2.0026 6.01 (c) menor que 0. 5.7L.68. 0. 5. (c) 0.56.0006?6 pulgadas (b) 72.9596 (c) 0'1161 . 6.20% ton. 6 0 -1 (ü) 40 4 6 (c) (c) 288 (d) (d) 2188 (b) 0 26.00 6.01?9 5.63.06 pero máe cerca a 0.3196. 6.t7.97. (c) 0.01 y 0.t1 5.92. 5.93.10 5. (c) 0.11 5. 1199.326-0:328. 6.166 ó 16.101.tO. 99. .1o9.47 (ó) e = 5.0% 76 5. 46 (@) 0.111. (b) 0. 0. (a) 5.00?? (ó) 0.96. 11.0136 0.0.106.7349 pulg.8 lb.86 (ó) (c) -e1 (d) 63 ..1.65. (a) 2 6 6 (b) 996 (b) (c) 218 12 5.?33 (c) 0.60 1'. 0. 5. .00496 pulg.82.1%.60 5. (o) ñ = 2.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 5.e5. (a\ 2.322. (o) 5. O.01 (b) entre 0. 5. 80Eo. 0.36 (ü) (ü) 0'17 0.60 0.33f0.7o.66.2160 (b) 0.a84 5.73.6% (il 0't ts. 5. (¿) 0.72.99.49 0. 8.26 5.67 0. (ó) 38.8664 (c) 0.104.3226. (a) menor que 0. .0.?4 lb I 2 (d) 126 0. (¿) (o) (¿) (b) (b) 0.09 tons.323-0.

0696 r¡¿o 560 (c\ r.125. (a) 6.38 I (a) 0. 0. m1 :0.43.18.122. 6.20 (f) 7.126.96 onzas t t I 0.117.045 6. (o) 0. 101.5 lb (b) 0. L9.030 eegundoa (D) 0.2 (d) 7158. 0.112 .7. 0.11 (ó) 0.09 t 0. Las estimas de las media¡ de la población son 1200 hora¡ en todos los casos. 6.241 7. (b) -4. (d) 032642 a 0.86 lb reepectivamente 6.31.128.5 horas.000025 pulC.09 t 0.70 t 6.2344.129.?0 r 0.82.62 r 0.30.84914 6. (q') (c) e2.53743. 1193.09 t 0. (a) 1200 hr 6.94 Laprimeradistribución (a) la aegunda (b) la primera 5.073 i 0. -1r7.22 0. n4= 0 -0. 7 RESPUESTAS A PROBLEMAS ST'PLEMEI.4 4 (i) (il 706.6.¡'TARTOS 5. 6. 0.L2.69 I 0.000085 pulg. ms = 0. (bl 0. 6.35 (e) 26. tb9 5. 0.36. = -3.3?.049 segundoe 6.82 0.07 t 6. (o) ?8.124. 0.97. 42 5.0090 CAPITULO 6 e.41.7.546 2.298 0.r5 (c) 0.045 0. -0. 26.0? (b) 0. 6. 60 y 100 tuboc son respectivamenüe.298 t 0.40.0ab t 0.e5 5.38 (a) ?.72642 + 0.116.?8 y 0. (ó) 11. m1- 89. 2.Se (ó) ?.2464 (b) 52.000060 pulg. rn2= 5. (b) 0.36.9?. (o) al menos 96 (ó) al menos 68 (c) al menos 16? (d) al menos 225 900 (o) al menos (o) 7. (a) 0.115. 5. 6.2 106 (ü) (b) 8.2 (b) 0.09? (c) 0.16 onzas 0. (o) 9.38 384 (b) al menos 221 (c) al menos 666 (d) al menos a 1.39.000095 pulg. 0.127.29.88.74 5. (¿) ffiz: 0.24 lb2 (c) 0.130. 6. (o) 0.?3 onzas onzae (ó) Z. ó.36206.34. 0.62 6. (a) 5.41. (o) 1.12 hr t 0. (o) (b) 105..25.tu.18 tons.0 y 100.28 (b) (s) ?8e.22.362 ó.493e (b) 5.1 ó.428 24.38 (hl 22.u (o) al menos 323 hr (b) al menos 560 (c) al menos ?66 (b) 1.72ti42 t 0.123.24 tons.68 a 0.33.0586.4 hr Las estimas de las desviacionee típicas de la población para los tamaños de muestra 30.12t. 0.38.00002b pulg.131. (o) 0. (a) 11. (c) 0.?0 * o.118.72642 t 0. 6. (a) 0.72642 + 0. (o) 0. 101.000072 pulg. m1 = 0.

(a) 1800 t 6.14 (a) 0. (Hi p> 0. 7. (o) t¿.ó4.654 a 1.69.8 t 0.61. Se puede rechazer la afirmación a ambos nivele¡ mediante un enaayo unilateral.8 l: 0.52. y se acepta en ceso contrario (o no se toma ninguna decisión). 86 lb (b) 1800 t 328 lb (c) 1800 t S82 lb 6.99.51.63. (a) al menos 87. (o) No se puede rechaza¡ Ia hipótesis al nivel de 0. .6 horas 2400 ! 59 libree (b) 87. (o) a 230. 2400 t 45 librs¡. k = -lln - (ct.9 1?0.50.4E. (d) Rechazar lfe ei se extraen más de 41 bolasrojas. 139. -= 3' 2tritl "'+r3l 6.6% 105.31 onzas 6. 7.78 (b) 0.15 6.6 ¡ a 1g0. 6. Sí. ?.5 (ü) 102.1 a 288.519 a 7. kt') 0.(b)0. El re¡ulüado significativo al nivel de 0.?41 a l.67. r = .269 (o) 0. (b) Ensayo unilateral.60. (c) Aceptar la hipóterie ¡i las bola¡ rojac extrafdas esüán ent. (a) (IIe: p=0. 7 No se puede rechaza¡ la hipóteric al nivel de 0.) (e) t2.06? a 1. (c) Rechazar 116 si se extraen más de 39 bolasrojasy acept:ula en caso contrario (o no tomar decisión alguna).5 horas (b) 88.4 horas hora¡ horas (b) 78.r.05.5).5). (c) 106. .01 en (o) ni en (b).63.06 (c) t2.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 363 6.49. (a) Aceptarlahipóteeissilasbolasrojarextrafdasestánent¡e22y42 rcchazarlaencasocontrario.58.62.02 (a) 0.68..58.138 a 10.250 6.17.5 a CAPITULO 7 7. es 7.1 a 140.70 6.05 en ambos en!¡ayos.56. I _ ()rr)/r¿ 6.24 249 onzas lb (ó) 63.58 e 2.1 horas 6.673 a 2.66.7O. en ambos nivelea.8 horas 6.00 (ó) 13.79 kl) t2.8 (b) 0. (a) 6.46. (a) 0.9 6.05.45. mediante un ensayo unilateral en ambos caso8. (a) 63.2606 7. (b) Se puede rechazar la hipótesis d nivel de 0. (a) 95.69. 0.20.0 4802 (ó) al menos 8321 (c) al menos 11.9a1 a 2.70 (b) 0.ó2.64. 1.458 a 4. 7. rechazarla en caso contrario.1 a 148.259 a 5..944 (b) 0.. 6.65. 6.lre 24 y 40.Bb 6.

