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.

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

Parte I PROBABILIDAD .

.

EJEMPLO 1. EJEMPLO 1. como siempre lo supondremos. describiendo alguna propiedad conservada por todos los miembros y por los no miembros.1. En general. b e C. u}.4.5. a. ¡ |¡ es un triángulo en un plano ) es el conjunto de los triángulos en un plano. denotamos un conjunto por una letra mayúscula A. léase"elconjuntodeloselementos¡talesque¡es una vocal" donde la línea vertical I se lee "tal que" o "dado que". B. u. 5. El conjunto de las vocales en el alfabeto puede definirse por el método de extensión como { a._l 'Cupítulo Coniuntos y probqbilidqd EL CONCEPTO DE CONJUNTO 7 El concepto d. C. A y B no tienen exactamente los mismos elementos.4.2. escribimos de B.b. Si o y b pertenecen aC escribimos a. e. e. _ Si un elemento a pertenece a un conjunto C escribimos a€ C. uloporelmétododecomprensióncomo{rlreeunavocal}. i. o. 3. Obsérvese que la sola redistribución de los elementos no cambia el conjunto. u ) es un subconjunto propio de {o. EJEMPLO 1. El primero se denomina el método de extensión y el segundo el método de comprensión. e. Sinónimos de conjunto son c/cse. debemos estar capacitados para determinar si un objeto específico pertenece o no al conjunto. llamados míembros o elernentos del conjunto. grupo y colección. 4. y un elemento por una leha minúsculao. i. 2. { 4 o.2. i.6. si esto no es posible. pero no un subconjunto propio. Al lanza¡ un dado los resultados posibles cuando el resultado es "par" son elementos del conjunto {2. SUBCONJUNTOS Si cada elemento de un conjunto A también pertenece a un conjunto B llamamos a A un subconjuntodeB. EJEMPLO 1. 4. 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. Un conjunto puede considerarse como una colección de objetos. 3. u}.escritoAcB6B:Ayleído"AestácontenidoenB"o"BcontieneaA" respectivamente. o. El conjunto { Obsérvese que el método de extensión no puede utilizarse aquí.Para que un conjunto seabiendefínido. Un conjunto puede definirse haciendo una lista de sus elementos o. o. EJEMPLO 1. i. Se sigue que para todos los conjuntos exactamente los mismos elementos. e } es un subconjunto. 6). el cual es un subconjunto (propio) del conjunto de todos los resultados posibles {L. es decir si B. I a. mientras no se especifique lo contrario.5.3. .6}. Si Ac B y B CAllamamosa A y B iguales y escribimos A : B. de {o.6\. A tenemos A C A. En este caso AyB tienen A+ Si A no es igual a B. puesto que los dos conjuntos son iguales. SiA C B pero A + B llamamos aA un subconjunto propio EJEMPLO 1. Sic noperteneceaC escribimos a é C.e conjunto es un pilar fundamental de la probabilidad y la estadística y de la matemática en general.

EJEMPLO 1. entonces AC C. 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. OPERACIONES ENTRE CONJUNT\OS 1. Fig. El conjunto de loe rcsultados que consisten de las caras 7 u 11 sobre un solo dado es el conjunto nulo. 6}1.9. El conjunto de todos los elementos (o puntos) que pertenecen a A o a B. Si AC B y B CC. DIAGRAMAS DE VENN Un r¡niverso u puede representarse geométricamente por el conjunto de puntos dentro de un rectángulo. 1-1) se representan por conjuntos de puntos dentro de los círculos. 5. 1-4 2.T. 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 . Intersección.7. l -2 Fig. EJEMPLO 1.4. 1-2). Si lanzamos un dado. 1 El teorema siguiente es verdadero para cualesq Teorema I-I.JNTO VACI( Para muchos propósitos restringimos nuestra d fico denominado el uniuerso del discurso. l-3 Fig. Tales diagramas denominados diagramas de Venn. o tanto como aB.8. CONJUNTO UNIVERSAL Y CONJI. 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.3.2. Los elemenr Es útil considerar un conjunto que no tiene r uacío o el conjunto nulo y se denota por p. 1-3). En tal caso los subconjuntos de zt (como A y B indicados y sombreados en la Fig.a CONJUNTOS Y PROBABILTDAD lcAP. se llamala unión deA yB y se escribe Au B (región sombreada en la Fig. el conjunto de todoe los resultados posibles es el universo {L. es un EJEMPLO 1. Unión. o simp espacio uniuersal y se denota por u. . sirven para da¡nos una intuición geométrica respecto a las posibles relaciones entre conjuntos.

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

EJEMPLO 1. hay experimentos en los cuales los resultados no son esencialmente los mismos a pesar de que las condiciones sean aproximadamente idénticas.CS.6). g. Un principio fundamental es que si efectuamos tales experimentos repetidamenle bajo condiciones aproximadamente idénticas obtenemos resultados que son esencialmente los mismos. si lanzamos una moneda dos veces y utilizamos 0 para represenmr sellos y l para representar caras el espacio muestral (véase Ejemplo 1. Silanzamosunamonedadosveces. Unespacio muestral que es finito o infinito contable frecuentemente se denomina espacio muestral discreto. sedenominaespacio muestral infinito no contable. En tal caso es deseable utilizar números en cambio de letras siempre y cuando sea posible. un espacio o conjunto muestral de todos los resultados posibles se da por {1. Si tiene tantos puntos como hay en algún intervalo en elejer. Si lanzamos una moneda eI resultado del experimento es un "sello".CONJUNTOS Y PROBABILIDAD [cAP. por ejemplo. Los siguientes son aLgunos ejemplos. 2. Así cuando se produce un tornillo será un miembro del conjunto {defectuoso. . simbolizadaporc(ó1). se denomina espacio muestral infinito contable. EJEMPLO 1.11. Un suceso es un subconjunto A del espacio muestral. . = ESPACIOS MUESTRALES Un conjunto oj que consiste en todos los resultados de un experimento aleatorio se llama un espacio muestral y cada uno de los resultados se denomina punto muestral. Obsérvesé que eJ córresponde al conjunto universal.dsdecirdos EJEMPLO 1. por ejempio. Un suceso que consiste de un solo punto de cJ frecuentemente se llama un sueeso .12) puede dibujarse por puntos en la Fig. donde suponemos que ninguna lámpara eléctrica dura más de 4000 horas.1 0. es decir SC. Si un espacio muestrdl tiene un número finito de puntos. es lógico que el último no sería adecuado pan determinar. 6 | en tanto que otro es lpar.1 ) representaselloen el primer Ianzamiento y cara en el segundo lanzamien[tr..se denomina espacio muestral finito. 'EJEMPLO 5. Si un experimento consiste en medir "la vida" de las lámparas eléctricas producidas por una compañía. 4. 3. es decir es un conjunto de resultados el resultado'de un experimento es un elemento de A decimos que el suceso A ha ocunido.14.2.esdecirunodeloselementosdelconjuntóíqs)(ó{0. 4.12.16. Si lanzamos un dado. Sin embargo. 0 ú :: 4000. 1 EXPERIMENTOS ALEATORIOS Todos estamos familiarizados con Ia importancia de los experimentos en la ciencia y en la ingeniería.elresultadopuedeindicarsepor{CC. EJ EMPLO 1 . Si tenemos una máquina que produce tornillos.13. 1-7 donde. como en el Ejemplo 1. entonces el resultado del experimento es el tiempo f en horas que se encuentra en algún intervalo. impar) Sin embargo. simbolizado por S ( ó 0 ). 1.en tanto que uno que es infinito no contable'se llama espacio muestral continuo o no discretoSUCESOS posibles.tal como 0 f r: S 1. EJEMPLO 1. si lanzamos un dado el resultado del experimento es uno de los números en el conjunto {L. si un resultado es divisible por 3. 1)). no defectuoso}. el resultado del experimento es que algunos pueden estar defectuosos. (0.16. EJEMPLO1.SC. o una "cara".5.. Si tiene tantos punl'ig. cara la primera y sello la segunda. .or . etc. Frecuentemente es útil dibuja-r un espacio muestral gráficamente.3. por ejemplo. Tales experimentos se denominan experimentos aleatorios. l-? tos como números naturales 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. Si elemental o simple.2.SS) caras.15.

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

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

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

Teorema 7-23: Si un suceso A debe resultar en uno de los sucesos mutua[iente Ar. + p(A")P(AlA") (20) . Denotamos por P(BiA) la probabilidad de B dado que A ha ocurrido. El resultado se generaliza fácilmente a n sucesos. 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. A3 tenemos P(AtñAzt\ás) = P(A) P(A2l At) P(Asl Atn Az\ (1e) En palabras. . Por tanto P(2u5) = P(2)+P(51 = *. A2. entonces P(A'.41 ha ocurido tantas veces la probabilidad de que A3 ocura dado que At y Az han ocurido. Puesto que se sabe que A ha ocurrido. la probabilidad de que At y Az y A3 ocunan es igual a la probabilidad de que z4t ocrura tantas veces la probabilidad de que A2 ocurra dado que .22. r-9 EJEMPLO 1.) excluyentes á1. P(BIA\:"+#=#=? Por tanto. (b)SiAeselsuceso{númeroimpar}observamosqueP(á):316= Entonces 1/2. .CONJUNTOS Y PROBABILIDAD El ¡uceso que resulte 2 ó 5 ee [cAP.Ya queB es la unión de los sucesos 1-18 que 7. AnB Fig. el saber que el resultado del lanzarniento es un número iinpar aumenta la probabilidad de Ll2 a 213.. 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. es decir la probabilidad de que B ocrura dado que A ha ocu¡rido. A.2 6 g observamos por el teorema P(Bl = P(r) + P(2) + P(3') = -+-+-= 6662 1l1l suponiendo probabilidades iguales para los puntoc muestrale¡. (b) se da que el lanzamiento resultó en un número impar. . Fácilmente se demuestra que la probabilidad condicional satisface los axiomas en la página 6. 1-9) tales que P(A)> 0. se convierte en el nuevo espacio muestral remplazando el original e-I. 1 indica por 2 U 5.á PROBABILIDAD CONDICIONAL = t 1 Sean A yB dos sucesos (Fig. ilamamos a P(B I A\laprobabilidad condicio¡wl de B dada A. = P(A)P(A|A. Hallar la probabilidad de que en un sólo l¿nzamiento de un dado requlte un número menorque 4. . (o) Si B denota el suceso {menor que 4). TambiénP(AñBr:216:1/3.) + p(A)P(Al Azl + . . TEOREMAS SOBRE PROBABILIDAD CONDICIONAL Teotema 1-22: Para tres sucesos cualesquieraAl.

entonces todas las fr cosas pueden realizarse en el orden especüicado en nr rr2 . 2' 4 : 8 maneras de eacoger una cami¡a Un diagrama. Si P(AnBl = P(A)P(B) de (I8). como se deduce Algunas propiedades de la independencia están dadas en los Problemas 1. Esto es equivalente a entonces A y B son independientes. 1-10). Az. ??¡ rn?D€rds diferentes. Ar.¡ maneras diferentes. Sin embargo..cAP. surgen problemas cuando la cuenta directa se convierte en una imposibiüdad práctica En tales casos se ernplea el anólisís combinntorio..92.a de contar. Ar. V finalmente una k-ésima cosa puede realiza¡se Qr fl. . ¡ealiza¡se EJEMPLO 1. entonces decimos que á y B son sucesos independicnües. An que pueden causar la ocunencia de á. es decir la probabilidad de que B ocuna no está afectada por la ocurrencia o no ocurrencia de á. ANALISIS COMBINATORIO la enumeración o cuenta directa de los puntos del muestreo necesa¡ios para obtener las probabili dades no es difícil.91 y 1. La generclización a más de tres sucesos se hace fácilmen- TEOREMA O REGLA DE BAYES Supóngase que . es decir uno de los sucesos debe ocurrir. que podría llamarse una forma sofisticad. . si se cumple (2I) (21) Ar. . . As son independientes entonces deben ser independientes por parejas..en n2 maneras diferentes. 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.. 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 .2. se emplea frecuente' mente en conexión con el principio anterior. . . . An son sucesos mutuamente excluyentes cuya unión es elespacio muestral ef. llamado diagrama órbol debido a su apariencia (Fig.23.3 (221 'y también debemos tener P(ArñAzñAr) te. . P(A¡nAx) = P(á)P(A*) j+lc donde j.A1. = P(A)P(Az)P(A) (qsl Ni (22) ni (23) son sufrcientes por sí solo. Por esta razón con frecuencia se hace referencia al teorema fle Bayes como el teorema sobre laprobabilidad de causs. 1l SUCESOS INDEPENDIENTES CONJUNTOS Y PROBABILIDAD Si P(B lA) = P(B).. . Inversanente.k=t. PRINCIPIO FUNDAMENTAL DE CUENTA. . Si un hombre tiene 2 cami¡as y 4 corbaüac enüoncee tiene y luego una corbata.

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

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

seaA={rl*esunenteroimpar). Sea r cualquier elemenüo de á. (b) "A es el conjunto de ¡ tal que 12 : 4 y ¡ ) 9'. (d) B'u C'. DIAGRAMAS DE VENN Y TEOREMAS SOBRE CONJT."áÁ y porüantoBC 1.-.5. Cualquier objeto particular se supone ee igual a sf mismo. (/) (Bn C). B: {x I x2 -8r+.0. 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.lQ}.+.6. {*..0. 0. Determinar cuáles de las proposiciones siguientes son verdaderas y cor¡egir las que son falsas. ¿Es cierto que {2} : 2? No. +.-4} (c) (AuB) n C = {-{2. Puesto quetambiénBCC.r} {*..B: eonjunto de elementos en A que no están en B : [0. r>g} y B: {fr | r<l}. (s) (AnC) e (Bne.5)=0 sólosi x:B6x:6. (d) B' : conjunto de los elementos en t/ quenoestánen g = {0. r.-4}n{+. Asf.6.t. Entonces ya que AC B.-2ly * )9. C' : conjunto de los elementos en 'll que no están en C : {0.o.Demostrarque BcA._\E}. r. AsícadaelementodeB perten. -4} = {+.o.8 = {6.üenemosB:{g.-tf2. 1.". (a) AnB = {-12.4. ". (e) A-8..-4} = {-18.-{r)._\E} . 2 es wn número re¿l mientras que {2} esw conjunto que consiste del número real 2.5.{0. ee deci¡ ¡ € A. El error radica en escribi¡ {@} por @. tenemosque¡ € C. (b) AUB. Por el Teorema 1-8.-rt. es decir cada elemento de A eetá en 8.-r/2.o} u {0. Demostra¡ que si Ac B y B cC. es deeir B ee un subconjunto de A.-fr. aA.5. -4} y los subconjuntos de u están dados por A : {-\n.+. si el universo 'u = {}.L2 CONJUNTOS Y PROBABILIDAD lcAP. Si A = {r l r2=4. 5.5.+. OPERACIONES ENTRE CONJUNTOS.-4} = t-\ñ} (D) . n].5. Puestoque el conjuntovacloesunsubconjuntodecualquierconjunto. puesto que {9} es un conjunto no voclo que conriste del conjunto vacío. entonces B) A.sededucequeACB6B)Aylrrpropocición Obaérvese que esto se lee es verdadera- 1. Otro método.-4} = Entonces (BnC\' = {0. página 3. no hay objeto que no sea igual a sí mismo. ) La proposición es falsa. -rt.+. Aeícadaelemenüodeá esunelemento de C y por tanto A C C.4 u n = {-fr.0}n {5. Entonces B.2.-4}n{0. (e) A ..u C. = {0.-fr}. (c) (AUB)nC. 1 L.15:0).--4} n {+. se sigue queA: @. .r. Yaque x2 -8x * 15:0 ó (r -3)(¡.6.-¿}.o} u {5. (o) (b) (o {rln+ü} -.enconhar(a) AnB. entonces AcC.'NT\OS 1. Entonces {x I x * x} : e. üenemoe A-B = AñB'= (f) BñC = {6.6}.o.4} utilizando el re¡ultado de (b).2.0.pueotoqueloe elementos 3 y 5 son enterosimpares. tenemos x€ B.r.-4}.-{2.5.r). el conjunto vacfo.r.3.-qyC = {+.r} = {0.0|. Puesto que no hay un númeror tal que x2 :416x:2. pertenecen á.

Luego At ñ f|' se representa por la región doblemente rayada en donde se encuentran ambos conjuntos de líneas.74). (A¡C\ u(BnC) : @u {*.reC) @ | reA"'B 6 xeAnC\ {. elconjuntovacío. En el diagrama de Venn de la Fig.-4} Entonces t. (b) Ilus- har el resultado de la parüe (c) empleando un diagtama de Venn.neB\ = {r I neA'. Región sombreada = (AUB)' Región doblemente ¡ÜEÉru¡r qvvrs¡¡¡E¡¡w rayada ]_"7. 1-11 la región sombreada representa (A U B)'. 1l CONJUNTOS Y PROBABILIDAD Obsérvese que este re¡ultado conjuntamente con Tborema 1-12b.-¿} [Vóase pa¡te (f)]. Teorema !-L?tt. B n C = {}.9. Teorema 1-6. Entonces A n (BuB') A r.xeB 6 reC} I s€A.reBuC} I re A.-¿l = {+. {r {" (AnB) u (A nC) 1.cAP. Sea C:8' en el Problem¿ 1.r€B') (b) = A' ^B' El resultado puede extenderse a cualquier número finito de conjuntos (véase Problema 1.69).-ll . (o) Tenemoe págrna 3: (A u Bl : A' n B'.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). 13 el de la parte (d) ilustra la segunda ley De Morgan.2. 1-11. página3:Tenemoo An(Bu C) = (AnB)U(AnC). Sin embargo. 1.al : (ArtB) u (A^B') : (AñB') u (A¡. = (AnB) u (AñB'). (AnB) u(AnB') A : {r I reA) = {. En Ia Fig.0} n {*. (c) Demostrar la primera ley De Morgan. Fig. Ao(BuCl = = = = = l r€A. (sl AnC = {-\/-2. y se observa que esta región es igual a la región sombreada de la Fig.@.8.8.7. 1-12. Demostra¡ laprimeraley distributiva. l-ll Fig.nn. . l reA¡B 6 neAnB'} M6todo 2. página 3.reB 6 r€A. (AuB)' = {r I r4Ar-tB} = {" I rCA. Demostra¡ que para cualquier conjunto A y B tenemos A Método 1. sirve para euminishar relaciones posibles entre conjuntos que luego pueden probaree por métodos similaree al dado en (o ). A'se indica por líneas diagonales paralelas construidas de izquierda a derecha en tanto que It se indica por líneas diagonales paralelas consüruidae de derecha a izquierda.

si . .-8. Refiriéndose al experimento del Problema 1.. diamantes y tréboles..B -{reyperono trébol} Es lo mismo que A ñ B' .A.4 u B. (f) A. 1. 1-13 para describi¡ los s sucesos (a). 2.11. . . 2.12. También puede considera¡se observando que A. picar. (o) A U B = {o rey o trébol (o ambos. es deci¡ rey (ó) 4 n I : {rey y trébol} : {rey de trébol) de trébol)) (c) Puesto que B Luego A U Bt = {trébol}.(g) (AnqU (AnB. @) AUB'. : (rey o corazón o diamante o pica). diamante. Describir el espacio mueshal (o) no se tiene en consideración el palo (b) si se tiene en cuenta el palo. (e) A.4. (b\ A' se 1. por ejemplo. Denotando corazones. . diez. . Emplear la Fig.1-14.10 sea. Se extrae una carta aleatoriamente de una baraja de 52 cartas.2).nB. (q AnB. Describir los sucesos (a) AUB.n(8. .B. rey. B': {no trébol} : {corazón.UB.4 el suceso {se extrae un rey} o sencillamente {rey} y B el suceso (se extrae un trébol} o sencillamente {trébol}. Luego el espacio muestral consiste de 52 puntoo indicados en la Fig. diamantes y héboles respectivamente por l. dos. (E) @ nB) U (A ñ B'):{(rey y trébol) o (rey y no trébol)): irey}. puede indicarse como {1.. 1.. . 3. 13}.10. y (b) Si tenemos en cuenta los paloc el espacio muestral cronsiste del as de corazón. (e) A-8.L4 .{rey y no trébol}.). de Teorema 1 era simila¡ todos lo¡ obeervarse de la Fig. (d) A. . B. = A. .). También puede considera¡se observando que (A ñ B) U (A n B') : A. I diagrama eden de indicarse A U B.11 com ^ B' . picas. . rey de corazones. ESPACIOS MUESTRALES Y SUCESOS 1. (o) Si no tenemos en cuenta los pdos el eepacio muestral consiste de as. . (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 ). 1-13. reina. jota. picae. . pica}. diamanües y tréboles. (n A'-3' :{no rey y no "no trébol") : {no rey y trébot}: (cualquier trébol excepto el rey). 1 EXPERIMENTOS ALEATORIOS.CONJUNTOS Y PROBABILIDAD [cAP. podemos indica¡ una jota de picas por (11. de acu gamas Fig.

también ee rigre queP(. 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.P(Ar) Puesto que P(.15. Demostra¡ el (c) Teorema 1-14.A¡ ) en donde . (o) Tenemos AV A' :s[. l-15 (An CALCULO DE PROBABILIDADES 1.42 ) = P(Al ).41 y Az . Aunque hemos utilizado el diagrama de Venn el i rlu^') ". (o) Tenemoe Az : At U (Az . asr que Entonces por el P(42\ = P(ár) * P(A2. tenemos usando el Axioma 3 y el Teorema 1-14: P (A u B) | i'. página 6.14. axioma 3. (b) Con anterioridad sabemos que P(A) > 0 por el Arioma 1.B) son mutuamente excluyentee.At) = P(Azl .77). Para demostrar que observamos que A C et. Demostrar (a) el Teorema 1-17 y (b) el Teorema 1-19. Fig. Así por el Teorema 1-14 [partc (o)] y el Axiom¿ 2 P(A) < 1 primero P(A)=P(¿)=1 (c) Tenemos eJ : eJuQ.13. página 6. Encontrar la probabiüdad de .Ar. Una carta se extrae aleatoriamente de una barqia de 52 cartas.4n8)l Entonces puesto que los conjuntos A y B .Puesto que P(eJ) sfnp = Q se sigue del Axioma P({)) 3 que s = P(d)+P(Q) 6 = 1. P(Az.At son mutuamente excluyentee.cAP.42 . (b) Teorema 1-15. (c) Teorema 1-16.Ar ) - 0 por el Axioma 1. 1l TEOREMAS SOBRE PROBABILIDAI) 1.^^'rl i' r"u r--' resultado (l ) puede establecerse directarne¡rte (véase Problema 1.(A ñ . Entonceepuesto gue. 1-15 (1) AUB: AUIB -(. página 6.

L ñD ó 1 n ") =P((1 n c) +P(1 nP) +P (1 nD) +P(1 n r) 11111 = 52. (b) una jota de corazones.y 1.. en particular "as" tiene una probabilidad de 1/13. P(4'^T')= 4(4 U ")'l: L- P(4 U ?¡ : 1. D. (e) cualquier palo excepto corazones. 1. Pero por el Teorem a 1-t2 (a). doo. (c) azul.4' ñ T' = (4 U ?)'.la probabilidad requerida es 36/52 = 9/13. ? para indicar coraz6n. página 6. (e) roja o blanca.. t (b) P(11 ñC¡= :- (c) I * -I^ 26 ) +P(6 ñD¡: 62 52 = I " . por ejemplo. Una bola se extrae aleatoriamente de una caja que contiene 6 bolas rojas.16 CONJUNTOS Y PROBABILIDAD [cAP. Por simplicidad utiücelnos C.* h* . Puesto que este complemento tiene 52 . diarnante. (d) un corazón. Asf g n C significa tree de corazoneo. Empleemoe el espacio muegtral del Problema 1.16.r-Lñ-Z-521 También podíamos obtener este reeultado observando que el diagrama de Venn favorable a este suceso es el oomplemento del suceeo moetrado como la parte sombrcada en la Fig. 13 pot aa. l-r 1.10(tr). # -. 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...sz = Lg Tbmbién había sidq posible conseguir este resultado del espacio mueshal del Problema 1. 1 que sea (g) un as. P(6 n (o) ") P(1): PG^e ó 1nP ó.16 : 36 puntos muestrales en él y cada punto muestral tiene una asignación de probabilidad Il52. (d) no roja.10(o) en donde cad¿ punto mueehal.. P.. Determinar la probabilidad de que sea (c) roja. (f) un diez o una pica" (g) ni un cuatro ni un trÉbol. . respectivamente.. eeto es 1/4. . 1-16. 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. Así. trébol. (e) P(C') - 1 .lsnc) = #.[P(4) +P(")-P (4 n T)] _.2. asignando probabilidades iguales de tl52 : L162. Por tanto puede denotarse por P(4' ñ ?'). rcy.# = 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. (c) un tres de tréboles o un seis de diamantes.n. .13 .. pica. en tanto que S U C significa tres o corazón.* (d) P(c):P(ln c 62ñc6. 4 bolas blancas y 5 bolas azules.52.1l _ 9 . (b) blanca.P(C) = ! P(L0 Ln = ?uti[zando laparte (d)y elTeorema 1-1?. a cada punto mue¡hal.

.6:36 maneras. B y A los sucesos de extraer una bola roja. Denótese por R. Método 2. Entonces P(ArnAzl .'"::. P(roja o blanca) : P(R u r) : -"""'. .cAP. 1l CONJUNTOS Y PROBABILIDAD Método 1.P(At)P(A. 4: 12 maneras en que tanto A1 como .También i"-or usado P(.2.J. Un dado honesto se Ianza dos veces. 19 1 .1?. norparte(c).364en elsegundo lanzamiento". (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. r(RUB)=P(A'): 1-P(A): I .t""i: . . Entonees L1 (o) P(n)= Mótodo 2. 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. Método 1. Cada una de las 6 maneras en las cuales un dado cae en el primer lanzamiento puede asociarse con cada una 6. 2. Hallar la probabilidad de obtener 4. ' SeanAl elsuceso "4rS ó 6 enelprimerlanzamiento" y Az elsuceso "7r2.4 1) :316 (ya que 4. 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).) '!' . página 6. de las 6 maneras en que cae en el segundo lanzamiento.42 ocurren.H 10 2 6+4 6+4+5 . Luego estamos buscando P(Ar ñ A2). Método 2.15 .3ó 4 son 4resultadosdelasGprobabilida' des igualmente factibles). blanca y azul.á = | Método 3.R ) : 6/15 : 215. 5 ó 6 son 3 resultados de las 6 probabilidadés igualmente factibles) y P(Az): ltO (ya que 7. respectivamenüe. --6+4+5=1b=s 662 Nuestro espacio muestral corisiste de 6 * 4I 6:15 puntos muestrales. Puesto que los sucesos R y B son mutuamente excluyentes se deduce de (4).. 6 6 6 en el primer lanzamiento V 1. que P(nuB):P(R) +P(B):?*# = ? PROBABILIDAD CONDICIONAL Y SUCESOS INDEPENDIENTES 1. Entonces si asignamos probabili' dades iguales Ll15 a cada punto muestral observamos que P(. . P(AroAr) = P(At)P(A2lAr\ -.3 6 4 en el segundo lanzamiento.::"fl'"".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). un total de factibles.

"A) = P(A) P(A. 6) ({. = las 51 cartas restantes. r) (2.3) Si A es el suceso "7 u 11" entonces A se indica por Ia porción sombreada en la Fig.2) a a aa (5. así que P(A2l Ar Sin embargo si ocurre un as en la primera extracción quedarán 3 en ) : 3/51. Entonces estamos (o) Puesto que para la primera extracción hay 4 ases en las 52 cartas. si la carta se remplaza para la segunda extracción. todas igualmente factibles. . Así ambas cartas pueden extraerse en (52 ) ( 51 ) maneras. de una baraja de 52 cartas. Entonces P(ArnA.18.3) (8.19. También. P(A¡): 4152. 1. (2. Se extraen dos cartas. puesto que también hay 4 ases en las ó2 ca¡tas para la segunda extracción. aa {) (6. r'(A.tp(A2 A¡\ = (52")(*) = . {) (5. extracción".) = (b) Como en la parte (o).l Método 2. l) (3. l) (1.1) a Se deduce que la probabiüdad de no dada por ? u 11 está 345 Primer dado P1A'¡ '= | .' ( #)l#) == # r\ P(A1l:4152. lanzamientos de los dadosobservamosquelaprobabilidad de no 7 u 11 en el primero o segundo lanzamientos está dada por empleando el hecho de que los lanzamientos son independientes. /. l-17 Utiüzando subíndices t. . Entonces P(A. 1-17.3) (3. oaa (3. Método 1.6) a (3. Puesto que se incluyen 8 puntos tenemos que P(A ): 8/36 : 219. 1-17.2 a (6. l'ig. Hallar la probabilidad de que ases si la ca¡ta (c) se remplaza. \.P(Al -- L 27 -::99 1o. p(A. Encontrar la probabilidad de no obtener un total de 7 u 11 en ningunó de los dos lanzamientos de un par de dados honrados. A. Puesto que los dados son honestos y hay 36 puntos muestrales asignamos la probabilidad 1/36 para cada uno. 6) a 1.azamiento la segunda ca¡ta también puede extraerse en una de las 52 maneras posibles. todas igualmente factibles. Así que ambas cartas pueden extraerse en (52)(52) maneras.18 coNJUNTos y pRoBABILTDAD lcAP.3) (4.)(á) = P(ArP\A2l (2. En este caso hay 4 maneras de sacar un as en la primera extracción y 4 maneras de saca¡ un as en la segunda exhacción de tal forma que el número de maneras de sacar :rses en la primera y segunda extracción es ( ) (a)i Así la probabilidad requerida es (4)(4) = (52\(52\ 1 169 (b) La primera carta puede extraerse en una de las 52 maneras posibles y ya que no hay remplazamiento la segunda carta puede extraerse en una de las 51 maneras posibles. 6) El espacio muestral para cada lanzamiento de los (r. dados se muestra en la Fig. (b) no ambar¡ sean se remplaza.nA") =+:(.42 suoeso "as en la segunda P(Arñ A2): P(A1) P(A2l A t). 1 Esto indica directamente que A 1 y A2 son independientes puesto que .2gara indica¡ y 2o. I a a aa (r. Sea A1 buscando suceso ttas en la primera extracciónt' y . a (2. entonces P(A2 | A r) : 4152.6) (2."t (ol La primera carta puede extraerse en una de las 52 maner:u¡ posibles y ya que hay rempl.2. Por ejemplo (5.6) I (¿.2) signitica que el resultado del primer dado es b y el del segundo 2.2l a a (6.

Rr ) p(82 lnr )p(A3 In. Nfrmero total de maneras igualmente factibles en las que ambos dados pueden caer También.P(At) P(Az\ 1 r /t\/t\ rr Por üanto. P(A'tuA) = P(A) + P(A) . (b) no se remplazan. Hallar la-probabilidad de obtener al menos un 4 en dos lanzamientos de un dado honrado.P(ALñ42) = P(A) + P(A!) . entonces los sucesos son independientes y p(. lanzamiento y no 4 en el 2o. Si Rl . Requerimos P(Rl ñ 82 n A!\.21.suceso "roja en la primera extracción".6 : 36.16. pero Bon independientes. P(ArU Método 1.Rr n 82 ñ At):p(. : guCe¡o (o) Si cada bola se remplaza.P(A')P(A'2| = '! -(8X*) = *" Método 3.20. blanca y azul si las bolas (a) se remplazan. 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).J requerimos A2: : suceso "4 en el prirner lanzamiento o 4 en el segundo lanzamiento o ambos" suceso t'al menos un 4" A2). I}2 : süc€so "blanca en la segunda extracción". Los sucesos A t I Az no son mutuamente excluyentes.A2 ocurra pero : no At : 5 5 número de maneras en las que tanto A 1 como . lanzamiento) = | . Así la probabilidad pedida es (4X3) (52)(51) I 2 1. nar¡ :P(Rr )P(82)P(A1) e \/ n u =(\6+4+5/\6+ 4+5/\/\6+4+5/\=_9_ 225 (b) Si no se remplazan las bolas. P(al menos un 4) Entonces P(al menos un 4) P (ningún 4) = 1 : 1 . Sea A I: suceso "4 en el primer lanzamiento" y : suceso "4 en el segundo lanzamiento".P(ningún 4) : 1 -P(no 4 en 1er. : 6. por (1Ol V QI ) = 6'u-\ui\u/ * = * Método 2.42 ocurran : 1 . llallar la probabilidad de que se extraigan en el orden roja. A3 "azul en la tercera extracción".P(A'rnA'"\ = | . 4 Az 1. Así Art. número de maneras en las que A 1 ocurra pero no Az nf¡mero de maneras en las que . 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+ \=. Se extraen tres bolas sucesivamente de la caja del Problema 1.cAP.

página 8... Axioma 3 empleando (I8). j Dor tanto ". si se obtiene sello se saca una bola de la caja /I. Si el suceso . Demostrar el teorema de Bayes (Teorema L-24.. Asípor P(A) = P(AIA)+P(A^AI') = P(A) P(A i A) + P(42\ P(A I A2) 8. Puesto queA resulta en uno de lossucesos mutuamenüe excluyentes 1-22 (Problema 1.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 A2.23. Extensiones para valores mayores de n se obtienen fácilmente. 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. Az: II. Az entonces A = (AnAr)u(A¡42) PeroA ñAt y Añ Az son mutuamente excluyentes puesto que A1 y A2 lo son. otro contiene 3 bolas blancas y 5 bolas negras. 1 : Ar ó A2 ocurraes- 5 +5+ 1 L. At : I.píryina9).4 debe resultar en uno de los dos sucesos mutuamente excluyentes At.23 con A: R. Hallar Ia probabilidad de sacar una bola roja. Se lanza una moneda honrada. (d) P(BtnBil:P(Br )P(B2lBt):P(Br )P(B) = lt!")/-=) + 5/ = I 4 \4 + 2/ \3 P(B'tñnb:pelp@. (b) ambas sean negras. Así la probabilidad de sacar una bola roja P(Rt - P(nP@ Il+P\II\P(RIII¡ = /t\/ I \ /r\/ z (.2/ 5 z TEOREMA DE BAYES L25.I.. Supóngase en el Problema 7. SeaB¡ : suceso "bola blanca del primer talego".20 CONJUNTOS Y PROBABILIDAD Luego el número de manera¡ en l¡as cuales por lo menos uno de los sucesos 11. I|2 : süc€so "bola blanca del segundo talego". An tenemos por el Teorema P(A) = P(AI)P(A Ar) + ' " + P(A. página t. Demostramos el teorema para el c¡¡so n : 2.) . Demostrar el Teorema 1-23.\P(A:A. . Si se obtiene cara se saca una bola de la caja.41 U Az): 11/36.26.)("+-ri-r:ri ---r:\ \2/\2+8/ \-/\-.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. Puesto que una bola roja puede resultar al escoger cualquiera de las cajas podemos em.24.22. plear los resultados del Problema 1. fcAP. pero revela que se sacó una bola . (c) una sea blanca y una negra. La contiene 3 bolas rojas y 2 azules en tanto que la caja II contiene 2 bolas rojas y 8 azules. Si se extrae una bola de cada talego.. Por tanto P(. hallar la probabilidad de que (¿) ambas sean blancas. Un talego contiene 4 bolas blancas y 2 bolas negras.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).

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

8. tercera y cuarüa pueden ser cualquiera de las 10. hay 9 formas para ocupar el segundo puesto.Pr. La segunda puede ser cualquiera entre 9 (no puede ser la que ocupó el primer puesto). (o) La primera puede ser cualquiera entre g (el 0 no). Así pues.8.4. y 4 mujeres en una fila de modo que las mujeres ocupen los sitios pares. = 5. L = b! =..rP. cuando esto está hecho. persona!¡ tomadasde 4en 4es = tC.7. = e 15 (d) ¡P¡ = 3. = r¡ ! como en el Problem a 1.9si(c)los números pueden repetirse. I .32. ¿Cuántosnúmerosdecuatrocifraspuedenformarseconlosl0dÍgitos0.T = - 5040 El número de ordenaciones de n objetos diferentes tomados de r en r ea n = n(n 1) . (b) si los números no pueden rcpetirse.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 . 7 : 4586 sonlos númerosque puedenforma¡se. . á maneras de llenar la cuarta posición. 1. S para ocupar el tercero y 7 para ocuparel cuarto.. ¿De cuántas formas pueden sentarse? Los hombrcs pueden sentarse de 5P5 formas y las mujeres de 4Pa formas. y finalmente sólo 1 manera de llena¡ la última poeición.6 .1..336 (b) Pq = 6. Cada ordenación de los hombres Elnúmerodeordenacionespedidoes = "Pr. (b) uPo. 120 Elnhmerodeordenacionesdenobjetosdiferentesenunafilaes=n(n-l)(n-2\. 1.3 = 860 (c) .30. Entonces 9' sPs : I .31. Cuando esto se haya hechó hay 4 maneras de llenar la segunda posición..r * l) Esto se conoce como el número de permutaciones de n objetos diferentes tomados de r en r y se denota por P. Entonces I ' 10 ' 10 ' l0 : 9000 son los números que pueden formarse. . (c) tsPt. es decir hay cinco maneras de llenar la primera posición. 1 Debemos ordena¡ 5 bolas en 5 posiciones así -.. 2. Halla¡elvalorde (a) . Otro métod<¡. La segunda.5.2.1 = 6 1. 3. Por tanto: El número de ordenacionesde 10 En general. 9 . ¿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. La primera posición puede ocuparse por cualquiera de las cinco bolas.22 CONJUNTOS Y PROBABILIDAD [cA?.28. (¿) aP¡ = 8. 4. Obsérvese que cuando | = tr. Luego hay 3 maneras de llena¡ la tercera posición. (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). l.oPo = 514! = (lZO)\24) 2gg0 1. g. 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. 8. (n .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.3. nPr.2. ..29. (d) rPr.7: 4536son los númerosque pueden formarse. puestos).. Se quieren sentar 5 hombres puede asociarse con cada ordenación de las mujeres. puestos).

Pero las dos personas consideradas como una sola pueden ordenarse entre sí de 2! formas. mediante (o). Entonces el número de ordenaciones pedido será = 4't. COMBINACIONES 1. loslibrosdequímicade2P2:2! formasylostresgruposde3P3:3! formas. n#l* 1. Cuatro libros distintos de matemáticas. En todos estos casos los libros de matemáticas están juntos.34estoes ¡ft - 10'f''8' . 23 (c) ' 8'7 : 5O4 Otro método. Pero los libros de matemáticas pueden ordenarse entre ellos de aPa:4! formas. Entonces ' 7 : 504 será el nfrmero pedido. Así pues. . de modo que dos de ellas no estén sentadas juntas es 720 . colocan en un eslante. 1l CONJUNTOS Y PROBABILIDAD La primera cifra puede elegirse entre g. (b) solamente ios libros de matemátitas deben estar juntos? (o) Los libros de matemáticas pueden ordenarse entre ellos de aPa: 4! formas. Entonces las 6 restantes pueden sentarse de ?20 formas. ePz:9 . son iguales. el número de ordenaciones de 6 person¿N sentadas alrededor de una mesa con 2 determinadas de ellas sentadas juntases de 5! 2! :24O. rt. . Entonces.PorelProblemal.24O: 480 formas. . ll0. Entonces 9 son los números que pueden formarse. ¿De cuántas formas distintas es posibliordena¡los si (c) loslibrosde cada asignatura deben estar todos juntos.33.34. Entonces se tienen 9 libros que pueden ordenarse de 9P9 . 1 n"+ .36. seis diferentes de física y dos diferentes de química se. Se ordenan en una fila 5 bolas rojas. (b) de las 2 bolas blancas entre sí y (c) de las 3 bolas azules entte sí (es decir. que es el total de car¡os que se dan en la ordenación de 7 personas en un círculo. n¡ En general el número de ordenaciones diferentes de n objetos de los eue ?r¡ Soriguales* donde. n2 son iguales. Entoncesel número de ordenacionespedido será = 9l a! - 8 709 120 1.cAP. g. ¿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. (b) si dos personas determinadas no deben estar una al lado de la otra? Considérese una de ellas sentada en cualquier parte. . Entonces hay 6 personas para sentarse en círculo. 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. + tt¡ = n.9 ! formas. multiplicando N por 5! 2l 3!) se obtiene el número de ordenaciones de 10 bolas si todas ellas fuesen distintas. 10 ! EntonceslSl 2: 3l)N = t0! y N - 101/(5! 2t Bl). que lo pueden hacer de 5! formas.. Multiplicando N por el número de ordenaciones (o ) de las 5 bolas rojas entre sí.. la segunda entre 8 y la tercera entre ?. . I 1. se tiene el número total de formas en que 6 personas pueden sentarse alrededor de una mesa.35. si (o) pueden sentarse de cualquier forma. es decir. El primer dígito puede elegirse de 9 maneras y los dos siguientes de gP2 formas. 6l 2l3! - 207 360 (b) Considerar los cuatro libros de matemáticas como un solo libro. 6! = Considérense las dos personas que no han de ir juntas como una sola. los libros de física de 5p5 :6! formas. ¿De cuántas formas pueden sentarse 7 personas alrededor de una (c) (b) mesa.

es:25 - 1 : 31 Puedeseleccionarseldelassverduras. se forma un corúité de 2 matemáticos y 3 físicos.. Número toüal de selecciones posibles = sCz.5. Número total de selecciones posibles = tCz'tCs = 3'35 = 105 L...rl nP' 1. ¿De cuántas formas puede elegirse una comisión de 5 personas de entre 9 personas? /g) = ^c.ur . 6 uCt=oC1 =6' 5ú ff (c) +Ca es el número de grupos de 4 objetos que se pueden formar con 4 objetoa.Entonceselnúmerorequerido de ensaladas es -..24 CONJUNTOS Y PROBABILIDAD lcAP. (c) dos matemáticos determinados no pueden estar en el comité? (a) 2 matemáticos de un total de 5 pueden elegirse de sCz formas. 2 matemáticos de un total de 5 pueden elegirse de sCz formas. el número de formas de considerar lias cinco verduras es 25 formas. ae llamanúmerodecorñbinacionesdelosnobjetostomadosderenrysedenotapor.37.6.5. De un total de 5 matemáticos y 7 físicos. beno y achicoria? Cada verdura puede tratarse de 2 formas. escarola. Nfimero total de selecciones posibles = sCz' zCs = l0'35 = 350 (b). Por tanto El número de ensaladas Otro método. si (c) puede pertenecer a él cualquier matemático y físico. b! ?. lo que es evidentemente 1.39. 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).SdelasSverduras. Pero las 2s forma¡ incluyen el ca¡o de no seleccionar ninguna verdura.Olf/Vvienedadopor ^ n"r nl /"\ \r / .5 71 ^ (ol .C. oCz = 10 .2 = 6.38. Hallar el valor de (a) zCq (b) aCs. 15 = 150 (c) 2 matemáticoe de un total de 3 pueden elegirse de sCz formas. (b) un físico determinado debe pertenecer al comité. 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.4 = l4. ¿Cuánt¿s ensaladas pueden preparañ¡e con lechuga.objetos dados.2delasSverduras.4O. = #h = I si se define Nótese que formalmente aCa 0! = l.6. 2 físicos restantes de un total de 6 puedtn elegirse de eCz formas. ¿De cuántas formas puede formarse.6. 1. 3 físicos de un total de 7 dan 7C3 formas. 5.. En general el número de grupos distintos de r objetos que 8e pueden formar con.1 = o'' --ll (b) oCs = 6 ! = 6. n.CL-l tC2+5Ca+ sC4+ scs : 5 *10+ 10* 6* 1 : 31 . _ e! _ \s/-sws-BJ]T- e. como si se escoge o como si se rechaza. Entonces tC+:I. 4.4!B! = 7.rl(n-rll n(n-11"'(n-r+1) r! .8. no teniendo en cuenta el orden de los objetos dentro del grupo. 3 físicos de un total de 7 pueden elegirse de zCs formas. endibia. (c\ eC+ 7.b = 126 1.

*.= xau /rz)'.t) + f" .+!\".!2 = 0.1).1r .cAP. Entonces: El nhmero de palabrae y las ? letra¡resultantee (4 q 7C1 ' óCa ' ?! : 35 .y por tanto eetá dado por /12\ _ \n/= 12. 1b:10 * 6.r e =4e6 . Demostrar q"" Tenemos que 11) \r/ = l" .42.eüc. obtenemoa Ia distribución conocida como el trióngulo de Poscal: n=l n=2 n=3 n:4 n=5 n=6 et¿. 'xl (**!\" = r-:o (1?). de 1. $ \k /' 3 \& /'. .*-.r)'! r! (n . 4. n0r+ ncz+. 3 vocales) pueden ordena¡¡e entre sf de zPz : ?! forma¡.11)"-..r)l (¿-l)! (¿-1)! . Con 7 consonanps y 5-vogaJes diferentes.. 2. que consten 4 consonantes y 3 vocales? No es necesario que las patabras tengan significado.. 10 ' 6040 : 1 ?64 000 COEFICIENTES BINOMIALES 1.1¡¡ 1" ."¡ /¿-r\ /"-r\ \ " )-\"-t) El resultado tiene la siguiente aplicación interesante. Halla¡ el término constan6 en h exDansión de 1r. Aeí10:4I6.' \"/ ü/ \ El término conetante corresponde a aquel para el cual 3& .43. ¡raracualquier enteropositivo n. 1. \ r / \r-1l' (n-r*r)(n-1)! r! (n . 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. ! = 2r-1.Cs+ -. lss 3 vocsles de s0g formac consonantes.41.z.11.B. ¿cuántas palabras pueden formarse. ee 1. r0. La¡ 4 coneonantes pueáen elegirse (!e lC+ formas. .. ee decir k = 4.r)l (n-r)(n-L)l * r(¿-1)! r! (n . De acuerdo al teorema del binomio *'\. Si escribimos lo¡ coeficientes de la expaneión binomial de (c * U)" púa n :0.1l CONJUNTOS Y PROBABILIDAD 26 nCn Engeneral. .tFV=fr .

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

ó En generd.lf{| = 'ffi.\o/ \o/ para todc lo¡ oEo¡ resultado¡ en los cuale¡ ocuren hec 6 y dos no 6.4E. u (c) (d) P(3 diece¡ y 2 jot¡¡) CONruNTOS Y PROBABILIDAD QCslQCzl 1 szcs 108 290 (4cr P(nueve.46.n"¿-¡.p"en-' = (n\o'o'-' sip: P(A) y q:1--p:P(A'\. Un estante tiene 6 übros de matemáticas y 4 de física.* = (il'eu)' : 10 de ertor nrceeor y pueeto que suponemoe que lor ¡uoesos ron independientee.6ó.. un dado honrado. Por ejemplo. L¿ probabilidad pedida está dada por 8!3! 10! - 1 15 APROXIMACION DE STIRLING A z! 1.4?. Cada eopacio tendr6 lo¡ ¡uce¡oc 6 o 6. 2 de otro) = q#@ = ffi = t -. de que S libros . reina.\6/ \o/ BITT\6i \6i 8888 nc.66. hes 6 y dosno 6 puedenocutrir como 666' 66' ó 66'66' Asf la probabilidad del resultado 66 6' 6 6' e¡ p(666'66') - p(6)p(6)p(6. n7 . Detenninar la probabilidad de tres seises en 5 lanzamientos de Represéntense los lanzamiento¡ del dado por cinco eepacioe no 6 (6').á. rey) x4crx4crxrcr) (rcr) szCs 64 162 496 (e) P(3 de un palo.cAP./r\3/s\2 = =*é)t1l)'= = I 't 'v. = . Hallar el valor de 50! Para n muy grande. LuegoP(al menoa un ar) 1. diez. Por tanto la probabilidad pedida e¡ p(666. eractamenüe 66. Por tanto aot-t/ffi5oso¿-so:N Para evalua¡ N uüilizamoe logaritmoe de ba¡e 10. Los libros pueden ordenar¡e éntre ef de roPro = 10! formar. puesto que hay 4 form¡¡ de eecoger el primer palo y 3 foim¡s de ercoger el regundo. Arf tenemo¡ un üotd de 8 libroe que pueden orden¡¡se enhe ¡f dc 6Ps = 8 ! formas.{fi. Pero hay rCa son mutua¡nente ercluyentes. (/) P(ningrn *) = # = m. jota.por elmiamorazonamientoanüeriorlaprobabiüdaddeobtener r vece¡A en n enaayos independientes ea \n/ 1./L\'/qY . Asf logN = los(/lofi¡o5o¿-50) 1f = i los100 I |losr * 60 log60 - 50 log¿ . Análogamente '" . Halla¡ la probabiüdad determinados de matemáticas estén juntos. Supongamos que lo¡ 3 libro¡ determin¡do¡ de m¡temática¡ ee remplazan por 1.á á *. etc. Pero a su vez io¡ 3 libro¡ de matemótica¡ pueden cden¡r¡e enhe ¡f de 3P3 = 3 ! form¡¡.66.p(6)p(6') .

50 A y B juegan lanzando alternativamente un par de dados. luego B) == ". -/¿\/a\1¿\ = le ^ \3/\3/\3/ 27 1.'.:'.':. Probabiüdad : 1 /6. partida respectivamenüe.:.. 2a.6990) - 50(0. luego A. A pierde en el ler."u j /t\/r\/t\ * /r\/r \/r\ = \r/\5/\r/ \¡i \zi \¡i 5 . luego gana A. A y B juegan 12 partidas de ajedrez de las cuales A gana 6.z. \a) = n /r\2/<\ (c) P(A y B ganen alternaüvamente) : P(A gane.^.) suponiendo que los resultados de cada partida son independientes de los resultados de la¡ ohas.04 x 100r. I|3 los sucesos "B gana" la 1a.o sicológicamenfe por loe resultados anteriores! (b) En cualquier partida la probabiüdad de no tablas (esto ee A o B gana)esg: ]-t2+]-lg:516yla probabiüdaddet¿blasesp:1--q:1/6. es 1/6 como se determinó en el Problema 1. (o ) La probabilidad de obtener 7 en un sólo lanzamiento de una pareja de dados. partida respectivamente. . Denótese por A B t.P(B') P(B. luego B.28 11 CONJUNTOS Y PROBABILIDAD lcAP. (Esta suposición no sería justificable si un jugador fuera influenciad. Bz. y 3a. 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.49. (c) A y B ganen altemativamenie. supuestamente honradoe. Hallar la piobabiüdad de que (o) A gane las tres partidas. B gana 4 y 2 tnrmrnan en tablas. luego pierde B.P(B no gane ninguna partida) t .P(B'roBj¡B'r) L . lanzamiento. PROBLEMAS DIVERSOS 1. A 3 los sucesos " A gana" la 1. lallar la probabilidad de que (o) quien lanza primero los dados gane. 2a.46) 5 /s\ " \í)o'n'-' = t(. Atendiendo a la experiencia que han tenido (probabilidad empírica) suponemos que P(Aganeunapartida) = #=+ P(Bganeunapartida) = #=+ =I (o) P(Aganelashespartidas) - P(AtnAroA3') = p(At)p(A2)p(As) = (. t...) P@. luego A o B gane.4343) = 64. 1 = ¿los100 | ¡lor3142 + 11 = i(zl * de donde 50 1og50 - 50 log2?18 .18 y Fig.'J?fi '.10.Xt(. un nfimero que tiene 6b dígitos.Asílaprobabilidad.de2tablasenBpartidases(réase Problema 1. Quien obtenga primero un total de 7 q^? el juego. (ó) quien lanza segundo los dados gane.. 1-17.i :.4972) + 50(1. Probabiüdad = {¿)(f )($).:. lanzamiento.4836 N= 3. Az. Acuerdan jugar un torneo consistente en 3 partidas.íll 36 (d) P(B gane al menos una partida) : 1 ... (b) dos partidas terminen en tablas. y 3a. 1á¡ n gane al menos una partida.) .

1. : 6L" /s\' * /r\* I _ \al \ui donde hemos utilizado el resultado 6 del Apéndice A con x r/6 6 : (5rc)2 - (b) Análogamente la probabilidad de que B gane el juego es 1q)/l) .2)(0. (b) ninguno viva.tJ es cero ya Así iríamos 6 a 5 a que el primero que liance gana. pierde B. Suponemos que ./s\/¡\/o\/s\/r\ * \6/-\6i \6/\u/ \6i \6/\Bi \u/\6i 1l-.02 .8.' \6/\6/\6/\6/ * = /q\/r\T. Véanse Problemas 1. lo cual puede ser o no razonable. de tal manera que la probabilidad es 3/8. Bl. que la segunda es blanca. Entonces y lI/ son sucesos independientes. Así la probabilidad de que g.9. Hallar la probabilidad de que de 600 tornillos seleccionados aleatoriamente 12 sean defectuosos. respectivamente. Una rnáquina produce un total deL2 000 tomillos diarios de los cuales en promedio elSVo son defectuosos.(5/6)2 11 . 1. Así Probabiüdad pedida = -H*-P 1.151 y 1. Puesto que se sabe que la segunda bola es blanca solamente hay 3 formas de las restantes 8 para que la primera sea blanca. estamos buscando P(Br lB2). Prqbabilidad = (áX8X8X8X+). Nótese que la probabiüdad de un empate que 11 ' 6-5 11 1 Esto no serfa verdadero si el juego fuera limitado. P(W) : 0. Se extraen dos bolas sucesivamente de la caja sin remplazamiento y se observa.*/q\'*/q)'* \o/\e/t_' \o/'. Una caja contiene 5 bolas rojas y 4 blancas. pierde B. pierde A.cAP.152. l|/ los sucesos que el esposo 0. De 12 000 tornillos./l)/q)lq\It\ \6/\6.1) = 0.51.F/ y la esposa.52. lanzamiento. "blanca en la segunda extracción". el 3'/o 6 360 son defectuosos y 11 640 no lo son. Este resultado se obtiene así Si P(BJB)='+#=elwq=* Método 2. Las probabilidades de que un esposo y una esposa estén vivos dentro de 20 años están dadas por 0.8 y 0.9) = 032 (ó) P(ningunoviva) = P(H'nW') = P(H'\P(W') = (0.\6/ =5136=5 1 . gane es /t\ /s\/s\/r\ . I|2 son los suceoos "blanca en la primera extracción".53. gana A. respectivamente.8)(0. Sean ÁI. (c) al menos uno viva. estén vivos en 20 años.9 respectivamente. 1l CONJUNTOS Y PROBABILIDAD 29 (3) A pierde en el ler. Hallar la probabilidad de que en 20 años (a) ambos vivan. P(H): (o) P(ambosüvan) = P(H1W) = P(H)P(W) : (0. ¿Cuál es la probabilidad de que la primera también sea blanca? Método 1.

aefqueparar:-l e-. -r/\n-2/ (+) = + \. riamente. A partir de la generalización de los resultados (10\ y (1 l).i1-:. cegunda. Hallar la probabilidad de que al menos una de las cartas llegue a la destinación aproDenótensepor A¡.0.. Entonce¡ el ¡uceso al menos una carta en el sobre conecto es."uAn) = )r(¿*) -)e6'tnl'r) "' * (-t¡"-t P(At^A2¡ " n./\...ri. Tbmbién (E) p(A.nA) = ''-n' P(A¡ñ A¡ ) hay (.lAtnAr) y así aucesivamente.1/ nl (5) Entonces en la suma > Análogamente en E p(A.) Ap) hay ( (+)l=+) \lr/\tt ...54. U A.) p\AztAttp(A.i \.30 CONJUNTOS Y PROBABILIDAD [cAP.. E P(A¡ ñ Ar) es la suma de probabilidadesdeA¡ñA¡conjyhdeedelhastanyh)j.6321. Por üanto... n-ésima carta ¡e encuentra en el gobre correcto.=t \/ .A. .42...(+ll-+ll=+) \. 1 (c) P(al menoc und üYa): 1 -P(ninguno viva): 1 .Tenemosporejemplolosiguiente: (z) P(A)=+ yanálogamente PlAr¡=L ya que de lo¡ n sobres rolamente 1 tendrá la dirección apropiada.98 1..i/ . la probabilidad de que al menos una ca¡ta llegue a su destino apropiado es casi la misma si n es 10 ó 10 000.4¡ U AzU'. .nA2n.\t/\.-.r) .f'. (véase Problema 1.C2 términos que tienen el valor dado por (3)..* r-e-l I : 0.1/ =. página 7.etc.U An y deeeamos hallar P(A¡ U A2V.ñA2t : p(At\p(A2lAt\ = (*)("=) aProPi"ao ü. lo¡ sucelo¡ primera.\ri )\" " ' " + (-r)^-'l'\l+) = r-fr+i-"'+1-t¡"-'I cz \z/!t!/ Del cálculo sabemoe que (véare Apéndice A) = lf ¡*#.79) tenemo¡ (1) donde E P(A¡) + )P(AinAinAk) P(áruAru.#. Una secretaria ineficiente coloca ncartasdiferentes en n sobres con destinos diferentes aleatopiada.../\ .).02 = 0..u) las es la ¡uma de las probabilidades de A¡ desde t hasta n. 'á P(4 ñ A¡ ñ que tienen ) = "r"términos el valor dado por (4).vAn¡ 1\ t.". ='-('-+r. El resultado ee a¡ombroso ya que la probabilidad permanececasi constante para n ) 10. .. finalmenrte .1) . ..) "1 ó 1. Por tanto la probabilidad pedida es p(ApAzu-.\ /"\/t\/ I = (l)(t)-l:)/l)l \.sobre "nto"o' *to '' de los rectantes n- 1 sobres estará (4) p(AtnAzr1A¡) = p(Á.xt"1B"""ntJfi::::i*il'ff. 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.

Determinar cuántas personas se necesitan en el Problema 1. (b) método de comprensión.z\. "'+rn(t-#) ln(1 Pero sabemos de cálculo (Apéndice A. SeaA = {r r2-3r*2=0}. .ln p r¿(rr : - -- 1) ?30 .. Problema. 3. asf que una buena aproximación en este Pa¡a (7) p : L12.). Análoga' mente la probabilidad de que l¿ üerce¡a persona üenga un cumpleaños diferente de las dos primetas es 863/365.67.693. Halla¡ Ia probabilidad de que n personas (n < 365) seleccionadas aleatoriamente tengan n días de cumpleaños diferentes. si Ia segünda persona tiene un cumpleaños diferente. La primera de las n personar¡ tiene lógicamente algún cumpleaños con probabilidad 365/365 : 1.r)(Zn -r) 6 obtenemos para (3) (5) *::":: 16) rnp = -!!+ñ! .. 1.0. 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. la probabilidad de que la n-ésima persona tenga un cumpl'e¡ñoe diferent¿ de las otras n * 1)/365.2 -r¿-506 = 0 = 0.23)(n'l 22) = g asf que n : 23. Enipleando los hechos de que para n . debe ocurrir en uno de los otros 364 dlas. 1l CONJUNTOS Y PROBABILIDAD 31 1. tnp = ..n(r-l) i30 para n pequeño comparado con 365. D = {t I 12<16). fótmula 7) que -r) -= --c - T- 3 así que (I ) puede escribirse como = ft+z+ : 2.. suposiciones que no se cumplen genetalmente en la realidad. Denotando la probabiüdad dada por p y tomando logaritmos naturales hallamos (r) @\ (3) lnp tnp =t"(r-#) -r'"(.55.-k). Por tanto tenemos n.s supletnentarios CONJUNTOS 1.-4\ .56.55 para que la probabiüdad cumpleaños distintos sea menor que U2.865 ) de 1. Entonces. por ejemplo n ( 30.165/\'.l. Sea A eI conjunto de los números natwales entre 5 y 15 que son pares." .. Finalmente. Por tanto tenemos es (365 - P(n cumpleaños diferentes) = #* # ffi = \'- ' 365 :-l! + 1 1\/'.cAP. 12+22 i-.(. el segundo término y los términos superiores a la ae 1S¡ son dlespreciables comparados con el primer término.693 6 ln 2 = 6 (n .1\:{.DeterminarsiACB o no.. Suponemos que solamente hay 365 días en el año y que todos loe días de cumpleaños son igualmente probables.' (Apéndice A' fórmulas 1 y 2) (Ir\ I+2+ "'*(n-1) = @.^" --!.-*(n-1)2 - n(n ."' . Describir A de acuerdo al (o) método de extensión.865)"'\'. .58. Así la probabilidad de que la segunda persona tenga un cumpleaños diferente de la primera es 364/365.

(d') A-8.5}. Afirmar -B = @. (b) (AuB)uC.A r. 15¡(6. 1.7 o negar: Si A u (Ar\B) eilusha¡loporundiagramadeVenn.0(¡=4) Encontra¡ (a) AvB. DIAGBAMAS DE VENN y TEOREMAS SOBBE CONJUNTOS 1. Generdiza¡ las primen y eegunda leyec De Morgan a cualquier número de conjuntos.3. página B. E¡tudiar la verdad o entonces A CB.68. Demo¡harque .73. (ü) B'.60. formule en palabras el (a't A'.64. 1. L.} ! B = {rlreounnfimeroprimo.9. A)8. (c) A'uB. Emplear un diagrama de Venn para dibujar ceda uno de loo conjuntoo eiguientec: (¿) A n (Bucl (ü) .). ESPACIOS MUESTBALES Y SUCESOS L. (e) A.6?. 1. (ñ) A .p6gina 3. (d) AnB'. (c) A'nB'.(BnC) (e) A' - (BuC)' 1. 1. De¡cribir un espacio muestral para cada uno una moneda.2}.t B = IA-(AnB)] u ÍB-UnB)l 1.61. en un grupo de 600 hombre¡.4. (ü) Teorema l-8. Demostra¡el (a) Teorema l-2. signifrcadodecadaunadelasoperacionessiguienüee: (f) B A. (fllanzat una moneda y un dado.66. (e) el número de partícular nucleare¡ que enhan a un contador Geiger. B. 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. (Véase Problema 1.1. entonce¿A = B. 1. 0 @uB) .32 CONJUNTOS Y PROBABILIDAD Demoeürar que para cualquier conjunto [cAP. (d\ (AnBlu(AnC). 1. (s) (AnC)' u B. y (D) ilustra¡la utilizando un diagrama de Venn.68.(B.72. EXPEBTMENTOS ALEATOBIOS. 1. Demo¡trarque (á -A)UA =á ¡ólo srBC A e ilugtrarlo utilizando un diagramade Venn. entoncq cJeeJ. de loe siguientes experimentos aleatorios: (o) 3 lanzamientos de 1. (e) A-8.ñ(B.o de llamadas recibida¡ en une ce¡ttrat telefónica. Un erperimento consiste en el lanzamiento de una moneda y un dado. (c) Añ(BuC).ruNTOS. ¿EE (A - B)' : A' . (bl AnB. (o) Si A y B eon dos conjunüos cuáleequiena.76.62. Generaliza¡ el recultado del Problema 1.nC. x>y O i Demostra¡ que cualquier aubconjunto del conjunto vacfo debe ser el conjunto vacfo.. (fl (A-B) u (B-A). Ilustrar el principio de dudidad haciendo referencie a losteoremas de la pfuina 3.Encontrar (a) Av(BuCl.(AuC).69. (e\ B-A. Seaununiver¡o 'Ll:{L. - .?). página (o) Eemortrar la segunda ley De Morgan. (c) Teorema 1-4.5\ yrupóngarequeloerubconjuntoede'll son A:{1.4 u (BnC\ (c) A' n (BuC)' (rt) A . 1. B. B={2.?f .6 A: falredad de las propoeiciones siguientce. C = {4. 1. =y.B'? Ju¡tificar l¡ ¡olución. (c) A)8.uC'). oPEBACIONES E¡ITBE CON. . (c) lanzar un¡ moneda hasta que aparezc¿ un sello. 1.69' 1. página 3. (o) Demostrar que (b) Demoetrar que ri p-f Ge[. 1 1.31.66. (Ó) el nhmero de fum¡dore.5. (d) el númer. I-a paradoja descrita se conoce Rusell. A tenemo¡ A C A.?0.76.2. Tborema 1-120. (ó) Sir yy son do¡ númeroereales sr¡alesquierq entonces x1y. Sea'tl el conjunto de todos loi enteros no negativos y conaidérenee loe nrbconjuntoc A = {xl¡e¡unente¡ope¡. ei ¿[e como I Sea ci éeeI' o cl¿se de todos loe conjunüoc que no 8on elementos de eUos mi¡mo¡.

Se exürae una bola aleatoriamente de un caja que contiene 10 bolas rojas.42 el suceso "rey en la segunda extracción". Csonsucesosindependientes.8t.85. Un experimento consiste en la sucesiva extracción de tres cartas de una baraja.77. . (b) ambas sean rojas. B'. 1. (b\ p(AluA2\.54. SiA.86. remplazando la bola extraída después de cada extracción. (d) sean rojas o blancas o de ambos colores (roja y blanca). Demostrar el resultado (1 1). (d) blanca. blanca 1. 1.. (c)A y B-C.?9.87. 1. 1. 1. üe (sin Una caja contidne 2 bolas rojas y 3 azules.90.t4. Resolver el Problema 1. ll CONJUNTOS Y PROBABILIDAD 33 TEOREMAS SOBRE PROBABTLIDAD 1. (c) una sea roja y la otra azul.4 ). Si aI menos un hijo en una famiüa con dos hijos es un niño ¿cuál es la probabilidad de que ambos hijos sean niños? Demostrar que la probabilidad condicional definida por (17). 1. cartzs 1. pfuina Demostrar que P(A'uB') = 1 . Sea A1 el suceso "reyen la primera extracción". (b) La suma 8 agatezca en un solo lanzamiento de un par de dados honrados.83. 7.89.84 si no hay remplazamiento después de cada extracción.cAP. 1. satisface los axiomas de probabilidad en la página 6 y por tanto todos los teoremas sobre probabilidad. Explicar el significado de cada una de las siguientes: (a\ P(AroA!r). 30 blancas.92.P(A¡B).7t. 1. Hallar la probabilidad de que si dos bolas se extraen aleatoriamenremplazamiento) (o) ambas sean azules. (c) ninguna sea naranja. (e) la segunda no sea azul. (c) no azul.80. para cada uno de Ios sucesos siguientes: (c) La aparición de un rey. L. CALCULO DE PROBABILTDADES 1.8 I . (¿) roja. (b)AyBñC.tA'r). (¿) p(A1^A'2ñA\). Se extraen dos bolas sucesivamente de la caja del Problema 1. (D ) si las cartas (o) se no se remplazan. (h) máximo una sea roja.83. y (I I ).demostrarque pendientes. . y A3 el suceso "rey en la tercera extracción". son inde- .14(b) demostrando (sin emplear el diagrama de Venn) que AUB = AOIB-(AOB)I donde A y B . (e) pl(A1nAr) u (A"nAr)].(A ñ B) son mutuamente excluyentes. (b) la primera sea roja ylasegunda sea blanca. B. 1. Halla¡ la probabilidad de que (a) ambas sean blancas. (e) Al menos aparezca una cara en tres lanzamientos de una moneda honrada. PBOBABILIDAD CONDICIONAL Y SUCESOS INDEPENDIENTES f .1. o azul. as. @) p(A'rr. Hallar la probabilidad de que sea (c) naranja o roja. Determinar la probabilidad p.página 8. (g) al menos una sea azul. (c) AyBUC. jota de tréboles o reina de diamantes al extraer una sola carta de una baraja común de 52 ca¡tas. (b ) A' es independiente de A es independiente de B demostrar que (o ) A es independiente de B . 12 defectuosos.91. (¡) solamente una sea roja.82. o un estimador de ella. (i) la primera sea blanca pero la segunda no.t1. Hallar la probabilidad de extraer 3 ases aleatoriamente de una ba¡aja de 62 remplazan. Completar la demostración en el Problema 1. (c) Encontrar un tornillo defectuoso si después de examina¡ 600 tornillos se han encontrado (d) Un 7 u 11 reeulte en un solo lanzamiento de un par de dados honrados. p6gina Generalizar los resultados (I0 ) 30. y así demostrar eI resultado (l ) del Problema 7. 20 azules y l5 naranjas. (b) ni roja ni azul. pfuina ?. Demostrar que si P(A ) >P(B ) entonces P(A I B) Si > P(.

1. 1. 1 1.4 doeee y 2 tres€s? 1. y una bola ertraída aleatoriamente e¡ blanca. 3. L. Resolver el problema anterior si la8 cifreÁ de los números pueden estar repetidas. 4 blancae y I nggra. 1. (ó) zPs.cajas reeulta azul. La urna I tiene 2 bola¡ blanca¡ y 3 negras. Se TEOREMA O REGLA DE BAYES 1. Atl At. (b) ¡C¡. ¿Cuánto¡ números de cinco cifras pueden formarse con los dÍgitos L. Luego ee extrae una bola de la segunda caja. . A2 = BuG€so "núme¡o impar en el segundo dado". . (b) doe mujerer determinadas no deben centar¡e juntar. I monedae diferentes en 2 posiciones diferentes? PERMUTACIONES 1. La escoge una bola aleatoriamente de la primera caja y se coloca en la s€gunda c¿ja sin ob¡ervar su color. en tanto que en el oho hay un reloj de piata Si seleccionamos un joyero aleatoriamente.10t. Una caja contiene 3 bolas azules y 2 rojas mienüras que otra caja contiene 2 bola¡ azulee y 5 rojas.104. En cada compartimiento del primer joyero hay un reloj de oro. (D) 3 libros determinados deben estar juntos.ent¿nüoquelacajalfcontiene4bola¡rojasy2blancas. Hallar la probabilidad de que sea blanca.lO2. A ¡: auceao At.101. ¿De cuántas formas pueden 3 hombres y I mujerec sentarse alrededor de una meea ei (o) no se impone ninguna resüricción. Utiliza¡ un diagrama árbol para determin¡r la¡ diferentes poribilidades que pueden suceder. (¿) roC¡.1O3.94. Se selecciona una urna aleatoriamente la urna II. caja / contiene 3 bolasrojasy Sblancas. ¿Para qué valor de n es . ANALTSIS COMBINATORIO. En el tercer joyero eñ un compartimiento hay un reloj de oro. ¿De cuántas maneraa pueden coloca¡se l. . ¿De cuántas forma¡ pueden ordena¡se 7 libros en un eEtanüe ei (a) er posible cualquier ordenación.109.106. 3 blancas y 4 negras.96.1O?. (c) 2 libros deüerminados deben ocupar lo¡ exüremos? (o ) 1. En cada compartimiento del Begundo joyero hay un reloj de plata. 9 ¡i impares.¿Guál es la probabilidad de haberla exbaído de la primera caja? Ttes joyeros idénticos tienen dos compartimiento¡.96. A3 lon independientes pero que 1. Hallar la probabiüdad de haber escogido la urna I. Hallarelvalor de(a) oP2.9?. Az. (¿) roP¡. CUENTA Y DTAGNAMAI¡ ARBOL 1. 2. (c) cada mujer debe eetarentre dos hombres? COMBINACIONES 1.99. ¿cuál es la pobabilidad de que el otro compartimiento tenga un reloj de oro? 1. 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. .1OO. Hallar el valor de (a) rC3. . Se extraen tres cartas aleaüoriamente (sin remplazarniento) de una baraja de 62 ca¡tas. Se lanza una moneda tres veces. suceso "número impar en el primer dado". Una bola extrafda aleatoriamenüe de una de las. ¿De cuántas formas pueden 5 personas sentarse en un sofá si tiene sol¿mente tres asientos? 1. Demostrar que A¡ . á3 : "total impa¡ en ambos dados".34 CONJUNTOS Y PROBABILIDAD Sea lcAP. (b) las primeras dos cifras de cada número son pa¡es? lor números deben ser 1. abrimos uno de los compartimientoa y hallamos un reloj de plaüa. 1. y lrr urna ffl.43 no son independientec.93.98. . AziA2. ¿Cuántos números diferentes de 3 cifra¡ pueden formar¡e con 3 cuaEog.+tPt = nPtl.106.

125. Se extraen dos cartas sucesivamente de una baraja de 52 eartas. En un juego de naipee ee reparte a cada uno de loe 4 jugadores 13 cartas de una baraja de 52 cartae. ¿Para qué CONruNTOS Y PROBABILIDAD valor de n s€ cumple que 35 3' n+rC¡ : 7' nCzl.111. Halla¡ el número de (o) combinacionee y (D) permuüaciones de cuatro letras cada una quepuedenformarse con las letras de la palabra Tennessee.. Hallarlaprobabilidaddeobtenerunasumade?puntos(o)unavez.cAP. COEFICIENTES BINOMTALES 1. (c) eC¡.110.t24. 3 niños y 3 niñas con 6 hombres. Hallar el coeficiente de ¡ en lt * ¿)t.120.e cuántas formas puede un grupo de 10 personas dividirse en (o) dos grupos de 7 grupos de 5. (b) en contra de A de perder los prir4eros dos juegos? 1. (c) (t-r t)s. \ r/ 1. unavez'(c)dosveces'en 1. ¿f).114.-tj(. La¡ apuestas en favor de A de ganar un juego de ajedrez contraB son 3:2. \4 / 1.8 mujeres.f 23. 1. Hallar la probabilidaddeque (o)laprimera carta no Bea un diez de tréboles o un aa. ¿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. (c) al menos una carta sea un diamante.. Demostrar que (o) É .126. 1l 1..rnda carta no sea una figura dadoque la primera eí lo es./"\ . (ó) ( ).4 mujeres. (b) deben seleccionarse un hombre y una mujer 1. Con 5 estadistas y 6 economistas quiere formarse un comité de 3 estadistas y 2 economistas.+ r-''i" 2/ \l )=o \o/ \r/ /"\ * /"\ I 1. (b) la primera ca¡ta sea un aÁ pero la eegunda no.122. (b) un palo completo. PROBABILIDAD UTILIZANDO ANALISIS COMBINATORIO 1. 1.2n-1. j=1 = n. t"l kCz\QC¿)/DC. ¿De cuántas formas pueden seleccionarse 4 niños y 5 niñas si (o) no determinados? 2 hombres.121.C. par. lJna caja contiene 9 tiquetes numerados del 1 al 9. Demostrar que (c) (b) \r¿l \o/ \r / + 1") * '.118..119.115. 1.) = 0. Si s€ extraen 3 tiquetes de la caja uno a uno' hallar la probabilidad de que alternativamente s€an impar. +/"\ \2 / /"\ . (h) las cartar son frguras o picas o ambas.116. ¿Cuántos comités diferentes pueden formarse si (o) no se impone ninguna restricción. (b) dos estadistas determinados deben estar en el comité.(b)almenoe dos lanzamientos de un par de dados honradoe. (d) (rz*21t."". Halla¡ la probabilidad de que uno de loe jugadores obtenga (o) ? diamantea.117. (e) no más que una carta sea figura (jota. 3 corazones y 1 pica. s€ impone ninguna restricción. 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. (b) j=t (-1). (f) la seErnda carta no sea una figura. Expandir (o) (o+y)6. . 1. (g) la seg.113. impar o par' impar' par. Calcular.( ") . reina' rey). (d) las cartas no sean del mismo palo. 2 héboles. (b) tres 1.. (b) /11 \ (r-a)4.. (c) un economista determinado no debe estar en el comité? 1. 3 y 2 personas? y 3 personas.

Az. Supóngaae que al lanzar una moneda 500 veces hay una secuenci¡ de2(lsnzanientosqueresulüan"carast'.3. 1.140 para que la probabiüdad de obtener 11 por primera vez sea mayor que (a) 0. rey y as del mismo palo. hallar la probabilidad de que necesiüe 6 disparos.95? 1.130. (c) ca¡tas diferentes.) + P(A)+ . 1 1. . 1.).96? 1.131. 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. Obüener una aproximación al resultado del Problema 1.136. Hallar la probabilidad de que ocurta 11 por primera vez en el sexto lanzamiento. Demosürarque siACB' entonces AnB:Q. 1. . (b) ¿Cuántos lanzamientos se necesitan para quela probabilidad en (o) eea mayor que 0. PROBLEMAS DIVERSOS 1.140.129. (d) 4 ases.145. ¡rara valores de n grandes. 12. 1. 1.I's probabilidad de que un tirador dé en el blanco eede 213.l47.queconsistedediez.139. Halla¡ la probabilídad de que (o) sean diferen1. Una urna contiene 6 bolas rojas y 8 azules. . Enunjuegodepókerhallarlaprobabiüdaddeobtener(o)unaescaleraflor. (b) tn full que consiste en 3 cartas de un valor y 2 de otro (por ejemplo 3 diecer y 2 jotas. . (o) Hallar la probabilidad de obtener la suma 7 en al menos uno de tres lanzamientos de un par de dador honrados.reina.146. Demostrar que para cualesquiera sucesos Ar. Si diepara al blanco hastaqueledal¡primera vez. Halla¡ la probabilidad de que 3 sean rojas y 2 azules.51.12E. 1. 1. APROXIMACION DE STIRLING A n! 1.13?. 1. +P(Á") 1.134. Al lanzar un par de dados la suma puede ser 2. - L. ¿Cuál es el menor número de lanzamientos necesarios en el hoblema 1. etc.135.133. Un espacio muestral consiste de 3 puntos muestrales con probabilidadeg a¡ociadas dadas gor 2p. ¿Cuántas palabras pueden formaree con 5 letras si (o) lae letras son diferentes.142. .36 CONruNTOS Y PROBABILIDAD lcAP..144. 1.138. Demostrarque 1. ¿Podríamos asignar probabilidadee de 1/11 a cada uno de esos puntos? Explicar. (b) máximo dqs sean igualee.. Cuatro enteros se eligen aleatoriamente entre 0 y 9 inclusive. .. (c) todas las letras son diferentes pero dos letras determinadae no puden estar juntas? tes.jota.uAn) < P(4. 1. Hallar la probabilidad de que un jugador tenga de 13 cartas g de un mismo palo. Un par de dados se lanzan repetidamente. (b) 0.5. A-(A nf¡: AñB'. Demostrar que aproximadamente 2nCn - 22"1\/ñ. Halla¡ la probabilidad de que (o) las cartas eean de un palo.127. ¿De cuántas formas pueden selecciona¡se 30 individuos de un total de 100? 1. Hallar porcentaje de enor en la fórmula de Stirling para n : 10. p2 y 4p Halla¡ el valor de p. .'. Se extraen cinco bolas aleatoriamente sin remplazamiento. (D) 2 letras son idénticas. ¿Puede considera¡ee la moneda cómo honrada? Expücar. Se extraen 3 ca¡üas de una baraja de 52.143. . An P(ArvA"u. l. (b)al menos dos sean ages.141. 1.132.

(c) los cuatro jugadores tengan un palo completo. Este üipo de problema se presenta en física en conexión eonlaestadística Bose-Einstein. (b) dos cincos. Hallar la probabilidad de que en un juego de bridge (o) dos jugadores. 1. Resolver el Problema 1. ¿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. 1.541. u¿ fi. Demostrar que la probabiüdad para que la secretaria del Problema 1. Generaliza¡ el resultado del Problema 1. Demostrar l") . 1. (a) Un estante contiene 6 compartimientos separados. 1.ISrí"r"ncia. (ü) tres jugadores. 3.)va".:). 4. .rtimientos separados. "dar ¿ letras en los 1.152. 1. (c) trer cincoe. .8. 1l 1.11)'-* 1i)'-l \"/ \o/ \t/ .54 obtenga exacüamente I ¿-c / r\k sobres correctos ".155.151.50 si el juego se ümita a B lanzamientos.150.156.151.(i)' una interpretación combinatoria.¿De cuántas maneras pueden colocarse 4 bolas idénticas en los compartimientos? (b) Resolver el problema si hay n compartimientos y r bolas. 1. Desea descartar el 8 y remplazarla por otra carüa que espera sea un 5 (err ese caso obtendrá una "escalera"). una interpretáción combinatoria.' Denoüando la probabilidad deseada comopñ (a).6.154.1ó3._ \r/ (1 + r¡t (1 + o¡"-t y hallar el coeficiente de ¡j en el producto). .149. Demostrar que /"\ = ! 1t'¡¡" . que (Sugerencia: Consi¿s¡ar 1. (d) ningfrn 5? ¿Puede resolverse el problema sin saber el número de cincos que tienen los otros jugadores? Expücar. ¿Cuál es la probabilidad de que obtenga el 5 suponiendo que los oüro¡ tres jugadores en conjunto tienen (a) un cinco. Este tipo de problema se presenta en física en conexión con l¡a es tad ísüca Fermi-Diroc. demostrar que p"(a) = 1 fipn-o (0) y luego emplear el resultado del Problema 1.t't .148. CONJUNTOS Y PROBABILIDAD 37 (c) Un estanque contiene 6 compa.\¡/(. Un jugador de póker tiene las cartas 2.

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

P(X:1) = P(CSuSC) = p(cs)+ p(sc) = i*i P(X=21 = P(CC) Así. (b) IÁ gráfica de probabilidad puede reprecentarse comoleindica en la Fig. Tabla 2-2 =I r f(r) 0 I r/2 . pata vrta donde obtenerse. lxla .cAP. o simplemente la función de dístribución.. Una gráfica de f(¡) se llama grdfica de (b ) EJEMPLO 2. r.. (a) Halla¡ la función de probabilidad correepondiente a La variable aleatoria X del Ejemplo 2.2. es decir .2-2 Histograma FUNCIONES DE DISTRIBUCION PARA VARIABLES ALEATORIAS DISCRETAS varidble aleatoria X se define por La función de distribución acumuhda. En la FA. por ejemplo X: 1 significa que esüá enüre 0.6.)f(u) (0 donde la suma a la derecha se toma para todos los valores de z para los cuales u = x. r/4 =I r/4 la función de probabilidad está dada en la Tabla 2-2.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 39 donde la suma en 2 se toma sobre los valores posibles de probabilidad.) +.1 x ( -..2-f Eepectro Fíg. En el ca¡o del hislogama podemos considerar la va¡iable aleatoria X como continua. Íz rn entonces la función de distribución está dada por 0 f (r') f(rt\ + f(rü F(r\ = -@<fr1It rt3fr1trz rz3fi1rt : (5) /(r.de la función de probabilidad notando que r es cualquier número rl = F(u) real. Fig.5 y 1.1 y construir la gráfica de probabilidad. P(X < (8) La función de distribución puede F(rl = P(x=r) -. 2-1 la suma de las ordenadas es 1 mientras que en el histograma la suma de l¡¡ áreas rectangulares es 1. 2-2. 2-1.. (o ) Suponiendo que la moneda es honrada tenemos P(CC) Luego I 4 P(CS) 1 4 P( SC) 1 4 P(SS) 1 4 P(X-0)=P(ss)=. Si X únicamente toma un número finito de valores lct. o por un histogromo.+/(r") x. Recíprocamente la función de probabilidad puede obtenerse de la función de dist¡ibución. como se indica en la Fig.

Esto se expresa matemáticamente estableciendo que la función de distribución es continua por la derecha en 0.40 EJEMPLO VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD lcAP.n (6) . El valor de la función én un entero se obtiene del paso superior. así el valor en 1 es 314 y no Ll4.2 su 2. la función de distribución para la va¡iable aleatoria X del Ejemplo 2.2. 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. Debido a la apariencia de la gráfica de la Fig. 2-1. 714 corresponden exactanrente a las ordenadas en la Fig. 2-3 frecuentemente se le llama función escalera o función paso. 2 son LlA. A medida que procedemos de izquieida a derecha (es decir subiendo la escalera) la función de distribución permanece igual o aumenta. Por tanto no podemos definir una función de probabilidad en la misma forma que para una va¡iable aleatoria discreta (págrna 38). (b) Obtener (a) f'a función de distribución es lo F(r) = ll ln la ln [1 I -o(¡(0 0<r--l l<r12 2<r1de (D) Larepresentación gráfica tra en la Fig. EJEMPLO 2. 2-3.@ e -. Para llegar a una distribución de probabilidad para una variable aleatoria continua notamos que la probabilidad de que X se encuentre entre dos ualores diferentes tiene significado. 1. . tomando valores desde 0 hasta 1. Las magnitudes de los saltos en 0" 1. Debido a esto se dice que es vnafunción monotónicamente creciente. 1. f(r\ > 2.3. deben notan¡e. 2. 2. F(r) se mues- Los aspectos siguientes acerca de la función de distribución anterior. Si se selecciona aleatoriamente un individuo de un grupo numeroso de hornbres adultos. nos conducen f(r) tal que o a poshrlar la existencia de una función 1. Sin embargo hay una probabilidad mayor que cero de que X esté entre 145 y 150 centímetros. 3. Este hecho permite obtener la función de probabilidad a paftir de la función de distribución. pagjna 38.4. DISTRIBUCION DE PROBABILIDAD Si X es una variable aleatoria continu4 la probabilidad de que X tome un valor determinado generalmente es cero.)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 . Estas ideas y la analogía de las Propiedades 1 y 2. por ejemplo. la probabilidad de que su estatura X sea precisamente 147 centímetros sería cero. (o) Halar representación gráfica. 712.

#f.'!. Una función f(r) que satisface los requisitos anteriores se llama función de probabilidad o distribución de probabilidad para una variable aleatoria continua.t) = 0.CAP. : P(.6. 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'). En tal caso podemos remplazar cualquiera o ambos de los signos ( en (6) por Así. definimos la función de distribución F(x\ para una uariable leatoria continua por F(.au f""oou = 1 Por tanto la función de distribución pedida es r(o [o F(r) . (o) HaIIar la constante c para que Ia función f(r¡ = {"^* L0 sea una o. pero con mayor frecuencia se denomina función de densidad de probabilidad o simplementn función de densídad. (b) Emplear P(l < r = 2\. n.l-*Ít'lol' = )ow2dr .1é/27 0<'<3 fr Obsérvese que s>s F(r) aumenta monotónicamente desde 0 hasta 1 como lo requiere una función dedistribución. página 39. X<2) = P(l<X<2) = P(\<X=Z) = P(l1X<2) = fr a- FUNCIONES DE DISTRIBUCION PARA VARIABLES ALEATORIAS CONTINUAS Por analogía con (4).n* =. También debe observarse que F(r) en este caso es continua. .. (b) P(1< p(r<x<z) -. (a) Hallar resultado de (o) para hallar el signo en (7\ puede remplazarse por la función de distribución para la variable aleatoria del Ejemplo 2.5.'" de otra forma " función de densidad y (b) calcular P(l < X < 2). = 13 t'n ¡3 .UU ¡( 0 entonces F(. debe satisfacer la propiedad 2 para ser una función densidad. = # + F(r) = fo" .a1X<r) s = J_-" ¡p¡au f' ( si se desea. en el Ejemplo 2. ou + f"'f@)au = fo'!u. Si 0 f: x 13 entonces F(rl Si¡>Sentonces = ou fo' . (a) Ya que f(r) satisface la propiedad 1 si c ? 0. EJEMPLO 2. V) En los puntos de continuidad de EJEMPLO 2.5. = Í.f.5. 2] VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 4L Podemos demostrar que esta definición satisface los axiomas de probabilidad dados en la página 6.ru.r) = P(X=r) f(r). Entonces de . la probabilidad de que X sea igual a cualquier valor determinado es cero.-g ec y puesto que esto debe ser igual a 1 tenemos c: tl9. lo que supondremos al menos se establezca otfa cosa. el (o) Tenemos F(r) = Si P(X = r\ = o" Í__.tu.'U".?1. = *-h=:h 7 En el caso de que f(r) sea continua.