79. pero no lo e¡ con un ensayo bilateral.4.3rL2 8.05 pero lo es al nivel 0.01 . 7. 3. 7.2.73. 7 (a) si (ó) no .6 respectiVamente.RESPUESTAS A PROBLEMAS ST'PLEMENTARIOS 7.7 Un ensayo unilaüeral muegtra quc la diferencirr e eignifrcaüive eB al nivel 0.2.05. E aparente decrecimiento significativo al nivel 0.0118 (c) 0 (d) 0 (e) 0. 7. 21. 7. .32)r(0. Un ensayo bilateral a ambos niveles muertra que el producto no cumple con las especificaciones. 4. pero debe introducirse si el nivel de eignificación adoptado e¡ 0.05.0.64 + 0. (a) 0.El' 7 Un ensayo unilateral muestra que el proceso no debe inhoduci¡se si el nivel de significación adoptado es 0. 7.6t)l-r. Concluirfamos que el resultado no común al nivel 0.3. 9.6.0.98.0 respectivamente. Un enrayo unilatetal a ar¡bos niveles de aignificación muesha que la marca B es superior a la marca A. 60.7.64 (ü) 0. Un ensayo unilateral muestra que el nuevo fertiliz¡¡¡¿ superior a ambos niveles de significación.05. 12. 5.34.87.A1 \¡¿ - lar frecuencias esperadas con 108. Las frecuenciae eeperadas son 41.20.94.7 respectivamente. 50.01.06.?. 11. 66. es ?. Mediante un ensayo bilateral al nivel de aignificación de 0.05 pero no al nivel 0. 15.1O0.1.e5.99.0118 7. 49. 13 y 2 respectivamente.7 respectivamente.ae frecuenciae esperadas eon 1.l0l. 7. 0. No podemos concluir que la primera varianza 8e¡ mayor que la segunda a ningún nivel. 7.0. ?. 7. E resultado es significativo a este nivel con un enar¡yo unilateral.72.81 ln 7. Mediante un ensayo unilateral al nivel de eignificación de 0.7. f (r) = aC"(0.01. 39. 7. 14. ?.01. 7 .9. (b) Un ensayo unilateral muestra que I no ee mejor que A al nivel de 0. 53.82.76. bilate¡al muestra que no hay eúdencia s ni¡guno de los do¡ nivdes de que la duración media haya 7.1 y 0. no 7.E5. la¡ frecuenciae esperadar son 32. f (x) = T.t9. concluimos que el primer grupo no es superior .05.86. 7.06. [. 13.7ó. es 7.84. Un enrayo unilateral indica que no disminuye la media a ninguno de loo do¡ niveles.4.1.4.96 onzas (D) 8.2.1. 7. Podemos conclui¡ que la primera varianza es mayor que la regunda a ambos niveles.tO.78.83 onzae (c) 8.1 y 1. y 4.36.63 onzas 7. Un ensayo unilateral rnuestra que a ambos niveles el contenido -nedio en cobre es más alto que el señalado en las especificaciones.?.8E. 23.7 y 0.96. pero no al nivel 0.E3. 43. (o) Un ensayo bilateral indica que no hay diferencia en la calidad de fabricación al nivel de 0. 7.e0.77. al eegundo.64 1 0.6. 7. Un ensayo cambisdo.2.9.5.71. El aparente incremento en la vai'iabilidad no es significativo a ninguno de loe dos niveles.6. (o) 6 (D) 4 7. 7.6. (o) t 0. no ¡e deduce que haya diferencia de acidez. Las frecuenciae esperadac 8on 1. 4.

05.116.106. ?.132.728.06. 7.139. Igual conclusión.L72.134. (a) 0.138. el re¡ultado er significativo al nivel 0. La hipótesis no puede rechaza¡se a ninguno de los niveles. 7.3179 (con conección de Yatea) 7 .05.RESPUESTAS A PROBLEMAS SI'PLEMENTARIOS 365 7. 7 . ?. tul e no (b) 10 si (c) 10 (d) 8 7.114.105. La hipótesis puede rechaza¡se a ambog niveles.113. La hipótesis puede rechaza¡se a ambos niveles.0. (a) Un ensayo bilateral al nivel 0. bueno (b) no (o) El ajuste es "muy bueno".0738 (corregida) 7.L23. No al nivel 0.05.01' 7.05 pero no al nivel 0.109. No puede concluirse que la marca A 7. (o) El ajuste 7. (c) si no si no (c) no (c) no ?.104. (o) 7. (o) El ajuste es muy pobre al nivel 0.110.133. (b) (b) 7. ?.LO2.06. No hay razón para rechazar la hipóteeis a ningún nivel.06 pero no al nivel 0'01. (a) 0. 1. La hipótesis no puede rechazar¡e al nivel 0. La conclusión es la misma. La hipótesis no puede rechaza¡se a ninguno de lo¡ nivdes.465t 7 .05 indica que á tiene una mayor proporción de bolas rojas que B.05. 0. ) Un ensayo unilateial al nivel 0.109.05.0872. (o ) 10. 60.3863.05 no rechaza la hipóteris (b de proporcioneo igudes. 7.1985 (conegida) (D) 0. esto es consistente con el Problema ?. (b) El ajuste es bueno pero no "muy bueno". Mediante un ensayo unilateral. 7.129. El proferor nuevo no sigue las miemas nortnas que los otroe. La diferencia ?. (b) El ajuste es pobre al nivel 0. 0. . ? . La hipótesis puede rechazarse al nivel 0. (a) (b) (c) no ?.103. 7 .124. 7.10? .11f es es significante al nivel 0. sea mejor que la B d nivel 0. 50 respectivamente ( b ) La hipóüe¡is de que lo¡ reeultados ae'an iguales a los eeperadoc no 8e pueden rechazar al nivel de significación de 0.118. No hay razón para rechazar la hipótesis de que las monedas ¡ean hon¡adas. Puesüo que la dietribuciónbinomialdaunbuenajustedelosdaüos.t25: 0.2205.1L7 . 7. . (El hecho de que las puntuacionea sean mejores que el promedio puede ser debido a un mejnr acierüó en las en¡eñanzaa o normaa de puntuación menos exi' gentesoaambascosas). ?. La hipótesis no puede rechazarse a ningfin nivel.13?.115.108. 7.

(o) 8.84.92.60 (ó) 17.20(r-B) +0.28 (o) (ó) Mediante un er¡rayo unilateral puede rechazaree la hipóteaia. r¡o¿ = fi -o.Z.398 (ó) 192.14¿0. (a) 0.14(10)0.9927 8.E6. -0.s72 80. - 1.408 + 0.24.?3S(n-B)2 6 41.00*1. (a) 0.00 8. 37. (a) 3.70.6 1. (o) 0.64y 8.00 6 r= (¿) 1.000 + 0.6633 1.115.24 (b) 8.r3.96. (o) 1. (c) 37.szos 8.46¡r*l 8.188 ¡ (c) r32 8.111. 0.13 + 0.5 (b) (ó) g?.448 8.14(L. 2. (o) (ü) t.?8 + 1.0 a 19. (a) z = 3.r1y (d) 7g 95 t. E.6606 (ü) 0. (o) v=0. B.oooo t 0. (b) d 8.0 t 5.8.109.E0.500a (cl r = 2.s912 (ó) 0.67.113.66.66r * 2.0 t 8. u = 6.71. (¿) t 3.74.9 2. (a\ 0.0 a (b) B?.0 4.90.6t-t.20 E.87.0 8.108.8r*12 (b) r= 0.77 y -.968 (b. (¿) 0.99.427Y 61. (a) 0. (cr.6 E.IBB72 616 8.5t*3. (o) (ó) 2.00 (c) ?. (a) 24.304 (ü) 1.8861 1 t. (bl u = 4.366 CAPITULO 8 RESPUESTAS A PROBLEMAS SUPLEMENTARTOS 15o 8.89. Mediante un ensayo unilateral no puede rechazarse la hipótesie.138 t a 0. (a\ u=-i+í" 6 u=. (a) 8.ss56' 8. (o) 1.4 si no no si E.?600 y 0.rz 8.00 t _1. =0.8961 (b) u = 8. 75/p 8.81.60 8.40 6 A:32.89 * L.91¿6 y y 0.60 (ó) 1.08?86 o¿ (ó) (c) t?0 ft.96.9818 8.126s 'y 0.) 1. 0.21r*O. (o) E.gBB+o.21 0.?961 y (ó) 0.107.2 (c\ 182.6tly E.88.69.29y 8.85.1r4.79.661¡ (c) r = -14.80 E.1 E. (b) a = 29.7l4r (b) "=t*lu 10.096 o * 0.151{" ¿O ó U -92.2928 y 0.9?. ft (d) Bg? (b') A=32.68.112.r10.64.?801 y .

de julio de 1950 (d) 142.36 lb 3.lgxsilaunidadxesLl2añoyelorigenesel ¡ es un año y el origen es el 1o.01.05. 9.116.01.66. una diferencia significativa en operarios pero no en máquinas. 9.7 y 173. 9.4653¡z. 415 8.¡es5añosconorigenen julio de 1935.11?.01.125.6158 E. 9.3?. 9.oy:107.dondeyeslanatalidadpor1000habitantes. 9. una diferencia significativa en sus calificaciones a ambos niveles. No hay diferencia significativa en los sitios o fertilizantes al nivel 0. Igual al hoblema 9. 9. tlay 9. (b)y:18.4 libras 8.6402 si la unidad 8.120. 0.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 367 8.130. No hay diferencia significativa en neumáüicos a ningún nivel. .7096 y 0.38. llay una diferencia significativa en neumáticos y automóviles al nivel 0. Hay una diferencia significativa en los sitios pero no en los fertilizantes aI nivel 0.126.05.27. Flay una diferencia significativa en los métodos de enseñanza al nivel 0-05 pero no al nivel 0.43.30 pulg.05 pero no al nivel 0.26.25.38. llay 9.40: No hay diferencia significativa en neumáticos o automóüles al nivel 0.38x E.9254 y 0. 9.05.34.35. una diferencia significativa en rendimiento a ambos niveles.32. No hay diferencia significativa en el color del pelo o estatura. (o) u = 3. 0. 0. No hay diferencia significativa en operarios o máquinas.33. Ilay 9. 9.9*4.01.43.4f.0. CAPITULO 9 9.L27.129.7 (e)1977 1o. No hay diferencia significativa en los métodos de enseñanza o plantelesal nivel 0. 9.33 r . 9.42*2.39.36. No hay diferencia significativa en el tipo demaíz o suelosal nivel 0.4547 8. Hay una diferencia significativa en el tipo de maíz pero no en los suelos al nivel 0.128.4 (b) 116. una diferencia significativa en marcas al nivel 0.23.1083¡*0.42.16-0.(b)y:722.44.31. 9. flay 9. 9.24.05. Igual al hoblema 9. No hay diferencia significativa en fertilizantes o suelos.9653 (D) 8. No hay diferencia significativa en operarios o máquinas. (a\ 20.l31.deenerode1954. (c) si no (ó) 8.01 . 9. 8.