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

a*\ m (161 L. Y puede representarse por una tabla de probabilidad coniunta como en la Tabla 2-3. Caso discreto. a ul ft(s^l 1 Totales - zfu) f zfuz) iz@") e Gran Total . fz(g¡l = t=r 2f@t... 1.2.'.. 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.. f (rz.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 43 aumenta desde 0 hasta 1 y se representa por una culva como en la Fig. yz) f (t*.t\ Totole¡ ü f f f (rrai (rz. !2. y son dos variables aleatorias discretas definimos lafunción de probabilidad conjunta por P(X=r. La función de distribución F(*) = P(X s ¡) es una función monotónicamente creciente que DISTRIBUCIONES CONJUNTAS Las ideas anteriores se generalizan fácilmente a dos o más variables aleatorias. f f (rr u.U*\ (141 Una función de probabitidad conjunta para X.. l(xr. es decir la suma sobre todos los valores de x.. Consideramos el caso típico de dos variables aleatorias que son ambas discretas o ambas continuas. 2-5. se hacen fácilmente modifrcaciones apropiadas. tz x^.a) -. y f puede toma¡ cualquiera de los n valores !t.. f ai f (r^. En los casos donde una variable es discreta y la otra conünua. !n.o 2. an) it@zl .A*) ) n {15) Parai:l..cAP. La probabilidad de que X : *. n estas seindican porlaentradade totalesenlafilao margeninferiordela Tabla 2-B "'.l t@) Í2 a) (rz.2. f(r.. Supóngase que X pucde tomar cualquiera de los m valoreg Ít.Y=E) = f(x..a) donde (18) 1. f X\ ü1 Ut u" U¡ 'Yr¡ y.mestasseindicanporlaenhadadetotalesenlacolumnaomargendel se extremo <ierecho como se indica en la Tabla 2-3.. 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¡. y es uno. También pueden hacerse generalizaciones a más de dos va¡iables.. Si X. Y : Ar) = f(r¡..Ím f (r-. Entonces la probabilidad del suceso X': qiY : /p está dada por P(X = rj.

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

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

Entonces la función de probabilidad conjunta de Uy Vestá dada por g(u. Y respectivamente. Y) donde X: út(U. así que X : ú (U). fz(y). Y cortesponde una y solamente una pareja de valores U. y) puede expresarse como el producto de una función de r y una función de y (las cuales son las distribuciones marginales de X. y) no puede expresañ¡e así. Definamos U = ó (X) donde X : ú ([.a) = f(r. V).V: Qr(X.V:0"(X.f . u) donde $ean X. Definamos f/: ór(X. n.2 conjunta F(x. I0. Teorema 2-3: Sea probabilidad de Uestá dada por g(u) donde X una variable aleatoria continua con densidad de probabiüdad f(r). Variables continuas. donde a cada valor de X corresponde uno y solamente un valor de U e inversamente. Y variables aleatorias discretas que tienen una función de probabilidad conjunta f(x.a)ldudal o = f(r. así que X = út(U. Teorema 2-1: X una variable aleatoria discreta cuya función de probabilidad es f(r). Entonces la función de probabilidad paru U está dada por Sea s(u) Teorema = f[. Y: úz (U. y estas son las funciones de densidad (marginal) de X.rl s@) = r@\l#l= rw@)rv'@)l g(u)ldul Teo¡ema . dondeacadaparejadevalores de X.Y). f por U:0r(X. V e inversamente.úl#31 = En (Sd) el determinante Jacobiano.(u. e. Pa¡a va¡iables aleatorias independientes continuas también es cierto que la función de densidad conjunta f(x. Variables discretas. Entonces la función de densidad conjunta de U y V g(u. o sencilla¡r¡ente el Jacobiano. 1. y) es el producto de una función de x. Entonces la densidad de = f(r)ld.t@)] (s1) 2-2: Sean X.a).(u. por una función de y. entonces X y Y son dependientes. está dado por .I) como en el Teorema 2-1. Supóngase que se define una variable aleatoria discreta U en términos de X por U : ó (X).a)llJ (35) (36) s(u. Y'). a\) (e2) 2.(xl.l't(u. I|).Y: úz(U V).a). Si F(r.u) = f l. y\. (83) (34) 2-4: está dada por g(u. gr(u.Supóngase que se definen dos variables aleatorias discretas U y V en términos de X.a\lda dy fl+. 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. Y variables aleatorias continuas que tienen una función de densidad conjunta f(x. n como en el Teorema 2-2.46 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAI) lcAP. y).

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

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

(a) Obtener la distribución de probabilidad paraX.1.Jo 4/36 2/36 (ó) Podemos emplear un espectro o un histograma como los dados en la Fig.s restreltos VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD DISCRETAS 2. . así que cada punto muestral tiene probabilidad 1/36. Tabla 2-4 'x 1'17'página18. Utilizando el hecho de que los 36 puntos muestrales son igualmente probables. (c) LospuntosmuestralesparaloslianzamientosdeunpardedadosestándadosenlaFig. 2'9. Nótese que en la Fig.2). (2. (b) Consbuir una gráfica para esta distribución de probabilidad. Así para (3. garaX:5 corresponden los cuaho puntos muestrales (1. de acuerdo con si deseamos considerar a X como va¡iable discreta o continua. (3. 2-9 la suma de todas las óreos rectangulares es 1.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/.cAP. obtenemos la Tabla 2-4.4).2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 49 Problerna.3).2) tenemos X : 5.Po¡ ejemplo.1) así que la probabilidad asociada es 4/36. (4. variable aleatoria X es la suma de las coordenadas para cada punto. 2-8 la suma de las ordenodas es 1 en tanto que en la Fig. Supóngase que se lanza un par de dados honrados y que la variable aleatoria X denote la suma de-los puntós. 2-8 o en la Fig.

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

2l VARIABLES ALEATORIAS Y DISIBIBUCIONES DE PROBABILIDAD 51 2.2-13 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 2. (b) Hallar la probabilidad de que f(r)=c/(n2+l).6./ -\-'l (* :u. z2 = 1 (ü) si* = x2 =t. X del Problema 2. donde -o(ú./J f = " =.rr_rrl.itan-rc . t:_flu)ttr = 1.2 obtenemo¡ F(rl (ó) L8 gráfica = de la función de distribución de (o) se muestra en la Fig. _. la constante c." r¿*l = ?['*-'(1) .r . rL t__J = 11h.ran-l(--)J = l[r*-' " "if = i.<6.6.6.t¿n-r (+)] I = z(z-z\ = 6 6/ "\4 2.-... )? estÉ entre 1/3 y 1. Hallar la función de distribución conespondient¿ a la función de densidad del Problema 2. t*tantolaprobabilidadpedidaes t(-'lstt oJ-t dn *lft dr IL'rJ¡5.e¡décir t-.2V @) (o) Uüilizando la Tabla 2-5 del Problema 2..12 + | = "t"r-rrl r-o = "L. acf que c=Ur.. 2-13.\r-. F(¡) I 7t8 6/r 6tE 4/E 3/8 2t8 I UE t Fig. Un (¿) (a) Debemostener aXtienelafuncióndedensidad o".4.'= J-. (c) Hallar la función de distribución F(*) para la va¡iable aleatoria representar gráfrcamente esta función de dishibución. I -u.r12*L =zC' oJ6.(-.entonces ó -l < x = -f. 1 C" F(r) = )_-t{")a" = i)__ n du _ = !l-t. f .cAP.

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

y. 2<Y <3). puede expresarse como una fi¡nción de ¡ veces una función de y.. para todo r.11. 2. P(X=2.u) = lcnU 0(r<4. Hallar las funciones de probabilidad marginal (c) de XV (b)de Yparalasvariablesaleatorias del Problema 2. La función de densidad conjunta de dos variables aleatorias continuas X. 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. (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 2-6.8 son dependientes.Y=\ = asr que h P(x=4 = # P(Y=l) = I (2x rr y)142. Si las variables aleatorias. Y es f (n.u) d. 2.9. (o) Hallar el valor de la constante c. Y son independientes debemos tener. P(X = t.cAP. Y <2). es decir | | f@.9.10.Y : A) = P(X = r\ P(Y = Y¡ Pero.{.Y=L) + P(X=21 P(Y=L) E resultado también se deduce del hecho de que la función de probabilidad conjunüa.r du = I . 1<g<5 de otra forma 1o (c) Hallar P(X>3. Demostrar que las variables aleatorias X.Y=l)=5"=a 42 (c) De la Tabla 2-6 determinamos que P(X>t. no P(X--2.Y<2\ = t2l (2c g32 * Bc 1'4c) -f (4c*5c!-6c) :-: 'L 42 4 n otcomo se indica por las entradas sombreadas en la tabla. (o) Debemos tener la probabilidad total igual a 1.8 (b) y 2. De estos vemos que P(Y=Y¡ = verificación:1*3 +!+1 ''7 74'7 t4 fz( =t 2. (b) Hallar P(1< X <2. como se determina de los Problemas 2.8.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD De la Tabla 2-6 determinamos que 53 (b) P(X=2. Y del Problema 2. l22c=17/2r n=2 fz(u) y puede obtenerse de los de probabilidad marginal pata Y está dada por P(Y = a) = totales del margen en la última fila de la Tabla 2-6.

11.'=r$l'"-.- ñ E P(x>s.=oL. .Y=z) = í:="í"'=. [ Í=. = = 1 C' 5r. Hallar las funciones de distribución marginal (c) de X V(bl de I' del Problema 2.o' = "Í. no ao)au =# [o ¡(o n>-4 12/16 O=r14 [t (ó) La función de disüribución marginal para y ai 1 PueetoqueF¡(r)escontinuaenr=Oy¡:4.54 vARIABLEs ALEAToRIAs y DrsrRIBUcIoNEs DErRoBABTLTDAD -l IcAp.:o J"=rcnvilxils ft rrs = " J.2<Y ' (c) <3) = Í.r. =y( 5 ec Fzful = P(Y <-vl = Í¿t=_@ f1 ¿ú=l f" f@. Por t¡nto Fr(rl = 1.¡¡'J.=.Tn' = idt\t/|. 1""=140."=. (ó) Utiliz¿ndo el valor de c hdl¡do en (a) tenemoe P(l <x <2.Yl'"=. 4.podrfamocremplazarenlaerpreaiónanüerior(por<. Oo = #Í:=.2 Empleando la defrnición de /(.'=. la integral tiene el valor f4 ¡5 J. = e6c Entonces 96c = 1 y c : 1/96.o)ctud. y).'=. 7 ñ J"="To' = ln 2.olduclo dudo = P¡re o > ft (s J.* s /rz11z . fi uo = # 1. xaau )clx = "!.r=o(ry-.)* = "Í:=rr2adr = "tu*)l'_.1Í":=.(a) = 0.frarau = * Í'^='lÍ"'="u aafa' = + f"="#l'"='* L f4 Br.=o J"=.'uau)a' = *f.12.F . Ft(¡) = 1.r"=. para 5 < 0. fv J-"=oJ"'='ffiauao = + . (o) L¿ función de di¡t¡ibución marginal para X ¡i 0 < ¡ ( 4 ec Ft@) = p(X=r) = f' ¿u=-4 ¿O=-@ f" fet.

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

u) ellacobiano. esto es.1 ..16.f . Demostxar el Teorema 2-4...=o g6. pá4ina 46. es decir g(u) _. como puede deducirse de la figura. Ju.Ll Plx = gfu)) = f lv@)l En una manera análoga puede demostrarse el Teorema 2-2. ) O. donde ry''(u¡ ) 0 (es decir la penCiente es positiva). 2-17 f .o'tlJ J< que es (3ti). Primero considere el caso donde u : ó@) 6 x : tenemos función creciente. Para el caso donde rlr'(u) -< 0.¡. página 46.r\uti.(' 'u2 l3-' '.rl duda = f"' (''' Ju.u)..u. Análogamente podemos demostrar ('36) para el caso donde .66. 2 lu=rd' CAMBIO DE VARIABLES [r(3-r)z r 'rldr 48 2. podemos demostrar que u y u también crecen. La función de probabilidad para U está dada por s(u) = P(Lt ") = Plo(x) . Demostrar el Teorema 2-t.2 1 L (" = J.\: ?u. (2) puede Fig.16 ó P(ut<Uiu. .páqina 46. u). esto es.17.t'@) Este es un caso especial de (34).4v. y crecen.At<Y<Az) = | fre | l(r. 92fu. u) en la integral de la derecha tenemos por un teorema de cálculo flrrtu.z 46.u11V1o. también podemos demostrar que (31) se cumple (véase Problema 2. = 2. Igual que en el Problema 2. Dr P(r1<X1rz. El teorema también se puede demostrar si rl'(u) 0 ó r/'(u) ( 0.56 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP.. pá$na 46. para el caso donde J 0. 2-1'7). págir.' ut 12 : ¿ ttt V@) en la integral al lado derecho. Entonces. 2.a todo u1 y u2 solamente si los integ'andos son idénticos.67). L es una función decreciente de ¡.a). y : Ju.y) fe2 dr dy Remplazando avanzado que r : Út@.fl. ' olü au = ¡'tl f ¡¡gqullv'tu:du Esto es válido pr.. | trrr J| s(u.= fu ). Véase Problema 2. pá$na 46. Por tanto = fI¡rfu.u . Jtl r s(u.15.1)llJ duda ("' ("'n. u aumenta a medida que r aumenta (Fig.v)dud. (r) (t tlt(u) es una P(ut LI 1tt"): P(rtlX1rr\ f¡7 (2) Remplazando x escribirse como /'ü: | t\u) titr 'ul |.2fu._-. Demostrar el Teorema 2-3.. "rl "" /{.a) a@'a) donde es d\u. Úz(u. Primero suponemos que a medida que r.

E2.. página 46. 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 ¡. u= r+11 6 r =n/F1.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD es 67 2.cAP.3.2. de otra forma ..!7.tt¡¡f". | . o por el Probler¡¿ 2... Puesto que ú'(u) : dx/du : . Los valores de r para los cuales. página 46.82. En este caso no podemos emplear el Teorema 2-4 directamente ¡rero podemor proceder de la manera eiguienüe.18. de probabilidad pedida para U ea ( z-ni i s("! = 1o utilizando el Teorema 2-1. du ¡5 <tz:_su. U: * .3 ¡e deduc. f(r) = to de otra forma Halla¡ la probabilidad para la va¡iable aleatoria a = X4 + Puesto que l.+ l larelación entre loe valoreedeuyrdela¡variablesale¿torias donde u:2. Tenemos tL = tr2 ó r = *\ñ.sutz¡21 ].'ll = 1 2.19. = P(... UyXqtídadapor y8€hatomadol¡raízrealpositiva.e por el Teorema 2-3. 2-18.3 y* = 6 rcn u = 6 y u -2re¡I¡ectivamente. 2.3 ( ¡ < 3 corresponde a 0 s z s 9 er tanto que 3 (¡( 6 corresponde a 9 ( u ( 36.U<u) = P(-B<X<\fr) = J-s f@lA.16 que la Tbnemosu:tl3(L2-f.)óx:L2-3u."1:-. Como se obeerva en esta ffuura el intervalo ..3 ( 6 corresponden a los valores para los cualeo 0 S 36 como se muestra en la Fig.Loe valore¡ de u que correrponden a¡= .. o el hoblema 2.2O.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. La función de es disüribución para U G(ul = P('tlu') Entonces si 0 Fis.16. 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).Enüonce¡1.A¡íparacadavalorderhayunoydamenteu¡valordeuy función de densidad para U ee s(ut Verificación: = ilt'.I9..¡función u = 2.2 = _. HaJlar la densidad de probabüdad de la variable aleatoria U = )? donde X es l¡ va¡iable aleatoria del Problema2. . recfprocamentg.17. La función de ptobabiüdad de una variable aleatoria X (2-' ü=1.

= 2. Entonces la ¡olución ¡imultiinea re¡ulta r : u. 2-19.1. etcogiendo arbitrariamente l¡r eegunda relación.58 VARTABLES ALEAT1ORIAS Y DISTR.u). ! : ll2(u .2 l*ibníz (12).r'nu ffr:i:0" 'Sea u = t I 2y. le * fil2136 z4B l.11) hallar la Método 1.-ro 0 6<¿<10 f4 afu.u 110 que ¡e muesEa eombreada en la Fig. Si las variables aleatorias X. 1 tZ _1.<¿<36 de otra forma 21rsrz Verificación: zlb.IBUCIONES DE PROBABILIDAD Pueeüo que la [cAP.=. 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.21. = {. Por üa¡¡to la región 0 I r 1 4. u : r. Y tienen función de densidad conjunta r(x. uear¡do la regla de c@l Utiüzando la definición dada de = f(r) eeto se convierte en 0<z<9 9.a) (véase Problema 2.ol =#¿" . función de densidad de U = X + ZY. 2 ea - Fig. 2-r9 Entonce¡ por el Teorem a 2-4 la función de densidad conjunta de U y V (u(u-t:l/384 21u-o( 10.2 < u . 1 < y ( 5 correeponde a la regiiin 0( u ( 4. lo1u114 de otra forma . función de den¡idad g(u) ee l¡ derivada de G(u) tonemos. El Jacobiano está dado por Fr 0r J_lr"0o oa lüu la" att lo =l I 1 11 -.

i 1<c<5 Pa¡¿ 21u ( 6 obserraÍros al r€ferirnoo a la Fig.2-2O Fig.y=y2/3p-rl3. IL m de b Flg.ytdrdy " = ÍÍ fta. I/aimagende0(x14.11) hallar la función de densidad conjunta de U no uu está dada por o<azlgu-r/t<4 gue son equivalentee a . 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. Mo ¡oe conducealasolucióneimultánea s=p2/34-r/t.2l como VARHBLES ALEAI"ORIA"S Y DISTBIBUCIONES DE PROBABILIDAD 69 'lar p determina refiriéndo¡e a lae regioner ¡ombreadas I. Al dividir egüa¡ ecúaciones obtenemoe y/r = u/u aef que y = ut/v. V = )PY.22.21.2-2L 2. 2'20 gue la últim¡ integral ee igud a Í"--.' I":"."'' gunoo = Í"::'lW-#fo' + 4)t2304.o 2.cAP.au i*Z=. Fíg. eüc.L(y(Senelpla' (véase Problema 2.a función de di¡tribución de la variable eleatoria X + 2Y erüá dada por P(x *zY É ut = Íl rr2y 3 t@. Nlétod. 2-19. Si las variables aleatorias & Y tienen la función de densidad conjunta 4' L <s <5 f(r.a) : {*''nu de otra forma :':' 0 L = XYz.2)2 (u reeultado dd método L para 6 ( u ( 10. [. El Jacobia¡¡o estó dado por . De un¿ manera análoga podemoe obtener el Al deriva¡la con respecto a ¿ 8e encuentra (u . Considére¡e u : xy2 . 2. u = x2 y .u2 t< 7) uztga-rls < L26'u 6 1 64u 1u2 < Eata región ee muesba eombreada en la Fig.

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

-*) = 1 2.to ¡iu>0yg(u):O¡iu(0.cAP.9 t¿nemo¡ ftutrt = arf que con ¡ : 2 ffi:*+#t f(ylz\=g#f=+ P(Y=rlX=2\=/(1l3r=*z (ó) .241a función de den¡idad pedida es la convolución de f t y fz y eetá dada por c@) = ft*fz = f' fr(o.26. HaJlar (al f(y l2).2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD 61 2.8.25.f 2* f1 (Propiedad 1. (b) P(Y : 1lX : 2'¡ pan la distribución del Problema 2.<0 L0 ü>o * fg"-to a=o " frfu\ '-\e' =1l0 a<0 Y. 2.- u de tal maneraque u = u-u. (y) respectivamente. Y son variables aleatorias independientes que tienenfunciof. Y son variables aleatorias independientes que tienen funciones de densidad ft@l =112"-t' .f2(u-t:ld. (o) Empleando los ¡esultado¡ en los Problema¡ 2.u = (.u:-dw.8 y 2.{olf2(u-olito = f t* fz que es la conuolucidn de h y fz. En este caso la función de den¡id¡d eonjunüa et f(x.27.l) = 6(e-zt .olver el hoblema nes de densidad f t@)..f¿ .f .e-tr¡ f -'.24. Por tanto Cful = | JO f! (2e-2ül(ge-sru-u))do (" = 6"-su.a J_ú En el integrando f1 se anula cuando u ( 0 y f2 8e anula cuando u ( u. Ve¡ific¡ción: ao ifui = 6o. Si X. Demostra¡ gue fi t. halla¡ la función de densidad de su sumao U = X Por el Problema 2.ar@u .rru-u)f2@t)(-d. obtenemos (-' Ítrfz = .o{üau = tfo'k-r"-"-rv\d. de densidad de U: X * Y e¡ y): f t@) fz(yl. pígna 47\" Tenemos Ít* fz = | /r(") fz@-o) Jo=-a Haciendo fa da u)= a.d.23 la función s(ul = t'. 2. así que por el Problema 2. R'ex.fw=n .23 si X.w) = (" DISTRIBUCIONES CONDICIONALES fz@\lt@-u)dut = fz'ft "/u=-n 2.

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

la función de densidad estd dada por .G't = lI 0<¡<1 | 0 de oEa forma f zfu) : tf f 1 ofY=1 o de otra forma Entonces ya que X. R es la dista¡rcia del impacto desde el centro del objetivo. Hallar la probabilidad de pegar en el blanco. Jo L /r)'lo' = \a/ --) r de lo cual c = 312a. fz(A) : AaQ-A2').t L \a/ 2. y) puede expresarsecomo una función de r por una función de y.A\ = 8rA.32.ls rbF /"\2-1. Determinar si las variables aleatorias del Problema2. Dos puntos se escogen aleatoriamente en el intervalo 0 < de que la suma de sus cuadrados sea menor que 1.rrrro. la¡ funcionee de densidad de X. : T zalo lr-(i) Jl.[t .r'lúttr = Í"' fo" &or : . htotdda -- Ío' 2.(. + f t@) Í2fu). = lo'Ar"d.2-23.)']0" Aquí. Suponer que siempre se hace impacto en el objetivo. = t. tal conclusión serfa verdadera- APLICACIONES A LA PROBABILIDAD GEOMETRICA 2. Determinar la probabilidad Denótense por X Y la¡ va¡iables a¡ociadas con lo¡ puntos dados. La función de deneidad ertá dada por f(r) r_ /r)rl = "Lt . Entonces la probabilidad de pegar en el blanco es Jo I rb t(.(.29 son independientes.)¿.U) Debe anota¡se que no puede deducirse a partir de f(x.2-21 Puesto que siempre se hace impacto en el objetivo. f(t. que se supone üene radio b. Íis. Puesto que se supone que intenalc igualec tienen probabüdadee iguales.cAP.31.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 63 Verificación: fo' .¡ _.30. y a¡í { Y son dependientes. Y están dadas respectivamente por (r) f . fot rrror¿a = fo 4A$-u2lda = | 7 f"'r. Si ecta ee remplazarí pu alguna reshicción en y no dependiente de r (como en el Problema 2. b(Boz-br¡ =. 2-24). c es r¡na constante y o es el radio del objetivo (véase Fig. que flr. tenemos ("fr. Eeto ¡e debe a la restricción 0 < y < ¡..30.r) = . 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. Y son independientes. ¡ < 1. = . Portanto f(r.21). EnlaregiónsombreadadelaFig. y) : 8ry. Ít@l = 4r?.

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

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

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

u. s(u) Método 2.SeobservaqueXpuedetcmarcualquiervalorentreOyll2.u) s(u = 6r\".Se deduceque .:)a. 2-29.(..ü d. t". Una aguja de longitud a1l cae aleatoriamente al piso.X)* por la hipérbola a Q. )0.r\. 2-29 Fig.'. cuando la región de integración está ümitada El mismo resultado se obtiene para u ( trazos en laFig."\ ) aa a partir de La cual se obtiene la función de densidad marginal de U./ .anto la función de densidad conjunta de U.(. Un piso tiene líneas paralelas a distancias iguales I entre sí.cAP. obtenerños g(u) : f: (+) . asíque 0 s ¡ < t/2.t-zl | _u-r Por....Denotamos porry0cualquiervalordeterminadodeXy@.r du ft t / G(u) = lf ¡gSu Pa¡a u =. Observamos que G(u) = . V es | .la" | J _ l^ tdfr árt l# #l I o 1 | | lo-t -u..y\<t1¡)ar Derivando con respecto a u utilizando la regla de l. Hallar la probabilidad de que la aguja intersecte una línea.f_: t f"-.0 la región de integración ge muestra sombreada en la Fig. (Este problema es conocido como el problema de la aguia de Buffon). + !o'i.IBUCIONES DE PROBABILIDAD arl ú .. 2-30 2.2-29. La función de distribución de U es = o@. Sea X una variable aleatoria que da la distancia del punto medio de ta aguja a la línea más cercana (Fig. También @ puede tomar cualquier valor entre 0 y ¡l2.y¡aylar * [o'll:-' r(r.eibniz. a Fig..2l VARIABLES ALEATORIAS Y DISTR.1)* = Í:"ár('.36.r\. 2-30 )' Sea @ una variable aleaüoria que da el ángulo agudo entre la aguja (o su prolongación) y la línea.ú J _* = J_-..

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

1 y 2.46. Hallar la di¡hibución de probabilidad de Z. (a) construi¡ una tabla que muestre la distribuci6n de probabilidad de X V (b) representar gráfrcamente la di¡tribución. Una variable aleatoria X tiene función de den¡idad l(x) Ilallar (o ) = 1o = (ce-g" c)0 rso (d) P(X < 1).42. Comparar los re¡ultados con los Ejemplos 2.cAP.44. 2.47. Hallar la función 2. (ó) P(1 < X < 2).38.47. (c) Problema 2. describiendo la relación entre ella¡.rlo s VARIABLES ALEATOBIAS Y DISTRIBUCIONES DE PROBABILIDAD DISCBETAS 2. 2. Rnpre*ntar gráfrcamenüe las funciones de densidad y digtribución. 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. (D) Problema 2. (¿) P(X > r. (a) Construir una üabla que muestre la distribución de probabilidad de X V (ü) FUNCIONES DE DISTBIBUCION DISCBETA 2. repreeenüar gráficamente la di¡tribución.19.46. Obtener l¡ función de dishibución y su gráfica para el (o) Problema 2. Si se extraen doe bolas aleatoriamente sin remplazamienüo y X denoüa el número de bola¡ blancas.39. (c) P(X >21.on remplazamiento. de digtribución para la variable aleatoria del Problema 2. La función de probabilidad de una variable aleatoria X ee muestra en la Tabla 2-7. (o) Conetrui¡ una tabla que indique l¿ función de dietribución de X y (b) representar gr6ficarnente e¡ta función de distribución. Una variable aleatoria X tiene función de deneidad f(n) = | "r' 1 "r L0 L< aé2 21r13 de otra forma . 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. Resolver el Problema 2. (D) P(l < X g). Obtener la función de distribución y su gráfica para el (c) Problema 2. (dl P(X < 3). 2.38.41. Una urna tiene 5 bolas blancas y 3 neg¡a¡. La Tabla 2-8 muestra la función de distribución de la variable aleatoria X.4L. (o) hallar la di¡tribución de probabilidad para X V (b) repreeentar gráficamente la distribución. = Determina¡ (o) la función de VABIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 2. probabilidad.E¡ suplernenta. 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¡¡.39 si s€ extraen las bolas c. (r) P(.41.18. Una moneda ¡e lanza tres vece& Si X es l¡ variable aleatoria que indica el número de caras que rerultan.89.2l VARIABLES ALEATORTAS Y DTSTR.42.40.IBUCIONES DE PROBABILIDAI) 69 Problenra. la con¡tante c. 2.48. s).4O. 2.2. 2. (b) Problema 2.

3. Hallar (o)laconstante c. De'rerminar ¡i X Y son independientes. 2 2). 2.56 para el caso donde las variables son continuas. (cl P(llz < X < 3/2). 2.3. Y son independientes solo si poro todos los uolo¡es de x.52. Hallar las funcionee de probabiüdad marginal de (c) X V (b) (c ) y para las va¡iables aleatorias del Problema 2. DISTRIBUCIONES CONJUNTAS Y VARIABLES INDEPENDIENTES 2.57.54.54. (d) la función de dietribución. (c) P(X > 1). (e\ P\Y < 2).69.2.(d)P(Y<{). 2. Demostrar que las variablec aleatoúas di¡ctetas X. E)emo¡trar el resultado del Problema 2. Sean 2. X. La función de probabiüdad conjunta de dos va¡iablee aleatorias discretae )d Y eet6 dada por f(x.ót. f(r) = 1o 0=rÉ2 deotraforma Hallar (a) el valor de la constante c. Halla¡ la función de distribución para la variable aleatoria X del Problema 2. SiP(X:3):0hallar(o)laconstantec.(c)P(|<X<*). 2. Halla¡ la función de probabilidad condicional (o) de Problema 2. cerode otra forma. (fl P(X = r). (g) P(Y = 3).Y = 3).63. Y variables aleatorias continuae que tienen función de densidad conjunta (c(r2*a2) 0Ér< 1. 0= ¡=1 deotraforma 2. y su función de probabilidad conjunta puede expresarse por el producto de rfna función en ¡ y una función en v. (b)lafuncióndedensidad. (b) P(X=2.67.Y>+).ó8.56. (e)siX Ysoninde 2.2. (D) de Y dada X para la distribución del . X dada Y. (d) P(l<X<2).56.70 VARTABLES ALEATORIAS Y DISTRIBUCIONES DE Hallar (a) la constante c. (c) P(X>l).64.60. ¿Puede ser la función (c(I-12) F(r\ = 1o una función de dishibución? Explicar. (c) P(I<X< 2. (b) P(1-12< X <312).49.(b)P(X<+.ñ. Sea X una variable aleatoria que tiene una función de densidad (r. pendientes. (d\ P(X > 21. DISTR¡BUCIONES CONDTCIONALES Y FUNCIONES DE DENSIDAD 2. Halla¡ las funciones de distribución 2. (b) P\X'> PROBABILIDAD [CAP. y): cxy parar: L. marginal (a) de X. Y = 2). 0< gr< 1 f(r'u) = 1o deotraforma Determina¡(o)laconstantec.!: L. (b) de Y para la función de dencidad del Problema 2. La función de distribución de una va¡iable aleatoria X está dada por 2.

< 5 < @.paraloscaso¡ (al g. Hall¡¡ la densidad condicional de (c) X dada Y.2. hall¡rladensidadde Y = tan-rX.7O. 2.67. (*e-2. (b) Y dada X. Sea la den¡idad de X Í@l = Halla¡ l¡ densidad de (¿) 3X (l/2 to -l<r(l deotraforma . -.66.*.72. (c) r¿. 2.6!. u >0 n1O 2. -a <a < .cAP. Veúfic¿r que la integral de gr(?r) en el método 1 del Problema 2. (ü) *.página46. Si X tiene función de densidad f(r) Hallar la función de den¡idad de l"-. 2.63. para la digtribución del Problema 2. si f(r.(ulZ 0. (b ) Iluatrar el re¡ultado en la parte (a) erco$endo f(rl = i: l0 y verificar la solución.. (o ) Si la función de den¡idad de X es f(r ) hallar la función de densidad de X3 . DemostrarelTeorema 2-3.71.62. Y. (ü) Y dada X.66.2L e¿ igual a 1. de otra forma [^ la función de ilen¡idad conjunüa de X.57 .rl:j"<s<L Hallar la funcióa de den¡id¡d ondicional de (a) X dada Y. Sea dada X.. hal|arlafuncióndedén¡idad deY=*. y>0 f@. Completar la labor necesa¡ia para hallar gt(u) en el método 2 del Problema2. l. (bl Xs + 1.69.@) < 0.(¿) S 0. Demo¡tra¡ el Teorema 2-2. (D) Y CAITIBIO DE VARIABLES 2. 2. Hallar la función de densidad condicional de (c) Xdada Y.64.p6gna 46.2l VARIABLES ALEATORIAS Y DTSTRIBUCIONES DE PROBABTLIDAD 77 2. Siladen¡idaddeXes f(r)=U"(r2 *1).2I y verificar su reapuesta. 2. SiXüienefuncióndedenaidad f(r):(2v)-r/2"-érz. 2. (e-(r+u) x>0.6t. . 2.at = 1. n)0 = to r=o Y: X2. 2.ú = { 0 J^ ^¿_. 2.

Doc puntor ¡e seleccion¡n aleatoriamente ¡obre un segmento de lfnea cuya longitud a o ) 0. y tienen función de den¡idad onjunta f(r'u) = y tJ (e-(t+vt r>0. < U < @. osv51 to deotraform¡ la función de densidad conjunta de Y. (bl V = XzY.72 VABIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD Verifica¡ por medio de integración directa [cAP.8E. CONVOLUCIONES 2. 2.75. f.R y @¡ott tt. hallar la fi¡nción de den¡idad conjunta de U y V.r""""va¡iablesaleatoria¡taleequeX:R co¡O.8O.79. V = X I Y. para hallar la función de den¡idad de U = X + Z.halla¡ la función de den¡id¡d de (a) U : XYz. 2. Sean X. ofrf 1. 2. Si X. yz0 deotraforma {o = X/Y.74.76.77.22 pare. -e 16 1o.7t. Emplear el Problema 2. Si la¡ va¡iables aleatorias independienteo X1 y X2 están di¡tribuidas idénticamente con función de den¡id¡d | (t) f te-t t>:0 L0 ú<0 hallar la función de den¡idad de X1 * X2. Re¡olver el Problema 2. Y variables aleatoria¡ independientes didribuid8r idénticamente con función de den¡idad (l f(t) = Hallar la función de dengidad de X 0<¿<1 deotraforma 1o * Y y verificar su ¡olución' 2. .a) = (2r\-rs-(r2+Yt). y:8 ¡enO demoeEarqne la -@ I e¡ ob\=i ¡r"-tz/2 r=0 r'(0 l0 2.t2. 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.21 primero efectuando la Ea¡rdormacií¡ 2Y 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. Hallar la función de dengidad de Z = XY.2 2. APLICACIONES A LA PROBABILTDAD GEOMETRICA 2. Sea l(n'u) = ){ (1. Sean X. 2.).t1. Si.76. l¡ función de den¡idad conjunta h¡lloda en el hoblema 2. Y variables aleatorias que tienen función de den¡idad conjunüa Í@. Sean función de densidad de X.22.emosha¡que (a) lt*(fz*fs)=ft*fz*ft*fs' (b)/rt'(lz+fs) =(/rof)*fs' = Z y lttryo utiliz¿ndo convolucione¡ 2.

¿Cuál es la probabiüdad de que tome el meüro? Se sabe 2. Una va¡iable aleatoria X tiene función de densidad l$tr-¡z) o<¡51 f(xl = t..t¡. Supóngaee que 2. La función de probabilidad de una variable aleatoria X está dada por f(r) dondep es una constante.. encontrar c.¡¡ue. (a) Demostrar que para una constante c apropiada. (o) Deüerminar a (b) Hallar la función de di¡tribución. P(l<x<2. (d) P(l <x<21. P(r=1).Y=ll. f(r) = ( cre-22 r >. (c) Representar gráficamente la función de den¡idad y la función dedistribución. F(rl = 1"0_"_.cAP. r :1. X.(d)HallarP(X> 1).2l VARIABLES ALEATORIA. 2.1. 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. Halla¡ (o)P(0 < X< 3).E8. y la¡ 3:80 P.91.9O. (c) Repreeentar gráficamente la función de probabilidad y la función de distribución.9L ¿cuil ea la relación en'tre la¡ rcluciones (c). (d) y (e)? Jurtifrc¡¡ .ln 2)lZ. 2. 2. 2. 8i no lo toma.u r€. e¡ la función deprobabilidadparaunav¡¡iablcdeaüoriaX (o) Determinar c.S Y DISTBIBUCIONES DE PROBABILIDAI) 73 2. M. tomará el metro.DoopuntosPyQ se escogen aleatoriamente sobre AB y CD reepectivamente. En el Problema 2. t)o es la (0 rS0 (b ) Determinar P(1 función de distribución para una variable aleatoria X.0 {o deotraforma X. (d) Hallar P(2 = X ( 5). (e) HallarP(2 s X< 3).t7. Un¡ pcr-na decide 6 minuto¡. es la función de densidad para una variable aleatoria 2. Supóngase que f(r) : cl3t.E4. 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 . (b)P(X> 1). ' PROBLEMAS DIVERSOS 2. deotraforma Hallar la función de densidad de la va¡iable aleatoria Y: X2 y verificar ¡u ¡olución. .92.. (e) H¡tlarP(X > 3). < X < 2). AB yCD tienen longitude¡ de 8 y 6unidadesrelpect¡vamente. 2.t6.86. 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. Dos segmentoe de línea. M. . Dos variables aleatorias independientee.GlP(x+r>1). (b) Hallar la función de distribución..t9.

Y está. 0 os¡=2'o<Y=' de otra forma 2 (o) Determinar ei X.78 y (b) el Problema 2.2 2. ¿por qué? +l En el Problema 2. 2. X Y va¡iable¡ aleatoria¡ que tienen función de den¡idad conjunta f(r. Y variables aleatoria¡ independientes cada una con función de densidad . (c) Iüllar p(x<rlz. . Demo¡trar que la función de den¡idad de X s(u) I @# u=0.1ü1.79 a tres o má¡ va¡iables.101.). 2.93 ee cumple que P(X > +. (d) Hallar 2.. x. Generalizar (o) et hoblemz 2.. y > 1). u=0.. /(z) = 2.91 halla¡ la funciónde den¡id¿d de (o) X2. Y son independientes.98. y < g) = p(X > p(y < +. nal de X y f. (c) Dererminar si X y Yron independienter.96. (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. (c) HallarP(Y = r)..94. La función de probabiüdad conjunta para las va¡iable¡ X. 2.102. + y. Estudia¡ ¡i considerra que eltar oupoeiciones Bon realistas y cómo podrÍa mejorarlas si no lo son. (b) Hallar p(X>tlz).X2 + Y2.s7. En el Problema 2. Y está dada por I r/9 r/6 r(r. Sean X.(d)lafunción Hallar(o)laconstantec. Y son independientes.L se rompe en dos parües. * Y es ) 0.(c)lafuncióndedensidad 2. (b) ttallarP(l S X< 3. 2. (b) X Si -X. (D) Hallarp(1 <x<1. dada en la Tabla 2-9. (d) Harlar P(Ll2 2.Y<312). ¿Cull er el análogo del teorema de la convolución para variables aleatorias di¡creta¡? Ilustrarlo usando el hoblema 2.y>1).. ¿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. Un¡ estaca de longitud .93.0<U<t de otra forma P(X + (a) Determinar ai Y> rl2r.L.74 VARIABLES ALEATORIA"S Y DISTRIBUCIONES DE PROBABILIDAD sean lcAP.2.(b)P(X>Ll2.101. 2.ur = {"-'o |. Supóngase que la función de probabilidad conjunta de las va¡iables aleatoria¡ X.1.( tt ( -.2.(u) = ¡1e:r donde l. o<Y <2 | c(2r+Y) o(¿(r' o de otra forma I (marginat)deX. -.a) = de deruidad (marginal) de Y. t2<X< l).96.. Hall¡r ta función de densidad de Z . f tienen función de den¡idad conjunta f (r' u) = t o llla 0(¡(U.103.y> 1/B). Sean -(_ Y vari¡ble¡ aleatori¿¡ independiente¡ di¡tribuidae idénticamente y con función de densidad (2v)-r/2¿-úr2.99.

1O7. Un piso ertá con¡huido de cuadrado¡ de l¡do L Una aguia de lon¡itud o1l a lanza al piro. Ilallar (o) P(X > Y< +r. (¿) 2. 0121L o de oha form¡ 1. . Un haz cilínüico de partícula.IBUCIONES DE PROBABILIDAI) 76 2.1O4. En el Problema 2. Pa¡a una aguja de longitud dada ¿cull debe ¡er el t¡do del cuadrado en el Problena 2.107 halla¡ la probabiüdad de gue una ¡rarüfcula pegue 8l objetivo entre A = O y0 : Í14. función de den¡ided conjuata de tres variable¡ aleatoriea X. 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.z) Demo¡ka¡ que au¡que = ito-""trtcosracos¡rz :. - 2.'"L'.ri"r" dos de esta¡ va¡iables aleatoria¡ eon independientee.2l VARIABLES ALEATORIAS Y DIÉ¡IT. Z> $). 0< y1l.10t. Si es l¿ f (r'a' z) = ( 1 rv2zs 01r11. Z.¿. er igral a o(4t o\ltf .s de radio q e dirige haci¡ un obietivo hemi¡férico ABC co¡ centro en O como ¡e indica en la Fig.J'v 1r' o1z.cAP.109. 2. es decir ¡ur factores funci6n de densidad marginal. c Fis.. Supóngase que la¡ variable¡ aleatoria¡ X Y. 2-32. P(Z<X+Y). dada por Ilemochü que la dirtribución s(o) = lcosa 0<c<n/2 deohaforme {o donde 0 es el ángulo que la línea OP (de. 2.106.ede O a cualquier punto P del objetivo) forma con el eje.a.2-32 2. Demorbar que la probabilidad de que l¡ atuja intersecte al meno¡ un liado. Y.1O4 para que la probabilidad de intersección ¡ea mádma? Erpücar ru rcluci6n. la! b€s no son independientes.1O5. r *"loq. Z tienen función de den¡id¡d conjunüa r(r.

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

= Ío'tro. Y) se obtiene por aleatorias se hacen fácilmente. entonces (6) Elsul = f.'. .f"_rt" -2x'¡f@)dx . Así por " -Ur. E'ex2_ zx) . 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"\ +'.. Els(X.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.a) f(r.ables X.3. .¡0.) = ) i 2.2.y) r)r d..r(r)dr = Í. Por tanto en un juego honrado es de eeperarse pagar $5 EJEMPLO 3.Entonces Y FTJNCIONES DE VARIABLES ALEATORIAS Sea X una variable : g(X\ también (¡ | s(¡)==y) es una variable aleatoria y se deduce :* 1. y\.2.fo" .con función de densidad f(r). Y son variables aleatorias independientes. 0<r12 de otra forma E(xt = Í:_.rrr-z.) /(". Si s(r) /(¡) X es una variable aleatoria.y \7) 3.Jf*f g@. Si P(Y=v¡: X es una variable aleatoria discreta con función de probabilidad /(¡).. Y son variables aleatorias.l(ir) a' = * : cE(X) ALGUNOS TEOREMAS SOBRE ESPERANZA Teorema 3-I: 3-2: 3-3: Si c es cualquier constante.=+ aleatoria.. Y son dos variables aleatorias continuas con función de densidad conjunta f(r. Se deduce que el jugador puede esperar una ganancia de $5. Si X es la va¡iable aleatoria del Ejemplo 3.= *|. entonces E(cX) Teorema Si (s) X. + g(x")f(n"\ (5) = É' s(r.(i. entonces - E(X+ y) = E(x) + E(y) entonces (e) Teorema Si X. E6n : E(X) E(Y) (10) Generalizaciones de estos teoremas se hacen fácilmente.oO¡f@)dr Generalizaciones a funciones de dos ejemplo si entonces la esperanza de g(X.Y)l EJEMPLO " = ¿-.cAP.

entonces la varianza de X tiene unidades cm2 en tanto que la desviación típica tiene las mismas unidades que X. x^Si (1t) es X es una va¡iable ale¿toria continua con función de densidad f(r). ("-i) l.78 ESPERANZA MATEMATICA lcAP. la desviación típica se denota por o en cnmbio de o*. La situación se representa gráfrcamente en la Fig..media y se le denota por t. Si es una va¡iable aleatoria discreta con función de probabilidad entonces la varianza es a'l = E[(X.4..NOS TEUREMAS SOBRE VARIANZA Teorema 3-4: é: donde p = E(X\.- y la desviación tfpica "=\F=+ Obsérvese que si X tiene ciertas dimensiones o unüadeq por ejemplo entímetros (cm). Es por esta rcz6n que con frecuencia se utiliza la desviación típica. ALGI. EÍ(X -p)'l = E(Pl - p2 = E(X') . es decir cm. De acuerdo con el Ejemplo 3. varianza (o la desviación típica) es una medida de la díspersión o wriaeión de los valotes de la variable aleatoúa alrededor de ¡r. Si los valores tienden a concentra¡se alrededor de la medi4 la varianza es pegueña.p)r) = 2 @. Fis. plrf(a) ee\ Donde no exista lugar a confusión. en tanto que si los valores tienden a distribuirse lejos de la media.¡.)2 f(n) ita (151 I-a. 3-r EJEMPLO ' 3.3 TI|' VARIANZAY I.+ (a"-plzlln que eslavarianzade turconjunto dez númerosf¡ ¡ . V la varianza por o2. ¡.tr71x-¡l f(*)..2 l.. Entoncec l¡ varianza re encuenha por 02 = r/ t\21 tl("-n/l es / ¡\2 (z/ 2 ¿\r/f \ .t)rl = Í__ O - ¡.("-á) rota" = J. Hallar la varianza y la desviación tfpica de l¡ va¡iable aleatoria del Ejemplo 3. &1. la varianza es grande..A DESVIACION TIPICA Anteriormente e_n la página ?6.l0(Xll (161 .2. entonces la varianza "? = EÍi/.¡ media 6 p = E(X) = 4/3. +. = J-.. anotamos que la esperanza de una va¡iable aleatoria X frecuenüemente se le llama la. . 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.'¡* = .p)rf(xtl = X (rEn el caso especial de (13) (I3) dondelas probabilidades son toda¡ iguales. tenemos ¿ = l(u-p)r+(rr-p). para el caso de dos distribuciones continuas con la misma . A la raíz cuadrada posiüva se le llama ladesviación típica y por úx = t/@ X = ..

. Teorema Var(cX) -- (17\ 3-7: Si X. Y son variables aleatorias independientes.cAP..'.6¡.)-l-¡t"i* "' * (-r)'¡.. = i(r. . En palabras.. La relación entre estos momentos se expresa por @5) t". Tenemos p.l (r) du -.x---yUna propiedad importante de X* es que ti"rr" nombre de normalizcdc.. Las variables normalizadas son útiles para comp¿üar diferentes distribuciones. esto es. MOMENTOS El momento r de üna uariable aleatoria X alrededor de la media p. o se toma como unidad al medir X . 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. : E[(X ..' @61 . es decir -"Ol cero y vayianzal.l.p)'l @2) donde r:1. l.*y o?-v : = ol o2* * o2.yenestecasohayfórmulasanálogasa(23)y(24)enlascualesp:0..r.lJr:0y¡re : 02. también conocido como el momento central r. Los valo¡es de una va¡iable normalizada se denominan algunas veces referencias tipificafus y X tipificadcs (es decir.a)" 1es mínima cuando a : p : E(X). VARIABLES ALEATORIAS NORMALIZADAS Sea X una variable aleatoria con media ¡r definir una uariable aleatoria normalizadd como y desviación típica o (o ) 0). Entonces podemos @ol x* .esdecirelsegundomomento central o segundo momento alrededor de la media es la varianza. o2* + (18) (19\ Generalizaciones del Teorema 3-7 a más de dos variables independientes se hacen fácilmente. y) = Var (X .j=l ti. se define como p. se dice está expresada en unidades sín dimensiones. .fi' f continuas) X alrededor del origen se define como pi'= E(X') dc:cler:0.Y) = Var (X + (Y) ó Var (X) + Var (Y) 6 Var (X) + Var o2.2.f@) = )(rf@ p)'l\r) (variablesdiscretas) (variables \23) (24\ t'.3l Teorema 3-5: Si c es una constante ESPERANZA MATEMATICA 79 c2Yar(X) Teorema 3-6: La canüdad E Í6 . = 7)l momento'r de . Sededuceguel. + "' + (-\'(. = pi- (l)r.¿o:1.2.p). la varianza de la suma de variables independientes es igual a la suma de sus va¡ianzas.

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

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

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

cAP. 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. E(Y lX = r) = E(Y) si X' }z son independientes. 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 ¡.* Con frecuencia eb conveniente calcular las esperanzas empleando la Propiedad 2 y ¡ro directamente.o - *r).tf*rf@lx)da _^ Obsewamos las propiedades siguientes: @5\ donde "X: N" debe entenderse como x 1X S r * d¡enelcasocontinuo. I nlv les. Entonces si e es cualquier número positivo. 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. VARIANZA Y MOMENTOS CONDICIONALES Si X.. Definimos la espensnzrt condicio¡wl o media condicio¡wl de Y dada X por E(ylX:r) = .glX -. f@ln) da alrededor de cualquier valor c como = E(Y lX: *).YautoV YbussonindependientesdeX.:}(. Una no puede decidir si conducir o tomar el bua. El tiempo promedio de viaje a una ciudad lejana es c horas en automóvil o b horas en buó.rr - *r\2 | X = r) = Í_- . y)lf t@\ donde f1(r) es la función de densidad marginal de X. Y tienen función de densidad conjunta f(x. P|X-pl | 3. asf que lanza una mor¡eda. de Teorema 3-18 (Desigualdad de Chebyshev): Supóngrise que X es una variable aleatoria (discreta o continua) son media ¡t y vañanza o2 finitas. para una moneda honrada. X. x = a) = Í__. EJEMPLO E(Y) : . ¿Cuál ee su tiempo de viaje donde Aquf eetamo¡ considerando la distribución conjunta del resultado del lanzamienb. { Y: Yauro si X:0.) s 4 rr | / (58) (5e) o. 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). 12 y 3-3 también son válidos para la esperanza condicional. = r)f 1(r)dr 2. - al.tf. Tambiénpodemosdefinir elmomento condicionalrde YdadaX a\. 1. Un teorema importante en probabilidad y estadística que revela una propiedad general de las y varianza finitas se conoce con el nombre de desigualdad. p€rsona eeperado? 3.3l ESPERANZA MATEMATICA 83 ESPERANZA. Kti a2 P|X - pl> ko) k2 .r"siX:l. f : Y6. y el tiempo de viaje.con.Presuntamenb.5. yl.LosTeoremas 3-L.

tres o más valores que tienen relativamente grandes probabilidades de octrrrencia.pero cuando n '+ @. Teorema es una consecuencia interesante de 3. . lim + X" (n=L. Con li31 frecuencia este resultado se denomtna ley de los grandes números en forma fuerte. cada una con media g y varianza o2 finitas.75 Literalmente..25 6 P(lx-pl<2"\ > 0.10 6lO% y se Fig. Xn. r): 1l2. =o "( *-" =. se implica la ley débil. En el caso de una üstribución discreta puede no existir una mediana única (véase Problema 3. la probabilidad de que X diflera de su media en más de 2 desüaciones típica8 €8 menor que o iEral a 0. equivalente.3 3. Moda. el ánea a la izquierda de r./n difiera de su valor esperado ¡¡ por más de e. Sean X. En tales casos decimos que la distribución es bímodal. es que p con probabilidad uno. . Si h : 2 en la desigualdad de Chebyshev (59 ) vemoo que P(X-pl>2s) í= 0. en contraste.) Sn/n (60') Puesto que Sn/n es la media a¡itmética de X1 . La moda es el valor que con mayor frecuencia ocurtre. Los valores que corresponden a tales áreas se llaman uolorcs percentila o simplemente percentíhs.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.25.ro sería 0.75.. y.. 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. Mediana La mediana es el valor de r para el cual P(X = x): P(X.6. 3-2 es c.84 EJEMPLO ESPERANZA MATEMATICA lcAP. En tal valor r. también se emplean otras dos medidas de centralizaciiln.. . tiene la mayor probabilidad de ocurrir. Aunque la ntedia es la más empleada. Un resultado más fuerte. trimodal o multimodcl respectivamente. realmente es falso. Estas son lamoda y lamediana.. la probabilidad de que X se encuentre dentro de 2 dewiaciones típicas de su media es rnayor que o igual a 0.. Algunas veces tenemos dos.3-2 . el resultado del Teorema 3-19 se llama ley de los gundes números en forma débil. llamado la ley de los grandes números. . . variables aleatorias mutuamente independientes (discretas o continuas). Cuando se hace referencia a la "ley de los grandes números" sin ninguna especifrcación. : Xt* Xz+ . Xz. 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.q en la Fig. este teorema establece que la probabilidad de que la media aritmética S.19 (LeV de los gnndes números): Entoncessi S. 2.\. 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. tiende a cero : g. Así por ejemplo el área a la izquierda de la ordenada eD f. f(r) es máúma. que esperamos sea verdadero. o en otras palabras. Por ejemplo..2. la desigualdad de Chebyshev. 1. . .34).

OTRAS MEDIDAS DE DISPERSION Así como hay varias medidas de centralización además de la media. 3-5. 3-3 F'ig.p)n] o* p+ o4 (64) . es decir D. En otros casos la distribución puede ser relativamente plana como en la cun¡a a trazos de la Fig. como en la Fig. 3-{ Fis. Sesgo. Si la cola más larga se extiende a la derecha. Una de las medidas es 'il "ü"é D[(x . Algunas de las más comunes son las siguientes.(X) X se define como la (6f ) ) lr. hay diferentes medidas de dispersión o variación respecto de estas medidas centrales además de la varianza o desviación típica. se dice que eslásesgada a la izquierda. 3-5.1. Fig.tlf(r.zs) es el reconído semi-intercuartílico. Para una o. Recorrido semi-intercuartílico. 1. M. 3-3. esperanza Desviación media La desuiación media (D. se dice que la distribución está sesgada a la derechc. Medidas del grado de apuntamiento de una distribución se llaman coeficientes de curtosis o simplemente curüosis.p)3] ps (63) que es una cantidad adimensional. como en la Fig. El recorrido es la diferencia entre los valores más grande y más pequeño de una distribución.) de una va¡iable aleatoria de lX.(X) D. mientras que si la cola más larga se extiende a la izquierda.ts .plf(r) (variablesdiscretas) = DllX-¡. 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.cAP. La mediana sería la quincuagésima percentila (o quinta decila'¡.25 se Ilama el recorridó intercuartiticoy Il2 (x. o negativa si la distribución está distribución simétrica o¡ : 0. Cu¡tosis.r5 y x. Con frecuencia una distribución no es simétrica con respecto a un máximo sino que üene una "cola" más Iarga que la otra. Una medida empleada frecuentemente está dada por "4 :-_-----i--: E[(x. Las medidas que describen esta simetría se denominan los coeficientes de sesgo o sencillamente sesgo..É.ts .11 : (62) SESGO Y CURTOSIS 1. Recorrido. 3-4. Lógicamente.ll : f_.r representan los valores de la vigésima quinta y la septuagásima quinta percentila la diferencitrc.l dr (variablescontinuas) : EllX -¡.r. 3-5 2. 3. esta medida no tiene sentido si alguno de los valores extremos es infinito.O . 2. La medida es positiva sesgada a la derecha o a la izquierda respectivamente.3l ESPERANZA MATEMATICA 85 llamaría la décima percentila (o la primua decilal. M.M. Si r.x.

'(*) . [.. Y los puntos que aparecen sobre los dos dados.'(#)..s.'(*). js = !+ | + á + # +. por el Teorema 3-2.3.(+). que tiene un coeficiente de curtosis igual a 3. 3. Sin embargo una lotería gana dinero. El precio justo a pagar por un boleto es 6 peeoo.41.02) + 750 (0.ero que se ganará un boleto..86 ESPERANZA MATEMATICA lcAP.002) + 3000 (0. 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 3.002.3 que es una cantidad adimensional.(i). hágase á..9?75) : 6.'(+). . Tenemog E(x) Entonces.os diferentes valores de X conjuntamente con sue probabilidades se muestran en la Tabla 3-2... Hallar la esperanza de la suma de puntos al lanza¡ un par de dados honrados.02 750 0.(i)" = +.1. ¿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:. La esperanz¿ de X en pesos es r (pesos) 150 0.977t D(x): (150) (0.2. Véase también Problema 3.0005 0 P(X : r\ 0. el precio del boleto sería más alto. = 1 PorüantoS:2.. s = . Entoncee Restando. pero los definidos anteriormente se emplean con mucha frecuencia.0005) + (0) (0.. Por ejemplo la probabilidad de obtener uno de los 20 boletos que dan un premio de $ 750 es 20/10 000:0.. Sean X. Es posible definir coeficientes de sesgo y curtosis utilizando otras medidas de centralización y dispersión.o\El = t7 \o.002 3000 0.) E(xt = Para halla¡ esta suma. Comúnmente se compara con la curya nonnal (véase Capítulo 4). En una lotería hay 200 premios de $150.(*) .z. |s = i . 20 premios de $750 y 5 premios de $3000 Suponer que se colocan a la venta 10 000 boletos. - E(Y) ^/t\ = tll) * \o/ "' . Problerna./ 'l*)* 7 E(X+Y) = E(X\*E(Y) = 3.00 ó 6 pesos.

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

Si la¡ va¡iablec X. Demostra¡ el Teorema L4.r. con las eumas apropiadae remplazadas por integracioneg.(+)-Fr.'/'Q)2afztu) .\2 ^a = f-('-L)''"-"0' = i = El(x-r)21 E(xz¡-ll(x))2 = t. o. página 77.)'= i o = tFf-var(x) = \E = t r" : Ot¡o ¡nétodo. Tenerno¡ E'(x ^"' * u' -'u. independienteo."*' ""'*"' =i'|í'. Pa¡a va¡i¡blee dependientec generalmente no ee cumple. y) la función de probabilidad coniunta de X. Entonce¡ l¡ varianza e¡ Var (X) = Etá .1/2.)'= * Var y. var(X) (D) 3.10. tenemos E(X): E(Y)= 7 12. y) puede expresarae como una función de r multiplicada por una función I. Demoshar el Teorema 3-3.2. por el Teorema 3.9. Y ron independientee. Por tanto Y. VARIAT'IZA Y DESVIACION TIPICA 3.4. Y rcn E(XY) = 22 Í!J! --t ra f@.*(á) # :%1 Entonces. E(x2) = E(vz¡ ='.(l) var(X) Var (X * ' . tenemoe f(x.:r:¡:* . y. de ¡i X. p6g¡na 78." (')no(')l E(X) E(Y) Si cualquier va¡iable e¡ continua la demoetración ee desarrolla de igual manera. Y ¡on independientes.. Sea ¡t(¡. con¡iderada di¡creta.8. Por el Teorema 3-4. = Wa"(X+Y) = 1/g v6 3.p\zt = '[(* -])'] = l:_ (" _'L)' t*.u) = ) ) .3 3. por el Teorema 3-4.4 l¿ media de X ee ¡t= E(Xl -. (o) Como en el Problema 3. ea decir. Además. puetüo que X.7 Y) = Var (X) (Y) = F (b) ox+).y f t@) fz(a) )1. (o) Del Problema 3. Obsérvese que la validez de eate teorema gira alrededor de si f(. Halla¡ (a) la varianza y (b) la desviación típica de la suma obtenida al lanzar un par de dados honrados.88 ESPERANZA MATEMATICA [cA".7. y): f tG) /2 (y). / . Hallar (¿) la varianz y (b\ la desviación típica para la variable aleatoria del Problema 3. püa todo ¡. = Var(Y) = +-(.(.

\t / \r/ + .px)(Y ./ /\ /"\ = . e¡ decir cuando a : ll. !¡rw-u¡ = L¡nwl-r) = a' o \ (x*) 0 (b) var = u" (?) = \o¡1x - u¡"1 oz =I utilizando el Teorema 3-5.TNCIONES GENERATRICES DE MOMENTOS 3..a)2 pueeüo que E(X ." -. Demostrar el Teorema 3-6. p{ina 79. página ?9. La demo¡tración de (I9).u\(Y .3] ESPERANZAMATEMAIICA 89 3...py) + (Y .ft\tr*"-. página 79. (a) puesüo que E(X) = E(x*t ¡r. Demeshar el resultado (26). + (-r\'-'( n . se ri' y emplear cl Teorema 3-6.:.t:.(i )/.n)21 E[(X . . + r-r¡t('.pv)l * El(Y EI{(X Var (X) + Var (Y) px)(Y pvl2) El(X - - pv)l = E(X .ltx.t . Pr = El(x-pl'l = nfL x.P)21 + (P .r?2.cAP.i..pi E(Y - py) - o ya que X.pv)}21 EllX .r.)¡.lt:0.u. y el hecho de que E[(X tt)z1= 3. Y .px) + (Y .' .-'u \I/ + . . = t(4=\ / =.ar Y gnr -Y .)t(")u'-l + (-t)rpr \. f)e esto vemos que el valor do (t¡ . Demostrar el Teorema 3-7.tt)lo es una variable aleatoria normalizadq demostrar que (u) E(X*¡ = 0' (b) Var (X*¡: 1.r.px)2 * 2(X .2] + zEl(X ..14.o)n = O.-.._i.\x. .í':.!^r_':i. * t-t'(T)t1"'-.pl|. Var (X + Y) = E[{(X + Y) - (px + pv))2] = = = = utilizando el hecho de que .. pág¡na 79. Si X* : (X .págna79.. .12.. mínimo de El(X-o)'l ocutre cuan- 3. Y y por tanto X gue al remplaz. MOMENTOS Y FI..11..(i\*.E(x. * .-iut + "' + (-l)'-t¡ur * (-l)-rnt donde al combin¡r loe do¡ úlüimo¡ término¡ re¡ulta (-l)r-1(?'- 1)p'.ttv eon independiente¡. = .tt): E(X). Er(x-'''.'tut '\'/ + "' + (-L)'-'( t .)"n'-' + (-t)'p'l J \r-r/..EÍ6 .13.t'+ "' + {-r\r\l)r.

= 2 fo'e<t-z>'d.*"-.r|r*frr.(á) = |G.rfr. página g0.+"-. Apéndice A) tenemoe Mxe) = E(etx¡ = n(t+tX-t2x2.-'.16..) cn(ú - o)" cn = i..17. 8-18.(.. For t¡¡to Mx*vQ) = Elet(x+Yr) = E(etxetv¡ : E(etx) E(¿tv¡ = MxG) My(t) 8.-"'ro.ú3x3....90 EspERANzA MATEMATToA [cAp. página g0..2'. M(t) = Eletx¡ = f" J eEf(t)dr fo" ""1. Todo¡ los momentos impares 6on cero y los pares Eon uno. (o) utlliz¡ndo lrr erpaneión en serie de potencia de eu (8..I con probabiüdad 1/2 cada uno. 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.*#. Demoshar (o) el resultado (Br )..t (D)Tenemor hsonce¡ et = e_t t+r+#..r ze<t-Dt : -T=Tlol@ = z li't<2 z-t.1 = .Lf". (r) (zl (I)V e\ = 1_¿+ r+_#*fr_ .* pL=1. -T! \ 12 rg t + tU(x) + ae(xr) +¡a1xa¡ a .) * . = L+tlt*uL#*ri#*. = . ffirol. = L*pt*uLr4. p'+=L.. Y ron independiehtee. Pcto Al comperu Mx(\ tenemog t!:0. (b) el resultado (g2).'.. ¡á=0. (o) Eqetx¡ = ._" 3.. Demostra¡ el Teorema B-9.16..*rá#*u. La variable aleatoria X pugd.*#*.e t-oma¡ los valores 1 y . (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 . cualguier función de X y cualquier función de y son independientes. 'r"') \ . Eltt (o) la función genératriz de momentos y (b) lós primeros-cuatro momentos alrededor del origen. g s.. !utt" quc X.

19.Lp. pi (b 12) dr = -51 ) Utiüzando el resultado (27\.21.. '. El resultado también puede obtenerse del Problema 3.. 3] (b) S¡ lúl ESPERANZA MATEMATICA 91 ( 2 üenemo¡ z_t z L_tlZ 1 I = './ \ -/ = cosa coso empleando las fórmulas de Euler ¿io con 0 * isena s-io = cos. t = )2.r. tenemos ttl t2 = r-(*)'= # = 02 Fr . Halla¡ la función característica de la variable aleatoria X del Problema 3.\." = B t. p6gin 80./!\'_ .17(o) al remplazar t : i<¿ 3.*L*!-L*!*.'. = .'NCIONES CARACTERISTICAS 3.". 3. Jo "ot. al comparar términos../+b(.216 -r. La función característica está dada por Eteiux.17.8?b B6eg 8?50 ztcy q\. Hallar los primeros cuaho'momentos (c) alrededor del origen.". Por tanto.r)\B/ -t\Ei _ ^.i¡en.*.\51 .r. = 27-s\s5.'.) = \ -. /t = \.1!) * r/9)' 85 ". = E(X) =#Í""*z¡s-¡z)itr =f pL tt = Elxz¡ = # 1"" *rn - s2) d. = .216 pi = E(Xr) = . 2 4 8 p'n 16 Pero M(t) = * tt + uí#* rtfr+ tt^fi+ "' = P¡..".cAP. = l(3. Hallar la función ca¡acterística de la va¡iable aleatofia X con función de densidad dada por I r/2a lrl < a f(t) : io deotraiorma . = 2 ^f FI./!\. : c¿..(+) * .-+e i.. . tti = *. (b) alrededor dc la media. "\5/ tt4 y.'''-r2)/8r :"=i.20.(l) -. para unava¡iable aleatoriaX con función de densidad r(r) (c) = i.

= "{lo 4f-o u-n<-.¡xXY .92 ESPERANZA MATEMATICA La función ca¡acterfstica está dada por lcAP.o = 8en Cú.rrrrru.io') = _a2 a2 * o2 COVARIANZA Y COEFICIENIE DE CORREIACION 3. e-(a-i@)¡ 2 a*io l-" ' .ryttx * pxpv = ElXy). página 82.p*y .l*-ei."r. e<o+iarz * Jo ¿-<a-. por tanto por oxy el problema 8.r'..._(a_io) ü a L 2(o* io) 2(a. y eon independientes entonces E(Xy) : E(Xl E( y) .f(r)dr tlÍ-"eíore-o<-x. = *t_""^"0.23. Por definición la covarianza de X.t an + !o' "-"r. Y es oxy = Y) = El(X . arf 2c O + .r = "lÍ:.pv)] = E[Xy .pxE(Y) . Yl = E(XYI -.LJ_-e(a+t@)ro" q. l:. -oo < Í 1 @."-*l* = -Alo = I - Entonces c: ol2.pyE(X) * E(pxpvl = E(XYI .e-ho 2ia.f?o/.. Si X. página 82. Hallar la función característica de la variable aleatoria X con función de densidaa f@) = ee-atEt.3 D(etx¡ = f-.pvX.6-'l "iar¿-. o" = asf que I .* npv] = E(XY) .23 = Cov(X.útit¡) l€ lo lo . + fo* n.donde c ) 0 y c es una constante apropiada.22.Fxpy .lxtty = E(XY) _ E(X) E(Y) Cov (X. Puesto que f(r) es una función de densidad tenemog Í). la función ca¡acterística está dada por E(eiax¡ = . 3. Demostra¡ el Teorema B-15.E(X)E(ts) = 0 . Por tanto. Demostüar el Teorema B-14. úu empleando las fórmulas de Euler (véase problema 3. = 2a io l-o = | al@t la ela@ .20) ceñ d = ao.. . 3.24.c-atxt d. a.o<t> ¿sf .

.a\ .at) = 4.26. E(Y). (b) t 93 (¿) 3.) (e) E(xz¡:22r2f(r.'.ul = )y.ol.lyL47. (/) Var(x).. + (0)(1Xc) + (0X2X2c) + (0)(3)(3c) + (1X0)(2c) + (1X1)(3c) + (1)(2Xac) + (1XBX6c) + (2)(0)(ac) + (2X1)(6c) + (2X2X6c) + (2XB)(?c) 427 ld..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.(1)(1ac) +(2)(22c\ = 58o = E = n 78c E(Yt = 22af.. f"t=u our.:-* J. txv o = oxnv -..o. (d) E(X'). EsPERANZAMATEMATIcA y).r. . 2. (0 p. Ju=o {rú{rr r sl dr dv = .J"-o{o)1"Iuld'rita = I70 6s = tf67580 .y) = E(xy)-E(x\E(yt ?-(it)'=:* = +-/+)l+) = --+ r47 7 \21l\7/ -0. * (1)z(1ac) E(Y2') lllr"t *l =t .= = t/zwan ' 15514. =# =+ = 22u2f(u./zso r/55 -20: = 3. Utilizando c : LI 2LO tenemo¡: (¿) (c) E(xt = E(Y\ E(xY) h + s) dr t. Y se definen como en el Problema E(x) (a) E(X'¡.at) = rr. dy = %T t 16 ri = ñ)"=... página 52.(1)(9¿)+ (2)(L2cl+(3X15c) = = = 22nufia.O.26.lrrr"o*. página 50. [] tA. si las va¡iables X.a\l = .[) ¡@.3.. Y se definen como en el Problema 2.r". (e\ E(Y')..2103 apror."=.. (¿) (b) = ))o/(". sl Hdla¡ Cov (X..cAP.y) = ?rh f(. Resolver el Problema 3.=. (c) E(XY).8. = E= + (c) D(xY. (s) Var(Y).ú = ..*. ..ur".n".o1.or. lr..al = )"rl-)ftr.o.25 si las va¡iables aleatorias X.alf '* = *.-.

X: 2 es E(Y =2) "x = ? r(+) X: donde la suma se toma sobre todo y que corresponde a E(y.2g. * a) dr tru = # otr .(#)' = *tq*$ o2. (o) (ó) E(ylX=r) = Í-_afrtuldau = ír'r(rr")* = + E(xly=y¡ = f_-". [. Esto oru o"oo oo. .28(o). Hallar la esperanza condicional de Y dada X : 2 en el problema 2.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..03129 aprox. Si f(r) es la función de densidad de X entonces . la función de probabilidad eondicional de Y dada X : 2 es ftutz) = Entonces la esperanza condicional de Y dada + 2.y) = E(xy)-E(x\E(y) = ?-(?f)(*t) oxy = -# -0.x=2) = -.27. Hallar lavariar¡. pág¡na 62.29.(#). .var(X) = E(xz¡-ll(xtl2 = #.(#). pág¡na62. Presentaremoe la demostración para variables aleatorias ecntirruas.# E(xz¡ =h Í.za condicional de Y dada 2(L-ys¡ 2(l+y*y2) --¡O+7I- x para eI problema 2.94 ESPERANZA MATEMATICA fu'=o [cAP. 3 (d) (el u') b) (h') (t oxy =# E(Yz¡ = h f. Hallarlaesperanzacondicionalde(c)YdadaXv(b)XdadaYenelProblema2.\r-.rrrr.=o. Como en el hoblema 2.)\t)* J_- donde hemos utilizado el hecho de que ltz: E(Y lX: r) :2.(rlytdr = í"'"(#*S* El=a\ 3. página 61.(ui) .28.g.^:. .27. p= oxoy -200l3969 /50s615e6-0 {r6únsn -200 t/zsnr/te zzs = ESPERA}IZA.30. Demostrar la desigualdad de Chebyshev.(iu) = ii 3. f u'. La demosbación para variables discretas es semejante si ee remplazan las integralee por sumas."=. * v) dx da = cov(x.zlB del Problema 8. = var (y) = E(vz¡ _ l'(y))2 = t# _ (#)' = t.rrr. VARIANZA Y MOMENTOS CONDICIONALES 3.pág1na62. .2g. DESIGUALDAD DE CHEBYSHEV 3..

31.. Para la variable aleatoria del Problema 3.. Por tanto P(lX-rl > 6) 3.04e?e = plr- = 7/4.*X..t)/ = .. '|.|) ol ¿l \l \ o = J¡ | f :l/2 Ze-udr = 1 - e-3 Portanto (b) Del Problema 3.18.* . ". el valor de la integral solamente puede disminuir cuando el int¿rvalo de integración se reduce.) = ¡toz tt Var(S") = Var(Xr*'.). LEY DE LOS GRANDES NUMEROS 3. (b) Utilizar la desigualdad de Chebyshev para obtener un límite superior de P(lX . | \ _ ul=_ . página 84.t <1) = "(l*-*l .x.25 Comparando con (o) observamos que el límite dado por la desigualdad de Chebyshev e¡ ba¡ta¡te crudo. = E(X) = p Var(Xr) = Var(X2\ = "' = Var(Xn\ = o2 Entonces t(*) = "(*'*'..|ww. DeI Problema 3.+E(x")l = L(nt) = = Var(Xr)*.(l*-*l \t o2 =t)/ = 1-(1-e'r) = p2 e-s = 0. ¡¡ (o) = 1/2. /ts r|.32.cAP.*Var(X. como se pide.18.'.t+.'*"') .3l ESPERANZA MATEMATICA 95 02 = EI(x - p)21 (' = J-* @ - p)2 l(r) dr Puesto que el integrando es no negativo. Por tanto 02 t¡z-ttlZe rlr-yl=.(-:. Entónce¡ P1x ¡. La desigualdad de Chebyshev P|X-pl > f) resulta P(lX¡r] = 1) < oz = 0. ¿lr-al=e Pero Ia frltima integral es igual a P(lX - pl ? .ul=') 02 esto se conviertq. Demostrar la ley de los grandes números establecida en el Teorema 3-19. Así por la desigualdad de Chebyshev con Tomando el límite cuando n ) -.¡. En la práctica la desigualdad de Chebyshev se emplea para dar estimativos cuando es inconvenientc o imposible obtener valores exactos.) = o .rl > 1) y compararlo con el resultado en (a).¡rl > 1). (c) hallar P(lX . Tenemos E(Xrl = E(X2l = .18. .) así que t'" (+) = 4 var (s") = * X: Sr/n üenemos _/ls" | \ donde hemos empleado el Teorema 3-5 y una extensión del Teorema 3-?.

9 - -'l 86 - 8l l2r2 = u Entonces . aquel valor deo parael cudlp(X é a): ll2.?3 aprox.[. la mediana y la media se muestran en la Fig.62 apror."on-r2tdr = #(Y-t) 2aa_36a2 all2 hallamoe que *91 = 0 de donde _ia2 = 36a\436P-4(2X81-) . es Í: L. (b) La medianaee 1. eetá dada por = n-Zr/. y (c) compararlas con la media. P(x<a) Igualando eeta = *. que debe enconharse entre 0 y B. El máximo relativo de la derivada es cero. 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. l(r't 3. (a)/ La moda es el valor de 4 asociado con la probabilidad más grande. En este caso probabilidad esLl2. (c) ' E(x) = + ('¡z(g-xz\da = !(t*-+)l'= 8l\ 5/lo 8lJo que prácticamente ee igual a la mediana.33.60 = 1. 3-6. = fr: aegunda derivada. Ahorapara0(a ( 3. Ob¡érvese que este valor da el máximo ya que la -24x 187 .3 OTRAS MEDIDAS DE CENTRALIZACION 3. .¿rL 81 -_l = 'r2) df ar. para el cual la . una va¡iable aleatoria discreta tiene una función de probabilidad f(r) : !12' donde 2.84. ea negativa para x = 1fá. (c) Comparar la moda" la mediana y la media.36='ñ¿r ze) az de donde o = sli{z- q Por tanto la mediana pedida.96 ESPERANZA MATEMATICA lcAP. Halla¡ (a) la moda y (b) la mediana. . r. La moda. . (o ) La moda se obtiene hallando donde la densidad f (x) ea máima. r: 1.. e8to e3 f(r ) ocurre dondc . que ea La moda pedida. . (b) Hatlar la mediana.

Del hoblema 3.33. Determinar los valores de la (c) décima.33(b) tenemos (o) LadécimapercentilaeselvalordeoparaelcualP(X5o):0.". M. tomamos el uolor mínimo de ¡ : 0.l : 2.68 aprox.098 aprox.")[#.19 tenemos 02 ll 25 It3 oo - 32 8?5 -0.33.r - pl f (n) dr = l"' l' . Por tanto Recorrido semi-intercuartflico = ?121 .33.655 apror.37.*l[#. : 1.L21 aprox. (c) Del hoblema 3. (b) La vigésima quinta percentila es el valor de a tal que (L8o2 P\X<a)=#(Y-fl = "# aa -a4¡¡8t \l8L : O.3.cAP.60 : 8/ó. (c) Como se encontró en el Problema 3.33 la media Desviación media ee lt : 1.a septuagésima quinta percentila es el valor de ¿ tal que (18o2 - a4 ¡¡8t: o @a. (b) Por el Problema 3.25.)[#'n . I.esdecirlasoluciónde(18a2 : 0. tomamoseluolor móximo de ¡: 3. Determina¡ (a) el recorrido.33 hallamos que s : 0. PERCENTILAS 3.. Hallar el coeficiente y (b) curtosis para la distribución del Problema 3. o sea ¿ 0.098 y 2.l0. Por tanto el orden de las tres medidac es contrario al del hoblema 3. (b) vigésima quint4 (c) septuagésima quinta percentilas para la distribución del Problema 3.Portantacualquie¡númeroentrel y 2 podrfa representar la mediana. . Empleando el método del Problema 3.r :: .n "¡fa' = Í^" (. es decü 312. En forma análoga puesto que todos los valores ¡ ( 0 tienen probabilidad cero. = - p|) = l_".b1 aprox. OTRAS MEDIDAS DE DISPERSION 3. : 2..35.P(X=r):l12yP(X.? 5.-1998 0. :.10.0 : 3.. Por coneecuencia escogemos el punto medio del intervalo.19. a (c) f.o . (o) Puesto que todos lós valores ¡ ) 3 tienen probabilidad cero.35 los valores de la vigésima quinta y septuagésima quinta percentilae son 1. (" . (b) el recorrido semi-intercuartílico y (c) la desviación media para la distribución del Problema 3. Entonces el recorrido es 3 .121 reepectivamente.36.t):ll2.1253 3693 8750 (a) Coeficiente de sego -: o. Del Problema 3.3l ESPERANZA MATEMATICA 97 (b) Si¡escualquiervalorentrely2. Y CURTOSIS de (a) sesgo 3.'"¡)a' = SESGO 0.")] d' + Í. Entonces E(lX = D.

39. Del Problema 3.. respecto I @ desde 0 hasta 22. .Z.1..x¡ ¿ior¡ = - i -) r^.Iu-| é(o) E1er.r i r)d (¿@ I ¿ir r 1. ..' '^'y'.. De (32).i)o ¡f. puesto que f_"n.39 para obt€ner 14 distribución de probabilidad de una variable aleatoria X cuya función característica es O(<¿ ) : cos .. = o" = M"(0) - lM'10¡12 1.> ]¡xeik.. .1.(". f-ri". . " t*''L i:." ... ú"r**:r... = 2¡p f -o --n . n2. Si M(tl es la función generatriz de momentos para una variable aleatoria X demostra¡ que la media €S g : M'(O.1. yp¡ los coe¡icietttes tte iour¡"r.(ar tra -= k =S o*Ja " ¿i{r'. Qk¡).. . . tenemos remplazando r : L y r : 2.¡ rru. coS c do -e ':.Para una variable ¿leatoria continua.. PROBLEMAS DIVERSOS 3. (b) Mulüiplicar ambos lados de la expresión (r) . 4¡ J..j . la serie de Fourier se rernplaza por la integral de Fourier (véase página 81). que tiene una curtosis de 3. También la distribución distribución normal. como se indica en la Fig.u-¡ .. .40.rf t1o k+j k---j Por tanto rt ¡ P¡ ..l l''. . Sea p. Utilizar el Problema 3.¿.t_ | eú . "" Entonces j f'= " -iia 4. .... o1_o o.. y la varianzaes 02 : M"(O)-ÍM'1O¡12..r-..3 (b) Coeficientedecurtosis = et :.98 ESPERANZA MATEMATICA lcAP. pk 1 12= T. es algo menos apunüeada que la 3€.tlZ Se deduce que hay un sesgo moderado a la izquierda. ti = M'(ol Entonces de (27) tL = M"(o) p = Iú'(0) 3. = I#+i:"-o 2¡ tt'' sr(. (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 -.página 80.. . J.. X una variable aleatoria que toma los valores t n... ¿ k icr_.l ¡rt" ._ ..{o) r/o Con frecuencia llamamos Q$./" . f tl' . - I zt.. = . remplazaudo j por h.n.39 I pt. 3.38.

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

9. 3.44. (c) E(XY).zl \ 'xv\2 "i" "x/ --t-"i = ""*"1-o'*"=-0 ó *=1 '7ní queesequivalenteap2 < "'*"?. + n?. ll2 .!\'Entonees el lado izquierdo puede escribirse El¡. * c2El(Xr ¡x)21 .( ".s suplernent&rio s ESPERANZA DE VARHBLES ALEATORIAS 3.3 3. (cl E(X21. Hallar (a) E(XI. La función de densidad de una variable aleatoria X es /(r) = (e-r r>0 de oüra forrns 10 Hallar (o) Eo(l. Una variable aleatoria X se define | -2 prob. Una variable aleatoria X tiene la función de den¡idad (e-' r>0 /(r) = {l0 ^ ¡(0 Hallar E(e2x/31."Í\"-. (bl E(}X-21. (c\ E(Xt). (b) E(zX + 6).¡. ¿Cuál es el número esperado de puntos que resultan en 3 lanzamienüos sucesivos de un dado honrado? ¿Parece razonable su solución? Explicar. Para cualquier constante real c tenemo¡ . 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).-".100 ESPERANZA MATEMATICA p [cAP. 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). 1/3 por . (c) E'l(X-1)21.49. .otr ___q__ . / .Y El(Y _¡v)21 c(X - Px))21 = 0 / ol.48. Sea prob. I Problerna.47.46. Sean X. Demosbar que -1 < s1 (véase página 82). -2"":'\ -" -* \"r* ) -/ = oí+oil"-.45.Y = ] 3 prob. (b) E(Xr). g. (b) E(Xz *)a2).{) * -. = o?.42.zcEl(X.x)(Y- pv)l = + c2al - 2co*. 3..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. I 1 3.

(b) E(2X2-Y2). 3/4 prob.0=tt<2 lr(t*u) l\x'a) = f deoüraforma 1o (b) E(Y).(zr+y) 0<r='I.cAP. 3. (ó) E6?+ X'r+ . + Xn).48? Explicar.55. (b) E(Y).69. 1/4 Hallar (o) E(3X+2Y). Hallar (o) la varianza y (b) la desviación típica del número de puntos que resultan en un EoIo lanzamiento de un d¡do honrado. . 3. Y va¡iables aleatorias con deneidad conjunta f(r'al = iat' Io o-<:us1' o<tl<1 de otra forma Hallar (o) E(X).0lyf 3. Sean X1 . (c) E(X-rY). 3.. (cl E(XY).2/3 v) | 2 i -a prob.50? Explicar. X2. . 3.54.62.52? Explicar. (d) E(XY). (d)E(XY). Sean X. . (x) = io x>-0 de otra forma Hallar (o) Var (X). 3.49. VARIAT{ZA Y DESVIACION TIPICA 3. E(Y\. Sea X una va¡iable aleatoria con función de den¡idad (1/4 -2f x=2 l(rl = jo deotraforma Hallar (o) Var (X). Y variable¡ aleatorias independientes tales que ^ vt || prob. s) = ] : de otra forma |0 Y). 0f s<I. * Xil.58. (d) E(X2t'). (b\ E(XY) : E(X) E'(Y). Sean X. 3.53.3l ESPERANZA MATEMATICA ¿Se cumple 101 3. (b) "x. . 1/6 Xzl .'.57. Y va¡iables aleatorias con función de densidad conjunta Hallar (o)^E'(X). 3. (b) E(Xy) -. Xn n variables aleaüoria8 que están distribuidas idénticamente tal que | 1 Xt. = I Z [ -_r Hallar (o) E(Xt+ prob. en eI Problema 3..XY\ 2 = E(X) E(Y\.E(X) E(Y). Si /(t. ¿Se cumple que (o) E(X + Y) = E(X\ + Sean X. (b) E(. ¿Se cumple que (c) E(X + Y) = EIX) + E(yl. que (o) D(X + Y) = E(X) + E(Y).51. (b) "x. (ft E(xY). 1/B prob.66. en el Problema 3.7/2 prob. 3. Sea X una variable aleatoria con función de densidad f (e-. 1/3 \o prob. . en el Problema 3. tc)E(X+Y\. (f.50.

3. (c) o¡. momentos al¡ededor de la media están dados por = p1 - ItI"'(. - 1)2] = L0. Hallar el hésimo momento alrededor (a) del origer^. E(X): 2.. En el Problema 3. 3.r02 3. 2\21 Si una va¡iable aleatoria X es tal que E[(X Demostrar el Teorema 3-1. (a ) 3.73.70.6 hallar (a) E(X). (b) de la media.67. (b) Problema 3.43. 3. página 77. 3. y 4o. ESPERANZA MATEMATICA Hallar la va¡ianza y la desviación típica para la variable aleatoria X del Una va¡iable aleatoria X tiene (a ) [cAP.64.44.67 halla¡ los primeros cuatro momentos alrededor de la media. MOMENTOS Y FUNCIONES GENERATRICES DE MOMENTOS 3. 3. Halla¡ Ia función ca¡acterística de la variable aleatoria (a X = 7 ó I prob. 1/2 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. (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. Demostra¡ el Teorema 3-11.(0) + 6M"(o)lM. página 81. E(X2 ) : 8.63.01 - 3M"(0) ¡l'(0) + 2lM'(0\13 Ifrivr(Q) 4M.60. (b ) ox. (á ) Problema 3.61. Hallar (o ) Var (X ).44.. p Prob' g=L-P Hallar la función característica de la variable aleatoria X que tiene función de densidad í'llZa f(r) = 1o 3.72.65.62. Hallar la función carar:terística de la variable alcatoria X con función de densidad f¡): (x/2 io 05rtZ deotraforma . 3. (b) Var (X).71.(0)]2 - 3[M'(0)]4 FUNCIONES CARACTERISTICAS 3.7 lxl I a deotraforma 4. 3. Ei6 - . 3. 1/2 -tn primeros cuatro momentos alrededor del origen. 3. Hallar los primeros cuatro momentos alrededor de la media en el Problema 3. Si X tiene función de densidad ¡t") : -i (l/(b-a\ O a'=r=b de otra forma.69.'(0) ¡f. 3.43.68. demostrar que el 3o. Hallar (o) la función generatriz de momentos de la variable aléatoria x = y (b ) los ( U2 1 prob. Si M(ú) es la función generatriz F:t de momentos de la variable aleatoria X. g Problema 3.66.

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)

2 y 3 desviacionestÍpicasde lamedia(esdecir entue z: -1y * L. ert (z). du = + # fo' . algunas veces conocida como la curva normal tipificda.9545. resultando de f(z) : le-"'" V2" . 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.-2y I2.Nl/s-> 96. La función F(z) eú(z) = z-frÍr' e-u'd.-..96.6827.z. Si hacemos que Z sea la variable normalizada correspondiente a X.z: + . En este caso la función panZ puede obtenerseapartir de (4) alremplazar! = 0V o: 1. P(-Z=Z<2) = 0. 4-1 se muestra una representación gráfica de la función de densidad (7).8 yque3) las cuales rcn iguales aJ.73% Fig. du (s) se Algunas veces llamamos al valor encuentra relacionada con la función enor.. : .68..". que es uno.451/" y 99. 99. 4 En este caso decirnos que la variable aleatoria X está normalmente distribuida con media g y l. La función de distribución correspondiente está dáda por F(z) = P(Z < z) = I t/2" Í'-"-. (r) Este resultado se conoce frecuentemente como la iunción o la distribución de densidad normal tipif!eada.. Esto quiere decir P(-1<Z=L) = 0.110 va¡ianza DIsrRIBucIoNEs DE IRoBABTLTDAD coN NoMBBE pRoplo [cAp.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. *t(ft)] (e) En la Fig.99?3 (10) ¡$$. En esta representación gráfica hemos indicado las áreas dentro de L. 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.u y F(z) : á['.27%. Tenemos z de la variable tipificada el wlor tipificado. P(-3< Z<3) = 0.73% del área total.

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

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

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

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

"11 f(r) : 1 tA.cAP. P ) t hay una única moda en el valor 4'lmoda - . p son positivos.-+x?. entre y gamma la distribución beta también puede definirse por la función de densidad I r'r.t-1 t-lB2 (37) DISTRIBUCION CHI.+a Para a (lo rrB c-= (. Sin embargo no existen la varíartza y otros momentos superiores. La media y la vananza son ts=. Apéndice A.p.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--.) = (l.CUADRADO Sean X. variables aleatorias independientes distribuidas normalmente con media cero y vartartza 1.9) es la función beta (véase Apéndice A).-:^:Jo-r(l -r\tt-t r(CI) l'(p) f(r) = I 0 ( ¡ <1 (35) o de otra forma donde o.Bi"')-" (33) X tiene la distribución beta si la función de densidad es [*. . .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. + Br -' \jl-):-. En vista de la relación (9). . Análogamente no existe la función generatriz de momentos. (3 8) . Sin embargo la función característica existe y está. 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(.. t. X.B>0) (3t\ donde B(a. La media y o2 : nF2 Qt.t*B):(a+B+1) (s6) > L..t e-tttt r)0 rS0 A). . Considérese la variable aleatoria x": X'i+xt+.Bl o I las funciones beta -j)u-' 0(r(1 ^ de otra forma (o..