sílo son. 9. significativas en los puntajes de los exámenes debido al estado veterano y al I. B.ó.54.49. color del pelo o Iugar de nacimiento. ltray diferencias signifrcatiyas en especies renciag signif icat ivas. fuual al hoblema 9. llay diferencias 9. . C. 9.63. 9. pero hay diferencias debidas al I.05.52. pero las debidas al LQ. 9.66.54. llay diferencias 9.3. significativas debido a los sitios pero no a los fertilizantes. 9. 9.Q. FIay diferencias significativas debidas al factor 1 pero no al factor 2 o tratamienLos A.368 RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 9. 9. 9. y canüidades del primer compuesüo químico. al nivel 0. 9. No hay diferencias significativas debido a los químicos o s¡tios.55. 9.64. No hay diferencia significatirra en tratamientos a cualquier nivel.61.45.4E. No hafl diferencias significativas debidas a los factores o tratamientos. No hay diferencias significativas debido a sitios o fertilizantes.62. máquinas o fortaleza de cables.47 No hay una diferencia significativa en rendimiento escolástico debido a diferencias en estatura.46.Q. Al nivel 0.Q. No hay diferencia significativa en los puntajes de I. No ha! diferencias significativas en los puntajes de los estudiantes de diferentes partes del país. 9.01 las diferencias en los puntajes del examen debidas al estado veterano no son significativas. pero no otras dife- ' ltray diferencias significativas en tipos de cables pero no en operarios.

lndice Ajuste de datos po¡ distribuciones üeóricar. Só. L24. L28. 83. 291 26r. 217. 92- curua cuadrática. 11. 109 de la distribución de Poison. 244 264. 168. 109. 119 distribución ¡'. 219.26l múltiple. 344. 11. 115. 197. 85. 12. 225 análisis combinato¡io. 269 ensyo chi-cuadrado Pua la. 31ó álgeb¡a de sucesos.311 aleatorios. 85. 164. 127. 10. 134 cuilas cdacterÍsticas de operación.322 para experimentos de dos factotes. L27. 177. 349 distribuciones gamma. 217. 258 relación de la a la distribución norrnaI. 82. Bernoulli. 161. 46. 268 generalizando. 6 conección de Yates para la continuidad. 316 bondad del ajuste. 118 valores de Ias percentilas de Ia. 220. 138. 47. 88. 28L-284 ensayo de tripótesis y significación para el. 118.86. 315. 246. 108 bloques. problema. 56-60 pua el caso continuo. 254. 22O. 116 reJación de la a la dist¡ibución normal. lO9 (véase tomb i¿n distribución no¡mal) distribución geomét¡ica. 213.125. | (uéase también conjuntos) columna de conteo. 266. completa. 1l uti¡izando p¡obabilidad. 317. cuenteo.348. 218. 11O á¡eas bajo la.78.243. 82. 2 constante de Boltzmann. 5 completa aleatorledad. 100. 342 axiomas de probabilidad.2 conjunto universal.297 teo¡ía muest¡al de. 345 ordenadas de la. 264.145 ajuste de datos por. 268. 345 tipificada. 232-236. 319. 248 decisiones estadlsticas.118 propiedades de la. 26 4. ' dife¡encia de conjuntos. 117 ¡elación con la chi-cuad¡ado y t.310. 216. James. 112. 129. 81. 1 17 moda de la. 29G 292 correlación gradual.281-289 tabla. 258-3O5 gradual. 306.118 distribución hipergeométrica. 117. 316. 333 cociente de inteligencia. 26O clase.2L6 área bajo la. 26 4 coeficientes de confianza. 115. principio fundameotal de. 232-236.244 conelación.97-99. 118. 1 conjuntos medibles. 89 282 diagramas á¡bol. 13 2. número desigual de obseryaciones en 312-315 experimentos conjuntos. 306-338 fórmulas cortas en el. 284. 