. es común en el estudio estadístico emplear elmismo símbolo para la variable aleatoria y el valor de esa variable aleatoria. DISTRIBUCION ¿ DE STI. X... é(') = (1 -2i. Entonc€S ¡2 = Xt'+Xi+'. t Un tiene distribución chi-cuadrado corl r'.. o2 : 2r. .'(. ) v.. Esta es una notación ambigua y el lector debe emplearla con cuidado. - 12. M(t) = (l-zt¡-. .. 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. donde y2 llama chi-cuadrado. tiene distribución chi-cuadrado con r grados de libertad.Uo variables aleatorias independientes do ..¡''r'' (tr podemos ciemost¡ar que{2y2 Para grande (.-. tiene distribución chi-cuadrado con r. la distribución ú (más adelante). y V.)t\-/ lt L1. Entonces podemos demosha¡ que para n > P(x' < r) = 2¿úr:) Ío 0r. .. . Entonces susuma fV: Ur | '.. Entonces V2 tiene distribución chi-cuadrado con v -.-. ¡. Ur. y Teorema 4-5: Seü V. - 1 está casi distribuida normalmente Las consideraciones anteriores se sintetizan en el teorema siguiente. La distribución definida por (39) es la ddsfribución chi-cuadrado y v es elnúmero de grados de libertad. variables aleatorias independientes. B: 2.116 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO se [cA?.4 A.vr gIados de libertad. (págrna 117).. grados de libertad mientras que V : Vt * V. Teorema4-3: Sean Xr.v" -l bertad. . (Véase Apéndice E).. -l.. r'2.. Por tanto tL = 1. f X.i( 1' /j' -) / 'l' -¡(f<o (42¡ .r grados de libertad respectivame'hte. Si V. variables aleatorias independientes normalmente distribuidas con meáia 0 y varianza 1. e-ulz du (3e) YP(x'-r)=0Parar(0. Así. la distribución F y otras. especialmente cuando cambie de variables en las funciones de densidad. = 30) con media 0 y varianza 1. con distribución chi-cuadra- Otros dos teoremas que son útiles en el estudio posterior son: Teorema 4-4: Sean U. Xr.. ó r.tt..12.¡..IDENT Si una variable aleatoria tiene la función de densidad lft\ : _/r + r\ r\--ct¡. o simplemente xto si v se sobreentiende y no ' pot ftp. En conexión con la distribución chi-cuadrado.. donde r. gradosde li+ U2 + .. ..j tiene distribuciónchicuadrado con z grados de libertad....".......

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

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

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

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

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

Entonces es g : I . Sea la (o) P(X: t) = (rn ). Si X está'distribuida binomialmente.n" . (c) menos de 2. P(al menos un ? en tres lanzamientos) = | . (ü) p(X = 0) = (c) P(x <e) = (fi)to.n) .:: =:"0..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.q" .'(\*. página49). de un tornillo no defectuoso va¡iable aleatoria X el nl¡mero de tornillos defectuosos.' (0. = 1:)l+Y/q\' \"/ \"/ \6/ - r25 216 y 4...8)a = s. Para una secuencia de n pruebas de Bernoulli definimos n /n\ '?n ('/tr"')'0"-' (a -l.nba j-ésima si éxito en la prueba j-ésima U=1'2...L22 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.7.2.detalmodoquelaprobabilidaddenoTenunsololanzamientoesq:1-p:516. (b) 0. HaIIar Ia probabilidad de obtener un total de 7 al menos una vez en tres lanzamientos dé un par de dados honrados.l# = fr X que está distribuida Hallar la funCión generatiz de momentos de una variable aleatoria binomialmente. 4. Si el 20 % de los tornillos producidos por una máquina son defectuosos..p:0.0.8. = = Método 2.pet¡" Xi ' |0 {[1 si fracaso en la prr..46e6 ffi ? . determinar la probabiüdad de que de 4 tornillos escogidos aleatoriamente (a) 1. \r/ Entonces la función generatriz de momentos está dada por M(t) = E(etx¡ = )etxf(r'¡ n /n\ = ¡=0 .0. sean defectuosos.rt't0./ ) _)p.r.6. f (r) P(x = r) = (!\o.8)r = ¡.6. La probabilidad de un tornillo defectuoso e8 p :0.4 Número esperado de familias con 1 ó 2 niñas = tZOOOill) ' '\ 6 / \/ = 125 1250 (d) Nfrmero esperado de famiüas sin niñas = (2000)( i ) = 4.1..46e. Médodo 1.

págirra 84. página 80. y1 E(X) = 0q*Ip = var (x.1 = . (b) l'Iananza o2 : npq: (400) (0.. Demostrar el Teorema 4-7.2. de Los resultados anteriores también pueden obtenerse (pero con má¡ difrculüad) derivando la función genaetriz momentc (véaee Problema 3.) Í+ó \l ?¿ -l = / = 0 El resultado también se deduce directaménte en el Teorema 3-19.IMEROS PARA LAS PRI. = X. n. entonces ¡. Por tanto la desviación tipifrcada o = y'56 = 6. (o) Medialt:np:(400)(0.t/V6d.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L23 de momento¡ Entonces las X¡ son independientes y tenemos X: Xr * Xz *. tenemos.t y varianza 02 Íini- (r) en tol P(X-11 -ko\ flp.) / \ 14 'l y tornando el límite cuando n -+ @ = 2+ ¡4r. :-. li* Pll{-. Procediendo como en el Método 2 del Problema 4..lro. .7 tenemos para/: L.)l*. si X es cualquier va¡iable aleatoria con media tas. halla¡ (a) la media y (ó) la desviación tipiticada para el número de tornillos defectuosos de un total de 400 tornillos. v (3 ) se convierte en P(lz -. LEY DE LOS GRANDES NT.) + (r - p)2p = i)". o - {-npq. Si la probabilidad de un tornillo defectuoso es 0. Demostra¡ que la media y la varianza de una variable aleatoria distribuida binomialnente son p: np Y o2 : npg respectivamente.38) o direetamente de la función de probabilidád (véace Problcma 4...8.10.9) : 36. Pa¡a la función geraeratr:iz Mj(t) = stoqlettp .npl > k1/i-npq) < i ó (3) Si hacemos c = k \l T. 2.la ley de los grandes números (en forma débil) pa¡a las pruebas de Bernoulli.L52\..q Entonces o2 p:E(X)=E(X'\+E(X2)+"'+E(X")-np = Var(X) = Var(Xr) *Var(Xz) +. tt = flp. o =. Por la desigualdad de Chebyshev. M"(t) - 'f pst¡n 4. 4." *Var(X) = npq donde hemos utilizado el Teorema 3-7 para o2 .esdeciresperamolque40tornillosesténdefectuo¡os..1.1 ):40..'* Xn.'EBAS DE BERNOULLI 4. página 83. entonces F = P(lX.i)'== . con S.cAP. . como se requiere.i . .9.e*pet M(t) = M tQ) LI2Q\' ' ' (i=1.1.n) (Q Entoncee por el Teorema 3-9.)(0.y (I)rc convierte En particular si X tiene distribución binomial o de Bernoulli.

u + t/2" 'lo + ('"' "-u2tz 1¿4 2l 10.4738 - : 1.2.L24 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.4 4.3849.L (o) Utiüzando la tabla en el Apéndice.25f ? El área.68 y 0.ildlt + _= |^2 ¿¡ = O..t _o.68 y z : 0. proceda a la derecha hasta la columna 8.gg4g z=O .(área enhe z :-0.46 f ZÉ2.=12 Fig. \.46) * (área enbe z:0 y z : 2.68 sz=o) = -! l'o {2¡ J = | r' -o.4964 | t/Zt Js \/2r Jo "-uz/z 1 (d) Area pedida : (área entre z : : E¡to es - (área entrez : 0.27.68 (por simetría).46 y 2. Por tanto .1828 O yz ) lo mi¡mo que P(0.as 0.81 = Z = L. P(-0. Por tanto P(-0.!772 + 0.46 y z : O) * (área ent¡e z : O y z : 2. represenüa la probabilidad de que Z eaté entre -0.0. 4-3 (b) Area pedida : área entte z : O y z: *0. El resultado. = "-u!/t 0.+e "-u2t2f.941. 0.C. El recultado.46 y z: 2.211 = + (''" {2r .6636 e-ú'/! clu = 0.2I) : O.2) = | {u ¡rz Jo ¿r.94) O y z = 0.6.4864 : 0.81 0.2L) : (área entre z : O y z : 0.6636. DISTRIBUCION NORMAL 4. Entoncee.21. Halla¡ el área bqio la curva normal tipiñcada (a\ enfte z: Q y z: 1.68 "- u. Por üanto'. 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. baje por la columna ma¡cada con z hasta alcanzar el valor /. [.2.2517. baje por la columna z basta alcanzar el valor 0.i77Z + 0. (d) entre z: 0.2910 = 0.Luego proceda a la derecha h¡sta la columna marcada 0. . (e) a la derecha de z: - L. Por tanto P\0=z=r.46 " 1 e-u.rz¿u (c) ñ J" Area pedida .81y z = L.28. ee el área pedida y representa la probabilid¡d de que Z eté entre -0.12. 0. es el área pedida y representa la probabiüdad de que Z estÉ ent¡e O y 7. (c) entre z : -0.(b) entre z:-O.94.11.a'ley de los grandes números establece en este caso que la probabilidad de la proporción de los 3 en n lanzamientosdiferiendodel/6pormásquecualquiervalor€)0tiendeaceroamedidaquen-+€.¿ ¿-uzr!¿u = -! Jfo \E = ___1__ -o.

5 kg en unidades tipificadas 68.14. (b) el área a la izquierda de e sea 0.(área entre 0 y z) (área entre 0 y z) 0.16 es otro valor de z.13.de 91 kg. -1.5 kg en unidades tipificadas : (71. Area entre 0 y z es 0.0217.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROP¡O Area pedida L26 (e) - (área entre z: -t.5.8621 .1 y bajo la columna 6.4332- : 0.5:0.0.5 y 71.16. Suponiendo que los pesos están dishibuidos normdmente.4332. de lo cual z:1. z debe ser positiva. Caso 1: z es negativa pero a la derecha de -1. z : -t. (b) más.4-ll -1.O2l7 + 0. Por tanta z: + 1.8997 Esto es lo mismo que P(Z > -1.5 )/10 .69.09.5: -2. Caso 0.5)/10 68.5: 0.5.28'y z = O) T 1área a la derecha de z : 0) = 0.cAP.3621. (o) Los pesos registrados entre 48 y 7l kg pueden realmente tener cualquier valor entre 47. o. : (47 . (b) Puesto que el área es e-tt/2 du = 0'3770 mayor que 0.O2l7 : Entonces el á¡ea entre z).4332- Entonces el área entre 0 y z es cual e: -1. con menos precisión. o.5: 0. Si "área" se refiere al área bajo la curva nonnal tipifrcada. (c) el área enhe - 1.3997 + 0.5 y z : 0. 4.7O ?1.5. Por simetría. 0 y z esO.4332 :0.3??0. hdlar el número de estudiantes que pesan (a) entre 48 y 71 kg. El problema es equivalente a resolver para z la ecuación rfz G ). El peso medio de 500 estudiantes varones de una universidad es de 68. 4. Entoncec la z pedida es 1.5 y 0 ) .5 y 0' (c) Si z fuera positiva el área sería mayor que el área entre que es 0. por tanto z debe ser negativa. (a) En la tabla en el Apéndice C.O2L7 : 0. el valor 0'3?70 se encuentra a la derecha de la fila ma¡cada 1.5 y z sea 0."O. hallar el valor o los valores de z tales que (a) el área entre 0 y-z sea 0. suponiendo que se regis' han al valor de kg más próximo.0277 (árca entre -1.694 utilizando interpolación lineal. z : -1.4549 y z: l'ig.L6.5 kg y la desviación tipiiicada es de 10 kg.35.4115 de lo 2: z es negativa pero a Ia izquierda de -1. Area entre -1.30 47.28).4332.8621.:1Tí"11u (área entre 0 y O.5 kg. Area entre z v -t'5: 9ü.

29 cm como representando realmente los diámeüros de¡de L.26 (1.1179 = kS ee 0.275')lO. etrt+oot-tu2/2.010?): $.L26 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.2 Por tanto el porcentaje de lavadoras defectuosaÁ es 10002 Fig.30) : (área entte z: -2. 1.26 en unidades tipificadas 1.275)l O.2 : -7.16.5<W<71. (área a la derecha a.2 .30 = 600(0.0126: L. .600) kg. 4. = 300. M(tl = E(etx¡ = L= Remplazando (x ot/2r J -- (' ette-(t-tD2/2c2 dtr g.6000 Entonces el nfimero de estudiantes que pesa entre 48 y 7f 500(0. El propósito prira el cual se han diseñado las lavadoras permite una tolerancia máxima en el diámetro de I.l.(dos veces el área enhe z : = 2(0.7698 ó O yz : 77% -1.600 P(W -. La media del diámetro interior de una muesha de 200 lavadoras producidas por una máquina es 1. Hallar la función generatrrz Tenemos de momentos para la distribución normal general. el resultado anterior se modifica ligeramente.5 Proporción pedida de estudiantes 91'5 kg en unidadee tipificadas: (91. : Z.I.26 s 1.2) . 4-r3 Si W denota el peso de un estudiante escogido aleatoriamente.10 y z:0.5)=0.2 -77% = 23%.275 cm y la desviación típica es 0.0107 es 2.266 a 1. 1-14 Obsérvese que si consideranros el intervalo L. podemos resumir los resultados anteriores en términos de la probabilidad al escribir P(47.2) yz Proporción de lavadoras no defectuosas . .6)/10 : 2.SO) (área a la derecha de z : 0 ) .0125 cm.4 Proporción pedida de estudiantes : : = (área entre z = -2.29 cm.3849) = 0.4821 + 0.300) 0. de otra forma las lavadoras se consideran defectuosas.11. (D) toe e¡tudiantes que pesan más de 91 kg deben pesar al menos 91.2 L.295 cm.26 a 1.10 y z Ol * (área eítte z = O y z : 0.O]-25: -1. suponiendo que los diámetros están dishibuidos normalmente.5 .4893 = 0.9tOt 4.30 Entonces el número de estudiantes que pesa más de 91 kg Fig.68. Determinar el porcentaje de lavado¡as defectuosas producidas por la máquina. d1) = "ut'<o2t2/2t (J-ú "-tr-ort" l/2" .1. r.5 - 0.30) 0.29 en unidades tipificadas : : (1.29 . Sin embargo para doe cifrar significativag los resultados son iguales.(área entre z : O y z : 2.tt)lo: uenlaintegralde M(tl = -= | \/2r J-14q modo quer:¡¡+ dx: o d4 tenemor dt.91¡ = 6.(área bajo la curva normal entre z : L.

5 en unidades tipificadas : (6.-o) l+Y 5 ll)' : .7784 Probabilidad 2341678 Nfrmero de caras Fig. La precisión es aün mejor para valores . Tqqbié"r!g_.95) : O. Cor¡siderando los datos como conünuoe.cAP.es la probabilidad pedida es P(B=x<6) = #.#*¿%*# 03 = # = 0..e O. obtenido en la parte (o).5)/1.)'_ .* "á Ar P(X=A) /ro\/fY/r\'_ = \4 /\z/ \z/ P(X=6) = 106 stz /to\/r\o/r\n _ = (. 4-r5 23{587E Nfrmero de caras Fig.E \ /\2/ \2/ =5) = l. Entonces dadas por/r= np=10(4\= 5yo = {nw = y'(10)(+)(+) 2. )\.17.58 y z : 0.¿*\ / = ewt+(ozt2/2) APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL 4. se'deduce que 3 a 6 caras pueden considerarse como 2. Entonces p(x=B\ = P(x ('f)(.) ffi.95 Probabilidad pedida : : z: -1. (b) la aproximación normal a la distribución binomial.4429 + 0.)\.58: 0.ó8 : -1..5 .95) (área entre z :-1.7718 (área entre d. 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. 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. 4-16 trata los datos como gi fueran continuog. (o ) Sea X la variable aleatoria que da el número de carag en 10 lanzamientos. en la Fig.3289 : 0.5 en unidades tipificadas : (2.5 caras.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L27 Entonces sustituyendo u - ot: u hallamoc que ettt+(c2t2/2)( M(t) : + f\t/2" J-* "--. ro¡ Entonc. Hallar la probabilidad de obtener entre 3 y 6 caras inclusive m 10 lanzamientos de una moneda honrada utilizando (c) la distribución binomial.p94!l y la varianza para la distribución binomial están = 1.58. mostrada a trazos.X.6.5 a 6.58 6.68 y z = O) * (área entre z : 0 y z : 0.5)/1.7734 que se compara muy bien con el valor verdadero superiores de n.

31-i Probabilidad pedida : (área bajo la curva normal enhe z : -5.5 - 250 )/11.18: .5 -..3557 -0..18 (o) Necesitamo¡ la probabilidad de que el número de caras se encuentre enbe 240 y 260. o si consideramos : (219..5 .. un 4 debe apariecer 14 vece¡ o menos en aproximadamente la décima parte de estas muestras.7 3 280. 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.- -1.5 en unidades : (área bajo la curva normal entre z: -5. .(lX*) : -5.5 en unidades tipificadas hobabiüdad pedida .311 : (área ent¡e z: O y z: -5. 239..0885 Se deduce que si fuéramos a tomar muestras repetidas de 120 lanzamientos de un dado.5 y 260. suponiendo que el dado es honrado.1443: 0. t.6528 = (239. (rzo\/r\/!\'. empleamos la aproximaclón normal.5 a 18.3? (D) Procedemos como en ha parte (o).35) : (á¡ea entre z : O y z : -5.94 y z: 0..O2 14.08 .94) : (dos veces el área enhe z: O y z :0.5 en unidadee tipificadas :-5.0.4115 : 0.94 ib) Necelitamoe la probabilidad de que el n(¡mero de caras la encuentre entre22O y datos como continuos.18 : -2. .94 260.5 en unidades tipificadas 28O.02y z: Probabilidad pedida -O.. remplazando 18 por 14.. Un dado se lanza1-2O veces.e z: O y z:2. entre 239..0.5 en unidades tipificadas : : (área bajo la curva normal entre z: -0. . o si conslderamos los datos como continuos. (b) por más de 30. entre 219.94):2(0. Entonces -0. Esta se encuentra exactamente ¡rzo\/f\"i 5\'o' ."p: .18.3264): 0. Hallar la probabilidad de que resulte 4 (c) 18 veces o menos y (b) 14 veces o menos. pbr (o) Deseamos la probabilidad del número de 4 entre 0 y 18.' La probabilidad de que resulte un 4 es p: l16 y de que no reeulte esg : 5/6.)(+) = I 1.(área entre z : O Y z :-1.5 cuatros.L28 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP.73\ por más de 30. 219.0..19.250y11.5 y 280.35) : 0. ¡ rzo\1¡\''l5_\'o' r8 \.OB tipificadas : -0.5 en unidades tipificadas : 1-0. = .20)14. Una moneda honrada se lanza 500 veces.(.02 18. o \ i \6/ \6/ -{.(i) = 250 s '= \/ill = . Hallar la probabilidad de que el número de caras no difiera de 250 por (a) más de 10.5 en unidades tipificadas: (14. es decir etabacargoda 280.6 .b..'.4 4.02) : : -(área enhe z O Y z : 0. l8 cuatros pueden tratarse como tt = ttp = Entonces 120( )l = ZO \o/ /t\ y q = 1/-n7tq .02 y 2 : -1. podríamos considerar que la moneda no 4.5.mr.5 en unidades tipificadas : 2. : 4.6/ r7 \ /\6/ \6/ \ /\6/ Con¡idenndo los datos como continuos que 0 a También .6 - 2O)l4.OB pero debido a que el habajo involucrado en la computación es excesivo.02) .5 se 0.37) -0.7 3 Probabilidad pedida : (dos veces el á¡ea bajo : 2(0'4968): 0'9936 la eurva normal enb.

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

(o) La probabilidad de una herramienta defectuosa es p :0. Denótese por X el número de herramientas defectuosas de las 10 escogidas. es decir P(X:x\ -. empleando (o) la distribución binomial.0"-' . La variable tipificada para X es X* = (X . e t.1 y \ = np 5 5./)(p". pero ya que las reacciones se suponen sucesos raros.23.180 (b) P(X>2) = 1-[P(X=0) *P(X:1) +P(X=2)] _ I fzo¿-z. Denótese por X el número de individuos que sufren una reacción. es 0. Halla¡ la probabilidad de que en una muestra de 10 henamientas seleccionadas aleatoriamente. tfi-oa = > ¡=0 |\_. podemoa suponer que X tiene una distribución de Poisson..24.2te-z --z! .323 Una evaluación exacta de las probabilidades empleando la distribución binomial requeiiría mucho más trabajo.- 6 P(X=2) = %: = 0. Zze-21 -.001) :2 _ 0.1. Entonces de acuerdo con la distribución binomial p(x:zl (b) Tenemos )\: np (tJ )10.22.(d) I¡¿-)\ donde p(x-Bt . TEOREMA DEL LIMITE CENTRAL 4. sultan defectuosas.r¡r1s. 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. lioo ¡ln p¿tar liii¡ {ili ¡n . 4.e¡' = \z/ 0. Diez por ciento de las herramientas producidas en un proceso de fabricación determinado re.1e37 ó o. Si la probabilidad de que un individuo sufra una reacción por una inyección de un determinado suero.' .18 En general la aproximación es buena si p É 0.183e ó 0.4 4.re = (10)(0./íil 2 o et't-(.t ¡n = le(qe + pet. t ¡t qn. X tiene una distribución de Bernoulli. _/1t\ para X* es ". determinar la probabilidad de que de un total de 2000 individuos (c) exactamente 3...130 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. )r. exactamente 2 estén defectuosas.001. (b) más de 2 individuos tengan reacción.np)/l/nW y la función generatriz de momentos Eletx'¡ E(et<x-nú/t'/-nil¡ tnnr rliii g 1"txrl noÁ ¡ "" = e-tnpt.1) - 1.1# ^:?¡p:(2000)(0.tr r/iñ 1o + per/ lliii tvr ll-nw 1n ¡pt e ' tnp. (b) la aproximación de Poisson a la distribución binomial.r -Lót 1! ) = l-6e-z = 0. Entonces de acue¡do con la distribución de Poisson I¡¿- P(x--x) . vC.

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

27. La probabilidad de escoger cualquier bola roja es 5172. 2 blancas y 1 azul. pero no se remplaza la bola. Po=' 3/12' Porexpansión se obtiene elresultado anterior.ri \z ) /ro\ \5. . Entonces la probabilidad pedida es lr Método 3. pb = 4/72. Por tanto Ia probabilidad de escoger 3 bolas rojas. DISTRIBUCION HIPERGEOMETRICA 4. 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. Hallar la probabilidad de que después de 5 pruebas del experimento se hayan escogido 3 bolas blancas. Una bola se selecciona aleatoriamente de la caj4 se observa su color y luego se remplaza. 2 brancas. Entonces la probabilidad de escoger 3 bolas rojas /5tl2\3 . Halla¡ la probabilidad de que de 6 bolas seleccionadas de esta forma 3 sean rojas.t \A/ Pero la misma selección puede realizarse en otros órdenes diferentes. ) Por tanto el número de mueshas y 2 rojas ". /o\ /r'i \.El número de formas diferentes de seleccionar las 2 bolas restantee de las diferenües que contienen 3 bolas blancas /a\ 4 rojas * (. Una cqia contiene 5 bolas rojas. y el número de estas formas diferentes 6l 3!2!1! como se expuso en el Capftulo 1. Se realiza un experimento en el cual se selecciona una bola aleatoriamente y se observa su color. El número de formas diferentes de selecciona¡ 3 bolas blancas de 6 blancas * \r/. En forma análoga la probabilidad de escoger 2 bolas blancas e (4ll2l2 y la de escoger 1 bola azul (3/12)t . i-paIpo)G donde p. P(roja en cualquier extracción) = # P(blanca en cualquier extracción) = h P(azul en cualquier extracción) p(B rojas. Método 1 (por fórmula).+)' = ffi es es Método 2. Método 1.132 DISTRIBUCIONES DE PROBABILIDAD CON NQMBRE PROPIO lcAP. 12.rt. rc 2l .26.'.h(¡r)'(#)'(. 6t In\"lt\-/:lY z!r!\itl/ \itl \rrl $/ La probabilidad pedida es el término 44p" en la expansión multinomial de (p.\ [ .t i . lJna caja contiene 6 bolas blancas y 4 rojas. 4 blancas y 3 azules.4 DISTRIBUCION MULTINOMIAL 4. 2 blancas y 1 azul en ese orden es /s\'/¿\'/rY \tll \.i Entonces r azur) = .

rr¡ r¡¿n' ("' 2o (" cosor r=. Í".l \ /10\ \5/ 4.28. ¿ > 0 e.2+d2dr ' _ donde hemos utilizado el hecho de que los integrandos en el segundo renglón son funciones par e impar respectivamente." = o 2 . = n# Í. Esto puede verse al notar por ejemplo que si r ¿ 0.modo que = r*tu*lfí*. Demostrar que la media y la varianza de la dishibución uniforme (página 114) están dadas respectivamente por (¿) ¡. 4.@ 1x1*. -> t!! I y la integral a la derecha diverge.'NIFORME 6 = \/4 }i|j. de. (b) o2 : Ll72(b -a)2. 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. Puede demostrarse que la úlüima intcgral existe y es igual a e-aa (véase hoblema 4.' 7't|^ou" (b) La función característica de X es E(eiox) = g (¿. 7+ azctr sin +-ai )-. PIX=S) DISTRIBUCION T.cAP.r-n '. = ffi= Yt+Y = Entonces la va¡ianza está dada por s2 = E[(X-u¡21 = E(Xzl-uz ry4y_ (+). r = 3. : Ll2(a + b).#ruo.cos or = .r! * la cual no existe si ú es real. J-.'f-+ = #tl. = E(x) = E(xz\ l"'* = #:af" b2-a2 Z(b-a\ a*b 2 (b) Tenemos = I. o > 0. Jo r..30.' La función de densidad de @ es < j.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Método 2 (empleando la fórmula).. . X con DISTRIBUCION DE CAUCHY 4. tiene unadistribución Cauchy en. Oemos- /(a) = ! -L2- .páginallS.. (a) t. E(erx¡ = g (" -J".laprobabilidadpedidaes .dz T . Sea @ una va¡iable aleatoria distribuida uniformemente en el intervalo -l=t trarque X: atan @.159). r= 4. = firo_ot. n=6. a f ..29. i J-6 x'' + a: ""'l' . Entonces por(I9). (a) La función gerreratriz de momentos de X es -¿. Tenemos b 133 =6.

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

/2dü (-. utilizando el Problema 4. Al generalizar los resultados anteriores obtenemos una demostración del Teorema 4-4. obtenemos P(Y < ú = -! fs rrrze-uz t/2r Jo d.36. ea M(t) : Enet(xr+xü1 : E(etx. página g1. Sea X una variable aleatoria distribuida normalmente con media 0 y varianza 1. y utilizar el hecho de que r(á) = V7.B2. .34. pá4ina 1-1. Efectuando el cambio de variable x : *t/T en la última integral. Pa¡a ( 0es lóglco que P(Y SU) y> 0 tenemoe P(Y<u): P(Xz<a) = P(-\/u=X<+\/a) +fr"-.t Pero esta es una distribución chi-cuadrado con 1 grado de libertad. Y: x2 dad.t2r(v/2)Jo " r-2t \r-2t/ : ll .'rz¿s (-fr"-.1 en la última integral hallamos M(tl = 2.2t)-. grados de liberta u2 Z:Xt *X.84. grados de libertad. DISTRIBUCION CHI.'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. Demostrar que X2 tiene distribución chi-cuadrado con 1 grado de libertad. Esta debe ser la distribución de Z. como se ve al página 116. por el Teorema B-18. cia entre Paray Deseamos hallar la distribución de la manera siguiente.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 135 Entonces. es con (¿ dA v.r2.6.-rr/2e-.)Eqéx"¡ : 1l-2t¡-'r/2 1l-2t)-vz/2 utiüzando el koblema 4. pero procedemos de :0. ! X.cAP. do ) función generatriz de momentoo de Z = X. Demostrar que Ia firnción generatriz de momentos de una variable aleatoria X con distribución chi-cuadrado con I grados de libertad es M(ú) M(t) = E(etx¡ = ú+6ñ to* "r"rr.v2 gadosde übertad. t : (1 - N¿¡-Qr+v2t/z (b) Se observa del Problema 4. Puesto que Ia correspondenX y Y no es uno a uno no podemoe aplicar el Teorema 2-3 como está. a * v.la varianza es 02 = E(xz¡-l'(x)l= _(rro)'= cr6#T_Fn : (1.s(v-2)/2e-<L-2t>r/2 dr =J-r(v/2) )o 2. colocarz: 1 en (39).34 que una distribución cuya funéión generatriz de momentos es (1 2t)-<vt+v2)/2 es la dishibución chi-cuad¡ado con v11.36. 4. Sean ¡t y X.a una distribución normal para X.ztl-v/2 fa u<v/z)-re-udu = (L-zt¡-'rz r'(v/z) )o 4.CUADRADO 4.r2 Al remplazar (l - 2t)n/2 = 7.

(b) Puesto que la distribución no es simétrica. X. escoger las dos áreas iguales. X. xi representa la décima percentila. al menos se especifique lo contra¡io.10. (c) 50' Utilizando la tabla en el Apéndice E hallamosenlacolumna ¡2er. El resultado 11. (d) el área sombreada a la derecha: 0. se acostumbra.5 correspondiente a z: 50.5.píryina 116..¡r.9?5 Análogamente.0 correspondientear: av:21.025. Entonces del Problema 4. en la columna /.150. xl es (1 .¡ se deduce en la misma manera. el área sombreada a la izquierda de x3 es 1 ¡j iepresenta la percentila 9?. si el á¡ea sombreada a la izquierda es 0. Por tanto los valores son 0. Entonces procédase hacia la derecha hasta la columna x%r. entonces X? V X3 tienen distribución chi-cuadrado con 1 grado de libertad cada una.tán distribuidas normalmente con media 0 y variánza 1.95 y xz2 Refiriéndose a la tabla en el Apéndice E. en este caso cada área:0. hay muchos valores para los cuales el área totál sombreada : 0.8..04 en tanto que el área a la izquierda es 0. para v : Por el Problema 4.831 y 12. Sin embargo. hallamos en la columna ¡.5.¡2.10.O25 representa la percentila 2.36 vemos que si X¡ y X2 es. (c) S9. (b) 2I.40. y Si el área sombreada a la derecha es 0. x.38..Ia cual es igual a 1. y x? (c) Si el área sombreada a la izquierda es 0.37.0. si el número de gndos de liberbad v es igual a (c) 15. Hallar los valores de xf.01. entonces el á¡ea a la izquierda de representa la nonagésima quinta percentila.7. .05. como puede observarse de la tabla.2-. Hallar los valores de ¡2 para los cuales el área de la cola 15.. ¡! que corresponde a (a) 9.8.39. (Véase las consideraciones sobre notación en la página 116).026. el área a la izquierda de x? es O.(b) 2T.x?o¿s.esr. Demostrarel Teorema 4-3. (d) Si el área sombreada a la derecha es 0.05. Entonces.4 4. búsquese el valor 5.35(b). (b) el área total sombreada: 0.05.025. x.1.O5): 0. (b) 28 y (c) 40 grados de UtÍIizando la tabla en el Apéndice E. 4-18.831. Véase Problema 4. a! es 0.. x! por los cuales (a) el área sombreada a la derecha: 0. 4. 4-18 (o) Si el área sombreada a la derecha es 0. xz:.¡ (puesto que la mediana es la percentila 50 ) los valores: (o) S. Es de interés notar que los valores de la mediana están muy próximos al número de los grados de libertad' En efecüo. (b) 32.1 es el valor pedido de 12.01.3correspondiente^v :40. parav> 10 los valores de la mediana son iguales av . (c) 67. lcAP.05.la cual del Apéndice E es 12.99 y ¡22 representa la 4. (c) el área sombreada a la izquierda: 0.3correspondiente av:28.136 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 2. Fig. el área sombreada a la derecha puede ser 0. La representación gráfica de la dishibución chi-cuadrado con 5 grados de libertad se muestra en la Fig. El resultado general para todos los enteros positivos l.la cual es igual a 0.34correspondienteav:9.01. . los valores: (a)25.05.0. Hallar el valor de la mediana de libertad. qi" Z = X?*X2" tiene distribución chi-cuadrado con 1 * 1:2gradosdelibertadsiXr y X2 son independientes.O.61. Por ejemplo.2gs. el átea a la izquierda de percentila 99. u"mo. 4.025: 0.? conespondiente a la derecha de la distribución ¡2 es 0. la cual es igual a 15.

es+ftool-t)2= +(1. Debido a que Y y independientee ¡u función de den¡id¡d coqjunta er 6l producto de (I ) y (2)..va J"' {2r2.6 = f. '\ z / (.. dud.er dccir z<v/z)_te_ :|-r+zr/2 para -o 1g 1lo.0(v¡lorre¡l =L24.cAP. Por tanto tenemos Remplazando F(xl = .(z. .2.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPTO 13? 4.-j(* . Para . er la percentil¡ 10Op de l¡ di¡trlbución nornd tipilicada. (b) Si r=100.t' / 2 e.Lu€{p integrannr_conrespecto az de¡de 0ha¡t¡o.@ hast¿ rl/z/r. himero fijamor r z b = integramos con reepecto a y de¡de .\2/ r\ (l + u2¡'¡<'+t>rz . página 117.Elrode donde t6=t = .tzl(vl7\ Jz=o = .64+rfss¡z =69../ .rr-r"-.=o"r. Entonca ti z. #. -/. xlgs = \@.r/2. oon un alüo grado de aprorimación.64+/199P = 124. podemoe ercribir.u [f=. Hallar xlerpm (a) v : 60 y (b) y .rzrl.z \f 2nz./4 f ( 7<rrz>-r e-<yz+ztrz ¿.100 gados de libertad.(' F(r) = _ tf Jr=-.3)."^' + zo+"/2 Í"'=-* d..rf ¡"ffi "-r.tz¿ul¿" LJ":_-e A = urfi en la integral entre parénteais rectangulares hall¡mo¡ . z ) La función de di¡tribución de I = Ylt/ffi e¡ F(u) = P(T=r) = P(Y=er/Zfi) = y@2..= ..u\ .tzt'(vl2\ ).locuale¡tÁde¡cuerdooonelvalor6?.y ¿2 # donde la integral ¡e toma ¡obre la región ( del pleno lz parn l¡ cr¡¡l g ut/ñ. 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..o 6 .FA = zp I t/Ft x| = *(zo+tffj¡z (o) Si v=50. podemor utiliza¡ el hecho de que ({Tx2 .lt * T ) eeto puede eocribir¡e d.ss+rtrOool-t¡z = |(1. Demostrar el Teorema 4-6.#."a']au de acuerdo con lo pedido. DE STUDENT 4.zl ztÍt + <t2 | v>r a")au ( " Susüituyendo F(r) = G. zo/2)-re-z/21ffi e-uzzr2. tn¡r( z\ Ju= -' .. / mayor que 30.42. DISTRIBUCION ü x3s¡ dado en el Apéndice E. *^ I' = - *l Í": como z('' .t¡ e¡tl c¡¡i dbEibuido norm¡lmenüc con medie certr y varianza uno.41.

Entonceg búequese la c.82.e0. ú.4 4.025 por simetría. .05.lL=-=_rü=02 L"a/ ar t'2ú | vl1t2' .rl).44.es.01.70 correspondiente a v = 27i (c) 1.05 Refiriéndonos al Apéndice D. entonces el área a la izquierda de ú¡ es (1 repreeenta la percentila 95.05.gg) = 0. La función de densidad conjunta de f '' V¡ y V2 etá.2 g(u.css = 3.O5): 0. -1)(v'\/2) "-. DISTRIBUCION 4._tr Fig. entonced el área sombreada a la derecha es 0. . (e) el área a la izquierda de ü.01 y el área sombreada a la derech¡ es 0. Por tanto el á¡ea a la izquierda de ú1 es (1 .01.25. De la tabla hallamos t. La representación gráfica de la distribución (c) el área sombreada a la derecha en la Fig.:"i = l::"'.05.90.138 DTSTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO ú [cAP. (El último e¡ el valor que se obtendría utiüzando la cu¡va normal. El resultado 1.95 y úr Refrriéndonos a la tabla en el Apéndice D.01. Por tanto el área de t para el cual el área sombreada a la izquierda es 0. tenemoe | 1U) t.nD\]uJur0.e. ODt=r. Sielá¡eaalaizquierdadeú¡ es0. (d) el área sombreada a la izquierda : 0. 4-19.05. r / Ll+ lvt/v)). En el Apéndice B e¡te valoi corresponde a la enhada en la última fila ma¡cada ó).::l = l"*:" 'u':'" Denotando la densidad como función de u y w por g(u.01/2 : 0. entonc€s por simetría el área sombreada a la derecha es 0. (d) Si el Área sombreada a la izquierda es 0.9?5 y úr reprecenta la percentila 9?.. Halla¡ el valor de ú1 para el cual de Student con 9 grados de libertad se muesha : 0. dada por 1 (.01 es (e) -2.5. Efectúe Ia transformación u 1/ v1 . t. entonces el área total sombreada es (1 .1 ez(vt+ v2)/2 lQl/21 f (u2/2) <t | + ú2)' ri o.38.entoncesúl correspondealapercentilagO. vlW v2 . t.l4\ -1- f 'pw\"rz'-' ID'-''-"e '"''o'-. (c) el área total sin sombrea¡: 0.la/2.O. 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. 4. ) 0 y 0 de otra forma.DZ=ü l1U7D Entonces el Jacobiano es i'.ú. (b) el área total sombreada: 0.645 correepondiente a y: 200.90.(b) 1. ¿. búsqueee en Ia columna y el valor 9.83 es el valor pedido de t (b) Si el área total ¡ombreada es 0.0.025): 0.82. (b\ 27. ú es 0. a. J z t . losvalores: (o)L.99.'.'') (?ñ rr^ o(vz/2) -| "-'. Deimostrar el Teorema 4-?. (c) Si el irea total sin eombrear ee 0.99. sea 0. t. hallamos en la columna te.u) = . 4-19 tt (a) Si el á¡ea sombreada a la derecha es 0.[..45.quedelatablaes igual a 1.26 como el valor pedido de ú.75 correcpondienteay:16.r) a\.:: ::'.olumna ¿.0.43. (c) 200.:.t u(v2/ 2) .er5.005. De la t¿bla t ss = 2. Del Apéndice D hallamoe 2.) = 6"i. ) 0.

(d) F. RELACIONES ENTRE LAS DISTRIBUCIONES F. donde.rr. Pero de Tenemoe (r h(u) / v2\vr/2 4Q 1/'' . \ : ¡.t ..t r rz)tz Si tiene un máximo relativo se presentará cuando la derivada sea cero. 4.\rt. (a) Comparar ia¡ entradas en la columna de la tabla F.\z .s. > 0 y 0 de otra forma.. \. es decir (r. u. ¡2 y ú 4. (b) F .\i = /v' I vr\ ) si u ) 0 y 0 ¡i z¿ 5 0.l¡.ss : ". .2\/2)-t e-tt+<v{/v2)t(o/2> z(tt ' u2)/2 t0t/21 l.326.i/2)--t (v2:L vru)-(r.-'1t'"tvp)-uvr\j-:.4l si u DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 139 > 0. F.0 = 4. =- 9.257. página 118. 7.ut = t'(P) ap Jo da) ) 0 y 0 ei rt É 0.. i \rn) - 2\ / v' \ si v.t)- tyt ('4fa) (.1 -.au d.71)2.n. er hkt) = ei u (.r. (c) Por el Teorema 4-8.o.'rrr. ) 2' de (.ot.cAP. rr.\ z /.1-2\/ /\.e75. hallamog .5.5 L6l = (72. 4.2* r.50¡2.1 = (3.\/2i-r..48..TZ) \ (-" se Utilizando el criterio de la segunda derivada podemos demoetra¡ que realmente trata de un máximo.r' / 2(. 15. (c) = 10.47.'. página 118.- r1u)-¡(.rr.ul F'. 11 . Verificar que (o) /. = # = 0.'r2\ ) = 0 ó trt ry = /... hallamos F. ( " *. etc. rr.ss : t?n (b) fl. Apéndice A.. que es el reeultado pedido. rs = 3.L5. Demostrar que la distribución F es unimodal en el valol ¡v' ' La moda localiza e! valor máximo de la función de deneidad.+t..*r. ir ua 0..o.o.7L = (2. (b) Del Apéndice F. hallamoa \-i. .30.o5 en el Apéndice F con e¡a¡ en l¡ distribución ú bajo ú. primera f.so.rt) - (¡'r +t2)/2 - .+v2't/2r-r = 0 Dividiendo Wt ut|ti2)-2(t2l t¡t)-[("\+t. hallar (¿) F. r.. ro.ob.96.2* .0g (d) Por el Teorema 4-8.(vz/2) Jo -tL-!:j!::-:(I5)..9. la función densidad de la di¡tribución F es r[(t.46. Utilizando la tabla para la dist¡ibución F en el Apéndice F. ...18)2. = 0. : (4. /.. 10..s.oc. ro.80.t e.r.io = F_¡ .ee. r¿ desde La función de densidad (marginal) de U puede encontraree integrando con recpecto a decir 0 ha¡ta €.l= *. donde vt -. (o) DeI Apéndice F..¿t.F' gs. Vemos que 18. A diferencia de una conetante.8 = 3. /.78)2.

84)2.1 = (5.0 <'T = *t/Ft_o) ú donde ? es una variable aleatoria con distribución de Student con u grados de libertad.l.'. etc. Sea 11 . vemos que el lado izquierdo de la última ecuación es igual a z. 4. y que P(U 5 .r(l +3!) t r-ru+l)/9 ) O.66)2.. Demostrar el Teorema 4-9. .-.'.rtF. Re¡olviendo.sí generalizar los resultados del Problema 4.5 = (9.t. página 118.2 -.r( .o) r\ \ '/ ll '=2 | '\ .60)2.página 11?]. pfuina 116. P. Por tanto ^\ F.4*)___\-.92)2./ para u /_u_r.ee en el Apéndice F conegarenladistribución ú bajo ú. + r\ r( ol -r- .P(f 0) = = P(T=+\E|-+ donde hemo¡ usado la simetría de la distribución ú.eer.'.4 (b) Comparar la¡ enhadas en la primera columna de la tabla F.(..r¡ n'(. Entonces y a. 98.49.*rr..9 " / +1\ -t'* "" t / vv/21l-12v-(. que puede establecerse simplemente como F r-p = t? ott¡ l(4í).Ft-o) f(u): 0 para ¿ < 0. '\2/'\2/ "11\ "/r\ t -/.+tfttur¡ = P(T s +VFt-p) . Entonces por la definición de un valor de percentila. I ^F.)" \/ Com¡rarando con (42)./" + 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. 21.(4.140 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP. 34.es el nhmero tal = 7- * t\ "/" .48. v2 = v en la funeión de densidad para la distribución F f (ul = . P(.-¡l r. Vemos que 4050 : (63. \ : {".l / +z\-r¡ \ '/ ¡=. t { l'-'u-r.u/2¿-r/2(y + ul-(r1tr/2 ^/.. Por tanto t-P 2 = Pp<T:. tenemos P(T=+tlrno¡ = t -Pi .)" .

por definición. (c) Comparar las entradas en Ia última fila de la tabla F o= en el Apéndice F (correspondientes las entradas bajo ¡. _ 9. página 118.1. y) dada por (49) debe para todos los valoxes de x. 3.. DISTRIBUCIONES DIVERSAS 4.7 2. Análogamente la probabilidad de no obtener un 3 en el segundo lanzamiento ee 5/6... Entonces vemos que a r': ó) con etc. r por una función solamente en y para todos ser el Inversamente.52. Entonces la probabilidad de no obtener un 3 en lo¡ primeros cuaho lanzamientos es (5/6)(5/6)(5/6X5/6): (5/6)4.94 3.(p/z\\ = l-?. Demostrar que X. etc. f(x. página 118. y se deduce que X.02 = #.'.4!¡ 4 2. = @) con = "'13. s. Si el coeficiente de correlación p = 0.r'il ) y y puesto que este es un producto de una función solamente r.¡ es el número üal que P(T=tt.'. lo cual provee la verificación requerida. lotll. La probabiüdad de no obtener un 3 en el primer lanzamiento es 5/6.ú los valores de = t-+o-. ya que la función de densidad de Ia distribución positiva. Y son independientes.r y una función solamente en y.s2 T r.50. -.CAP. para (a\ p : a1 0. tt tt¡/z. = tt-(p/zt ó Fr-p : tl2t'-tptz'. Sean X.. producto de una función solaménte en.145. Hallar la probabilidad que en lanzamientos sucesivos de un dado honrado resulte un 3 por primera vez en el quinto lanzamiento. + * en la distribución F en DISTRIBUCION NORMAL BIDIMENSIONAL 4.60 -.95 y (b) p : 0.GB a ¡'. Verificar el Teorema 4-10.¡ !.+.78 = #. entonces la función de densidad normal bidimensional (49).. se convierte en l@. s.. si X.4] DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L4t Pero. Véase Problema 4. etc. 4. 3..r"?ll--+"-.21 .F e. 4. Esto es posible sólo si p : 6. la probabilidad pedida es Y/r\ \6i \6/ / s c. que era lo que se querfa demostrar.25 77i6 . )Lo.. y este nfimero se determina finicamente.. Por tanto ú es estrictamente +\/F.il = (4 .51. K (r(r .. er el Apéndice F (correspondientes las enhadas bajo x:nn en el Apéndice E.:\/2= en . Y son independientes solo si su coeficiente de correlación es cero. en el Apéndice E..00 =...99.L . lo cual provee la verificación requerida.. Entonces vemos que 6. La prueba general del Teorema 4-10 se deduce tomando el límite cuando U2 la prfuina 117. Comparar las entradas en la última fila de la tabla . 't7 2. Ll . Y son independientes. Y variables aleatórias cuya función de densidad conjunta es la distribución normal bidimensional.Por tanto la probabiüdad de obtener un 3 en el quinto lanzamiento es 1/6. Méüodo 1.8t (b) -.

1 en el primer dado y 2 en el regundo dado. pedida er pRopro [cAp.92. ó aproximando O. (D) al menos dos veces en 6 ¿ead¡¿o¡ por (1. La probabilidad de que un estudia¡rte que ingrese a la universidad se gradúees 0. Verifrcar las expresiones dadas para la (a) media. (a) P(ninguno ee gradúe) = 5Cs(0. alf hay 6 . ¿Cuál es la probabilidad de obtener un total de 9 (o) dos lanzamientos de r¡n pa¡ de dados? en veces..""tb)-t a-ub I ur/be-! du Jo a_. página 118.977?6.p(\ t + +)-l ó/J 4.26 (c) P(al menos uno re gradúe) = 1 -P(ninguno se gradúe) :0-92224.q:616. (b) uno.4. eon p: Ll6. ó aproximando 0. : atb pa. ó aprorimando 0.2692.6)4 = 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.55.ra evaluar la (ü) E(Xz¡ = fo- oOro*r¿-oto¡lg r "b ('/z\r*ttro> e-!:u(t/b)-t = o"o )o \.63.be-! = o-2/br\t + a) Entonce¡ / o\ ¿u 02 = El(X-u¡21 = E(Xz)-uz = PROBLEMAS DIVERSOS o-". (o) t' = E(X) = JO f abrb e-o"o d.of ¡(1 + 3) b/ L\ . etc.08 (D) P(re gradúe uno) = 5Cr(0. E¡ta¡ ¡on 1 cn el grimer dado y 1 en el regundo dado. 4.6)r : 9. . DISTRIBUcIoNEs DE rRoBABTLTDAD coN NoMBRE Método 2 (utilizando fótmula). i7't6 4. 4 Utilizando la di¡tribución geoméhica. - f.oJs u. \i)"-".64. i) integral. 6 = 36 forma¡ en las cuales ambo¡ dadoe pueden caer. se gradúe. 2¡. etc.r I ú ). 11. (b) la variarrza.4)0(0. de la distribución Weibull.¡ :6 Gzl vemo¡ que la probabilidad /t\/o\' _ \6/ \6 / página 119.tbr donde hemo¡ ütilizado Lr ¡ustitución u f@ ab ('/"\ du /' (r. Determinar la probabilidad de que de 5 estudiantes (a) ninguno./ du (' = o-r. (c) al menos uno.L42 .4)1(0.

(D) Varianza : npe: (40OXO.5 en unidadee tipificadar hoporción pedida: á¡ea entre : : .2 = -'1. == vnpq H = 0. dependiendo del número de respuestas conectamente solucionadas de un total de 10. . . 4.17 z: -1 y 277o z: O) 0. (a) (b) Coeficientedeeeego= Puesto que es positivo./ \. ^/r\'/a\'. Véase Fig. . (o) P(9 do¡ veces en seis lanzamientos¡ = 6"'\t/ /q\t-' .\0/ \e/ \s/ ^/l\'/q\' ffitZü 7268s 4.cAP. 5).56. eb necesario con¡idcrar los datoe como si fueran continuoe.5 en unidader tipificadar : 5./r\'/e\a. L. (6.2788: .3418 - y e = 0) (áre¡ entre z :{. Las calificaciones de un parcial corto en biología fueron 0.133 coeficienüedecu¡tosis: l.2.1): 40.a di¡tribución ee s+l---^6:q : 3+ff1-6(0'1X0'9) = nuq 3'01 ligeramente má¡ apuntada que la distribución normal. ^ /r\'/e\'.5 puntoe.5Bt 441 = 531 441 441 Otro método.2. 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.er)*P(9cincovecer)*P . Por tanto una calificación de 6 puntos ¡e cor¡sidera como 5./ * '"'(.17 (5. (b) la calificación máxima del L0% más bajc de la clase. Halla¡ los coeficientes de (a) sesgo y (b) curtosis de la distribución en el Problema 4.5?.9): 36.7)1L.6 (área entte 0.17 z: -1 y z:-4. (4. un total de 9 ocurte en 4 cqlos¡ (3. hallar (c) la media y (b) la desviación típica para la distribución de tornillos defectuosos de un total de 400.5 . (a) Media : np :400(0.-"^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. Si la probabilidad de un tornillo defectuoso es 0.6. Para aplicar : 6. (c) la calificación mínima delL0% más dto de la clase..1XO.-. 6). 4-20. 4).6 a 6.5gr 441 * ss1 441 . 3). la distribución está sesgada a la derecha. (a) la di¡tribución normal a datos discetoe. La calificación media fue 6.2:{)./ \ó/ * '"'foi ó * '''Gi 72689 1 10240 960 48 61 = 681 440 65f ¿¿T . Por tanto la de¡üación tfpica = /56 = 6. (5.1. ^ /r\u = 'c'(o/ \é/ * '"'(..7)1L.? y la desviación típica fue 1. Suponiendo que las calificaciones están distribuidas normalmente.ó6. es decir podemoselpemr que 40 tornillo¡ esüén defectuosos.6u.0676 : O.6. 10 puntos."'\g/ ' ^/rY/s\u.4I DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 143 De estas 86 forma¡ todar igualmente factibles ¡i los dados ¡on honrado¡. 4. P(al menoe 9 doa veco) : 1 - P(9 cero vecer) - P(9 una vez) : . determinar (c) el porcentaje de estudiantes con 6 puntos. ^ /r\ta.58.0 (6.

28.L14 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP.2 ! 22 Eu equivalente en unidades tipificadas. Un contador Geiger se emplea para contar la llegada de partículas radioactivas. a Area entre zt y O: 0.x2:8. 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. 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.I At.Z:-t. 4-21 (b) Sea r ¡ la calificación máxima pedida ] z¡ !u equivalente en unidadec tipificadas. Refi¡iéndose al Problem^ 4. exiatirán término¡ adicionalecqueincluyen a (Aú)'y órdene¡ ruperiores.r2 la calificación mínima pedida zz =L. cue¡rta en el üiempo SeaPl(ú) la probabilidad de una cuenta en el tiempo f+ I de modo queP¡(t + Af)er la probabilidad deun¿ Aú.4-22 o ran si AÍ es pequeño.7)lt. At.on O como el origen. tenemoS (r) De (I ) obüenemos (2) Po(ú+a¿) = lú Ps(Ú)[1 -IAú] = -IPo (¿) At+0 lim Po(¿-f a¿) - PoQ\ e¡ decir (. la probabiüdad de no cuenta en el tiempo t Entonces Po (ú + At) es la probabilidad de no cuenta en el üiempo ú + Aú.6.10.17 I'ig. Por tanüo c = I y l¡ probabilidad pedida ee (11 Po(¿) = ¿-^t 4. Si (b). De la Fig. 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 . rin considerar los términoe que incluyen (Aú)2 y término¡ cuperiores. Máe precisamente.4 . pero no se consideSea P6 (ú) r-----]--l Fig.69 halla¡ la probabilidad de exactamente una cuenta en el tiempo t. Si se suponen lar llegadae de lae partícula¡ sucegos independientes.28 (aproximadamente).60.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. zt Enüonces zt = (xt . Por tanto. por tanto área.40 : -L. (c) Sea . La Fig.7)17. 4-22 repteeenta el eje de tiempo c.que lógicamente e¡ 1. = 0.28.I -0. 4-2L el la izquierda de z¡ eo LOT. Entonces (x2 - 6.P6(0): c e¡ la probabiüdad de no cuenta¡ en elüiempoGrro.28y Ír:6.2 u 8 aproximando al entero má¡ cercano.26 6 aproximando y al entero má¡ cercano.69.4-20 Fig. por simetría : L. Por tanto la probabilidad de no contar en el tiempo At ec 1 . 4. Halla¡ la probabilidad de que en un tiempo f no se cuenten partículas.

sin coruiderar los té¡minos que incluyen (Aú)2 y ruperiores. Utilizando e¡to en (6) hallamos Pt (Ú) c2 0.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).64.I a¿).69.s supletnenta. 4. (c)o2ó3niños? probabilidades iguales para niños y niñas.66. tr¿-At (3) dt = ^Pl o d.ar una moneda honrada 6 veces aparezcan (o) 0. Problerna. Hallar fal¡o. P1(0) eo la probabilidad de 1 cuenta en el tiempo 0. Por tanto. La probabilidad de (ii) es Po(ú)I at. Si P(X=2).cAP.i que es [a distribución de Poisson. (n 5. Iülla¡ la probabilidad de (o\ 2 o már honradas. Halla¡ la probabilidad de que al lznz. Suponer 4.(b)5niñar.¡e-rtt esto puede escribirse como d.59 esto convierte en dP. 4.66.t * \P. (b\ P(X <21' (c) P(1<x=3). (b ) menos de 4.rlos DISTRIBUCTON BINOMIAL (BERNOULLI) 4. DeSOOfamilia¡con Shijos.P. que es cero. caras. con un par de dados? ¿Cuál es la probabilidad de obtener un 9 exactamente una vez en 3 lanzamientos 4.62. (c) 2. la probabilidad de acerta¡ correctamente al meno¡ 6 de 10 res¡ruestas en un examen tipo verdadero- . (r) Esto puede escribirse Pl (ú + a¿) = Pr (ú)(1 - r aú) + P0 (¿)r a¿ Pr (¿ + (2) l¿) Lt . . ¿@xtPr) = x que al integrar (6) Pr(t) = \¿¿-rú+c2e-\r Si : t:0. X denot¡ el número (d) de caras en un solo !¡nzamiento de 4 monedas.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 145 La probabilidad de (i) es P1(ú)(1 . (b ) 1. ¿cuántaseeperaríantener(o)3niños.61. u) Multiplicando por (5) e^¿ d. 3). (d) 3' @l a. Por tanto (7') = ¡¿¿ . (b) dog vece3' en dos lanzamientos de un par de dados honrados.67. 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. Hallar la probabilidad de obtener un total de 11 (c) una vez. @l 6 caras.

(ó) el área a la izquierda de z sea -0. llallar el área bajo la curva normal z: 0. 4. (b ) al menos 3.77. 4. (a)Determinarlas calificacionestipificadasdedog estudiantes cuyos puntajes fueron 93 y 62 respectivamente.79.7O. Interpretar los resultados. 4.59 y 1. (c ) mayor que g 1.610 y 0.82. Si X está distribuida normalmente con media 5 y desviación tipificada 2. determinar el porcentaje de los cojinetes de municiones con diámetros (a) entre 0. hallar P(X > S). 4.O?30. (c) coeficiente de sesgo. (b) por fuera del recorrido ¡t ! 1. (b) desviación típica.615 pul. (D) mayor que 0. Z está distribuida normalmente con media 0 y varianza 1. z:-I.69.6 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 -0.81' 4. (c) a la derecha d.79' 4. Hallarz¡ si P(Z-21)= 0.t'c. 4. (c) Si las estaturas de 300 estudiantes están distribuidas normalmente c\on media 1.4O. (e) el áiea en¡e-z y z 4. (b) menos que o iguales a 1.56. entre (o) 4.608 pul.2 respectivamente.8{. todas de edad idéntica y con buena salud. El l}'. (c)z:-2.80' 4. DISTRIBUCION NORMAL 4. Hallar el área bajo la curva normal (o) a la izquierda de z : -1.50.23 y z sea O. Evaluar (o) ) (c - p\3 f (r) v (b) > (r .85- 4.b superior de los estudiantes recibirán una calificación A (excelente). ¿cuántos estudiantes tienen estaturas (o) ¡nayores que 1.5 o? 4'83.2266.15 y z *aO. (d) coeficiente de curto¡is para una dishibución binomial en la cualp : 0. (b) P(-1.76. 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. (d) correspondientea z>:2.85V 4. Demostrar que si una dishibución binomial con n : 100 es siméhica. lt!aosea . La calificación media de un examen final fue 72 y la derviación típica g. 4.82.0025 pul. (b) menos que p . Si (c) P(lzl > r). (dl al menos I persona esté viva.4 respectivamente.!6.6 y 1. Un agente de una compañía de reguros vende pólizas a 5 personas.58. entre 1.96 =_ Z < t. (b) a la izquierda de z:0. En un examen la media fue 78 y la desüación típica 10.84. dondeZestádistribuidanor¡nalmenteconmedia0yvarianzal. 0.L46 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.t ! 2 o.2 o. ¿Cuál es la cslificación mínima que debe obiener un estudiante para recibir una A ? Si un conjunto de mediciories está distribuido normalmente.?8. su coeficiente de curtosie es 2.0314.4 4.55 m. (/)ala izquierda de z:-2. 4.9. (c) menores que 0.85 m.45.72.86.6140 pul y desviación tipificada 0.r)af(rl para la distribución binomial. EnelProblema4.oo ¿ea 22c/a.? y n : 60.El m inclusive. haltar (a) P(Z = -1.900.80< z< !.96). ¿qué porcentaje de esas mediciones diferirá de la media por (o ) más de media desviación típica. 4.83.(b)z=I. Demostrar las fórmulas en la página 109 para los coeficienües de seego y curtosis.618 pul inclusive.?0 m? cm. (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. (e)correcpondientea-0. Calcular la (o) media.2O y z --2. (c) el área entre de z tales que (a) el área a la derecha de z sea 0.75. (d) iguales a 0. (d) igual a 1. (d) el áreaentre 1. 4.gShallarlacon¡tanteatalqueelporcentajedelo¡casos(o)dentrodelrecorrido 7 í'. (b) Determinar los puntajes de dos estudiantes cuyas calificaciones tipificadas fueron y 1.64).52 y a la derecha de z: 1. (c) solament e 2.?O m y desviación típica 10 Si los diámetros de los cojinetes de municiones están normalmente distribuidos con media 0.71.5722.61? pul.74.e z: -1. ¿qué porcentaje de las medicione¡ están (o) dentro del recorrido I. -0.78: Hallar los valores sea 0. Hallar la probabilidad de que en 30 años (o) Ias 5.68.23yz:1.

99.94. Utilizando (o) la distribución binomial y (b) la aproximación de Poisson a la distribución binomial. 1/2 -r -t Demostrar el teorema del límite central para las variables independientes 'Yk donde g = | | 1 prob. S. Una máquina produce tornillos. Hallar la probabilidad de obtener más de 25 "sietes" en 100 lanzamientos de un par de dados honradoe. . f.91. (b) cada ca¡a una vez. hallar la probabilidad de que en una muestra de 100 lámparas eléctricas (a) 0. (c)entre y 46. Demostrar el teorema del lfmite central para el caso en q rre X ¡. p pr.(d)8. Xz. . <x< @ 4. Se extrae una bola y se obsen'a su color. En el Problema 4. . Si 3% de las lámparas eléctricas producidas por una compañía son defectuosas.t9.#Tf DISTRIBUCION MULTINOMIAL 4. . 4.87.1 t\. página I 1 1 . el promedio de ahogados en accidentes por año es 3. . Hallar la probabilidad de que un estudiante pueda acertar eorrectamente lasrespuestas a(a)12 o más de 20. 2 "doses" y . -'. 1/2 prob. (d) 3.93.101.2. Department of Health. o 2lámparas eléctricas sean defectuosas. Se lanza un dado honrado 6 r¡ece¡. Halla¡ la probabilidad de que el resultado sea: (o ) 1 "uno". Hallar la probabilidad de que en 200 lanzamientos de una moneda resulten (a) entre 80 y 120 caras inclusive. arí generalizando el Problema 4. . Según Ia National Office of Vital Statistics of the U. (b) 7. hallar la probabilidad de que en 8 de tales extracciones se seleccione una bola roja 3 veces. (c) menos de. r¡ : L - p. ( L 1 prob. 4. 36 LO"/o de los cuales son defectuosos.(b)2.b. 4.92. 4. del límite central no sea válido en el caso que X¡ .ar la función generatriz de momentos). página 113. (b) menos que 90 caras.0 de cada 100 000 personas. 4.(e)entre4y8.(Sugeren- cia: Utiliz. Xz. enunaciudadcuyapoblaciónesde200000ocurran(a)0. TEOREMA DEL LIMITE CENTRAL 4. Explicar por qué se podría esperar que el teorema üengan la distribución de Cauchy. f(r) =. Demostrar que si respectivostrr X1 ¡l X2 son variables independientes con distribuciones de Poisson con parámetros ytrz. de loe tornillos sean defectuosos. (c)2. Entonces se coloca la bola en el talego. (d) 55 o más.90. Demostrar el resultado (l 7). son independientes y están distribuidas idénticamente con la distribución de Poisson. ( t 3 ).97. (c) menos de 85 o más de 116 caras. Hallar la probabilidad de que en un muestreoaleatorio de 400 tor4illos producidos por estamáquina (a)máximo 30. 4.88. Un talego contiene una bola roja y siete blancas. (e) 4.96. 4l DISTRIBUCIONES DTSTRTBUCTONES DE PROBABTLTDAD CON NOMBRE PROPTO PROBABILIDAD PROPIO I47 L47 APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL 1.97. 4. (b) entre 1 y 3. Education and Welfare.(c)6.cAP.entoncesXr+X2 tieneunadistribucióndePoissonconparámetro). Halla¡ la probabilidad de que 4.(n5lámparar sean defectuosas.10O. Generalizar el resultado a n variables. "heses". hallar la probabilidad de que (of rnís de 5. (d) exactamente 100 cara¡.9!.98.95. (bl 24 o más de 40 preguntas en un examen tipo verdadero-falso. 4. 3 .(f)menosdeS ahogados por año. DISTRIBUCION DE POISSON 4. (b)entre 30y 60. Demostra¡ el teorema del límite central para las variables independientes xk = 4.

(b) P(lX-11 = +). Hallar la probabilidad de no obte4er un 1. Y son independientes y ambas eetán distribuidas uniformemente en el intervalo de 0 a 1. Si Xt y Xz son independientes y distribuidas de Cauchy.103.115.págin. (b) P(Xz > r2). DISTRIBUCION HIPEBGEOMETRICA 4. recorrido gemi-intercuartílico es un eustituto de la desviación tfpica? aritmética también tiene esta distribución. normalmente con media 0 y varianza l Demostra¡r que Y: Xt lXz tiene una distribución DISTRIBUCTON GAMMA 4. hallar la probabili4. 4. (b) todas sean blancas.122. (b) no más de 2.con < 2).z 114.Hallat(a) P(X i.107. 2 ó 3 en cuatro lanzamientoe de un dado honrado. tl¡llar(o) P(X= 1). página 108.108. 4. Una caja contiene 5 bolas rojas 5l l0 blancas. es una función de densidad. azules y amarillas en la proporciün 4t 3z 2: L. 4.113. cuando N ' e. S blrncar.110. 2 zzulee y l amarilla.119. Suponga que X tiene una distribución de Cauchydeacuerdocon(29). Demostrar que si X1 y X2 son independientes y tienen la misma distribución {e Cauchy.109.120. o:2. De 60 aspirantes a una universidad 40 son del oriente. Verificar que (31 ).111. (t) P(l = X=2). Hallar (a) el tercero y (D) el cuarto momento alrededor de la media de una dishibución uniforme.104.11?.9: 4. Yerificar la (a) función generatriz de momentos dadas por (33 ). SiXestádistribuidauniformemente en-2< x=2. 4. sean del oriente. Determinar el coeficiente de (a) > ll 6/. Si se seleccionan 13 cartas aleatoriamente (sin remplazamiento) de una baraja de 62 cartas. Una variablealeatoriaX tiene una distribución gamma conQ:3.106 y e¡tudia¡ la precisión 4. ó (24\ se para resolver el Problema 4. página 116. 4. Una caja contiene una gran cantidad de bolas rojas. (c) al menos una sea roja. blancas. ¿Porqué en este caso el 4.116.págrna114. 4. sesgo y (b) curtosis de una di¡tribución uniforme. Z. Generaliza¡ el resultado del Problema i.112. Emplear la aproximación binomial (18) obtenida.148 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cA¡.106. 4. Si X. hallar la probabilidad de que (o) 10.Hallar(al P(X <1). hallar P(lX . entoncel su mdia 4. Demostrar directamente que (22).fl DISTRIBUCION DE CAUCHY 4. dad de que (a) 6 sean figuras. 4.102.105. Determinar los valore¡ modales de la distribución gamma. y (b) la función caracterfstica de la di¡tribución gamma . página 115.4 4. (b) ninguna sea figura. Si se seleccionan 20 aspirantes aleatoriamente.114. 4. 4. Hallar la función generatriz de momentos para la di¡tribución uniforme. Si se seleccionan 8 bola¡aleatoriamente (sinremplazamienüo) determinar la probabilidad de que (a) 4 sean rojar. Hallar la probabilidad de que de 10 bolasextraída¡: (o) 4 rean rojas.116. DISTRIBUCION UNIFORME reduce a (I ).(b)8 sean rojas y 2 amarillas.121.11E. Demostrar que el recorrido semi-intercua¡tílico para la di¡tribución de Cauchyeeo. 4.

4./(. lJnavariablealeatoriaXtieneunadistribuciónbet¿cono:3. (c) 28.rales a la derecha de xB y a la izquierda de x!.. 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. f f. es una función de densidad. grados de libertad DISTRIBUCION x . la distribución ú es 0. si el r. (d ) 60. ¡2o egtá x?ozs y (b) xizs para'r = 4.123.g.025.cAP.95. hallar x2.rz.10'(d)el sea 0. (c) P(x?< U < x2z) = 0.donde zo hra una distribución f de Student con 15 grados de libertad.139. + p . 4.01 y ¡. Demostrar que para 1 grado de libertad la distribución ú es una distribución de Cauchy.05.136.ss.2gs para r = 150. (c) F. (c ) 25. Demostrar que la distribución beta tiene una moda l¡nica en DISTRIBUCION CHI-CUADBADO r: (a - l)/(a P(lX-+l = +). 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) 8.132.01.124.? 9:?^5: suponiendo ireae'ig.140. pígirn 117.1 de la función de densidad (45'¡.valores de grados de libertad I ú para los cuales el á¡ea de la cola derecha de es igual z (a) 4.os.páSrrra 115. (c) P(U = cl = 0'20.rs.136. Demostrar que para grandes valores de 4.01. (o) llaltar x! y x? tales que el área bajo la distribución x2 correspondiente a v -.2\' 4.50. Hallar (a) es la x. Hallar el valor de: (a) F.05. Demostrar que (a) E(xz) = DISTRIBUCION ú DE STUDENT 4. Resolver el Problemz 4.or'so'lr-.129.141.or. v. Si una variable Utiene una distribución de Student con ¡.rúmero e.. y x! tales que (a) P(U > x?rl = 0'025. (b) F. Q) F.134. 4. área combinada a la derecha de ú1 y a la izquierda de -f1 4. \b\ Yar (7zl -.142.12?. Halla¡ (o) 4.727 si el área de la cola derecha es 0.' dada Por r * . Verificar que la integral desde u lsugerencía: Hágase a : 0 hasta e v2u).gc. Verificrü que (34).(c)eláreaaladerechadeú1 eea0. (c) el á¡ea a la derecha de xl sea 0. : 6. hallar el valor ie . hallarlaconstantec talque (a\ 0. Para una distribución chi-cuadrado con 12 grados de libertad. ee la 0. (b) 12.99.eo.125.z¿i (d) F. (D) P(-a= U 3 c) :0.rzo.zoi (. (b) Demostrar que si la suposición de áreae iguales en la parte (o ) no se cumple. 250.133.130. Demostrar que la va¡ianza de la distribución t de Student con t. (d) P(U 2 c) = Q.:10.(b)eláreaalaizquierdadetlsea0.9¡' P(U>c)= 4.95. Hallar los .131. (d) el área a la derecha de ú1 sea 0.2. er igual a 1. (d) 40.¡' 4. (e) el área entre -f1 f f1 sea 0. v ) 2.90yy:25t (b)eláreaalaizquierdade-ü1 sea0.ol/l'. = t2ul(v1* . (b) el área a la izquierda de xi sea 0. v: -f1 sea 0.i) 4.01. hallar el valor de ú¡tal que (a) el área a Ia derechadeú1 seaO.9:2.98. si el número de 4. (e ) 150. 4.4l DISTRIBUCION BETA DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO t49 4.13E.20 91tt: 1i Y_4_.%t con y :7.55 ! 4.128.01.126.ti ti¡l gue (o) el área a derecha de ¡l sea 0. (b) 19.13?. Hallar 4. / una buena aprorimación para percentila (100p) de la distribución normal tipificada.¡. (ó) y (b) x.oo.05. - 2).ss.02'5yv=20'(c)eláxea 16.90. Si la variable U tiene distribución chi-puadrado P(u < x?) : 0. los valo-res de x? y x! no son únicos' 4. 4.

DISTBIBUCION NORMAL BIDIMENSIONAL 4...0.. ¿Puede deducirse la ley de los grandes números en forma débil del teorema del límite central? JuEtificar su solución.I Y T' 4. PROBLEMAS DIVERSOS 4. Y tienen la función de densidad conjunta f(r. Si Xr. página I44.0.143. Demostrar el Teorema 4-8.A) = ke-(!¡z+2bra+"v'l donde a. Si X. Xz. demostrar que e8t6n distribuidas marginal- "? y oi respectivamente. 4.150 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. 4.162. b. página LL8.147. . 4.8..156..prgradoe X¡ + .c<ts -. Suponer que X. mente tienen una distribución idéntica. 4. Demostrar que 2u (. Completar la demostración de la ecuación (8) del Problema 4. rj +n'r l¡ = ¡'oof 4.149.155. 4.14E. Demostrarque k=l ) X* tiene distribución de Pascal 118). k=l son variablee aleatoria¡ independiente¡ disürluna distribución chi-cuadrado con y libertad.X...15E. Si X está distribuida normalmente con media g y variznza grado de libertad? Véase Problema 4. (Sugerencia: Ilaga la transformación u : 1/u)..145. 4. prfuina 118..0r. Demostrar el resultado (46). ento'nces ) Xf ti"tt" 51. Hallar la función generatriz de momentos de la di¡tribución hipergeométrica.. ¿tiene X2 una distribución chi-cuadrado con 1 X1. Generalizar el Problema 4.. 4.e8¡zsa \z /' * (tlu)to. mente con varianzas h aon 4. página 118. Sean las variables independientes n X¡. página 116.o2)a(0.154. Demosha¡ el teorema del límite central para el caso donde Xt..r. Demostrar que cuando v "> @ la distribución f de Student tiende a la distribución normal tipificada. Demostrar el Teorema 4-5. (véase página cada unacondistribucióngeométrica.6O.159.16O.146. .r. página 114. 4. hallar la función de distribución de lonva¡iablesaleatoúasindependientescon di¡tribuciónchi-cuadradoypr.4 4.157.. demostrardirectamentelosresulta- 4. (ó) io ". y varianza 1. libertad respectivamente. de 4.e8)2ez \3 /' y dar una interpretación de probabiüdad. constantes y b2 < ¿c..150. son independientes pero no necesaria.. Demostrar los resultados (20) y (23).X. k=1.. . (a > o' o .161.36. É^ ¡=o . Verificar que estas constantes son l¿¡s dadas en (19). 4.. . Demostrar el Teorema 4-10. Halia¡ el valor aproximado de (t3o).. .153..144. .^h. + Xn.' o) 4.7ffi1. Y mnjuntamente tienen la distribución bidimensional (19).Porevaluacióndelasseries dos del Problema (") 4.37 demost¡ando que si buidas normalmente con media 0 grados de 4.n.. RELACIONES ENTRE LAS DISTRIBUCIONES CHI-CUADRADO. c.1 o2 .pfuinal77.

4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 4. (d) la velocidad efectiva(rme.163. Estudiar qué le sucede a la varianza de l¿ distribución t 4. (c) v1* 4. y varianza de la distribución gas para loc casos (o) (b\ v2= 4.esdecirlarafzcuadradade la velocidad media al cuadrado). (b) v = 2. página 119.F' f. Estudiar qué le sucede a la media ¡i (o) r = . La probabilidad de que una molécula de un ideal terga una velocidad enhe u y u I du está dada por cuze-mv2lzkT du donde k e¡! la consúon te de Boltzmann y T es la üemperatura Kelvin del gas.162. (c) la velocidad más probable. .164. (b ) la velocidad media. Determinar (a ) la conetante c. Comparar sus resultados con l¡ entrada 5.cAP.

.

Farte tl ESTADIST¡CA .

.

Tercero. Segundo.1. puede llegarse a la idea de examinar solamente una parte pequeña de esta población.s observaciones o medida. En el primer caso un objeto determinado puede seleccionarse una y otra vez. 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. en tanto que los 120 tornillos escogidos constituyen la muesha.Y SIN REMPLAZAMIENT\O Si extraemos un objeto de una urna. EJEMPLO 5.c. En este caso los tornillos producidos durante la ¡emana conforman la población.2. Deben nota¡se varias cosas. por ejemplo. 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. EJ EMPLO 5.4 podemos hablar de Ia población de todos los 200 colores en la urna (algunos de los cuales pueden ser iguales). generalmente finito. comítnmente denotado por N. el número se llama el tamaño de Ia población. Primero. donde cada bola seleccionada se regresa luego de observar su color. la palabra población no tiene necesariamente el mismo significado como en el lenguaje común. Desearíamos extraer conclusiones reapecto a los colores de 200 bolas (la población) en una urna seleccionando una muestra de 20 bolas de la urna. Esto se hace con el propósito de inferir cieitos hechos respecto de la población de los resultados hallados en la muestra. tenemos la alternativa de colocarlo o no en la uma antes de una segunda extracción. Así en el Ejemplo 5. que se llarna la muestra. Desearfamos ertraer conclusiones respecto a la honradez de una moneda deüerminada al lanzarla repetidamente.1 podemos hablar de la población de 12 000 estaturas (o pesos) en tanto que en el Ejemplo 5.Capítulo 5 Teorío de muestreo POBLACION Y MUESTRAS. n = 100 mientras que enelEjemplo S. denotada pot n. En el Ejemplo 5.Nesinfinito. zamiento. EJEMPLO 5. loa primeros 60 lanzamientos de la moneda y notar los porcentqiea de caras y sellos. mientras que si cada miembro no puede seleccionarse más de una vezwllamamuestreo sin remplazamiento. La población consiste en iodos lc lanzamientos poeibles de l¿ moneda. El-proceso de obtener muestras se llama muestreo. MUESTREO CON. 1 .4. En forma semejante el número en la muestra se llama el tamóño de la muestr. En cambio de examinar un grupo entero. la población puede ser finita o infinita. El muesbeo donde cada miembro de una población puede seleccionarre más de una vez se llama muestreo con rempla. EJEMPLO 5. mienhgs que en el segundo caso solamente puede seleccionarse una vez.3. la palabra poblacíón se utiliza para denota¡ la. llamado la población.lo cual puede resultar difícil o imposible. N : L2 000. Se podría obtener una muestra al examinar.S. INFERENCIA ESTADISTICA Con frecuencia en la pÉctica estamos interesados en extraer conclusiones válidas respecto a un grupo grande de individuos u objetos.s y no los individuos u objetos. 155 . un proceso conocido como inferencia estodística. como en "la población de determinada ciudad es de 180 000".n: 60.

etc. mente' En tal caso no ESTADISTICOS MUESTRALES Podemos tomar muéstras aleatorias de la población que sirven para estimar los parámetros poblacionales. por ejemplo. robabilidad f(r) de la menos poder formular podemos tener alguna sabríamos uno o ambos de los valores rt y o yasí desearíamos estimarlos. MUESTRAS ALEATORIAS.toria.1 donde X es una variable aleatoria cuyos valores son las diferentes estaturas. y entonces emplearlas para obtener valores Como ejemplo ilustrativo.El muestreo aleatorio puede efectuarse para poblaciones relativamente pequeñas extrayendo lotes o. donde el subíndice 1 se emplea ya que corresponde al primer individuo seleccionado. en el Ejemplo 5.48. lo cual J" co. por fjemplo. X está normalmente distribuida decimos que la población está normalmente distribuida o que tenemos wa población normaL En forma semejante. momentos. unó de los proble de la i4ferencla estádística es "3-o ".se suficientemente bien. consideremos el Ejemplo 5.. utilizando una tablá de númerosaleatorios 1epénaice I)especialmente construida para tales propósitos.. entonces los parámetros poblacionales también son conocidos. NUMEROS ALEAT'IORIOS penden de si la mqestra una muestra. Para la mayoría de propósitos prácticos el muestreo de una población finita que er *úy grande puede "otrrideturr" como muestreo de una población infinita. sesgo. 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. Todas estas cantidades se conocen como panímetros pobhcíonales. Lógicamente. por ejemplo rr. en forma equivalente. pueden determinarse en terminos de estos."og". el válor de la variablé aleatoriaX. 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. decimos que la población estÁ binomialmente distribuida o que tenemosunapoblación bínomial. de las diferentes estaturas posibles y llama¡nos r.156 TEORIA DE MUESTREO lcAP. 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. Existi¡án ciertas cantidades que aparecen en f(r). Véase Problema 5. Otras cantidades tales como la mediana. Este individuo puede tener cualquier valor. De la misma . 5 Una población finita muestreada con remplazamiento puede teóricamente considerarse infinita ya qqe pueden extraerse mueshas de cualquier tamaño sin agotar la población. de modo que conocemos /(r). como p y o en el caso de la distribución normal o p en el caso de la distribución binomial. Para obtener una muestra de tamaño 100 debemos primLro escoger un individuo aleatoriamente de la población.o"e comó muestra ales.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). la confiabilidad de las conclusiones extraídas concemientes a una población deha escogido de tal modo que represente la población lo . Cuando nos dan la población. si X está binomialmente distribuida. de Si.

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

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

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

. El estimador Q6) insesgado qu9 9sq rnuy próximo a o2 solamente para grandes valores de n (n q2 (x.iZA MUESTRAL 9i Xtr Xr.llpt iLp2 Pt. página 78. Qe) N* - ésta se reduce a (16). supotriendc rtii€ ¡a-s = ¡'s. . continuaremos definiendo la varianza muestral por (I5).) Cuando = ps2 : ("\) (+). resulta ser que (véase Problema 5.20) ¿'(St) está definido por = Asr : ?-Joz > 30).. 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. entonces la variable aleatoria que da la uarianza de la muestra o la uarianzt muestral se define de acuerdo con (14). Sienrpre que el valor .160 TEORIA DE MUESTREO lcAP. : {$j$ : Pút . de es+. PzQz (13) En cam!:i. 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. : {"'rr4r. EJEMPLO 5.s. X.= 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. VARIA¡..X). En este caso . denota las variables aleatorias para una muesha de tamaño n.la varianza mueshal tiene el valor a2 = en tanto que la ertima inseegada eetá dada por +(6-6)2 - z Ao s.-i)'? + (Xz-.S.6. i (X^-. Refiriéndose al Ejemplo 6. Sin embargo. página l57.t)'' t(S2) : o2. Sin embargo. + (xz. entonces la media de la distribución muestral de varianzas está dada por E'(s. en cambio de 52 y sencillamente remplazan n por n -1 en el denominador de (15). -.= 5 . -X). Se pueden obtener recultados semejantes a (1 1). * l's. opr-p. osr. 5 Resuitados cortespondientes pueden obtenerse pan disfuibuciones muestrales de diferencias de prcpordónes de doe poblaciones distribuidas binomialmente con parámetros pt. En '"al caso ia distríbución muestral de la suma de estodísticos S.o de rcnal diierencias de estadísticos algunas veces estamos interesados en la suma de estadísticos.. ez respectiva¡nente. . y iai-ecuaciónes (I1 ) resultan Ittt-?z . corresponden a las proporcioneJ de éxitos P.P".5. y el valor una estima insesgada. puesto que al hacerlo así muchos resultados posteriores se simplifican. algunos estadistas escogen para definir la varianza muestral por S. et y pz. por (X. + ..e parámet¡o. (11) nrruestras son independientes. y S. y P.

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. UtilizAndo la misma idea po es más buci ¿" diferencias de varianzas. 5-7: DISTRIBUCION MUESTRAL DE RELACIONES DE VARIANZAS En la página 159 indicamos cómo pueden obtenerse distribuciones muestrales de diferencias. (21) está normalmente distribuida si la población de donde se toma¡on Ias muestras de tamaño n está normalmente distribuida. Es natural preguntar qué sucedería si no conocemos la varianza poblacional.grados'de libertad. Si. . se Debido al Teorema 5-6 la variable en (20\ ción de este teorema véase Problema 5. podemos considera¡ él estadísü próxima a 1 indicaría una pequeña pequeña indicaría una gr¿rn áiierencia mientras que una relación diferencia.24.Si.la variable tipificada Z= X-¡t "/yñ. Una posibilidad es estimar la varianzá poblacional utilizando una o más varianzas muestrales y luego colocar la corespondiente^ desviación típica en (21). resulta ir¡ ande o e un bien complicada. En cambio. S/\n X-t' slltn'- (22) r ü Podemos entonces demostra¡ utilizando el Teorema 4-6. Sin embargo.22. - 1. que se Si se toman muestras aleatorias de tamaño n de una población normalmente distribuida entonces el estadístico (22) tiene una distribución ú de Student con n . 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. 5l TEORIA DEMUESTREO 161 DISTRIBUCION MUESTRAI. denota con frecuetlcia por ¡2. en tanto que es normal asintóticamente si la población no es normal dado que n >: 30. Establecemos esto en el teorema siguiente. DE VARIANZAS Tomando todas las posibles muestras aleatorias de tamaño n extraídas de una población y computando la varianza para cada muestra podemos obtener la distribución mueshal de varianzas. en muesa la particular diferencias de medias.i2 o2 (20) o- La distribución de esta variable aleatoria se describe en el'teorema siguiente. que ? tiene una distribución de Student con n Teorema demuestra en el Problema 5. 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.cAP. En cambio de hallar la distribución muestral de S' ó S' es conveniente hallar la distribución muestral de la variable aleatoria relacionada nS! .1 grados de libertad. 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 (2I ) hemos supuesto lógicamente que se conoce la varianza poblacional o2 . Para una demostra- CASO DONDE LA VARIANZA POBLACIONAL SE DESCONOCE En los Teoremas 5-4 y 5-5 hallamos que. pagjna 117.

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

Es interesante observar que Ia gráfica parece indicar que la muestra se extrajo de una población de alturas normalmente distribuida. por ejemplo. Tabla 5-2 ESTATURAS DE 1OO ESTUDIANTES DE LA UNIVERSIDAD XYZ o H o 10 (pulgadas) fir) Estatnra i Número -f. En el intervalo de clase 59. Por esta razón es útil organízar o agrupar los dofos.5. podríamos haber registrado el intervaIo de clase como 59. EI siguiente intervalo de clase sería entonces 62. Ya que una estatura registrada tromo 60 pulgadas realmente está entre 59. conjuntamente con los dados.Por e¡emplo. se conoce como d¿süribución de frecuencia o tablade frecuencia. DISTRIBUCIONES DE F. Algunos de estos.5 y 60.5 y 62.5 y 62. El histograma correspondiente es entonces semejante al de la Fig. La ordenación resultante. . DISTRIBUCIONES DE FRECUENCIA RELATIVA Y OJIVAS estudiantes err cada clase. que puede tomarse como representativo de la clase.5 pulgadas mientras que unaregistrada como 62 pulgadas realmente está entre 61.'J ir z 61 64 6t- l0 ?3 76 (pulgadas) Estatura (p [:ig. la frecuencia relativa o porcentual correspondiente a la clase 63-56 es 18/100 ó 18'i. La suma de ias áreas es 1 ó l-00'. 60-62 es 61. desviación típica. se llama marca de clase. o al menos sus medias y desviaciones típicas (errores típicos).l . En este La primera clase o categoría. 5l TEORIA DE iúUESTREO 163 definiciones son análogas a esas dadas para poblaciones en el Capítulo 3.5. puecen enct-¡ntrarse con frecuencia. como se muestra sombreado en la Fig. etc. denotado por c¡r que comúnmente es el mismo para todas las clases (en cuyo caso se denota por c). Si en la Tabla 5-2 registramos la frecuencia relativa o porcentual en cambio del número de . Tabla 5-2. o por un polígono de frecuencios uniendo los puntos medios de los techos del histograma. Io que se llama uninterualo de clase.'RECUENCTA Si una muestra (o una población) es grande. EI punto medio del intervalo de clase. el resultado sería una distribucíón de frecuenciarelatiua oporcentual. denominada la frecuencia de clase. Como ilustración suponga que una muestra consiste de las estaturas de 100 estudiantes de la univelsidad XYZ.5 pulgadas. 5-1. Puesto que 5 estudiantes tienen estáturas casoc:62. es difícil observar las diferentes características o computal estadísticos tales como la media.5 los números 59.5 se conocen como límites reqles de clsse.5:3. consiste de estaturas desde 60 hasta 62 pulgadas.-r-l correspondientes a esta clase Ia correspondiente frecuencia de clase es 5. 5-1 ercepto que el eje vertical es frecuencia relativa en cambio de frecuencia.5-62.cAP. se ¡nuestqan en la tabla anterior. etc..:) riri {l¡ ¡ lii 12 o ilr -71 27 8 . 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. El ancho del intervalo de clase 7-ésimo. Orden3mos los datos en clases o categortbs y determinamos el número de individuos que pertenecen a cada clase.5-62.5--65. inciicadas por 6G-62. Distribuciones muestrales para estos estadísticos.5-59.) de tro estudiantes É tr-r (::i t'. es Ia diferencia entre el límite real superior e inferior.

P<. fk Puesto que hay f. l3 . (2Ir) Análogamente la varianza está dada por (25) IL Nótese Ia analogía de (24) y (25) con los resultados (2).. es decir ¡¡ . pagina 76. 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 : 0.5 Podemos c<¡nsiderar una distribución de frecuencia relativa como una distribución de probabilidad en la que las probabilidades se remplazan por frecuencias relativas. corresponde a probabilidades empíricas.l : .. o distribución de frecuencia relatiua acumulada. = I/ Tabla 5-3 Frecuencia de clase Marca de clase .¡r analogía podemos asocia¡ con cualquier distribución de frecuencia una distribución de frecuencia acumulada.3u.fl lt f. números iguales d media está dada por xt. Lasfórmulas (27) (28) .r _ 1 lt-_+-[291:-'' _l/1. 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. fz números iguales a xr. La frecuencia total es n. fr I /:* "'-l. y (13)..1 n. 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.. Véase Problema 5. Ya que las frecuencias relativas pueden considerarse como probabilidades empíricas (véase página 6). cuyas representaciones gráficas asociadas se conocen como ojiuas u ojiuas porcentuales respectivamente. pagina 78.r¡ TOTAI. COMPUTO DE LA MEDIA.L64 TEORIA DE MUESTREO lcAP. s tll f¡ números iguales ? rp. podemos considerar a las distribuciones de frecuencia relativa como distribuciones de probabilidad empírica. 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.

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

0 7. 5. Las correspondientes medias muestrales son 2. _Í ) .0 otr 3. (3.0 -i. 6) (8.5.6). 6) (3.40.o2/ N .2).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). 10'8/5 .11) (8. (6.8) (11. (o) y (ó) como en el Problema 5. El resultado final es .5 1 4.0 5.0 (2. (3.0¡:: -f -' .5+ 5.2\ Esto pone de manifiestrque '' . de la distribución muestral de medias x es 6. 3) (rl.0 y la media de la distribución muestral de medias .5 = 6. 7.8) \3.5 7. 5. por ejemplo. sumando los 25 números así obtenidos y dividiendo por 25.4.05.5 .2t (3. (2.5.1-¡ . Para una demostración general de este resultado véase hoblema I .11) (3.3).1¡ muestras (2.3) (6.11) (1r.0 8.8) (6.-.0r 6.8/2 = 5.?. Para una demostración general véase Problema 5. 7. 11) La selección (2. de acuerdo con el valor anterior.5 9.* 2. 5.0.6.0 -('25-10 - c.!lr_115. (d) I'a varianza o{. 4. (8.47..2. (3. (2. 3) (3. ¡r: 6 y o2 :10.O.0 9. 4 135 : -.29. (c) Hay iC-. l'I1!11-q9-"'-lgl-99'":'I9't3ls 25 comprobándose que ) 150 tt - o'' t{' -."2*= o2/r.6) (tt.5 (c) Hay 5(5) : 25 muest¡as de tamaño dos que pueden extraerse con remplazamiento (puesto que cualquiera de los cinco números de la primera extracción puede asociarse con cualquiera de los cinco nfrmeros de la segunda extracción).5 I. ) "l .5 7.8.0. ¡'.6) \2. o: 3.166 TEORIA DE MUESTREO lcAP. 2) (8.1.40 de modo que o.5 11.8. 5.0).5 + 9..\ N _irl.3) 111.0 : itO + 6..5.5. se considera la misma que (8. nuesto que segundo -:^-L-^ "" (.0)2 = 4.2) (6.f.puestoqueel segundo miembro es 10.b - 6.* .2.5 ¿" (l 8.11) (6.r' = 16. que es el valor obtenido anteriormente.0.0 poniendo de manifiesto el hecho de que tÍ - (d) La varianza. éstas son (2.U t< (. 3) (2. rj).D 6.0 4.8) Las correspondientes medias muestrales son 2.to oue el sesundo miembro ^^ .5 + 4. Para una demostración general véase Problema 5.5."\.1 para el caso de muestreo sin remplazamiento.05 Y ox r. 6.2) (11.5 5.0 O. (6. 11).2) 12. y la media de la distribución muestral de medias es 9. 8).r ) 4. 11). 4..0 6.5 + 10 /r. or". elevando al cuadrado cada diferencia.8). 8. 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. ll )..8) (8.0 + 7.0 es 8.01. Lo mismo que en el Problema 5. + (9.0 5.3).6) (6. 7.11) 4. Estas so r (2.6. + l:1. 8).. de la distribución muestral de medias se obtiene restando el valor de la media 6 de c¿da número de (1 ).5 6.

6 (68. Fig. que son muchas más de 80.8 y 68. \a) p*. Así se tiene.6687 Entonces el número de muestras esperado es (80)(0.4 - 68. Sin embargo. : (área bajo la curva normal entre z : -2.0098): 0.3 pulg.(área entre z : 0.4 en unidades tipificadas: (66. pues. (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. (b) menor de 66.4 pulgadas? ¿En cuántas muestras del Problema 5. por tanto.6 (o) 66.8 . Por ello.3 . 5-3 5.0038 -2 A7 Entonces el nhmero de mueshas esperado es : (80)(0.5l TEORIA DE MUESTREO r67 5. Supóngase que las estaturas de 3000 estudiantes de una universidad se distribuyen normalmente con media 68.67 0. Si se toman 80 muestras de 25 estudiantes cada una.02 onzas.6682) ó 59.1915 : 0. cabría esperar que la distribución muestral experimental de medias se distribuya aproximadamente normal con media 68.30 onzas.8 en unidades tipificadas 68.02 onzas y una desviación típica de 0.0)/0. sino solamente una distribución muestral experimenú¿1.0 pulgadas.3 en unidades tipificadas : : (66. para todo propósito práctico. 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. cojinetes de bolas tienen un peso medio de 5.0 pulgadas y desviación típica 0.304 o cero.5 - 0.67) : : (área a la izquierda de z : 0) y z : O) .5.0 pulgadas y dewiación típica 3.68.6 pulgadas y puede.(área a la izquierda de z : -2.3.5\ :(áreaentree:-2yz:O) * (área entre z : O y z : 0.5 Proporción de muestras con medias entre 66.4 pulgadas .6 pulgadas.3 La media X de una muestra en unidades tipificadas viene dada por Z X-p* aX X-68. = tL = 68. la media y desviación típica esperadas serán muy próximas a las de la distribución teórica.0)/0.25 -1 que es ligeramente menor que 0.cAP.4.0)/0.0 : 0.0 y z : O. 5. De aquí que con 80 no se obtenga realmente una distribución muestral de medias. Quinientos onzas.6 : -2.30 500 /ioo 500-1 - 100 0. (b) 66.02 ? .0 0. (b) de más de 510 Pa¡a La distribución muestral de medias ox- o yn !* = p = N-n N-1 5.4962 : -2.67 Proporción de muestras con medias menores de 66. Así. pulgadas.8 y 68.6 : -2. considerarse la misma que en el muestreo con remplazamiento.0 pulgadas y Yox=- ox = o=3 \/n {zs = 0. ¿cuál será la media y'la desviación típica esperada de la distribución muestral de medias resultante si el muestreo se hizo (o) con remplazamiento. puesto que el número de muestras es grande. habría mucha aproximación entre las dos disbibuciones muestrales.3 cabría esperar una media (o) entre 66.6 pulgadas 3000 3000 (b) p* = p - 68.68.4772 + 0. 0.0pulgadas o vn N-n _3 N-1 \/% .5) : O.

22 y z : -0.+"'") =. la cual tiene media ¡1. Se procede como en el Capítulo 4.10 onzas.ruo2.0. tenemos l¿-12 E(X¡) = * Entonces ya que la media muestral se define como -Y='' x.5 y 72. DISTRIBUCION MUESTRAL DE PROPORCIONES 5.. tenemos por los Teoremas 3-5 y Var (X) -f vu. (b) sea 5/8 o más del número de lanzamientos.. solamente se darán 3 casos cada 2000 de obtener una muestra de 100 cojinetes con un peso total superior a 510 onzas. Demostrar el Teorema 5-1.00 en unidades Probabilidad pedida tipificadas : (5.. página 158..5-5 5. Tenemos .96\ (área a la derecha de z:0) .0015 : (área a la derecha de z Así.O27 : 2. Puesto que el número de caras es una variable discreta.027 5. X2. mediante la aproxlmación normal a la binomial. se pide Ia probabilidad de que el número de caras se encuentre entre 47.7. 4. X.O27 : -2.96 en unidades tipificadas: (4.5-4 (ó) El peso total excederá de 510 onzas si el peso medio de los 100 cpjinetes sobrepasa las 5..7 4 : -2.(área entre z : O y z = 2.5. página 158.48(i8 .02)lO.. En esta población la probabilidad de cara es p : I12 y la probabilidad de sello es C :1P : l12.4985: 0.t - .6.10 . Puesto que X1. Hallar la probabilidad de que en 120lanzanientos de una moneda el número de ca¡as (o) esté comprendido entre el 40% y el60%. Se 1-2O. son variables aleatorias que tienen la misma distribución que la población.00 onzas.+-\1L tenemos como se requiere l E(X) = ]lEtX.2704 : 0. son ina"p"nl'i"nt"..E6)) = L(rr\ = t! 6.pues.96 5.(. y 6Ol/" de l2O.O2\10. Demostrar el Teorema 5-2.0.96 Probabilidad pedida : 2.7 4 y z : O) = 0.5 . . F'ie.00 - 5.168 (o TEORIA DE MUESTREO lcAP.96 ) El peso total se éncontra¡á entre 496 y 500 onzas si la media de los 100 cojinetes y 5.) - .(área entre z : -4.5. (x1) r rI (x.02)lO.22 y z : O\ . 6 72.216-1 (área entre z : : 222 -074 Fie.5 se encuentra entre 4.96) :0.ttr rr"rr"n Var uuri^X.. 3-7 " x. (a) ' pide ra probabilidad de que el número de caras en los 12Q lanzamientos se encuentre ent¡e 4O(/o de 6 48.+ "' + -' Entonces puesto que X¡. 5.7 4) (áre^ entte z : -2. Se consideran los 120 lanzamientos de la moneda como una muestra da la población infinita de todos los posibles lanzamientos de la moneda.10 en unidades tipificadas: (5.22 : --0. '1-.8.

1. ¿En cuántos individuos cabe esperar que (o) el númoro de caras se encuentre entre eI 40% y el 60% desuslanzamientos.50 = _2. (o) En el apartado (o) del Problema 5.28 _ y 0.5 en unidades tipificadas = - 60 72.28 : : : Otro método.0456 = 2.uo ".74% de ellas con porcentaje de ca¡as entte AOVI y el .idad pedida = 2.0041 7.I9 en unidades tipificadx: ffip z sí la probabilidad pedida es el área bajo la curva normal entre 0. puesto que 5/8: - 0.5 en unidades tipificadas = 72.86 : (área bajo la curya normal a la derecha de z : 2. Adviértase que (0.40 72.971. Así pues.4960 : 0.0040 -_ 0'6250 5. = .50 0.6250.6250 - 0. de 0. - 0.65\ : (área a la derecha de z : 0) .fn ficadas son. i:abe esperar el encontrar un97.51720 del primer método.28) 2(área errtre z : O y z : 2. de la población infinita de todo.0456 (0.0.60 + 0. Aquí se consideran S00muestras.28y2:2. (b) 518 o más de sus lanzamientos resulten cara? Este problema está estrechamente ligado al Problema 5.detamaño 120 cada una.48 .0'60 = 2.(áreaentre z : 0 y z : 2.=1p= ^FY = 120 = 0.8 se ha obtenido que todas las posibles muestras de 120 lanZamientos de una moneda.5 .60. 0. las proporciones pedidas en unidades tip! 0.19 : 2(0.cAP.5 5. puesto que L1240: 0.0041?-0. que 0'00417 0. 5l TEORIA DE MUESTREO ¡r: núrnero de ca¡ae esperado .60 5.00417) corresponden a las proporciones 47.28 que concuerda con lo obtenido por el primer método.28) 2(O.00417) en unidades tipificadas Probabilidad pedida .t9 yz : 2.s los posiblea l¿nzamientos de una moneda. (área bajo la curva normal entrez=-2. no concuerda exactamente.I9 : -2.8.0456 40Vo enunidades tipificadas 60o1c -2.5/120 y (b) Empleando el segundo método de (o) se tiene.977 4 ttp=P:i=o.9. Teniendo esto en cuenta se resta 11 Z" = Al¡.4857) : Aunquees:cresultadotiene dos cifras significativas.5 . puesto que no se ha utilizado el hecho de que la proporción es realmente una r¡ariable discreta.60+0. Cada persona de un grupo de 500 lanza una moneda 120 veces.4887 ) : O.48 Probai¡ .00.00417) y (0.40 y se Buma .0r56 - 0.40 0.65) : 0. = 2.np = rzo(!) = oo o= 47 \/"pq 47.117 l1 a 0.

0025 : 0. Otro méüodo.02 I 0. se tiene (o.oo125)enunidadestipificadas=W=|.5 en unidades tipificadas : " : {"w : (11.1131 .170 TEORIA DE MUESTREO lcAP.0025. método del apartado (o). (a) Puesüo que I.14 = 20 0.5025 o más. También puede utilizarse el aegundo 5.007 Mediante la corrección para variables discretas.={-= .5 o más. (3% de 400 ) : 12 piezas defectuosas. Se sigue que en 489 individuos se esperaría que su número de caras se encontras€ entre eI 4O% y el 6O%.489 : 1I individuos cabe esper:ü que su número de caras no se encuentre entre el 4O% y el 6O% de los lanzamientos. (Esta proporción puede también obtenerse dándose cuenta que 101 o más indica mayoría.25 y como antes la probabilidad pedida (b) {0.8)12.5000.3869 :0.0714 se : O. (2()'o de 400) = 3 Entonces 11.02(0.0352 L12n: ll40O: 0. Tales individuos pueden razonablemente sospechar que sus monedas no están bien hechas aunque sí lo estén.8 : - 1.0'02 -: 0.-' 0.4G y ".02 (o) y oP=tE= : 1/ 0. (b) 2% o menos? PP'=P=0. Es interesante advertir que en 500 . p0. se concluye que en (500X0.5025.5000 + 0. L/2tt. 0.25 hobabilidad pedida : (área bajo la cu¡va normal a la derecha de z : I. En ó00 muestras se puede esperar 97 . hubiese obtenido 0.. 12 o más significa 11.p = :p = 0. : 2 personas se esperará que los 5/8 o más 5. una mayoría se obtendría en la muestra si la proporción en favor del candidato fuese 0. ¿Cuál es la probabilidad de que en una partida de 400 piezas sean defectuosa..5000 - 0.98) v = 400 _ 0.) Entonces.00125.2t) : 0. Los resultados de una elección demostraron que un cierto candidato obtuvo el 46% de los votos.21 (área bajo la curva nonnal a la derecha de z : l.s (o) 3% o más.18) 0.50 + 0.5/200 = 0. Determinar la probabilidad de que de (a) 200. (b) Razonando como en (o).11.5 6OVo. Se ha encontrado que el 2% de las piezas producidas por cierta máquina son defectuosas.5025 Probabilidad pedida : .18 Probabilidad pedida : : (área bajo la curra normal a La izguierda de z 0. ó 489 muestras con esta propiedad.1056.5 y así la proporción sería 100.46)/0.0362: 1.57L4 Si no se hubiese aplicado la corrección.0. como variable continua.o3_o.1056 Si no se hubiese aplicado la conección se hubiese obtenido 0. pero ésta.10.00125) en unidades tipificadas 0'02 r 010q1?5 . En concepto continuo.0040) de sus lanzamientos sean caras.26): 0. 1/800 0. sería 100.0764.a es . (b) 1000 individuos elegidos aI azarde entre la población votante se hubiese obtenido una mayoría de votos para dicho candidato. Este tipo de error es un rresgo que se presenta siempre que se trata con probabilidades.5025 en unidades tipificadas : (0.7 4% de 500.5 y'1+oo)1onz)¡rsg : 2.

.7 g . Calcular (a) *u.' ¡ecado dc 5.46@Ba)/1000= 0.. rnientras que las de otro fabricante B tienen una duración media de 1200 horas con una desviación típica de 100 horas. (o) (b) (c) Éy._ri. @).]ESTRALES DE DIFERENCIAS Y SUMAS 5.' Éiinz. (f) n'u r- u" = mrianza de la población (U 1- U 2) (1-3¡z + (5-3)2 + Oo..ia de 1400 horas con una desviación típica de 2OO horas.. (b) 250 hóras más que las bombilhjde B? .iu. (d) V @ ).69 Probabiliüd pedida : (área bajo la curva normal a la derech¿ de z = 2. 14 (d. (f. o. 7. = media de La ]{S*?*8) = l. [. = mediadelapoblaciónU.6g) = 0.. ou.13._u. = varianza de la población I/' (3-6)2 + (7-6)2 + (8-6)z _ 33 a2u. -3)2 + (3-3)2 + (4-3'¡z b L7 3 Eeto concuerda con el reeulüado general para muestras independient"" ou.12.Ur) Fur-u.. = t/f..-(e) ou". = varianzadelzpoblación U.0036 = 2. = població n lJn = f. ofi.5000 - 0.0158. Sea Ut la variable de los elementos de la población 3.= \Ej7r-.5025 en unidades tipificadas = ff*s : 0.q/n = y'd.4. = FLrt = 4Lrr. (t) vr.4964 DISTRIBUCIONES MT. Si se toman muestras al aza¡ de 125 bombillas de-cada fabricante..a demostración del resultado general se deduce del Teorema g-7 . 6 r¿.6l (b) pp TEORIA DEMUESTREO = p: 0. 8 y U2 lavariable de los elementos de lapoblaciín2.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..m=!T.j ut-v2 (6-3)21(-.cAP. = (2-3)2 * (4-3)2 =l ó ou"= l.46. ¿cuál es la probabilidad de que las bombillas deA tengan una du¡ación media que sea al menos (a) 160 horas. (b\ pu. y 0. Las bombillas eléctricas de ün fabricante á tienen una duración Lned.) nu._u"..) o (e) . sacado de (o) esto concuerda con el resultado general FLtr_uz= y (b).

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.

5.2 52.0 3.5 100.8 18.2ol.6. dos 6. dos 2 y tres 8. 5-12 Fig.56 ó 1.2.(6)(5) +(2)(3) +(2)(6) + r5)(4) I (2)(2) +(3)(8) 6+21-2+5+2+3 96 20 = 4. Cuatro grupos de estudiantes. CALCULO DE LA MEDIA.3. Método l. La Fig. 5-12. 5-12 muestra el polígono de frecuencias acumuladas u ojiva de los datos y los trata como si en esencia fuesen continuos.4.0 o o É o C t{0 6 N^^ Eou o O . 2x It 5 qA +3 | fi + 5 + 4 + 5 + 2 + 8 + 6+ 5+ 4 + 8l. respectivamente.5-ll (c) La representación gráfica puede indicarse como en la Fig. 5-11 y 5-12 corresponden a las Figs.8.8.aparece para todos estos valores (indicado por la línea horizontal).4. así por ejemplo.75.5.10 y 18 individuos registran una media de pesos de 162.8.6. Hallar el peso medio de todos los estudiantes.10 Hzo o lzo A 0123456 Número de caras 6 0123.4. Hallar la media aritmética de los números 5.23 caras.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?. 1.4. 5-11 o en la Fig. cinco 4. 5.2. Nótese que las Figs.1 Número de caras Fig.5.3. VARIANZA Y MOMENTOS PARA MUESTRAS 5.3 + 4 + 5+ 4 + 8 1 2+ 5+ 4 20 =ñ:n'" Método 2.32. dos 3. 5-9 y 5-10 de la parte (a). . de modo que eI mismo porcentaje l8. el porcentaje de lanzamientos en los que haya menos de 2 caras es igual aI porcentaje en las que haya menos de 1. L48.8 5.31.TEORIA DE MUESTREO Nfimero de lanzamientos Nfrmero de caras (frecuencia acumulada ) 0 Porcentaje de lanzamientos (frecuencias acumuladas porcentuales) 0.4 81 .6. 5-11 es Ia más lógica para representar datos discretos. Hay seis 5. formados por 76. 153 y 140 libras.4. La Fig.10 N-^ EOU G' o :! . 20. Entonces _ )/¡ n ..

180 sfn TEORIA DE MUESTREO lcAP. etc. 5. La media está dada por fi _ 2f¡r¡ = = nnnn.rj.. Técnicas breves se encuentran disponibles para disminuir el trabajo en tales casos.33. se consideran como teniendo estaturasde 61.45 pulgadas . Véase Problema 5. si 5 tienen una estatura de 61 pulgadas.. la es La solución se indica en la Tabla 5-9.45 pulgadas Los cálculos involucrados pueden conveitirse en tediosos. 67. T abla 5-lO 5. para hallar tatura media de los 100 estudiantes de la Universidad.35. )fu = l5 u = "*(?t. -. Tabla 5-9 Estatura (pulgadas) Ma¡ca de clase (c) 61 Frecuencia (/) 5 fr 305 60-62 63-65 66-68 69--71 64 67 70 18 AO rt52 28t4 r890 584 27 8 72-7 4 ¿-)/-100 2 fr = 6745 2lr >/ - + . etc. Adviértase que todos los estudiantes con estaturas de 60--62 pulgadas. La solución puede ordenarse como se indica en la Tabla 5-10.)" = 67+ (i%). = a*c! )/'rr' . 5 = 150 libras 5.34 para hallar la estatura media de los 100 estudiantes de la Universidad XYZ (véase Problema 5-33). XYZ. pulgadas. es decir r¡ -o:cltj óx¡: a *cu. 18 tienen una estatura de 64 pulgadas. Utilizar la fórmula clave del Problema 5. )/'(o*crr¡) = o>f. Entonces la desviación de.¡ (tambiénescrito brevementecomor =a I cui. Derivar la fórmula clave (27). alcú" 2f¡u. xj .ffiq = 6?..r¡ con respec[o a alguna marca de clase determinada a. pígina 163. especialmente para los casos en los que los números son grandes y hay muchas clases. Utilizar la distribución de frecuencias de estaturas en la Tabla 5-2.35. El método se denomina el método claue y debe emplearse siempre que sea posible..t yaque n=2f¡. 63-65 pulgadas. Denótese la clave de marca j-ésima por .34. es igual al tamaño de intervalo de clase c multiplicado por algún entero u¡.o.página 164.64. Elproblema entonces se reduce a encontrar la estatura media de 100 estudiantes. por ejemplo. para la media aritmética. etc.

36. : y'Gb.96 y "-rfzs6=1.9025 208.33. Como en el Problema 5.37.34 tenemos ri = a + cui y ft = a*c'" 2f.r\2 n 15(162.11 Estatura (pulgadas) Ma¡ca de clase 61 r r- r-r = 67. Como en el Problema 5.0L25 214.31.8.20 .6025 11.2460 8.45 2.Do 18 42 27 8 0. .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.10 libras. = a*cú' t¿ . aír 20 Méüodo 2.8):¿ + 3(8 - 4.55 o.5025 30. s2 = 59. Entonces n20 _ 59. " 2f(r-r\2 _ n 6(5 .rlgadas. = +:q = 65'6 en unidades libras cuad¡adas o (libras)2 .45 pr. [.z - 2 f(r .45 -0.36. Hallar la desviación típica de las estaturas de los 100 estudiantes de la Universidad XYZ Véase Problema 5. (o) Método 1.6 (libras)2 : \6bS libras : 8. página 164.8)2 = 2QA (2_20 4. Del Problema 5.8)2 _ (b) De (o\.7500 100 = {dEfB = 2.45 lr - fr)¿ Frecuencia 5 / f(r ñ\2 60-62 63-65 66-68 69-71 -6.39.u.33. donde hemos utilizado el hecho de que las 5.31 tenemos ú = 4. x: 67.a solución puede ordenarse como se indica en la Tabla 5'11.5050 I¡D.2025 6.7500 f(r TL n\z 852. Hallar (c) la varianza y (b\ la desviación típica para los números en el Problema 5. 5.32.92 pulgadas 5. HaIIar Ia desviación típica de los pesos de los estudiantes del Problema 5. Derivar la fórmula clave (28).38.45 4t.4. 5l TEORIA DE MUESTREO 181 5.20 20 2.cAP.4200 n=)/=100 2 2f(r-ñlz= 852. Tabla 5.8025 72-74 246.DO'O 64 67 70 73 -3. para lavarianza.

Esto nos permite halla¡ 6.33.-a¡z i) = "i 2 ¡ .33.> f . 2 't t f. 2lu=75 )fqz = 97 lalEr lo-s primeros del Problema 5. 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 .f!n'LN c2[u2 (. De la frltima columna tenemos ¡ como en el Problema a2 = "rfL>l!'.'r".u.40./¡¿)'l = ¿21¿ .{r. b = f.- o¡.L82 Entonces s2 TEoBTADEMUEsTREo [cAp.39 para hallar la dewiación típica de las estaturas en el Problema 5.f ¡@.o. cr¡atro momentos con respecto a la media para la distribución de estatu¡as Continuando el método del Problema 5.40 obtenemos la Tabla 5-13.92 pulgadas.u? = ¿2 ¿2 * . Tabla 5-12 r 61 u t D fu -10 -18 0 fuz 20 18 0 64 +67 70 73 -2 -1 0 1 18 42 27 8 27 8 27 32 2 z=)/=100 5."? -'#2 2ú2c2 r¡u.u? -t t - C2[ /2f. = ¿2.35. + tlz) 2xt = *2 : t. : }> f .41.\t 't t l = = ".az¡ n \n /l = ta)'f-re? / rs Vl = Ltoo-\t*/J ^ ó'b-275 y s: 2.'1 \fu/J _ ú2]l 5._ "o¡.jú. Utilizat la fórmula clave del Problema 5.1"u. La solución puede ordenarse como se indica en ta Tabla 6:12. + c2úz *> r.<"? .

15 ML=Zy = o.9? .(0. 02.cAP.53 M'r') = 9[0. (o) DeI Problema 5. 40.41. 99 (véase Tabla 5-14).EO notación de la página 165.88 "z1ML- 8.6275 B(0. (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.15)(0. De (D) yemos que e8 menoc apuntada que la dishibución normal (que tiene un coeficiente de curtosir: 3).6932 a3 Coeficiente de eesgo = a.. . cada uno de los cuales determina la estatu¡a de un eetudiante determinado.1s)2] = ca(ML-gLI|Mi+ zM'Lz) = 2?[0. PROBLEMAS DIVERSOS 5. (b) Hallar la media y la desviación típica de la distribución muestral de medias en (o).6982 . Hallar los coeficientes de (o) sesgo y (b) curtosis para la dishibución de estaturas del Problema 5.3759 ffiz:s2=8.14 m+ Entonces = 199. 46. etc. 67. ffi2=s2=8.43.67 pulgadas respectivamente.97) -3(0.3759 qa-szrgy _ 6 al = z't+ De (o) vemos que la distribución está modetadamente sesgada a la izquierda.97 M. (o) Emplear dos dígitoe para numerar a cada uno de los 100 estudianües: 00. Así 51 conesponde a un estudiante con estatura 66-68 pulgadas. los 18 eetudiantes con estaturas 63-65 pulgadas se numeran 05-22.42.33) + 6(0. (c) Comparar los resultados de (b) con los valores teóricos. Entonces extraeremo8 nl¡meros muestrales de la tabl¡ de nf¡meros aleaüorios (Apéndice I). (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 27.15)41 : 199.^=>+=2.BB Mí= >fu2 n y de (32). 27. que tomamos como n(¡meros muestrales aleatorios. En forma semejante 77.4MiML+ 6M'r2ML- BMin) 81[2. Del primer renglón hallamos la secuencia 5I. Cada Nf¡mero Estatura n(rmero de estudiantes se denomina número'muestral.9?) + z(0. lttt = ffi2= ffi3= 0 0. OL. Asf los 5 estudiantes con esüaturas 60-{2 Tabl¡ 6-14 pulgadas s€ numeran 00-{4. -0.5275 Entonces mB = -2. etc.1b)B] = -2.nL¡ = ca(M't.6l Entoncee. 7'1. . utilizando La TEORIA DE MUESTB..53-4(0.33.15X0.5275)3 (b) Del Problema 5. explicando cualquier discrepancia.41.. fflg = p: { (8. 46 resultan en'estatu¡as de 70.3?59 5.15)2(0..5275 rttt Coeficiente de cu¡tosis as=E = : 199. que tomamos como 67 pulgadas (la marca de elase). tenemoe 183 M] = >fu n = 0.

73. 21.67 64. 70.93 27. 67.64.41 pulgadar . 67 23. 60. 75.00 67.25 69.00 67. 67 70. 70 64.44. L¡ medi¡ y la derviación tfpica ee obtienen como es usual por los métodos claves delcrito¡ anterbrmeuüe.91. 70.70. 19. 07. 06. 59.79.ón dc l¡ trbl¡ de nl¡rncro¡ dcatoiio¡ h¡brfrmo¡ podido inici¡¡ en eualquier parte y escoger cualquicr patrón dctetmindo. 90. 65. 10. 40.25 65.00 -4 -3 -2 -1 0 1 -4 0 -4 -6 0 0 4 / 28 45 16 23 d D . 67.73 73. ?1. 73 67. 67. 64. 34. 70 67.00 64.64.70 Trbl¡ 6-16 Media muestral 64. 67 70. 70. 51. 16.58. 56. 67.46. 43 1f. 39 13. 67 Ír¡f¡f media 66. 15. Esta ee una distribución mucet¡al de mediu.60 67.28. 64 70.52 13. 67.64 73. 87 fl. 63.31.75 67.184 TEORIA DE MUESTREO lcAP.50 66'.22.62 4.08 12.32 8.42.57. 42.00 70. 70. 67. Medi¡ = a*cú Derviación = o*c2fu típicr = = e - 6?. 81. 70 64.96.82. 33 m.25 67.33.02.91.97. 67. 51. 67.50 68.96.74.74. 58. 76.75 69. 45. 70. 70 73.25 68.f = n 30 4 ).75 66. 56.79 70. g8 25.58 9.50 68. 67 70.25 68. 67.64.25 70. 70. 61. 70. 73.98.70. 98. l.75 69. 67 .27.69. 67.25 66.54 2:2. 6? 15.93 14. 67.70. 31.6r.50 65. L2.50 68.93.67. 12 3.67 67.25 67. 1t.73.8s estatu¡as correspondientee y la est¡tun mcdb pan c¿de un¡ de h¡ 30 muegtraa flebe mencio¡rarse que aunque eecogimos el prirner rengl.64. 67.2L 10. 67. 03. 20. tt.87 26. T¡bh 6-ró Nf¡meros muesFale¡ Est¡twr¡ o- E¡la+ Nfrmeros muestralea extrafdo¡ rrcqrondieatcc 67. 67.00 (0'75)(23\ = * 'ñ- 67'58 Pulgadaa 2fuz />1"\' n -\ i " (0.99 23. 67. 30. 11. 56.64. 18 70. 67.50 67.25 67.fu. 6L. 07.25 64. 73 67. 73. 64. 64. 73. 67 67.91.73 67.00 66.83. 70 6L.03.09. 67. 05. 67 29. 64 67.00 extnfdo¡ Estatr¡¡as corespondientec 64. 70. 67 64.5 Por eete proceso obtencmo¡ l¡ T¡blr Fló quc rnue¡tra lo¡ n(¡mcro¡ mue¡trale¡ extrafdor.84 64.24 64. 73.04.24. 3 14 16 4 I l.2L.0L.76) = 1.50 79.50 66. 64. 67. 64. 67 70.25 Cl¡enta Í 1 u fu fu2 16 0 8 6 0 2 ñ( /t/t )#{ 6 4 A a+67.23.41.70 70.75 65.50 68. 55.00 68.93 5.25 69. 64.6L.64. 73.30 58. 67 67.64.25 69. 19.97 24.50 69.75 68. 67. 53. 64.70 medi¡ 67.08. 10.00 66. 67. 46 2. 67.50 1.36 08. 96. 93. 58 70. 64 67.54. 45. 70. 67. 70. 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). 86 6.'7L. 68.70 7. 67. 67 64. 21.77. 13.28.70.

46.g2/fi = 1.a a.10.) au . /(r) tr.f 'LJ" f t@ta*l'/t.r.40) y el tamaño de la muestra n : 4.4772) = 0.t.50 libras. 5.) ps: o = ts=-' o 10..0y0.4 es (0.. de acuerdo. Se escogen muestras de 200 estudiantes de esta población y se calculan las dewiaciones típicas de las estaturas de cada muestra.0 libras y desviación típica 0.4918) : 0. por tanto el porcentaje pedido es 2.4.0 lb ( lr) \/2" + = 0.". Hallar (c) la media y (b) la dewiación típica de la distribución muestral de las dewiaciones típicas.0.0 libras.8%. (a) : 11.8libras? La distribución mueetral de desviaciones típicas es aproximadamente normal con media 10.46 pulgadas. estamos de acuerdo con el valor de 1.33). Las discrepancias se deben a que solamente 30 muestras fueron seleccionadae y el tamaño de la muestra fue pequeño.0 es (0. La desviación típica teórica (error típico) de la distribución muestral de medias.44.8 . por tanto el porcentaje pedido ec 0.r .a la media poblacional ¡r que 67. ¡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 €.cAP.50 : -2.con el valor de 67.58 pulgadas de la parte (b). esto es Q\ (r) f" sean .8 libras en unidades típicas : (8.5l (c TEORIA DE MUESTREO 185 ) es t a media teórica de la distribución muestral de medias. ¿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.10. Í:-lÍ.0 libra¡ en unidades típicas: (11.5 . dada por o*.?d L -r. El área bajo la curva normal a la izquierda z : -2.1 aJ. ) ea el producto de (1 ) y (2).50 : 2..92 pulgadas (véase hoblema 6.0082.0 libras.50Ib v400 5. ¿Qué porcentaje de las muestras del Problema 6. 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) .l' ra. dada por a¡. es ig¡ual.44 tendrían dewiaciones típicas (o) mayores que 11.3'/'.' ¡p¡ a*)"lJ'"-r. donde la dewiación típica poblacional o = 2.rJ f eL) du La probabilidad de que las 2 últimas ob¡ervaciones sean menores que u (y por tanto menores que las primeras 4) está dada por (2) fnu12 l) --na a. De la Tabla 5-1. es igual a o/y'[. Una muestra de Por 6 observaciones se hace aleatoriamente de una población. El área bajo la curva normal a la derecha de z 2.45.41 pulgadas de la parte (b). . pfuina 162. tenemos: ( ¿[. de (b) 8. La desviación típica de los pesos de una población muy grande de estudiantes es de 10.0. 5.0 .45 pulgadas (vóase hoblema 5.0228.0)/0. Entonces la probabilidad de que las primeras 4 sean rnayores que ü y las 2 últimas 6ean menores que u es decir - nc.0. (b) menores que 8. Podemos considera¡ que el muestreo es o de una población infinita o con remplazamiento de una población finita.5 .t J. Puesto que o/t6':2.

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

(d) la dewiación típica de la distribución muestral de media¡.¡ = . y el Problema 6-4?. Por tanto I+v:l Cov (X¡. ya que por definición a1 187 -la2+'.53.48. ¿en cuántae de lag mue¡tras aleatoria¡ cabe ecperar que sus medias (a) ertén enl'l. .( rr-:--r l(-.6l TEORIA DE MUESTREO En esta ecuación.38 o mayor de 22.LL.(.N-1J '¿\N-1/ Problern DISTRIBUCION MUESTRAL DE MEDIAS a. Loa peeos de 1600 cojinetes de bolas se distribuyen normalmente con medla 22.á var(X¡) * . NÉ y la primera suma en el lado derecho er igual por definición. cov(x¡.f x"\ D p (.(-r¿_ i)] = Lfr-"-rf = 4(N-"\ nl. remplirzamiento.. (b ) la dewiación típica poblacional. (d) ¡ean menor de 22. Encontrar (c) v (d) directamente de (c) y (b) mediante las fórmula¡ 5.iE(x)+"'+E(x")l 1 =1 n (p -r "'+p) donde hemoe empleado el Problema 6.' " ) = . (c) la media de la digtribución mueshal de medias.p) = -Noz r \ -2 'r' X¡) = .51.1'".Ét suplernenta.. Resolver el Problema 6.(n_'. (c) sean menor de 22. 5. Una población est6 formada por los cuatro nfrmeros 3. 15. el lado izquierdo e8 cero. Demostrar que (c) la media y (b) la varianza de la media muestral del Problema6. g (o¡ - p)(o.40 onzas y dearriación tfpica 0.42 onzae. = p (b) Uüilizando loe Teoremar 3-5 y 3-16 (generalizadoe).39 onzas.49 si el muestreo fuese sin remplazamiento. Considerar toda¡ lae posibleamuestrasde tamaño dos que pueden extraers€ de esta población con remplazamiento. En el Problema 5.048 onza¡.) = #[.62.a7 @).50.47 están dadas respectivamente por t*= (o) E6) = "1 =*"(x=) /X' +.Ét ".N\N-rl' 't/ 5.x¡)] = #ú* *.4L .51 si la población 5e compone de 22 cojineter. obtenemos var(x) = Sv^. (b ) sin 6. adecu¡das." +a¡v = a N 02. Resolver el Problema 5..51.37 onzaa. 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.49.á. Hallar (o ) la media poblacional.rlo s 6. ó.e 22. Si se erüraen 300 mueetras de tamaño 36 de e¡üa población. (b) sean rnayor de 22.4L onzas? y 22.7.cAP.N-1 ^' .

Hallar la probabilidad de que una muestra aleatoria de 16 tubos. haya una diferencia superior al1^o"k en las proporciones que votaron por dicho candidato. sacadas de la urna con rempliazamiento. ¿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. (b) l2 bolas rojas y 8 blancas. Se extraen dos cotecciones de 30 bolas cada una con remplazamiento y s€ anotan sus colores. 5. respectivamente. que tienén unas registencias .60. (b) menor de 785. ¿Qué enores pueden introducirse al utilizar dos conjuntos diferentes de monedas? lotes de 100 bombillas cada uno. difieran en su puntuación media en (o) 3 o más puntos. que es de 8200 libras? DISTRTBUCION MUESTRAL DE PROPORCIONES 5. ¿Cuál es la probabilidad de que las dos coleccionee difieran en 8 o más bolag Resolver el Problema 5. se pueden usar hojas de papel. (c) mayor de 820 horas. 5.6 6. (c) entre 2 y 5 Una urna tiene 60 bolas rojas y 40 blancas.188 TEORIA DE MUESTREO lcAP.57.54 si la muestra extraída ee de 64 tubos.R o I en las proporciones adecuadas. (c) más del 640/o sean niños. comprobar que . Si normalmente el 6Vo de las bombillas es defectuoso. Ciertos tubos fabricados por una compañía tienen una duración media de 800 horas y una dewiaeión típica de 60 horas.6t.69. (d) enhe ??0 y 830 horas.65. sob¡e las que se escrriba la inicial . (ó ) entre el 43% y el 57% sean niñas. 5. Los pesgs de los paquetes recibidos én un departamento de almacenamiento tienen una media de 300 libras y una desviación típica de 5O libras.61. Si U¡ y U2 son los co¡r¡\ntos de nhmeros del Problema 5.' ¿Cuál es la probabilidad de que dos grupos de estudiantes.55.60.5t.62. (ó) al menos 450 libras más que A? 5.nedias a larotura de 4000 y 4500 libras con desviaciones típicas de 300 y 200 libras. Lo mismo del Problema 5. rojas? 5. (c) 8 bolas rojas y 12 blancas. ¿en cuántos lotes cabe esperar (o) menos de g0 bombillas buenas.12. Explica¡ la diferencia. 5.63.59. (b) 98 o más bombillas buenas? 5.54. En una prueba de aptitud puntos? la puntuación media de lo¡ estudiantes es de ?2 puntos y la dewiación típica de 8 puntos. 5.56. Si se comprueban 100 cablesdeA y 50 cablesde B' ¿cuál es la probabilidad de que Ia media de resistencia a b rotura sea de (a) al menos 600 libras más que A. (c ) el 63"h o más sean niñas? Resolver el Problema 5. (b) 6 o más puntos. ¿en cuántas cabe esperar que (o) menos del 4OVo sean niños.6?.ar las diferencias en los Una u¡na contiene 80 bolas de las que 6oo/a son rojas y 4OToblanca* De un total de 50 muestras de 20 bolss cada una. y explic. Un fabricante despacha 1000 DISTRIBUCIONES MUESTRALES DE DIFERENCIAS Y ST'MAS 5. En lugar de bolas rojas y blancas. Hallar la probabilidad de que en dos muestras aleatorias compuesta cada una de 200 votantec. (b ) entre el 4O% y el 60% sean niñas. A y B fabticzn dos tipos de cables.64.el 4Oi'o sean niños. formados de 28 y 36 eetudiantes. 5. 6.66 si las exüracciones son sin remplazamiento al obtener cada colección. De un total de 1000 muestras de 200 niños cada una.63 si se comprueban 100 cables de cada fabricante? Explicar las diferencias. (d) 10 o más bolas blancas? Dseña¡ un experimento que ponga de manifiesto los resultadoe del Problema 5.66. respectivamente. Supónganse iguales las probabilidades de nacimientoe de niño y niña. ¿en cuántas cabe esperar (a) igual número de bolas rojas y blancas. Los resultados de una elección mostraron que un cierto candidato recibió el 65% de los votos.57 si se consideran 100 en lugar de 200 niños resultados. 5. ¿Cuáles son las probabilidades del Problema 5. tomada de entre ellos tenga una duración media de (a) entre 790 y 810 horas. llallar Ia probabilidad de que de los próximos 200 niños nacidoe (o ) menos d. 6.

74. Se pesan tres cantidades dando 20.799 800 .72 ei el muestreo es sin remplazamiento. (e) Tamaño del intervalo de clase.899 900 .72.48.49. 5. La Tabla 5-17 rmuestra una distribución de frecuencias de la duración de 400 tubos de radio comprobados en la L & M Tube Company.399 400 .E0.5I TEORIA DE IIIUESTREO ttur2 189 (a) 4. donde ? tiene. ¿Cuál er la probabilidad de que cuatro de estas baterfas conectadae en serie tengan un voltaje conjunto de 60.80 si las desviaciones típicas de las duraciones son (o) ambas 40 horas.599 600 .73.8f .8 o másvoltios? DISTRIBUCION MUESTRAL DE VARIANZAS 6. = 1.2 voltios.46 y 0. hallar (o) Ia media de la distribución muestral de varianzas. y Se halla que CASO DONDE SE DESCONOCE LA VARIANZA POBLACTONAL 5.i se confirman por este valor y explicar cualquier diferencia. respectivamente. entie 0. ?s 6.?6. De acuerdo con la tabla de distribución ú de Student para 1 grado de libertad (Apéndice D) tenemos P(-1 < 1) : 0. (b) ambas b0 horas. (h) Porcentaje de tubos cuya duración no sobrepasa . Con 6. 6 Frecuencia de Ia cua¡ta clase.71. 6. Si se extraen muestrae de tamaño 5 de esta población. Determinar la probabilidad de que la varianza de la primera muestra sea mayor que (o) dos veces. una distribución ú de Student con r. La duración parz A tiene una desviación de 40 horas la duración de B tiene una desviación típica de 50 horas. Reeolver el Problema 6. Tabla 5-17 Duración (horas) 5. Con referencia a esta tabla determinar: (¿) f 'ímite superior de la quinta clase. (ó) P(1. (b) mayores que 20.3?6 < ? 1.35. A y B fabrican bombillas. ¿qué porcentaje puede tener varianzas (a) menores que 10. (b) el error tfpico de varianzas. para diseñar una tabla de distribución f de Student como la dada en el Apéndice D. DISTRIBUCION DE FRECUENCIA 5.70. Hallar (o ) la media y (b ) la desviación típica de la suma de las cantidades.49 se confi¡man utilizando (a) P(-1 < f < 1) = 0.2 veces.0. (d) Límites reales de la última clase. (b) ou1+ur = \Grtr.82.54 libras. referencia al Problema 6. la de la segunda.cAP.376) .50.tubos aleatoriamente hallar la probabilidad de que la dewiación tfpica muestral (o) no exceda a 50 horas. Número de tubos L4 46 58 76 68 62 48 22 6 Solueionar el Problema 5.77.54 libras con dewiacionee típicar de 0.0. El voltaje medio de una baterfa e¡ de 15.0 voltios y la dewiación tfpica 0. ó.75.01? Dos compañías. (b) 7.tr*Lrr: ru. (b) Límite inferior de la octava clase.01.699 700 . Si se seleccionan 10 . I 6. página 161.60.499 500 . Dos muestras de tamaños 4 y 8 se extraen de una población distribuida normalmente.05 y 0. (b) se encuentre enüre 50 y 70 horas. DISTRIBUCION MUESTRAL DE RELACIONES DE VARIANZAS 5. 6.50. (g) Flecuencia relatir¡a de la sexta clase. o menor que 0. ¿Es la probabilidad de que una ttarianza sea mayor que 1. TOTAL 400 . Explicar cómo podría utilizar el Teorema 5-7. Una en tanto que muestra de 8 bombillas se toma de A y 16 de 8.97 y 62. Verificar si los resultados del Problema 5. (c) entre 5 y 10? la duración de tubos de televisión fabricados por una compañía tienen una media de 2000 horas una dewiación de 60 horas.78.79. Verificar si los resultados del Problema 5.21. = 5. Una población normal tiene una vari¿nza de 15.05.999 300 1000-1099 1100-1199 las 600 horas.5 veces la otra mayor que 0. (c) Marca de clase de la séptima clase.

92. ¿cuál es el promedio adecuado para sus calificaciones? (b ) ¿Cuál sería si todas las ponderaciones son iguales? 6.735 0.740 0.t4.0. Para los datos del Problema 5. La Tabla dos.87.190 (i) (j) TEoRTA DE MUEsTREo Porcentaje de tubos cuya duración es mayor o igual a 900 horas.731 0. 0.?30 0.735 0.63.?36 pulgadas. Con los datos del Problema 5.333 y 0. sue clasee . (f) una distribución de frecuencias acumuladas.736 0. ó. (c) Si las ponderaciones asignadas a cada asignatura rcn 2.86. 5.324. 5.741 0.46.742 0. (c) di¡tribución de frecuencias relativas.128 0. siete 7.72t 0.89 para los dato¡ del hoblema 5.82.736 0. ocho 8. (c ) un polígono de frecuencia¡ relativas.730 0.91.327.726 0.736 0.738 0.739 0. (i) una ojiva porcentual. 0.724 0.727 0.89.732 0.95. (c) entre 620 y 890 horas.737 0. (c) entre 0. 4 y 6. lcAP.729 0.746 0. 0.88 consüruir (o) un histograma.735 0. respectivamente. 0. 93. (d) una ojiva porcentual. Con log resultados del Problema 5.742 0.82 construir (o ) una distribución de frecuencias reliativas o porcentual.94. 5-18 niuestra los diámetros en pulgadae de una muestra de 60 cojinetes de bolas fabricados por una compañía.63. (d) un histograma de frecuenoias relativas.737 0. Las calificacione¡ de un estudiante en cinco aeignaturaa fueron 85.?36 0. (b) un polígono de frecuencias.93. ¿Cuál es ¡u media Las calificaciones de un estudiante en las tres asignaturas del curso fueron 77.734 0. 5.739 0.740 0. (g) una distribución acumuhdá porcentual. O.743 0. DESVIACION TIPICA Y MOMENTOS PARA MUESTRAS 6.734 0. (c) los límite¡ de clase.740 una 5.735 0.728 0.E5' Para los datos del Problema 5.386.736 0.?38 pulgadar.50. y 0.732 0. Una 6.736 0. 6.731 0. ?6. (h) una ojiva.746 0. Comparar estos resultados con los obtenidos directamente de la colección de datos de la Tabla á-18.89 determinar el porcentaje de cojinetes de bolas que tienen diámetros (o) superiores a 0. respectivamente.725 0.?39 0.732 0. correspondientes a la distribución de frecuen- 5.74 y 82.734 0. Construir una distribución de frecuencias de los diámetros utilizando intervalos de clase 5.52.82 construir (o) una distribución de frecuenci¿s acr¡muladas. ó.5 5. horas.735 0. (c) una ojiva.49. (b) los límites reales de clase. Construir (a) un histograma y (á) un polígono de frecuenciae ciaa del hoblema 5. 0.735 0.738 0. Hallar la media a¡itmética de dichas calificaciones.0.?30 y 0. Deüerminar el tiempo medio de reacción del individuo a los estÍmu- 6.744 0. nueve 9 y diez 10. (b) 9?0 o mág Los diámetros interiores de las arandelas producidas por una compañÍa pueden medirse con aproximación de milésimas de pulgada.321.82.729 0. (b un ) histograma de frecuencias relativas.(a) el tamaño de intervalo de clase. "de"*- Tabla 5-18 0.88.44 los.734 0.732 pulgadas.733 0.741 0.330. Resolve¡ el Problema 5. ee¡ie de nfimeros está formada a¡itmética ? por seis 6.735 0.90.78 y 89.96. Tles profesore¡ de economfa regieünron una ealificación media en sus eiámenes de 79.?30 0.55 segundos. (e) un polígono de frecuencias relativas.735 0. Los tiempos de reacción de un individuo a determinadoe estímulos fueron 0. Si las marcas de clase de gna distribución de fiecuenciaa de estoe diámetros vienen dadas en pulgadas por los números 0. hallar.733 0. Porcenüaje de tubos cuya duración es al menos de 500 horae pero menor de 1000 horas. 0. Estimar el porcentaje de tubos del Problema 5.732 0.732 0.733 0.83. CALCULO DE LA MEDIA. 82 y 96.0.82 con duraciones de (o) menos de 560 horas.737 0.738 0. (b) una distribución acumulada relativa o porcentual. (b) no superioree a 0.

7265-0. 6.7252 0.0.5l estaban formadas por 32.101. Calcular el diámetro medio.6 se obtiene la s€rie 8. 2. 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.7259-0.7277-0. L.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 0.2.99.7282 TOTAL de de Sfmenos de 36-menos de 40-menos de 16 L2 30 36 40 45 I o 2 TOTAL 54 250 6. Hallar la desviación típica de los número¡: (a) 3. . pero diferentes medias.7.7270 0.7 .3-11. L7.6. Log salarios medios anuales pagados a hombies y mujeres de la compañía fueron $á200 y $4200. ¿Cómo están relacionadas las medias? (b) Multiplicandocadaunodelosnúmeros3.2 11. Demostrar que ¡as dos series tienen lae mismas desviaciones tfpicas.7 10.?276 0.262-0.6. 11 . Determinar el porcentaje de hombres y mujeres empleados en la compañía.7256-0. 15. ' 164.7250-0. (o) Sumando 5 a cada uno de los nl¡meros de la serie 3. respectivamente.6por2ydespuéssumando6seobtienelaseriell. 5.98. 10' L6.5. Tabla 6-19 Carga móxima Nl¡mero de cableg (toneladas cortas) 9.7271-0.7 t2 17 l4 6 3 1 Tabla 6-2O fr 11.1.100.2 624 2 462 480 498 516 534 552 570 588 606 12.7279 0.2.8-10.5.4.726L 0.7268-0.. ó. (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 6.6.2 10. 1.0.7258 0. Determinar la media de la carga máxima empleando (a) el "método latgo". 1. Halla¡ i 9. 12.8.103.102. 1' 1' 5.7.8-r2.4.3-10.2 TOTAL Í 98 75 56 42 30 21 15 11 6 compañía.7267 0.7274-0.98' (b) 6. Calcular la media de los datos de la Tabla 6'22.0. (b) 3.3-L2.3- 9. TEORIA DEMUESTREO 191 y 11 estudiantes.9. .8-11. (b) el méto' do clave. 7.22.1273 0.2.0. (b) el método clave.2.g?.106.?. reqrectivamente. i) 5. Hallar la dewiación típica de la serie de nl¡meros de la progreeión a¡iümética 4. 25 las clases. (c) 0.cAP.7. Determinar lacalific¿ciónmediaparatoda8 5.7 L2. tlalla¡ la dewiación üípica para las distribuciones del (o) hoblema 6.7253-0. Tabla 5-21 60 ó.7247-0.4. para los daüos de la Tabla 6'20 empleando (o) el "méüodo largo". .7.104.8-L3. 19. La Tabla 5-21 mue¡tra Ia distribución de los diámetros de las cabezas de los remaches fabricadoe por una Tabla 6-22 Freeuencia I 6 8 Diámetro (pulgadas) 0.6.7280-0.6.99. 10. El salario medio anual pagado a todos los empleados de una compañía fue de $6000.7249 0.7255 0.2.

-Btnini l2m'rs. 5'121. 5. 5. la fracciónp son unos mient:'as que la fracción q : 1 -p son ceros. 5. y (i) (i+ rFpara 5. Los momentos de segundo orden con respecto a la media de dos distribuciones son g y 16.1o6. 14.127.mt.102(c). Comparar con el problema b.. Véase Problema 5. @¡.L22. S. (D ) Derivar una fórmula análoga par^rns. 5'112. Demostrar que la desviación típica de La serie de números es fi. 3.10. 5. Lo mismo del Problema 5.r5. ¿Qué distribución se aproxima más a la distribución normal desde el punto de vista de (a) apuntamiento. Calcular los cuatro primeros momentos con respecto a la media para la distribución del Prol¡lema 5.126 son 230y 780 respectivamente. . ¿cuál es la media? 5. (b) respecto al punto 5. 8. Si el momento de primer orden con respecto al punto 2 es igual a 5.0. (t t 2s). Tabla 5-23 f t2 t4 16 18 5. (b) asimetría? . Los momentos de cuarto orden respecto a la media de las dos distribuciones del Problema6. - ?n: - 1m'rm! * l}m'r2nt!. (o) Hallar la desviación típica s de los diámetros de los remaches del Problema b. determinar los correspondientes momentos (o) respecto a Ia media.123. (l).114. si la distribución fuese normal. 17. Hallar los momentos de (a) primero. Hallar el coeficiente de (o) sesgo.113. ¿Qué distribución está más sesgada a la izquierda? 6.lOO. Hallarelcoeficientede(c)sesgo. "on 5.li.117.109.120. = nt. 5.108.125.119. Hallar (o) m t . a la media de 5.98.5. 30 5. (a) Demostrar que . teóiicos esperados.g.llE. (c) lrq . 5 5. Si loscuatroprimerosmomentosdeunaseriedenúmerosrespectoalpunto3sonigualesa-2. (c) tercero y (d) cuarto orden de los números 4.g..8 respectivamente. - l}rnlstn" * 4n.116..111. 5. y comentar las diferencias observadas. (b) segundo. 5. (b) mz. (a) Hallar la media y desviación típica para los datos del problema 5. Con los resultados de los hoblemas 5.1!2. Aplicar el resultado de (o) al Problema b.0. (b típica. @') mt y (d) ma para los números.101. Hallar (a) ntr.(b)curtosisparaladistribucióndelProblema5. (b) rr.gg.111 y 5. tlallar los momentos de (o) primero. (b) ¿eué porcentaje de diámetros se encuentra entre (r1 . (c) respecto al origen. (t l3s)? (c) Comparar los porcettajes'de (b) lo. mientras que los momentos de tercer orden con respecto a la media son -8. (f) s.121. Hallar los momentos de (o) primero. 6.98.t s).124.111. (b) curtosis para la distribución del Problema 5.r5 1.L92 TEORIA DE MUESTREO lcAP. tt. 11. l. Hallar (a) la media y (b) la desviación típicaparaladistribucióndelProblema de los resultados obtenidos.11g. (b) segundo. la distribución del Problema 5.108 para los datos del problema 5. (b) segundo.-2bybO. (c) nt3.¡nz = ml- 5'115. Calcular los primeros cuatro momentos con respecto a la media para la distribución de la Tabla 5-23. 5. la fracción p son unos mientras que la fracción q : 1 p son ceros.+. 1.f 07.1 .nl_ thnirni+6ml2rn. 20 22 2 AI. 5. (b) m. k) ¡¡.722.2_ Bm. (c) tercero y (d) cuarto orden con respecto los números del Problema 5.f f O. (a) De un total de n números. Hallar los cuatro primeros momentos con respecto a la media de los números de la progresión aritmética 2.126. l. (c) tercero y (d) cuarto orden respecto al punto ? para los números del Problema 5. De un total de n números.l F. comprobar las relaciones entre momentos (a) mi2.. Hallarloscuatroprimerosmomentosconrespectoalamediadelosnúmeros0. 5. I 4 o 10 7 5.1.30explicandoelsignificado 5.2g.1 y -12.111. t¡l F. ) Construir una distribución de frecuencias para los datos y hallar la desviación (c) Comparar el resultado de (b) con el de (a)..

a * 2d. (b) sin remplazamiento. (a) Demostrarquelarvarianzasdelconjuntoden nfrmerol a.. En el Problema 5. Demoshar que los primeros cuatfo momentos con respecto a la media de progresión a¡itmética a. (o) Hallar la calificación mfnim¿ del 2O% superior de los eetudianües. halla¡ la media de la distribución muestral de varianzae si el muestreo ee (o) con remplazamiento.cAP.'*(n-1)=in(n-1).131.aI progresión aritmética con primer término o y raz6n d) erlt6 dada por tl1-2 (n2 Dd2 .@z-L)dz. Determinado¡ tubos producidos por una compañfa tienen una duración de 900 horar y una dewiación típica de 80 horas. ¿en cuántos lotes cabe eErerar que la mediana de duración exceda a 910 horaa? Comparar ¡u solución con el hoblema 5.129. Una población de 7 números tiene una media de 40 y una desviación típica de 3. Demoetrar que Vt y Vz definidas en el hoblema 5.134.... (n-1)d (eadecirun¿ 6. En un exarnen las calificaciones fueron normalmente disüribuidas con media 72 y dewiación típica 8. mt = 0. La compañfa envfa 1000 lotes de 100 tubo¡ cada uno.115. mz = i. . fSugerencia: 14+24 +34+' .132.* (n . ¿En cuántos lotee cabe esperar que (o) la duración exceda 910 horar. página 175.al2d.1 5. pfuina 160.1)a = $n(n-l)(2n-ll8n2-Bn1 ). 5.129 si la medi¿na de duración es de 900 horas..a*d. ¿Cuál es la probabilidad de que lae primeras tres obgervaciones sean mayores que las'últimas cinco? ó.133.136. Demostrar el resultado (I9).135..fsugerencio: Utilizar - l+2+3+. tno = ñ(n2-l\3n2-7'td4 CompararconelProblema 5.. (b) la dewirrción tfpica de la duración exceda 96 hora¡? ¿Qué ruporicioner deben hacerse? 6. 5.1 (b)Emplear(a)enel 6.129(o) y explicar ous reeultados.. Una mueetra de 8 obeervacione¡ se hace aleatoriamente de una población. a * d. (b) Hallar la probabilidad de que en una muestra aleatoria de 100 eetudianües la calificación mínima del 2O% superior Eea menor que 76. hoblema 6.128..+(n-l\z=fn(n-Il(2n-1).a|(n-l)dson 11 ffit = 0. 6.22.6l PBOBLEMAS DIVEBSOS TEORIA DE MUESTREO 193 5. 1z+22+32+".130.. son independientes.104. Si muestras de tamaño 5 se ertraen de esta población y se calcula la varianza de cada muestra.

28 pies. El valor correspondiente del estadístico se llama estima insesgada del parámetro. La distribución muestral de la media y la mediana. la va¡ianza de Ia distribución muestral de medias es más pequeña que la distribución muestral de medianas. la media poblacional' Sin embargo. Por tanto. El valor correspondiente del estadístico eficiente se llama estima eficiente.28 + 0. La media X y la varianza 3' d"finid".2_5 y 5.31 pies. el estadístico con la menor varianza se llama estimador eficiente de la media. la distancia real se encuentra entre 5. S realmente es un estimador sesgado de o.l parámetro. eonq de esttmocton : . SEGURIDAD La estima de un parámetro poblacional dada por un número se llama estima de punto de. u-¡r"* 3o" . L94 .s. puesto que E'(X) = u. en las páginas 157 y 160 son estimadores insesgados de la media poblacional ¡r y de la varianza poblacional 02.3.46% y 99. Si se dice que una distancia viene dada por 5.73% de las veces.que es cierto para muchos estadísticos.Capítulo 6 rF I | . se está dando una estima de intervalo. cabe esperar que el estadísticoSseencuentreenlosintervalos&s o^s8Í.s*o.1. La precisión o conocimiento del error de una estima se conoce también como su seguridad. 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. es decir. por la relativa facilidad con que algunas de ESTIMAS POR PUNTOS Y ESTIMAS POR INTERVALOS. Si.03 pies. &s-2o"EFsl%a'" ó ¡r. Entonces. si el tamaño de muestra es n > 30). ESTIMAS POR INTERVALOS DE CONFIANZA.. Si las distribuciones muestrales de dos estadísticos tienen la misma media. En la práctica se ellas pueden obtenerse. Sin embargo.r--Bo. se está dando una estima de punto.95. U 13 t) = o2. €l 68. Los valo^res i y 3 z se llaman estimas insesgadas. DE PARAMETROS POBI.. respectivaménte. por otra parte. Lógicamente se prefiere tener estimas que sean eficientes e insesgadas. Véase Tabla 5-1. utilizan estimas sesgadas o no eficientes.27 % .ACIONALES Sean ¡rs y o" la media y la desviación típica (error tÍpico) de la distribución muestral de un estadístico S. si la distribución muestral de S es aproximadamente normal (lo que se ha visto-. pero esto no siempre es posible. EJEMPLO 6. EJEMPLO 6. ambas tienen la misma media.2. 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. ya que en general Z(3) + o. se dice que la distancia es 5. página 162. EJEMPLO 6. la media provee una estima más eficiente que la mediana.

58 ox respectivamente. los valores de z" pueden sacarse de las tablas de la cuwa normal en el Apéndice C.."\\ñ s (3) . Si el estadístico S es la media muestral X. t 6 . etn. obtenidos en el Capítulo 5.Grandes muestras (n > 30). & S*Sorenel 68.respectivamenllama¡ a estoé intervalos los interualos de confianza del68. En este caso utilizamos la distribución t para obtener los niveles de confianza. El porcentaje áe confianza se"llama también nivel de confíanza.28 1. Utilizando los valores de o.46% y 99. En la Tabla 6-1 se dan los valores de z" que corresponden a distintos niveles de confianza utilizados en la práctica. Más generalmente. Los números 1.srs .96.6l TEORIA DE ESTIMACION 195 Análogaménte cabe esperar o se puede confiar en encontrar. ps er los intervalos S . 95.o. Para niveles de confianza que no se encuentran en Ia tabla.95.1. si el muestreo es sin remplazamiento én una población 2. y S -r 2.6% del área se encuentra en cada "cola" de la distribución ü.99) para p". . Los números extremos de estos intervalos (S i o5.1. Por ejemplo si -t.6746 En los casos donde un estadístico tiene una distribución muestral que es diferente de la distribución normal (como chi-cuadrado.645 r. S -+ 2o.szs son los valores de ? para los que el 2. N-1 (r) en el caso de muestreo en una población infinita o si el muestreo es con remplazamiento en una población finita y por X*2"* vn (2) finita de tamaño N. De los niveles de confianza se pueden obtener los coeficientes de confianza y recíprocamente.73% o.73% "pueden Análogamente. 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.68. En general.96 o7 Y X + 2. Pequeñas muestras (z < 30).r. de modo que para obtener los límites de confianza anteriores.27% 60% 3. S +. son los límites de confianza del96% V 99% (ó 0.45%y te. S-2o" a S+2o" ó S-3o..73% para la estima de ¡rs (es decir.00 0.. Iímites fiduciales. INTERVALOS DE CONFIANZA PARA MEDIAS 1. como otras veces sé conocen. 2. Tabla 6-1 Nivel de confianza zc e9.96 1.46%y99. entonces los límites de confianza d'el95% y 99% para la estimación de la media poblacional ¡. vienen dados por X r.F') se hacen fácilmente modificaciones apropiadas para obtener los intervalos de confianza.00 2.00 1.05 2.73% s9% s8% s6% s5.58 o. de los límites de confianza se llaman coeficientes de confianza o ualores críticos y se denotan por zc.szs y ú. para estima¡ el parámetro poblacional.68 2.96. entonces un intervalo de confianza para ? está dado por (véase pagina 161) (N -t. $ I 3or) son llamados los límites de confianza del 68.96 o.46% 95% 90% 80% 68. a S * o' delasveces. se puede ver que los límites de confianza para la media póblacional vienen dados por Xtz"* vn N-tt. Poi estos se 99.27%. la desviación típica poblacional o es desconoc^ida.27%.27 %. se utiliza la estima muestral S o S.33 2. en el caso de un S insesgado).9q -V 0.cAP.

Un método INTERVALOS DE CONFIANZA PARA DIFERENCIAS Y SUMAS Si Sr V S: son dos estadísticos mueshales con distribuciones muestrales aproximadamente normales. ..196 13ORIA DE ESTIMACION lcAP. r"1474. 51 +52 Sl + 52 t (e) Por ejemplo.6 de lo que se deduce que p se encuentra en el intervalo X-t. Debe anotarse que una ventaja de la teoría de pequeñas muestra. N-n N-1 (7) si el muestreo es sin remplazamiento en una población finih rre hmaño N.Patan > 30.27. "". Para calcular estos límites de confianza puede utilizarse la estima muestral P para p."1pmás exacto se da en el Problema 6. (10) "r. dondeP es la proporción de éxitos en la muestra de tamaño n.-. Con los valores obtenidos en el Capítulo 5 de op.. 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.s2 : S.tS L 975---= vn (t') con el 95% de confianza. t . o con remplazamignto en una población finita. los límites de confianza para la diferencia de dos medias poblacionales.s (que lógicamente puede emplearse para grandes muestras. vienen dados por \ T. los límites de confianza para p vienen dados porP ! z"op. 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. 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. es decir. (8) mientras que los límites de confianza p^ra la suma de los parámetros poblacionales son ""nrr*. los límites de confianza para la diferencia de los parámetros poblacionales correspondientes a Sr y 52 vienen dados por S. Obsérvese que estos resultados se obtienen de (I) y (2) remplazando X por P y o por Vpq.Sr! z"{fl--}s. 2. en el caso de que las poblaciones sean infinitas.s2 con tal de que las muestras sean independientes. Análogamente los límites de confianza son .o. . 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 ). z" y t" son realmente iguales. t . Comparando (5) con (I) se observa que para pequeñas muestras remplazamoszc por t".". la probabilidad de éxito). - S."rr* a < ¡r ( X+ vn .

siendo las poblaciones infinitas.P. para distribuciones no simétricas. como las distribuciones normal y ü.28.02S o2 (12) ^. = . *'T donde Pt y Pz son las dos proporciones muestrales.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. flt! nz son los tamaños P. El proceso se ilustra en el Problema 6.2 X!.n2 son las respectivas medias. están dados por Análogamente.ozs (1t ) S{n-7 X.F. : P.I.ozs = (13) De esto vemos que o puede estimarse que se encuentra en el intervalo S\n X. como la distribución chi-cuadrado puede ser deseable ajustar las áreas en las colas de tal manera que se obtenga el intervalo más pequeño. (17) .6l TEORIA DE ESTIMACION L97 'donde Xpopnr y X2.S. Si se extraen de'dos poblaciones distribuidas normalmente respectivamente. En forma semejante ohos intervalos de confianza pueden encontrarse.szs (1 5) con confianza de g5%. . entonces un intewalo de confianzadel95% es v2 nS2 ^. entonces la variable aleatoria En el Capítulo 5./4 s?/a s7/"7 A tiene una dishibución F con fr . extraídas de las poblaciones."1=. n - L gndos de libertad.entonces con98% deconfianzatenemos F. g 4 Fo.ot y tr'. - Pr.o2. Sin embargo. (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. los límites de confianza paÍa la diferencia de dos proporciones poblacionales.cAP.6% del área se encuentra en cada "cola" de la distribución.. Así por ejemplo si denotamos por F.ss los valores de F para los cuales 1% del área se encuentra en cada "cola" de la distribución. esto se consigue utilizando colas de áreas iguales.975 o de manera equivalente -. W*"í-üt z"orr_r. of. INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS y n con varianzas Sí. vimos que si dos muestras aleatorias independientes de tamaños m de vatianzas ol. Para estadísticos con distribuciones muestrales simétricas. Porejemplosi x%rry X?szs sonlos valores de ¡2 para los cuales 2. p$na 161. Generalmente es deseable que la amplitud del intervalo de confianza sea tan pequeño como posible. y Pt V Pz). S$ si. desviaciones típicas y tamaños de las dos muestras extraídas de las poblaciones.

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

38: Estima insesgada y eficiente de la verdaderava¡ianza media: t : 67.88 < p < ti8.45 ! 1. por tanto. Dar una estima insesgada Problema 6.2.95. (b) la verdaderavarianza.3.45 -- 0. (b) la verdadera varianza. pues. = i2 = .35)2 F (6. Determinar unas estimas insesgadas y eficientes de (o) la verdadera media. no hay esencialmente diferencia entre 6.88 y 68.!1t. n-1" (6. 4er.58o/tñ.88 < tt<68.02 pulgadas.35)2+ (6.33: Estima insesgada y eficiente dé la verdadera altura Del Problema 5. los lí¡nites de confianza son 6?. Una muestra de cinco medidas del diámetro de una esfera se registraron como 6.3?-6. Supóngase que las estaturas de 100 estudiantes de la Universidad XYZ representan una muestra aleatoria de las estaturas de los 1546 estudiantes de la universidad.37 centímetros.45 ¡ + z.cAP..5275) = 8.6136 : y. JC = .36.JDani (b) Estima insesgada y eficiente de la verdadera varianza (es decir.36 cm. 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 66.6136 s2 Así .32 6.33. 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. Determinar unas estimas insesgadas y eficientes de (c) la verdadera media.2. En símbolos se escribirá P(66. 6.02.96.32 y 6.88 a 68. = n . Para las cinco medidas puestas en orden de magnitud la mediana es 6.? = /8.iroentre s yG. - iT $.saa = tln ! 2.3).ó. 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 6.36-6.57 pulgadas.6l TEORIA DE ESTIMACION 199 6. (o) Del Problema (b) ó.00055 cm2 Nótese que 0 = /0"00055 = 0.37.58-?+ = V100 67. Adviértase que puesto que n es grande. Para la muestra dada 67. 2.88 y 68.35)2 5-1 0.02 pulgadas.35)2 + (6. (a) Los límites de confianza del 95% son X t I.TG pulgadas .96(2. Utilizando n : 67.46 pulgadas. el intervalo de confianza del 95% para la media poblacional ¡t es 66.93. ESTIMAS POR INTERVALOS DE CONFIANZA PARA MEDIAS (GRANDES MUESTRAS} 6.02): 0. (o ) Estima insesgada y eficiente de la verdadera media (es decir.35)2 2(n-ñ\2 - n-l = = es insesgada + (6. (b) Los lfmites de confianza del 99% son X 2. decir que ia probabilidad de que la estatura media de la población se encuentre entre 66. Así. de la varianza poblacional).93 pr¡]Éadas como una estima de o (véase Problema 6.45 pulgad.02 pulgadas es.336. 95Vc ó 0. 6.023 es una estima de la verdadera desviación típica pero esta estima no ni eficiente. 6.4. que puede denotarse por 66.93/V100) ó 67.45 ! 0. 6.3?-6.as y i : 2.96"/\f. Se puede.3. = S tr. de la media poblacional).

el área a la izquierda de z:-zce8 también lVo. v (bl99% para el diámetro medio de todos los cojinetes.el 99o/.O42 pulgadas.824=z.{ñ= 0.6.824tSL93 = \/zoo .7.0069 pulgadas Fig.69 (¡¡ < 68. 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.gg9!9 = \/zo0 0.824 * 2. para n > 30 se puede asumir que s y 3 son prácticamente iguales. : O es Asi pues.824! 0.6-l (b) S" busca z" tal que el á¡ea desde z : entonces z.824 0.0049oulgadas t/-zoo sn 0. que puede denotarse por 66. es total.73% para el diámetro medio de G. r. los límites de confianz¿ del 98% son r ! 23g+ = \/7i Asi 0.i :..21 pulgadas.G.el 99.21.008 pulgadas. respectivamente.sa| = r*z. z:zc Puesüo que el área total bajo la curva es 1. lugar de Para y muestreo sin remplazamiento.' o^.45 1 0.73V. el área desde z eE 0.824 t 1.0. los límites de confianza anteriores se convie:rten en 67. el intervalo de confianza del 997o para la media poblacional ¡r e¡ 66. los cojinetes del Problema Hallar los límites de confianza del (a) 98%.824 t 0.645. de modo gue no 6?. puee.96? como 1. Lad medidas de los diámehos de una muestra de 200 cojinetes de bolas hechos por una determinada máquina durante una. ñ!3+ \ñ - 0. se utilizaría t.645a (c) .g6a = Vn 0-824:t 0. Adviértase que se ha supuesto que la desviación típica dada es la desviación típiez modific¿d¿ i Si la desviación típica dada fuese S. se puede considerar el factor es necesario = 0. Entonces por simetría. (b) 9O% y (c'¡ 99. (o ) Los límites de confianza del g5% son 6 (b) x t 1. Oa z : zc ea O.33. srn embargo.0U89pulgadas.45 t utiliza¡lo. Si se utiliza.b6 y 0. (a) " lok.semana dieron una mdia de 0.ss9 = 0. son xtz.so! = Vn 0. Los límites de confianza d.96ry = \/200 0.73 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. 6.00??putgadas t 0.4í.6450'942 = 0.00b8 pulgadas Los límites de confianza d.200 TEORIA DE ESTIMACION lcAP.824 ! 0.006 Pulgadas .824:r0. Para obtener los intervalos de confianza.82¿!L.824 pulgadas y uná desviación típica de O.6 Asf.= vn Vn V200 ó 0. de aquí que z":2. pues.Hallar los límites de confianza del (o) 55"1. los límites de confianza del90ak son n!I.49. En general.E8y.69 a 68. se habría empleado ?: \/n/@4s = y'200[99s que puede tomarse como i para todos los propósitos prácticos.824t0. : t.

38 pulgadas y una desviación típica s : 0.051/\/n = 0.2910.21o.01. pues. er decir. Puegtoque¡.26fvéaeet¿mbiénProblema6. (o) Los llmitee de confianza delglovo están dados por.8 ó n : 96. <í n.05.8.hallamoat.r¿ -. debe emplearse la fórroul¿ para poblaciones finitas con muestreo sin remplazamiento.6 : 0.06.10(c)].38 + 0.q'-: 200 v50 200-1 = 75 + 1. (b) Loe límite¡ de confianza del 99% son X t 2.4 60 límitee de confianza pueden repreaentarse por Ítz"ox deede z 68.t = t. . se tiene que el error ser6 igual a 0.09. Una muestra aleatoria de 50 calificaciones de matemáticas de un total de 200. Entonces los lfmite¡ de confianza del 964o eon . Halla¡ los límites de confianza para el diámetro verdadero del (o) 96% y (b) 99%.05)/\.04. pues.Ze. TEORIA DE ESTIMACION 20L es de Al medir el tiempo de reacción.e?'. ¿Cuáles son los coeficientes correspondientes pala la distribución úsi (a) v = 9.siendo 0.goo*.06)/0.026 y el valor crítico correepondiente es ú.01 si (1.7I 6.04. (d) t= 60? Pa¡a los coeficientes de confi¡nza del 96% ("doble cola") el área total en la Fig. : 166.. 1fi = (1.f I l.9df (b) tos vn N-n A¡-1 = N-n N-1 75 t 1. arrojó una media de 75 y una desviación típica de 10. 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.Tomando o = la estima eerá menor de 0.682ó ESTIMAS POR INTERVALOS DE CONFTANZA PARA MEDTAS (PEQUEñAS MITESTRAS) 6. AsÍ. = * t1.26 &- Vlo-1 = 4. : 20.oble cola") para la distribución normal vienen dados por i1.58o/{i. Aef. un sicólogo estima que la dewiación típica del mismo (c) .0452 pulgadaa .decirse que la media de las 200 calificaciones es 75 r 1? (o) Puesto que la población no es muy gtande en relación con el tamaño de la mueetra.96+ v50 (10) 200 . (c'¡ t2.:n-L:10-1:g.*.81 es 0. (ó) +2. Para lo¡ valores de v dados egtos son (a) t Z.9.38 y c : 0.9Tolfi. de aquf que el grado de confianza pedido *162(O. (d) =2.gzs:2.n r1s/t/Á¡.g6ol{n.06 pulgadas. Los coeficientes de confianza del 96Vo ("d.2S z"=L6 z"=0.96X0.01 ¡i n e¡ 97 o mayor.r. ¿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. (c) v : 30. Entonces (2.29lO):0.96.4.Entonce¡ utilizando ¡ : 4. 6-3 6.01 soliamente ¡i n es 167 o mayor.01 segundos? 0. lo¡ límitee de confianza del96% pedidos eon 4.Entonces los coeficientes de confianza pedidos son tú.10.81.01. 6-8 debe ser 0.05 segundoe. Una muestra de 10 medidas del diámetro de una esfera dio una media ñ: 4. Fig.orr.00. (b).38 t 2.50 2oo-L = 76!2.96)(0. 8e tiene la confianza del99% de que el error de la e¡tima eerá menor de 0. Eláreabajolacurvanormal : O t z: 0.58')(0.cAP.setienequel.X+r"L . Asf el área ¡ombreada en la col¿ derecha es 0. (o) ¿Cuáles sonloslímitesdeconfianzadel9Ú% para la estima de la media de las 200 calificaciones? (b) ¿Con qué grado de confianza poüá .i=r. 6.11.23 zc h¡estoqueestodebeserigualaTSll.05 segundos.01 : 9.

96.15.95. (b) 99%y (c) 99.p')/\/p(l .6a5y'i6lBB)Io-75j7i : 0."-.Z5(0.50): 0.b0 Entonces.el95o/o para la población p son P : l.18. obtenidos mediante ios métodos de pequeñas muestras o teoría exacta del muestreo son más anchos que los obtenidos por los métodoe de grandes muestras.06 como estima de o.14. véase Problema 6.88 r 1. t. 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. 6. Una muestra de 100 votantes elegidos aleatoriamente entre todos los de un distrito dado.88 i g.045 : 4.55 2. Para hacer este problema de una fo¡ma más exacta. los intervalos de confianza mues¡ras.045 TEORIA DE ESTIMACION lcAP. J_.335 pulgadas y 4. Hallar los límites de confianza del (a) 95%. utilizando P donde B = : 0.55 + 0. = 3. - ó Prob(p > e-Bt/p6-ffi¡ = + J(t t/2r -. tenemoe 0.50 ó n= 27r .O37pulgadas ? donde se ha utilizado la desviación típica muestral 0.1.73% para la proporción de todos los votantes que estaban a favor de este candidato. 0.202 Asf.pV" es normal asintóticamente.l = 4.9ó utilizando el Apéndice C indica que e-Bt/fi-fl/n:0. t 3ú058)16:¡8 10d 0.11 suponiendo válidos los métodos de la teoría de muestras. indicó que el 55% de ellos estaban a favor de un determinado candidato. 0D > 0. (c) 6.27. = P t 1.50) Prob( que hob / J--ct t)_p .446 pr'lgadas.L2..ssr(S/tñ-l.l)6or.96-9.06/y'10 .88 + 0.13. (b) En cada caso.38 + 0. (a) Soluciona¡ el hoblema 6.58)(0.315 a 4. (a grandes ) Mediante loe métodos de Ia teoría de grandes muestras los límites de confianza del 95% son X t 1.38 * (2.6 : se puede estar en la confianza del 96a/o de que el valor ve¡dadero se encuentra entre 4.55 t 0./e(l -p) ¡? V = 0.426 pulgadas. y para tener una confianza del g5% de su elección necesitamos : 0.55 del Problema 6.73% parap son 0.13 para que la confianza de que el candidato sea elegido sea del g5% z El candidato se elige si p ) 0. pues.13.50.06b0 pulgadas y el inüervalo de confianza del99% e¡ 4.55 y la estima p : 0.38 4.0 = 4. los límites de confianza del 99% son 4.88 + g.55 para estimarp.= v-n 4. (a ) Los límites de confianza d.55 '^^ I(0'55)(0'45) :r 1'e6!ff : = 0.f) = 4.25.38 t 0.55 = o'55t0'10 donde se ha tomado la proporción muestral 0. (b) Los límites de confianza del99% parap son 0. ¿Qr'é tamaño de muestra debe toma¡se en el Problema 6. Puesto que (P .2/z¿y L645 Al comparar con Prob(p > 0. Análogamente.se5 - (b) Para v = 9.06) /\t1. (b) Comparar los resulüados de los dos métodos.qq /lo - 4.58ú6:5EXb:¡BtTdd = Los lfmites de confianza del 99. Entonces loe límites de confianza del 99lo rcn i t ú.-'\ r1/pg-p)/n / rB I l-r'-tt'/z¿y t/2.55.049 pulgadas.96-0-.

75.96 La verdadera = 0. En una muestra aleatoria de 400 adultos y 600 adolescentes que veían un cierto programa de televisión.33. 95"/o de = 200 t 24. pues.96/il2OtG0I80)2/100 Así. se tienep = 0. En 40 lanzamientos de una moneda. intervalo de confianza del 99.58\.19 y 0.AquíPr:300/600:0.27 da el intervalo de confianza del 95'ib como 0.0g. pues./i120)r/15¡+-G0)r400 = 200 + 82. se puede esperar con el 994n de confianza que la diferencia de las medias de las poblaciones se encuentre entre 167 y 233 horas.4 y B son dados por (a) *o..Zb + 1. se obtuvieron 24 ca¡as.5B = 0.83. z" = 3. (a) Los lÍmites de eonfianza del 95Va son 0. Una muestra de 100 bombillas del fabricante B dieron una vida media de 1200 horas y una desviación típica de 80 horas. dando. Una muestra de 150 bombillas del fabricante A dieron una vida media de 1400 horas yuna desviación típica de 120 horas.25 = 0.73% para la proporción de caras que se obtendrían en un ilimitado número de lanzamientos de la moneda.g..?4 y el INTERVALOS DE CONFIANZA PARA DIFERENCIAS Y SUMAS 6.16. SustituyendolosvaloresP:24140 = 0.Xn-.el 96% que diferencia de proporciones (ó) Los límites de confianza d.6V n:40 enlafórmula \tF(l=A/. se Así. pues.96.50 ! Pz : 100/400 : 0. se puede encuentre entre 0. se puede esperar con confianza d.6l TEORIA DE ESTMACION 203 6. 100 adultos y 300 adolescentes dijeron que lei gustaba. [-os límites de confianza para la diferencia de medias de.el 99Vo que la verdadera diferencia de proporciones . se puede esperar con el encuentre entre 175 y 225 horas. pues.50 - 0. PtQt . (a) Al nivel del g5o.06.25 = 0. se tienep : 0.respectivamente.45 a 0.45 a 0. esperar con 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.el ggVoson 0. (b) Al nivel del 99.50 encuentre entre 0.37 a 0.31. Mediante la fórmula aproximada p = P + 0.cAP. el intervalo 0.23. z" = 1.t 1.il3li./. dando el intervalo 0. Los límites de confianza para la diferencia de proporciones de los dos grupoe están dados por 'll1 1t2 dondelossubíndicesly2serefierenaadolescentesyadultos.15. 6. Así.tr 7.60 La fórmula más exacta del Problema 6.17 y 0. -loi*o'o -"1/"o-"" Los límites de confianza del 9b7o son: 1400 1200 .BZ a 0.60 + 15.?9.25 ! Z. se As( pues. PzQz el - O. Hallar los límites de confianza d9l (c) 96% y (b) 99. ae confianza que Ia diferencia'de las medias de las poblrcionee (b) Los límites de confianza d. gt= Ptz" t z¡/F(=ffi.6.73% como 0.. Hallar los límites de confianza del (a) 95% y 99% para la diferencia de las vidas medias de las poblaciones A y B.el 99% son: 1400 - 1200 12.25 son las proporciones respectivas de adolescentes y adultos a quienes les gusta programa.

8 horas.el 95Vo que la desviación típica de la población se encuentre ) Al nivel del 99% los límites de confianza son: 100 * 2.4 t 3(0. El valor de 0. página 162)loslímites de confianza para la dewiación típica de la población son dados por S * z.9. (c) 99.08)=180. se tiene ltlt+Ez+at+¿o = Fu. 6. En este caso se aplica la teoría de grandee muestras. entonces n : = 10. de la desviación típica para todos los estudiantes del colegio. el tamaño de la muestra deberá ser 450 o más..1 V y la desviación típica 0. Hallar los límites de confranza del (c) 95% y (b) 99"/. entonces n 1800. Si Er.19.6?45(0.4O pulgadas.73"/o para o son S . Así. Entonces.. Entonceg el error porcentual de la desviación es 3s/t/-at (¿) Si 300 _ = s.4i0. INTERVALOS DE CONFIANZA PARA VARIANZAS 6.4:t0. o 6. 82. puesto que /¿rr = lLEt lr'.204 TEORIA DE ESTIMACION [cm.ozs.4 V r de confianza del 99% son: 180. Así.4 (o) (b Los límites de confianza del95% son: 180.e75 y st/n/x.o/yEi.21 voltios.x {2n 300//t = 5.9 horas.58(0. (b) Si }OO/\E : Aei pues.r+r 2+Er+84 = . el tamaño de la muestra deberá ser 1800 o más.= lr'.08) = 180. hallar lós límites de confianladel (a) g5%./nloslímitesdeconfianzason:100 11. La desviación típica de las estaturas de 16 estudiantes seleccionados aleatoriamente en un colegio de 1000 estudiantes es 2. ¿Qué tamaño de muestra en el Problema 6. 0.04 V.08) 0.4 t de confi¿nza del 99.f8. 5O%son:180. Es y Eq representan los voltajes de las 4 baterías. Así. pues. (a) Loslímites de confianza delgSv" están dados por sy'7/x. = 0.73% y (d) 5O% para el voltaje total.054 voltios se llama error probable. = 45..58(100)/r/Zbd = 100 r 12. ee puede esperar con confianza del 99'y'" que la deerüeión típica de la población se encuentre entre 87.g.r-= oE.1) = 180.r Bo/l-zn Ss/\/Zn. = orr. (b d.2L.73% con: 180. indica el nivel de confianza.96(100)i/200 = 100:tg.1 y 112.2 y 109. .16 voltios. = 1la1ffiy : 0.08) = 180. * uotr* l'a. los límites de confianza del 99.08 ÉEr+nz+E¡+Eo = 4(45.0b4voltios.. Si se conectan 4 baterías en serie.4 + 1. 0.1 voltioE y dc. Por tanto (véase Tabla 5-1.04 volüios. Y t¡. pues.19. (o) Alniveldel 95".4 t = 180.73% la verdadera desviación típica de la población ::o difiera de la desviación típica muestral en más del (c) 6%. La desviación típica de las duraciones de una muestra de 200 bombillas fue de 100 horas. osr* Ez+t:.[4: "'rJ o'r.20. FfJ voltaje medio de las baterías producidas por una compañía es de 45. Hall¿rr los límites de confianza del (a) 95% y (b) 99% para la desviación típica de la población de tales bombillas.24 ) Los lfmites (c) Loc lÍmites (d) toslfmitesdeconfianzadel voltios.* o". utilizando s como una estima de o.96(0. donde 2. oE. Se utiliza la dewiación típica muestral para estima¡ o. 6. 46O. (b) 99%.4 + 2.19 deberá tomarse para que con confianza del 99. (b)LO%? De igual forma que en el Problema 6. pues. * l'a.t+ti. se puede esperar con confianz¿ entre 90.

el99% están dados por Sy'-nl¡. y 18 respectivamente halla¡ los límites (o) Tenemos nt = l(t.8 ó ¡. ee decir.n25 = 2.cAP. Entonces los límites de confianza del 997o son 2." x%os 1_l .9 y 115. 200 .15. Dos muestras de tamaños 16 y 10 respectivamente de confianza del (c) 98% se extraen aleatoriamente de dos poblacio- nes normales.n. x1.o75 = |{zsrr. s! = 20.ee5 Para v y Sy/i/7. y St/T/x.73 y 2. .s¡5.s¡5=2. (b) Los lÍmites de confianza d.22.9 y x.¡¡5. Por tanto se tiene la confianza del 99/o de que la dewiación típica poblacion¡l se encuentra entre 1. Si se encuentra que sus varianzas son 24 y (b\ 90% para la relación de varianzas.SO+19. X.2= 115. Por tanto se tiene la confianza del 95% de que la desviación típica poblacional se encuentra entre 91.9212 : 239 161 = olz02s+V2(199)-1)e =. (b) tos lÍmites de confianza del 99\i.60 ó y._.92)2 = 253 lL6.= r\ri= (f.49 pulgadas.5 y Entonces los límites de confianza del 95o/.49 pulgadas.83 y 3. : 200 - 1 : 199 g¡ados de libertad.24 y 2. hallamos como en el Problema 4.5 = 91'2 y 100y'200/12'1 = 111'3 horas respectivamente.19 utilizando la teoría de pequeñas muestras.. esto es. Este resultado debe compararse con eI del Problema 6. Por tanto se tiene la confianza del 99% de gue la desviación típica poblacional se encuentra entre 88..68 y 4.84 pulgadas.9 y 1001800/t2.50.t. están dados por Sy'-nlx ors y Sl-n/y.68 y 4.ozs. 1.oe5=5. 6. Paray:16-1:lSgradosdelibertad.2 y 111. Este resultado debe compararse con el del Problema 6.9 horas.19(b). it. 1. 3? = t=r"i = (lf)rznl = "? = 18 de modo qrre 26. Entonces los límites de confianza del 99% son 100/Eñ6 de donde X sq¡ INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS 6./x Para v : sr.9 horas respectivamente.. pfuina 137' x.sor-79.g = 88.3 horas.o .¡]oor=32.40\f-I6/5.!75= 5. rz = 10.40\f-16/2.23.50. (o) Los límites de confianza d. x2nzs de donde ¡¡..19(a).sa+19.14.ozs l-l Vz(rssl -r)z = itt. Entonces los límites de confianza del 95% son 2. Solucionar el Problema 6.?3 y xz.2.' son 100y'2b-0 115. = 15.oos = 72.26 6 7. Por tanto se tiene la confianza del 95% de que la dewiación típica poblacional se encuentra entre 1.7.40\R/2.5 6 x. x?szs = 27.t-t.24 y = 6.83 y 3'84 pulgadas.1 : 199 grados de libertad.r+l/Z[I6Ef-T¡z = jtz.6l Para o TEORIA DE ESTIMACION 206 x?ozs = 16- 1 = 15 gradoode libertad.2 a.oos:4.el95')h están dados por Sy'-n..40Vf 6 /1.14.11.)rto = \/ 2o.92)2 = : \2.