297 distribución de Bernoulli (uéose distribución binomial) distribución de Cauchy. 11. 78. 24 complemento de un conjunto. 23.2A2. 27. 112 de Ia distribución normal. 217 convoluciones.112 219. 116. 321. 344 curua parabólica. 78 diseño de experimentos. 316 püa de tres factores. 114.3f6 bloques aleatorios. 13 conjuntos bien definidos. 112 relación de la a la distribución binomial. dewiación. 118. 31 curtosis. 183 de la distribución binomial. 21 diagramas de Venn. 264. 119- 310. 2L7. 296 independencia y. 47 para el caso disc¡eto. 33O cuadrados latinos. 2. 94. 143. 24O. 118. 295. 30. 2 (uéose deteminación. 263.L28 relación de la a la distribución de Poisson. 347 como caso especial de la distribución gamma. 1O8. 8ó decisión. 268 r23 aproximación de la dist¡ibución de interl¡retación probabilfstica de la. 139. 234.294 generalización del. 1O9 relación de la a la distribución normal. I29 aproximación normal a la. 3 264. 135 teoremas sob¡e la. 258. 198.28l-244 fórmula p¡oducto-momento para el. 1 77 combinaciones. 3 dimensiones o unidades. l. 315. 21 1 desigualdad de Chebyshev.293. 134. 139'141 teoremas sobre la. 265-267 coeficiente de correlación lineal. 23A. 332.163 centroide o centro de gravedad de los datos. 263. 34ó cu¡va normal tipificada. 26+ 246 püa datos agrupados. 118 distribución de Poisson. 117. 3f6-321 clasificación tríp¡e o factor tres expedmentos.135-137. curua de ajuste. 117.246 Datos agrupados. coeficientes de. 135 distribución bimodal. 136. 31O. 267. 266 (véose tom' bi¿n conelación y reg¡esión) curva de potencia.263 covuianza.169 negativa. 184 categorías. 264 curyas OC.244 cuwa nomal. 2ll. 25-2 7 análisis de v xianza.333 para experimentos de un factor. 264. 177. 46. 1 (uéos¿ también conjuntos) clases y frecuencias de clase. 309 media y varimza de la. 1 conjuntos disjuntos 3.11-13 teoremas sobre. 92-94 teoremas sobre la. 230 coeflcientes binomiales. colección. 112. 163 decilas. E4. 248 curuas de aproximación. 116 cuenta. 9. 40 control de caüdad.213 Bridae. 311. 217. 108. 7L. 133. 61 disÉibución beta.324 cuadrados ortogonales. 259 típica (uéose desviación tíPica) desiación media. 111 r34 distribución de Pascal.315. 3O7. 11. 263. 112 clasificación simple o experimentos de un factor. 144 cont¡ngencia. 246 muestral.112. 239 propiedades de la. 316 27 distribución binomial negativa. 321. 83.324 el. 142 relación de la con la binomiál negativa. 267. 97 también varianza) dewiación tÍpica. lO.242. 316. distribución gaussiana. 237 dispe¡sión. 316 diseño experimental. 163. 221-226. ó conjuntos iguales. 297 poblacioml.237-239 aleatoriedad. reglas de. 9. 115. 2a5'247. 296 Poisson a la. 133 . 11O. 130.320. 47. 2ó8 94.129 distribución exponencial. 263. 306- continua a la derecha. 3 1 5 altamente significativos.316-321 aproxirración de Stirling a nl.97 dist¡ibución binomial. 19ó coeficientes de correlación múltiple. conelación y reg¡esión üneal perfecta. 6 conjunto nulo. 6O. coeficiente de. 84 ajuste dé datos por la.269 cunas de regresión no lineal. 99 (uéase tombién distri' bución normal) áreas bajo la. 328. 9. 1 13. 115. 2a6-2a7 . 295. 224. 1 51 contado¡ Geiger.37 Cambio de variables. 46 casillas. 25 coeficiente de conelacion. 1 18 distribución chi-cuadrado. 4 conjunto vacÍo o nulo. 316. cumplemos. r97. 116. 82 cuadrados greco-latinos. 247 332.