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. Hallar los límites de confianza del (al 98% típicas del hoblema.e5 2.24.206 IEORIA DE ESTIMACION [cAP. pl = (2to2)-tt2¿-zbk-r)2t2o2 (z') (r) Fijando íLldp = 0 t¡L = a -f.e¡ = 3. página 13p.25.96 parapl : 16 1 : 15 ! U2 =LO-1 =9 grados de libertad. Si n obsewaciones Xr & se toman de una población distribuida normalmente de la cual se desconoce la media y se conoce la varianza.'or¡ g. (#)(ffi3) o. Entonce¡ utilizando (171. Al tomar la raíz cuadrada 98% v el9o%. hallrrmoe para el intervalo de confianza del 98%.84 V F.6 Del Problema 4.47(b).0.23. gue tenemos (I) Puesto Por tanto l(rx. reculta .4437 oí = * ('z'6'g)(?q¿. .z8a =# : = rsee.) Obsérvese que el intervalo de confianza del9O% e¡ mucho más pequeño que el intervalo de eonfianza del 98Vo.sg<!=z.zt oz 0. tenemos pataUl: 15 y ez:9 grado¡ de libertad f or : 1/3. tenemos F ge = 4.59. Halla¡ la estima de máxima verosimilitud de la media. Por tanto el intervalo de #(ffi) s += 6 0. ü = \/2ro2 -J- r-<x¡-ü2rzoz L = f(nt.6?=1=r.eo = ". También del Problema 4.(ffi) 4..#>@t-pl2 Tomando Ia derivada parcial con re4ecto raL 1:' fr.os : 1t2.89 de modo que l/F.23 hallamos los lfmitec de confianza para el (¿) (ó) ESTIMAS DE MAXIMA VEROSIMILITUD o. 6.89. 6. v Q) 90% para la relación de las desviaciones de las desigualdades del Problema 6. = 3)@*-Pl reeulta Q. pfui¡1g 19?.47(d).tn1z. = (b) Como en (o) hallamos del Apéndice F que confianza del g0% es F. pl" 'f (r. como lógicamente era de eryerarse.eg oz 6.

b--(2nP+"7) y c=nP2.0 hallamos Vé¿se Problema 6. (c) Mostrar que p¿üa grandes valores de n la fórmula de (c) se reduce a p=P¡2" \FF -nn.cuyassoluciop son dadas por La fórmula cuadráti.13. todo lo efectuado en el hoblem¡ 6.p oP = -1. En estos valores extremos.ca p= _6 + 1/@=lo" 2a z"P+27=W 2(n* z7\ 2nP I 22" * ""t/6F(L1VlT7" 2(nI zf. La proporción muestral P en unidades tipificadas .cAP. - (2nP I * nPz = 0 Si o=n+z!.26. tenemos ee i'# Fijando aLl0o2 . .P)/n Los valores mayor y menor de esüa variable tipificada son tzc.p).25 ha¡ta la ecuación (2) aplica. Si escribimos f (rx. estaecuaciónsereduceaafi*bp*c:0. halla¡ la estima de máxima verosimilitud de la va¡ia¡rza. se tiene P-P Elevando al cuadrado los dos miembros. (a) Si P es la proporción observada de éxitos en una muesha de tamaño n.6l TEORIA DE ESTMACION 207 6.TS% delProblema 6. Entonces tomando la derivada parcial con reqrecto a 02. 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) .27.L n - pl pz-2pp*p2: (nI nes para zp\p2 "?P# z?lp Multiplicando los dos miembros por ¿ y simplificando.25 se conoce la media pero se desconoce la varianza.) Dividiendo numerador y denominador por 2n. z7 n -4ü r+4 n o P (b) Utilizar la fórmula de (¿) para obtener los límites de confianzadel99.13.e f(x¡. donde z" deüermins el nivel de confianza. se tiene e+ flt "" P(L-PI . queda. (a) como la utilizada en el Problema 6. {P(L = *2" p(.63. zi n -4nz | +! . por tanto. Si en el Problema 6."2) en cambio d. = -fi+ uár> @t-r)2 02= 2 (rr - pl2 PROBLEMAS DIVERSOS 6.

a los cuales la suma de las áreas en l¡as colas sea61.13(a).4 libras. dieron una du¡ación media de 1200 y una desviación típica de 100 horas. Estimar (o) la media y (b) la desviación tÍpica de la población de todos los tubos de televisión producidos por esta compañía. 50 y 100 tubos de televisión muestreados' (b) ¿Qué se puede deducü de la relación entre las desviaciones típicas muestrales y las estimas de las desviaciones típicas de la población para los diferentes tamaños de mueetra? ESTIMAS POR INTERVALO DE CONFIANZA DE MEDIAS (GRANDES MÜESTBAS) 6.208 TEORIA DE ESTIMACION (b) Paraloslímitesdeconfianzadelgg. X.8. respectivamente. de forma 6.6 = 12. se tienep : 0. ó 0.7./Anz que se obtiene la fórmula pedida. Determinar estimae insesgadas y eficientee de (o) la media de la población v (b) la varianza de la población.100). 10.0 = 12.72642 pulgadas y 0.rlos ESTIMAS INSESGADAS Y EFICIENTES 6. y 0. (c) Comparar la desviación típica muestral con la desviación típicÁ de la población estimada.32 92.el 95"tb Ampütud 2r.z. La media y la desviación típica de las cargas máximas soportadas por 60 cables (véase Problema 5. Las medidas de pesos de una muestra fueron registradas como 8.e6 : 15.32.64. respectivamente (véase Problema 5.6%.98) están dadas por 11.7s7=15.7 7.9 7. etc. horas Una muestra de 10 tubos de televisión producidoe por una compañía.8. en general.Es posible haltar otros límitee de confianza escogiendo valores críticos de X2 gar. La media y la desviación típica de los diámetros de una muestra de 250 remaches fabricados per una compañía gon O.TSVo.a.o¡r y x e8l.ge = 15. Sin embargo.22(al? ¿Es posible obtener un intervalo de confianzadelg]c%para la desviación típicapoblacional Loe límites de confianza del 95í para la desviación típica poblacional como se hallaron en el Problema 6.55yn:100enlafórmula y 22"/nson despreciables y pueden sustituirsepor cero.3 91. (b) 98Vo.28. es de g1. zf. 2g. la disminueión en el intervalo que 8e obtiene es comúnmente despreciable y no Probletn.44..=B.6 p=0.8.00058 pulgadas.'.54 ¡.09 ton.85./zn.. Hallar los límites de confianza del (o) 951/.2 y 9.Entonces.7 a Lt3.$=12'76. (c) Si n es gtande.22(a) fueron obtenidos escogiendo valores críticos de y2 de tal manera que las áreas en cada cola fueran 2.8 ¡. empleando t¡alores críticos tales como justifica el trabajo involucrado. cuya amplitud sea menor que la del Problema 6.69 en acuerdo con el problema 6. Valores Crítico¡ Tabl¡ 6-2 Intervelo de confianza d. y (b)99dto para la media de las cargas máximas de todos los cables producidos por la compañía.r De la tabla se observa que un intervalo del95%.s2=12. Hallar los límites de confianza del (o ) 99%.8 89.utilizando de (a). X 032 y X 1¡2.30 si se obtienen los mismos resultados para 30.9 110.e4 91. 6. entonces zf. .40 y 0.O a 110.05. Un intervalo con amplitud af¡n menor puede hallaree continuando el mismo método de aproximación x.2 19. (c) 95% y (d) 90% para el dirimetro medio de todos los remaches fabricados por la compañía.4 20. 6. 6'33.42 a a 111.. 10.0 a 110.30. de amplitud sol.?3 ton.6.?3 20. pero de tal manera que las áreas en cada cola no sean iguales.31.s sr¡plernenta. (o) Solucionar el Problema 6. respectivamente. ¡es=15.29. 8. En la Tabla 6-2 se indican varios valores críticos y los conespondientes intetwalos de confianza del 95%.8.¡amente 19. lcAP. g.

41.7 Bdn pá. Una muestra aleatoriade 60 bolas extraídas con remplazamiento de la urna. para que la confianza de que la proporción ¿Qué tamaño de muestra se debería tomar en el Problema 6. Cinco medidas del tiempo de reacción de un individuo a un cierto estímulo fueron registradas real de 0.gg. 0. respectivamente.g5. (b)gg%y (c)99J37" para la dewiación típica de todoslos cables producidos por la compañía.41. HaIIar los límites de confianza del (o) g5%. 6.86.94" Hallar (¿) los Problema 6. Se cree que una elección resultará muy reñida entre dos candidatos.40 verdadera no difiera de la proporción muestral en más del 6Vo sea (a) del 95Vo. Dar los resultados utilizando la fórmula aproximada y la más exacta del Problema 6'27. Hallar grandes muestras y comparar Solucionar el problema 6.7g% para la proporción real de bolas rojas en la urna. 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. ESTIMAS POR INTERVALO DE CONFIANZA PARA PROPORCIONES 6.80. Para los pacientes del primer grupo el número medio de horas de sueño fue 7.73% 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 6.44.cAP. dio el 7O% de bolas rojas. y (b) el error probable para la media de los diámetros del 6. Hallar los límites de confianza del (a) 95%' (b)99o/oy (c) gg . De dos grupos análogos de enfermos A y B formados de 50 y 100 individuos. Una r¡rna contiene una proporción desconocida de bolas rojas y blancas.46. 0.73V"? 6.ParalosdelgrupoB fueron 6.40.2[horas.g?.43.3g.82 con una desviación típica deO.2?. mientras que de 100 cerrojos de otra máquina 12 eran defectuosos. Una muestra de 200 cerrojos producidos por una máquina mostró que 15 eran defectuosos.012 libras.38 onzas los límites de confianza del (c) 95% y (b) 997o para la resistencia real' desviación típica de 1.3? suponiendo aplicables los métodos de la teoría de los resultados obtenidos. INTEBVALOS DE CONFIANZA PARA VARIANZAS Y DESVIACIONES TIPICAS 6. (b\ 99% y G\ gg.76 y 0.24 onzze. Si la desviación típica de la duración de los tubos de televisión se estima en 100 horas. La desviación típica de resistencia a la rotura de 100 cables producidos por una compañía fue de 180 libras. 6. (b)g|%t (c)997oV @)59.a h diferencü de proporciones de cerrojos defrctuosos de las dos máquinas' Estudiar los resultados obtenidos.(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 (a) 95% y (bl99% para el tiempo reacción. 6. (c) del 99. como 0'28. Hallar los límites de confiánza (a) del 95% Una compañía fabrica cojinetes de bolas que tienen un peso medio de 0.45. 6.g1 sfoundos. Hallar eI error probable de la desviación típica del Problema 6'46' .6l' TEORIA DE ESTIMACION límites de confianza del 5O% 209 6. y una Una muestra de 12 medias de resistencia a la rotura de hebras de algodón dio una media de 7.42. 0. al primero le fue dado un nuevo tipo de somnífero y al segundo un tipo convencional.33. o.30 horas. 6. respectivamente. (b ) del 99%. 6. 6. Hallar los límites de confianza del (c) g5%. ¿qué tamaño de muestra deberá tomarse puüa que sea del (a\96%.g9.638 libras y una desviación típica de y (b) del 99Vo pata los pesos de lotes de 100 cojinetes cada uno.36 si el error en la duración media estimada superar las 10 horas? ESTTMAS POR INTERVALO DE CONTIANZA DE MEDIAS (PEQUEÑAS MUESTRAS) 6. ¿Cuál será el número mínimo de voranües que se deberá mue\trear para quelaeonfianza sea del (a) 8O%.

6. . 6. Solucionar el Problema 6.. Si Xr.62. 6. . . Si n observaciones 6. hallar la estim-a de máxima verosimilitud de z.(c)v:25. ESTIMAS DE MAXIMA VEROSIMILITUD 6.48.26? Explicar. . INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS 6. Una población tiene una función de densidad dada por i@l = 2rt/r/" ¡2s-v*.e 24OO libras y una dewiación típica de 150 libras. [(A'+t)st 0<¡:<1 de otra forma Xn de esta población hallar la estima de máxima verosimilitud de h. (b) gg% y (c) gg. .51. Solucionar el (o) Problema 6. .(d)v : 30' (¿) v: 40? Una compañía tiene 500 cables. Las desviaciones típicas de los diárnetros de los cojinetes de bolas producidos por dos máquinas son 0.54 fueron extraídas de la misma población? Justificar su solución. PBOBLEMAS DIVERSOS 6. . Una población tiene una función de densidad dada por 8e toman n observaciones l(r) = l^0 [ Si se toman n observaciones X1 .57.2to 6. 6. Si se toman n observaciones. . . .e 11.52 y (b) Problema 6..50. . Comparar los resultados con los obtenidos empleando la distribución normal. r. basados en muestras de tamaño 10 cada una. límites de confianza del (o) 96'/o y (b)99Eb pa¡a la desviación típica de todas las bombillas fabricadas Solucionar el Problema 6.62.58.60. 6. Hallar el estiniador de máxima verosimilitud de ). -t 1 r ( -. TEORIA DE ESTIMACION [cAP.6 ¿Qué tamaño de muestra deberá tomarse para que la confianza sea del (a) 95%. . 6. En una prueba de 40 cables seleccionados aleatoriamente resulta una media de la resistencia de rotura d.25 y 6. del Problema 6.7T% de que la desviación típica de una población no difiera de la desviación típica muestral en más del 2%? 6.(b)v:12.53. 6. Xn se toman de una distribución de Poisson con parámetro tr desconocido. X¡. . Hallar los igr la 6.49 utilizando la distribuciíny2 si una muestra de 100 bombillas tiene la misma desviación típica de 120 horas. para la relación de las varianzas de las poblaciones de donde se exhajeron. Xn de una población distribuida normalmente con media ¡l y varianza ¿Pueden determinarse estimas de máxima verosimilitud de ¡t y o2 en términos d.49 si 25 bombillas tienen la misma desviación tÍpica de 120 horas. X1. (o) ¿Cuáles son los límites de confianza del 951/o y 99% para estimar la media de la resistencia de rotura de los 460 cables restantes? (b) ¿Con qué grado de confianza podríamos decir que la media de la resistencia de rotura de los 460 cables restantes es de 2400 1 35 libras? ¿Cuál es el intervalo de confianza del 957. . Xn de esta población. ¿Considera que las dos muestras del hoblema 6. .52. Determinar los intervalos de confianza del (o) 98%v @\gOVapara larelacióndelasdesviacionestípicasdel Dos muestras de tamaños 6 y E respectivamente tienen la misma varianza.51 que tiene la menor amplitud? 6. Hallar los intervalos de confianza del (o) 98% y (b)907.042 cm y 0.56. 6. . 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 6.59.54. Los coeficientes de confianza del 999á ("doble cola") para la distribución normal están dados por 12.63. hoblema 6. 02 desconocidas. ¿Cuáles son los coeficientes correspondientes para la distribución f si (o) v = 4.54 si las muestras tienen tamaño 120 cada una. .55. .035 cm respectivamente. La desviación típica compañía. .61. . .58. de la du¡ación de 10 bombillas fabricadas por una compañía es 120 horas.49.

donde p es la probabilidad de cara.hipótesisalternativassonp:O. HIPOTESIS ESTADISTICAS. ENSAYOS DE HIPOTESIS Y SIGNIFICACION evidencia obtenida). si un sistema educacional es mejor que otro. si en 20 lanzamientos de una moneda se obtienen 16 caras. ensoyos de significación o reglas de decisión. se formula la hipótesisde que la moneda est. en general. a Muy a menudo.á bien. si un suero nuevo es realmente efectivo para la cura de una enfermedad.Capítulo 7 Ensoyo de hipótesis y srgnlllc(Iclon DECISIONES ESTADISTICAS t cJo . Por ejemplo.5. Tales decisiones se llaman decisiones estadísticag Por ejemplo. hipótesis se llaman también hipótests fluctuaciones en el muestreo de la misma po y se denotan por flo . conviene hacer determinados supuestos o conjeturas acerca de las poblaciones que se estudian.56p>0. 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. si una moneda determinada está o no cargada. Si por el contrario. siunahipótesis-esp:'0. nulns Cualquier hipótesis quedifiera de una hipótesis dada se llamahipótesis alternatiuc. se estaría inclinado a rechazar la hipótesis de que la moneda est:á bien. etc. lo son sobre las distribuciones de probabilidad de las poblaciones.5. Análogamente. Tales supuestos que pueden ser o no ciertos se llaman hipótesis estadísticas y.p#O. Por ejemplo. se puede querer decidir a partir de los datos del muestreo. ERRORES DE TIPO Si en el supuesto de que una hipótesis determinada es cierta. se dice que se comete vn error del Tipo se acepta una hipótesis que debería ser rechazada. se formula la hipótesis de que no hay encia observada se debe meramente a diferencia entre ios procedimientos (es decir. aunque sería posible que fuese un rechazamiento enóneo.Unahipótesis alternativa de la hipótesis nula se denota por Ilt . Por ejemplo. En muchos casos se formulan las hipótesis estadísticas con el solo propósito de rechazarlas o invalidarlas. si se quiere decidir si una moneda está cargada. si se quiere decidir sobre si un procedimiento es mejor que otro. Si se rechaza una hipótesis cuando debería ser aceptada. partiendo de la información muestral de las mismas. 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 /. p : 0. HIPOTESIS NULA Para llegar a tomar decisiones. se dice que se comete un 277 .5.7. 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. es decir. en la práctica se tienen que tomar decisiones sobre poblaciones.

lo que significa que se puede cometer error con una probabilidad de 0. Esta probabilidad se denota frecuentemente por o. por ejemplo se elige un nivel de significación del O.96 a 1.96). de modo que los resultados obtenidos no influyen en la elección. 7-1.96 ó z 1. Entonces la distribución de la variable tipificada dada por Z : (S ¡. Si. la distribución muestral de un estadístico S es una distribución normal con media p" y desviación típica o". un tipo de error puede tener más importancia que el otro. .05.1. Como se indica en la figura. En la práctica. varianza 1) y se muestra en la Fig.96 y 1.)/o. lo que quiere decir que es un suceso con probabilidad de solamente 0.96 constituyen lo que se llama región crítica o región de rechace de Ia hipótes¡'s o región de significación.05 o que la z obtenida del estadístico muestral dado es significatiua al niuel de significación del 0. generalmente se fija antes de la extracción de las muestras. El área total sombreada 0. En la práctica se acostumbra a utilizar niveles de significación del 0. debe diseñarse de forma que minimice los errores de decisión. la probabilidad de cometer error del Tipo I.1.96 (es decir. aunque igualmente pueden emplearse otros valores. y así se tiende a conseguir poner una limitación al error de mayor importancia. se dice que la hipótesis se rechaza al niuel de significación del0. 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.01. es decir. un intento de disminuir un tipo de error.05 es el nivel de significación del ensayo.96 podía entonces llama¡se región de aceptación de h hipótesis o región de no significación. al diseñar un ensayo de hipótesis. Entonces puede decirse que esta z difiere signifícatiuamente de la que cabía esperar bajo esta hipótesis y se estaría inclinado a rechazar la hipótesis. va generalmente acompañádo por un incremento en el otro tipo de error.=lD6 I'ig. En tal caso se dice que la hipótesis ha sido rechazada aI niuel de significación del O. ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.96 (puesto que el área bajo la curva normal entre estos valores es 0. entonces hay aproximadamente 5 ocasiones en 100 en que se rechazaría la hipótesis cuando debería ser aceptada.7-l Sin embargo. Representa la probabilidad de rumeter error al recbazar la hipótesis es decir.05 6 6"/.. ENSAYOS REFERENTES A LA DISTRIBUCION NORMAL Pa¡a aclarar las ideas anteriores..96 a 1. si al elegir una muestra aleatoria se encuentra que z para ese estadístico se halla fuera del recorrido . se puede estar con el 957o de confianza de que.O5.96. se está con un 95% de confianza de que se toma la decisión adecuada.95). es una normal tipificada (media 0. De acuerdo con lo dicho hasta ahora. z > I. ? II. el valor de e obtenido de una muestra real para el estadístico S se encontrará entre 1.1. En cualquiera de los dos casos se comete un error al tomar una decisión equivoca- Para que cualquier ensayo de hipótesis o reglas de decisión sea bueno.96 a 1.96 a 1.05.05 ó 0. Esto no es tah sencillo como pueda parecer puesto que para un tamaño de muestra dado. Esto equivale a decir que el estadístico muestral observado es significativo al nivel del 0. si la hipótesis es cierta.1. lo cual puede ser o no ser posible. supóngase que con una hipótesis dada. se puede formula¡ la siguiente regla de decisión o ensayo de hipótesis o signi{icación: (o) Se rechaza la hipótesis al nivel de significación del0.212 error del Tipo da. ¡--lglj .El conjunto de lasz que se encuentran dentro del recorrido . Así pues..05 (área sombreada de la figura) si la hipótesis fuese verdadera.O6El conjunto de las z que se encuentran fuera del rango -1.05 si la z obtenida para el estadístico S se encuentra fuera del recorrido .

08 ENSAYOS ESPECIALES DE SIGNIFICACION PARA GRANDES MUESTRAS Para muestras grandes. En tales casos.81 2. La Tabla 6-1. Véanse páginas 158 y 160. será de utitidad para propósitos de referencia. donde o es la desviación típica poblacional y n es el tamaño de la muestra. Por ejemplo. en las dos "colas" de la distribución..33 ó -2. media muestral. Para ensayar la hipótesis nula (f) co (I ).-: ú1V11.. Por esta raz6n. La variable tipificada viene dada por Aquí S : X. es decir. si se utilizase el nivel del 0.la X-. página 195. se pueden encontrar utilizando la tabla que da las áreas bajo la curva normal. Si4 embargo.002 ó -t.88 y -1. Medias. Debe ponerse de manifiesto que puedgn igualmente emplearse otros niveles de significación. o. como por ejemplo. 1.645 y 1. puesto que la suma del nivel de significación y el nivel de confianza es L00%.28 1. para estimar o. = op: o/1/i.6 1.10 0. aceptaríamos -EI6 de que la media poblacional es p : o utiliza¡íamos el estadísti-EÍe (o al menos no lo .96 1.28 ó -1. cuando se está ensayando la hipótesis de que un proceso es mejor que otro (que es diferente a ensayar si un proceso es mejor o peor que otro). En cada caso.58 2. Z = -. Tabla 7-1 Nivel de significación o Valores críticos de z para ensayos unilaterales Valores críticos de z para ensayos bilaterales 0. Ia región crítica es una región a un lado de la distribución.645 1.05 001 45 0.8I -3. tales ensayos se llaman ensayos de dos colns o ensayos bilaterales.08 y 3. los resultados son para poblaciones infinitas o para muestreo con remplazamiento' Para muestreo sin remplazamiento de poblaciones finitas los resultados deberán modificarse.96 y -2. Valores críticos de z para otros nivelei de significación. con frecuencia se puede estar solamente interesado en los valores extremos a un solo lado de Iá media. La Tabla 7-1. Entonces. Los co. puede también emplearse. media poblacional. 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. Tales ensayos se llaman ensayos de una cola o ensayos unilaterales.58 y -2.cAP.005 0. 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.645 cí 2.01 se sustituiría 1.58 ó -2. Cuando es necesário se utiliza la desviación muestral observada s (ó G). es decir.7l / ENSAYOS DE HIPOTESIS Y SIGNIFICACION 2L3 (b) Se acepta Ia hipótesis (o si se desea no se toma decisión alguna) en caso conhario. utilizando un ensayo de dos colas.58 (véase Tabla 7-L). tss =.i: ¡t. en una "cola" de la distribución.88 2.96 en todo lo visto anteriormente por 2. con área igual al nivel de significación. que da los valores críticos de z para ensayos de una y dos colas a distintos niveles de significación.33 -2.58 2.

*r_*. de éxitos en la población (4) Aquí S : P. como estimas de or y 02. La variable tipificada viene dada por z: En el caso de que P . Proporciones. lt : !z.= X/n. '\ l x2 (7) ¡ donde se puede. = 0 O:. Considérese la hipótesis nula de que no hay diferencia entre las medias poblacionales. ¡r" : ltp : p. aceptaríamos Ilo (o al menos no la rechazaríamos) al nivel 0. donde p es la proporción y n es el tamaño de la muestrsi o" : o. Para otros niveles de significación cambiaríamos (2) apropiadamente.e6 y lo rechazaríamos por el contrario.. es decir. 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 . la proporción de "éxitos" en una muestra. Diferencias de medias.05 si p¿üa una muestra específica de tamaño n con media r (2) -1.2I4 ENSAYoS DE HIPoTESIs Y sIGNIFIcAcIoN lcAP..05 si (véase Tabla 7-1). (5) se convierte (6) Z= X-np \nLPrI Consideraciones semejantes a las hechas anteriormente para medias pueden hacerse. 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. página 159. 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. ? rechazaríamos) al nivel 0.De (//).p.-X2-0 z _:.05 si ry olVn ríamos. Entonces. Con la variable tipificada dada por X.-'.. utilizar las desviaciones típicas muestrales sr V sz (ó 0t y 3. Para ensay¿ü la hipótesis de que la media poblacional es menor que a acepta- iñ 2.e6 = "ñ+ = 1. : ltulln.. si es necesario. . utilizando un ensayo de una cola._ = Xr-X" \. 3. 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. donde e : ! .r.EIo al nivel 0. donde X en es el P-p \/pql" (5) número real de éxitos en una muestra..

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

página 159.0. basados en el ensayo de dos colas. -2 gradosde'libertad. s2. aceptaríamos.oz : o en(12).05 si X. (o al menos no la rechazaríamos) en el nivel 0. primero anotamos que F en (16) tiene la distribución F con fr .1)^ii + fn.t. por ejemplo.s? + + n.1. fi son las varianzas de las dos poblaciones normales de donde se extraen las muestras.EIo (o no la rechazarí4mos) en el nivel 0. sí sí = F'o. Varianzas.01 u y la rechazaríamos de otra forma. Para ensayar la hipótesis H. pero entonces emplearíamos un ensayo de una cola. 4. Entonces si una muestra aleatoria de tamaño n tiene varianza s2 aceptaríamos flo .s'. (rz' . (/8) y lo rechazaríamos en el caso contrario.1 grados de libertad. El empleo de (12) está plenamente justificado al hacer o. Para ensayar la hipótesis 116 de que una población normal tiene varianza o2 consideramos la variable aleatoria (13) que (véase págrna 161) tiene la distribución chi-cuadrado con n . utilizando un ensayo de dos colas. .) (17) Para ensayar esta hipótesis al nivel 0. y después utilizar como estima de o2 la media ponderada (n.. es correcta) si la varianza muestral específi- ca. 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 decir = o3. t La distribución de ? es una distribución de Student conv: n.2L6 ENsAyos DE HrporEsrs y srcNrFrcAcroN / Se'tt. combinada obtenida al donde ^31 t . cuyas varianzas medidas son sl y sr2. En algunos problemas deseamos decidir si dos muestras de tamaños m y n respectivamente.J)9j 1) + (nz -1)-- l' n. . de que la varíanza poblacional es mayor que o2 emplearíamos la hipótesis rilo .05 (y por tanto concluiríamos que f/. provienen o no de la misma población normal.. en el nivel 0.10 si Fo. Esta es la uarianza 3.3¿ son estimas insesgadas de oi combinar los datos.'oz¡ o<nsz< (14) semejante puede obtenerse para el nivel 0. Si ¡/o denota la hipótesis nula de que no hay diferencia entre las varianzas poblacionales. Bajo esta hipótesis (16) se convierte en "! F::-l q2 q2 \.t n. . n . * n. Un resultado otro nivel. En este caso utilizamos el estadístico (véase página 161) F= donde (16) fi. Entonces. Relaciones de varianzas.1 grados de libertad. . fuera tal que nsz t2 y aceptaríamos IIo (o al menos no la rechazaríamos) de otra forma.. y o!. Por tanto rechazaríamos Hs.

al menos en el caso de los ensayos de dos colias. Útt "trrayo ajuste de distribuciones teóric as. donde s camb se deben simplemente a fluctuaciones causa de deterioro en las máquinas. el enmyo chi-cuadrado. Los gróficos de control suministran un método útil y sencillo para tratar tales problemas (véase Problema 1.14).05 es eq pigtm 195 conducente al intervalo de confianzadel96"/o se puede obsenrar que existe u eoría de ejemplo. (/ ) en la (1e) ñ _ L. poüíamos realmente emplear el intervalo de confiaíza del Capítulo 6 para e¡¡sayar ttipótesir. CURVAS CARACTERISTICAS DE OPERACION.cAP. conviene utllizar papel grófico de curua normal o papel grófico de probabilidad. 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. por ejemplo. como a veces se le llama (véase Problema 7. POTENCIA DE UN ENSAYO Se ha visto cómo el error del Tipo I pued. etc. GRAFICOS DE CONTROL DE CALIDAD importante conocer cuándo un proceso ha cambiado suficientemente. 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.7. Un resultado semejante para_ ensayos de una cola requeriría intervaloi de confianza unilateralás. .30.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. es posible frecuenten llamadas "modelos" o distribuciones "esperadas") tras de la población. r a¡ la bondad d.136 y también Problema 6. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 2t7 R. Es posible evitar el riesgo de error < nunca la hipótesis. significación. El método utilizado general: típica de la muestra para estimar la media y des 7. se describe más adelante. qué tamaños de muestras deben emplearse.elo vn vn Por tanto. Sin embargo.33.31). érrores de los empleados. la si de modo que puedan darse los pasos rápid ejemplo en control de calidad.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 0.29).32 y 7. El problema de ensay En un intento para determina¡ si una distribución normal representa un buen ajuste para datos dados. A pesar de que la necesidad de tales intervalos es rara' es posible definirlos (véase Problema 7.

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

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

. ejemplo.*!4t_"p_4.ráU" de esto véase el Problema 7. k il por (b) u : (h. El número de filas y columnas de la tabla dg contingencia determina el valor rñáximo de C. Las tablas de contingencia pueden extenderse a un número mayor de dimensiones.48.220 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP. Et númeró áé É dado para h > l. asociación o dependencia de las clasificaciones en una tabla de contingencia está dada por (26) que se llama coeficiente de contingencia.7 . Para. La corrección consiste en poner (21) coimo sigue "r "pii""uié ¡2 (corregida) = tL\-g!)- !'5Y * !4-grP +.L)(k . Una corrección análoga cuando se utiliza la distribución chicuadrado-. que no es nunca superior a uno. número de grados de libertad es z : 1. el máximo valor de c viene dado por 1frn . Así por CORRECCION DE YATES PARA LA CONTINUIDAD . Las frecuencias esperadas-son halladgf bajo una determinada hipóteiis llo.L27\. Si el número de filas y columnas de una tabla de contingencia es ilrrh ah.L\q 1) si las frecuencias-.62. También existe una modificación análoga de (24). la corrección se hace solamente cuando el @s) se conoce frecuentemente como corrección de Yates. A mayor valor de Q mayor es el grado de asociación. . ión muestral muy próxima a la distribución no sean demasiaáo pequeñas. Una tripótesis normalmente supuesta es la de que las dos clasificaciones son independientes enhe si. ? I estad de Y de es tal (a) v :.ü nPr En general..Los ensayos de significación para tablas h x h son análogos a los de las tablas 1 X k.t.rtt" pr.1F nz si las frecuencias observadas pueden solamente calcularse estimando m parámetros poblacionares con los estadísticos muestrales.rytc (véanse problemas 7. (h . .6g y 1. se pueden tener tablas h X h X I donde estén presentes 3 chsúicaciones.esperadas pueden calcularse sin tener que estimar -parámetros ooblacionales con los estadísticos muestrales. En COEFICIENTE DE CONTINGENCIA Una medida del grado de relación. como se ha visto en capítulos ant-eriores..Cuando se aplican a datos discretos los resultados para distribuciones continuas deben hacerse ciertas correcciones.

que muestra la distribución de probabilidad de caras en 100 Ianzamientos de una moneda bien hecha.. entre 40 y 60 caras inclusive es lo mismo que entre 39. la hipótesis de que una moneda está bien hecha.0358. (c) ¿Qué conclusiones se sacarían si en la muestra de 100 lanzamientos se obtuviesen caras? ¿60 caras? (d) ¿Podían ser erróneas las conclusiones de (c)? Explicar.5 . puede utilizarse para la er¡aluación de la suma anteriqr la aproximación normal a la distribución binomial. Así. .L0 y 210. se rechaza. se dirá que esta z difiere significatiuamente de lia que cabría esperar si la hipótesis fuese cierta. ambos inclusive. 7-2. 53 (o) (b) Por el Problema 7. la probabilidad pedida es /1\'t0 'oocoo( i) /r \6r' . 39.5 en unidades tipificadas = q9'5-:-E 60./lY' (. Si en una serie de 100 lanzamientos sg obtiene una z entre -2.I de la regla de decisión y la probabilidad de cometer este error es igual a 0.1. Región de recbace ? El error que se puede cometer de rechazar la hipótesis (39.0358 del apartado (o).10) 7.en unidadee tipificadas = 60.5 caras. Para ensayar (c) Hallar la probabilidad de rechazar la hipótesis. -. Hallar la probabilidad de obtener entre 40 y 60 caras inclusive en 100 lanzamientos de una moneda.s resueltos ENSAYOS DE MEDIAS Y PROPORCIONES UTILIZANDO DISTRIBUCIONES NORMALES 7. de otro modo se rechaza y se decide que la moneda no está bien hecha. probabilidad de error del Tipo I) se llama níuel de significación d. uo Pueeto que np o-{ffi=['r{ffi=' = _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 60.0. cuando en realidad es cierta.5 - 50 = 2. Entonces la probabilidad de rechazar la hipótesis cuando es correcta : 0. está representado por el área total sombreada de Ia figura.5. /1Y.lO 2. se acepta la hipótesis. \ql .'| rrx'ti'\r/ /tY' \-/ \-/ \-/ \-/ \-/ La media y la desvi¿ción típica del nf¡mero de ca¡as en 100 hnzamientos vienen dadas por t.5 y 60.CAP. Por esta razón. Según la distribución binomial.. La regla de decisión se ve gráficamente en la Fig. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION 22r Problema.0358 en este casc.. (b) Interpretar gráficamente la regla de decisión y el resultado del apartado (c). En una escala continua.2.58%.e la regla de decisión y es igual a 0.10 y nq son ambas mayores de 5. la probabilidad de no obtener entre 40 y 60 caras inclusive si la moneda está bien hecha 1 . el área total sombreada (es decir. cuando debería aceptarse q el error del Tipo. (2) de otro modo.9642 : 0.'lóJ /1Yo .0358.5 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.) +'noc.I0 Probabilidad pedida : : área bajo la curva normal e¡tíe z: 2(áreaentre z: O y z: -2.1O y z: 2..) =./ 1" (. pues se habla de rechazar la hipótesis a un nivel de significación de 0.-210 caras) FiE. .7-2 z (60.tp = 1oo(.1.0358 6 3.

05 y (b) 0. Entonces el área entre 0 y zr = 0.O25O : O-4750.23-7.96(4).96 equivale a .960 y ¡J + l.5. entre 25 y 39 ambos inclusive.5000 .4950 ! zt = 2.1. por ejemplo.68 y Bz + Entonces la repla de decisión sería: (l) Aceptar la hipótesis si el nfrmero de caras se encuentra entre 22 y 42 inclusive.32 y o -= t/iw = y'6llos)(05) = = (X p)/o 4 bajo Ia hipótesis de que la moneda está bien hecha. Se puede argüir que con solo una cara más que se hubiese obtenido.(X-32)l¿:1-96óX:39.np: 64(0. Diseñar una regla de decisión para ensayar la hipótesis de que una moneda est.222 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.96_ (2) Rechazar la hipótesis en cualquier otro caso.96{npq o entre 32 - 1.96 <(x-gz)l¿.84.16<X< 39.96yñpq lleva a Ia regla de decisión anterior.05. ? (c) Según la regla de decisión.96(4) :24.96.1.95.96 < z < 1.99 .5000 0.? en lugar de 0. 2.7-B 2r Los valores críticos la Tabla 7-1- -1. Si el nivel de signilicación es 0.que también conducea ) obtenerse de la Tabla ?-1.58(4\: 42. pues. (d) Si.2. es decir.(X-32)14:-1.966X=24. Siguiendo el mismo procedimiento del método segundo del apartado (o ).58o. se habría rechazado la hipótesis.96(4): 1.bg (másexacüarnente 2. Esto es lo que se debe afrontar cuando para tomar decisiones se toma cualquier línea de división. Tercer método: y np+1.960. Entonces. 7.96(4) la regla de decisión anüerior. Entonces.58(4):21. el área entre 0 y zr es 0. caras se encuentra entre (2) es Se rechazá la hipótesis en caso contrario. cada área sombreada en la figura anterior es 0. (o) Primer método: Si el nivel de significación es 0.025 por simetría.0050 :0. es decir. (2) Rechazarla en cualquier otro caso.y z¡ : 1. una posible regla de decisión es: (I ) Aceptar la hipótesis de que la moneda est:á bien hecha si Z está entre -1.58o y pt*. SiZ:1.á bien hecha si en una muestra de 64lanzamientos de la moneda se toma un nivel de significación de {c) 0. Estopuedetambién - el número de ca¡as se encontrará entre lr 2.< 1.96(4)< X< 32 + 1.1.3.96(4)< (x6 32.76y 32+ -1. 89. cada6rea sombreada en la Fig.84que 32) < 1. 24.84. sería el caso cuando la probabilidad de cara fuese realmente 0.005.32. np. El error que se comete al aceptar la hipótesis cuando debería decisión. nótese que la media y la desviación típica de la distribución binomial exacta de caras están dadas por ! .25. Se puede aceptar la hipótesis cuando realmente debería rechazarse como. en ambos casos se aceptaría la hipótesis de que la moneda está bien hecha. 7-3 es 0.5i2:-1.84.96 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. es decir. Segundo método: Con probabilidad 0. (i ) Se acepta la hipótesis de que la moneda está bien hecha si el número de 24.96.5) .96 y 1.01 .96.575). el número de ca¡as se encontrará entre ¡¡ decir. se ve que con probabilidad 0. Entonces Z la regla de decisión resulta: = (X - 32\14. .t6. Para mayor discusión véanse Problemas 7 rechazarse ea error del Tipo 1I de la .96 y 1. (b -1.01.16 y 39. Así. -zr Fis.96.Asípues.O.1. g2-2.

p es la ptobabilidad de que el sujeto elija conectamente el color de una catta.84) que es menor que 2.ar la hipótesis si el número de caras se encuentra e¡fte 22 y 42 inclusive. ¿Cómo se podría diseña¡ una regla de decisión en el Problema ?.645.5 V el sujeto está simplemente adivinando.S. lo que se hace es simplemente no rechazarla. la decisión rnantiene es decir.25\15. la regla de decisión del Problema 7.5) en unidades tipificadas es 1. puesüo que 32 en una eecala continua está entre 31-5 y 32. 7-4 de modo que el área sombreada en la región crítica de r¡alores alüos sea 0.5. Para evitar este etlor.05 y (b) 0. sino en la facultad de obtener aciertos numerooos.entonceseláreaent¡eOyzt:0.P.05. zl (2) Si z es menor de 1. En un experimento sobre percepción extrasensorial (E.33. Una completa discusión de tales casos requiere l¿ consideración de errores del fipo II (véanee hoblem¿s 7.omete al aceptar una hipótesis que debería ser rectrazada.5 y el sujeto tiene fuerza de E.S.23-7. Asfrpues.01 son probablemente significotiuos.54 p=.S.) un individuo (sujeto) en una habitación fue preguntado sobre el color (rojo o azul) en una carta elegida por otro individuo en otra habitación-de un conjunto de 50 cartas bien barajadas. Sin embargo. es decir.P.645.4. la media y la desviación tfpica del número de cartas identificad¿c correcüamente 3.98 es mayor que 1.P. Esto puede también eacarse de la Tabla 7-1. Fig. lo que efnificarfa que ee rehuaa cualquier decisión en este caso.5) = zb ! o=\/wq = /86(05)(-05) = ¡/Es = (a) Para un ensayo de una cola al nivel de significación de 0.01 ¡on altomente significatiuos.06 son no significatiws.05 el individuo tiene fuerza de E.cAP.64:1. 7-4 Puesto que 32 unidades tipifrcadas (32 .26').Puestoque32(ó 31. Seglrn la üerminologfa.4900Y2r:2.01. (D) Sielniveldesignificaciónes0. puesto que no se está interesado en la facultad de obtener valoree bajos.S.98 (ó 1. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 223 7. Se elige un ensayo de una cola.05.5 . Si la hipótesis está dado por ff6 es cierta. mientras que los resulüados significativos a niveles superriores al 0. Así por ejemplo. Algunos estadísticos adoptan la terminología de que lios resultados significativos al nivel del 0. se concluye que al nivel del 0.3 que evite el enor del Tipo T? El error del Tipo I[ se c.5 üiene un valor tipificado de (31. se concluye que los resultados del experimento anterior wn probablemente significatiuos. los resultados significativos al nivel del 0. Sin embargo. es decir.P. (I) ee Adüértase que tealmente debería aplicarse una conección de continuidad.6.64: 1. Si el zujeto identifica conectamente 32 cartas' determinar si los resultados son significativos al nivel de significación de (c) 0.01. 7. los resultados son significativos al nivel del 0.84 llegándose a Ia misma conclusión anterio¡. entonces se tiene que decidir entre las dos hipótesis siguientes: Si Hoi p: 0. 31.05 y el indiüduo tiene fue¡za de E. Rechazar Ia hipótesis en ca6o contraúo.645 los resultados Be deben a la casualidad. no significativos al nivel del 0. Entonces el área enüre O y zt = 0. Y zr : 1. Es desconocido-para el zujeto cuántas cartas rojas o azules hay en el lote. de modo que posteriores investigaciones del fenómeno están probablemente justificadas. en lugar de aceptar la hipótesis.4500. se deduce que los reeultado¡ no son significaüuos al nivel de 0.05 pero no al nivel del 0.06 se debe elegit z1 en la Pig.26)13. en muchos ejemplos prácticos es importante decidir si una hipótesis debe eer aceptada o rech¡zada. .01.645.3(b) serfa: (I ) (2) No recltzz. los resultado¡ son totalmente casuales Ht: p ) 0.np = 50(0.33. la regla de decisión o enaayo de significación es: (f ) Si la z observada es mayor que 1.

7.23. Denótese porp la posibilidad de obtener alivio de la alergia utilizando la medicina. \/"pq = /?2ooxo.$) : 1AO y " - 7.. ta probabilidad citada en-este caso 0. con una desviación típica de 120 horas.33.01.0322.01. o de la Tabla 7-1. si el área sombreada en la Fig. La distribución muestral de X tiene una media r¿x-Éyunades. lt:1600 hora. 7-5 es 0. El fabricante de una patente médica sostiene qu€ la misma tien'e un 9O% de efectividad en el alivio de una aler_gia.Ossetienelasiguienteregladedecisión: (/) Se rec}raza 116 si la z de la media muestral está fuera del rango . por un período de 8 horas.9 y la aseveración Se elige un ensayo unilateral. . El estadístico bajo consideración es la media muestral X. comprobar la hipótesis ¡¡ : 1600 horas contra la hipótesis altemativa r¡ # 1600 horas con un nivel de significación de (a) 0. Determinar si la aseveiación del fabricante es cierta.84):0.r es la duración media de todos los tubos producidos por la compañía.P. 3. la aseveración es legítima y los resultados obtenidos se deben a la casualidad (en cuyo caso Si se acepta 116 ).96 a 1. algunos estadísticos citan las probabilidades reales inherentes.S. (2) En caso contrario.r¡ = a.1.96. mediante la simetría de la curva. en este problemapuesto quep(Z > 1.9)(o.01 . Entonces tre las dos hipótesis: se debe decidir Ho: p: 0. Asípues. por la regla de decisión se deduce que la aseveración no es legítima y que los resultados muestrales son fle es cietta p : np = 200(0. es sobre el 3 por 100.0322 el estadístico puede decir que en base a la posibilidad de que en el experimento se llegue a una conclusión errónea sobre que el individuo tiene fuerza de E. 7.dondegvoscnlamediayladesviacióntípicadelapoblación de todos los tubos producidos por la compañía. Por ejemplo.5(b).9 y la aseveración es correcta es falsa Hy: p10. como puede deducirse del koblema 7. (2) Se acepta l/6 (o no se toma decisión alguna) en caso contrario. Ahora 16O en unidades tipificadas (160 . La duración media de una muestra de 100 tubos fluorescentesproducidosporuna compañía resulta ser 15?0 horas.5). Si se toma el nivel de significación del 0. se llama a veces niuel de significación erperimental o descriptiuo.viacióntípicaop:s/1/i. Se zl Fig. entoncegz¡ : -2.224 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP. (a) Paraunensayobilateralalniveldesignificaciónde0. Si ¡. 7-5 toma como regla de decisión: (1) La aseveración no es legítima si Z es menor de -2.l8O)14. altamente significatiuos (véase final del Problema ?.33. 7 Puesto que los niveles de significación sirven de guía en la toma de decisiones.6. .23: -4. puesto que Ee esüá interesado en determinar si la proporción de gente aliviada por la medicina es demasiado baja. Se tiene que decidir entre las dos hipótesis: Ho. que es mucho menor de -2.s.33 (en cuyo caso se rechaza H¡). H1: ¡t* 1600horas Un ensayo bilateral debe utilizarse aquí puesto que g * 1600 incluye valores mayores y menores de 1600.05 y (b) 0. es decir.En una muestra de 200 individuos que tenían la alergia la medicina suministrada alivió a 160 personas.

8.7(a) mediante un ensayo bilateral.50. Para ensayar esta aspiración.33.01.58. 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.cAP. Puesto que / : (X .645.50 se encuentra dentro de este rango. (a) Sielniveldesignificaciónes0. con los niveles de significación de (¿) 0. (2) S. el rango -1. ¿Puede mantenerse que. (1 Hs si Z es menor de -1. Se ¡ecltaza 7 . por tanto la regla de decisión: -L.¿ 7.645. que es menor de -1 . se ensaya una muestra de 50 cables y se encuentra que su resistencia media es de 1850 libras.0Sysetieneque zt : Se adopta.7. se rechaza /16 al nivel de significación del 0. se tiene X-p ol\n 1850 .33 los resultados son significativos al nivel de 0.50 se -l . Adviértase que esta decisión es idéntica a la obtenida en el Problema 7. acepta H6 (o no se toma ninguna decisión) en caso contrario.01 la regla de decisión es: ) Si eI valor de z es mayor que 2. hay un aumento de resistencia al nivel de significación del 0.oo loo/v5o que es mayor de 2. De aquí que se adopte la regla de decisión: (I ) Se rechaza H¡ si Z es menor de -2. que es menor de -2.05.01.01.01 eI valor de z1 en la Fig. ) (2) Se acepta. /ls al nivel de significación del 0.33.33. II1: ¡t{ 1600 horas. y realmente no hay cambio en la resistencia 1800 libras. .1600)/12 : (L570 . naturalmente esperarse. se rechaza pues. Se debe < 1600 decidir entre las dos hipótesis: Ho: lJ: 1600 horas.96 a 1 . en efecto. ensayar la hipótesis p : 1600 hora. Adviértase que esta decisión es la misma que la obtenida en el Problema 7. ' (b) Si el nivel de significación es 0. Como en el Problema 7.Ff6 (o no se toma ninguna decisión) en caso contrario. I/e es cierta. utilizando la desviación típica muestral como una estima de o.F/0 (2) De otro modo.01. 7-5). Bajo la hipótesis de que (I es rechazada.01 y.645.7(a). En el Problema 7. se acepta Ile (o no se toma ninguna decisión) al nivel de sfinificación del 0. Al nivel de significación del 0. Debe aquí utilizarse un ens¿ryo unilateral (véase Fig. De aquí se deduce que los resultados son olúamente significatiuos y Ia aspiración de mejora debe ser admitida. laregiónsombreadadelaFig. el valor de e es -2.s frente a la alternativa horas. Entonces.1800 -------------ó. basadas en ensayos de una o dos colas.7(b) mediante un ensayo bilateral. el valor de z es -2. puesto que se ensaya I/6 conha una alternativa diferente en cada caso.96 en la regla de decisión del apartado (c) se sustituye por -2.01? Se tiene que decidir entre las dos hipótesis: Ho: lJ: Ht: lt > 1800 libras.05. no están siempre en concordancia. Las decisiones concernientes a hipótesis'lfe dadas.05. puesto que z -2.33.96 a 1.50.7 Como en el Problema de significación del 0.T-Stieneunáreade0. (a). 7. 7-5 es -2.05 y (b) 0. ¡.9. se rechaza pues. 7-4). 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 226 eneuentra fuera del rango Bajo la hipótesis I/6.58 a 2. y hay un cambio en la resistencia Aquí debe emplearse un ensayo unilateral (véase Fig.1600y12 : -2.9 6. Esto cabe. Mediante una nueva técnica en el proceso de fabricación se aspira a que esta resistencia pueda ser incrementada. se tiene g : 1600 y o* = a/t/n = 120/\/L00 = 12. fle al nivel (b) Si el nivel de significación es de 0. Ilo es aceptada (o no se toma decisión alguna).

5 pulgadas con desviación típica de 2.5. En la primera clase la puntuáción media fue de 74 con una desviación típica de 8.0ó hay una diferencia significativa entre las dos clases y la segunda es probablemente mejor.lp. Así pues. es decir.8 pulgadas. no se puede rechazar la hipótesis a este nivel de significación. los resultados son significativos al nivel de 0.96. Se debe decidir entre las hipótesis: Ho: llt : H t: Ft ) Bajo la hipótesis.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. La estatura media de 50 estudiantes de un colegio que tomaban parte en las pruebas atléticas fue de 68.01.96 a 1. ! la diferencia se debe simplemente al azar H t : Pt * ¡t2 .-*. = o n*r-'^" = !t-".606 donde se han utilizado las desviaciones típicas muestrales como estimas d.10 si se está dispuesto a correr el riesgo de tomar una decisión errónea con una probabilidad de 0.e 2. Para un ensayo bilateral. De aquí se deduce que al nivel de 0.10. se rechaza la hipótesis lls si el valor de z fuese mayor de 1. Debe sin embargo ponerse de manifiesto que la hipótesis puede rechazarse al nivel de 0.la estatura media del primer gtupo ^o hay diferencia entre las estaturas mediases mayor que la del segundo ur?. Entonces z= (a) (ó) Pata un ensayo bilaüeral. ltz . Enton- Bajo ferencia de medias están dadas por Ho: ltt : llz.01 si Z se encuentra fuera del iritervalo -2.01 no hay diferencias significativas entre ambas clases. z ENSAYOS RELACIONADOS CON DIFERENCIAS DE MEDIAS Y PROPORCIONES 7. ¿Hay una diferencia significativa entre el restfltado de las dos ciases al nivel de significación de (a) 0. .226 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [g. 7. De aquí se deduce que al nivel de 0. mientras que en la segunda clase la puntuación media fue de 78 con una desviación típica de 7. = o*r-fr. ambas clases provienen de la misma población. se deduce que los resultados son probablementesignificatiuos. I vez cada 10. La media y la desviación típica de la di- uir-i.El6 .hay una diferencia significativa entre las dos clases la hipótesis lls.11.5 pulgadas. n2 = 0. ?..05. !40*50 = 1.10. (b) 0.05 pero no al de 0.58.4s Puesto que los resultados scin significativos al nivel de 0. "Z= l8r. = 1# = -2. =o n*r-rr"= "? . ft1 "8. los resultados son significativos al nivel de 0. Se hizo un examen p dos clases formadas por 40 y 50 estudiantes respectivamente.e o1 y o2. se tiene que Supóngase que las dos clases provienen de dos poblaciones que tienen de medias respectivas decidir entre las hipótesis: l\ y tJz.645.58 y 2. de acuerdo con la terminología utilizada al final del Problema 7.05 si Z se encuentra fuera del recorrido -1. Ensayar la hipótesis de que los estudiantes que participan en las pruebas atléticas son más altos que los otros.05. mientras que 50 estudiantes que no mostraban interés en tal participación tenían una estatura media de 67.01? ces. p2 .2 pulgadas con desviación típica d. - l"? .

28.7\n 3'75 La diferencia observada será significativa al nivel de 0. 0. bajo la hipótesis tiI6. H t : pt ) pz.xz 4 . padecen una enfermedad."io" dos grupos per- o*r- *.13.01 si : 28 al menos.75/\n 0. Puesto que esta condición es satisfecha.09 3. respectivamente las proporciones poblacionales curadas ( I ) utilizando el suero . Entonces. = 0 V p".33.ebr(-#.y el suero es efectivo Bajo la hipótesis 116. pero no al grupo B (que se llama gtupo control).01? Supóngase que el tamaño muestral de cada grupo eB n y qLe las desviaciones típicas manecen iguales a las de antes. (2 ) sin decidir entre las dos hipótesis: es decir.0648 ro. = o?.l las diferencias observadas son debidas al az. respectivamente se han recuperado de la enfermedad. (b) 0. al nivel de significación del 0.05."2 nn (2. Se encuentra que en los grupos Ay 8.7 observada en las estaturas medias se tiene xt . Se debe r! p2.?50 - = 1. = p de curas 0. = o o.54 (c) De acuerdo con un ensayo unilateral al nivel de significación del 0.o*r-*.r-r. deberá incrementarse el tamaño de cada grupo en ?8 será significativa al nivel de 0.10.01. urr-r'. (a) o.CAP.54. se debe deducir que los resultados se deben al azar a este nivel de significación.70 y donde q : 1 p : 0. Denótese por P utiliza¡ suero.01. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION 227 7.7 pulgadas en las estaturas medias sea significativa al nivel de significación (o) 0.05. Entonces ry- en los dos grupos muestrales el valor (?5 * P.#) = 0. (b) 0.II para que la diferencia observada de 0.ir_*. 14. (c) 0:10. Puesto que el valor de z es 1.10 se rechazaría f/e solamente si el valor de z fuese superior a 1. se tiene . se deduciría que el suero es efectivo al nivel de significación de 0.L2. ¿En cuánto deberíán incrementarse los tamaños de muestra de cada uno de los dos grupos en el Problema 7.05 si Yif-t'uou (b) La diferencia observada ó 1/-n=8.tt d \/a>r2.5¡z ¡ ". se r*}lrazaría lahipótesis1116 solamente si z fuese mayor de 2. (ó) De acuerdo con un ensayo unilateral (c) Si se utilizase un ensayo unilateral al nivel de significación de 0.75 n . 7. siendo en todo lo demás los dos grupos tratados idénticamente.5 ó t57 n>1b? 50 De aquí que se debería incrementar cada muestra en al menos : lO7 . el suero no es efecüivo Ho: Pt : Pz.zorro. De donde se deduce que a este nivel tambiénlas diferencias se deben al azgt.r. Dos grupos A y B fo¡mados cada uno de 100 individuos.75 y 65 individuos.645./" Para la diferencia de 0. se rechazaría la hipótesis IIs solamente si z fuese mayor de 1.7 3.t.zt..8 í¡ n>78 50 Así pues. ui'!!=r.30._P" orr. Se administra un suero al grupo A.650 0.05. Ensayar la hipótesis de que el suero ayuda a curar la enfermedad al nivel de significación del (a) 0.0648 donde se ha utilizado como estima de la proporción 65)1200 : 0. .

Esto muestra cómo al incrementarse el tamaño de la muestra aumenta la seguridad de las decisiones.750 y 195/300 Adviértase que en este caso la proporción de gente curada en los dos grupos son 225/300 : 0.645. Bajo la hipótesis ^FIe.Puesto queZ:1.13 si cada grupo dividuos del Grupo. En tales casos.528 = z - P. Entonces 0.05. Si los resultados se deben realmente aL azar y se toma la decisión de que son debidos al suero (error del Tipo I).96. es decir. Por otro lado. respectivamente. (b) el candidato sea preferido en el distrito A. l'pr-pz = donde (225 0 ú¡'. Este es un riesgo que nb siempre deseamos suponer. Sin embargo.0. se rechazaría Hs si Z estuviese fuera del in' tervalo-1 . se debe decidir entre la hipótesis (f/e ).14. se puede rechazar la hipótesis al nivel de significación del 0. z=ñ= - = 2.96a1. ..encontrándosedentrodelintervalonosepuedetechazatH¡ a este (b .-t'r= se ú'G.528 l'75 y 1-0. se está forzado a toma¡ decisiones en acuerdo con la información utilizable y asÍ se tendrá que correr mayor riesgo de tomar decisiones erróneas. que están a favor del candidat<¡.472.6b0 respectivamente.228 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP..750 = ro.P" = rrar.15. Una muestra de 300 votant€s del distrito A y 2O0 del distrito B mostró que el 66% y el 48% respectivamente. se deduce que el suero es efectivo con solo una probabilidad de 0.01 de equivocación.05 ensayir la hipótesis de que (o) haya diferencia entre los distritos. estaban a favor de un candidato dado. que son las mismas del problema anterior.zt y 195 del grupo B.480 = -0^0456== nivel. z Adüértase que las conclusiones anteriores dependen de lo que se esté dispuesto a arriesgar de tomar una decisión erróneá.zol ro. . Bajo la hipótesis (Ho: pt:pr ) se tiene l¡.0374 ." 0. se debe decidir entre la hipótesis (Ho : P t : pz\ y (Ht : P t * pz). que se estudia con un ensayo unilateral.0374 P. Puesto que éste es el caso. decir. _ 1.-P. ?. Denótese por pr y p2 las proporciones de todos los votantes de los distritos A y B. (¿) Si solamente se desea determinar si hay diferencia entre los distritos. se rechaza É16 a este nivel y se deduce que el candidato es preferido en el dis' trito A . = ú(¡D=@=00456 f(0..56)(300) 0.01.48)(200)l/500:0. se compone de 300 individuos y si se curan 225 i* : 0.560 dondesehautilizadocomoestimadepyqlosvalores +(0. no hay diferencia significativa entre los distritos' : ) Pt : Pz)y (Ht: pt ) pz Si se desea determinar si el candidato es preferido en el distrito A. Co¡r un ensayo unilateral y al nivel de significación del 0.650 0. se puede deducir que el suero no ayuda cuando realmente sí lo hace (error del Tipo II)Tal decisión es muy importante especialmente si hay vidas humanas en juego.70 utiliza como estima dep. ?. se puede proceder a dar el'suero a grandes grrlpos de gente solamente para obtener entonces que realmente es inefectivo.sol( r*-L * r*-L ) : 0. en muchos casos es imposible el aumentar el tamaño de la muestra.t 0.?S. Entonces = 0 or. Al nivel de significación del 0. Solucionar el Problema 7.67 es puesto que el valor de z es mayor de 2.33.05 se rechaza H¡ si Z fuese mayor de 1. que se estudia con un ensayo bilateralCon un ensayo bilateral y al nivel de significación del 0.195y600:0.

y la máquina Ht: P + 0. (b) 0. Bajo la hipótesisae se tiene (o . ) Para un ens¿ryo bilateral al nivel de significación del 0.g. : ) Para un et¡sayo unilateral al nivel de significación del 0.F/e en caso contrario.05 pero no al nivel 0. se acepta.É16 elr cáso contrario.cAP. : 9 grados de liber- Puesto que ?: 3. H lJ: 8000 libras. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION Ú ENSAYOS RELACIONADOS CON LA DISTRIBUCION DE STUDENT 7. (b) 0. que resulta tener un grosor medio de 0. En el pasado una máquina ha producido arandelas con un grosor de 0. : ) Para un ensayo unilateral al nivel de significación del 0.01 . . y la afirmación del fabricante de modo que se requiere un ensayo unilateral. I/6 al nivel de 0. Puesto que ? -B . Ensayar la hipótesis de que la máquina está en buenas condiciones de producción al nivel de significación del (o) 0. se dice que lamuestraresultaproboblemente significatiua (véaee la terminología del final del Problema 7 . = 4---f.. -1:5 gradosdelibertad da ?) -2.4!9 ú0 -t -_. se rechaza Puesto que ?: 3.01? Se tiene que decidir entre las hipótesis Ho:.f.L7¡"- 1= ?l|'!-_99rnJ .050 pulgadas. Se rechaza.17. se toma una muestra de 10 arandelas.00.Efs al nivel 0. Para un ensayo bilateral aI nivel de significación del 0. se encuentra en buenas condiciones no se encuentra en buenas condiciones Bajo la hipótesis (o H¡ se tiene . Ya que se rechaza lls al nivel 0.26 a 2. se adopta la regla de decisión (1) (2) Se acepta f/¡ : si ? es mayor de -f.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. que para 10-1 tad es el intervalo -3.36. Puesto que T = -3. Para determinar si la máquina sigue en buenas condiciones de producción.00. Se rechaza -1 :9 gradosde lls en caso contrario. ABI sería aconsejable comprobar la máquina o al menos toma¡ otra muesha.050.01.25 a 3.050. á ú.86 .o.05. y la máquina de modo que se requiere un ensayo bilateral. Se desea decidir entre las hipótesis Ho: lt:0.01 .26. se adopta Ia regla de decisión (l) (2) (b Seacepta116 si ?esmayorde -ú. lo cual para 10 libertad es eI intervalo -2. ¿Se puede admitir la afirmación del fabricante aI nivel de significación del (a) 0.05 . Se rechaza.01. 7. Se deduce que la afirmación del fabricante es extremadamente improbable que esté justificada.05.05.25.F/6 eri caso contrario.003 pulgadas. 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.01 se adopta Ia regla de decisión: (I ) (9) Se acepta .i6= = -8.F/6 si ? se encuentra dentro del intervalo --f.01.053 pulgadas y una desviación típica de 0. que para 5 grados de libertad da 7') -3.00. se rechaza .86. -t/n- t = 9!$-.ee5.ee.F/s. y la afirmación del fabricante está justificada es falsa 1 : ¡t 1 8000 libras.6).un. se rechaza ffs . .86. que para 6 Se rechaza.16.

01.36 fanegadas.01. Para ello.3s7\n/12 + Urz = 1. eue para n¡ I nz . ? ?. mientras que el L Q.8 fanegadas con una desviación típica de 0. La media de trigo conseguida en las parcelas no tratadas fue de 4. de los estudiantes de las dos zonas. El I. y (b) 0. lo cualpara n1 * nz .19.2: 28 grados de libertad es el recorrido -2. a ú. se rechazará la hipótesisl{6 si ?se encuentra fuera del recorrido --t r¡g¡. Q. ¿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.51. Q. de los dos grupos al nivel de significación del (o) 0. respectivamente. no se puede rechazar Se deduce que no 116 al nivel de significación del 0. se tiene que Ho: lt : ltz ! no hay diferencia esencial entre los grupos Hti ltt =* tlr. no se puede rechazar.Ef6 al nivel de significación del 0.40 fanegadas. .18.44 y T= ltz - t07 9. (b) Con un ensayo bilateral aI nivel de significación del 0.76.ctsa ú e75. (cociente de inteligencia) de 16 estudiantes de una zona de una ciudad dio una media de 107 con una desviación típica de 10.ffi + 12(0-36)2 t/".8 0.ee5. T- xt-x. la mitad de ellas fueron tratadas con el fertilizante y la otra mitad no (grupo control).?6 a 2.44\/ l/16 + l/t4 = 1.01.2 : 72 + t2 .y el fertilizante incrementa la producción Bajo la hipótesis I/6.. Así pues.85 Con un ensayo unilateral aI nivel de significación del 0.05. T= Entonces xt- X.S! + nrS! n1 -ln2-2 Entonces t6+L4-2 =9. Q.1 - 4. "tf.1 fanegadas con una desviación típica de 0. n1*n2-2 "=!ffi (a) I 12(0. En una estación agrícola se deseaba ensayar el efecto deun determinado fertilizantn sobrela producción de trigo.05.4012 =o'397 v T= 5. 7. "t/U"t+ Y"2 donde o - n.01. eue para 28 grados de libertad es el recorrido -2. donde nrsl + n252. se rechazará Hs si T se encuentra fuera del recorrido -t.ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.y la diferencia se debe al azar H t: pt ) tt1.2:. Q.2 : 22gradosde libertad es 2. hay diferencia significativa entre el I.y hay diferencia esencial entre los grupos Bajo la hipótesis lls. Así pues. no se puede rechazar É16 al nivel de significación del 0. Así pues. y ¡r2 las medias poblacionales del decidir entre las hipótesis I. ¿Hay diferencia significativa entre el I.05? Si se denota por ¡l-. tiene que decidir entre las hipótesis se Ho: lt : ltz.01.05. mientras que la media en las parcelas tratadas fue de 5.16 + 74 .ee. de 14 estudiantes de otrazona de la ciudad dio una media de 112 con desviación típica de 8. sé rechazará Ia hipótesis f16 si ? fuese mayor que ú. se eligieron 24 parcelas de terreno de igual superficie. de los dos grupos. Todas las demás condiciones fueron las mismas.45 (¿) Con r¡n ensayo bilateral al nivel de significación del 0.O5 a 2.

01 paraZ¡ = L5. Se deduce que el incremento en la producción de trigo alttilizar el fertilizante es probablemente significoúiuo. (b) Ya que f'. sz :12 de modo -que G? = . aunque no hubo diferencia significativa en medias de las calificaciones. (b) 0.25 onzas.4.oz. y la variabilidad se ha incrementado El valot de 12 para la muestra €8 X2 : nsz/sz :20(0.8.Alnivel 0. Vz:26-L=24. El número de grados de libertad para las clases son respectivamente rr¡ :16-1:lb.Z5l2 = 82.01 si el valor muestral de pues.72. Así puee.serechazarálahipótesisfl6si?fuesemayor que ú. en una asignatura específica.01.er:z.cAP.01. que es igual a 30.. Entonces.25 onzas.01? Hay que decidir entre las dos hipótesis: Ho: o :0._Lr'? = if Itr¡ (e)2 = 86. f ( F. muestras en cuestión. LaclaseA tiene lGestudiantes en tanto que la clase B tiene 25 estudiantei. se rechaza.32 on?T.05. ya que Ad F( F . (o) (b) Mediante un ensayo unilateral. se rechaza .É16 al ni- Se deduce que la variabilitlad se ha.tá h. Y deberá efectua¡se una revisión en la máquina.05. Una muestra aleatoria de 20 paquetes dio una desviación tipica de 0. vemos que tampoco podemos rechazar.EIe al nivel de vel de significación del 0. sr g. En el pasado la desviación típica de los pesos de ciertos paquetes de 40. 4 = . A y B. y cualquier va¡iabilidad observada se debe al azol Íi1: o1>.05 y (b) 0. 9tt" 4'rn. Un instructor tiene dos clases. sería deseable tener alguna prueba más. ¿Podemos concluir al nivel d-e significación del (c) 0.05 Si el valor de X2 muestral fuese mayor 9ue x?gs. Sin embargo antes de sacar conclusiones definitivas referentes a la conveniencia del fertilizante.05. ENSAYOS RELACIONADOS CON LA DISTRIBUCION CHI-CUADRADO 7. ENSAYOS RELACIONADOS CON LA DISTRIBUCION ¡' 7-2L. Así.8g. p. ¡12 fuese mayor- Mediante un enaayo unilateral.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. empleando eubíndices 1 y 2 para las clasee A y B respectivamente.0 onzas.EI6 al nivel de significación del 0.e5.ltle al nivel 0.la clase A tuvo una desviaóión típica de 9 en tanto que la clase B tuvo una desviación típica de1'2. .05 que la variabilidad de la clase B es mayor que la de la clase A? (o) Tenemos. que ás igual a 36.LL para 15.Ffs al nivel de significación del 0.?0. se rechaza ^Ef6 al nivel de significación del 0.32)2/(O. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 237 (ü) Conunensayounilateralalniveldesignificacióndel 0. lo cual para22 grados de libertad esL.06.25 onzas. 24 grados de libertad (véase Apéndice F). En el mismo examen. se rechazará.2 para 19 grados sig de I O.ee : 2.máqlLlina era de 0. ¿Es el aparente incremento de va¡iabilidadsignificativa al nivel de signifióación del (a) 0.74 eí Entonces.nn no podemos techazar ff6 al nivel 0.1 para v : 20 . F. = E = *n@ = r.Por tanto .1 : 19 grados de libertad.sr.v2 = 24 tenemos del Apéndice F. llenados por una. probablemente incrementado.01. y los resultado¡ observados se deben alazar H 1 : o > O . no se rechaza. pues.!4 = '*rrrr'= 1Eo Hay que decidi¡ entre las dos hipótesis : o ¡ = o2.

6. está dada por el área rayada p de la iigura.58 = 70 y'6oo)(oJ)(0.2 es decir. CURVAS CARACTERISTICAS DE OPERACION 7.ó y 60.6)(0.5 p=o.7)=70 60.5 en unidades tipificadas = 39. esta á¡ea d. (c)p :0. Con referencia al Problema 7 .7 7.¡O tn Entonces I: áteabajo la curva normal entre z --6'66 y z -2-O7 : 0.24.O1).07 -6.5 caras Fig. probabilidad de error del Tipo I) viene: dada por el área toüd c de la región sombreada ba.18 Entonces 9: área bajo la curva normal entre z : -4.0358.O5 ó O. (b)p : 0.5 en unidades 39.J? neda está bien La hipótesis ff6 de que la moneda está bien hecha. pues.18 yz : O.9' (d) P : O-4.23 si (a)p:0.99 60.6. Puesto que la media real de las calificaciones no se usó para nada en el Problema 7 . (a) Sip : 0. se acepta cuando el p = 0. En el diagtama se ve claramente que la probabilidad de acepLr . ?. llegando a una regla de decigión (2) Se decide sobre Q y P y después se llega a una regla de decisión. Adviértase que en este problema se tenía la regla de decisión de la que se obtenfa c y p.7 (es decir. ¿Canbiarían sus conclusiones en eI ProblemaT.7 39 5 caras 60.7. Solucionar el Problema 7. es igual a 0. entonces la distribución de carag en 100 lanzamientos eetá representada por la curva normal de la derecha en la Fig. . 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. Esto es de esperarse ya que no estamos tratando de decidi¡ si hay una diferencia en las medias de las calificaciones. En la práctica se pue' den presentar otras dos posibilidades: (I ) Se decide sobre c (tal como O. ?-6.jo la curva normal de La izquierda en la Fig.58 tipificadas = üipificadas - = = : -2.5405 Asi pues.5 4.90 4.4) = 4. probabilidad de error del Tipo II). La probabilidad de rechazar Ffe cuando debería aceptarse (es decir. y después se calcula p.7-6 Si la probabilidad de cara es p : 0.6. Para calcular esta área se obeerva que la distribución bajo la hipótesisp : 0.2L no inüeiresa su¡ valoree. cuando realmente P : 0.6)=60 ú = lnpq = 60.90 V(100)(0. sino solamente si hay una variabilidad en las calificaciones. que representa el nivel de significación del ensayo de lfe.3) = 4.8.66 to'l.? .5 4.6 p-0. número de caras en 100 lanzamienüos se encuentra entre 39.tO2: 0. ¿cu6l es la probabilidad de aceptar la hipótesis de que la mohecha cuando la probabilidad real de ca¡a es p : Q.102 -4.? tiene una media y una desviación típica que Bon dadas por p=np=(100)(0.Efs cuando realmente p : 0.5.5 en unidades tipificadas = - 60 60 = = 0.5 en unidades ' = : r/"pq 60.5 39.232 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP.0192 Así. la media y la desviación típica de la distribución de caras vienen dadas por !=np=(100X0.2L si existe una diferencia significativaenla media de las calificaciones de las clases? Justificar su solución. 7-6. con la regla de decisión dada hay muy poco riesgo de aceptar la hipótesis de que la moneda eetd bien hecha.22.2(ol. rOalculada en el Problema 7.23.

(b) ( 1 p ) y p.3 0.24.5405 0.5 0.9642 0.0 0.6 en unidadeb tipificadas Entonces = ry = q9? : = = -4.0358 :0.88 -10. (d) Porsimetríap = 0.0000 0. Interpreta¡ los gráficos obtenidos.8 0.5405.24 construyendo un gráfico cuyos ejes sean (a\ I y p..25.cAP.5 se puede interpretar p como la probabilidad de acepoar p : 0'5 cuando debiera ser aceptado. Sin embargo.5405 0./nW= 60.9 0.12 p: área bajo la curva normal entre z : -10.0000 0.8.3 0.p:0.6 0.23y 7. comolorobtenidosenlosProTabla 7-3 p B 0.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION y'(100X0-S)(0¿) 233 =¿. 7-1.1 06 0{ 0.0192 0. 1c) Comparando con (b) o por cálculo.0000 0. (b) Sip=0.0192 0.2 0.23y7.9.9642 y ha eido introducida en - L-p 1.6 0.9 1. si realmente'p : 0.4 da el miemo valor deÉq.5 cuando realmente p tiene un valor distinto a 0.1 0 0 (a) (D) Fig.88 = 0.3 02 0.0000 la Tabla 7-3. Be ve que sip = 9.enüoncea p=np = (100)(0.? 0. blemas7. Representar gráficamente los resultados de los Problemas 7.4 0.eedecir. el apuntamiento mayor de la curva OC es la mejor regla de decisión pa¡a techazar hipótesis que no son válidas.t"p:0. 7-z (o) El gráfico p.(a).7 0.0000 muy aproximadamenüe. La Tabla 7-3 muestra los valores de p correspondientes a valores dados dep.2 0.se gla de la decisión o enoayo de hipótesis.5 en unidades tipificadaa 39. Nótese que p representa la probabilidad de aceptar la hipótesis p : 0.8 0.12 y z -4. Esta probabilidad es igual a 1 0. p ee muestra en la Fig.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 : 0.4 0.9 0. .8) = 80 y o=.6 0.09ó8 al nivel de significa- En general.9: 0 pa¡a todos los propóeitos prácticoe.1 0.0 0. 7.8 0.6.5.

26. ?-8): (t ) Se rechaza lle si la e de la media de resistencia muest¡al es riayor que 2. Esta curva ae obtiene ¡encillamente invirtiendo la curva OC. la regla de decisión anterior se convierte en: (I ) (2) (ó) Se rechaza 116 si la reeistencia media de 64 cuerdae excede a 30?. es 7. tiene la siguiente regla de decigión (referenüe eon la Fig. Considérense las doe hipótesis (Ho: bras) Las distribuciones de las resistencias medias correspondiente¡ a estas dos hipóteeis se repreeentan. y el nuevo p¡oceso es mejor que el primitivo se un ensayo unilateral d nivel de significación del 0.01 si se pone dé manifiesto qu¿ debe rechazarse al ensayar 64 cuerdas.01. bajo la curva normal de la derecha a la izquierda de z dect. (2) Se'aceptqlfq pue¡to 'que z = cessi Z>2. puesto que indica la aptitud o potencb de un ensyo para rechazar hipóüesie que son falsas. ¡e llama curua de potencio de la regla de decición o ensayo de hipótesis. Se acepta ^Éfs en caeo contra¡io. p ¡e muestra en la Fig.p) ¡e llama a menudo función d. Razonando análogamente a como se hizo en el Problem¿ 7. 7-9.0 tb 307 tb 3r0 lb -1.9qo. y el nuevo proceso es igud que el primitivo 300 libras.0 libras.0 lb. de modo que realmente ambos gráficoe aon equivalenüee.310 libras es cierta. Constmir (a) una curva OC v (b) una cun¡a de potencira para ei Problema 7. 7.26(br. Para hallar su valor nótese que 307. respectivamente con las distribuciones normales de la izquierda y de la derecha de la Fig.Enton= "lr/ñ 24/\/u Así. se puede hdla¡ p para loe caeor en que el . Si ción (a) ! es la resistencia media. suponiendo que la desviación típica de las ¡esistencias se mantiene en z4libras. 7 -7 (b).00. tt: 300 li- Ia probabilidad de aceptar el proceeo primitivo cuando la nueva resistencia media sea realmente 310 libras se representa por el área É de la Fig. X>300+3(2.7-9 = iren. Se cree que mediante un nuevo proceso de fabrica- puede inc¡ementarse la resistencia media. Una compañía fabúca cuerdas cuyas resistencias a la rotura tienen un valor medio de 300 li bry" y una desviación típica de 24libras.33.33) =30?. ? ) E gráfico (1 . I¡ cantidad (l .33.158?. Esta es Ia probabilidad de aceptar Ho: ! : 300 libras cuando realmente es la probabilidad de comeüer error del Tipo II.310 libras? Supóngase que la desviación típica se mantiene en z4libras. de aquí que A - 310)/3 = Fig. *r. ae quiere decidir enhe las hipótesis: Ho: U: Ht: ! ) Pa¡a 300 libra¡. que debieran ser rechazadas.0 libras en unidade¡ tipificadas : 300 (307. La cantidad p se llama tambiénfunción caructerístico de operoción de un ensayo. en caso contrario.27. 7-9. ¿cuál es la probabilidad de aceptar el proceso primitivo cuando en efecto el nuevo proceso incremente la resistencia media a. i 800 *sz. (c) Diseñar una regla de decisión para rechazar el proceso primitivo al nivel de significación del 0.26. (b) Bajo la regla de decisión adoptada en (a).e potencia.00 = 0. H t : ! -. : -1. es decir.234 (D ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. y (Ht: tt: 310 libras).P).J = 't.

05.0000 300 305 0. AquÍ y Tipo II.1687 316 0.05.6 6 p f 0.05. de modo que no hay probabilidad de aeguir con el proceeo primitivo cuando la media de resistencia es mayor de 316 libras..6? : 0. Eeepués.2 0. la curva baia ró- pidamente hacia cero.7 0. p > 0.0 B 0. en- 9: i¡ea bajo la curva normal de la derech¡ a la izquienda de z :0. En esta curva 6e ve que la probabilidad de seguir con el proce' so primitivo.5) mediante un número de lanzamientos de la moneda. Determinar el tama¡1o mínimo de muestra necesario y enunciar la regla de decisión resultante. la restricción (A) impuesta requiere que la probabilidad de error del Tipo I sea a lo sumo c : 0. ya que lae dog curvag eon esencialmente equivalentes.7-r0 (¿) La curva OC se muestra en la Fig.7-11. Tabla 7-4 tt 290 1. por encima del cual se rechaza la hipótesis de que p : 0. 315 librae. De la Fig. La eituación planüeada se ve gtáficamente en la Fig.0 . y de aquí - 396 librae.?4Eo De esüa forma se obtiene la Tabla 7-4. límite al riesgo de error del Tipo I Por ejemplo.0000 p 0. (¡) U probabilidad de aceptar la hipótesis cuando realmentep difiera de 0. Para ensayar la hipótesis de que una moneda está bien hecha (es decir.9 0.7-10(b).1 0.4) debe ser á lo sumo 0. etc. 7. es piácticamente. se desea imponer las siguientes restricciones: (A) la probabilidad de rechazar la hipótesis cuando sea realmente conecta debe ser a lo sumo 0.5 0. se ha puesto Denótese por n el tamaño de muestra pedido y por ¡ el número de caras en los n lanzamientos.6?. mientras que la restricción (B) requiere que la probabilidad de error del Tipo II eea a lo sumo 0 : 0.7486 3r0 0.0 libra¡ en unidades tipificadas: (307. si el nuevo da una resistencia menor de 300 librar.6 0. (b) La curva de potencia se ve en la Fig. 7-11 se tiene: . ?-10(o).l (excepto para el nivel de significación del 0.28. ri ¡r tonces 307.01 cuando el nuevo proceeo da una media de 800 librar).9900 L1. sepuedenobtenerdeellalaomismasinterpretacionesque de la curva OC.1 p (lb) 300 300 3to 3t5 (o) (ó) Fig.0038 320 0.305y9 = 0.0000 296 1.05.1 o más (es decir.cAP. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 235 nuevo proceco da un¡ resistencia media ¡r igual a 306 librar.5 en 0. Por ejemplo. p : 0.5.8 o.¡ o.

6 n Y x - 0. En tanto que los punüoe se encuentran entre los límites 0.6 a la izquierda ae es 0.llamado grófico de control de colidad.008 pulgadas. Se construye una máquina que pr-oducfuá cojinet€s de bolas teniendo un diámetro medio de una desviación típica de 0. Cuando un punt'o se rale de estoe límite¡ control (tal como en la tercera muestra tomada el jueves).5. = 0. se toma una muestra de 6 cojinetes ejemplo. la moneda al menos B1g veces.0.674. y se obsen¡a el diámetro medio de la muestra. 7 0.008yn=6. 7'l2.4r rtñ- (n.O\4\'\/E) o Con confianza del 99 . (b) Mostrar cómo se. muestrales puede tlevarse por medio de un gráfico tal como ee muestra én la Fig.. .4s 1/A 0. GRAFICOS DE CONTROL DE CALIDAD 7.73% de O. se adopta la riguiente regla de decisión: (o) Se acepta la hipótesiep:0.05. Para decir. ¡- np :1-77 - 159.05 o menos cuando p tiene cualquier otro valor por fuera del recorrido 0.5n = 1.6 r¿ * 0.Haciendo n : 319 en (3) o (4). enfte 742 y 177 si el número de carac en Slg lanzamientos está dentro del recorrido 159. Así pues. hay la posibilidad de que falle algo y se precisa una invesüigación del posible fallo.29. (2) es una cantidad muy aproximada. es 0. automáticamente tomarÍamos como 0.236 ENsAyos DE Hrpornsls y sIGNIFrcAcroN lcAP.5 : . (b) S€ rechaza la hipótesis + 17 .49{n vnpq = '--. Se sigue que el tamaño de la muestra debe ser al menos 31g.5\/n De 0.. también s€rá 0. p = 0.ít/n Vnpq= "- :0. .574 .9É!= -r.025. dentro del intervalo 0.564 a 0. Cada vez que se observa una media muestral se representá por un punto en el gráfico.6 n- 0. Por tanto un promedio ponderado de todas estas probabilidades. se debe lanzar p - 0.el 95V". que representan la probabilidad de error del tipo II.96 r ó (Sl u.5 en caso contrario. (o ) 3o¡) a (p¡*3o¡) con el 9€.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. ? (f.7 BVo o brevemente lfmite¡ 3o. L7 .645 ó (t) o. la máquina (b) Un registro de las medias no s€rú adecuada y habrá que buscar la razón de su ineptitud.) Eláreabajolacurvanorrnalp:0.6.5.o:0.6.49\/n n = o.584 pulgadas.014l\/6\ y (0.98.806y'-n es De (3) y (4).9801fa- e'¡ 9-. Obeérvese que tomando la probabilidad de aceptación como De(/) x . el procelo está bajo control.584 pulgadasi ee supone que la máquina es a- (2) De otro modo.seeigueque I se encontrará entre (0. tales como los límitee d'el 99% o d.7 3% se puede decir que la media muestral X debe estar denüro del intervalo (p¡ entre cae a m p ¡t:0.x :177. (o) Diseñar una.Saladerecha a" 7 (9) El área bajo la curva normalp 09" O.n: 318.r) - 0. Sin embargo.4 a 0.0'6n Realmente el área entre -f.05 o menoa.05 en el "peor de loc casos". pueden igualmente determlnarse otros lfmiües de confianza.564 y 0. Para determinar si la máquina esconstruida para el fin que se destina. es 0..5.524 * Puestoque De aquí que la regla de decición eea como sigue: (l ) Si la media muestral decuada para el trabajo pedido.05. Los límites de control determinadog anteriormente se llaman límites de confianza del gg.re'presentaría grárticamente la regla de decisión de (a). e¡ decir. La elección en cada caso depende de la¡ circunetancias particulares del tnismo.6n 0.5.

7-12 AJUSTE DE DATOS A DISTRIBUCIONES TÉORICAS 7. dondep y q son las probabilidades resy sello en un solo lanzamiento de la moneda.0332 0.¿94)¡(0. El ajuste se observa que es bueno. la distribución binomial ajusta- En la Tabla 7-5 se han obtenido estas probabilidades así como las f¡ecuencias esperadas (teóricas) y las observadag.cAP.C. .1619 0. La bondad del ajuste se estudia en eI ProblemaT.506)5-¡.30. : 2. Utilizar papel gráfico de probabilidad para determinar si la dist¡ibución de frecuencias de la Tabla 5-2.9 ó 162 316.(0.0294 5 6 33 161. La media del número de caras es ¡. página 178.3162 0.31. x F a os74 a a a t I a : o 0 s64 o Fis..3087 2 3 ^ 0.1: np : 6p. la media del número de caras es 2fr_ / _2470=2.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 297 Lunes Martes Miércoles Jueves Viernes $ € bD osal 1} a a t ü {.2 ó 316 308. Para la distribución de frecuencias observada.47 rooo Igualando las medias teóricas y real se tiene 5p da viene dada por /(r) = .2 t44 342 287 164 25 7.7 ó 309 150.30.7 ó 151 29. Ajustar una distribución binomial pectivas de cara a los datos del Problema 5. Así pues.494. Se tiene P(x caras en una serie de 5 lanzamientos) : f(¡) = sCrprqs-".1507 0. página 163 puede ajustarse a una distribución normal. Tabla 7-5 Número de caras (r caras) Frecuencia esperada Frecuencia observada 38 0 1 0.43.47 6 p :0.4 6 29 33.

5 oD. El grado en que los puntoe así dibujados ee encuentran sobre una lÍnea recta. Par:a. determina la bondad de ajuste de la distribución dada a la distribución normal.46 pulgadar.6 &tatura (pulgada¡) Fis.6 74.68 6 2l 38. donde la media i y la desviación típica 6 se han obtenido en los Problemas 5. Por lo anterior.6 Rcl¡tiv¡¡ Acumulada¡ (%) 6.0 23. = 61.39 2.0 Io a E ql € ó a () 95 90 80 70 Q0 a (t 6 . . como se ve en la Fig. la distribución de frecuencia¡ dada se convierte en una di¡tribución de frecuencia¡ relativas acumuladas. página 163. se rutiliz. se observa que hay una distribución normal que se ajusta e¡trechamente a los daüos.5 66.6 68. como se muestra en la Tabla 7-6.5 62.6 menor que 73.2771 0.5 7t. 7-13. Tabla ?-7 Lfmite¡ realee Estatura de clase z pan los límites reales de clas€ Area bajo la cuna normal desde 0 ha¡ta z Area para cada cl¡ee Flecuencia eeperada Frecuencia observada (pulgdas) 60-62 r 59.5 7L. Ajustar una cunra nonnal a los datos de la Tabla 5-2.6 menor que 64. s = 2.0 100. ? 76 Frecuenei¡¡ Estatun (pulgad¡¡) menor que 61.6 menor que 67.32. Y se pone de manifiesto que ee ajuetan ba¡tante bien con las frecuencias observadas realmente.a -2.6 ¡¡+ 0.40 respectiva- La cua¡ta columna.70 -0.92 pulgadas (x mente El trabajo puede organiza¡se como en la Tabla 7 -7 .3892 0.5 7¡.4920 0.0 92.32. son pasadas sobre los límites reales superiores de clase.z z = .0413 0.43 ít 7 4.7L 6 28 7.6? 0.t3 D 18 42 27 8 ñ.72 -1.41 0. 7. dadas en la quinta columna. Después.92 ó 39 27. las frecuencias relativa¡ acumuladas expreeadar en porcentajes. que da las áreas bajo la curva normal de 0 a z se obtiene con la tabla del Apéndice C. Multiplicando lo¡ valores de la quinta columna (que representan las frecuencias relativas) por la frecuencia total n (en e¡te ceso n = 100).36 1.238 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla [cAP.35 y 5. La¡az6¡ de esto se ve claramente con un diagrama. en un papel.0 65. se obtienen lae frecuencias esperadas de la sexta columna.44.tlls. La "bondad {el ajuste" de la distribución qe congidera en el Problema ?.2068 6L65 6&68 69-71 68.0743 72-74 6 4 20.5 menor que 70. De aquÍ se sacan las áreas bajo la curva normal entre los valores sucesivos de ¿.grófico de probabilidad eepecial. anotadas en la última eolumna. Véase o a I É to 5 o a d E 62.4177 0.E 50 40 30 20 Primero. ?-r3 hoblema ?. 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). caicular e de los límites reales de clase.