113 distribución Maxwell. 160. definicid¡ de la. 82 distribuciones de frecuencias. 81.2La. 213 ensayos de una cola. experimentos de dos faetores. probabilidad de. 2L9.268 pua grar¡des muestras. 113. distribución f de Stud. 296 derivación de la. 266.171173 de medias. 163. 162. 162 distribución multimodal. 137. R. 236 mediante la distribución normal. 194 estimas po¡ puntos.293. 216. L4l 11 8. 217 ensayos de dos colas. 5. 267 pua valores predlchos. 1O8 expamión multinomial. 265 77 38. 3 Ecuaciones norraales pua la recta de mfnimos cuad¡ados. 221-226 mediante proporciones. 273. 278.178. 216 para coeficientes de regresión. 48. 44.267 formas igualmente factibles. 238 bidimensional. 117 teoremas sobre la. 214. I76. 222 escalera flor.294 pa¡a la püábola de mlnimos cuad¡a- teoremas sobre. 39 (uéase tambíén funciones de distribución) función de distribución conjunte. 1?3-176 de varios estadísticos.A. 84 distibución uniforme. 61-63 distribuciones co¡iuntas. 164 f¡ecuencias elementales. 216 Fermi-Di¡ac. 109 propiedades de Ia. 198. 141 probabilidad. 194 (uéate estimas insesgadas) toñbién mediante diferencias de medias.. 52-56 continuas. 2L4. (pe¡cepción ext¡as€nsorizlr. 44 dis¡etas. 259 estimador insesgado. l6 3 frecuencia relativa. 94.6 286. 295. 1Og de la distribución de Poisson. 80. 98. 286-287 . 212. 164. ó1. 44 . error típico de la (véose ettot tfpico de la estima) estimación.263. 6 fórmula de inve¡sión. 5. 77 (uéose dos. 31 1 experimentos de Mendel. 198. 84 distribución multinomial. 343 función de densidad. 314. 17?179 acumulada. 114 relación de la a la disEibución binomial. 44. 243 ensayo de bipótesis y significación. 199 insesgada (u¿ose estima iDsesgada) estimas de máxlma verosimilitud. 26ó también esperanza) estadfstica Bose-Einstein.274.) distribución porcentual de frecuencias. ?7 muginal. 47 interpretación gráfica de la. 4ó para valiables aleatorias dlscrets. 119. 117. 164 distribuciones de fiecuencia acumulada.249 distribución nonnalr 109-1 11.179 distribuciones de frecuencia ¡elativa.226-228 mediante diferencias de proporciones. 178. 4 espacios muestrales inflDitos contables. 142 distribuciones condicionales. 83. 112 de la distribución normal.lores medios predichos.4. 159. fó8.279- 164. 279 efectos de bloques. 118. 40. 86-E8 condicionel. 163. 164 acumulada. ó3. 1O8 expansión binomial. 44 va¡ianza pa¡a. áreas bajo mediante relaciones de varianzas. 4ó. 206.P.370 media y vaxi^nza de la. 299 er¡ores del tipo I y del tipo II. 276. probabilidad de. 8l totales. 184 de medianas. 44.39. 6. 261.215. 132. 2L9. 297. 52 distribuciones de probabilidad condicional. 186 estadlsticos muestra¡es. 341 fracaso. 76. 198.312. 156. 94. 2L6.266.277 para el plaao de regreslón de mfnimos cuadrados. 342 función característica.196. 41 distribuciones de probabilidad discret¿. 1ó espacio muest¡a] finito. 91. óó estatura de padres e hijos. 77. 54 de sumas de variables aleatorias. 118. 92. 311 notación paa. óo conti¡uas. estadfstica (uéose estadís- tica Bose-Einstein) e1e x. 159.139-141 ¡elación de la a la distribución normal. 99 de la distribución binomial. 220. 63. 38. 261. 114. 117 relación de la a la chl-cuadrado y F.pua el coeficiente de correlación. zLl. t¡ansformación Z de.S. 160. 156. 29A espacios muestrales infiniio no conta- fumión complementaria de error.216. 262. 199. 264. 28t. 117.ent.214 püa pequeñs muestras. 4 espacios muestrales no disretos. 194 estimas. 263. 346 media y vaianza de la. 110 espermza matemática. 111 teo¡ema de la unicidad para le. 115. 16G162.22L. 39. 14. 161. 36 E. 92. 223. 262. 237. 4O. 45 función de densidad conjunta. 117 disribución trimodal. 211267 estimas no eficientes.229-231 2L con repeticiooes.201 esti¡nas insesgadas. 231 experimentos de clasificación doble (uCose experimentos de dos facúores. 178 (uéo¿e 213 mediante la distribución f de Student. 22L- experimentos de un factor.2t6 ¡elación con la teorÍa de estimación. 313-315. 5 enfoque uiomático de ptobabiüdad. 14. 266. 1ó chi-cuadrado y. 164 distribuciones de probabilidad. 260 elementos o miemb¡os de los conjuntos. 289. en téminos de varimzas y del coeficiente de conelación. 162 de difetencias y sumas.61. 241 3 mediante medias. mediante la disúribuclón F. dualidad. 194 estimas por intenralos. 162. 312 efectos de lnteracción. 290 estima.244. 212. 138. 2r9. 13ó función de densidad para la. 1ó7. 196. 194. 324-327 variaciones pa¡a. 179 relativa. 113. 213. 124-127 ajuste de datos por la. 269. 36 función aleatoria (uécse vuiable aleatoria) función beta. 4. 157 función de densidad normal tipificada. 77 espermza condiciona!. 290 . 35 estadfstico no puamétrico. 6 ensayo chi-cuadrado para bondad del ajuste. 49. t7l enfoque a posteriori de Drobabilidad. 6 enfoque clásico de probabilidad. 43-46. 81 fórmula de Spe¡man pa¡a la cor¡elación gradual. 4 46. 4 espacids muestrales continuos. 198. 289. 266 para vrimzas. 43. 119 distribución muestral. 161. 111 distribución nomal bidimensional. 41 conjunta. 81 ble.2A6 224 espacio muestral.¡ecuencia marginal.47 disc¡etas. 16ó-168. pua variables aleatorias contfuruas. 297 f¡ecuencia observada. traslación de. 231. 4 esperanzar 76. 168- de ¡elaciones de vuiauas. 3 7 Fisher. 263. 42. 213 para va. 157.282. 194 estimas sesgadas. 16-321 225 la.294 fómulm de Euler. 158. 25. 113 experirnentos aleatorios. 3O8 error tfpico. 293. 306-31O. estadfstica. 27 O. 2 interacción en el. 4 espacios muesfales discretos. principio de. 267. 311 distribución t Student) 163 acumulada. 162 INDICE efectos de tratarniento. 297 e¡rb¡ o residuo. 260 ejes. 2t6. 262. 260. 194-210 eficiente. 157 de dewiaciones típicas. 164 acumulada. 138. 1 de proporciones.318 de vuianzas. 43 teoremas sobre la.160.226-22a mediaate la distribución chi<uadrado. 41 de funcit¡nes de vadables aleatorias.177 enfoque de la frecuencia relativa de 308. 116. 133 distribución Weibuü. Futl. 16ó. 6 enfoque a priori de p¡obabilidad. 218. 194-2LO. 162. 306 Fistre¡. 163. 83. 38. 218 frecuencia porcentual. 267 3-2L5. ó2 de funciones de vuiables aleatorias. 286 fórmula producto-momento para el coeficiente de cor¡elación lineal. 2ó9. 287. 194 e¡aor tfpico de la estima. 81. 326 función de distribución acumulada. 310. 1O8 . éxito. 2I9. 215. 312 Einstein-Bose. 285. 64 293. 163. distribución de 2t6.