0494 0.01. hi' la ) El valor crítico xlso para 1 grado de libertad = 6.* : P(r accidentes) 1118 2 7 o.3 y 4 accidentes de esta distribución de Poisson.1.f 0l2r + : (21)(0) '50 (18X1) + (7X2) + (?liQ_l q)(a) = . respectivamente rr = 115. Comparando con el valor de \ : 0.01. véaee método 1 del Pro" blema 7. da 0. Las frecuencias de caras y sellos observadas son. 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.CUADRADO ?. np2 : tOO.63.rj días. puesto que 4.47 0. Las frecuencias de caras vamente. Para una verdadera distribución de Poisson.7:2 -L = l.33 I 2 3 18. LA PRUEBA CHI.9?. ?] ENSAYOS DE HTPOTbSIS Y SIGNIFTCACION Tabla 239 7-t 7.84. Entonces y eeüos esperadas si la moneda está bien hecha son np : 100.np)z npt npz - (115__100)2 Pueeto que el número de categorías o clases (caras.50 . .84. En 200 lanzamientos de una moneda se obsen'aron 115 caral¡ y 85 sellos.2.o loe números teóricos de días en los que ee presentarán ¡ accidentes (obtenidos multiplicando las correspondientes probabilidades por 50). < 6. 100 sellos) es h:2. 0 r N(rmero de dÍasr Número de días obsen¡ado 2L 18 7 3 1 {r accidentes) 0..36.63. se rechaza la xlo¡ para 1 grado de libertad es 3.eo Entonces. la varianza d : L. puesto que 4. la euarta columna que da los números de días observados se ha repetido. Para conveniencia de la comparación. Ensayar la hipótesis de que la moneda está bien hecha con un nivel de significación del (c) 0.05.1647 espeado 20. a¡í com.05.90 hallado.34.'12 ¡ 85. Entonces. respecti- xz = (o) El valor crítico (b @t:lptlz -(rz:. El número medio de accidentes es Número de I Número de accidentes.CAP.3659 0.60 hipótesis de que la moneda está bien hecha al nivel de significación del 0. > 3.33.0111 4 6 6 ó Nótese que el ajuste de los datos dados a una distribución de Poiseon es bueno. Tabla 7-9 Número de accidentes.24 2.50 pótesis de que la moneda está bien hecha al nivel de significaeión del 0. blemente bíen heclu. 313 {11 = Iq"+ill En l¿ T¿ble ?-9 aparecen lae probabilidadee para 0. puede ser esto un indicio de la adaptabilidad de la distribución de Poison a la muestra de datos. Ajustar los datos a una distribución de Poisson. La Tabla 7-8 muestra el número de días f durante un período de 50 días. durante los cuales r autos tuvieron accidentes en una ciudad. Entonces. El cálculo de la varianza de la distribución da' da. de acuerdo con la distribución de Poisson.4066 0.56 6 ó 20 18 8 2 1 0.v: + (85:!00)2 = 100 h 4.30 8. (b) 0.

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. Método 2.01 el intervalo sería -2.zvb Puesto que 4'205 > 3. se rechaza la hipótesis de que la moneda eetá bien hecha.34 utilizando la corrección de yates. (23-20)2 +--lO . .s)z = 100_ 100 tt q^< 4. dades tipifica¿¿5 : 4.-nps)2 (ra-npe)2 < 11.5 en uni: (114. El valor crítico a2e5 para 5 gados de libertad es 11. puesto que 5. ^-------::-:-. Nótese que el cuadrado de este valor.00 20-+ n 20 Puestoqueelnúmerodecategoríasoclases(carasl.2. 115 o más caras equivale a 114.00 > 1. Se sigue como en el Problema 7.4.5 o más caras. a la distribución binomial.34 que la hipótesis se rechaza al nivel de 0.240 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.1.15. es igual al valor de ¡2 corregido con la corrección de Yates p¡ra la continuidad del Problema7. (rs-np¡.86. De ello se sigue que la concordancia entre ambas frecuencias no es tan buena como para no dudar de Io deducido. ? 7.g.63 se deducen las mismas conclusiones que en el Problema ?. (185 _ __ 1001 Í4. no se puede rechazar Para 5 grados de libertad x%s: 1. solucionar el Problema 7.v:h-1-:6-1:b.5)z = _100 )_ (L[.05)2 7 -37.)z .5.7OO)17 .35. (rt-nptl2 .07 :2.5)z _ .05 pero no al de 0. Véase Problema 4. radasen200 lanzamientosdelamonedason¡r=np=(200)(0.S¡(0f)--7. Esto se cumple siempre que la prueba de chiruadrado eomprende dos categorías y se aplica la corrección de Yates.93_4)' _(15-20\2 .1.0. es el mismo valor de X2 obtenido en el probl. (rz-npzl2 . Ensayar la hipótesis de que el dado esté bien hecho al nivel de significación del 0. (rr.15.84 y 4. (ZJ2)2 : 4.O7 : 2. Solucionar el Problema 7.00 la hipótesis de que el dado está bien hecho. (16_20¡z _ *--lO-+ +ñ=5.06. x2 (conegida) = = (lzt - nptl nPt 1001 0'5)z + !1""- np2l npz - 0'5\2 (1115 - 100 _ 0. 7.5) =100yo=1fipq=/IZOO¡O.05 y un ensayo bilateral.36.2o5 < 6. La Tabla 7-10 muestra las frecuencias observadas y esperadas allanzat un dado 120 veces. (2. de nuevo en consecuencia del Problema 4.84.npr o _ (rt-np)2 .07. véase método 2 del Problema 2.34 mediante la aproximación normal respectivamente. Método 1.5)2 .60. Nótese que el cuadrado del valor anterior.86.96.L2.86.96 a 1. Entonces 114. (24-20\2.6)esh:6. Entonces. de modo que X2 : 5. Con un nivel de 0.58.20.ema se cumple siempre que la prueba de chi-cuadrado comprende dos categoiías. la media y la desviación tÍpica del número de caras espe- : (l1b -lOO)t7.35. Con la corrección para la continuidad. Esto conduce a las mismas conclusiones que por el primer método. si el valor de z está fuera del intervato -1. 7.01. Pa¡a una comparación con los métodos a4teriores.b8 a2.34' Esto Con un nivel de significación del 0.05. 115 caras en unidades tipificadas Bajo la hipótesis de que la moneda está bien hecha.5 .

101 rugosos y amarillos y 32 rugosos y verdes. que la Nótese que para 3 gtados de libertad. Se deduce pues. x?ss: 11.. 9 que se da en la Tabla 7-11.01.76 *W = 0. amari'llo y verde.zS lisos y verdes Struol = frtssol 104. De modo que aunque el acuerdo es bueno. Se deduce que cabe sospechar alguna tendencia no aleatoria en dicha tabla de números. 4 amarillas y 1 verde.26 rugosos y amarilloe B4.. Una muestra de 12 bolas extraída aleatoriamente de la urna dio 2 rojas.7I ENSAYOS DE HIPOTESIS Y SIGNIFICACION 241 7. x2. 108lisos y verdes.2. r ry = 2s.352 y X2 :0.'nr parav: h -1:9 gradosdelibertad es21-.05. ?. estos números deberían presentarse en la proporción 9:3:3:1. En los erperimentos de Mendel con guisantes. Bajo la hipótesie de que la urna contiene proporciones iguales de los cuatro colores.4?O > 0.40. . Puesto que eetos números esperados Bon menores de 5. : 3. 5 naranjas.38.se esperarían fttssel = -- 312. cabría esperar 3 bolas de cada clase en la muestra de 12 bola¡. Puesto que los números esperados están en la proporción 9:3:3:1 (y 9 * 3 + 3 + 1 : 16).ss= = 3. 7. .cAP.zb rugosoe y verdes ft Entonces tssol = x2= (o) (b) Para v Para v (3L5 3L2. Una tabla de números aleatorios de 250 dígitos mostró la distribución delosdígitos 0.39. (b) 0. ¿Hay alguna evidencia que permitadudarde su teoría al nivel de significación del (a) 0.Qe-2512 try+ .g El valor crítico d" x. . la aproximación de chi-cuadrado será errónea.470 Puestoquehaycuatrocategorías.como 23. ?. Una uma contiene un gran número de bolas de cuatro eolores dife¡entes: rojo. de modo que no se puede rechazar la teoría al nivel de 0. de modo que no se puede rechazar la teoría al nivel de 0.7.01.3 >2!3 sededucequeladistribución observada dífiere significativamente de la esperada al nivel de significación del 0.05? El número total de guisantes es 315 + 108 + 101 + 32:556.75lisosy amarillos tol. teoría y los reeultados del experimento están de acuerdo.81.01. obseryó 315 lisos y amarillos. ¿Difiere sigrificativamente la distribución observada de la distribución esperada? Tabla 7-11 Dígito Frecuencia obserrada Frecuencia eoperada 0 1 2 3 4 5 6 7 8 9 L7 31 29 18 l4 20 35 30 20 36 25 26 26 25 25 25 25 26 26 26 x2 = ry*ry. .76\2 3t2. De acuerdo con su teoría. naranja. . ¡$5: 0.352.h=4yelnúmerodegradosdelibertadesv=4-1=3. loe resultados obtenidoe están sujetoe a unh razonable influencia de error muestral.3.L. Para evitar esto se agrupan las categorías de modo que los núme¡os esperados en cada categoría sea al menos 5. Ensayar la hipótesis de que la urna contenga proporciones iguales de los diferentes colores.

se rechazaría la hipótesis a algún otro nivel (tal como 0. empleando la corrección de Yates. se agrupan las categorías de forma que la evidencia en contra de Ia hipótesis se muestre claramente.84.05.xjr¡. ? Si se desea rechazar la hipótesis.07 Parav:2-1:7. = - 60l 60 - . 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. se observaron 74 veces "siete" y 24 veces "once".05.r que conduce a las mismas conclusiones anteriores.84. . Así pues. = ry.5)2 (124 - 2ol - 0. En 360 lanzamientos de un par de dados.rP..-ss:3. los resultados que se obtienen utilizando la correc- ción de Yates son más dignos de confianza que los resultados no corregidos. De otro modo. se duda acerca de la decisión que se debe tomar. Un par de dados puede caer de 36 formas. En tales casos. 7. aun Otro método: Utilizando la corrección de Yates. (4--3)2 . en 360 lanzamientos cabría esperar "siete" y 1/18(360):20 veces "once". (24-20\2 .0?>3.0.242 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. (5-e)z .42.tz. Ensayar la hipótesis de que el dado esté bien hecho al nivel de significación de 0. "Siete" se puede presentar de 6 formas y "once" de 2 formas. = siempre reduce el valor de ¡2 . no se rechazaría la hipótesis al nivel de 0. Sin embargo. Esto se consigue en nuestro caso considerando las categorías "roja o verde" y "naranja o amarilla".81 sellegaríaalasmismasconclusionesqueantes. ¿Es el resultado consistente con la hipótesis de que el nacimiento de varón y hembra son igualmente probables? .10).:-:_+r::__-::_:sis de que los dados estén X¿ 4.41.:?.84seestaríainclinandoarechazarlahipótebien. Sin embargo. se tiene (174 (correglda. Ento¡-. para grandes muestras tales como las de aquí.) x2 _ = -6-.05(aunque sí se puede al nivel de 0. respectivamente. puesto que incluso el valor corregido de y2 se encuentra cerca del valor crítico.1. 7. x' _ (1 -3¡:r ooo Puestoqueparav=4-1:3. Los resultados observados pueden imaginablemente deberse al azar. de aquí que cuando no sea aconsejable agrupar frecuencias se debe recurrir a los métodos exactos de probabilidad incluyendo la distribución multinomial. se tiene x: = 0qj:_6Fo.x2l)s==3.Asínosepuedetechazrlahipótesisalniveldesignificacióndel 0. l)na encuesta sobre 320 familias con 5 niños dio la distribución que aparece en la Tabla ?-12. de modo que (74-60)2 . se obtendría ¡2 a pesar de que las frecuencias sean dema- (2-3¡z . En general.puestoque4. Esto cabía esperarse puesto que la corrección de Yates Debe ponerse de manifiesto que si se emplea la aproximación de siado pequeñas.ces P("siete") : 1/6(360):60 veces 6/36 : 1/6 y P("once") :2136: 1/18. Puesto que el número esperado en cada categoría bajo la hipótesis de iguales proporciones es 6. - e¡z -9 Parav:2-l:1. pues con la X2 corregida. z.10).ü. para las que la muestra dio 3 y 9 bolas. se tiene (9 ^cuando las proporciones de los colores sean iguales.05.Entonces.65 De acuerdo.(ig:lf-!éE. la aproximación ¡' para frecuencias pequeñas es pobre.Desgraciadamente.5)2 #-g*): = 3.

serechazarálahipótesisalnivel de significación del 0. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla ?.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). Entonces.^ _ (18_10)2 (56_60)2.?11.412_ -58:t-- .= (s8_33. 10.13 *(18-2-0:68)2 *(a2:^-39=92\2-(27:3ft7rl2 *(8:?'j13)z:0.212.959 > 0.".m : 5 .1y0 niño¡seobtienemultiplicandolasres' (40-50)2.3. Para v : 2 (que son la me- = 2. Se deduce que el ajuste de los datos es muy bueno. 7.z = 6 4. v = k .1 .. y los reaultados son 10. "!ü Puesto que el número de parámetros utilizados para estimar las frecuencias esperads e8 m metro p de la dietribución binomial).43.--lóo:t- . x.L . 100.01.1 . Seap:probabilidaddenacimientodevarón.Entonpiobabilidadee de (5 niños).1 para y:61:6gtadosdelibertad.103.-r3)2 .4.m : 6 . puesto que X2 = 0.45.--_-16-_¡&. Pa¡a rr = 2. como 8e indica en la Tabla ?-14. v : k .(L44_161. 50.30. Asf'puesto que X2 = 7 . es decir.(287_308. . .2 : 2.2)2 .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 . Así se deduce que los reeultados son probablemente significativos y el nacimiento de varón y hembra no son probablemente iguales. Bajo la hipóteeis nula lfq de que el suero no tie' ne efecto.49.x2. TABLAS DE CONTINGENCIA 7.?)2 . pectivas probabilidades anteriores por 320. 2.32.05.os:0. Para y : 4.64 > O.43 20.---r¡If. x. (88_100)2.yg:1-p:probabilidaddenacimientodehembra.1 ..1 : 4. 50. De aquí (8_10)2 _.103. ..13 utilizando la prueba chi-cuadrado. De aquf queel ajuste de creerse.44. (110_100)2. cabría esperar que 70 individuos de cada uno de los grupos Be recuperase y 30 en cada grupo no se recuperase..sss:15. x2. 100. pero no al 0.92 27. Adviértaoe que ¡fo es equiyalente a afirma¡ que la recuperación eeindependie¿úe del empleo del suero. X?ss = 9. La¡ condiciones del problema se presentan en la Tabla ?-13. BONDAD DE AJUSTE ?.U Puesto que x:e5:11.?11. (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.:z . lag cla¡ificaciones 8on independientes.-.99.959 7. Solucionar el Problema 7.os= 5. xL¡s:0. el ajuate no es tan bueno como pudiera = 4.(342_316. . .!.cA¡.=--_a6---_Eñ-----Jó¡-----i6b--_-Ed.-El: . .--I¡Ié- .i". Utilizar la pmeba chi-cuad¡ado para determinar la bondad de ajuste de los datos del Problema 7. .1 y x..9)2 .68 38.?)2. Determina¡ la bondad de ajuste de los datos del Problema 7.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.---T08J. el ajuste no es "demaiido bueno". (164-150.(26-29. (4 niños y 1 niña). Para V 1 (que er el pará- los datos es muy bueno.

Se No ¡e recuperan recuperan TOTAL 100 100 Grupo. Nótese que X2 : 2.-.5)2 .38 < 3.54. _ ¡¡ (corre(rda) = (i75 -70\.A Grupo B TOTAL 140 60 200 Puesto eue X.Puestoqueparalastablas2Xz.05.profesores son iguales.84 para 1 grado de libertad y puesto que ¡2 = 2. (125-301 -0. X.05 utilizando X" equivale a rechazar esta hipótesis con un ensayo unilateral al nivel de 0. De modo que hay un grado de libertad.45 aplicando la corrección de Yates. Y y Sr. 7. Z.5)2 * ----TO* ?O S0 _ .13.ss : 3. X Sr. drado Cel valor de z.30\2 (36 *ffi = 2'38 Tabla 7-16 Para determinar el número de grados de libertad.38 es el cuadrado del valor de z : 1.No ee recuperan cupetan TOTAL [cAP.--.47.gs. Ensayar la hipótesis de que las proporciones de estudiantes suspendidos por los tres .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.0.10 uüilizando z. No se está así en condiciones de rechazar Il¡ a este nivel y se deduce o que el suero no es efectivo o se deja sin tomar decisión en espera de posteriores ensayos.¡. ^.No ¡e recuperan cuperan TOTAL Grupo A (utilizando suero) Grupo B 75 25 Grupo A 100 100 (utilizando suero) Grupo B 70 30 100 (no utilizando suero ) 65 35 60 (65 (no utilizando suero) TOTAL (25 70 30 60 100 200 TOTAL 14r. Esto podría haberse visto rápidamente. 200 140 30)2 o _ (75 x-1rc-?o70)2 - 70)2 . habrían suspendido 27 lL80 : Iíc/o de los estudiantes y DO . 7. al rechaza¡ una hipótesis al nivel de 0. ya que la corrección de Yates siempre disminuye el valor de ¡¿". obtenido en el Problema ?. En la Tabla 7-16 se indican los estudiantes aprobados y suspendidos por 3 profesores: Sr. Asf pues.46. se deduce que lob resultados no son significativos al nivel de 0. pueeto que una vez hecho esto loq números de las restantes casiüas vienen obligados por los üotales ya indicados.5)2 * ----?O- (i65-701 -0. ? Tabl¡ 7-14 FRECUENCTAS ESPEBADAS BAJO Ho Se re. pero en la que solamente se han puesto los totales.e5óx{-x. Y 47 L4 61 Sr.84. Sr.45 son también válidas aquí. or^_.13 FRECUENCIAS OBSERVADAS Se re. conaidérese la Tabla 7-15. En general. porejemplo. Tabla ?-16 FRECUENCIAS OBSIERVADAS Sr.5)r . que es igual a la¡ dos dadas anteriormente. (35-301 -0. 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.^se sigue que X er lo mismo que z en este caso. Está claro que solamente se tiene libertad lara colocar un número en una de las cuatro casillas vacías. como en la página 215 (véase Problema ?.51).Xz egelcua- Nótese también que yn ensayo unilateral utiliaando ¡12 equivale a un enEayo bilateral utilizando. x2)x2ss correrpondea x>x.244 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla 7. ya que.!t_. = I.vó Obteniéndose que las conclusiones del Problema 7. Solucionar el Problema 7.

60-=4. Y St.49. Z TOTAI.85 85V" d.40 : Aprobados Suapen- Suspen.75 = = 51.99. 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. hay en este caso dos grados de libertad. no se puede rechazar I/e al nivel de 0.15)2 (8-9. . Mostrar que para una tabla de contingenciah X h tad es (h .n2nslnl2 .CAP. que es igual que la Tabla 7-L7 pero en la que solamente se han puesto los totales.gina 22O .60 64 180 64 180 Entonces o x-. Pero : (ar- nrnn/n)z (a".05. se puede rechazar lfs aI nivel de 0. 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. todos los números restantes vienen obligados por lo8 totales. Í4-9. k > 1) el número de grados de libereg * & - 1 totales independientes de un total hÉ. Y 85% de S¡. los resultados esperados bajo la hipótesis nula aparecen en la Tabla 7-20. Z TOTAL 153 27 Aprobair¡c didos TOTAL 85% de 55 : 6l 4G. Puesto que x.n"n¡ln\z' nrnn/n ntftl.5135-547ó-----d25 9J5 --. 153 qn X Sr.(h+Ic-l) = (h-lx/ú- 1) como se requería. Nótese. Está claro que como cada fila y cada columna han decumplir con loü totales. Nótese que este resultado es válido si se conocen los parámetros poblacionales necegarios para obtener las fr.10 si se está dispuesto a correr el riesgo de estar equivocado 1 vez de cada 10.L5% de 55 : I5% de 6t 9.ó+ Pa¡a determinar el número de grados de libertad. Así pues. Hay h (fz > 1. Sr.48.e 64 54._ (50-46. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION habrían aprobado el 86Vo de los estudiantes. X ¿IO Tabla 7-18 Sr.25)2 .1).25 OD : didos TOTAL 55 61 9. Entonce8 *. Se deduce que el número de gtados de libertad hk .15 61 15% de 64 8. sin embargo. 7. considérese la Tabla 7-18.61.-.núnR/n "r'. * ó1)(o1 * o2) o1*óq*a21b2 n a2b. de otra forma se necesitan ajustes como los descritos en ( b ).60)2 4175 -.zs¡ : 5.ecuencias teóiicas.85)2 (56-54.51. pá. después de lo cual.75\2 .40)2 (5-8.r"/" a1b2 (o. (47.1Xk . Tabla 7-17 ITRECUENCIAS ESPERADAS RAJO Sr. at__n_ = -nrrxJn (ór nrnsln)2 (b2. Las frecuencias esperadas bajo FI¡ se muestran en la Tabla 7-17. que puesto que x:eg : 4.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. 7.

bz:35.ln)? = -"r!rrrñr" 7.tn)z = 200il(?5x35) 2. a1 =75..a2b)2 -T nrn2nAnB nrn2(Pr.50.Prl .49.4S. n2:60.46 ¡2 (corregida) = ---ñ^"" - = - (25X65)l (140)(60X100X100) . ns = ür*ó2.ozbr\2 n /orbz-ozót\2 ml?¿B\ n n nzn¡\ n n¡r¡\ / / / n fatbr-tzDt\2 n ?zrs\ / que al simplificar.93 7.P)2 nWtPrA$ . r¿¡ = 100. dado en (IO) en la página 215. Or--m arb2 = - a2b.246 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP. Con referencia al Pro- (r) (2') P.10012 = 1. (/ ) se remplaza por (21 "rr"r"^"" : nL2 nrnznAnB x2 (conegida¡ n(ltl. -flg L-p l-P2 = bc -= = q = -. ^ (t) n /otbr-ozbt\2 n lotbr. C= vra = {*#fu : r/d'6112e = 0'1084 .52. el resulüado eg el mismo que en el Problema 7. - O2 l¿z' fL¡ tl' ó.45. de modo que (r) (4) ú1 = nlPy az = nzPz. Sise aplica la corrección de Yates. entonces riI ) del Problema 7. 7 Análogamenta Así.azbtl . yn:2OO. f. Ilustrar el resultado del Problema 7. = #. a2=26. ns = 100. 1-Pr . 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).49 da x2 = n(1aft2.n2P2n{l .=.49 x2= n(ap2. Halla¡ el coeficiente de contingencia para los datos de la tabla de contingencia del Problema 7. ür : 'tL¡ = flP. COEFICIENTE DE CONTINGENCIA ?.=&r*a2*b1*b2.Pr)]2 nrnínpnq = nfri\+LlllrJ (Ya que n = nt+tt2l (Pt.38 : Empleando la corrección de Yates. se puede escribir az-ry = ur-ry = Í2fts .P)2 que es el cuadrado del estadístico Z. da x' : D'- n(a.bq - aqb'12 donde A:&tbz-azbt. bz = nz(l- Pz) tlg = flq Utilizando (3) y (4). frA=úr*az. ¡e tiene del Problema 7.45. .51. P. Denótese por P1 y P2 las dos proporciones muestrales y blema 7. nt=140.. r¿r(1 - Pr). se tiene p la proporción poblacional. n1=at*b¡ nz=a2*b2. Dr = 65.49 paralos datos del Problem^I..

..¡* . En tal caso. " x. . (c)p : 0.---80. Hallar el valor máximo de C para la tabla 2X 2 del Problema 7.? Bajo la hipótesis p P(menoc de 7 corectas) : - 1 -P(7 o mác conectas) 1 .7)7(0..0o)z (0 .618 . do¡ clasificaciones son perfectamente dependiente¡ o a¡ociadas.(+Xá) * . (e) p : 0.----80Entonceg el valor máximo de C e¡ . hallar la probabilidad de aceptar la hipótesisp = 0. son todas igualea a 50. para la dependencia total en uua tabla de conüingencia. D Tabl.7)8(0. PROBLEMAS DIVERSOS 7. en la gue el número de fil¡s y columnas eon ambas iguales a &. (d) p : O. hallar la probabilidad de aceptar la hipótesis p P : 0. = 0.L27).?1e Asi ee que ésta pues./Zt(xz + n'l = t/ñl@6T 2oo-) = 0.7)e(0. donde g =L- p. En el problema 7. (a) Sip : 0.6)?(0.53. la probabiüdad de decidi¡ que el eetudiante no reeponde al aza¡ cuando es que si.. el estudiante está adivinando.ueno) TOTAL 100 (irupo ó 0 100 100 100 100 200 .. 7l ENSAYOS DE HIPOTESIS Y STGNIFICACION 24V 7.4)2+ ro0a(0. C. = 1/@-ffi. Seap la probabilidad de que una pregunta sea contestada correctamente.64.3) + r0Cr0(0.(g)p : O.".-60 . En el Problema 7. adopta la siguiente regla de decisión: (i) si 7 o más respuestas son acertadas el estudiante no las acierta por casualidad.5 cuando realmente (a) p : 0.".[roOi(0.8.t.54.X. Para ensaya¡ la hipótesis de que el estudiante acierte por car¡udidad.4)3+ roOs(0. Nótees la probabilidad de error del fipo I.".50)2 (0 .". (ii) en caso contrario.ro)¿ .4. (b)P : 0. todor loe que tomen el suero 8e recuperarán y todor lor que no se lo tomen no Be recuperarán. (Véase Problema 7 .21 valor máximo de C ee presenta cuando la¡ Se recuperan No se recuperan 0 TOTAL 100 GrupoA (utilizando auero) (no utilizando .3504 7.?0?1. Para taleo ca¡os.6 la probabilidad pedida será 1 - [P(? conectas) * P(8 correctas) + P(9 cotrectas) + P(10 correctas)] =|- ho0?(0. Un instructor hace un cuestionario forurado por 10 preguntas falso-verdadero.56.5 (ee decir. las únicas frecuenci¡¡ de casillas que no Eon cero aparecen en la diagonal que baja de izquierda a derecha de la tabla. suponiendo independencia total.4) + 10010(0. La probabilidad de conteetar correctamenté Bajo la hipótesisp r pregunta¡ de las 10 será rcCrqqto-'. ee 0.3.9.5 cuando realmente = O'7' : O. P(7 o más correctas) : P(7 correctas) * P(8 conectas) + P(9 corectae) * P(10 correctae) = . Hallar la probabilidad de rechazar la hipótesis cuando es corTecta.= (100 zw En general.6)101 = 0..6.i .(. Pueeto que las frecueneias eeperadas.. Esta tabla de contingencia aparece en la Tabla 7-21.3)3+ r0Cs(0.3)2+ r0Ca(0. 7.1?19.a 7.6)e(0.13.54.2.6)8(0.(á) = 0.60)2 50 . (f) p : 0. (100 .55.cAP.(iX.o.3)10] = 0. el e¡tudiante acierta alazar).

t v i.Ele al nivel 0. caraa en 6 f(x\ = P(x lanzamientos) = Entonces lae probabilidsdes de 0. se habría obtenido la curvo de potencia de la regla de decisión. Ensayo unilateral: Aquí se deeea decidi¡ entre las hipótesis (Ho: p: 0.59.3 0.01 la moneda no está bien hecha? Considerar ensayos de una y dos colas.5 dado por p : 1 . ? Loa resultados de (b).989 0.7 0. pero no d 0. 0.5).01.56 para construir el gráfico de É y p obteniendo así la cun¡a característica de operación de la regla de decisión del Problema. 1.350 0. 0.121 0.65.000 0. (c). Puesto que P(0 ó 6 carar): t'o+* = 0.!¡. Se ha irrcluido también el valor para p : 0.828 del Problema 7.05. se puede rechazar. viértase la semejanza con Problema 7-27.2188. Ensayo u¡ilateral. 7. 2. Una moneda que se lanza 6 veces da 6 veces cara.Puesto queP(6 caras): f¡ :0.64.57.6 y 6 caras son dadas.1 El grafico indica que la regla de decisión dada ee muy odecuado para rechazat p:0. $oluciona¡ el Problema 7.05 ó 0. 4.54. no se puederechazar.05 y (b) 0. .945 0.2 0.01). .01 (es decir. Sea p la probabilidad de ca¡a en un solo lanzamiento de la moneda. pero no al 0.1094.01662 y P(6 ó 6 carad) = * +-# : 0. Puesto queP(0 ó no ee puede rec}ntzar H¡ al nivel de 1ó 5 ó 6 caras) = 2(t) = 0. el resultado observbdo es significativo al nivel 0. si en la moneda sale 5 veces cara.4 0.8 0. 3.01.013 0 828 7.03125.1?19 : 0. la moneda está bien hecha). 7-15.5)(ee decir. Tabl¡ ?-22 p B 01 1. Ad- la curva OC del 06 Si se hubiese dibujado (1 -p) yp. 03 02 0. Bajo la hipótesis (Ho: p: 0. (g) pueden hallar¡e análogamente y se indican en la Tabla 7-22 junto con el valor correspondiente a p : 4. por #. .248 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.999 0.06.5 0. como se muestra gráficamente en la di¡tribución de probabilidad de la Fig.1094. Nótese que la probabilidad se denota por p (probabilidad de error del Tipo II). Pueeto que P(6 ó 6 earar): * + # = éa:0.5). Ensayo bilateral.5 cuando realmente p > 0.05 ó 0. Utilizar el Problema 7.trf6 llnivelde . ee puede rechazar ñfe Ensayo bilateral: al nivel 0. Aquí se desea decidir entre la¡ hipótesir (Ho: p : 0. p + 0.7 hallado en el Problema 7 . respectivamente. +i.t+.¡qn. 7-14.05. **.1.0.01. .6 0. ¿Puede deducirse que al nivel de significación (c) 0.68. pero no al 0. l0 09 08 0? El gráfico pedido es el de la Fig.618 0.58.ó) y (Ht:.8. 7.9 0.6) y (Ht: p > 0.

. como se define por (21). = (nP ..'. . de acuerdo con la resüricción (221. busc¿ndo está dada por Iadi¡üribucióncondicionalqueeetamos P(Yt.¡Yt=Ur Y Yt+Yz+ "' *Y¡r= P(Yr+ Yz| "' * Y¡ = n¡ e-n n¡ Entonces.¡p_r¡rll*l)q/ = '' \P Pq = (P-.endientec. n(P. *Y¡r= n¡ PlYr=At. Epplear el resultado del ProblemaT. / \V^r/ \Vrzl .. Sin embargo. el valor En cuanto aI denojminador. por definición.+ph=L. Asl el denominador tiene el valor "":.tYx=at I Yr* Yz-1.l\z : npz trr : zpr respectivamente. con frecuencias esperadas flPt. yx= ax) = 19#)1-+gj.cAP.= ut..L tu¿cione¡ por medio de la Tabla 7-23. (5) de la página 214.p)2 PQI'I¿ 7. Tabl¡ ?.aL. Sean f. ... Yr + ). Por t¿nto reeecribimo¡ (2/ ) como (r) x2 = /t'=^')'*f"'=^'\'*...Y¡=Ur I Yz* . iYr. npp respectivamente.. página 118]. ^#--"Jpltpf2"'plk 7. .23 Si P es la proporción mue¡tral para La categoes la proporción poblacional y n eo la frecuencia total. Xz X¡ tienen una distribución multinomial. .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.96. .. Suponga que Xt. . Demostra¡ que la dist¡ibución condicional de las f dado que Yt*Yz+ "'+Yx = es precisamente la distribución multinomial de las X. *Y¡= n¡ = que ee la distribución multinomial de la¡ X [compárese (I6).61. + ' ' ' + Y¡ es en sí migma una va¡l¡ble de Poi¡eon con parámetro np¡ * np2 + .. p I Frecuencb observada Frecuencia esperada nP np II n(l.. Enüoncec..6t pa¡a demostrar que ¡2.p)z = .Y2=U2. página 14?.. Mostrrir que una prueba en chi-cuadrado que comprende dos categorías es equivalente al ensayo especial de significación para proporciones (pagina 214).*/t'-^'\' \Vrr... tiene aproximadamente una distribución chi-cuadrado..:í-^*f e-^ dondehemo¡uuiüzadoelhechodequept*pz+.nPz. y2= u2. el numerador en (2) tiene......60.1'"'-. que Yr + Y. i npn: n.Yz=U2r .Pl n(l-p)=nq TOTAL n . sabemos del hoblema 4.Yt va¡iablesmutuaÍienteiñdependientes con dist¡ibución de Poisson y parámetros tr¡ : npt. Tal como oe establece..Yz=Az..7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 249 7...61 demuestra que podemos remplaza¡ las X por lae Y independienúes con dietribución de Poisson ai ae cumple que Y¡ + Y2 + " '* Y¡": ¡." Por tanüo (2) ee conüerte en P(Yr=Ur. .62. Pa¡a la función de probabüdad conjunta de ft l¡¡ Y tenemos (r) (21 p(y. de (I ).págtna 218. (21) ea diffcil de manipular ya gue las X di¡üribuidas multinomialmenüe son dep. el Problema 7. ce pueden describir las ei- ría I.

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

erplicando las conclusiones sacadas con estos ensa- . ¿Se puede deducir al nivel de signüicación del (o) 0. Ensayar la afirmación del fabricante al nivel de aignificación del (o) O.01? (b) ¿A qué nivel de confianza ee aceptaría la hipótesis? (c) ¿Cuál ¡ería la regla de decieión si ee adoptara un nivel de significación del 0. y por tanto a la¡ Y o a las X reduce el número de grados de libertaá en X2 en 1. + {pt Zt.67. La "demostración" anterior (que puede hacerse rigurosa) muestra incidentalmente que cada restricción lineal colocada alas Z..05? 7. Una urna contiene bolar roja. 7. En una escuela determinada con 200 estudiantes el mismo examen dio una puntuación media de 75.ebolac rojas que de azules. se quiere un nivel de significación del 0.(o¡ : 1 s Por tanto la función . * p¡(1) = de den¡idad paraW es p(rr) : (Zr)-r/2e-u2/2. Un fabricante sostiené que al menos el 95% de los equipos que Euministra a una fábrica eetá de acuerdo con las especificaciones requeridas.69.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 1.40 onzas. Para ensayar la hipóteeis de proporciones iguales de e¡to¡ colores. (Zr)-t/2(ze) Al dividir (8) por (9) obtenemos el resultado deseado.66. la puntuación medi¡ fue de 74. no cargados.. mediante (of un ensayobilateralyla¡.0.trLtroyo uniiateral y un nivel de significación del 0.66 ei el nivel de significación es del 0. 7. Var (W) = pr(l) * pz$) * .01.64. es decir. 7.OO.. Discutir las razones de las posibles preferencias de uno de estoe ensayos sobre el otro. . 7'68. (o) ¿Qué regla de decisión ?.01 que el es ahora peor? hilo 7 .1 y la desviación típica fue 8.9.93 onzas.65.05 y (ó) 0.0ó? (d) ¿Cuál sería la regla de decisión si el nivel de significación fuera del 0.. Un examen sobre una muegtra de 200 de talee equipos reveló que 18 eran defectuosos. ee decir. + V!f.. y Denominado¡ (. una muestra de 36 piezas de hilo dieron una resistencia media de 8. Comentar la significación de este resultado al nivel de 0.cAP.e) = p(lWl < e) - e4(0)(Z€) = 7. normal (puesto que e8 una combinación lineal de la¡ variablee Z normaies e independientee).Of O. (ó) Interpretar gráficamente la regla de decisión y el resultado obtenido en (o).e y azules.01? Se lanza un par de dado¡ 100 veces y se observa que un total de ('siete" apa¡sce 23 veces.1i¡ ee rechaza en caso co¡rtra¡io. proporción d. 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. Solucionar el Problema 7.7 o. y que E\W\ = VE(O) + \/p2(o)+ .01.05. En un examen dado a un gtan número de estudiantes de muchas escuelas distintas.entarios ENSAYOS DE MEDIAS Y PROPORCIONES UTILIZANDO DISTRIBUCIONES NOBMALES ?'63.63 si ee quisiera que la probabitidad de rechazar la hipótesis siendo realmente conecta sea a lo sumo 0. Recientemente. se adoptarÍa en el Problema 7. Esüo provee Problernas suplem. Enaayar la hipóteaie de que los dados esüén bien hechos. Supóngase que en el Problema ?.05 desde el punto de vista de (o) un ensayo unilateral y (b) un ensayo bilateral.. yos..7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 26L Para evaluar el denominador de (5) notamos que la variable aleato¡ia W = lptZl * es l-p222 + .63 se desea eneayar la hipóüeeis de que hay moyo. (¿) ¿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. (o) Hallar la probabilidad de rechazar la hipótesis cuando en realidad aea correcta. donde z : h - las bases para las reglas dadas en la página 219.

252 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Solucionar el Problema 7. ción típica de 6. Para ensayar los efectos de un nuevo fertilizante sobre la producción de trigo. A causa de lo costoso del mantenimiento de estas máquinas resulta que a menos que el tiempo 4e producción ee disminuyaen un8. Con un nivel de significación del (a) 0. Una muestra de 100 bombillas de un fabricante A dio una duración media de 1190 horas y una desviación típica de 90 horas.01 las niñastengan mejor ortografía que los niños. 7 . me- 7.7 8.7L. con los niveles de significación de (o) 0.7 4. Mediante unniveldesignificación del 0. Muestras al azar de 200 tuercas fabricadas por la máquina A y de 100 tuercas fabricadas por la máquina B dieron 19 y 5 tuercas defectuosas. Unamuestrade 10 análisis dio una media de contenido en cobre de 23.72 ensayar Ia hipótesis de que las bombillas del fabricante B sean mejores a las del fabricante A utilizando un nivel de significación del (o) 0.4a. ¿Se contradicen los resultados con los del problema anterior? En un examen de ortografía en una escuela elemental.05 y (b) 0.01 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.2% de cobre. ? 7.63 fanegadas.77.01.a2.05.49 con una desviación típica de 0.83.01.05 y (b) 0.01 V (b) 0. ¿Hay diferencias entre las duraciones medias de las bombillas de los dos fabricantes al nivel de significación del (o) 0.54 fanegadas.79 ensayar la hipótesis de que el contenido medio de cobre sea más alto que el que marcan las especificaciones. mientras que 15 estudiantes de otra clase tuvieron una puntuación media de 74 con una des- . . Análisis de 5 muestras de B dieron un pH medio de ?. 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. determinar si los dos tipos de soluciones tienen diferentes valores de pH.5% y una desviación típica de 0. Utilizar el nivel de significación del 7. ensayar la hipótesis de que el nuevo fertilizante sea mejor que el antiguo. [. etc. A y B fueron ensayadas pa¡a ver su pH (grado de acidez de la solución).19.024.8f En el Problema 7.24%.05 y (b) 0. Un experto efieiente mantiene que introduciendo un nuevo tipo de maquinaria en un proceso de producción se puede disminuir sustancialmente el tiempo de producción. El nuevo fertilizante se aplicó a 30 de estos cuadrados y el antiguo fertilizante a los restantes.032.80./o con una desviación típica de 0.01. todos ellos tenían idénticas características de suelo. 7. En seis pruebas de este tipo se obtuvo un decrecimiento en eI tiempo de producciónde 8. 7.01.01.05 que el producto presenta las especificaciones requeridas? ?. la puntuación media de 32 niños fue de 72 con una desviación típica de 8.7 7 ensayar la hipótesis ¡¡ : 1120 horas contra la hipótesis alternativa tt diante un nivel de significación del (o) 0. ENSAYOS EN RELACION CON LA DISTRIBUCION ú DE STUDENT 7.2 con una desviación típica de 0. lcAP.01? En el Problema 7 .32%.05 y (b) del 0.72.O7o laintroducciónde tales máquinas en eI proceso resulta antieconómico. 7. ¿Puede deducirse al nivel de significación del (c) 0. respectivamente. Ensayar la hipótesis de que a los niveles de significación (a) del 0.76. En el Problem a 7 . < 1-t2O horas.a media y desviación tfpica correspondientes a los otros cuadrados fueron 17. Dos tipos de soluciones químicas. Las especificaciones para Ia producción de una cierta aleación piden el 23. mientras que la puntuación media de 36 niñas fue de 75 con una desviación tÍpica de 6.01 y (ó) 0. exposción a la luz del sol.05 ensayar la hipótesis de que las máquinas deben ser introducidas. En un examen de psicología de 12 estudiantes de una clase hubo una puntuación media de 78 con una desvia- 7. Una muestra de 75 bombillas de otro fabricante B dio una duración media de 1230 horas con una desviación típica de 120 horas. Análisis de 6 muestras de A dieron un pH medio de 7.73.76.8 y 0.05. Una muestra de 8 bombillasdelaproducciónactualdiouna du¡aciónmedia de 10?0 horas. mediante un nivel de significación del (a) 0. ENSAYOS REFERENTES A DIFERENCIAS DEMEDIAS Y PROPORCIONES 7. Ensayar la hipótesis de que la duración media de las bombillas no ha cambiado. (b) 0. Utilizando un nivel de significación del (a) 0.05 y (b) 0. 0. ?.70 si el nivel de significación es del 0. respectivamente. una parcela de terreno se dividió en 60 cuadrados de áreas iguales.52 con una desviación típica de 0. 1 . Explicar las diferencias entre esto y lo que se pedía en el problema anterior. El número medio de fanegadas de trigo cosechadas por cuadrado en los que se utilizó el fertilizante nuevo fue de 18.05.

ores.0f . Investigar la significación del aparente incremento enla variabilidad.28 onzas. ?.89.91.64 onzas y una desviación típica de 1. una curva de potencia correspondientes al Problema 7. ?. Representar gráficamente los resultados del Problema ?.86.8. La resistencia a la rotura de una muestra de 8 cables dio una desviación típica de 300 libras. desviación típica de las temperatwas anu¡legde una ciudad en un período de 100 años fue de 16" Fahrenheit.93. (b) (1 -p) y p. En el Problema 7. mediante un nivel de significación del (a ) 0. (b) 0. ?.27 si se eru¡ayan 400 cuerdas. . tienen varianzas dadas por s? : 16 y s2 : 8 respectivamente.81 . se toma cada 3 horas una muestra de 16 piezas de hilo y se determina la resistencia media.90.95.94. Adviértase que en esüe caso solo son necesarios los límiúes de control super. ENSAYOS EN RELACION CON 7 LA DISTBIBUCION F . (b) 99% sobre un gráfico de control de calidad y explicar sus aplicac¡o- nes. Para mantener esta calidad de producción. 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. (e ) 0. se toma una muestra cada 4 horas de 200 de las tuercas producidas. (d) 0. (b ) ¿Qué conclusiones pueden sacarse de acuerdo con Ios riesgos de error del Tipo II cuando se incrementan los támaños muestrales? 7 .731o ó 3o. (o ) Solucionar los Problemas 7 .77 una muestra de 20 bombilta¡ reveló una desviación típica en la duración de 150 horas.7.E8.90 construyendo un gráfico de (c)p V p. En el pasado.27 GBAFICOS DE CONTROL DE CALIDAD 7.87 si las dos mueetras con¡i¡ten de 60 y 120 observaciones respectivamente.cAP. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION es 263 superior al segun- viación típica de 8. Construir (a) unacurva OC y (ó) . Determinar los Iímites de control del (a ) 99% y (b)95% pam el número de tuercas defectuosas de cada muestra.25 considerando Ia analogía de bolas rojas y azules con caras y sellos respectivamente.CUADRADO 7.05 y (b ) 0.05 determinar si el primer grupo do.01.3.9. Hallar los límites de control del (a) 99.65. Comparar estos gráficos con los del Problema ?. ?. ¿Concluiría que esto no es común? Explicar. ?. Después de introducir un cambio en el proceso de producción de estos cables.01? CUBVAS CARACTERISTICAS DE OPEBACION ?.63. Ia desviación típica de las temperaturas anuales fue calculada como de 10o Fahrenheit. (c) 0. Con un nivel de significación del 0. al nivel de significación del (a) 0.05. un cierto tipo de hilo producido por un fabricante tenía una resistencia media de roüura de 8. ENSAYOS EN RELACION CON LA DISTBIBI'CION CHI. Alrededor del lVo de las tuercas producidas por una compañía son defectuosas. Solucionar el Problema 7. cuando la proporción real p de bolas rojas sea (o) 0.01 . Ensayar la hipótesis de que la primera varianza poblacional es mayor que la de la segunda a un nivel de significación del (o ) 0.85.26 y 7 . En relación con el Problema 7. (b ) 0.82. (b ) 0.05. 7. Con la temperatura media del día 15 de cada mes. determinar Ia probabilidad de aceptar la hipótesis de que haya igual proporción de bolas rojas y azules. t¿ ?.84. ¿podemos concluir que hay una diferencia significativa en la variabilidad de los valores del pH para las dos soluciones al nivel de significación del 0.92. Para determinar si el producto está de acuerdo a estas normas. La desviación típica de resistencia a la rotura de ciertos cables producidos por una compañía viene dada por 240 libras.6. En el Problema 7. Comparar estas curvas con las del ProblenaT . durante los 15 últimos años.

Ensayar esta hipótesis al nivel de significación del 0.05 2 rojo 0 blanco Número de extracciones con Ios esperados. con un nivel de significación del (o ) 0.01. (b) Determinar al nivel de significación del 0.96 y comparar con el ajuste obtenido utilizando la distribución binomial. Ajustar una distribución de poisson a los datos del hoblema 2.105. Ensayar la hipótesis de que el número de libros sacados no dependa del día de la semana. Tabla 0 ? -25 I ?-101. Este proceso se repite un total de 120 veces y los resultados obtenidos.107.40% C. 6l ?.rrru de 4 máquinas. Se Tabla 7-28 0 rojo 2 blanco 1 rojo 1 blanco 53 si los extraen aleatoriamente dos bolas de la urna. 10. las puntuaciones dadas por un grupo de profesores en un determinado curso dieron un promedio d. En 10 unidades del ejército prusiano y en un período de 20 años 1875-1894.05. resultados obtenidos son consistentes (.34 8.g8 pueden ser aproximados estrechamente a una distribución normal.98.100.0r .se muestran en la Tabla ?-2g. 7 z AJUSTE DE DATOS A DISTRIBUCIONES TEORICAS -24 2 7.103. 7.05 si el profesor nuevo sigue las mismas nornns de puntuación que los otros. I 65 22 a l 10!¡ I LA PRUEBA CHI.05. Se lanzaron tres monedas un total de 240 vese observó cada vez el número de caras obtenido.106. Mar. 114 Vier. (b ) 0. de probabilidad para determinar si los datos del Problema 5. Se eligieron aleatoriamente tuercas de la producción de .gg.96.254 ENSAYOS DE HIPOTESTS Y SIGNIFICACION Tabla f 0 [car. Determinar si existe entre las máquinas una diferencia significativa al nivel dc significación del 0. El número de defectuosas ""d" fueron 2. . 3 4 .05.66 C' 16 D y 12 F.108. utilizar papel gráfico 30 62 16 l0 .e 12% A. 146 t20 7. Durante un largo período de tiempo.100. el número de muertos por unidad y año debido a coz de caballo se dan en la Tabla ?-2b. Ensayar la hipótesis de que la moneda está bien hecha utilizando un nivel de significación del (o) 0. solucionar el Problema 7.r02 utirizando la corrección de yates. . Los resultados aparecen en la Tabla 7-26 junto con las frecuencias esperadas bajo la hipótesis de que las monedas están ces y Tabla 0 caras Frecuencia observada 7 -26 2 caras 3 caras t. 108 Mierc. 9. 7.Lg?o D y 12% F. (á) 0. (o) Determinar las frecuencias esperadas.^ 30 Frecuencia esperada )0 90 3() ?. 7 '97 Ajustar una distribución binomial a los datos dela Tabla 7 _24. Un profesor nr¡evo da durante dos se_ mestres 22 A.99. 7.CUADRADO 7'102' En 60 lanzamientos de una moneda se observaron 37 caras y 23 sellos.l 1 cara 108 bien hechas. Número de libros sacados Tabla 7 -27 Lun. Delerminar al nivel de significación de 0. Juev. Ajustar una distribución de Poiss<¡n a los datos. El número de libros sacados de una biblioteca pública durante una semana determinada viene dado en la Tabla ?-22. Una urna contienc 6 bolas rojas y B blancas. se anota su color y se vuelven a la urna. Ajustar una distribución normal a los datos del problema 5.0b.1'04.LB% B. 3. 7. 7. Ajustar una distribución normal a los datos del problema 5. 7.

es decir. medianüe un nivel de significación del (o) 0.05 v (b) 0. 7.cAP.01 y (b) 0.la Tabla 7-32. Sobre una decisión de importancia nacional. A 72 64 t7 23 Clase B 7.112 introduciendo la corrección de Yates.06.110.114. tiene su efecto en el número de accidentes de automóvil (incluyendo todo tipo de accidentes) se indican en la Tabla 7-34. Ensayar la hipótesis de que las notas de física sean independientes de lás obtenidas en matemáticas. ¿Es consistente el resultado de (o ) con el del problema 7 .113. 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.05 V (b) 0.05 y en cada caso determinar si el ajuste es "bastante bue.06. 7l BONDAD DE AJUSTE ENSAYOS DE HIPOTESIS Y SIGNIFICACION 265 7. (a) Utiliza¡ la prueba chi-cuadrado para determinar la bondad de ajuste de los datos del Problema?. Tabla ?-30 Aprobados Clase 7. N nivel de significación del (a)0.ensayarlahipótesis de que no hay diferencia entre las píldoras de dormir y las de aziucar al nivel de significación del 0. A un nivel de significación de (a) 0.96. Utilizar el nivel de significación del 0. ¿Qué poeiblee dificultades en las t&nicas de muestreo como en otras consideraciones pueden afect¿r las conclusiones? .111.100. la vacunación y esta enfermedad son independientes. Posteriormente.116. IA Tabla 7 -29 muestra el resultado de un erperimenüo para investigar el efecto de vacunación de animales de laboraüorio contra una determinada enfermedad. Mediante un nivel de significación del (o) 0. De un grupo de enfermos que se quejaban de que no dormían bien. a unos se les dio pfldoraspa¡adormi¡. 7. las dos claees. Hacer el problema con y sin la corrección de Yates. Mediante la prueba chicuadrado determinar la bondad de ajuste de los datos de (c) Problema ?.01 ensayarlahipóteaisdequeelnúmerodeaccidentes es independiente de la edad del conductor. Los resultados de una encuesta hecha para determinar si la edad de los conducüores a partir de los 21 añoe.f09.118.98. Tabla 7.L17.(b) ¿Es el ajuste "bastante bueno"? Emplear el nivel de significación del 0.01.115. Suponiendo que todos los pacientes dijeron la verdad.01. Solucionar el Problema 7. El resultado de sus respuestas se muestra en la Tabla 7-31.112. enfer No se maron 'enferma¡on Vacun¡dos No Vacunados I L7 42 28 ?. Mediante un nivel de significación del (o) 0. ensayar la hipótesis de que no haya diferencia entre.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 7.0ó.05.ensayarlahipóteois de que no hay diferencia entre ambos partidos en lo que a esta decisión se refiere.99.05 y (b) 0. se Ies preguntó si las pastillas habían surtido efecto o no. Ia Tabla 7-33 da la relación entre las notas de los estudiantes en matemáticas y física.01 y (b)0. (b) Problema 7.LOg? TABLAS DE CONTINGENCIA 7 Tabla 7-29 Se . ensayar la hipótesis de que no haya diferencia entre los grupos vacunados y no vacunados. 7. mientras que a otros se les dio píldoras de azúcar (aunque todoselloscreíonque suspíldoraseranparadormir).101. (b)hoblema 7. Mediante la prueba chi+uadrado determinar la bondad de ajuste de los datosde (o)Problem¡ 7. 7. Dott. los votos de los demócratas y republicanos registraron los resultados que se observan en.

diantes. . Demostrar el resultado (2) det Problema 7. ? MATEMATICAS Notas altas Notas altas O CA Notas medias 71 Notas bajas L2 Dt) AO Notas medias Notas bajaa 163 42 38 85 T4 Tabl¡ 7-34 EDAD DEL CONDUCTOR 21-30 31-40 41-50 78s 51 51-60 720 66 16 5 61-70 672 50 RH HE< 0 748 74 82r 60 26 10 oz ÉE I 2 Bg z< 3l 22 6 ID 7 lMásde2 I 7./n. Hallar el coeficiente de contingencia sin y con la corrección de Yates para los datos de (o) problema 7.LL4. (o) Demostrar eu€ ¡2 = 2@l/np. respecüivamente.L23.121.¡¡¡. Demostrar que el coeficiente de contingencia máximo para una tabla fr X k es 1/1t¡ PROBLEMAS DTVERSOS . Por similitud con las ideas desanolladas para tablas de contingencia h X &. COEFICIENTE DE CONTINGENCIA 7. la suma de frecuencias en la fila ¡ y en la columna j de una tabla de contingencia (frecuencias marginales).128. 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. 7'. Si nI y n! denotan. 20. es JUS:0.) 7. 7. discutir las tablas de contingencia h X k X I.117.127. se toma una muestra de 50 bolas con remplazamiento de cada una de las urnas.126. donde n es la frecuencia total de todas las casillas.122. ?.8165aproximada- 7. 7.?r para toda tabla de contingencia. (b) el coeficiente COLOR DE PELO Rubio No rubio 25 96 7. ( sin y con coeficiente de n de yates.1L2 y (b) Problema 7. Demostrar que el coeficiente de contingencia máximo para una tabla 3 X 3 mente. señalando las posibles aplicaciones que pueden_tener. Dos urnas A y I contienen igual número de bolas. Hallar el coefieiente de contingencia para los datos del Problema ?. pero se desconocen las proporciones de boias rojas y blancas en cada una de las urnas.119.11?. Xu) r¡ñY Azules No azules 49 30 8-ó 7. (b) Con el resultado de (c) hacer el Problema 7.1 .125.121. mostrar que la frecuencia esperada para la casilla perteneciente a la fila i y a la columna j es n¡n.49.266 ENSAYOS DE HIPOTESIS Y SIGNIFICACIOD¡ Tabla 7-33 lcAP. donde n és la frecuencia total de todas las casillag.

54.10.140.48.05 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. Generalizar el resultado del Problema 7. el número medio de millas por galón consumido en 5 automóviles análogos bajo idénticas condiciones fue de 22. Con una determinada marca A de gasolina. El porcentaje de calificaciones A dadas en un curso de física en una universidad determinada durante mucho tiempo fte L0%. hallar el menor número de preguntas que un estudiante debe contesta¡ correctamente para que el instructor esté seguro al nivel de significación del (o) 0.05. (c) 0.142. 7.cAP.140. Una moneda se lanza 8 veces y se obtienen ? caras. Utiliza¡ el resultado del Problema 12 para el Problema ?. ?. ?. ?.131.0ó. 7 n¡ ng üt fl1 b2 .129.138. es ahora 8. Explicar cómo podría definir interualos de confianza unilateroles y dar una posible aplicación. (b) 0'01.54.133. Construir gráficos análogos a los del Problema 7. Demostrar que para la Tabla ?-36 y2 " n = o(l+ú+"?\ * 2a (u" +ú+ rt2 'tL2 ns/ rr o?) ns ¡\ ?t I \t¿r / -. el número medio fue de 21. 7. En eI Problema ?.54 ?. (b) 0. ?.64-7.001' (d) 0. Mediante un nivel de significación del 0. Comentar cómo puede utilizarse la teoría del muestreo para investigar las proporciones de diferentes tipos de pescado presentes en un lago.132 empleando un ensayo unilateral. 2. Con referencia al Problema ?.13?. Durante un período particular hubo 40 calificaciones A en un grupo de 300 estudiantes.01. Al nivel de significacióndel 0. ?.6 con una desviación típica de 0. Solucionar los Problemas 7.l4O para obtener el valor de TOTALES lr2 n . 7.141.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 267 dando la de A 32 bolas rojas y la de B 23 bolas rojas. ¿Se puede rechazar la hipótesis de que la moneda está bien hecha al nivel de significación del (o) 0.138 ¿hay mayor variabilidad en millas por galón utilizando la marca B que utilizando la marca A? Explicar. Comentar los resultados.134.4 con una desviación típica de 0.06 de que el estudiante no está contestando al azar.132 si salen 6 caras.4?. Solucionar el Problema 7.56 si el 7 en la regla de decisión del Problema 7.136. ?. Con otra marca B. ?.23 pzra el Problema 7.135.0Sinvestigarsila marca A realmente es mejor que B proporcionando mayor recorrido por galón. Solucionar el Problema 7.55. (c) 0. (b) 0.130. Ensayar la significación de este resultado a un nivel de (a) 0. A B Tabla 7-36 I &1 II A2 III dg ó3 'tLg TOTALES ?.132.13g. ?.01? Utilizar un ensayo bilateral.05.

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

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

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

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

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

: nsl .r s€ comportan en una manera aleatoria o impredecible en tanto que las desviaciones /esr . La primera sunra a la derecha de (27) se conoce como la uarincíón no explicadc. algunas veces llamada coeficiente de determinación. r : + 1. y (en COEFICIENTE DE CORRELACION I.24) (26\ 2@-ü' = 2ta -?/". si 12 : L í..(>rX>y) (3r) ra-ra (? . Esta terminología surge debido a que Ias desviaciones y -U.) .cAP.1) igualmeninsesgada del cuadrado del error típico de la estima.x"l(E (32) a. r mide qué tan bienla recta de regresión de mínimos cuadrados se ajusta a los datos muestrales. Este está dado por 3r2. que se utilizan en la práctica son M n2ry .2).. En otras palabras.. Si la variación total se explica totalmente por la recta de regresión. mientras que la segunda suma se llama uariación explicadn. 8l CURVA DE AJUSTE. En Ia práctica la cantidad 12..*-u)' (27) La cantidad a la izquierda de (27) se llama la uariación total. decimos que hay una correlación lineal perfegta (y en tal caso también regresión lineal perfecüc).)2 * 2(u. Se deduce de (26) y (27) que (28) Por tantc 12'puede interpretarse como la fracción de la variación total que se explica por la recta de regresión de mínimos cuadrados.. Fórmulas equivalentes a las anteriores. entonces la variación explicada es cero y así r : 0./(n . es decir. se encuentra entre 0 y 1.2 en cambio de n en el denominador. Por esta raz6n algunos estadísticos prefieren expresar (22) con n .. La fórmula (29) se conoce como la fórmuln producto-momento para correlación lineal.r7 se explican por Ia recta de regtesión de mínimos cuadrados y así tienden a seguir un patrón definido.INEAL Hasta el momento hemos definido eI coeficiente de conelación formalmente por (I5) pero no hemos examinado su significado. y sy tenemos )('?-U""')' D2 = r Entonces podemos demostrar que (véase Problema 8.. 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. REGRESION Y CORRELACION 263 Así como hay una estima insesgada de la varianza muestral dada por 3t : nsz/(n . 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. De otra parte si la variación total no se puede explicar. Al tratar de hacerlo notemos que de (25\ V las definiciones de sy.

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

. Y que toman log diferentes valores muestrales r. f(x. y). y son variables aleatorias con la distribución normal bidimensional. y respectivamente. es una representación gnífica de los puntos de datos para una muestra particular. En tal caso (37) se remplaza por X E{ÍX diferentes en general. y). fÁgna 118. Entonces tenemos el teorema siguiente: Teo¡eru 8-2: Si X. Y pueden representar las estaturas y pesos de adultos en una población de la cual se extraen las muestras. 8-7: Si Anotaciones análogas pueden hacerse para u¡ra curua de regresión de mínimoe ctndradoe de sobre Y.r. que E'(Yl X = rl es la esperanza condicional de Í dada X = x. Y. un diagrama de dispenión algo diferente se obtenüía generalmente. 8-1. de dos variables aleatoX. Por ejemplo X. Tenemos el teorema siguiente: Teoreru Nótese & y son variables aleatorias con función de densidad conjunta o función de probabilidad f(x. o aumentar la original. Del concepto de cun'a de ajuste en muestras pasamos al de curva de ajuste para la población de donde se tomaron las muestras. dada por (88) u = s(n) = E(Y lX=c) siempre y cu-ando X. como se define en ia página 83. REGRESION Y CORRELACION 266 INTERPRETACION PROBABILISTICA DE LA REGRESION Un diagrama de dispersión. (40'¡ . y).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. Al escoger una muestra diferente. según si se consideran discretas o continuas. /(. Lasdoscurvasderegresióny=g(rl. entonces la cun'a de regresión de mínimos cuadrados de Y sobre X es una recta de ¡eg¡esión dada por (3e) donde representa el coeficiente de conelación poblacional. Y tienen una función de probabilidad conjunta o función de densidad. f tengan una varianza finita. rias Dada la función de densidad conjunta o función de probabilidad. como el de la Fig.¡= h(y)son Un caso interesante se presenta cuando ta aistribución conjunta es la distribución normal bidimensional dada por (491.8l CURVA DE AJUSTE. Cada diagrama de dispersión resultaría en una recta o curva de regresión diferente. aunque esperamos que las düe¡encias no sean significantes si las muestras se extraen de la misma población. entonces existe una curua de regesión de mínimos cuadrados de Y sobre X con la propiedad (37).E(XIY = y). Entonces se supone que X. es lógico de las anotaciones anteriores preguntar si hay una función g(X) táI que E{ÍY . 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. La conerión se implementa introduciendo las variables aleatorias X.cAP.h(Yll'l = un mínimo y(SS) seremplaza porr = h(y)-.

y intercambiadas]. x.Y"".paralapoblacióndela cual s9 extrajo la muestra.B-b t/n-2 Sy. En general todas las anotaciones de las páginas 259 a 264 para muestras se amplían fácilmente a la población.39. el e¡ror típico de la estima en el caso de la población vi-ene dado en términos de la varianza y el coeficiente de correlación por ní. s También podemos escribir (39) como U-t"v = F@donde px) (41) (42¡ e:fr Anotaciones semejantes pueden hacerse para la cuva de regresión de mínimos cuadrados de X sobr9 Y. no expli- ' no lineal. y) podemos aún emplear el criterio (37) para obtener cun¡as de regresión de aproximación para la poÉlación. sig(¡) se determinapor (37).zl8x (40¡ . Véase Problema 8. p. donde : g(X) V Y : E(Y). .En cry9 d9 que no se conozca f(x. entonces ación poblacional debe da¡ ajusta a los datos poblacioen una muestra se-aplican a Qrr) EÍg donde Y. EI resultado (45) también se empleapara definir p en ól caso - (ts¡ TEORIA MT. 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. REGRESION Y CORRELACION lcAP.266 CURVA DE AJUSTE.'ESTRAL DE LA REGRESION La ecuación de regresión y : a I bx se obtiene basados en los datos muestrales. Con frecuencia estamos interesados en la correspondiente ecuación de regresión !: q. r". si suponemos'que g(¡) : a I px obtenemos Ia recta de regresión de mínimos cuad¡ados (39)."t i)'l = E[(v ._ I'y. Las tres cantidades en (44) llaman las tnriaciones total.)'] * E[(Y*t -Y\'] se uda y expliuda respectivamente. Todas las anotaciones previamente enuncia la población. * pr. Por ejemplo. Resultados análogos a (31)-Q$ pueden escribirse para el caso de una población y regresión lineal. Análogamente sig(r) =a*Br*Tc2podemos obtener una parábola de regresión de míniinos cuádrados.x que debe compararse con (25). Por ejemplo.if1 Y)rl Para el caso lineal. 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 . donde a v g vienen daáas en términos de los parámehos (desconocidos) /r¡. etC. p - ------------------- r¡ariación explicada variacion Eí(Y*. Estos resultados deben compararse con los correspondientes en la página 261. Y. píg¡na262. = "'¡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). Por ejemplo. El(Y total . que también resulta ser una recta [dada por (39) con X. Ensayo de la hipótesis 0 : b. 1. Esto conduce a la definición del coeficiente de cotehción poblacional p. Los siguientes son algunos ensayós relacionados con una-población normal. oy.

43 y 8. es decir. 2. Véanse Problemas 8. = 1.47 y 8. lo : a * bxs. Ensayo de la hipótesis p * 0.49 y 8. (i=/ : 1'1513 tos'o(1 Estos hechos pueden también utilizarse para hallar los límites de confianza para los coeficientes de correlación.cAP.. Véase Problema 8. Para p + Ola distribución es sesgada. De esta ecuación se pueden ha' llar límites de confianza para valores de población predichos.46.'\[+Fi. Véanse Problemas 8. Ensayo de hipótesis para valores predichos.2 grados de libertad. 3. Véanse Problemas 8. Denótese por ¡lo el valor predicho de y conespondiente i f : ts estimado de la ecu¡ción de regtesión muestral. Ensayo de la hipótesis p = 0. Aquí utilizamos el hecho de que el estadístico f = rl/n-z \/fr (+s¡ tiene distribución de Student con n - 2 grados de libertad.44. es decir. Véase Problema 8. = ffi - (51) Z de Fish.Para este propósito debemos conocer la distribución muestral de r.8 : to estimado de la ecuación de regresión muestral. 1.(i#J aproximadamente tiene una distribución normal con media y desviación típica dadas por (50) -Zt" /1+p\ *. La transformación (60) se llama transformación /1+p\ I o/' ". Denótese por Jo eI valor predicho de y correspondiente o. Í : Ís para la población.. Aquí utilizamos el hecho de que el estadístico z =*r"(i+) = r. 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 .2 grados de libertad. REGRESION Y COBRELACION 267 tiene una distribución de Student con n . Los ensayos siguientes resumen los procedimientos involucrados.45.m (ao- úor\Ñ @a¡ tiene una distribución de Student con n . 2. Denótese Por Jp el valor predicho de y conespondiente 2.8l CURVA DE A'USTE.2 grados de libertad. Denótese por üp elvalormedb predichodey correspondiente a x = Ío para la población [esto es. En ese caso una transformación debida a Fisher produce un estadístico que aproximadamente tiene una dishibución normal. lo = a * bxs.50. Entonces el estadístico t- su. fo = E(YIX = co)]. Esto también puede utiliza¡se para hallar inten¡alos de confianza p¿ua coeficientes de regresión poblacionales de los valores muestrales.er. Ensayo de hipótesis para valores medios predichos. En el caso de que p = O esta distribución es simétrica y se puede utiliza¡ un estadístico con distribución de Student.1618"". 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.48. Entonces el estadístico t- ú- ru. .

Por tanto (1) A2 = aibr2 u-a1 = @*br)-(a+b*t) (2\ . Se¿n X.s resueltos NECTA DE MINIMOS CUADROS 8. yr ) V @2. 8 3. (521 donde se Itzr-|.1.)w-. Si X representa los s¿larios anuales de los profesores en tanüo que Y representa la cantidad de crímenes. La consüante b : (yz . Y variables aleatoria¡ que representsn eetaturas y pesos de individuos. y. ozr-2. Una recta pasa por los puntos (xr. Además.b(r-r-1\ Í2trt Uz-Ut .11 ) de (2) y (l pedido sustituyendo en ).51. Aquí hay una independencia directa enüre X Y.Zrpzr-2.t [. Significado de una diferencia entre coeficientes de conelacion. calculamos Z. EJEMPLO 8.1. Demostrar = que la ecuación de la recta es U-Ut tenemoe (Ty. Es importante acla¡a¡ que "correlación" y "dependencia" en el sentido anterior no necesariamente implica una independencia causal di¡ecta de X y Y. y2 ) son puntos sobre la recta yt = a+bn1. Entonces ya que (¡r.yt)lfz . Véase Problema 8.¡r ) es la pen- . EJEMPLO 8. lt ) y ( rr. La gÉfre de la recüa . = Y nr- n^ = nt-3' nz-B (53') disbibuye norma[mente. diente de la recta. Problerna. ). REGRESION Y CORRELACION [cAP. Esto se demuestra en los ejemplos siguientes. su distribución conjunta no se factoriza en sus distribuciones marginales). sabemos (Teorema 3-15. podemos utilizar una ecuación de la forma de (39) pata predecir el valor de Y a partfu del valor de X.yt)l@z . ozr-2.(. CORRELACION Y DEPENDENCIA Si dos variables aleatorias X. eI coeficiente de correlación puede eer diferenüe de cero y podríamos halla¡ una ecuación de regreeión prediciendo una variable de la otra.. Luego utilizamos el hecho de que el estadístico Zr.@ se mueetra en la Fig. rt y nz respetivamente difieren Pa¡a determinar si dos coeficientes de correlación rr y tz extraídos de muestras de tamaños n1 apreciablemente entre sí.lLzr.2. y 22 conespondientes a y rz utilizando (50). cuando p + O. página 82) que son dependientes en el sentido de probabilidad (esto es.a ecuación de una recta es ! : a * b*.a*br)-(a*br1l = b(r2-r1l Obteniendo que b : (yz . = Pzr. Pero diffcilmente diríamos que hay interdependencia düecta entre X y Y. 8-5. el resulüado se deduce. Y tienen un coeficiente de correlación diferente a cero.268 CURVA DE AJUSTE.

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. Una condición ó mfnimo (o un máximo) es necesaria para que esto sea un que aFlaa = O.1 ) y (72. Derivar las ecuaciones nonnales (4).642r. 8-6 .. 8) y (14. 9) sobre un ¡istema de coordena' das rectangulares corno se muesha en l¡ Fig. Ya que # = >f. Las coordenadas de e¡tos puntoa tomadoc de la gráfica eon aproximadamente (0.os valores de y sobre la. (11. aFlab = 0. dz: albr2-9".. . (b) Í como variable dependiente. (3. 8. Entonces el Problema 8. es decir. vé¡ee Problema 8'4 que emplea el método de mfnimos cuadrados. (6. f. r como .g¡2. para la recta de mínimps cuadrados. recta de mínimos cuadrados conespondientes a 11. Refiriéndonoa a la Fig. CURVA DE AJUSTE. 8. (9.(4.cAP.7 . Ajustar una recta de mínimos cuadrados a los datos del Problema 8. 2ra = a2r*b2r2 como 8e pedfa. 2).8l 8. por ejemplo. 8-6.tl' a-r =ffiO-l. I 4 8 I Una rect¿ que se aproxime a los datoc se dibuja a mono olzada en la figura. escójarrse dos puntoe cualesquiera sobre la recta. albnn Las dewi¡¡ciones verticales correapondientes son dt = a*br1-yt. (8. 12. (b) Para obtener la ecuación de la recta construida en (o). dn = a*bxn-yn Fis. página 260. Puede demostrarse que eetas realmente resultan en un mínimo..2 utilizando a (c) variable independiente. (b) Hallar una ecuación para esta recta.rfnSOn a*bry albr2. (o) Dibujar loe puntos (1..1 .542r ó¡ U=l+0. F(a. Para un método que eümine la ne' eecidad de juicio individual.b) = l(o * br . 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. 6 y-l=0. 3 2 4 6 4 891114 o a t).. 6). 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.4. 4).3.rA' ")t)'6"' Fig.4\. 7).. 8-?.2.61. tales como P y 8.

50. t¿s ecuaciones normalee son )Y: 2ru: an*b)r a)r*b). se ha agregado a la tabla para emplearla en la parte (b). a = ()y)()r2) . 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 ó0.60 .545.sz El trabajo involucrado en el crilculo de las sumas puede ordenarse como ae indica en lá Tabla 8-2.Ga)(. b=+ ó0. las ecuacionee normales se convie¡ten en dedonde c=-* ó -0. Aunque la última columna no se necesita para esta parte del problema.8 (o) La ecuación de la recta es y : o * b¡.()r)()ry) = (40)(524\ . n lizando el método a mano alzadt.546 + 0. REGRESION Y CORRELACION [cAP.50 d- - = 1. Otro método. la ecuación de la la recta de mínimos cuadrados es ¡ : c * dy.636.CURVA DE AJUSTE. 8c*40d = 56 40ci256d = 364 Estos valoree también pueden obtenerse de ()rx)sz¡ .(56X364) lt ó0'545 = 6 --lE f8-i6 g=w =qffiffiá#l )c = cnld)y = frao.r.)ru) c=ffi==-0.50.oso (b) Si se considera a r como la variable dependiente y a y como la variable independienüe.2 utiPuesto que hay 8 pares de valores de. Nótese que esta no es la recta obtenida en el hoblema 8. las ecuaciones normales son 2ru = c2y*d2a2 Entonces utilizando la Tabla 8-2.636 r. d=9 ó 1. yla rectade mínimoecuadradoopedida es S t + lrx 6 U = 0. y.

Nótese que al solucionar esta ecuación para y obtenemos y obtenida en la parte (o).636 r o. es (7. se indican en la Fig. y : 0.úr.4 intersectan en el punto (. F = -0.333 * 0. (b) Estimar el valor de y cuando x: L2.6. la recta de mínimos cuadrados puede escribirse como Q) Caso que muestra que la recta pas¿ por el punto (á. La recta obtenida en la parte (b) se llama la recto de regreeión de x eobre y.60 + 1. 0. .Elpunto(?. y es la varirrble independiente. - 0.60 * 1. r-ñ f). d respectiremen' üe. Por üanto la¡ rectas se interceptan en el punto (?. ti). [¡secuacionee delaedosrectassona= llamos 8.60 y.9. (c) Estimar el valor de ¡ cuan' doY: 3' -2a40 a=T=¡-=o Luego el punto (6. {.60+1. U = 0'646 + 0'636(12) = g'Z' (c) Al remplazary:3 enlarectaderegresiónde¡ sobre a.50y. las rectas (¿) V (S) no coinciden.fi). más exactamente.546 f 0.8l CURVA DE AJUSTE. U = &* Lrrr.546 + 0.cAP. ¡ ¡=-0. se utiliza para estimar r para valores dados de y. remplazando las constantes o. b por c. (b) Al remplazar x.60y t2 10 = y= e.E. ¡ = 7 .ú). lo cual es un¡ indicación de que los datos están muy bien descritos po¡ una relación lineal.6. = tllu-úl Nótese que en general. llamedo el centroide. ú). 6) se encuentra en la recta U = 0.546 * 0. (o) El punto (?. Caso 1.7. hallamos que la recta de (5) que indica que la recta pasa por el punto (4.500*1. y.. Lar gróficas de l¡s dos rectat.8.! :5.: L2 en la recta de regresión de y sobre n. REGRESION Y CORRELACION Por tanto la ecuación pedida de la recta de mínimos cuadrados es r = 0.6).pue¡üoque7=-*+*(6).5).ha*+É.66? r 8 6 1 u= 0.50(3) = {. 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. (o) Demostrar que las dos rectas de mínimos cuadrados obtenidas en el Problema 8. Demostrar que una recta de mínimos cuadrados siempre pasa por el punto (i. pero ¡e intergectan en (a.Í. 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 ).6)seencuenhasobrelarerfar=-++$y. Nótese quelas dos rectas en e¡te caso prácüicamente coinciden. pueeto eue6=*+t(?). mfnimos cuadrados puede eecribirs€ como hocediendo como en el c¿¡o 1 intercambiando r. 2.8-8 8.636 ¡ 2 0 6tl012 Fig. Representar gráficamente las dos rectas obtenidas en el hoblema 8.636¡.4.333 + 0'667 ¡' que no ee l¡ mi¡m¡ rect¡ 8. y E=-t+*y.Resolviendoeimultánesmente. ¡ es la variable independiente. Ot¡o método.

página 260.9.(2r)(2r'l n2r.272 CT'RVA DE AJUSTE.t). demostrar que D--i# .=7+h. Ir 2(a .(>.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.n2r'a' .úl = 2(rs-i:y-ir*efrl 2ra-ñ2u-ú2n1'2eú 2rU-nEú-nfrE*nitfi . re rigue intercambiando D - >(z::elfu. U . = n8ru-(2rl()ü _ n2xz _ (2r)z Entonces ti ú = út I h.1 -ñF-trú.=-Ep=Ts¡t Del Problem¡ 8.pdgina 261.-.tenemos . tenemos D_ 2(r n2xy .al r.8.. 8. y. y (véa¡e problema g.12). Problema 8. sean c = d *h. REORESION Y CORRELACION Demostr^ar que la tecta de regresión de mínimos cuadrados de y sobre forma (8). u=7+tc Por üanto . r puede escribirse en la (l).n8z 2r2 I Entonces . pdgina 260. De la segunda ecuación en (5). Tónemo¡ de 11) [eAP. U - g.)(2g. j[n2ra Por tanto (I ) oe conüerte cn 2rU t (>¿X>y)] de donde ¡e obtie¡e el resultado (S ).8 tenemos f.nEú (I¡X)z) ¿ru .t¡z = - t )(>x)2 |ín2rz .(2r.(2rlz 2(¡z-2nr*12) 2r2-2ñ2r*2i:z 2r2-2n82 lniz 2s2 .(2x')(2y'l n)s'2 . + k. 8.10 Si en el Problema 8.e¡z demo¡tración de (12). .ú = b(x. h_ v- dondeh n2uU yk son constantes. u=u'*k.Demosharque .7 .(Ic)z¡ También >(r - t)(v . ¿ = ñ.y. g 8.9.()¿X)y) n)¡z . h = f.

72 de dispersión se obtiene dibujando los r = _8.418 Zny = 54. REGRESION Y CORRELACION 273 Se deduce inmediatamente del Problema 8. 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.cAF. y ) sobre un sistema de coordenadas rectangulares como se muestra en la Fig. .4. de modo que lae ecuaciones normales se convierten en 9oe 2? 666 864 É¡ E 12o*800ó:811 800o*63.82 + O.8l CURVA DE AJUSTE.418b = 64. (b) Hallar la recta de regresión de mínimos cuadrados de y sobre r. 8-9. (c) Hallar la ¡ecta de regresión de mínimos cuadrados de r sobre y. (c) Construir un diagrama de dispersión.476. de modo que y :96. 62 62 6{ 66 Fig.9 ya que 2fr' = l(c-t) y análogamente = 2r-nñ = 0 ly' = 6.88+r.197 )92 = 64.849 .a2n*b2n2 [. donde o y b se obtienen resolyiendo las ecuaciones normales./ €70 6 !a 2a'= an * ólr 2ra .y deuna muestra de L2 padres y sus hijos mayores. &11 La Tabla 8-3 muestra las respectivas estaturas lc.L07 de donde hallamoe o : 36.82 y b = 0.086/___V (b) f.a recta de regresión de y sobre r está dada por y = a + b*. 8-9. La gráfica de esta ecuación ¡e muest¡a en la Fig.ae sumas se muestran en la Tabla 8.476x. 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.

Esto nos conduce a la Tabla 8-5.5) - (10)z = 0.07) 6 ecueción de regreeión pedida de y sobre x ea a . y. se convierten en -f SLld = 800 64.á).274 Otro método.(lyX>ay) n2yz .476(n-66. .38*1.036. ¿ = n>r!: (>!)l?nl = n2a2 .086 8.849d muestr¿ en la Fig.4?6 Larectaderegresión x:c* dy.11 utilizando el método del Problema 8. u =7*68 = -**68 = IZ-LZ = b(u.12s¡z _ _s.ú de acuerdo con el Problema 8.Iagráficadeestaecuaciónse Otro método.476 También ya que &' = ú . De una manera análoga podemos obtener l¡ ecuación de regreaión de r sobre y. REGRESION Y CORRELACION lcAP. 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).68. por ejemplo 68.d=1.12.68 = 0. aparte de los enores de redondeo.11. 8 "= (c) ecuaciones normales I]4ff de¡ sobrey viene = 85. esto ee a = 36.asfque¡:-3. y ( los números restados de r tee).g8.476u u .6?. CURVA DE AJUSTE.()y)2 1. - (>¡XI=y2l. b = dada por ry# = 0. .L07 E1lc#54.67. = ú - 68.68. (12X106) (-16)f.dondecydseobtienensolucionandolas 2a = cntd. - 68 tenemos r.38.036y. = ñ .86 * 0. de r.58 n I¡ =7*68 = -**68 = 66. 8-9. Solucionar el Problema 8. Réstese un valor apropiado.2y 2uY = c2Y*d2Y2 L2c Utilizando las sumae en la Tabla 8-4. Por tanto 6?.9.82. = delascualeshallamosc:-3.

2976 )r = 11.()rX>u) 6=-ffi.0095 3. REGRESION Y CORRELACION 276 ECUACIONES NO LINEALES REDUCIBLES A FORMA LINEAL 8. Las ecuaciones normales qorrespondientes a la recta de mínimos cuadrados logP = logC-ylogV logC ó logP*ylogV: Tomando log I/: x.0 10.7943 4.6 194.8543 =-1.6953 (o) Puestoqueo=4.a2r*b2r2 4.4 118.4Ou.13 dibujando los datos en un papel logJog.2ry .(b) Escribirlasecuacidnes que¡elacionan aPy V.40=-y.40= lb/pulg2.6 88. la última ecuación puede escribirse (r) U = oibr donde¿:logC.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. Entonces P=antilog1.66L7 2.2833 1.20-1.40(21 =1.9294 2. y conespondientes a los valores de V.40 Luego Y = 4. y y= logP=4.cAP.0 pulgadas cúbicas.0043 12 ra 3.7 28.40.log P : y. Tabl¿ 8-7 s = logV L. n. 8-10. (c) CuandoT=100.000.0350 3. P de Ia Tabla 8-6 y también indica los (l ) son 2a = on*ü)¡ de las cuales 2ry .7348 1.1 Presión P (lb/pul2 ) Ya que 6r.8309 t.60X104 y y=1.5 72. (c) EstimarPcuando V = 100.3019 6.2340 2. = C.0997 3.3 61.14.1 lu = 8'7975 b )12 = 23. C=1.074L 2.ffi¡af'=-1.7910 1.859? A = logP 1.20=logCy (b) Pvt.6946 1. tenemos tomando logaritmos de base 10 cálculos involucrados en eI cómputo de la recta de mínimos cuadrados (l ).to = 16.40. debe existir entre las variables. 8.9479 2.8l CURVA DE AruSTE.13.20. La Tabla 8-? da los valores ¡.7858 1. donde y y C son constantes.2077 3. Tabla 8-6 Volumen V (pul3 ) 54. .4685 3. De acuerdo con los principios de la termodinámica una relación de la forma PV.2 PVt = C.2878 2. (c) Hallar elvalorde y y C. Solucionar el Problema 8. obtenemos un punto que se dibuja en el popel log-log construido especialmente como se muestra en la Fig. Para cada pareja de valoree de la presión P y el volumen V en la Tabla 8-6.6762 1.0059 2xa - 16.4 37. a = ()y)()rz)-(>rX:g¿l _ n2"2-1>n\z .2 t9.b:-'1.20-l. r=logV:2 25.8 49.

) d^ = o*üc"lorl-t^ y lrr ruma de lo¡ cuadrado¡ de le¡ de¡viacionee eotá dada por )¿t = )(o+ bxlca2-t)1 . . que er negatlva en e¡te ce!o.2 a = logP-ülog7 = lo926*1. para la parábola de mínimos cu¿dradoo.1rn ¡on olbr¡lcu!. Por ejemplo cua¡do V: 100. 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 .4. . .2.!nl. .?"-al' dc = o*bu21-cú-!2. prigina 261.4 logV = 4. Por t¡nto albn2*ct/. . Deriva¡ las ecuaciones nomales (I9). (r*uzl.Ut U2.8 l0 ú' 3o {0 ü. (nn.16. REOBESION Y COBRELACION [cAP.¡ U¡ ertfa dadar por dt = qtbx¡Ic¡. . y PVtl = 16O00 PARABOLA DE MINIMOS CUAI)BAI)OS E.a*(1.276 CURVA DE AJUSTE. P: 26 de la g¡lfic¿.. Enton4.. logPTlle .4 los100 = l. . .4.. e2. U = a*ba*crz l¡ pa¡óbol¡ de mfni- Se¡n lo¡ puntos mue¡t¡alec (a¡Ittl.8-r0 150 ¡00 ú t00 También ¡e indica un¡ rect¿r (dibujada a mano alzada) que re aprorima a eeto¡ puntos.o*blogV ó g = o*bn Ie pendiente D.. Entoncee lo¡ veloree de y ¡ob¡e moc cr¡¡dr¿dor cotrec¡rondieatet a a1. re de numéric¡rnente por l¡ relación-de la longitud AB a le longitud AC. [¡ medida en este e¡¡o indica que D = -1.a)(2) = de modo que logP* 1. . m 60 so r00 Volumen Y '{l Fig. of bur*wl l¡¡ de¡vir¡cionee de.2. Pa¡a obtener ¿ ¡e nece¡it¿ un punto sobre ce8 l¡ recta.

8.O.066.49 60. lar ecurciorÉ¡ norm¡ler (I ) rc convierten en 8a I 42.2Ob+2275.9 7. REGRESION Y CORRELACION función de o.36 2ua = Zxu 291.82 4t.79 s32.L6 6470.971.00 2.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).42 291.2b + 291.06 941.5 6.cAP.' 7.65 185. T¡bb ü u 1.20 18.688.28 38. Ajustar una parábola de mínimos cuadrados de la forma ! Tabla 8-8.1 8.75 117.6 2A = an*óI¡*c2n2 [¡s (r) ecuacionec normales son 2ry = o)¡*b2r9*c2rs 2n2a = o.t2 9223.70 38.065 t .7 4.6 9.t=o' *=o Enüonces # = ).44 3.27 1.49 92.61 24.6 a I bx * cr2 a los datos de la t€ D.4 2r2 - Ic3 = 2276.0 ?.8 3.2 6.93 342.48 19.8 2.9 9.8r 2n2g I¿= 42. b.b.2 1.OI 32.o3to*óc*cr2-a)2 = )2(o+br*crr-a) k = )*a{o*br]-cnz-u)2 = 2Zr(a*brtcü2-a) aF :d.8 7.7 4.42 - - 1449. = + 2.24 9.cl = )(o I Para minimizar esta función debemo¡ tener bx * cx2 - U)z Ti=o' .19 36?.83 29.6 5.7 12 n3 xy 6.41 73.00 Puecto que n (2) Reolviendo.2 )u= 46.20 c = 48.58 4.92 230.1 12.22 rzy 6.8 4.20 o + 2276.70 26.588 de mfnimoq cuadrado¡ pedida tiene l¡ ecr¡¡- . b = : 2.19 2.08 10.4E 1065.2 6.2 1.2a*2SL. Tabl¡ u 1.8 7.36c = 230.46 254t.1 : 8.2r2].40 10.8 3.8 4.360 + 18971. c = {).92c : 1449.73 5.9 7.36 5?6. ? = )f.0 7.7 7.8l E¡t¡ ec CURVA DE A¡UsTE.2110¡ arí la parábola 2.62 21.9 5.12 67.6 2.8 r87. o ción = 8.28 233. c.04 1.91 636. e¡ decir 277 F(o.2ll0rt .1 t€ 14 a 4.96 96. págin¡ 261.ólcs*clra H trabajn involucrado en computa¡ la¡ ¡uma¡ puede ordenarce qomo 8e mue¡ha en la Tabla 8-9.04 48.66 259.16.