21 hipótesis. 171. 157 media total. 44 g¡andes muestras. 196. 1O9. 79 alrededor del origen.179183 momelltos centüales.237. 1ó5. lO9. 94 moneda cargada. ensayos de. f 56 alrededor de la media. 156 196 Ley asociativa.5 probabilidad condicional. 96. 6r 3 ley de los grandes números. 1óó.293 medidas de centralización. 179 acumuladas. 117. 49. 13 en los zucesos. 1 56 independientes. 162 no unicidad de la. 15ó.166. pea conjuntos. 268 para vuiables aleatorias continuas.165. 184 teorÍa de correlación y regresión. 3. 342 fórmula asintótica de Stirling pa¡a la. 217 gráficos de control de caüdad. 155 población binonial. débil ros) (ué¿se muestras independientes.INDICE función de probabilidad.342 función gene¡atriz de momentos. 197. 37 Poisson. 1O9. 79 intenalos geml-abiertos o dos. 269. 8 3O7. 80 teoremas sob¡e la. 266- 4t.23O Herencia. 177 muestreo.164. 96. 2+2. 48. 163. potencia de un ensayo. 184.272 función error. 97 medidas de dispersión. 198 dist¡ibución de muestreo de la. 2 pea vErian¿as. 98 integr¿les especiales. 44. 54. 26L. 19ó nivel de significación. 313 polÍgono de frecuencias 179. 83. acumulado. 163. 259 para curvas. gran media. 196. 39. 3O7. 69 para datos agrupados. 61-63 conjunta. 38 marginal. 83. 23O inferencia estadística. 156. 26O intetsección de cotiuntos. 312 g¡an total. t71. 211 (uéase tombián ensayos de hipótesis y significación) hipótesis nulas. 164 operaciones de coniuntos. 117 modelo matemático lineal pua el análisis de va¡ianza. 85.297 miembros o elementos de un coqiunto. 211. 350. 341. 112 de la distribución normal. 155 aleatorias. 86 Marca de clase. 198. 117 la distribución normal. para la convolución. 163.221 experimental o descriptiva. 32 parámetros poblacionales. 2O4. 39. 3 ¡ey conmutativa.49. aproximación de Sti¡ling a. 97. 1ól momentosr 79. 86. 1 (véase también conjuntos) prábola. 3 inteivalo de clase. 259 método de comprensión. 1ó6. invuianza baio üanstotmacióD. 84. l2 computación de la. 114. 76. 13 Iey distributiva. 2. 12. 79 momentos condicionales. 111 de la distribución ú o de Student. 8O función monotónicamente creciente. 76. 2 núme¡os ¡eales. 259 ir¡tetcepto. I 55 integrales de Fourier. 6. grupo control.¡los abierto y cetrado. para la convolución. 342 función gamma.313 ? probabilidad. 8. 199-201 grupo. 177. 276. 2 lntcnalos de confianza. (cociente de inteligencia). 156 población multinomial.Q. 351 loterm. 113. 306. 2O2. 196 muestras aleatorias. 89-91. 17? niedia. 8O.. 45. 1^O. 112 la distribución F. 3. 3Oo funciones de distribución marginal. 183. 11ó.S. 47. 224 tabla de. 84. 43 4O 268. 43. 3. L78 I paradoja de Russell. ó3 niveles de confianza. 36. 76 de una muestra. 224 niveles de significación. 311. 217. 63 función de Drobabilldad coqiuDts. 159 normal. 40. 178 moda. LS7. 164. 1ó8. 179-183 la distribución binomial. 47. 1 método de expansión. 1 7-2O función de la. 1 56 partículas radioactivas. 97 mejor cuwa o recta de ajuste. 18O- población normal. ó8. 195 lÍmites fiduciales.45. 221 experimental o descdptivo. 156. 199. 13 lÍmites de confianza. 196 población finita. 1ó8. 45 funciones de distribución.) mÍniinos cuadrados. 206 modelos matemáticos. para datos agru- Gas ideal.312 ordenadas. 308. 342 fórmula de recunencia ptala.219. 158.44. 1á6 con o sin remPlazamiento. 164. 1r6. 45. 94 función escalera. 85. 157 media ditmética.5ó marginal. 306. 205.P. 6 suma de los pa¡a la distribución chicuad¡ado. \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. 5ó. 1ó1 grados de libe¡tad. S. 266.249-292 n factorial. 264. 13ó de la distribución d€ Poisson. 47 para conjuntos. 159. 3O6 medias de tratamiento.312. 136 gráficos de control. 241 tabla de. 99 pe¡cepción extransesorial (udase E.22O. 1ló de la distribución F. 40. 11 método de mínimos cuadrados.297 198 para rectas. 44.98 de la dist¡ibución binomial. 110 eomplementaria. 4O función factorial. 6 muestras. 164. 158 I. ó4. 342. 55. 6 moneda b-omada. 203. 156 parámetros de la. 214 histograma. 155. 183. 2. ró9 población infinita. ó6. para el análisis de la varianza. 1 polÍgono de frecuencia.268 funciones de probabilidad marginrl. 84.266 pe¡mutaciones. 126. f16. 171. Ojivas. 123 la distribución de Poisson. 97 medias de fila. 26. 342 27. 269. 84 (véose también media) media muestral. teorema de la unicidad pea la.241 hipótesis estadísticas. 312. 84. 123 de la distribución chi-cuadrado.97 (véase tanrbién esperanza) pados. 96. 156 tamaño de la. poker. á1 lÍnea real. 217 259 236. 2t3. funciones de densidad marginal. 85. 195. 197. 48 probabilidad de causas (uéos(f teorema teoremas de la. 166-167. 177. 308. 95 para las pruebas de Bernoulli. 80. 1O función paso. 200 número. 159. 96. 3O6 de de de de medias de grupo. 21?. 352 números complejos. 212. (uéqs¿ rectas de mÍnitnos cuadrados) método y fórmula clave. L22. lnteÁ. 41. 243 pua paábolas. f96-202 L44. 213 números rleato¡ios. r23. 309. 1 44 pe¡centil¿s o valores percentüa.50. 195 (uéose tambíén lÍmites de confianza) IÍmites reales de clase. 163. 84.179 ojivas porcentuales. 186. 227. 96 de la dist¡ibución beta. 76.234 pare propo¡ciones. 164. ll. 194-206 para diferenciás y sumasr 196. 39 condicional. para la convolución. 27-23 población. 1.84 Papel gráfico de curya normal. 46. 194. 156. 44 371 molécula de gas ideal. 206 semi-cerra2dO. 111 21 E inte¡ralo semi-intercuütÍlico. 163. 292. 343 central. 27 . . 89'91. 81. 47 Pata conjuntos.2O3 para relaciones de vuianzas.D. 79 condicional. 277. 2 logúitmos comunesr tabla de. L21 Jacobiano. 42 para variables aleatorias discretas. 311 mediana. 19ó. 11? de un conjunto de números. lf l. 204 para medias. 165. 84.