REGRESION Y CORRELACION la. 8.Un. La Tabla 8-11 muestra los pesos z ala libra más cercana. Ue"¡ = 2. Tabl¡ 8-10 Uest 4. vienen dadas por (f) 2z = na*b2r*c2y 2rz : a2a * b2r2 * c2rg 2gz : a2y * b2rg -f c2yz El trabajo involucrádo en computar las sumas puede otdenarse como se indica en la Tabla 8-12. z. (rn.2) ..An) son respectivamenüe a*br1*ey¡ Por tanto las desviaciones de z¡.741 4.9 6. y puede escribirse z: albnlcy Las ecuaciones normales (21).zn\.2)2 = 4. c de modo que satisfaga (21. [. Demostrar que la ecuación de regresión de mínimos cuadrados se obtiene al determinar a.8 7.503 7.). lcAP.8 4.18 la forma z r.56L 2.065(1. y por medio de una ecuación de regresión de a ! bx * cy.2110(I. b.16 para estimarlos valores de y de los valores dados de r. (c) Hallar la ecuación de regresión de mínimos cuadrados de z sobre x. y.17.8 8.962 7. Análogamente se obtienen otros valores estimados.19. (b) Determina¡ los valores estimados de e de los valores dados de r.0 7. pág¡na 262. all. 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. . las ecuaciones normales pedidas (21) en la página 262 se obtienen.762 4. Pata r = 1.. Utilizar parábola de mínimos cuadrados del Problema 8. Se desea estimar una variable z de las variables : Sean los puntos muestrales (ryUyzr).588 + 2. .página 262.2 6. c e igualando las derivadas parciales con respecto za. b.762.2.613 6.5 5.278 CURVA DE AJUSTE.5 2.640 7.. ala pulgada más cercana y las edades y al año más cercano de 12 muchachos. (c) Estimar el peso de un muchacho de 9 años y 54 pulgadas de estatura. . . 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. .621 5.0.os resultados se muestran en la Tbbla 8-10 junto con los valores reales de y... Entonces los valores de z sobre el plano de regresión de mínimos cuadrados correspondientes a (r1. vienen dadas por a*bnr*cyn dn = a* bnr* cUr. .7 u REGRESION MULTIPLE 8. (ün.z¡ dt = a* br1 * cUt. b y c a cero. las estaturas x. y. . .zt.

la ecuación de regrerión pedida es (t) (b z = 3.682 ?8.880 106o*67?9b+976o Rerolviendo. denoüado8 pot valoreg Tabl¡ 8-13 2est 2 64.! : 9 en (3).136 64. =í.286 66.8l CT¡RVA DE AruSTE. c = 1.168 48.606u zesb al susti- ) tui¡ los valores correspondientes de x.r=n= = 2(a-a. y.139 34.926 66.cAP. demos- s'?. el peeo estimado es zest : 63. ERROR TIPICO DE LA ESTIMA 8.86? 65.b2r(u -a-br) . Utilizando la ecu¿ción de regreción (3) obtenemos log valores egtimados de z.20. Entonces ^. o aprorimadamente 63 lb.664 78. Ír."r)2 2afu 2fu-o-brlz o.7r7 68. las ecuaciones normales (I ) ee convierüen en l2a1-643b *106c (2) 643¿ = 769 * 34..66+0.4t4 69.356.8646. REGRESION Y CORRELACION Tabla t-12 fi 64 Df 59 49 62 51 a 8 10 6 11 z.206 69. ü = 0. a = 6796 = 3.225 68. 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. Si la recta de regtesión de mínimos cuadrados de y sobre que el error típico de la estima sy.830 2yz = 6796 2uy = 6779 48.¡ €stá dado por r viene dada por ! : a * b*. 2a'- a2g n - b2rY por Ueet Loe valoreg de y ectimadoa a partir de la recta de regrerión vieneÍ'r dados = @ * ü¡.8436 * 6779c = 40.920 64 7l 63 67 DD 68 77 67 66 61 76 68 (c) Remplazando ¡ : 54.= v.e resultado¡ ¡e dan en la Tabla 8-18 junto con lo¡ mueshaleg de z.843 Utilizando esta tabla.2(Ufl -a.865r+1.6612.6068.-brl - o-bu) .

¡ Método 1.11(b ) la recta de regresión de y cobre x ea ! : 36. = 2a@-a-bt\ nll 2a2-a2a-b2ra Este ¡esultado puede extender¡e a ecuaciones de regresión no lineal.71 69 68 68. Método 2.19 67 68 67. g = A'+ ú.66 7l 70 69..anÚ . / ..al@ .a(2U.38 7l 68.úl donde hemooutilizadolo¡re¡ultedot2r'=0. Catcular el error típico de la estima¡ 8¡.81 62 66 66.ú = 2u'2 .x = lTiltr= 1.y.Cuandoeehacenestoeremplazo¡enelProlos datos del Problema 8.71 -0.81 U - Aest 0.bñl = 2O'' . como se obtienen de la recta de regresión.29 -1.b2(r.b2t'g' .xpot¿-á.11.ú = b(r .21.a2r * = b2u2 Entonces sí. Entonce¡ del hoblema 8.ú)'- b)(c n - ¡)(u - ú'l Si ¡ = r' * A.+(0.24 -0.o2(g' * fil .")z = "1.UpotA-ú.98)2 12 = L64z .28 68 69 68. 8.bt2y' . 8 2(A-a-bn) .33 0. REGREsIoN Y coRRELAcIoN lcAP.2r-b2rz = 2A = on * ó)c 0 puesüo que de las ecuaciones normales 2ru .bn.28 pulgadac.24)2+(0.280 Pero CURvA DE AJUSTE.76 L.14 -2.b2r'g' .76. que corteeponde a empezar con l--o+bryremplazando:oporcero. güe ¡e neceaitan para el cálculo de oy.19 2.19 0.24 68 67 67 67.ó)(a . (1. Por ejemplo.*nú') . 2u'=0 y ú = o*bt (que re deducen aldiüdiramboslado¡ de l¡ ecuación normal 2A = an * b)r por n¡. E.82 + 0.20 se obtiene el re¡ult¿do pedido.28 -1..b2(r' * ñl@' * úl = 2(y'2*2ytfi*¡z¡ . Demostrar que el resultado del Problema 8.81 0.2y-an-óIr = 0 2r(a-a-br) .r. cotrespondiendo a ¡ = 65 tenemotgest:36.2¡ pará Del hoblema 8.!* e!\ = 2a'2 + 2y29' * nú2 .47 6r.o.bnü! = 2U'2 + nú2 .b2rtgt * nú(ú .€2 + O. Erto demueetra el resultado pedido. Tabl¡ t.7L 64 66 66.22. denotados por lresr.14 ü a Uesl 65 68 66.6? 70 68 69.20 N3' = 2u2-o'2a-b2xy = 2(a' + ú)2 .2na-o.bi2r' .24 63 66 65.62 0.2O puede escribirse como ^z üu. También ¡e indican lor valorea y - Uest.b2r'Y' = 2(a .a)2 .r9)z:l-.á)." y 8t. Sabemo¡ que la recta de regreeión puede eecribiroe oomo blem¿ 8. En la Tbbla 8-14 ee listan los valores reales de y (de la Tabla 8-3) y los valorec estimado¡ de y.66 >(u-u.476(66) : 66. I üyt * r.14 66 65 67. 2(a .ana .

el 6812 de los puntos se encuentra entre las rectas. parecen estar sobre las rectas. Del último renglón de la Tabla 8-14..)(y-uu.. ya qve ú la Thbla 8-14 podemos construir la Tabla 8-15.'.476¡ obtenida en el hoblema 8..82 -t. ya que es cero. (b) Determinar el porcentaje de puntos de datos que se encuentren enhe estas dos rectas.r 0.11 a una distancia vertical sy.rn. Tabla.11 se muestra sólida en la Fig.08 2.A)'.cAP. Las dos rectas paralelas.61 -2. Il . Si los puntos están distribuidos normalmente respecto a la recta de regresión. Este hubiera sido el caso aproximado si el tamaño fuera más grande.brt Q.. :: :.ne?. ts. tenemos 2(u-ú)2 .28 y 1.. Demostrar que >(g Elevando al cuadrado A"'r)'* 2(U*r.rr.:'.U""t)2 .t-ti) - A)" = 2(A - El resultado pedido se deduce si podemos mostrar que la última suma este es eI caso.28 (véase hoblema 8.77 )(U".abn) a .34 0.S-15 Uest : 8]-LlL2: 67.nrr. .22.82¡z+.[t = (y . + (2. cada una a una distancia vertical su. En el caso de regresión lineal )(v - Y'"'¡)(v" "r . Entonces el porcentaje pedido es 9lL2: 7 5%.58 del Problema 8.82 * 0.25 1.12 (o de la Tbbla 8-4..28) = 1. ú>@ - a - bn) puesto que de las ecuaciones normales 2(a = 0. REGRESION Y CORRELACION 28L 8.13 -1. = 1/@ se tomaron las estaturas vie- COEFICIENTE DE CORRELACION LINEAL 8. (¿) Construir dos rectas paralelas a la recta de regresión del Problema 8.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. Uir examen poste- 66 6l 62 Otro método.28 (es decir.30 0.. y).. Entonces el porcentaje pedido es 9l12 : 7 5d.11.22).40 pulgadas.58). = tpiLo (1. ne dada por 6r.24..:: .13 1.::..04 (a) Variación explicada = (b) Variación no explicada -ú)2 = (-0.g) sumando.y""t) * (Uost . (o) ta recta de regresión y : 35. (b) la variación no explicada y (c) la variación total para los datos del Problema 8. del Problema 8. = 19.0t¡z . 8l CURVA DE AJUSTE.) para 9 puntos (¡. 8-11.25. la teoría predice que alrededor d. se encüentra entre -1. y-gfo". 2r(u . = )(U . Calcular (a) la variación explicada.?0.61 0. = 1..t)2* )(yn"t-ú)2+ z>fu. Utilizando los valores - a -0.56 -0.23.un"J(v. 8-11. NOTA: Una mejor estima del error tfpico de Ia estima de la población de la cual so.. '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. de datos.a) = =Q :y. 8. Tenemos Uest de ú : 67 . se muestrana trazos en la Fig.

7027 o con dos cifrar significativas r : 0.3 4.A)z = 19.11.. tenemoa &*br 6 Ulr¡= bx.18 0.y = EP.7 1. trt =r- E.25. (D) coeficiente de conelación = r : tVñ7d58. Utiliza¡ los resultados del Problema 8.49 1.16 o. pero negativa cuando /est disminuye a medida que r.L2 7. Halla¡ (o) el coeficiente de determinación y (b) el coeficiente de correlación pa¡a los datos del Problema 8.09 7.6 .' .4e88.4 -0.29 1. prágina263.26.4 a'= tr'2 2.6 0. 8. La recüa de regreeión de mínimos cuadrado¡ de y sobrer puedeescribfuse 1lest= b = 2r.89 13.22 + 19.donde ¡2= variación explicada va¡iación no explicada 2b2r.32 7t 0. (la fórmula producto momento).3 -2. El trabajo involucrado en la computación puede organizarse como se indica en la Tabla 8-16.16 6.[bb tt 62 70 66 68 67 69 -4.l2at2. 8.))' l) n'\ ¡ \) '\il t' jó -0. REGRESION Y CORRELACION lcAP. la conelación ec poeitiva y por tanto escribimo¡ r : O.70 = 38.6 3.6 0. la expresión para r tiene automáticamente el signo conecüo asociado.69 u'a' a'2 0.282 CURVA DE AJUSTE.3 0.f.)z \/ñtrW Sin embargo.96 2.68 5. obtener el coeficiente de correlación lineal para los datos del Problema 8.09 5.3 -1. Utilizando la fórmula producto-momento.7 -3.s¿.7 )y = 811 a = 8LUl2 2rt2 = 84.92 0.7027 u 65 63 67 B4 a 68 66 68 66 69 66 68 66 r-t -t.68 2trtg'= 40. .92.49 -2. Por tanto se sigue el reeultado pedido.7027. ¡o )¿ = 800 i.92 10. derivarel resultado (34). Puesto que la varirable yn". aumenta a medida que r aumenta. Los resultados (b) y (c) pueden obtenerse por cálculo di¡ecto de la suma de los cuadrados.8 (c) Variación total : 2(a .4 0. = y -f.16 6.4 2.29 18.3 -2. utilizando A..62 1.2 /?r.66 -0.09 10. Entoncee.z b22r.82 4.4 ' 0.y.76 11.36 68 il 'l . puesto que la'gt'es positiva cuando 3/ss¡ autnentá a medida que r aumenta. página 264.26(b).32 1.-0v t'.24.o.4F7q de acuerdo con el Problema 8. del Problema 8. A partir del resultado general (30).16 2.28.82 7.34 \/G. en el caso de regresión lineal.3 2.4 7l 67 68 70 -0. /i84s8)?58-3t Tabla E-16 = 0.92 = 67.6 0.= \Eá/ /rorl = \r¡. y Ulst = U.69 22.4 . para el coeficiente de conelación.) asír--*2r'a' ffi (2x.69 0.66 0.= !0.6 L. Entonces 2r'a' 40. (a) coeficientededetermir¡ación = t = '1Hi1iáf*1"io" =m= 0.7 3.76 1.27.7 0.= EF.7 1.34 2a'2 = 38.aumenta.'.56 0.A.02 1.42 -1.3 a-v 0.?0.:800/lZ = 66.89 0. E.11.

Del Problema 8.31. Demostrar el resultado (17).11 (b) y 8.(>aXIY) n :E Puesto que = (2rlln V'ú = (2Alln" Arúlogamente.30. REGRESION Y CORRELACION 288 8.29 para halla¡ el coeficiente de correlación lineal para los datos del hoblema 8.11(c) respectivamente 484 ' ó=10fr=0. págrna 261./ 8.2ñ2r 4 ntz (2112 2(2nl' ()r)2 = 2rz = 2r2 .| ¿gl\/¿e¿\ 6 =(iiot/\al/ ' ¡=o'7o27 que está de acuerdo con lo¡ Problemae 8. la recta de regresión de donde A=?I.TUSTE.476 d=ffi =1.036 Enroncec rz = bd.11.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 .>IY w@ : n2rA-(2r'l(2A) .26(D) y 8.28.8l CURVA DE A. donde ¿=? rz r sobre y er =a*ilu 8y Entonces b¿t = 1g\ 1g) = \c"/\oy. 2(a-nlz = 2(rz-2rt*r2) = 2s2 . Utilizar el resultado del hoblema 8. 8. .nnn* v Entonces (I ) ee convierte en r(a-üz = 2a2 r : .a recta de regresión de y aobre r es u=olbx Análogamente.29. [. Demostrar que el coeficiente de correlación lineal viene dado por f= En el hoblema 8.

16. (b) Hallar el coeficiente de correlación no lineal entre estas variables. hay una muy buena relación no lineal dada por la parábola del hoblema 8.64 (á) Primer método. y r =0'9911 var6eió. Utilizando (a) y el Problema 8.30.78%de la variación total permanece no explicada. paralos datos del Problema 8.636y'i-(0. Esto puede deberse a fluctuaciones aleatorias o a una variable adicional que no se ha considerado.284 CURVA DE AJUSTE.n parabólic a entre x.42) [(8)(2e1. y? (a ) Utilizando los cálculos de la Tabla 8-9 y agregando que 2tt2 = 290..9922 = 0.16.40. I del Problema 8.34. hallamos r= n2ru - ()¡X)r¿) (8X230.62. variación no explicada va¡iación total (d) = l-r2 = L-0.. (d) ¿Qué porcentaje de la variación total permanece como no explicada por la suposición de la relacii. Entonces la desviación típica de y es 8u= 2(u - ú\2 21.4O De la Tabla 8-10 Por tanto t-= = l(g""t-Al2 = 2l.n¡zi = -0. y. 2(A .52) - (40.40 8 = 1. y (b) sr.tal =ffi=0'9822 (c) El hecho de que la parte (a) muestra un coeficienüe de correlación de solo 4. Ubtlizar la fórmula del Problema 8.4'.33.636 ó 1.32. 8.16. (c) Explicar la diferencia entre los coeficientes de correlación obtenidos en (c) y (b). 8.2z .ilz = variación explicada 21. i = (2U)/n = (46. Entonces variación total = 2(A . Sin embargo. (c) Hallar el coeficiente de correlación lineal entre las variables r.26(b).1 ¡.) (42.3743 indica prácticamente ninguna relación lineal entre r.()¡X)z) (8oo)(811) (r2)(54.Oz variación explicada .99r1)2 = 0.33 (b).16. De la Tabla 8-4 r= n2ru . 8 8.21(46.20) - (42.2g y g.218 6 o." = ss\/T=F = 1. REGRESION Y CORBELACION [cAP.11.2)r][(8X2e0.31 para obtener el coeficiente de correlación lineal para los datos del Problema 8.01?g Por tanto 7. supóniendo la relación parabólica obtenida en eI Problema 8. COEFICIENTE DE CORRELACION GENERALTZADO 8.33 (b).7027 como en los P¡oblemas 8.80.4)/8 = 5.ú)2 = 21. Hallar (a) s. el error típico de la estima de y sobre I es B!.L071 = 0. (o) Del Problema 8. como lo indica el hecho de que el coeficiente de conelación en (b) está muy cercano a 1.3?43 (b) De Ia Tabla 8-9.

z gería en general diferente del valor anterior. Entonces si d¡ : r i .a = = 299. ! ¡ el grado dado al j'ésimo valor de y ' [.*n @l_ryz n*l En = mientras que la varianza es sf. vemos del Problema 8.139 .76)z = 888'26 = 888. ss t+2+.4L4\2 + "'+(68-65'920)2 = 258.L2(62.22 Tercer méüodo.pl.os grados son enteros de 1 a n. *n2 n n(n*r)(2n*11/6 2 n2-l t2 utilizando los reeultados 1 y 2 del Apéndice A.19 Variación no explicada = 2(z - zo"tl2 (64-64..-. Sea rr: el grado dado al j{simo valor de x. el coeficiente de correlación de ¡ CORRELACION GRADUAL 8.52.36. que Para obtenerlo. Utilizando el Problema 8. viene a3: s?+r?-2rs¡ads"sv .33' variación no explicada = 0. [¿ media de r..88 Va¡iación total 2(z-2\2 .@ "" = 0'8418 = !ffi = thffia Debe mencionarse que si fuéramos a considera¡ la regresión de eobre y. Ya que z se determina de ¡. y estamos interesados en el coeficiente de cor¡elaeíón múltiple de z sobre x. y.I i son las desviaciones entre las graduaciones. pág¡na 264. CURVA DE AJUSTE. ¡ sobre y. y I va.19. Derivar la fórmula de correlación gradual de Spearman (36). = 12-82 = 12+22*.88 = 629.25 Variación explicada Enüonces - 258.218 ó 0.35.16 y el cálculo adicional 2gz 8y.37 Coeficiente de correlación múltiple de z sobre x. Explicar córno determina¡ía un coeficiente de correlación múltiple para las variables en el Problema 8.218 6 0.22 8. la mediaú ylavarianzasf sonigualesa(n l)12 y (n2 L)ll2 respectivamente. Análogamenüe.cAP. dada en térrninos de e2r. REGRESION Y CORRELACION 286 Utilizando el Problema 8. al y el coeficiente de correlación entre grados por * - s2¿. z. la varianza de las desviaciones. tenemos 2a2-a2a-b2ra-c2n2a = 0. AquÍ estamos considerando n valores de r (por ejemplo pesos) y n valores correspondientes de y (por ejem.222-n22 48.l'ciñexptñat. esbturas).8l Segundo método.

38.6 7. ?.6 1 11 6 8.5. 7l y puesto que los lugares 6.66. 6. 9. 69. 6?.5. 6. Tabla 8-17 Laboratorio Teorfa 8 3I2 9510 7 r0 4 615 1873426 La diferencia de puntuaciones d en laboratorio y teorfa para cada estudiante se da en la tabla siguiente. la Tabla 8-B se convierte en Tabla E-19 Graduación del padre Graduación del hijo 4 2 6.6 t2 5 7. 6. 66.286 Entoncee cuRvA DE AJUsrE.37. 10.6 1. 67. lac estaüuras de loe hijos ordenadas en gentido creciente son 66.s" 0. 11. 66. La Tabla 8-17 muest¡a cómo l0 estudiantes fueron clasificados según su rendimiento en el laboratorlo y en teoría de un curso de biología. d d2 -1 -2 -1 1 1-1 I 1 3 I I I 2-L 4 1 -1 1 4 2d.6 11 .6.5. 69. 8 y 9 repreeentan la migma estatura (68 pulgadas). 69. 8.8s45 indicando que hay una relación entre el rendimiento en laboratorio y teorfa. 69. Calcular el coeficiente de correlación gradual para los datos del Problema 8.6 3.6 1.6 10 3. ordenadas en forma a¡cendenüe de magnitud. Tabla 8-18 Diferencias de puntuacionee. 69.5. las estatura¡ de los padres eon (r) 62. le. tor \-"rttd- "3 - e¿.6 10 t2 7.6. a las e¡tatura¡ de loe padres ee les aaigna los órdenes (2) (3) dio de 7 . 71 Puesto que en esta ordenación loe lugares sexto y r*éptimo represenüan la misma estatura (6? pulgadas). 12 De igual forma. 63. 4. 66. Análogamente. 8 (r) h¡ecüo que 7 = fgrad = eZ+sT-af.6.6. 1. 6.6. les asignamo¿ w orden meg [(6 + z + + 9) / 4 . %. 11. Hallar el coeficiente de correlación gradual.6.(J) y (4).7. 3. Tbmbién se incluyen dz y 2dz.11 y compararfos rezultados con el coeficiente de correlación obtenido por otros métodos. 10. 66. 6?.6. 69.c asignamos a estos doe lugares un orden medío de 6.7.5. por tanto las estatu¡as de los hijos quedan ordenadas @ Con las correspondencias 1. 3.6 3 8.(2d2)/n = L-nfu2] 8.l\ltZ .7. 2.6.rz)/n y (l ) ge convierte en 7')/12 W @2 - * (nz 6>d2 . 3. REeRESIoN y coRRELAcIoN lcAP. a los lugares 8 y 9 ae les asigna el orden 8. 6g. AsÍ.2 24 = Entonces rgrad= t-#!T = t-ir#?u = 0. 6g.6 7. 66. 70.6. 9. 1¡ (t) y (2). 64.5 l. 7. 70.

8l CURVA DE AJUSTE.26 6.-ffi!\ = 0.39. 20.zBEl(X-pi(Y -¡.r. REGRESION Y CORRELACION diferencia en graduacionec d. los resultados para muestras tienen resultados análo- gos para poblaciones e inversamenüe.P¡x.}j'2l. Y es l\r'a) : (a | f.00 2. (b) X sobre Y. 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 .a* pr entonces A .0. .26 12.px) * (pv . = f.cAP.26 L2. .40. utilizando sumas.F) sea un mínimo.o*t¡ .Fpx. p) tenemos AF u = mos -2(pv zBoi - 2oxv - 2px(pv . INTERPRETACION PROBABILISTICA DE REGRESION Y CORRELACION 8. La función de densidad conjunta de las variables aleatorias X.Fy = p(r .px) .5 -1.26 1. E(Y .a) ó Fok = o*v a-tly="4tr-u*) A-Py - /'.0 1.5 1.0=Y<L {o deotraforma Hallar la curva de regtesión de (c) Y sobre X."l Igualando estas ecuaciones a cero.pvl . ) La función de densidad marginal de X es f{r) = [.26 L2.5 3. En general.5 -1.60 rgrad = t-#!T: . 8. utilizando esperanzas.25 2.25 1. los cómputos de d2 y I¡ )d se mue¡tran en la Tabla 8-20. lo cud es una condición necesa¡ia para que F(q.9px.6 2. halla- tv = ol Ftx Por tanto si g .rv) = 0.(r+2y) 0<n<7.ú2 E(X .P(X .6 -3.6 -1.26(b). Derivar (39) a partir de (37).25 2.25 2.00 d Entonces 2iP = 72.7027 obtenido en el Problema 8. Tabla 8-20 -3.dlz} = El(y -pv)21 + BzEl(X-r.6 1.25 6. lo+zo¡a.2Boyy r (py .ol.px\ ^t u\ox) | Debe notarse la semejanza de la demostraeión anterior para poblaciones.v)l + Gv-Ft'x-o)2 = "? * F2oI .5 -2.6 3.Fpx. con la correspondiente para muestras. íE = dF Denotando la última expresión por F(c.0 ü 12.?466 que concuerda muy bien con el valor r = 0.

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

lrv1l_z=-. (b) X sobre Y para el Problema 8.4?6 t Vlo\' t/tz.11 = -l/162/.xY p = n-xÍ oxY oxoy = *-(s)(i*) = = - 1 162 0 -l/162 .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. Loslímitesdeconfianzadcl F = b-+f+) ' \ñ4\82 I para 12 . 8.28.- 2.136 y 0.8I 6. ..e5: 1.. Escribir las rectas de regresión de mínimos cuadrados de (a) Y sobre X. 8l CURVA DE AJUSTE.4?6 r6 (Problema 8.nfi162\/28/Bz4 -0.180.82 + 0. ot : ". sr.66 del Problema 8'11' 8.476B-b t=r.81 para L2 .los Ií¡:rites de conftanza del 95oy' para --j:lq--.66 (Problema 8.28 (calculcda en el Problem a 8.'lW\" .:2..11 se halló que la ecuación de regresión de y sobre x eray: 35.losaleolocar t=lt. (¿) La recta de regresión de Y sobre X es + oXY "+@ . sx: 2.44.42.- = .11).40.05 rechazaríamos Ia hipótesis de que el coeficiente es tan bajo como 0.43)' y n: !2 1 r/o t r--- .2 = l0 grados de libertad) vienen dados por 95?iparap(obteni.szs=!2.43.2 : 10 grados de libertad. Ensayar la hipótgsis al nivel d-e significación del O. de los hijos cuyp son 8. 0. ¡rara ias estaturas yos padres tienen unas estaturas de (o) 65.2U'L66 0'19916¡= = ya que eo. 1/ .t / ó (b) La recta de regresión de. r8fl . Hallar los límites de confianza del 95'.. Y ltr-2 donde 37e : 85..0 pulgadas' puesto qu€ t s7. se está en la ryHt\ = 0. REGRESION Y CORRELACION 289 (e) xY = Entonces Í.23 h es decir.Of Ae que el coeficiente de regtesión de la ecuación de regtesión poblacional es tan bajo como 0.22)y 1. Por tanto no podemos rechazar la hiPótesis.q\I a.cAP.r: L.B4o confianza del 95% de que 6 se encuentra entre 0. hallar los límites de confianza d-ei 95'7.r: L. En el Problema 8.2g para 12 . (+) ó a -i : - ür I x) ó -.'=o Í"'=o.o1f.11.47G :t ' +('!!) t" / = 0.X sobre Y es u-X = '\ av sX "('-i\ r-i( =$<a-rt oi ó r-Í = -#(r-#) TEORIA MUESTRAL DE LA REGRESION N E.9b Con un ensayo unilateral de Ia flistribucirin de Student a un nivel 0.. En eI Problema 8.180 si ú ) ú.476x.-- .2: LO grados de libertad.45.2\ o.o+zul)arav =1 3 .-.82 + O. = {"..42.43.á para el coeficiente de regresión del Problema 8.0 y lb) 70.

2óy6!2so.elgbVo de que las estaturas de los hijos están entre 64.45(ó)] los límites de confianza del 95%. se puede esta¡ en la confianza d. REGRESION Y CORRELACION lcAP. (o) (ó) Puesto que no podemos rechazar ) 0). ' (b) Si re :70. hallar los límites de confianza del96% para las estaturas'medias de los hijos cuyas estaturas de los padres son (a) 65. También (x¡ . y¡ : 66. los métodos muestrales son exactos para una población normal. es decir.66.o¡ para n - 2 grados de libertad . Un coeficiente de correlación basado en una muestra de tamaño 18 resultó ser 0. /e : 69.Estoconcuerdaconlosresultados aproximados mencionados en la página 262. Porlo +1.sz\/ra-z : p l.za\ = 66.i¡z : (?O.0 pulgadas se encontrarán entre 65.23 para 1 0 grados de libertad. se puede tener confianza de 95Vo que la estatura media de todos los hijos cuyas estaturas de los padres son 65.16 :65.sz).0.E. = t.76 1 1./i=@0.290 CURVA DE AJUSTE.05 y (b) 0.46.0.69.0 pulgadas.": 2.48. 7.14 f es decir. de confianza del g5% son (ro .78.8 los límites (o) Si 16 : 65. En el problema 8.1 y 7 4.? y 6?.32 sea considerablemente mayor que cero al nivel 0. t/6 al nivel 0.48).05.1/l-z = = .80 pulgadas (b) Si 16 : 70.82 + 0. es decir.0 y ?0. hallamos [comparar con el hoblema 8.11).Los métodos de este problema son válidos independiente del tamaño de n ó to . Entonces los límites de confianza del 96Vo so¡ 69.0.476 r6 (Problema 8.05? A un nivel 0.32.23 donde y¡ : ffisv.05 utilizando un ensayo unilateral de la distribución que de Student.01 que el coeficiente de corréhción poblacional es apreciablemente mayor que cero? Deseamos decidir entre las hipótesis (Ho: g :0) y (llr t = . ¿Puede concluirse a un nivel de significación del (a) 0.0 pulgadas se encontra¡án entre 67.14 pulgadas.47.?6 pulgadas. o.O .11. Por tanto no podemosrechaza¡I/6 al nivel 0.?6 t 3. 35.s1t : 2.SOO112)2 : 11. rechazaríamosI/e si ú ) ú.6 pulgadas úo 0. Tarnbién.11. ¿Cuál es el tamaño mínimo tal de una muestra para que podamos concluir que un coeficiente de correlación de 0. Nótese que para grandes valores de n.07 pulgadas.' sr. el valor mÍnimo de n debe ser 032{n - 2 r/i -to.05.2 pulgadas.0.09 pulgadas.05. ciertamente no podemos rechazarla al nivel 0.8 pulgadas. Entonces 66. (o) Si.6 pulgadas. es decir.rcontalquero -ñnoseademasiadogrande. Ya que t. los límites de conñanza del 95% están dados aproximadamente 8. TEORIA MUESTRAL DE LA CORRELACION 8.?6 a 2'23 es decir. se puede estar en la confianza del 96Vo de que las estaturas de los hijos están entre 63.96sy.66 (Problema 8.8OOtl2r2 : 2.01 8.Bb Sobre la base de un ensayo unilateral de la distribución de Student a un nivel 0.14 + 5. se puede estar en la confianza de| g6% de que la egtatura media de todos los hi jos cuyas estaturas de Ios padres son 70.75 para 18 -2: L6 grados de libertad.7 y 70. hallamos [comparar con el Problema 8.45(c)] los límites de confianza delg1l". los límites de confianza del 95% para Uo fo son = 2.ss :7.0 y (b) ?0.45 pulgadas.t)2 : (65 .

9r : 1.75. si Si pz Fz /r +"\ = l.16131og(++*) /r r-\ \r-'l / *t. t.05.9730 0. para n=27.96oz = 1. (Hs p2r= Fzrl I (Hi Fzr* . n=26.(-) \r P.rsr3 loc\t -.92.unrr. a un nivel de significación del 0. zz: r.B0eb #*#= Fzrl.=L.51.60. Entonces el tamaño mínimo de la mueetra ean:28.05 utilizando un ensayo unilateral de la distribución normal rechazaría' mos la hipótesis solamente si z fuera mayor a 1. t .6.50 y tz : 0.r¡rlb*'.0e86 10./ 0.94. (b) Sip:0.L613 logS:0.L6rt*(=. L {zt - = Z-pz oZ 0. (b) p : 0.e155.!613*(=.66.50. v =26.s|= l.28 A un nivel de significación del 0.5606. = Deseamos decidir entre las hipótesis = 0.4904- = 1.5606.5493y2:(0. El coeficiente de correlación entre las calificaciones finales de fÍsica y matemáticas para un grupo de27 estudiantes se calculó era0.2182:L.50 a un nivel de significación del 0. REGRESION Y CORRELACION Para un número Pa¡a infinito de grados de libertad.el 95Vo püa pz vienen dados por Z=L.64 y por tanto n: 25. v =24. 8.:) = oz= La variable tipificada ee Fz = r.?1.tJ2:1.60. Un coeficiente de correlación basado en una muestra de tamaño 24 se calculó era r : 0.5493)/O.49.7L.b4es. p : 0. 8.7L.s0(-/l1 \ \y'n_B/ = 1. t.Hallarloslímitesdeconfianzadel96% paraeste coeficiente. v=26. Puesto que r : 0.9730-0. t=0. t. t--032\r26^tr=@ = 1. Dos coeficientes de correlación obtenidos de muestras de tamaños nt : 28Y rtz:35 se cdcularon como rr : 0. Por tanto los límites de confianza del 95Vo para p son 0.72.4620 Entonces ¡t2 tiene el intervalo de confianza del9SVo./ = 0.rrro.266e = 0. ¿Podemos rechazrir la hipótesis de que el coeficiente de conelación poblacional sea tan pequeño como (a) p (o) : 0.) nzr-2. 8.Portantopodemos rechazar la hipótesis de que el coeficiente de correlación poblacional sea üan pequeño como p: 0.05? o.5366 a 1. ¿Hay una diferencia considerable entre los dos coeficientes a un nivel de 0.s2\/ñ/\Flfu2p.CURVA DE AruSTE.69. z = t.49 y 0.s5=1.o.05? zr = r.6932 0. Por tanto no podemos rechaza¡ la hipótesie de que el coeficiente de correlación sea tan pequeño como 0.5366' p = = L.sz\/rLtt/l-(u32Y = 1.r5tz'""(+l-&. los límites de confianza d.50. ú. pa¡a n=2g.2182 = 1.28z (ff3*3) = o.s|= 1.) 0.80 y n = 21.50.80.r6r3t"" o.0.30 respectivamente.64.

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-(#)(#)] =

821(o-70. (b) sr. Tenemoe 8"".x=L2.?686. REGRESION Y CORRELACION 299 Por tanto las desviaciones típicas de las calificaciones de matemáticas y fÍsica son 14. para los datos del Problema 8.926 y r = 0.. Calcular los ertores típicos de la estima (c) er.5+E#9 = ú . s!.o 8. (b) SolucionarelProblema 8.hallar(o)losvalore$deycuenda x=6.0). De la Tabla 8-30 tenemos. r a 3 6 6 8 911 234668 8.e).64.gZfy'f - (OfOg6P = = 9. = ¿yt/Ti-rz = = a"t/T7rz = f¿.v ts.. 0.a guplementa.65 utiliza¡rdo el resultado de la parte (c)' . Utilizar los resultados del Problema 8. 8y r-70.62. 0. = L4.63. (b) Í sobre y para los datos rr+qW = 64. Representar gráficamente los datos y las rectas de mínimos cuadrados utilizando el mismq conjunto de ejes coordenados.9 respectivamente. en tanto que su covari¡nza es 160.60.0) x-?0.64. (b ) r como Ia va¡i¿ble dependiente. (a) (bl Ey.60.rlos RECTA DE MINIMOS CUADRADOS Tabla 8-31 8.61.966. Escribir las ecuaciones de las rectas de regtesión de (c) y sobre del Problema 8.66 8.64. = 13..0=q9ff##q(v-6e.. E.66.7t9(u-69.s6oy'1:107686)á Problerrra. Ajustar una recta de mínimos cuadrados a los datos de la Tabla 8-31 utilizando a (a\ x como la variable independiente.9) -69.9 = 8.60.20 G&r'-áiÉfutB = o'7686 que concuerda con r hallado en el Problema 8. página 261 . Entonces utilizamos ( I 6 ).cAP.0=A+##€?!)@-70..(b) elvalordexparay:7' (o) Utilizar el método a mano alzada para obtener Ia ecuación para una recta de ajuste de los datos del Problema 8.0 y 14. 8l CURVA DE AruSTE. para obtener las ecuaciones de las rectas de regtesión (¿) ó a-u='!w-nt. 8xv 160. ParalosdatosdelProblemaS.uo+qY: 145+q'qfrEq = u= De los resulüado¡ del Problema ?o.934 s.2.0 = (b) 6 r-ü='?o-o¡. a y-6e. r.5¿8 8.e Ge.61 a.

I : o t bx * cx2 I Tabla 8-37 REGRESION MULTIPLE E. y.2 5.8?.t--10. (b) Ajustar una parábola de mínimoscuadradosdelaformad:oIbu*cuzalosdatos. En el Problema 8. (b\ Estimar z cuando a to 90 10 72 . (o) Representa¡ loe datos en papel semi-Iogaritmo. REGRESION Y CORRELACION [cAP.300 CURVA DE AJUSTE.a los datos. (D) Hallar la recta de mínimos cuadrados que se ajuste. ¿cuál es su puntuación eeperada en álgebra? Tabla 8-32 Algebra (c) Física (y) . utilizando a r como la variable independiente.?1. (o) Representar gráficamente los datoe.I 3. (c) Hallar la recta de mínimos cuadradoe que se ajuste a los daüos.u.(b)Ajustarunacurvademínimoscuadradosdelaforma !=abxalosdatosyexplicarporqué esta ecuación específica da buenos resultados.9 La Tabla 8-36 da las distancias de parada d (pies) de un automóvil que viaja a una velocidad u (millas por horas) en el instanüe que se observa eI peligro. (d) Si un estudiante obtiene una calificación de ?5 en álgebra.y:6. 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 8.3 14. u (mi/h) Distancia de parada d(p) 20 54 30 40 138 50 60 70 90 206 292 396 E. ¿cuál es su puntuación esperada en física? (e) Si un estudiante obtiene una puntuación de 95 en físice. Tabla 8-36 Velocidad. (o) Hallar la ecuación de regresión lineal de mínimos cuadrados de e sobre x.68. con Ia escala logarítmica para yr la escala ariü- méticaparar.72.ID 80 ?8 93 86 65 72 87 91 7L 98 95 68 84 89 tt 82 80 72 74 E. o + bx r a 0 1 2 ó A 5 t) ¿x?alos datos de Ia Tabla 8-3¡t. 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. (b) Hallar la recta de regresión de mínimos cuadrados de y sobre r. La Tabla 8-32 muestra las calificacionee finales en álgebra y física obtenidas por diez e¡tudiantes seleccionados alcatoriamente de un gran grupo de estudiantes.a Tabla 8-37 muestra los 3 6 o n 8 t? o t4 valores correspondientes de tres variables x.6 21. y. z. utilizando a y como la variable independiente.(c)Estimardcuandou:45mi/hy80mi/h. (d) Representar gráfioamente las dos recta¡ de regresión de (b) y (c) sobre el diagrama de dispersión de (o). 54 42 30 . o^ 2.71 rrcstrar c6mo una gráfica en papel semilogarítmico puede utilizarse para obtener la ecuación pedida sin emplear el método de los mínimos cuadrados. (c) Hallar la recta de regresión de írínimos cuadrados de ¡ sobre y.74. y : t 8. 12 . (c) Comparar los valores de y obtenidos de esta ecuación con los valores reales. 8 t. (o) Construir un diagrama de díspersión. El número y de bacterias por unidad de volumen pres€ntes en un cultivo después de ¡ horas viene dado en la Tabla 8-36. t. Con referencia a Ia Tabla 8-33.6 9. (a) Representar gráficamente d. Alustar una parábola de mínimog cuadrados. (d) Estimar el valor de y cuando r : J. Escribir las ecueciones normales para la curr¡a cúbica de mínimos cuadrados dada por dx3 .70. [.73.

Hallar los coeficientesde correlación para los datos del (o) Problema 8. ¿Hay al' t. (o) Hallar el coeficiente de corre' r.81 u 8. D. E.79.8f .t3.60. El 8.z . los dos conjuntos de calificaciones de los exámenes del Problema 8.E2. (b) Obtener eI coeficiente de correlación directamente de las pendientes de las rectas de regresíón del Problema 8.00. y.88. coeficiente de correlaciónentredos variables¡.68 (a) dircctamente.89.3E 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. ERROR TIPICO DE LA ESTIMA Y COEFICIENTE DE CORRELACION LTNEAL E.76.eL2 mujeres. (b) Multiplicar todos los valores de ¡ por 2 y sumarles 6. (b) sr.i=10. yesr:0.8?. explicar por qué se obüiene o no el mismo resultado que en la parte (a). Hallar el coeficiente de correlación entre los dos nuevos conjuntos de valores.7 7 a(r-¿l+b(u-úl o. (o) Hallar elcoef¡cientede correlación entre E. (b) utilizando la fórmula s¡s = rs¡sÍ y el resultado del Problema 8.38 lación entre muestra las edades r y la presión sanguínea y d.! . Si sv. (o) Calcular el coeficiente de correlación entre los valores correspondientes de r. Hallar la covarianza para los datos del Problema 8. (b) la va¡iación no explicada datos del Problema 8.81.y para los datos del Problema 8. Obtener las ecuaciones normales para la regresión lineal de mínimos cuadrado¡ de guna interpretación geométrica para esto? Explicar Una superficie de regreaión de z sobre ¿¿ eobre r.68. y es 0. 8.Sis"=1. .67.85. 8.68. (b) Problema 8. (b) $. 8.68. ballar las ecuaciones de la recta de regresión de (o) y sobre x.cAP.76. Hallar (o) sy ". (b) r sobre y.86. Tabla 8-39 x a 2 4 5 6 811 18t210875 . sr:2. 8. Tabla 8. (c) la variación explicada en y para los 8. y puede escribirse como z-2. ú=20. Demostrer que la ecuación para regresión lineal de z sobre r.= E.68 utilizando la fórtnula producto-momento y comparar con el resultado del Problema 8. Utilizar 8.60.¡. La Tabla 8.90.82. (c) Estimar la pre- sión sanguínea de una mujer de 45 años. (ó) Determinar la recta de regtesión de mínimos cuadradoe de y sobre r. Utilizar los resultados del Problema 8. Calcular (a) la variación total en y. Calcular (o) sv. y dados en la Tabla 8-39.= 3y ss : 5. 8l CURVA DE AJUSTE. ¿qué porcenüaje de la varfación total pennanece no explicada por la ecuación de regresión? 8.Br * Ca I Dr2 * Ery * Fyz Obtener las ecuaciones normales para los eoeficientes de regresión de mínimos cuadrados.r. REGRESION Y CORRELACION 301 8. en E. y obtener exptesiones para los coeficientes de regresión de mfnimos cuadradoe el resultado del hoblema 8.75 para solucionar el Problema 8.E4.74.64.50. Multiplicar todos los valores de y por 3 y restarles 15.. Si el coeficiente de correlación entre.68(b) v (c ).80 para hallar el coeficiente de correlación entre los dos conjuntos de calificaciones de los exámenes del Problema 8.EO. r. halla¡ r. " para los datos en el Problema 8.7t.86. y tiene la form¿ z = A 1. y.

5g ufilizando el resultado (35). H¿ll¡rlacurvaderegreeiónde(a)YsobreX.96. E.97.93. página 52. el coeficiente de correlación gradual para loa datos del (a) Problema 8. de conelación para las variabie¡ en el hoblem" g.99. Doa juecec en una competencia debían clasifica¡ a 8 candidato¿ A.lol.74. lo¡ resultados se mueshan en la Tabla 8140.102.lOS.92. t. INTERPBETACION PROBABILTSTICA DE LA REGRESION Y LA CORRELACION E. ¿Ocurren algunae simplificaciones en la¡ curvas de regresión Ce Y sobre X ó X sobre Y para el caso de varia- . estudiar una posible deeventaja del método de conelación gradual.104. H de acuerdo con sus preferencias.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. t. Halla¡ el coeficiente de conelación gradual y decidir eobre el acuerdo de loe jueces en su8 eleccioneg.rOO. Mostra¡ cómo se puede diseñar un coeficiente de correlación múltiple.8. página t.74. t.84. G.68 v (b) Problema 8.gus observaciones en (o). (D) X eobre Y para el hoblema 8. (o) Calcular el coeficiente de conelación múltiple pars los datos del hoblema 8. t.¡ 8.y.302 CURVA DE AJUSTE. variación toüal es erplicada por la ruperficie de regreeión? (b) ¿Quéporcenüajedela Demostra¡elresultado (27). Hallar el coeficiente de conel¡ción lineal para la¡ variableg aleatoria¡ del Problema 2. Y viene dada por f(r.lo6' función de densidad conjunta (o función de probabilidad conjuñta) f(x.90. F. Hallar el error típico de la estima de z ¡obre ¡. t. 8. 8.99. t. (b) X cobre Y para Ios datos del hoblema 2. tls[a¡ la recta de régresión de mínimos cuadrados de (a) Y robre X. t. Tabl.8.paraelca¡odeunaauperficiederegresiónlinealparazsobrer.a) = [2r+3a Io o(c(L'o<Y<2 de otra form¡ Ilalla¡ la curva de regresión de (a) Y sobre X. B. Y con E.(D)larvariacionee explicaday no erplicada. (b) De.96gina 52. REGRESION Y CORRELACION [cAP.94. y\. en el ca¡o de do¡ variablee aleatorias X.(b)XaobreYparalosdatosdelhoblema2. ble¡ aleatoriac independientes? Explicar. I COEFICIENTE DE CORBELACION GENEBALIZADO E'91. Hallar el coeficiente 264.págirra52.98. Halla¡ la recüa de regesión de mínimoe cuadrados de (a) Y sobre X. C.96. (b) X eobre y.106. Obtener el coeficiente de correlación lineal para el hoblema 8. (c) el coeficiente de conelación generalizado. Da¡ un ejemplo para demostrarcómo hallaría (a) el error típico de leestima. La función de den¡idad conjunta de las variables aleatorias X.s. y para lo¡ daüo¡ del Problema 8. Il¡llar t. (o) Hallar el coef¡ciente de correlabión gradual para los datos del Problema 8. D.página 263. COBRELACION GRADUAL E.99.

d'.(b\99% pra el coeficiente de regresión. Verificar los coeficientes (5). 8.el 95% para el coeficiente de correlación calculado en el hoblema 8. Demostrar que el ángulo entre dos rectas de regresión muestrales de mínimos cuadrados viene dado por . (b) ta presión sanguínea de las mujeres de 45 años.70. Hallar los límites de confianza d.tu] tan-'L rfti + si) -l E. 8.60 de una muestra de tamaño 28. utilizando un nivel de significación del 0'05? 8. Si sr. Sobre la base de una muestra de tamaño 27 se encontró que la ecuación de regresión de y sobre r era t = 25.tes t?. 8. Demostrarqueelcoeficientedecorrelaciónentre¡.113.118.S4.50' ¿Podemosre' chazar la hipótesis de que eI coeficiente de correlación poblacional es (o) tan pequeño como p : 0. (b) tan alto como 2. En el Problema 8.00 y ñ = 7. Dos coeficientes de correlación obtenidos de muestras de tamaños 23 y 28 se calcula¡on como 0. TEORIA MUESTRAL DE LA CORRELACION 8.114.I22. ¿Podemos concluir a un nivel del (o) 0.108.(b)99%paralamedia'detodoslosvaloresde y correspondientesa¡ = 6.30. 8.84. . a un nivel de significación del 0.111.10?.5a = 3. donde r¡¡ !/6¡ cl¡. es (o) tan bajo como 8.?0. que el correspondiente coeficiente de correlación poblacional es considerablemente mayor que cero? E.1 "l$- c2) 20.95 respectivamente.el(o)95%.00 ¡. Solucionar el Problema 8. (b) 0. y). Un coeficiente de correlación basado sobre una muestra de tamaño 35 se calculó como 0. 5r .00.!l = 2.109.8.* : 8.l19.\ es independiente de Ia elección del origen de las variables o de Ias unidades en que se expresan.f-(1 -r2)s. y'es eI mismo que el entre. Hallar los límites de confianza del (a) 957o.211Ú 8. Hallar el coeficiente de correlación lineal.123.11?. En el Problema 8.05.50. (c) la media de lae presioñes sanguíneas de las mujeres de 45 años.40. Las rectas de regresión muestrales de mínimos cuadrados para un conjunto de datos involucrando X.01. A' = llo * c2y. demuestre que el coeficiente de correlación entre r'. que hay una diferencia significativa en' tre los dos coeficientes? RESULTADOS DryERSOS 8.20. E.hallarloslímitesdeconfianzadel 9fleparafo)elcoeficientederegresiónde y sobre r.110. 8. para la recta de mlnimos cuadrados.(b\ 99% para y cuando ¡ : 6. Un coeficiente de correlación basado sobre una muestra de tamaño 27 se calculó como 0. (Sugerencia: Suponga quer' = noi c1r. hallar los límites de confianza del (c) 95%. (b) tan grande como p : 0. Demostrar que el cóeficiente de correlación - g. 8. ConreferenciaalProblema8.10? ensayar la hipótesis de que el coeficiente de regresión poblacional 1.05. Yvie' nen dadas por 2:r . REGRESION Y CORRELACION 303 TEORIA MUESTRAL DE LA REGRESTON 8. DemostrarqueparaelcasoderegresiónlinealelvalormÍnimodeE'{[]'-(o*¡lX)lz. 8.01.10? hallar los lÍmites de confianza del (o) 957o.60.114 si el tamaño de Ia muestra es 52.0 + 2.115. (b) 0.121.l0?hallarloslímitesdeconfianza d.(b)997oparu un coeficiente de correlación que se calculócomo 0. página 260.sx = 3.01. ¿Podemos concluir a un nivel de significación del (o) 0.c2 soll constantes arbitrarias.112. EnelProblemaS. 8l CURVA DE AJUSTE.ypuedeexpresarsecomo il2 -:.cAP.116. ." = 1.00.80 y 0.

1 25. (e) ¿En qué año podemos esperar que el índice de costos médicos doble el del 194?1949. - Tabla 8-42 Año Indice de precios al consumidor Indice de precios al 99.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) .125. suponiendo que las tendencias presentes continúen? Tabla 8-43 1950 1951 1952 1953 1954 1955 1956 consumidor pqr asis' tencia médica 1957 (1947-1949=100) Fuente: Bureau of Labor Statistics . 8.7 114.l2S.1 114. REGRESION Y CORRELACION [cAP.8 111. Demostrar que para regresión lineal 4 = +. Hallar los límites de confianza del 96% pára el coeficiente de correlación calculado en el hoblema 8.3 I 10.5 116. (d) Predecir el Índice de precio para la asistencia médic¿ durante 1958 y compararlo con el valor verdadero (L44.128.5 r14.2 t23.8 114. Hallar (o) s".L25.(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. Con referencia a la Tabla 8-43: (o) Representar gráficamente los datos.130.3 1r 7.1 t 10.2 Fuente: Bureau of Labor Statistics 8. 210-225 I .8 111. Ilalla¡ el coeficiente de correlación entre las estaturas y pesos de 300 adultos dados en la tabla de frecuencias siguiente.41 ESTATURAS .8 8. (b) Br. (ó) Hallar la recta de mínimos cuadrados que se ajusta a los datos y construir su gráfica.r. 8ü 8É ¿Es el resultado válido para regresión no lineal? 8.0 113.6 I 10.8 102.L24. 8.6 L19.304 CURVA DE AJUSTE.2 r20.5 por mayor 103.126.y para loa daios del hoblema 8. El período base es de L94? 1949 : 100. 8.129. (o)HallarlarectaderegrecióndemínimoscuadradosdeysobrerparalosdatosdelProblemaS.4 I14. f¡¡ 32 20 t2 q .4). E. Tabla 8.127. 19 5 o (t) e. 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 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 101.

E. Tabla 8-44 Año Natalidad por cada 1000 habitantes 1915 1920 7925 25. página 265. 8. si Ia hay. En el Teorema 8-1.136.6 Fuentet Department of Health. Estudiar la relación.131. Demostrar el Teorema 8-1. 8. (c) Calcular los valores de tendencia y compararlos con los valores reales.0 1030 18.7 21. Education 8. REGRESION Y CORRELACION 305 8. Demostrar el Teorema 8-2.¿(r) es cualquier función de r para el cual estas esperanzas existen.9 Welfaie 19. 8.6 23. ¿es g(r) única? Explicar.' Utilizar el Problema 8.página265.l35.3 16. Y variables a|s3fs¡i¡s con función de densidad conjunta (o función de probabilidad) f(x.132).9 ¿ind 1935 1940 1945 1950 1955 24.5 23.cAP. Con referencia a la Tbbla 8-44. .134. Sean X. (d) Explicar por qué la ecuación en (b) no es útil para propósitos de extrapolación.132. (b) Hallar la parábola de mÍnimos cuadrados que se ajuste a Ios datos. (a) Representar gráficamente los datos. y).132 para variaciones explicadas y no explicadas. (Sugerencia.9 17.8l CURVA DE AJUSTE. del Problema 8. Demostrar que si 9(r) = E(Y \ X = c) entonces EUY - É(x)1'!) = E{LI'- o(xl¡z¡ + Ells(x) - q(x)l.133.¿) donde .

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

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

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

va : b)1nt. el cual es una consecuencia del Teorema 5-8. Es importante ¡ecalcar que el Teorerría g-1 es válido si se supone o no I/s .13¿. esto es.cAP. Total. 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.a(b-L) j a\o _ l) grados de libertad a : a-L+ ut = )(er¡. Teoremag-3: E] estadístico tad. que se denominatabla de anólisis de uarianza. Esto viene dado en el teorema siguiente. Si este estadístico es considerablemente grande podemos concluir que hay una diferencia significante entre las medias de tratamiento y así rechazamos f[e. TABLAS DE ANALISIS DE VARIANZA Lo! cálculos pedidos para el ensayo anterior se resumén en la Tabla 9-2. (3) y (8). Se deduce que un buen estadístico para ensayar la hipótesis -EI¡ viene dado por 3. pág¡na 116.1. Debe advertirse que los grados de libertad para la variación total. ENSAYO ¡ PARA LA HIPOTESIS NULA DE MEDIAS IGUALES Si la hipótesis nula . 9-1: V.: u uu.u/o2 tiene la distribución chi-cuadrado con o(b . V6 y V. a-I.1) grados de liberbad. Tabla 9-2 Grados de Iibertad Enüre tratamientos.9l ANALISIS DE VARIANZA 309 DISTRIBUCIONES DE LAS VARIACIONES Utilizando el Teorema 4-4. página 161. y luego calcular u.)2 . (10) y (11). Teorema 9-2: Bajo la hipótesis nulal{0./o2yV/étienen la distribución chi-cuadrado con ¿ -1 Tenrema y ab - 1 grados de libertad respectivamente. con tratamientos. siendo el efecto más pronunciado a medida que la discrepancia entre medias aumenta.ab . en tanto que el Teorema 9-2 sólo es válido si se supone f/0. po{emos demoshar los siguientes teoremas fundamentales relativos a las distribuciones de las va¡iaciones V.3 r""igual a c2 independientemente de si las medias son iguales o no. .Ffs no es cierta. Por otra parte. Pa¡a utilizar este estadístico debemos conocer su distribución. es decir. es igual a la-suma de los grados de libertad para las variaciones entre tratamientos y las variaciones dentro de tratamientos. o el método corto. de (I9) y (20) cabe esperarse que S. si las medias de tratamiento no son iguales. De otra forma podemos o aceptar lfe o reservarnos el juicio dependiendo de análisis posterior. vemos de (23) qrr" 33 puede ser mayor eü€ o2..-f. En la práctica calcula¡íamos u y uo empleando eI métódo largo. Vt.- ¡¡z Ao s6 = o-1 u6 86 -_ s.

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

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

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

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

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

En lo que sigue damos algunos ejemplos importantes de diseño de experimentos.r A B c A C B A c C" Dr Au B6 Cuadrado Compleüa aleatoliedad Bloquee aleato¡ios Cuadrado latino Fis.F de 33/0? V GfBi en cambio de esas dadas en la Tabla 9-6. esto es l3*= 0 I{:}): No hay interacciones entre tratamientos y bloques. esto es oj = 0 I{2): Todas las medias de bloque (columna) son iguales.F' de 3?/S3 de la Tabla 9.o) y-H<2. Esto se denomina a veces como diseíw del experimento. (a . Il[r) no puede rechazarse. Utilizaremos este procedimiento alterno. aunque físicamente cualquier forma puede utilizarse) y asignar cada tratamiento. indicados por .1) (b . Caso II.1. para ganar tanta información como sea posible.4. Esto produce una tabla factor dos con valores singulares.los detalles de un experimento deben planearse cuidadosamente con anterioridad. 9. que pueden analiza¡se como en la Tabla 9-5. C. a cuatro bloques escogidos completamente al aza¡. página 306. D. D A C C c B A D D B C B C A D A A Bf A6 Do AB Bn D6 co DB B D D C B A B D II III IV A B D C B A C D D A c D cf BB D B B c6 A. B.cAP.j'z) utilizando las relaciones . 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. Caso I.9-l Fig. Luego podemos ensay4r H. El propósito de la aleatoriedad es la de eliminar varias fuentes de enor tal como fertilidad del suelo. Supóngase que tenemos un experimento agrícola como en el Ejemplo 9. El procedimiento se ilustra en el Problema 9-tr3. y utilizando este valor para remplazar el denominador 3! en el ensayo F. etc. y l/. 1. DISEÑO E)GERIMENTAL Las técnicas de análisis de varianza discutidas anterionnente se emplean despuós de que se han obtenido los resultados de un experimento. 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. Sin embargo.6. En este caso podemos concluir que las interacciones no son muy g¡ánAes.9-l .l) + ab(c . Pa¡a üseña¡ tal experimento podríamos dividir el teneno en 4 X 4 = L6 parcelas (indicadas en la Fig. Las diferencias en los factores serían impgrtantes solamente si fueran grandes comparadas con tales interacciones. En este caso podemos concluir que las interacciones son considerabtemente grandes.1). 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 . Por esta razón muchos estadísticos recomiendan que se ensayen I/é'. utilizando hs íelaciones F de G?liZ v 3:63 reópectivamente como se muestra enlaTabla9-6.9-3 grecoJatino Fig. Completa aleatoriedad.2 Fig. Algunos estadísticos recomiendan combinar las va¡iaciones en este caso tomando el total u¡ * u" y dividiéndolo por el üotal correspondiente de los grados de libertad. 9-1 por cuadrados. Il[3) puede rechazarse. Dos casos poóibles se presentan.

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

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

4)'.5.4.)2 t. 48 y 50 hl/ha para A. 3 0.. (o) ConreferenciaalApéndiceF.: i(4+6+5*5) = respectivamente. de todos los datos sin afectar los valoree de las variaciones.05. (b) la variación dentro de tratamientos. eon 49.5)r + (d--5)! -l (5-5)r + (5-5)r 412 9.¿.g)r + (4. de significación del (c) 0. i.conut:2yu2:9.f B+4+6+b+b¡ = Así la gran media para el conjunto original de datos es 45 * 4 : 49 hl/ha. = ) @¡¡-E¡.@ir-E)2 = (3-4)r + (4-4)x + (6-¿)¿ + (4.¿): + (4 -4):¿ + (6-4)2 + (5. Tabla 9-E e (a) por Las medias de tratamiento (fila) para la Tabla 9-8 vienen dados respectivamente rr.:l = = r'.96podemos techazar la hipóüesis nula de medias iguales al nivel 0.yemosqueF. por ejemplo 45. ¡r. = !4(B+4+ 5+4. B. = lae+A+3*B) = 5 3. = b)) (é) Variacióndentrodetratamientos Otro método.4): + (5-4¡: =14 ((l ) Variaciónentretratamientos = tr. C (b) (c) . [cAP.u = 14-8 = 6 (cl. ¿podemos rechazar la hipótesis nula de medias iguales al nivel - 1 : F=$=h = 3 6 - L : 2ya(b .4.4)2 + (4- + (2 -3)2 + (4-3)2 + (:J-U + (5-4¡r + (4-4): 3)2 + (3 . = o. 4l(4 . -¿). Variacióntotal 4 =. . =.41-B. (b) 0.Tabla 9-8.4)2 + (5 -. = i(B+4-f b+4+2t. (a) (b) ? 3 9.95:4.05..¡.4¡:: * (3 . obtenidog al sumar 45 a éstos.Puesüoque^F :6)F.01? Tenemos con-o Con referencia al hoblema 9.318 ANALrsrs DE vARTANZA Para simplificar la aritmética podemos restar algún número apropiado.¡.6.26.4)2 + (2 . Entonces obtenemoe los datos de la.4)! + (3 .1): 3(4-1) : I grados delibertad. 1 = 4. Por tanto los rendimientos medios. hallar una estima insesgada de la varianza poblacional oz de (c) la variación entre tratamientos bajo la hipótesis nula de igual medias de hatamiento.4)2 + (4-4): + (3 .k = (3. Con referencia al Problema 9.

02.2/3 n con 2.. = 3+4+6*4 = 16 tz. Utilizar las fórmulas cortas (101-(12) para obtener los resultados del Problema 9.6:8.n) = : 2oo 6 _ tg2 = E (c) D-Qb:14-8 .vemoaqueF. I¿ tabla de aDáli¡is de va¡ianza para loe hoblemss 9. . = 4 +6+5*5 = 20 r = 16+12+20 = 48 Luego D6 1s-.cAP.= Dentro de t¡ata 0w=0-0b a -63 ^' .4-9.=2+4+3*3:12 rt. .6 ¡e muestran en la Tabla 9-9. (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"?--# : .4 ba'i ab 1 i062+t22+202) 0w: (^8\: te.a&-6 .O1.?. Tabla 9-9 Gg=f.Pue8toqucF=6(F.conur:2!uz:9.06-S8t = (b) Los totdes de las filas ¡on 206-rsz = 14 También rl.4. el ANALIS$ DE VARIANZA 319 (b) ConreferenciaalApéndiceF.9no podemos techazar la hipótesir nula de medias iguales al nivel 0.9 o(b-1)=(3)(3)=9 gradoe de =14-8=6 libertad 9.

cinco operadores experimentados trabajan con las máquinas durante intervalos iguales. = lrsoor --.ffi : - 245 := .(¡ti)] : ! Los resultados concuerdan con los obtenidos en el Problem a 9.320 Es conveniente ordenar los datoe ANALISIS DE VARIANZA como en la Tabla 9-10. Tabla 9-10 T [cAP.'r = 206 " = ?". Ensayar la hipótesis hay dife máquinas a un nivel de n del (a) Tabla 9-1 A B C 1 68 72 75 42 53 i2 52 63 55 60 82 65 7? 48 61 57 64 48 76 50 53 D E 64 65 70 68 Reste un número apropiado.?¡ Entonces = 2356 r. 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. e t T: A B C 3454 2433 4655 16 256 t2 20 r14 400 ) s. 16= = zs56-246 soo = zrrL (i55 I t. de todos los datos para obtener la Tebla 9-12. Tabla 9-12 J Í: ). = t4 800 7) = (zoe)r-9q): = u¡. por ejemplo 60.ab6-1#¿. La Tabla 9-11 muestra de unid s.4 y a partir de este punto el análisis proce- 9'8' máquinas didiseñado para .rooo¡ . de las máqui nas. de como antes. =48 ?t.

MODIFICACIONES PARA NUMEROS DESIGUALES DE OBSERVACIONES 9.fti'k ¿rr.^.01 si hay una diferencia en los tres tipos. Es conveniente restar Tabla 9-14 Muestra 1 .1 .)rr¡(. por ejemplg 400. ensayar al nivel de significación del (c) 0. 7):+(11 -?)2+.2lIl I ab-I=24 I W = tz.-+(8-7)z = 5): 72 -= J'K )(t. La Tabla 9-14 muestra la duración en horas de las muestras de tres tipos diferentes de tubos de televisión fabricados por uná compañía.ru r También podémos obtener 72 -- 36 .(8 _ 8l: - ..-i)z -3(9 ' - 7\2 36 ! 5(7 + 4(8 -- 7)! = 36 . ".-¡.ss: 2.05.8 (5X4) t: Pata 4.r. Entonces tenemos . Utilizando el método largo. Por tanto no podemos rechazar la hipótesis nula a un nivel 0.f)r!-i tÍf -f)): r t. .1456 =ZO I | =.".u¡. lógicamente tampoco la podemos rechazar al'nivel 0.)! ¿'..r (2 5):r -l.¡r . (b) 0. Tabla 9-13 Entre tratamientos.01.05.)(r.102 410 . las medias de grupo o muestrales y la gran media. directamente observando que es igual a (7--9):r-(11.18-512: rl¡--5rr .l-5rr -..u-1) = 5(4) rA = I l "u ?'.cAP.9. y obtener la Tabla 9-15.(10 8r: I í8 __ 8)r -i rG 8): -1. Tabla 9-15 Total Muestra 1 Media 9 7trI 4 27 8 5 2 Muestra 2 Muestra 3 6 25 32 5 10868 . u. 20 grados de libertad tenemos F . ?t¡ = 655 tratamientos.t0i Muestra 2 Muestra 3 11 409 401 406 408 405 .87 . el Formamosla Tabla 9-13..-i... ANALISIS DE VARIANZA 321. .108 406 408 un número apropiado.i = Gran 8 media = 84 1t En esta tabla hemos indicado los totales de fila.(i -5r2 .

= = 36 (27)2.10. como se indica en la Tabla 9-18.9.322 ANALISIS DE VARIANZA f.26. Rt=3.8 o.?. e Variación Grados de libertad Media de cuadrados F D¡=36 a-7=2 n-a=9 io.11. 12t nB=4.01 si (a) hay una diferencia significativa en rendimiento por acre debida a los fertilizantes.(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. como también los totales de columna.8 9.4 uru so'- 18 = 36 G1=?9=4 = 4.05 pero no al nivel 0..os datos pueden resumirse en la tabla de análisis de varianza. Tabla 9-16. ¡=84 = + iL2 + . .0 5.7 45 8. Por tanto podemos rechaza¡ la hipótesis de medias iguales (esto es. 9.9 6. = 19= 1g 5.2 Calculamos los totales de fila y medias de fila. Soluciona¡ eI Problema 9.96 : 4. 12. Utilizando el método lartivadas en Cosecha I Fertilizante A Fertilizante B Fertilizante C u Cosecha III Cosecha IV 6. rg. 72 t1. La Tabla 9-17 muestra los rendimientos por acre de cuatro go. (b) hay una diferencia significativa en rendimiento por acre debido a las cosechas. n=12.=32. Por tanto ! = n2=5. las medias de columna y la gran media. (25) V Q6l.8 6.2 ñ"¡'. Tabla 9-16 [cAP. CLASIFICACION DOBLE O EXPERIMENTOS DE DOS FACTORES 9. De la Tabla 9-15.=27. + 62 +8r-Q|2 = 72 a6 = ?t-. so:.02.4 7.01. I 5. Tabla 9-1? Cosecha cosechas de plantas diferentes culparcelas tratadas con tres tipos diferentes de fertilizantes. ninguna diferencia en los tres tipos de tubos) al nivel 0. F.9 utilizando las fórmulas cortas incluidas en (24).99 : 8.5 Enüonces para 2 y 9 grados de übertad hallamos del Apéndice F que F. ensayar al nivel de significación de 0.:25.2 7..6 7.-.(25)2.

Entonces.3 5. .0 33.6 ¡'=0"2/i3=0.4¡z * (7.3-6.7 5.4¡z a (6.0-6.8 : Variación de medias de fila con respecto a la gran media = 4U6.8)2 + (8.8 -6.6.8)2 + (6.6 columna u. el ANALISIS DE VARIANZA Tabla 9-18 Cosecha 323 I Cosecha II Cosecha III losecha IV Totales de fila 24.6.8)z] = 2.5 18.8)2 + (5.2 2t.8)2 + (6.S12 -'.05 con 2.7 8.05 hay una diferencia significaüiva en el rendimienüo debida a los fstilizantes.ocz Al nivel de significación de 0.S¡z a (7.6 5.5 6.9 .0 .8)2 + (6.6 oi = t. .4 7.9 68 5. (7.0 Gran total 22.6.6 grados de libertad.8)2 -1 (9.5 -6.6.r.8 7. Fq. Ya que el valor d'e F correspondiente a las diferencias en las medias de columna ea menot que 1 podemos concluir que no hay difenencia significativa en el rendimiento debido a las cosechas.8)2 + (5.8 9.2-6.32 U: Va¡iación total (4.2 6.7 -6. : Esto conduce al análisis de varianza en la Thbla 9-19.9 -6.2 23.8)2 + (8.3 Gran media 6.8¡r+ (7.2 .6. Tabla 9-19 6.08 ue : Variación aleatoria = Lt .4-6.3 .8)21 = 13.yaque 6.6.2 Fertilizante A Fertilizante B Fertiüzante C Totales de 4.24> 5.4-6.86 gl: 3.5-6.8)2 + (?.9 = = 81.7-6.6.0 7.8 .8)2 + (5.podemos rechazar la hipótesis de que las medias de fila son iguales y concluir que al nivel 0.58 F =G?/C?: a.68 u" : Variación de medias de columna con respecto a la gran media = 3[(6.9 columna Medias de 19.5 6.14.8)2 + (5.2 -6.14.6 7.8 Media de fila 6.:5.zt gl: 2. 64 7.cAP.r.6 .8)2 = 23.2 8.8 .

68 .6 : 577.82 = 6. En esta tabla se indican los dos factores principales. Los resultados se indican en la Tabla 9-20. e 9. Un productor desea determinar la efectividad de cuatro tipos de máquinas A.11.6)¿ = 2274.82 11 = = 23. 554.13. Utlizar Tenemos de la Tabla 9-18 i. Los días de la semana se pueden considerar conro réplicas o repeticiones del rendimiento de cada máquina para los dos turnos.2¡z (19. + 24.24 ¡ (22. Nótese que para cada máquina se han indicado dos turnos.5)2 + (18.9)2 = 1673.rol rt .2+23.88 = = 18.S¡z a (6.2)2 (27-O'¡z r.08 de acuerdo con el Problema 9. Efectuar un análisis de varianza para ensayar al nivel de significación del 0. - 13..96 S-z Sro (24.(23.6 = (4.n¡z (5. : lcAP.G8 = *>t-"ti = |trozs.96 bj'j.58 EXPERTMENTOS DE DOS FACTORES CON REPETICION 9. B. (b) una diferencia en los turnos.2)2 81.zu 'üc bb4. .10 Entonces s-2 j* tt'r^ 12 ab = vr 1s-r-t' 577.. móquina y lurno. C.05 si hay (c) una diferencia en las máquinas.2.t2.88 ab = 23. 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.88 2. 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. D en la producción de tornillos.8+33.324 ANALISIS DE VARIANZA las fórmulas cortas para obtener los resultados del Problema 9.2)2 ¡ + (33.k )"i T a .11.ut - bb4.08 = uc Lnezln.

S .¡2912. (31)2.1 Si reetamos de la variación subtotal u. 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 [.6-51.. móquino y turno.4 variación total para la Tabla g-22. concentremos nuestra atención al üotal de los valores de repetición correspondiente a cada combinación de factores.6 La variación enhe filas üene dada por (zee¡z 40 a' = (54)2 (85)2t' (6. Estos se ordenan en la Tabla 9-22.6 rov = 8. 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+ .ro ro 10 La va¡iación entre columnas viene dada por (zgq)' 40 = 1846.5 = 1861.6 = 1b0.1 = 6. que llamaremos variación subtotal u". + 72 +L02-W = 1946- 1?95. (38)2 ""--6-5 .6 - 1?9b.6 : 66.6 = 51.b --5 . _124)2.0-8.1795. la suma de las variaciones entre filas y columnas (u. que es una tabla de dos factores con valores simples.0 'tt" = --ñ.cAP. (119)r_eqq\2 ? 40 - _ 180s.4 Para considera¡ los dos factores principales.-.2 .?_1?e5.S .)' + qq -ld. (44)2. ZO - (126\2.b .(41)2.3. viene dada por -.. Esta viene dada por * u" ) obtenemos la 0i = 0"-D¡. (30)2.5 ..0c = 65. variación debida alasinteroccion¿s entre las filas y columnas. (32)2.

u¡ = 6.: 4.4 Para continuar debemos determinar primero si hay alguna inüeracción significaüiva entre los facüores básicos (es decir. no podemos techazt la hipóteeio l/[zt ¿" que las columna¡ tengan medias igualee. ce debe a interacción. Po¡ tanto el total de gtadoe de libertad es 8 I : 7. Esto es equivalente a decir que al nivel 0. la va¡iación subtotal) ¿L U variaóiOn tot¿l u.6 + 84. Para l.42. I¡iabla también da el número de grados de Tabla 9-23 Filas (mÁquinas).SfSe:2. Por tanüo los grados de libertad debidos a l¡ va¡iación residual o aleatoria ee 39 7 : 32. Si decidimos analizar los resultados combinando las variaciones residual e interacción como lo recomiendan algunos estadísticos. columna e interacción (ee decir. - libertad cottespondientes a cada tipo de variación. D" = 84'8 Total.326 ANALISIS DE VARIANZA lcAP.06 no hay diferencia iignificativa entre turnos.:6. u= 150.06.8 1 grado de liberüad. hallamos para la va¡iación combinada y grados de libertad combinados u¡* u.4-65.! : Sgradosdelibertad. lo cual indica que la interacción no ee significante.05 podemos conclui¡ que las-máquinas no son igualmente efectivas. 0c = 8'1 Interacción. Tabla 9-23. Puesto que 3 de esos 8e deben a filas y 1 a columna¡.tr ¿" que lar fila¡ tienen ¡¡sdi¡¡ igualee. eeto es.90 para B. podemos rechaza¡ |a hipótesis flllr ¿" la pógina 315. el reeto. Entoncee ya que F calcul¡do para lascolumna¡es 8.16. se halla reetando la suma de variaciones füa. Al usar este valor en cambio de 2. 7 (3 + 1): 3. 0' = 51'0 i? = tt.entantoquelavarirrcióndebidaalae 2columnastiene 2-L= Estas va¡iacionee se indican en el análisis de varianza. filas y columnas de la Tabla 9-22).61.8 : 91. Esto esequivalenüe a decir que al nivel 0.81?.o Columnas (turnos). que conduce a unava¡ianzacombinadade gL. Puesto que .F nl: 2. Siguiendo lae reglas de la página 315.. e Finalmente la variación reaidual. 32 grados de liberüad Fn. De la Tabla 9-23 vemos que pa¡a interacción F : 0. .Ya que hay 40 valores en la üabla original 9-2i el total de gradoe de libertad es 40 1 = 39.o" : 150. Eeto resulta en a" = Q-(or*o"*o¡l = 7). ya que hay 4 filas en la Tabla g-22La variación debida a l¡s fila¡ tiene 4 . 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). B2 grados de libertad podemos rechazar la hipóüesis ll. Para hallar loe grados de übertad debidos a la interacción obeervamoe que hay 8 valores en la Tabla 9-22.65 para el denominador de F en la Tbbla 9-23 no afectan las conclusiones alcanzadas anteriormente. Aef.6 : 84. vemos que F para las fila¡ e¿ 6.3 y 3 + 32: 36 respectivamenüe.5 G? = zltt Aleatoda o residual.

A este nivel aún no hay interacción apreciable.75 .14. C. B. CUADRADOS LATINOS Tabla 9-24 9. Hdlamos Va¡iacióntotal : o= (18)? + (21)2 + (25)2+'.1)¡ ff +ff + ff -5468.49. Efectuar un análisis de varianza para determinar si hay una diferencia significativa entre los fertilizantes a niveles de significación de (c) 0.r.06 : 329.26 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.At-ril..01 las máquinas no 6on igualmente efectivas.25 + ry . el ANALISIS DE VARIANZA 327 9.05. concluimos que al nivel 0.19 (2eS1z - 5439. Solucionar el Problema 9.' + (10¡z * (lT2 -@5Y 16 5769 - 6439.e0 = 7.01. = T*ry*ry 5723.94 Variación entre filas .01.06 : va¡iación entre (77\2 (74\2 (78\2 (71\2 columru lS=?rc= 4 .69 16 variaciónenrretratamienros = . También obtenemos el total de rendimientos para cada uno de loe fertilizantes como g€ muestra en la Tabla 9-26. 32 grados oe libertad y puesto que F para filas es 6.l cAP. podemos concluir que aún al nivel 0.19 - 5439.Ia variación üotal y las va¡i¡ciones para filas.13 si se utiliza el nivel 0.4 -.05 y (b) 0.25 *9'{ -(fftr = 284.51 para 1.lá. donde los números indican rendimientos en dkl por unidad de área. 4 : 5443. 29. de modo que podemos proceder más al.t: 4.06 = 4.15.5439.06 . Un hacendado desea ensaya¡ los efectos de cuatro fertilizantes A.01 no hay diferencia significativa en los turnos. 32 grados de libertad y puesto que F para columnas es 3.4 . columnas y üratamientos se obtienen común y corrienüe. D en el rendimiento de trigo. Ya que F . 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. 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 9.47 para 3. Ya que ¡'.

e Filas. LATTNOS 9. Puesto que el valor F para columnas es menor que 1. como se indica en la Tabla 9-28. B. Diseñar un experimento utilizando cuatro conductores.lJtiliza¡ el análisis de varianza para determinar si hay alguna diferencia significativa al nivel 0. 284.F para tratamientos es 4?. de modo que cada letra apatezca solamente una vez en cada fila y solamente una vez en cada columna.o :4. D. Se deduce que al nivel 0. sujetos a los mismos requisitos impuestos a las letras latinas. 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.¡. D aleatoriamente a filas y columnas. Es de interés determinar si hay alguna diferencia en el kilometraje por galón entre las gasolinas A. Tabla 9-28 CONDUCTORES 1234 B. Supóngase que los diferentes autos se representan por las filas y los diferentes conduetores por las columnas.05Ia hipótesis de que hay medias de fila iguales.78. concluimos que no hay diferencia en la fertilidad del suelo en las columnas. B. Puesto que se incluye igual número (cuatro) de gasolinas. Tabla 9-2? lcAP. C.19 Columnas. C. 4. cuatro autos y cuatro caminos diferentes. . Sin embargo. Ya que el valor de.8? (o) Puesto que F er.' I A. 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).17. autos y caminos podemos emplear un cuadrado grecolotino. Asignamos las diferentes gasolinas A.328 ANALISIS DE VARIANZA El análisis de va¡ianza s€ muestra en la Tabla 9-27.76.16. 11. Así cada conductor tendrá la oportunidad de conducir a lo largo de cada uno de los caminos. 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. i I}¡ 9.. Un aneglo posible es el dado en la Tabla 9-28.r.05. conductores.9 > 4. denotados por o. podemos concluir que hay diferencia entre fertilizantes.01. 6. debemosconcluirquehay una diferencia entre fertilizantes al nivel 0. 4. rechazamos al nivel 0..01.05 hay diferencia en la fertilidad del suelo de una fila a orra.19 Residuales. CUADRADOS GRECO.69 Tlatamientos. Asignamos aleatoriamente los cuatro caminos que van a emplearse.76.0 : 9. (b) Ya que Fgo. 29. p.

-1--4(n-1)=(n-lXn-3). B. (52)2 . el ANALISIS DE VARIANZA 329 Prirpero obtenemos totdes fila y columna como ¡e indica en la Tabla 9-30.60 -4096 = 111.50 - 7. Tabla 9-31.4 .60 I 4096 6.00 de modo que la variación debida al e¡ror e¡ 148. como eigue: Atotal: 15+16+15+16 = Btotal: 19+18+2I+ 23 = Ototal: . 4 - (70)2 (256\2 16 Q6A)z 16 QAA¡z = 4112. E número total de gados de übertad es n2 . (63)2 .1 para un cuadrado de n X n. 7. Filas: a----l---4 (64)2 .60 = 6. (61)2 4-4-4-4-16 4102.cAP.50 La variación total ee (1S¡z * (le¡z + "' + (16)2 + (2s\2 -e66\2 =' 'I | \-vt 16 16.Portantolosgradosdelibertadparaelerroresn2 caso n f. (68)2 4 . 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. C.00 - 6-50 - 11r. (59)2 . utilizando el método corto. columnaE.os resultados se mueshan en el análi¡i¡ de varianza. Dl Caminos: (o' P. Las filas. (81)2 . 16+11 +11+ L4 = Dtotal: 14+16+16+16 = ctotal: 14+18+15+14 = /3 total: 16 + 16 + 2l + 15 = ytotal: 19+16+11+16 = Stotal: 15+11+16+23 = (65)2 62 81 62 61 61 68 62 66 Entonces calculamos ¡ug va¡iaciones conespondientes. (61)2 . ó) Ga¡olinas: (62)2 4267.60 ry*ff+ff+ry-ry 4 (16)'z = 4ros.60 Columnas: .Ennueetro . leüras laüinas y letras griegas cada una tienern 1 grados : 4.4-T 4 .50 4244-4096 = 148.60 (A.60 - 4096 = = 16. (62\2 -.6o-40e6 = ?.00 deliberüad.

J=r - =.05 pero no al nivel 0.".s : 29. = F* e¡.l)oz - . ya E(v.500 :?*33=t. 111. (b) la ecuación (I6).or.so. donde Sf é define por (15).} .¡z > + ) (x.= .18. Por tanto podemos rqchazar lahipótesisdequelasgasolinasson igualee al nivel 0.tz = b j=r |Lo rEr' " ' ) = ¿!s? j=1 d. Capítulo 5.-¡b-l ¡ es la varianza muestral para el tratamiento jr como que el tamaño de la muestra es b.50 Caminos (o' É' 7. b 3 (¿'-1"'\ -i---t\ b / = a(b .26 Tenemos F.*-i.a:9. 6.C.330 ANATISIS DE VARIANZA Tabla 9-31 lcAP. El tratamiento medias de la población viene dado por p¡ Por tanto ac = 9. 6).60 Gasolinas. de Ia página 308. página 308]. B. 7. (4. Derivar (c) la ecuación (17).s.) = bj¿E(Si) utilizando (I6) del Capftulo 5. Entonces..r. Se deduce que t=L )¡t* )"t j:r ' donde hemos utilizado la definición p )a.-*. Demostrar que > oj = 0 [(15)..D).28 V F. e Columnas (conductores).01.19. (o) Poi definición tenemos v.3u*3" = op+\'¡ t=L i=l !:t' = (2p)/a.50 2.. = 9. PROBLEMAS DIVERSOS 9.5. 5u.

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. obteniendo u" .P = (a-l)o2 * abp2 + zbp> ".) / \ // /\/ ' = b>*?. omitiendo el fndice de la euma.p6gitn 116. ¡úgina 161. P¡ra hallar la variación debida a larepeticiónutilizamoslostoüalegdecolumna cn la Thbla 9-21.20. el ANALISIS DE VARIANZA Por 331 (b) definición vt' = a ) 1*r. página 309. con medias ¡t¡ y varianza común 02.05..) = pj = p+ai Utilizando los resultsdos (2>(7).) (d) (7) E(Xj. página 158: ( tr) var (5) =r Var(X) = # E(X) = p (i¡. Entonceo. üenemos E(val = b>86?) var(i¡. ¿Podemos sostener esta conclusión al nivel de signifi cación del (c) 0. tenemos dd Teoreme 6-4.+auxz l=r t=L ya que (f) (21 (. (b) 0. = 84.bgQ7z) Entoncee para cualquier variable aleaüoria U.21. Como ¡e indica en el Problema 9. E(U2) = Var (U) + lE(U)12. más el reeulüado dd hoblema 9. puesto que las varianza¡ S! bn indep el Teorema 4-4.8. en la Tabla 9-23. bSJ/o2 tiene drado con b .1 gradoe de libotad.-x¡z t=r aa a o = b>*i-2bx)x.19(o).18. los diferentes días de la semana. + > al - ob¡P (c--t)62 * b ) a.2 9.t) X = ( )It. Demostt'ar el Teorema $1. .Enloncex.+*i):-l -"ufLab J !+rr) " '' ) -LD aoz * b ) (p+ a¡)2 - o2 - s'b.13 supusimos que no existían diferencias significativas en las repeticiones. esto es. que V-/o2 tiene dishibución chi-cuaüado cón o(b - 1) 9.-ab*z j=1 a.cAP. En el Problema 9. en (I ) tenemos E(va) = b>[+*(¡.. Por el Teorema 5-6.\12 lBlx¡12 E(xil : E(Xz) = Var (Í) + Pero ya que las poblaciones de traüamiento son normales.01? Si existe alguna variación debida a las repeticionee se incluye en lo que ae llama el ertor re¡idual o aleatorio.) + a. Por tanto lv(x.

Tabla 9. 8r."o = 11. 9.*ucA-.. denota la media de valores en la clase C cuando A¡ y B:p se maitienen fijos. es la Tabla 9-32.C". La interacción entre todas las clases se denomina como antes la uariación aleotoria o residuol. .86. El valor f.u¡6. . g - (268)2 40 = 1807 . I-a variación residual después de restar la variación debida a la repetición ea ue : 84.1795. Estas variaciones son entre clases del mismo tipo y entre clases de diferentes tipos (inúerccciones).32 Filas (máquinas). Finalmente d Existirá una uarioción total dada por (l) 1) = t. sedenotaporxjkl. l---g 6.767 | -=0.ú¡n< . C. o.06 (y por tanto al nivel 0.01) debi- da a las repeticiones. (47)2 (50¡z -. T.C{luposdenotadosporC¡. es la media de valores para las clases Il y C cuando Ar es constante. .2g grados de libertad.¡r.0g..827 = 73.Elvalorú¡¡.k. Las otras variaciones son las mismas a las de la Tabla 9-23.. Ias conclusiones reliacionando máquinas y turnos son las mismas a las obtenida¡ en el Problema 9. Las siete variaciones en las que se puede dividir (1 ) vienen dadas por u = DA+ürJ+uc lTIAB *. Describir cómo se pueden utilizar las técnicas de análisis de varianza para clasificación triple o experimentos con los tres factores (con factores simples). podetnos concluir que no hay variación significativa al nivel de 0.. Reproduzca la tabla de análisis de varianza a emplearse en tal caso. teniendo en cuenta las repeticiones. los días de la semana no eon significativos.rpor denota la gran media. 0' = 0c 51'0 Columnas (turnos).8 114: ?8.4.. es decir. = 8'1 Repeticiones (días de la semana).4 Puesto que hay 5 repeticiones.6 = 11.8¡r.7! parz 4. como se indica en la Tabla 9-33.18. el número de grados de libertad asociados con esta variación es b 1 : 4. Ao) Barupos.332 ANALISIS DE VARIANZA [cAP. ... La tabla final de análisis de varianza.4 3 Aleatoria o residual a'" | 2. Suponemos que la clasificación se hace en A grupos. Sigñificados análógos se dan a E¡ ¡ ! r .EIvalorenA¡.. denotados pot 41.22. denotadospor ejemplo. e 1t=-+'re¡ (57\2 g (51)2 g .4)2 .t 2 @¡rt- ú)z que puede dividirse en siete variaciones..4 De la tabla vemos que el F calculado para repeticiones es 1.. Pero ya que Fe5: 2.

4ñ s gl t.t. (b) 0.23. ce' ) (¿. (a - 1Xó - 1)(c - 1) gl trac (entre gru- posByC) o¿ =o=ffi= (c-1X¿-1) acA .+ i)\2 E)2 aABc = . variedad y los rendimientos (en hl/ha) son los mostrados en la Tabla 9.(a-1Xb-lXc-1) AÓ.új.r+ ñ)z !ct = b > (ñ¡t.¿).Bc -1) 3.ñ."" a a-l - 7.Bc b-r. . (a.1Xó - l)(c - 1) gl os (entre grupos B) ó-1 c Ao og s "B .n.Bzcl.c . el donde U¡ ANALISIS DE VARIANZA 333 - ..-. (o 1)(b 1)(c 1) gl 1) ¡ A.34.tt+ ñt. C.cAP. ? (E¡. E.BC gl 0¡s (entre grupos AvB) (o-1)(b-1) (b-lXc-1) (o - 1)(b - L).rTabla 9-3$ Media de cuadrados r¡ Ao -q¿=-A o-l Varíación o¿ (entre grupos A) Grados de libertad F ?1. Se efectúa un experimento para determinar el rendimiento de 5 variedades de trigo A.'uc c-1..k.* ñ.4ñ sA.ú. (fr.+ 0nc = ".k. 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.rt.BlSA.r.% (c 1)(a 1).+ ¿." = uesc (o-l)(ü-lXc-1) Probletna. B. (o - 1)(b - 1)(c - 1) sl u¿ (entre gr¡r- posCyA) (entre grupos (c - 1)(o ..c)i.kc (b - 1)(c - 1).. D.2r@i*t.rlos CLASIFICACION STMPLE O EXPERIMENTOS DE UN FACTOR Tabla 9-34 A B C 9.n\r..c (entre grupos C) -'l Añ "c .05.A^o 8ó^tsA.s suplernerirta..ñ..ñ j*. Q¡n rB = = ..ByC) u (total) (o-1)(ó-l)(c-1) abc-7 9?.I ót s..J- er" (ñ¡¡1. Suponiendo que las parcelas eon de fertilidad semejante y que las variedades se asignan aleatoriamente a las parcelas.ó I Dg n rA^ Ét s^.ri.01.- ñ¡. determinar si hay una diferencia significativa en rendimientos a los niveles de significación del (a) 0..t .(a-1)(b-1Xc-1) Añ. Dc ñ\2 : ab 2 @.ñ.