2ó9 Sec¡etaria. 9. explicadas y no explicadas.158.110 vüiables dependientes.3il1 Taylor. 81 transformación Z de Fishe¡. 108 pruebas de Bernoulü. 8O ¡acte¡Ística. 195 valo¡es de tendencia. 97-99.372 o ¡egla de Bayes) concepto de la. 43 t¿blas de clasificaclón doble. para un conjunto de números.63 vüiables aleatorias no relacionadas.285 recta. 242. 130. 79. 117 muestral. 292-294 cov^rianza. 6 algunos teoremas importantes sobre la. 312 regresión. 143. 1 ilceso imposible.294 vaianza. 194. pda la función generat¡iz tos.49. 23a como una función de valor real. 198 rectas de mÍnimos cuadrados.81. 115 cuadrado. 3O9 regresión múltiple. plano. 1ó8. 67. 49. 219 en anáUsis de varianzas. tabla de. variación total. 262. 5O con distribución dg Poisson. 9. 30. 81 transfomación. 5. 1 I O región crltica. 1O8 vuiables aleatorias distribuidas de a- cuerdo con la dist¡ibución Poisson. 63. 284. 3O9 ent¡e filas o tratamienúos. 15-17 p¡obablemente significativos.284 relaciones no lineales. 281. 1 subconjuntos p¡oFiós. 85 sesgo. 266. 68 proporciones.2a5 vaiación no explicada.4 Recorrido. 242. S2 sin dimensiones.85. 39. 27 8. 79. 8O sesgada a Ia derecha o a la izquierda.82 de momen- mente. problema de los.161:171 prueba de Bernoulli. 5 condicional. 79. 223. 269 vdiables-transf o¡madas. 3O9. 22O tablas de con¿ingencia. f91. invarianza bajo. 262.78. 30. 123 de la distribución de Poisson. 195. ó.245 en análisis de varianza.98 serie de Taylor. 258. 82 veiables aleatorias normales asintótica- ley de los grandes números paa 109.249 computación de la. ? sucesos independientes. 161. 111 vuiable estocástica (véase vuiables valores exponenciales. caso donde s . 13O. 6 suceso seguro. 26O. 262. 46 scesos mutuamente excluyentes.2O2 interpretación probabilística de. 3 significación. 112. región de. 2a7. 15 utilizando el análisis combinatorio.6O teorema del límite central. 259. 2a9. problema de la.239 problema de la aguja de Buffon. 324-321 residuo.111. 341 ¡elación con las dist¡ibuciones t y F va¡iables aleatorias con dist¡ibución Gamma. 111 de la dist¡ibución t.27l uperf icies. 48. 52-56. 17-2O. 85. 242.2a4. 26 2 teoría muestral de. 213 región de rechace. 289. 156 temperatura Kelvin. 262. 271 referencias tipificadas. 289. probabilidad empírica. 326 diag¡ama. 264. 3O8. 217. 41 INDICE sobres. Tabla de probabilidad coniunta. 263. pa¡a la función ca- vaiables aleatorias independientes. 259. 29O curva. 263. 31 1 entre y dentro de tratamientos.244 representación gráfica. grados de libertad 311 métodos cortos paa obtener las. 158. 266. 237 . ó-7 sumas es¡reciales. 8O dist¡ibuidas binomialmente.124 las. 48 función de densidad de. I 1 O pila distribuciones conjuntas. 269. 79 tipificadas de. va.86.38 discretas. 269. 131 teorema o ¡egla de Bayes. 42.lasificación simple. 266.317. 25 Unidades o dimensiones. 78 va¡ianza combinada. 266. 164 probabilidad geométrica.161 veiables aleatorir nomalizadas. 38 variables aleatorias de la distribución de Bernoulli. 196 tigmpo de reacción. 2AL. 50 papel gráfico. (véase v atianza muesüral) continuas. 311 tratamientos. 89. 112 de la dist¡ibución normal.262 vüiación explicada. 266. 45. I 18 tablas y distribuciones de frecwncias de doble v&iación. 266. 261.experimentos de dos factores. 266.262 27 a. 11 1. 212 ensayos de. ó sucesos. 264. 265. Valores críticos. 216 var\anza muestral. 48. 260. 195 desconoce la. 20. 8 cálculo de las.2a4.81. 164. 37 subconjuntos. 58. 317. 45. 15 sucesos elementales. 3Og pua las. 258 punto muestral. 226 . 31O. 38. 1Og de la distribución de Poisson. 29. I7 -2O. 259.259. 322-327 tabla de c. 112 de la distribución f'. 27 I relación fineal. 158 de la distribución no¡mal. 6. 249 de vaiables aleatorias distribuidas normalmente. 114 1ó8. 37 serie de Fourier. 1lO va¡iables aleatorias adimensionales.115 vtianza poblacional. 3O7. 97. 260 variaciones. 297 tammo de la muestra. 7. 3O7 para . 79 pados. 26O. 289 ecuación. 26I intersección de. 2O1 t¡ansformación de Fourie¡.2a2. 216 como segundo momento. 266.114. 29. 79 distribución de las. 2t9. 1?9-183 vriable independiente. 151 teorema de unicidad. 3O6 triángulo de Pascal.287-289 transformada inversa de Fourier. 1 14 independientes. 8. 263. 50 dist¡ibuidas unifomemente. 26A.260 pua vriables aleato¡ias distribuidas binomialmente. 306.284. 164 dist¡ibuciones de la. 311. 89. 270 va¡iables aleatorias. 161. 108.39 vaiables aleatorias continuas. 219. 78. 49. 165. 3f 3-3f 5.97 semi-intercuartr-lico. 291) universo del discurso. 254. asignación de las. 131. 262.lores esperados de las.37. dist¡ibución muestral de. 264-27 4. LIL. 176 velocidad efectiva (¡ms). 85. 46. 7. 263. 243246 tablas de frecuencia (uéose ta¡nbién distribuciones de frecuencia) variables aleatorim distribuidas binomia¡mente.266. ó2-56. 131 prueba del. 264.2a5 vatiación residual o aleatoria. 64 probabilidades. 46. 63.94 de la distribución binomial. 117 de la distribución muestral de medias. 113. I O8 distribuidas normalmente. aleatorias) 2 2 241. 78 unidades tipificadas. 4.2ó9 coeficiente. 38.272 318 grados de libertad para. 151 82 seguridad. 49 ¡éplicas.159. entre columnas o bloques.318 múltiple.123. 311. 160 esperanza de Ia. 64 gráfica. 4. 1O9. 212. 212 regla de Leibniz para la de¡ivación de una integral. l94 sÍmbolos de inclusión. 79 vriables aleatorias con distribución Be- serie". 63 no conelacionadas. 14. 26? traslación de ejes. 2ll (véase tombién ensayos de hipótesis y significación) vaiables aleatorias con dist¡ibución Cauchy. para datos agrucondicional.116 función (uéose función de probabilidad) geométrica. 281.89 combinada. 22O. 279 unión de conjuntos. 183 de la distribución binomial. 83. 26-27 231. 6. 11O v&iables aleato¡ias dist¡ibuidas uniformemente. 352 293. 81. 1O8 variables aleatorias dependientes (uéose variables aleatorias independieDtes) vaiables aleatorias discretas.88. 21 variación. 38.273 en términos de varianza muestral v teoría de muestreo exacto. 3O7.115 variables aleatoiias con distribución chi- ta. 311.

.

.

l .

.

.

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

Sign up to vote on this title
UsefulNot useful