[. Demo¡tra¡ el resultado (30).O1 si hay una diierencia significativa en sus calificaciones entre Ssas asignaturas. La Tabla 9-37 da los números de mill¡s al galón obtenido por autornóviles semejantes utilizando 5 ma¡cas de gasolinas. Para lleva¡lo a cabo. y a cada grupo se le enseña por un método diferente. Un profesor desea eneayar treg métodos de en¡eñanza I. II1. 9.A IVfarca Tabla 9-3E 11 15 L2 14 11 15 L2 L4 Matemáticas Ciencias I 16 10 I\Áarc¿ C L2 t4 Inglés Marca D I\Áarca E 16 18 16 L7 10 12 t4 t2 t4 Economfa 72 81 88 74 80 83 76 74 77 82 90 87 7t 77 70 80 9.06. Tabla 9. Ensayar a loe niveles (o) 0. Tabla 9-37 I\[atca. página 311. Durante un semestre un estudiante obtuvo las calificaciones indicadas en Ia Tabl.06. El fabricante desea determinar ei hay una düerencia (o) entre operarior. B.os a¡tículo¡ fabricados por una compañfa se producen por 3 operarios utilizando 3 máquinas diferente¡.81. (25) V Q6). A 33 B 32 c 31 D 29 38 40 37 34 36 42 35 32 40 38 33 30 31 30 34 33 36 34 80 31 Método I III 76 62 7t 68 81 7g 90 81 Método tr Método 86 68 92 73 79 60 76 MODIFICACIONES PARA NUMEROS DESIGUALES DE OBSERVACTONES 9.85 Tabla 9-86 9. diferentes. II.27. Dar la informaci6n deseada utilizando un nivel de oignifi' cación del 0. página 310. para el caso en que los 4úmeror de oba¿rvaciones dean CLASIFICACTON DOBLE O EXPERIMENTOS DE DOS FACTOBES 9.05. (b) 0. Luego se da el mismo examen a todoe los estudiantes y oe obtienen las calificacionee indicadae en la Tabla 9-36. 9. Demostrar los resultadoe (24). C. I'z duración de log neum6ticor. determinada de sus fibras. Ensayar al nivel de (o) 0. 9.06.28. donde cada tipo ¡e ha tratado en 6 automóviles semejantes asignando los neumÁtico¡ aleatoriamente. Demostra¡ la¡ fórmulas cortae (3I fl34). (b) entre máquinas.01 si hay diferencia en lo¡ neumáticos. vienen dadas (en miles de millae) en l¡ Tabla 9-36. D. (b) 0. prÁgina 311. (D) O.334 ANALISIS DE VARTANZA [cAP. Se efectúa un erperimento para determinar el número de artículos diarios producidoe por cada operario utilizando cada una de lac máquinas. tres grupos de 5 estudiantes se escogen aleatoriamente.25.05. Ensayar a loe niveleg de (o) 0. e 9. Una compañfa deeea ensayar 4 tipos de neumáticoe A.29. (b) 0.30.26. 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) 0.01 si hay una diferencia significativa en los métodos de enseñanza.24.01 si hay alguna diferencia significativa en las marcas. loa resultados se dan en la Tabla 9-39.a 9-38.

38 al nivel 0. Suponer que en el Prpblema g. (b ) en los planteles.01. \4 9. (b) las clases de automóviles.33.12. E 18 22 2L l7 18 24 g.33 utilizando el nivel de significación del 0'01. 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 . ts Tabla 9-43 da el número de artículos produeidos por 4 operarios diferentes trabajando en dos tipoe de máquinas. EXPERIMENTOS DE DOS FACTORES CON BEPETICION T¡bla 9-42 A 9. Suponer que en el Problema 9. Ensayqr la hipótesis al nivel 0. 9. / y II. el ANALISIS DE VARIANZA 335 g. Se efectú¿ un experimento para ensayar ei el color del pelo y las estaturas de esür¡diante¡ adultos üienen algu' na incidencia en el rendimiento escoló¡tico.06 ¡i hay una diferencia en (o) lor ferüilizantes.3ó r¡tilizando el nivel de significación del 0. varfan significati- aleatoriamen' 5 . y así sucesivamente.40 utilizando un nivel 0.41. roy"t al nivel de 0. (b) las diferencias en el tipo de maí2. (b) la localización.05 si hay diferencias signifiéativas en (c) loe operarios. Analizar el ex' pelinojo rubio Alto Mediano Pequeño 76 81 73 78 76 castaño 80 79 perimento al nivel de 0. en tanto que en un experimento semejante efectuado en el oe¡te da los resultados en la Tabla 9'42.24ltprirnera observación para cada tipo de neumático se hace empleando una claee espeiífica de automóvil.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. Ios réeultados se dan en la Tabla 9'41. g. dUrante díae diferentee.38. Determinar al nivel de 0. los bloques). (b) las máquinas.06 de que hay diferencia en (a ) d método de en¡eñanza.39.05. a ^ B {amente con (o) las diferencias del terreno (esdecir.26 el primer valor para cada método de enseñanza corresponde a un estudiante de un plantel especffico.06 si hay diferrencia en (o) los tipos de neumáticos. SLOQUpS C D E IIIUIIV t2 15 15 19 L4 18 11 16 16 l7 10 t2 16 L2 11 14 11 12 16. 9. lo 77 9. c Semill¡s de 5 tipos de mafz ee siembran en 5 bloques' Cada ue se asignan 0. Solucionar el hoblema 9. Tabla 9'4O TIPOS DE MAIZ bloque te a los hl/ha.g2.34. 9. Suponer que el experimentg del hoblema 9. y así sucesiva-E mente. B C 16 18 20 15 L7 16 2l 19 18 23 19 2l 23 20 D 9.01.g6.40. Tabla 9-41 9.05 ¡i lo¡ rendirnienüos en bla 9-40.01. Soluoiona¡ el Problema 9. la eegunda observación empleando una segunda clase especffica. Solucionar el hoblema 9. doñde los números in' dican 10 en el tope de los graduados.cAP. Solucionar el Problema 9-31 utilizando el nivel de significación del 0. Solucionar el hoblema 9.01.8?. el segundo a un estudiante de otro planüel. Ensayar al nivel 0.36.

B o C. (c) lugar de nacimiento. Det¿rmina¡ a un nivel de 0. Tabla 9-44 efectúa un experimento para ensayar el efecto sobre el rendiniiento de 4 tratamientoe de fertilizanües A.05. W¡ . respectivamente. L62 BB L45 cB 2t2 A6 112 86 Do An 188 Bq 167 c7 136 PROBLEMAS DIVERSOS 9.6 .48. Wc y 4 especies d-iferentes . Cuatrotiposdecable?¡. (ó) 0. St. y de variaciones del teneno en dos direcciones perpendiculares. t¡ Tabla 9-48 contiene los datos sobre el moho acumulado en hierro tratado con químicos A. Se obtiene el cuadrado latino. D usando cuatro máquinas diferentes. Determinar al nivel (o) 0.46. e 9. C. miden las fortaleza¡ de los cable¡. Tabla 9-4t Alto Pequeño Mediano 110 95 Tabl¡ 9.43 utilizando un nivel 0.Cz. El aliñento se da a los pollitos ordenados en grupos de acuerdo con 4 peeos ini- Cr8 464 Dp6 D66 S" ce7 865 BrB c D3 Av6 cr6 9.Tc. É.43. como se muestra en la Tabla g-46.01 de que no hay diferenci¿ en (o) los fertilizanSe C8 At4 D10 Á10 c12 BL4 D16 D12 B11 811 Dt5 Á10 tee. c16 9. C.01 si hay una diferencia significativa en los tratamientoc. Sz S¡. Efectu¡r un análisis de la varianza del experimento al nivel de significación del 0.05.05. Para producir un tipo superior de alimenüo pnra pollos. T¡¡ fq¡talezas promedio obtenidas se dan en el cuadrado greco-latino de la Tabla 9-4?. Centro.44. eetableciendo cualquier conclueión a que pueda llegarse. eetableciendo cualquier conclusión a que pueda llegaree.Ct.as cantidades diferentes del primer compuecto se indican por A. 6. [.C1 . BoG Dy l0 Ap8 c6 10 cialee.44.47.45. El aumento en peso por unidad de tiempo 6e da en el cuadrado greco-latino de la Tabla 9-46. Wz. Ca. 9. D y las del cegundo por ü. B.336 CUADRADOS LATINOS ANALTSIS DE VARIANZA IcAP.1.LATINOS wr ^S. ?a sefabricanporcadaunadecuatrocompañfas. B. Soluciona¡ el hoblema 9. w2 BB6 Dog ws Ao5 9. donde lo¡ números indican rendimiento de maÍz por unidail de á¡ea. B7 At4 Tabla 9-4ó c12 adicironal dando la sección donde naci6 el estudiante Eete. 9. Tabla 9. 7. Tr AB 164 c2 Bf 181 c3 ca Ay 193 193 207 166 c4 D6 160 T. Con referencia al Problema 9. Efectua¡ un análisiÉ de varianza al nivel Q.05 ¡i hay una diferencia significaüiva en rendimiento académico de los e¡rudiantes debida. Tabla 9.49 105 103 118 A B 3544 4233 6465 Lt2 10? 90 115 c 108 lr2 93 104 96 L02 . o.r 198 D.S4 Sr. 4 cantidades diferentes de dos compuestoc químicos se agregan a los ingredientes bási co¡. q D. .a diferencias en (o) ertatura. Oes: te.05.4? c. Wt. (b) colo¡ de pelo.38 euponer que introducimos un factor 876 c81 o73 Tabla 9-46 o78 E'76 c80 o79 c76 877 w4 CUADRADOS GRECO. T3 T4 c6 t7l D. (D) lae variaciones del terreno. B.Tz. Ensayar la hipótesis a un nivel del 0.Cuatro operarior A.

Determinar eI nivel de 0. (b) 0. Suponer que los resultados en la Tabla 9-48 del Problema 9-48 son válidos para el noroeste.5E. ¿Es ésto cierto si cada valor se multiplica o divide por una constante apro' piada? Justificar su resPuesta. Demostrar (o)la ecuación (39).54.62.61.Q. 9. rinden mejor' Los puntajes obtenidos se muestran en la Thbla 9-50.53. ¿puede determinar si hay una diferencia significativa en el número de artículos producidos en los diferentes días de la semana? Explicar. página 312. Norte y centro 80 ¡D 79 g.05 y establecer sus conclusiones. 70 9. de estudiantes adultos de estaturas altas. el ANALISIS DE VARIANZA 337 g.59. (b) I. 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. página 309.40 suponer que un experimento adicional realizado en el noroeste produce los resultados de Ia Tabla 9-53. (b)la ecuación@0). Determinar al nivel (o) 0. Determina¡ al nivel de 0. Solucionar el koblema 9. Ensayar al nivel 0.60. Demostrar el Teorema 9-3. (b) los tres lugares.Q. Este Oeste Sur 88 84 86 Medio 80 78 82 Bajo 72 ¿o 9. Un experimento mide el L Q. Derivar los resultados 9. 9. Demostra¡ (o) la ecuación (37). Solucionar el Problema 9.ó6. 70 En el Problema 9-42.Q. 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.Q. . Bajo I. Con referencia a los Problemas 9.52 utilizando un nivel 0'01.cAP.54 al nivel 0. en tanto que los resultados correspondientes para el oeste se dan en la Tabla 9-52. página 372. 9. (b) la ecuación (38).Q.55.Q.4g. Los resultados se indican en la Tabla 9-49.62. 9. 9. Se realiza un examen para determinar si los veteranos o los no veteranos de diferentes I. relativo a diferencia de estaturas.Q' 9. (b) la localización.05 si hay diferencia en (o) fertilizantes.05. Demostrar el Teorema 9-2. Analizar la tabla al nivel de 0.23 y 9. página 309.50.51. 9. En los cálculos de análisis de varianza se sabe que puede sumarse o restarse una constante apropiada dp cada valor sin afectar las conclusiones.01 si hay alguna diferencia significativa en los I.05 si hay diferencias debido a (o) los químicos. (3) y ( ).5?. página 312. t¿ Tabla 9-51 muestra los puntajes para una muestra de estudiantes universitarios de diferentes partes del país con diferentes I. Tabla 9-51 Alto 9.01. medias y pequeñas. Tabla 9-50 Alto I.

01. 9. Efectua¡ un análisis de va4ianza en el cu¿drado latino de la Tabla 9-64 a un nivel 0.05 y eetablecer conclusiones.71. ¿Deberíen modific¡r¡e la¡ conclu¡iones obtenidas en el hoblema 9. es decir. Suponer que en el hobleme 9. Montar y solucionar un problema que iluetre el procedimiento en el Problema 9. Haga el montai dc un erpcrimenüo que conduzca al cuadrado latino Tabl¡ 9-64 FACTOR 1 de la Tabla 9-54.64.63. e 9. 2X 2? (D) ¿un cuadrado greco-latino de 3 X 3? . De¡cribir cómo emplear las técnica¡ de análisi¡ de varianza para experimentos de tres factore¡ con repetición. 9.69. Efectuar un análisig de va¡ianza en el cuadrado greco-latino de la Tabla 9-65 a un nivel 0. 9.69. las repeticionec.21 hallamos una diferencia significaüiva en los días de la semana.62 utilizando un niyol 0.65.06 y establecer conclusione8.7 16 D66 Br7 Haga el montaje de un experimento que conduzca al cuadrado greco-latino de la Tbbla 9-55. 0. En ln práctica.67.338 ANALISIS DE VARTANZA Solucion¡¡ el hoblema 9.66.68. 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. 9. ¿es¡rer¡rf¡ encont¡ar un (o) curdrado latino de Explicar. lcAP. 9.13? Justificar sus conclusione¡. 9. 816 FACTOB 2 c2r 823 416 AL8 ct4 Bt2 ct5 l á18 9.

Apéndices .

.

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

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

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

000? .0387 .0019 .0413 .3939 .1 .2227 .0099 .3637 .0012 .3448 .3951 .3918 .0379 .¡ 3.0277 .0122 .1 tQ .0091 .0055 .3079 .0371 .058.2444 .0317 .156 .2685 .0001 344 .0005 .3894 .Apéndice B Ordenadas (E) de la curva normal t ipif icada enz 0 I .9 .0020 .0013 .0007 .3391 .0039 .8 3.0056 2.3989 .3209 .0003 .3932 .3056 .l lJf]4 .0017 .0694 .0008 .2 1.0540 .0258 .5 1.l 2.0973 .2780 .0909 .0084 .0088 .0036 .16'17 .3725 .0208 .1.0018 .0067 .0119 .3?65 .0002 .0551 1.1435 .3739 .0051 .0940 .0015 .0002 3.3977 .034? .3989 .3836 .1 .0002 .3802 .331 2 3 4 D 6 7 8 o 0.0007 .1 804 .0040 .1 561 604 .1781 .0003 .0006 .0459 .7 0.0069 .0283 .0061 .0171 .0893 .1127 .oI47 .1145 .0005 .0073 .1057 .3986 .0519 2.3961 .0363 .0562 .0058 .3982 .3332 .3752 .3538 .0488 .I942 .0002 .2803 .1539 .1006 .3988 .0761 .00r1 .3876 .0818 .1 .0478 .0003 .0004 .3187 .r023 .0013 .0006 0004 .1.0804 .6 l.0010 .0012 .2565 .1758 .0.22i5 .2989 .01.0047 .1 0.0005 .0003 .0008 .7 2.0034 .0139 .3956 .2323 .0129 .0151 .3230 .0229 .2t55 .06{4 .0339 oe OA .016:l .1182 .237r .3034 .0167 .0029 .3697 .3 IA .1354 1.0007 .1415 38 .0235 .3589 .1872 .0025 .0422 .1771 .0014 .0431 .1989 .r295 .2t07 .0573 .1315 .0002 .0020 .0252 .3352 .1895 .3292 .01?5 .5 2.0508 .0048 .0003 .0863 .3429 .0i21 .0093 .0030 -0022 .0198 .0189 .0043 .0790 .0012 .0325 .0632 .5 0.6 2.0213 .0046 . ¡ .72i6 .8 .0989 .1518 .0001 .39?3 .13 .0184 .0053 .0270 .0010 .9 .2t31 .0071 .0044 .010? .0203 .1334 .3712 .24G8 .2 0.1849 .0033 .1 .0003 .0011 .0002 .2203 .0003 .2589 .0027 .2396 .8 I.0004 .0241 .0246 .3980 .0126 .3925 .9 2.1826 .3778 .266I .0132 .0669 .0005 .3867 .0925 .0025 .2295 .0016 .0498 200 .0065 .1626 .0 .0848 .1736 .8 2.3572 .0 3.2059 .2516 .8 0.0006 .0355 .3 DA .3621 .0ri56 .00I7 .o024 .r1f)7 691 .24!r2 .0016 .0681 .0014 .3605 .3970 .381 4 .2637 .6 o.3 0.1965 .0050 .4 0.3521 .3945 .0042 .0002 .3372 .1 109 092 1.0r 36 .0297 .3885 .2036 .2966 .2709 .3989 .9 3.0015 .0003 .0008 .0878 .3467 .3503 .u077 .3910 .0101 .0596 .0734 .2613 .0002 .0036 .28i1 .0009 .1669 .0396 .Dl éo .2420 .0096 .0004 .0079 .0113 .0158 .0303 .07.0081 .2317 .0 1.2732 .0468 .0032 .0310 .0009 .225I .6 ¿.0332 .0833 .0063 .2897 .0010 .0022 .2 .l 163 .5 3.2756 .3144 I .3251 .1 .0404 .3965 .0075 .0023 .0086 .0224 .0002 .1582 .3555 .0060 .3101 .0009 .0194 .3984 .002I .0002 .0004 .3790 .0002 .0002 .1 .3847 .12 .0116 .0529 .2083 .0775 .0037 .0 0.2072 .0005 .0005 .0028 .0620 .0110 .0608 .r374 .2850 .3485 .10?4 .óooó .254r .3902 .3166 .3410 .:1825 .0002 .3683 .2513 .3668 .2827 .1219 .7257 .0004 .0003 .2 3.2920 .1040 .0038 .327L .0008 .140 .0004 .0018 .0219 .0957 .1 7.0449 .0154 .0006 .0031 3.0264 .3011 .1919 .0707 .0026 .0104 .0180 .0290 .3857 .

2019 .6000 3.4999 .4984 .4649 .1480 .1960 .4974 .1808 .4535 .2357 .2258 .4976 .4984 .0478 .3599 .1554 .4985 .4993 .4564 .4979 .4998 .3869 .4968 .4599 .4995 .4778 .4987 .2t23 .5000 .1293 .4994 .0080 .4927 .1 0.4772 .1879 .4945 .3888 .4834 .4920 .4686 .0 0.4998 .3315 .4999 .4750 .4082 .4990 .4582 .2549 .5000 .0948 .4394 .4893 .8 3.4719 .3238 .4881 .2324 .4868 .4911 .4999 .4995 .2 D') 2.0160 .2389 .Apéndice C Areas baio la curva normal tipificada de0az 0 0.4999 .4999 .4545 :4633 .4960 .4066 .1179 .4 0.4265 .0832 .4999 .4904 .0793 .5000 .4966 .4994 .3461 .0040 .4505 .4998 .4878 .3186 .4616 .0239 .1 .1L62 .4925 .497L .5000 .2064 .3577 .3264 .4998 .0120 .4997 .2454 .3272 .4236 .0 1.9 2.3289 .4463 .4995 .2852 .8 1.4982 .4994 .4706 .1?00 .3340 .4773 .4032 .4997 .4981 .6000 .4999 .4854 .4982 .0438 .3 1.4929 .5000 .4938 .4117 .4099 r.4999 .4015 .4975 .3686 .4998 .9 346 .4959 .1103 .1 .4898 .4992 .2967 .0675 .4946 .4998 .4996 .4974 .4999 .4788 .1985 .2486 .4996 .5 0.4986 .4990 .3665 .4949 .4998 .4842 ..4994 .3365 .2910 .4 .4993 .4940 .1 1 2 3 4 6 6 7 8 I .4896 .3944 .7 2.26L2 .4474 .4992 .4988 .3023 .4961 .487L .4986 .229r .4969 .4977 .4999 .4909 .2224 .() 3.4207 .4115 .1ts26 .4997 .4998 .4608 .0359 .476t .0279 .4699 .3926 .4999 .4732 .4999 .4988 .7 1.4830 .tzt7 .4994 .4962 .4678 .1406 .2673 .4767 .4993 .2580 .4999 .4495 .2881 .3749 .4997 .0910 .3 0.4997 .4991 .1517 .1331 .3621 .1736 .4429 .4916 .2642 .4964 .3907 .1628 .4993 .1664 .4965 .4906 .4998 .48(.6 0.3051 .4292 A25L .4979 .4996 .0398 .4983 .2764 .2996 .4744 .4484 .6 L.4967 .4996 .4319 .4573 .4992 .4864 .4332 .4808 .48L2 .4999 .0636 .4986 .4890 .4345 .1915 .4970 .4989 .7 0.3106 .4978 .2088 .4932 .45L5 .4838 .4846 .4406 1.44t8 .066? .4997 .4922 .5 1.4726 .4525 .2823 .2794 .4821 .4803 .4997 .4963 4973 .4998 .3438 .4756 .3997 .2 1.2 ¿-D .3643 .4693 .4222 .4357 .4999 .4664 .8 0.8 .43?0 .0696 .444L .L265 .4918 .2422 .4625 .4956 .3531 .4t47 .2939 .485? .4192 .)( 2.4999 .4943 .2190 .4972 .t443 .4999 .4995 .2734 .3485 .4817 .3554 .5000 .4992 .3r 59 .7 3.4793 .3133 .4987 .0517 .4989 .0 2.4980 .4049 .4 .4887 .4997 .4951 .1141 .4999 .4981 .467L .2 0.4875 .2704 .4995 .4999 .1368 .4967 .4991 .3078 .3508 .0754 .4962 .0987 .4999 .4955 .3830 .0319 .{o9t .4998 .4452 .4738 .3708 .2t57 .4913 .4991 .3810 .4999 .6 3.3790 .4996 .4850 .3389 .3980 .4999 .1064 .5000 .4279 .4953 .4990 .4997 .4948 .25t8 .4977 .5 3.4783 .5000 3.4999 .3129 .4382 .4989 .1026 .4997 .1844 .4999 .9 1.4995 .6 2.3962 .4999 .0199 .4131 .4999 .4941 .4656 .0871 .4998 .4934 .0000 .1 .1772 .4996 .4554 .4901 .1591 .4936 .4306 .4798 .4591 .4884 .4999 .0 3.07L4 .3849 .4998 .4999 .3170 .4931 2.1987 .3413 .

130 .883 .689 .29 L.04 2.36 1.72 2.08 1.23 2.674 .40 1.531 .L27 .696 .szs tse 31.?8 .18 63.531 t.96 I7 18 19 .04 2.539 .32 2l 22 23 24 25 26 oa 28 29 30 40 60 .77 2.72 1.80 2.32 L.62 2.34 1.73 1.71 L.31 1.72 1.126 .L27 .649 .39 2.540 .256 .46 2.842 Fuente: R.66 t.76 2.630 .627 1.sgs I .25 3.256 .533 t2 13 14 15 .532 .684 .71 t.36 3.531 .267 2.920 .46 2.677 2.260 t.36 1.31 1.32 1.256 .257 .000 .68 L.856 .32 1.32 L.906 .683 .60 2.36 2.92 2.86 1.765 .703 .73 1.L28 .63 1.530 .57 2.629 .36 3.858 .98 2.t42 .ongman Group Ltd.00 1.06 3.t6 2.34 1.868 .44 1.L27 .48 úes t.67 2.262 .536 .90 2.727 .62 2.76 3.82 2.688 .07 2.857 .258 .254 .684 .L32 .70 1.78 2.534 .84 4.11 2.876 .289 .05 2.643 1.64 1.Apéndice D Percentilrr de (tr) l¡ di¡tribsción f de Student con z grador de libertad v úss ¿oo t.848 .941 .061 .02 2.263 .669 .3L 2.t2s .33 .?18 .686 .L28 .20 2.542 .266 .01 2.686 .t27 .71 3.255 .681 .860 .80 1.83 2.889 .854 .261 . Fistrer y F.96 2.61? .82 2.31 .03 3.128 .35 1.78 2.846 20 I.83 1.L27 . publicado por l.45 2.48 2.62 2.266 .869 .66 9. 3 .626 .42 2.584 .727 .54 3.t2 2.r28 .711 .L27 .128 .630 .569 .74 1.81 2.89 1.L27 .862 .36 t2.50 2.42 1.683 .692 .856 .06 2.76 2.t27 .256 .257 .727 .t3 2.68 2.856 .33 1.538 .66 2.694 4 6 6 .zo t.r27 .r29 .6?9 .90 1.861 .47 2.535 .75 L.864 .532 .256 .624 .684 .37 1.11 3.14 .3?6 1.26 2.873 .863 6.48 2.88 2.60 4.137 .263 .67 1..260 .7L 1.258 r. AgriculturalondMedícol Recearch.30 1.77 1.53 2.8?0 .s.259 .76 2.90 2.690 . Edinburgh).64 2.70 1.07 2.66 2.258 .r3 2.47 2.L26 .09 2.70 2.79 2.861 .546 .76 L.277 .A.5L 2.255 .76 1.254 .98 1.70 1.33 8 9 .134 .31 2.686 .697 .688 . . Yate.858 .L27 .816 1.33 1.537 .32 L.27L .00 2.L29 10 11 .92 2.30 L.50 3.31 1.84 2. con permieo dé lo¡ autores y editorea.128 .08 2.879 .70 1.58 2.256 .09 2.L27 .691 .257 .34 1.02 1.18 2.72 2.856 .t26 .68 .158 .82 6.865 .14 3.06 2.81 1.66 1.532 . (previamente pubücado por Oliver y Boyd.866 .28 t20 € .706 .76 2.96 4.56 2.94 1.256 .t27 .06 2.256 .?l 1.645 t.896 .92 6.38 1.7L 4.L0 2.685 .257 16 2.633 .687 .325 .zs üeo tso 3.131 .700 .74L .L26 .978 .06 2.86 2.130 .257 .32 L.563 .534 .531 .683 . Stotistícal T¿bles for Bíological.30 3.49 2.17 3.

4 20.116 .66 8.56 9.63 7.7 66.8 16.3 32.89 10.8 32:0 33.8 14.7 76.3 27.4 86.9 40.7r 4.26 8.7 7.39 6.1 52.6 47.2L 1.2 11.O tt. páginas 187 y 188.L 2l.291 .8 34.7 2.2 24.7 37.9 19.3 13.l 22.02 7.57 t.2 74.23 8.6 r3.36 4.7 28.8 26.0201 .3 61.6 14. xlo.1 10.6 32.6 19.5 16.3 30.6 28. 3 4 o I .60 3.4 34.6 43.484 .0506 .S.6 46.3 71.3 49.3 53.8 16.3 49.58 6.0 71.1 77.3 61.33 3.3 29.7 34.67 9.6 20.2 12. con permieo de lol autore¡ y editoree.8 9.03 t.2 88.7 25. x'.9 43.3 t6..8 30.83 3.7 37.81 6.8 48.6 16.8 18.3 26.3 13.2 62.6 38.2 28.9 12.4 32.3 24.5 33.9 11.r7 2.0 104 116 l4 16 16 to.6 29.06 1.57 6.7 23..7 18.6 23 24 25 26 27 28 29 30 40 60 60 70 80 90 100 41.3 49.2oo¡ xlo.0 44.6 19.8 36.1 31.6 24.3 89.35 5.2tL .6 31.67 3.102 .6 61.1 12.26 9.8 t7 18 19 20 2L 8.207 .1 27.1 t2.7 38.1 16.t 31.6 108 118 8.2 14.3 22.L6 2.5 96. Vol.3 10.0? 5.7 7L.8 14.70 3. Biomelr:iha Tobles fo¡ Stotitticíane.3 23.5 16.5 34.6 22.74 7.69 2.49 2.8 14.26 7.6 26.2 66.9 t8.91 9.6 12.25 5.3 .2 36.1 DD.63 6.0 14.0 22.6 79.84 5.4 16.8 67.9 17.8 20.90 6.3 27..0 4L.0 t2 13 18.2 26.4 13.472 .8 26.7 14.tl 4.8 12.57 4.01 7.o 22.3 67.1 13. x?o".99 7.0 13.7 73.4 63.684 1.30 7.8 44.58 8..E 42.2 18.3 22.6 32.6 21.8 13.07 4.872 L.1 19.2 '19.6 36.6 41.L4 6.7 18.6 9. x?no X.54 L0.4 40.9 26.4 31.7 46.3 42.8 38.3 59.59 10.6 74.25 7.1 13.2 61.4 35.? 37.6 30.96 8 I 10 11 4.6 14.4 85.8 55.04 7.455 1..4 L02 113 rt2 t24 136 98.3 29.0 16.3 X.26 6..0 23.5 43.11 5.831 .0 62.2 94.3 73.989 1.8 24.6?6 .6 66rB 56.9 39.0 17.6 2L.70 6.0 27.3 17.4 37.8 t7. Pear¡on y H.3 32.39 10.01 5.9 20.2 10.31 10.63 8.6 32.2 59.6 36.2 t3.34 10.9 40.4 23.4 32.9 63.3 35.3 46.6 28. 1(1966)' Tabla 8.3 61.35 6.7 29.88 10.7 16.73 3.2 29.6 12.9 18.6 40.24 10.3 39.8 20.3 I 1.24 1.3 5.6 15.34 1.77 4.61 2.3 69.9 L6.7 39.L 80.0 20.2 16.9 35.9 68.3 69.07L7 .6 46.34 8.4 16.2 46.6 46.0 L07 6.1 37.2 67.gg x?rn y2 ^-00e .0 x2ot x'"0 .6 L2.9 34.9 23. 347 .6 24.41 ?.7 16.40 6.? 42.1 41.554 .1 40.1 90.7 47.1 28.3 18.3 16.0002 .06 3.3 96.3 18.0158 .1 .64 .3 13.39 2.23 5.3 2L.9 29.73 2.35 7.8 63.1 27.3 16.2 38.07 3.3 19. t3.23 5.2 31.3 17.20 2.3 15.4 43.3 r6.O' X.81 9.6 .3 45.26 6.8 13.6 61.Apéndice E Percontilas (¡f) de l¡ di¡tribución chi-cuadrado con u grados de libertad v x.7 28.0000 .9 2t.26 3.1 12.2 37. Hartley.8 45.87 6.89 6.3 26.6 25.6 90.38 9.4 29.5 24.0 r 7.9 1t.7 26.60 5.1 37.6 48.8 28.15 1.5 20.6 4.84 9.L 30.04 10.1 8.18 2.82 4.94 4.1 ttz r26 13? 64.3 18.6 92.24 1.5 20.6 43.6 22.3 16.3 82.E4 6 .43 8.9 30.34 9.3 11.7 14.6 tt.3 28.0 69.6 56.56 3.66 2.103 x?.7Ll 1.6 109 1r8 130 t28 140 t24 149 Fuente: E.2 35.6 24.0100 .6 36.9 13.30 r6.8 67.7 60.0 17.362 l.4 100 t2.6t 6.6 17.1 16.49 11.0 27.7 22.2 44.4 40.37 3.3 2L.3 14.4 69.0 48.1 39.4 12.3 49.91 7.4 42.3 99.0 19.6 13.66 5.7 33.4 83.2 11.3 23.2L6 .2 11.0 26.9 48.0 36.45 4.0039 .1 45.78 9.0010 .6 88.92 2.9 34.8 24.63 ?.7 2t.2t 11.7 26.8 t9.79 t4.1 10.8 43.6 54.0 33.O.64 9.90 27.3 79. .7 23.32 2.57 7.09 2.2 29.4 3..6 33.86 11.8 70.9 11.8 40.7 12.3 20.6 50.3 12.t7 4.D'ID r.0 11.2 6t.8 79.44 9.8 14.7 99.

42 2.67 t.97 2.54 4.44 3.77 2.15 4.78 2.39 6.39 2.43 4.84 2.26 2.99 2.97 1.87 1.90 2.57 2.84 2.87 3:70 3.t0 | 4.4 19.r5 2.41 3.00 3.49 3.DD 1.7l 2.54 2.97 r.07 3.34 2.55 2.85 2.29 3.5 19.?0 8.09 2.66 5.87 t.34 2.96 t.38 3.24 2.67 2.90 2.65 2.20 4.05 2.89 1.06 t.65 1.01 4.23 4.4 19.6 10.L2 2.96 1.L2 9.91 5.76 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 18.76 1.57 2.66 1.04 1.18 3.2 19.76 1.43 2.25 2.93 1.57 2.70 I 2.70 2.56 4.79 3.75 4.46 2.25 2.34 2.54 2.31 2.35 7.44 3.68 4.6L 2.86 5.55 8.53 2.49 2. Vol.41 2.93 2.20 2.85 1. .87 2.00 2 Fuente: E.8z r.55 2.98 2.03 1.t2 4.37 2.20 3.0Q 2.86 3.L9 2.99 1.61 2.46 4.44 3.16 2.8L 2. parr le di¡tribución F u1 grados de libertad en el numerador /2 gfados de libertad en el denominador ><.82 t.92 4.7r 2.79 t.84 1.80 2.35 4.L8 2.03 ¿.68 2. ¡O 5.09 3.70 1.37 2.46 1. O.94 1.99 5.66 2.07 2.73 4.40 4.04 6.2L 2.76 4.81 1.lL 2.77 2.14 3.95 2.18 3.L0 2.2r 2.98 1.68 2.14 3.90 2.84 3.96 2.79 3.94 8.59 2.23 2.4 19.88 1.01 1.27 2.01 2.3L 2.34 3.79 2.74 2.58 1.11 2.91 3.91 1.53 2.88 4.02 2.98 2.62 8.50 4.02 r.32 2.89 2.37 2.34 3.30 3.25 2.61 I.74 2.89 1.69 1.5 19.84 1.53 3.36 2.90 1.g¡.53 r.86 1.93 5.56 2.61 19.4 19.85 2.39 3.65 2.41 3.62 2.t6 2.80 a. página 178.42 2.74 1.32 2.64 2.36 3.64 2.75 1.37 3.45 2.26 6. Hartley.46 2.70 2.89 1.22 2.79 L.96 4.20 2.01 1.07 3.08 4.4 19.04 3.84 40 60 t20 t.53 2.12 3.69 3.57 r.10 2.64 8.90 1.06 2.7L 6.23 3.12 2.62 2.24 3.84 4.rL 2.58 2.46 2.59 2.38 2.27 2.22 1.94 1.75 1.32 1.10 4.73 2.92 1.88 4.L3 2.46 2.42 2.53 2.32 4.83 2.83 2.28 3.5 9.4 19.54 2.69 5.02 1.01 1.45 2.9L 2.77 t.99 1.51 2.49 2.60 2.4 19.80 t.34 2.1 7.07 3.52 j 3.68 t.7L 2.62 4.56 2.21 4.t0 2. Tabla 5.33 2.47 1.35 2.74 4.4E 2.31 2.44 2.58 3.79 8.01 2.06 4.63 2.66 2.t9 2.96 2.15 3.85 1.?0 1.2r 2.35 3. Pear¡on y H.96 2.18 2.53 2.01 2.50 3.64 3. S.15 2.71 3.5L 2.64 1.95 1.59 5.57 3.13 2.30 2.10 2.95 1.92 3.66 2.07 2.00 I.75 1.98 2.82 2.26 3.01 2.16 2.66 8.r2 2.26 3.27 2.0s 1.08 2.92 1.6L 2.45 2.21 4.25 2.96 1.61 2.64 2.53 2.92 1.28 4.93 1.38 2.2 19.75 2. (1972).94 3.39 t.96 5.72 5.39 4.84 1.0L 1.24 2.01 1.85 2.59 8.35 2.29 2.62 1.96 4.r3 2.17 3.05 4.87 3.39 2.00 5.30 2.22 2.08 2.69 1.7 4 2:28 2.5 19.03 2.79 1 a^ 1.09 2.84 1.42 2.71 2.70 2.84 3.08 3.r7 2.3 19.69 3.22 3.Apéndice F Porcentila 95 (nivele¡ 0.76 2.93 1.80 2.40 2.74 8.31 2.12 2.79 2.30 4.49 2.84 1.43 2.46 2.34 2.32 2.87 3.81 3.69 2.29 2.63 5.35 3.0r I | 4.59 1.33 2.85 2.6? 3.27 2.74 4.28 2.47 2.20 2.48 2.40 2.85 8.29 3.22 2.L5 2.60 2.90 2.54 2.L2 3.35 2I 22 23 24 25 26 27 28 29 30 3.49 2.63 6.07 3.69 4.5L 2.71 2.26 2.28 2.06 2.41 3.95 4.99 1.82 4.(}51.76 2.?3 3.98 1.L0 2.06 2.01 2.38 3.22 3.23 2.84 1.L8 2.49 2.59 6.07 4.1L 2.l I D.48 3.38 2.83 2.L6 2.7l 1.3 4 o 6 I 19.25 2.94 1.84 3.20 2.78 t.38 2.81 8.?9 r.77 2.86 2.42 2.61 2.30 2.58 2.42 3.93 2.91 1.03 4.16 2.53 4.18 2.2q 3.92 2. Eiom etriho Toblec for Stotíaticianc.46 2.95 2.06 2.90 1.01 8.62 2.28 3.74 2.28 9.63 3.18 2.47 2.09 2.67 4.81 t.73 1.6? 2.27 3.04 1.19 2.51 3.87 r.04 1.92 1.45 2.60 3.49 4.05 2.89 8.40 2.83 t.30 L2 13 14 15 16 L7 18 19 20 2.r8 2.76 2.20 2.LL 2.81 2.66 2.48 3.32 2.64 2.85 6.77 4.59 3.r9 2.46 2.00 3.78 2. l'.42 2.03 1.96 1.45 8 I l0 11 5.68 3.L5 2. con perrniro de los autoreo y eütorea.94 2.60 2.40 2.t5 2.92 2.36 2.57 8.76 1.19 4.11 3.60 4.35 2.35 2.rL 2.28 2.25 2.47 3.94 1.77 L.09 6.24 2.29 2.41 5.23 2.5 19.5 19.60 2.37 2.43 1.23 2.33 3.05 4.13 3.34 2.tl 2.27 2.r7 4.96 1.91 1.97 3.4e 3.37 2.88 1.62 2.50 1.66 2.16 6.24 2.07 1.

66 2.99 5.4 27.31 3.38 9.80 3.57 2.42 4. .49 12 13 6.70 2.87 2.9 99.82 4.46 7.2L 3.67 6.16 3.63 3.26 4.99 2.6? 3.42 5.66 2.o J 2.55 3.7 99.1 7.68 7.35 4.76 3.64 2.66 99.36 6.00 3.56 2.4 99. Vol.62 4.sz 2.3 L2.88 2.02 7.98 6. F.46 2.54 3.78 3.12 3.16 5.28 4.41 9.19 l0 99.45 s.5 26.76 4.10 4.59 3.4 13.65 2.20 4.0 9.O.87 4.31 2l 22 23 24 26 26 27 28 29 30 40 fó 4.oo 7.60 3.70 3.59 6.35 2.69 2.04 3.59 3.71 3.62 2.64 4.82 4.80 3.33 3.89 4.07 4.4 27.26 6. Hartley.33 8.32 3.82 7.13 3.18 8.04 4.57 t2.67 2.72 5.40 3.03 3.16 3.84 6.96 4.89 3.84 2.78 3.38 2.54 3.80 6.99 b.65 3.96 3.80 2.31 4.51 s.60 4.37 5. Pearron y H.3? 3.52 3.00 2.55 8.72 2.58' 2. Biomeúiho Toblec for Statbücbnc.4 9.4r 5.94 3.12 4.02 7.35 3.70 6.86 1.60 4.2 18.83 2.74 4.2 29.APENDTCE F 349 Percentila 99 (niveles 0.54 t7 18 19 4.5 9.4L 4.22 4.20 4.94 3.2'.93 4.07 6.47 6.11 6.75 2.8 99.6 5981 6023 6066 6106 615? 6209 6235 6261 6287 99.2L 6.32 2.90 3.63 2.10 3.46 6.68 3.92 2.52 4.17 3.37 2.31 7.41 3.12 3.54 4.38 1.40 6.tL 3.07 4.3 8.13 2.3L 6.26 2.29 6.36 4.09 3.89 4.09 2.6 13.36 3.67 5.10 2.72 5.78 2.13 3.70 3.74 4.78 9.60 '7.94 3.oD 8 ?.4 99.02 6. página 180.86 6.03 3.03 2.45 3.43 3.30 4.72 7.11 2t.28 4.49 2.10 4.33 4.84 2.46 3.02 7.49 5.29 7.08 6.5 26.64 6.0 16.66 2.t4 5.63 8.77 4.22 3.00 t20 Fuente: E.44 4.47 t4.01 .85 2.10 8.63 3.66 4.5 26.10 L2 16 20 24 30 40 60 L20 @ 4062 6000 5403 6625 5764 5859 99.7r 4.42 2.71 3.99 5.17 3.06 6.96 I 10 11 .4 27.87 6.95 4.63 6.44 2.2 99.94 4.85 7.64 7.80 5.99 6.20 2.92 2.18 4.3 10.2 9.72 4.74 2.95 1.41 2.03 1.L4 4.96 2.03 5.7 27.17 3.95 5. l4 15 16 4. Tbbla 6.18 3.94 2.01 1. 2 (1972).23 5.30 3.21 3.S.64 3.55 7.75 2.09 3.94 1.83 3.64 4.40 8.02 2.31 3.4 26.61 6.68 4.72 2.0s 1.37 4. para ls di¡tribución F v.42 3.3 28.?5 8.62 3.06 4.49 2.86 3.29 2.20 2.43 4.03 2.62 5.29 3.3? 3..61 4.r3 2.86 3.56 6.54 2.34 4.65 8.70 8.3 27.25 3.22 5.86 2.97 6.26 3.87 3.40 2.44 4.88 2.L2 1.36 2.7 14. 8.4 11.42 3.r 26.33 2.19 2.L2 2.2 9.07 5.46 3.6 9.21 3.98 2.17 4.92 2.64 3.67 3.011.96 2.?9 3.26 4.01 3.l 11.02 3.26 4.91 6.39 2.36 3.93 z.29 8.07 3.5 34.75 3.L7 4.61 6339 6366 99.65 9.18 5.90 2.36 3.81 3.51 3.31 3.52 2.86 4.04 3.32 4.31 4.08 3.36 2.7 10.18 3.47 3.66 4.5 14.56 6. 3 4 o 6 .76 2.78 3.43 3.91 .8 99.93 6.39 6.50 4.00 2.60 1.2 ?.59 3.42 6.67 9.03 2.07 2.69 3.58 4.93 3.l 8 I 99. 3.56 4.84 2.39 3..41 3.5 26.72 6. gFados de libertad en el numerador v2 grados de libertad en el denominador x1 I 98.t4 4.19 11.88 7.70 2.26 3.26 3.32 5.82 4.48 3.79 60 2.7 10.00 2.50 4.54 20 9.66 2.2r 5.1 13.11 6.2 16.r7 3.63 4.69 3.se.89 3.89 4.29 2.0 15.18 3.63 4.89 3.9 99.09 3. 3 4 o oot 28.84 9.86 4.46 3.00 3.42 2.60 6.89 7.76 1.99 3.L4 5.85 4.56 3.1 6.68 99.52 3.88 5.86 3.34 3.30 3.51 3.7? 7.68 8.b8 2.16 3.üb D.4.60 2.00 2.0 10.08 3.66 2.7 16.25 4.47 2.51 3.06 4.10 3.01 6.01 3.0 9.81 6.61 o.50 2. con permirc de lo¡ autoree y editoree.81 4.31 9.23 6.6 10.06 2.ó 16.40 4.59 1.5 26.67 2.9 9.t7 2.65 3.67 4.7 13.95 7.15 2.66 6.56 4.5 10.25 4.62 4.2 13.0 30.78 3.2 14.53 3.68 2.39 4.3 14.74 6.56 5.6 14.35 4.45 7.3L 2.94 3.54 5.?0 1.01 5.39 4.21 2.43 3.72 7.ó9 3.93 2.Ll 2.46 5.47 5.91 5.23 3.60 3.1 a.3 13.20 4.65 6 .78 2.19 5.16 3.66 3.78 3.23.30 3.23 2.30 3.73 7.10 6.46 2.40 4.37 3.30 7.5 13.86 8.63 5.4L 2.8 10.15 8.

Apéndice G
Logaritmor dpcimale¡ con cuatro c¡fra¡

N
10

0

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

2

3

4

5

6

I

8

v

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

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

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

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

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

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

Partee hoporcior¡ales

22 23 24 26 26 27 28 29

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

4728 4742 4757

30
31

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

82
33

84 35 36 37 38 39 40

4829 4969 5105 5237 5366 5490 5611 5729 5843 5955

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

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

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

81114L7202226 81113L6L82L24

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

81113151719 81012141618 810t2L415L7 7 911131517 7 911121416

7 7 6 6 6 6 6 5 5 5

910121415 810111315 8 9111314 8 9111214 ? 9101213

7 ? 7 6 6

9101113 8101112 8 91112 8 91012 8 91011

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

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

4l
42 43 44 46 46 47 48 49 60

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

65/'2 6551 6561

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

5l
62 63 64

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

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

7tt8

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

N

2

D

6

I

350

APENDICE G

351

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

N
55 56 57 58 59 60
61

0

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

2

ó

A

D

6

7

8

I
1474

L23456789

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

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

7435 7513 7689 7664 7738

7443 7520 7597 7672 7745 7818 7889 7959 8028 8096

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

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

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

7

62 63
64

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

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

6 6
6

65 66

ot
68 69 70
7L

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

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

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

6 6 6
6

6 5 5 5

72
73

14

to
16 '/ó
79

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

8791 8797 8848 8854 8904 8910 8960 8965 9015 9020

5 6 5 5

80
81

82 83 84 85 86 87 88 89 90
91

9036 9090 9143 9196 9248 9299 9350 9400 9450 9499

9042 9096 9149 9207 9253

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

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

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

6
5 5 6

6

9304 9309 9355 9360 9405 9410 Q455 9460 9504 9509

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

o9 93 94 95 96 97 98 99

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

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

344

9786 9832 987? 9921 9965
I

9791 9836 9881 9926 9969

9?95 9841 9886 9930 9974
4

9805 9850 9894 9939 9983
6

9809. 9814 9818

9854 9899 9943 998?
n

9859 9903 9948 9991
8

9863 9908 9952 9996
a

3 3

4

N

Valorc¡ de e-^

(0<r<1)
}'
0

I

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

3

4

5

6

7

8

I
.9139

0.0
0,1

0.2 0.3 0.4 0.6 0.6 0.? 0.8 0.9

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

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

.9608 .8694 .7866 .7118 .6440

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

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

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

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

.8270
.7483

.677t
.6126 .5543

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

.5827

.5273
.477L .43L7
.3906

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

.Eore
.4538

.4107
.3?16

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

lo¡ valores

de

e-r

para otroe valore¡ de

I,
=

emplear lar leyes de los exponentes.
.03081.

Ejemplo:

-¿-3.48

=

(e-3oo)(¿-0.r8¡

=

(.0a929)(.6188)

Apéndice

I
Números aleatorios
74640 2349L
601 73

51772 24033
45939 30586 03585 64937
1

42331 83587

29044
06568

4662I
21960
1

62898 2L387 55870 86707 85659
551 89
41

93582 76105

04186 10863

52078
75797
81

25424 45406 82322 20790
98527 30277 60710 06829

1645

02133 79353 03355

31041 96799 65304

56974 12973
36081

37428
171 69

938

50884

19640 97453 93507 88116 14070 rL822 24434 41982 16159 35683

8?056 90581

94271

42t87
74950
15804

95863 51135 57683

5630

64759
56301

09448
21 631

62586 94623
5229A 87843

889

00745 25439
68829 48653 27279

65253
88036 06652
71

67283

85418 16835

49t59

9tt57
17480

7733L

590

t4676
47280

91097

294t4

28L95

47162

362

Respuestos o problemqs suplementqrios
CAPITULO
1

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

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

(c) {5i (d) t5}

k) @ (/) {3}

@) {2,6,3}
(¡¿) {6}

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

(d) {4} (¿) {3} (/) {3,4}

5/36

(c)

0.e8, (d) 2/9

(e) 7/8

) ) (c )
(o

(b

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

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

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

(e) 4/5

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

(e) IL/t6 (Í) L/5

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

(i\ (i)

6/26

52/225

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

(e) Lr/L5 U) r/5

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

1.86.

(a)

3/10

(b)

1/10

(c)

315

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

r.106.
1.107.

(¿)

32,805

(ó) 11,664

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

1260

1.108. (a)

120 10
6

(b) (b)

72

(c) L2 (c) 45

r.r09.
1.110.

(o)
tt.

70

.

1.96. 113 1.9?. t4/57
1.100.

=

1.111.210

8 12
(b)

1.112.

840 ?000

1.101. (a)
r-LO2.

2620

(c\

720

1.113. (a) 42,000 (b)

n:5 60
5040
(b)

lJla.

(a)

L20 150

(b) 2620 (b)

1.103.

1.115. (¿)

46

(c) 100

1.104. (o)

120

(c)

240

1.116. (¿) 1? (b) 163 1.117. (o)

1.105. (r¡) 8400 (b)

2520

20

(ó)

330

(c) t4199

353

354
1.118. (a)
16

RESPUESTAS A PROBLEMAS SUPLEMENTARIOS

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

6rys

¡

ya

1.119.2016

L.r22. (a) 5/L8 (ü) 11/36 (c)

1/36

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

44

(b)

2r

4

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

4152CB

r.127.

(6Ca)(aCz\/MCs

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

Ql

QCz. ¡¡'Ct

*

a'.Csl,l12cs

4(r3Oa\hgC+)/szCss 1025

r.l3E.

(o)

120

(ó)

60

(c) 72

1.131. 2.95 x 1.133. 0.8%

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

aproximadamente - 3

1.f40.

3L26/46,656

1.13ó. vT1
L.146. (a)

l.l4t.

(a)

4

(b) 14

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

4/52C5

r.t47.

2/243

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

126 462 3/32

(ó) , +,- rCn(b) (b)

r

,-tCn-t

1/16 (cl r/32

(d) 1/8
prob. empate

1,151. prob .4 gane

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

=

L26/216

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

2
0

2.38.

(¿)

I
3/8

o

3

2.39.

(a)

0

I
t6/28

.)

f(r)

r/8

3/8

t/8
t

f(r)

3/28

6/14

2.4o.

(a)

t

0

1

f(r)

9/64

r5/32

25164

RESPUESTAS A PROBLEMAS SI'PLEMENTARIOS

365

2.42.

(a)

r
f(r)

0 194,580

1

2 6768

3

4

270,726

69,184 270,725

r92
270,725

270,726

2.43.

(o)

r
F(n)

0

I
U2

2

3

L/8

7/8

I
4

2.46.

(o)

r
f(n)

I
L/8

2

3

(b) 3/4

(c\

7/8

(d)

3/8

(el 718

u4

3/8

U4

2.47.
2"48.

(o)

3

(ó) e-B

- e-6

(c)

e-s kll | -

e-s

F(r)

=

2.49. (al

6l2s

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

2.50. F'(c) =

2.6t.

(a) r/27

(r2/9 0<¡(3 de oha forma l0

(c) 26/27

(dl rls

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

fo

2.66. 2.67. 2.ó8. 2.60.

(¿)

(a)

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

(ó)

/r(u)

= {o

(Ale A = l'2'3
orra u

(d\

6116

(¿)

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

(ó)

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

tl1

*

al

o<a=l v=l

a=0

(a) (ó)

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

2.61

.

(a)

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

t)

=

rÍl'

0

5

Y

=

1

otra

r' O=A=I
0

(b)

l(r+ull@+l) 0 < ¿-< l, = 1o o<rsl,

=Y = otray

1

356

RESPUESTAS A PROBLEMAS SUPLEMENTABIOS

; i . ¡

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

0<rrl'

0=v<1

;
i |

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

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

,=o,u<0

A¿O

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

de oha forma

0 de otra forma

2.72. (o) c(u) =

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

(D) c(ut

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

i:i::
de otra forma

o

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

0 de otra forma

=

" {; '' 1"1í,""1.",t
I

2.82. c@)

=

{í'"-''u

:::

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

2.E3. l/4

-" ;: ;

2.s4.

s6/2*g

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

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

-

7e-o

2.89.

(a) c = (a)

1

(ó) 8e-2 c2=

,

2.9L. 2.s3.

cr=2,

I

- e-4 (ó) 9e-2-lAe-s L0

-

ze-r

(c)

4e-s-4c-?

(iI)

e-z-¿-t {ó

(el 4c-s

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

2's6' (a)

{r-^''
-rn2)

1"t"r0.".,-" (ó)
(r)
o1+

{;t'-"
zlrn

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

2.e0. (b) ;(1

lrnz

(¿)

2

,

2.e8. s(?)

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

2.ee.

(b)

7/L8

2JoE. \/r/z

o*=1/t5/ZO 4 (b) 2 (c) . (c) 315 3. 3.7 3. 3. p¿=35 (b) pr = 0.62.44. 3.5e. 3. 3. 3. 3. pí=0.69. 3. 3. (a) 1 lb) 7 (c) 6 3.E1.5 3 (b) r3n/6 (a) 35112 @\ (ü \Elm. pl:L L6/3 3.61. pi= 2. 3.E4. 3. 3.82.45. pá: t6/5.\klzk+t(k+ll I qeiab co)/ao 3. pi= Al=0.67.72. 3. pz=7-.(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) \. (c) 1/(1¿). 7/0 (ó) 6/5 3./m/L8 (d' \rzssñ8 (e) -9L/32a (Í) -sr/235 4 tb) 4/\/35 -t/tst¿.77. (o) 1 (b) (o) Var(X)=5. (o) (a) 1 (b) I (c) rla (c) 3.78.66. Ft=2.74. (a\ l/2 parae>O (b) lParay>0 . (o) (f + 2te2t . (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. Fz:3/80.ó6.68. (a) (3r +2\/(6r*3)para0 5 ¡<i t¿l lsu+Z)/(6u*3)para 0 = a = | 3. p3 =-L2lll60. 3. yí= 6.RESPUESTAS A PIOBLEMAS SI.46.57. 3.50.47.54.'PLEMENTARIOS CAPITULO 3 3. nx=lE (al (a\ (ü) Var(X)=3/80. ú= (a) h=0. 3.ezt\/zt2 (D) p = 4/3. 3./3s12 3. <1 (ó) p = l. 3. 3.64. 3/2 (bl 3e/4 (a. (a) (a) 2/3 (b) 2/3 G) aB 7/a (c) @\ Als 3. pí= 2. (e2ia-Zie2ia-ll/"2 (a) (¿) (¿) Lr/144 (bl rr/L44 1c¡ t/iJttz (¿) (¿t) \/-LUr2 (e\ -L/L4a 0 -!rr 1 .62. 10.60.65.79. 3/2 n (b) -2e/6 Lla !4 3. 1e/10 (¡t') 6/6 a/3 @ 1 \Ng 3.\ +(et/2+e-t/2) = cosht (ó) p=0. ps: -5. i¿l p4=230718960 2a 3.43.48.6E.E0.55. pn=33 (c) (bk+r'st<+r)/(k* 1Xb-o) peiaa (sen (ó) [1+(-1)k](ó -a. pí=1. Fz:5. 3.83'.

85.10a. (o) 3. t"l . (a) x Var (Y lX) 0 5/S I 416 2 (ó) Y Var (X I Y) 0 I 2S/36 2 24t49 3.17 (c) 0. (o) (c) 8/16 1-+y'3 (bl v2 3.114. 3. (o) 1 3.116. (¿) 3. ffiParao rle (b) 1 6x2*6n*L s r:< I .1)/4 (c) 16/81 3.10E. .05r 3.o)/6 (a) -7/27 (c) 2(et-l-t¡¡¿z -Z(e--l-ü¡¡"2 (e) r/136 3.126. (o) (c) 3 (ü) 3 3.f 6/9 7lr2 o 3.e2.ze-t (D) no existe (al 2(\F-Ll/3 (b) L6t7 2 0 2 7/3 r/3 2t/2 (b) e 3.109. (a) r 2 0 (ó) 8(21/2-r)/L6 (D \.125. (o) 3. (o) (a) 3.127. (a) 3. (o) 0.L22. (a) (b) r/4 (b) 0.###parao < nr 5r 3. 3..90.eziarlznl u) 12/6 3.89.123.120.118. (b) 2415o (ü) e (al (a) (b) 6/e (b) 1/18 (c) (et * 2e2t + Sezt)16 (d) (d) (eto + 2e2to + 3e3. (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 3.5 02.8/2 (ü) 1/3 (c) 0 .91.119. (o) 1 I (ü) (ó) (y'3. (¿) 1/y'5 3.1or. (a\ L 3. (bl 3614 (1 @l atg (b) 2/e L (c) * 2te2t - e2')/2t2 (el -2\/fr/r6 (d) -(1 + zibe2ia .94. (d) 1- (1/\.124.r/r-tsnflo) (ó) \F@i @ tlfr.103.358 RESPUESTA"S A PROBLEMAS SUPLEMENTARIOS 3. (al 3. (o) no eriste (ó) (c) 3 -1 (c) e-z *0 3. (o) (ó) ln 2 (D) I 3.105.121 .100. (a) 3.[o ) 3.113.

4.t"/o 0.61.73.1494 0.7123 0. 57/6a Q\ 2r/32 (b) (ó) 4.6 (b) e (b) 72. 11/16 (dl 518 (a\ r7lL62 (a\ (a) 5/16 (c) 4.1342 0.85.77 (a) npq(q (o) 1.0089 (o) (o) 0. 4. 4.82.0154 (e\ 0.4% (bt 23. 4.89. 4.E8.4232 (o) 0. 4.69.6826 4. 4.2511 (b) 0.15 (b) 0. (o) 0. 0.G¿s 4. 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 4.93.74. 641243 25 (c) 500 4.9198 (c) 0. 84 (bl 8.9962 (b) 0.1127 (dl2.E1.90.63.0567 (b) 0.6404 (d) 0. 4. 4. 4. L93t5t2 (a\ @) 32/243 (bl re2l243 k\ a01243 (dl 2421243 42 (b) 3.E3.7% (b\ 54.80.06131 .550 (c) -0.t9. 4.5.7t. (c) (p) 0. (al93% 4. 4.s27 1.1680 (/) 0.92.86 (c) 2. 4.I RESPUESTAS A PROBLEMAS ST'PLEMENTARIOS .E6.0838 (b) 0.1008 (c) o.87.849 (e) tt.a7% 4.7% (al e5.08 (d) r.8?67 (b) 0.626 ó 0.224r (e) 0.0079 0.2991 (c) (o) 0.e265 (d) 0.84.76.05610 (b) 0.03eb .9495 (b) (ó) 0.03?5 0.0668 (a\ 20 (b) 36 (cl 227 (cl (d) 40 @) 15% 4.726t (/) 0. (a') pl (b'l npq(l - 6ps\ * 3n2p2q2 -1.049?e (ó) 0. (a'¡ 6L.0% (c\ 93. 4.5976 (c) 0.78.0658 4. 4.66. 4. 4.75 (b) -1.91.4 (¿) 0. 359 CAPITULO 4 4.66.0687 0.64.67.90 75.995 0.68.2241 (d) 0.76.0?86 (c) 0.3% (a) (o) (a) (o) 1.62.77 (c) 0. 4.0286 (d) 0. -0.9500 0.

58 5.L32.0228 (c) 0.62. (a) 0. (o) B0.BB (d) -0.000948 (ó) 0.47 (c) e.2 4l.s? 4.360 RESPUESTAS A PROBLEMAS SUPLEIVTANTARIOS 4. (a) 2.0 (d\ 2.60 3.0 (b\ 4.0 (b) 4.128.13?.03 (¿tl 2.008 = oz.Lo4.40 oz.000295 4.gs (e) z.160? (d) 0. @\ 4. (a) 237 22.2 zr. o* = 0. (o) 0. (a) ?0/429 (b) l/143 (c\ L42|L4B 4105 (.53.04462 (c) 0.0000 . (c) p. (a) 201.73 -0.75 1.. 0. (Q 4.r y 26.101.8 68. (a) (ile)/Q?) .75 2. (a\ 3/4 .2 2s6.35 L7e.1b82 (c) 0.L4L. (a) r 4.s 20.0 (d) 8.? 3/4 16.0e (c) (c) (c) (c) 1.62 (b) CAPITULO 5 (c) 0.34 2.00g oz oz oz.49.s5 z.L29. (¿) 4.4 ft\ *e-tn -1"-.861 (. (a) (d) (el 2.9544 5.136.t : 5.138.1? v 7!r= !4.1033 (c) 0.55.ro9.1 4.B 4.829 1.00J8 (d) 1. (o) 5/3888 (b) 5/324 4.50. (a) 9.111.71 (ó) (b) (b) 1.6e64 (/) 0.136. (a) 0 4.rr3.r2o.128 (d) -1.81 (bl2. ¡2.l 86.48 4. (a) 1.L26.b9 84.008 oz oz (ó) (b) pX pX = 22.00248 (b) 0.0 (b) (b) 4.2 (c) suponiendo áreas iguales en las dos colas. @) 2.r03.64. (a) 4.0918 (d) 0.166 6. (a) e.tr2.94.3/8 4. 22. (a) 0.2 (c) (c) (c) 2B. Ll4 aJLa.ro2. (a) 0.40 oz.84 (d) 4.4O 0.s a8. o* = 0.76 1.5 (b\ 4. - 2.47 (c) 9.o rí.51.40 o¡ ligeramente menor que 0.3 (d) (d) 55.8b2 (e) 0.. (a) L22.8164 (ó) 0. (o) e.4972 (ó) 0. (o) sx = 22. 82S\fe (b) (ü) (b) 2(b-al4/6 e/5 113 6. oi : 6.) 4'106' (c) 4.7 (b\ 4. ('f) (l?)/(l?) (iSX?SXtt) sla 0 (b) (ó) (ó) (ü) l(¿ocoxzoc2ol+(4oc'l(nctsl* (qoc)(ncnl)taoczo 4.L27.005? (b) 2 (c) ninguna (dl 24 6.LB 4.0620 4. (a) 4.r?r.130.68 2.16 5.

6.323-0. 0.7349 pulg. (o) (o) (ó) (ó) 11. 5. (a) ?99 (ü) 1000 (e) (c) 949.62.97.e5. 46 (@) 0.99. 6..o% 78. O. 501. (a) menor que 0.111.LL2.tO.326.t1 5. (o) 0.63.1841 (cl (o) 118. 5.0.01 (c) menor que 0.93.01?9 5.106. (¿) (o) (¿) (b) (b) 0.60 0.9596 (c) 0'1161 .3204. (o) ñ = 2.86 (ó) (c) -e1 (d) 63 .100. (al 4018 6.26 5.33?6 pulg.66.33f0. (c) 0.76.1o9. 5. (c) 0.65.8 lb. (o) 10.6% (il 0't ts.3265. (a) 82 6Jo2. 1199. . 0.50?. (o) 0.0028 (b) 0.8664 (c) 0.0316 5.6 (fl @) a6% 100 (horas) (s) 62/a00 (h) 25. (o) 0.01 (b) menor que 0.3196. (c) 0.73. 8. 0.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 5. (c) 146.33? 6..68.9 lb 5.10 5.7L. 11.105.0% 76 5.49 0. .E6.2 6.01. 5. (a) 24% (b\ rL% 5.00496 pulg.0006?6 pulgadas (b) 72. 78 á.?33 (c) 0.76% S. 0.?4 lb I 2 (d) 126 0.113.0019 (ó) 0.90 5.60.?9 0'0228 lb (b) 0.92.5E.81. 5.96. 86 5. (a) 2 6 6 (b) 996 (b) (c) 218 12 5.06 pero máe cerca a 0.49 (c) 0'28 5.94. (b) 0.74.11 5. (o) 5. 6 0 -1 (ü) 40 4 6 (c) (c) 288 (d) (d) 2188 (b) 0 26.0 s ?9 5. 5.166 ó 16. .82. (ó) 0.322.t7. 80Eo.72642 pulgadas 26. 5.72.09 tons.0064 (c) 0'4504 5.20% ton. 5.9t.1%.L6 (ü) 0. 12.003 pulg.60 1'. 0.00 6. 6.7o. 99. . 5.0026 6.0136 0. (o) 0. (ó) 38.0.a84 5. (¿) 0.104. (a) 5. 5.326-0:328.1.6 (d) 10995. .59. . 6..3%' 99.2160 (b) 0.6% = 0.00?? (ó) 0.0482 .8869 28. (@) 0.01 y 0.47 (ó) e = 5. (a\ 2.67 0.101.01 (b) entre 0.60 5.56.3226. 0.36 (ü) (ü) 0'17 0.91?2 6.108.

4 hr Las estimas de las desviacionee típicas de la población para los tamaños de muestra 30.000085 pulg.34.0696 r¡¿o 560 (c\ r.24 lb2 (c) 0.0586. (o) 0.000072 pulg. (o) al menos 96 (ó) al menos 68 (c) al menos 16? (d) al menos 225 900 (o) al menos (o) 7. m1 = 0.2464 (b) 52. 101.12t.298 0.2 (b) 0.0? (b) 0. (o) 0.049 segundoe 6.112 .118. 0.045 6.09 t 0.82 0.70 t 6.86 lb reepectivamente 6.tu. 7 RESPUESTAS A PROBLEMAS ST'PLEMEI.72642 t 0.12 hr t 0. (a) 11.241 7.9?.30.2 106 (ü) (b) 8.31. 26. 1193.122. 0. Las estimas de las media¡ de la población son 1200 hora¡ en todos los casos.000060 pulg.29. 6. (o) 0. 60 y 100 tuboc son respectivamenüe.94 Laprimeradistribución (a) la aegunda (b) la primera 5. (o) 9. 5.000025 pulC.36206. -0. (a) 1200 hr 6.18 tons.82.073 i 0.84914 6.126.u (o) al menos 323 hr (b) al menos 560 (c) al menos ?66 (b) 1.2344. 6. = -3. 6.¡'TARTOS 5.115.131. ms = 0. m1- 89.?3 onzas onzae (ó) Z.3?.18. 6.38 (hl 22.0ab t 0.. m1 :0.00002b pulg.22.74 5.38 (a) ?.68 a 0.128.L2.493e (b) 5.5 lb (b) 0. tb9 5.72642 + 0.7.40.62 6.38 384 (b) al menos 221 (c) al menos 666 (d) al menos a 1. 0.09 t 0.130.11 (ó) 0.?0 * o. (c) 0.?0 r 0. (a) 0.6. (d) 032642 a 0.38.e5 5.298 t 0. (o) ?8.030 eegundoa (D) 0.41. 6.20 (f) 7.0090 CAPITULO 6 e. -1r7.33.Se (ó) ?.39.123. 0.69 I 0. (a) 5.43.117.28 (b) (s) ?8e. 0. (o) (b) 105.36. 42 5. 0. (o) 1. (a) 0.428 24.7.72642 + 0.09 t 0. 0.53743. 0.24 tons.124.41.09? (c) 0.35 (e) 26.4 4 (i) (il 706. 6.127.045 0. (ó) 11. (¿) ffiz: 0. (bl 0.546 2.36. rn2= 5. 6.?8 y 0. (o) 0.5 horas. L9.0 y 100. n4= 0 -0.72ti42 t 0.r5 (c) 0.000095 pulg.362 ó.116.96 onzas t t I 0.07 t 6.2 (d) 7158.25.125. 0. (q') (c) e2. 6. 2.62 r 0.38 I (a) 0. (a) 6.16 onzas 0.97. (b) -4. 101.129.88. (b) 0.1 ó.22 0. ó.

(a) 63.05. Se puede rechazer la afirmación a ambos nivele¡ mediante un enaayo unilateral.269 (o) 0. ?.ó4. .4E. mediante un ensayo unilateral en ambos caso8.654 a 1.6% 105.7O.63. (a) Aceptarlahipóteeissilasbolasrojarextrafdasestánent¡e22y42 rcchazarlaencasocontrario. rechazarla en caso contrario. 6.62.5 horas (b) 88. en ambos nivelea.1 horas 6.2606 7. 7.5).519 a 7. (Hi p> 0..14 (a) 0.15 6. I _ ()rr)/r¿ 6.70 6.5 (ü) 102.138 a 10.Bb 6. y se acepta en ceso contrario (o no se toma ninguna decisión).02 (a) 0.45.68.9 6. 6. El re¡ulüado significativo al nivel de 0.06 (c) t2.60. (b) Se puede rechazar la hipótesis d nivel de 0.(b)0.6 horas 2400 ! 59 libree (b) 87.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 363 6. (c) Aceptar la hipóterie ¡i las bola¡ rojac extrafdas esüán ent.17.4 horas hora¡ horas (b) 78.65.46. (c) Rechazar 116 si se extraen más de 39 bolasrojasy acept:ula en caso contrario (o no tomar decisión alguna).6 ¡ a 1g0.5).0 4802 (ó) al menos 8321 (c) al menos 11. 7. 1. (c) 106.458 a 4. (b) Ensayo unilateral. (a) (IIe: p=0. es 7. kt') 0. 6.64.8 t 0. (a) 95.8 l: 0.24 249 onzas lb (ó) 63.61.06? a 1.69.1 a 288.250 6.1 a 148. 86 lb (b) 1800 t 328 lb (c) 1800 t S82 lb 6.r. (d) Rechazar lfe ei se extraen más de 41 bolasrojas.. (o) No se puede rechaza¡ Ia hipótesis al nivel de 0. (o) a 230. (a) 6.51. 139.78 (b) 0. 2400 t 45 librs¡.69.944 (b) 0.79 kl) t2. r = .9a1 a 2.00 (ó) 13.ó2. 0.58 e 2.673 a 2.52.01 en (o) ni en (b).05.. Sí.50.63.20.) (e) t2.99.259 a 5. (a) 0.9 1?0.58. (a) 1800 t 6. . (a) al menos 87. 7 No se puede rechaza¡ la hipóteric al nivel de 0.5 a CAPITULO 7 7.1 a 140.56.lre 24 y 40.67.70 (b) 0.?41 a l.66. -= 3' 2tritl "'+r3l 6.58. 7. k = -lln - (ct.8 (b) 0.49.05 en ambos en!¡ayos.31 onzas 6.8 horas 6. (o) t¿.

RESPUESTAS A PROBLEMAS ST'PLEMENTARIOS 7.0118 (c) 0 (d) 0 (e) 0. Un ensayo unilateral rnuestra que a ambos niveles el contenido -nedio en cobre es más alto que el señalado en las especificaciones.e0. concluimos que el primer grupo no es superior .81 ln 7.1.2.71.4.6. Las frecuenciae eeperadas son 41. f (r) = aC"(0.96 onzas (D) 8.3.?.6.7 y 0.6t)l-r.63 onzas 7.7. bilate¡al muestra que no hay eúdencia s ni¡guno de los do¡ nivdes de que la duración media haya 7. 7. 12. Mediante un ensayo bilateral al nivel de aignificación de 0.2.3rL2 8.0118 7.34. Un ensayo bilateral a ambos niveles muertra que el producto no cumple con las especificaciones. 7 . 7. Concluirfamos que el resultado no común al nivel 0.73.99.?. 7. 66. pero no al nivel 0. 3. 7. ?.E5. (a) 0.9.1 y 1.1 y 0.7ó. 7.01 . 7. la¡ frecuenciae esperadar son 32.76. Un ensayo cambisdo.64 (ü) 0. 13 y 2 respectivamente.t9.05.7 Un ensayo unilaüeral muegtra quc la diferencirr e eignifrcaüive eB al nivel 0. pero no lo e¡ con un ensayo bilateral. f (x) = T.7 respectivamente. 49.4. 7. 23.0. Un ensayo unilateral muestra que el nuevo fertiliz¡¡¡¿ superior a ambos niveles de significación. 7. 39.01.1O0. [. 7.64 1 0.7 respectivamente. no ¡e deduce que haya diferencia de acidez. pero debe introducirse si el nivel de eignificación adoptado e¡ 0. Las frecuenciae esperadac 8on 1. 13. Podemos conclui¡ que la primera varianza es mayor que la regunda a ambos niveles.1. (o) 6 (D) 4 7.2. es 7. 60. 7.ae frecuenciae esperadas eon 1. El aparente incremento en la vai'iabilidad no es significativo a ninguno de loe dos niveles.79. 15.86. Un enrayo unilateral indica que no disminuye la media a ninguno de loo do¡ niveles.A1 \¡¿ - lar frecuencias esperadas con 108. (b) Un ensayo unilateral muestra que I no ee mejor que A al nivel de 0. y 4.l0l.2.El' 7 Un ensayo unilateral muestra que el proceso no debe inhoduci¡se si el nivel de significación adoptado es 0.6.94.5. 4. 5.78. 9.4. (o) Un ensayo bilateral indica que no hay diferencia en la calidad de fabricación al nivel de 0. 14.tO. 21.87.6 respectiVamente.06.82. ?.05.83 onzae (c) 8. al eegundo. Un enrayo unilatetal a ar¡bos niveles de aignificación muesha que la marca B es superior a la marca A.20. E resultado es significativo a este nivel con un enar¡yo unilateral. (o) t 0. 43. 50.0. E aparente decrecimiento significativo al nivel 0.05 pero no al nivel 0.7.36.64 + 0. .01.1.05. 7 (a) si (ó) no . 11.72.01.E3. 7. 0.0.9.05. no 7. Mediante un ensayo unilateral al nivel de eignificación de 0. 7.05 pero lo es al nivel 0. 4. 53.0 respectivamente.77.e5.98.96.8E.6.32)r(0.84. es ?. 7. 7. No podemos concluir que la primera varianza 8e¡ mayor que la segunda a ningún nivel.06.

0. La hipótesis puede rechazarse al nivel 0. (o) 7. 60.3179 (con conección de Yatea) 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). (o) El ajuste 7. La hipótesis no puede rechazarse a ningfin nivel.138.05. La conclusión es la misma.05 no rechaza la hipóteris (b de proporcioneo igudes.124.RESPUESTAS A PROBLEMAS SI'PLEMENTARIOS 365 7. (b) El ajuste es pobre al nivel 0.01' 7. (b) (b) 7. Igual conclusión. Mediante un ensayo unilateral.129. 7 .139. ?.3863. No hay razón para rechazar la hipótesis de que las monedas ¡ean hon¡adas.106. 7. 7. el re¡ultado er significativo al nivel 0. (a) 0. No puede concluirse que la marca A 7. La diferencia ?.728. .133. (o ) 10.2205.L72.10? . El proferor nuevo no sigue las miemas nortnas que los otroe.115. sea mejor que la B d nivel 0. Puesüo que la dietribuciónbinomialdaunbuenajustedelosdaüos. 1.0872.132. 7. La hipótesis puede rechaza¡se a ambos niveles.1L7 . La hipótesis no puede rechazar¡e al nivel 0.13?.06 pero no al nivel 0'01. ) Un ensayo unilateial al nivel 0.06. 7. La hipótesis puede rechaza¡se a ambog niveles. No hay razón para rechazar la hipóteeis a ningún nivel.110.05 indica que á tiene una mayor proporción de bolas rojas que B. (b) El ajuste es bueno pero no "muy bueno". La hipótesis no puede rechaza¡se a ninguno de lo¡ nivdes.05. (a) Un ensayo bilateral al nivel 0.108.114. 7. 0.05. (a) 0. 7 . ? . ?. (a) (b) (c) no ?. 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 0.0738 (corregida) 7.05. 7.t25: 0.116.105.109.1985 (conegida) (D) 0. No al nivel 0. . (o) El ajuste es muy pobre al nivel 0.05.465t 7 . ?.05 pero no al nivel 0. esto es consistente con el Problema ?. ?.134.118.06.104.109.113.L23. 0. bueno (b) no (o) El ajuste es "muy bueno". tul e no (b) 10 si (c) 10 (d) 8 7. La hipótesis no puede rechaza¡se a ninguno de los niveles.LO2.11f es es significante al nivel 0.103. 7. (c) si no si no (c) no (c) no ?.

188 ¡ (c) r32 8. (o) (ü) t. 2.60 (ó) 1.00 6 r= (¿) 1.46¡r*l 8. (a\ u=-i+í" 6 u=.?8 + 1.84.IBB72 616 8.0 8.77 y -.00 (c) ?. (¿) t 3.8. (c) 37.6 E. (o) 0.6 1. (a) 0.9?.0 t 8.14(10)0.gBB+o.29y 8.13 + 0. r¡o¿ = fi -o.21 0.E6.99.E0.91¿6 y y 0.oooo t 0.?961 y (ó) 0. (o) 1.s912 (ó) 0.366 CAPITULO 8 RESPUESTAS A PROBLEMAS SUPLEMENTARTOS 15o 8.80 E.968 (b. E.87.28 (o) (ó) Mediante un er¡rayo unilateral puede rechazaree la hipóteaia.rz 8.000 + 0. ft (d) Bg? (b') A=32.66. (bl u = 4.661¡ (c) r = -14.408 + 0. (cr.398 (ó) 192.88.64.8961 (b) u = 8.20(r-B) +0.60 8.5t*3. (a) z = 3.115.9818 8.08?86 o¿ (ó) (c) t?0 ft.85.500a (cl r = 2.9 2.6t-t.r3.126s 'y 0. 0.14(L.81. (¿) 0.108.r10.szos 8.448 8.14¿0. (a) 24. (o) 1. (a) 3. (b) a = 29. 37.2 (c\ 182.0 t 5.66r * 2.427Y 61.1r4.71.60 (ó) 17.40 6 A:32.00 8.96.1 E. (a) 8. -0.68.20 E.0 a 19.109.2928 y 0. 75/p 8.92.?600 y 0. (o) v=0. - 1.8861 1 t. (o) 8.8r*12 (b) r= 0. (b) d 8.r1y (d) 7g 95 t.?801 y .4 si no no si E.6tly E. (a) 0.151{" ¿O ó U -92. (o) (ó) 2. B.89 * L. u = 6.107.7l4r (b) "=t*lu 10.24 (b) 8. (a\ 0.64y 8.138 t a 0.0 a (b) B?.79.0 4. (o) E.?3S(n-B)2 6 41.6606 (ü) 0.70.) 1.304 (ü) 1.00*1.6633 1.s72 80.74. =0.111.096 o * 0.67. (a) 0.5 (b) (ó) g?.112.89. 0.ss56' 8.21r*O.90.Z.24. Mediante un ensayo unilateral no puede rechazarse la hipótesie.9927 8.113.00 t _1.96.69.

9. .24. (b)y:18.23.L27. 9. 9. Hay una diferencia significativa en el tipo de maíz pero no en los suelos al nivel 0. llay 9.128.01.0. 415 8.42. una diferencia significativa en marcas al nivel 0. Ilay 9.130.125. (c) si no (ó) 8. (o) u = 3.9254 y 0.35. Flay una diferencia significativa en los métodos de enseñanza al nivel 0-05 pero no al nivel 0.deenerode1954.9*4. No hay diferencia significativa en fertilizantes o suelos. No hay diferencia significativa en neumáüicos a ningún nivel.3?.129.05.38. 9. No hay diferencia significativa en operarios o máquinas. No hay diferencia significativa en el tipo demaíz o suelosal nivel 0.7096 y 0.7 (e)1977 1o. (a\ 20. 9.6158 E.01.05.116. 9.38.01.126.4653¡z.(b)y:722. 0.40: No hay diferencia significativa en neumáticos o automóüles al nivel 0. 9.42*2.05 pero no al nivel 0.05.¡es5añosconorigenen julio de 1935. No hay diferencia significativa en los métodos de enseñanza o plantelesal nivel 0.32. tlay 9.l31.4547 8. 0. 9. 9.4 (b) 116.30 pulg. 9. 8.6402 si la unidad 8.4f. 9.4 libras 8.44. CAPITULO 9 9. 9.36 lb 3.120.43. una diferencia significativa en sus calificaciones a ambos niveles.26.33. No hay diferencia significativa en operarios o máquinas. de julio de 1950 (d) 142.16-0.27.25.1083¡*0.dondeyeslanatalidadpor1000habitantes.36. 9.lgxsilaunidadxesLl2añoyelorigenesel ¡ es un año y el origen es el 1o. una diferencia significativa en operarios pero no en máquinas. una diferencia significativa en rendimiento a ambos niveles.01 .66.01. No hay diferencia significativa en el color del pelo o estatura.34.05.oy:107.9653 (D) 8.43.39. flay 9.7 y 173. 9.31. 0. Hay una diferencia significativa en los sitios pero no en los fertilizantes aI nivel 0. Igual al hoblema 9.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 367 8. No hay diferencia significativa en los sitios o fertilizantes al nivel 0.11?. Igual al hoblema 9.33 r .38x E. llay una diferencia significativa en neumáticos y automóviles al nivel 0.

pero hay diferencias debidas al I. 9. color del pelo o Iugar de nacimiento. FIay diferencias significativas debidas al factor 1 pero no al factor 2 o tratamienLos A. Al nivel 0. pero las debidas al LQ.62. sílo son.54. C. No hay diferencia significatirra en tratamientos a cualquier nivel. llay diferencias 9. 9. .66.63.ó. No hafl diferencias significativas debidas a los factores o tratamientos. 9. pero no otras dife- ' ltray diferencias significativas en tipos de cables pero no en operarios. No hay diferencia significativa en los puntajes de I.45. No hay diferencias significativas debido a los químicos o s¡tios. 9.Q.01 las diferencias en los puntajes del examen debidas al estado veterano no son significativas.47 No hay una diferencia significativa en rendimiento escolástico debido a diferencias en estatura. fuual al hoblema 9.61. significativas en los puntajes de los exámenes debido al estado veterano y al I. ltray diferencias signifrcatiyas en especies renciag signif icat ivas. 9. 9. máquinas o fortaleza de cables.3. 9. 9.05.Q.49. significativas debido a los sitios pero no a los fertilizantes.368 RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 9. 9. llay diferencias 9. al nivel 0. B.Q. 9.64. No hay diferencias significativas debido a sitios o fertilizantes. No ha! diferencias significativas en los puntajes de los estudiantes de diferentes partes del país.52.55. y canüidades del primer compuesüo químico. 9.4E.46.54.

163 centroide o centro de gravedad de los datos.145 ajuste de datos por. 317.246 Datos agrupados. 296 Poisson a la. colección. 3 1 5 altamente significativos. 134.118 propiedades de la. 321. 8ó decisión. 143. 82. 40 control de caüdad.lndice Ajuste de datos po¡ distribuciones üeóricar. 31O. 344 curua parabólica. 11O á¡eas bajo la. 217 convoluciones. 319. 118 valores de Ias percentilas de Ia. 345 tipificada.237-239 aleatoriedad. 117. 134 cuilas cdacterÍsticas de operación. 9. 26 4. 161. 109 de la distribución de Poison. 267.169 negativa. 114.294 generalización del.263 covuianza.281-289 tabla.293. 309 media y varimza de la. 221-226. 112 relación de la a la distribución binomial. 89 282 diagramas á¡bol. I29 aproximación normal a la.310.11-13 teoremas sobre. 254. 266.348. 220. 2 (uéose deteminación. 112 de Ia distribución normal. 33O cuadrados latinos.118 distribución hipergeométrica. ' dife¡encia de conjuntos. 333 cociente de inteligencia. 61 disÉibución beta. 263. | (uéase también conjuntos) columna de conteo. 248 curuas de aproximación. 234. 197. 19ó coeficientes de correlación múltiple. 108. 142 relación de la con la binomiál negativa.26l múltiple. 264. 2a5'247. 3f6-321 clasificación tríp¡e o factor tres expedmentos. 118. 116 cuenta. 284. 2ó8 94. 344. Bernoulli. 306-338 fórmulas cortas en el. 321. 23A. 22O. número desigual de obseryaciones en 312-315 experimentos conjuntos. cumplemos. 349 distribuciones gamma. 316 diseño experimental. Só. 119- 310. 26 4 coeficientes de confianza. 99 (uéase tombién distri' bución normal) áreas bajo la. 115. 244 264. 11. 46. 268. 1 18 distribución chi-cuadrado. 259 típica (uéose desviación tíPica) desiación media.213 Bridae. 133 .320. 127. 112. 82 cuadrados greco-latinos. 21 diagramas de Venn.135-137.86. 9.97 dist¡ibución binomial.2A2. 4 conjunto vacÍo o nulo. coeficiente de. 2L7. 115. 1O8.97-99. 239 propiedades de la. l. 117. L24. 230 coeflcientes binomiales. 342 axiomas de probabilidad. 1 77 combinaciones. 92- curua cuadrática. 297 poblacioml. 46. 1 17 moda de la. 258. 7L. 258-3O5 gradual. 269 ensyo chi-cuadrado Pua la.2 conjunto universal. 218.L28 relación de la a la distribución de Poisson. 265-267 coeficiente de correlación lineal. 83. 116. 112 clasificación simple o experimentos de un factor. 139. 83. 246 muestral. 263. 47. 168. 108 bloques. 219. cuenteo.269 cunas de regresión no lineal. 263. distribución gaussiana. 268 r23 aproximación de la dist¡ibución de interl¡retación probabilfstica de la. 224. 164. 2. coeficientes de.243. 291 26r. 47. principio fundameotal de.311 aleatorios. 315. 85. 306- continua a la derecha. 9. L27. 30. 316. 10. 163. 28L-284 ensayo de tripótesis y significación para el. 5 completa aleatorledad. 109. 316. 56-60 pua el caso continuo. 345 ordenadas de la. 3O7. 216. 213. 183 de la distribución binomial. dewiación. 81. 26O clase. 46 casillas. 94. James. completa. 135 teoremas sob¡e la.324 cuadrados ortogonales. 11. 115. 295. 78 diseño de experimentos.129 distribución exponencial. 12.2L6 área bajo la. 217. 118. ó conjuntos iguales. 1 (uéos¿ también conjuntos) clases y frecuencias de clase. 11. 1 51 contado¡ Geiger. 129. 13 2. 258 relación de la a la distribución norrnaI.297 teo¡ía muest¡al de. 100. 316 27 distribución binomial negativa. 34ó cu¡va normal tipificada. 311. 2a6-2a7 . 31 curtosis.78. 116. 217. 26+ 246 püa datos agrupados. 112. 316. 3 264. 198. lO9 (véase tomb i¿n distribución no¡mal) distribución geomét¡ica. 268 generalizando. 115. 1l uti¡izando p¡obabilidad. 133. 85. 2ll. 24O.244 conelación. 130. 316 bondad del ajuste. 144 cont¡ngencia. 27.28l-244 fórmula p¡oducto-momento para el. 177. 1O9 relación de la a la distribución normal. 84 ajuste dé datos por la.112 219. 264.3f6 bloques aleatorios. 111 r34 distribución de Pascal. 217.37 Cambio de variables. 88. E4. 25 coeficiente de conelacion. 117 ¡elación con la chi-cuad¡ado y t. 306.316-321 aproxirración de Stirling a nl. 1 conjuntos medibles. 119 distribución ¡'. reglas de. 47 para el caso disc¡eto. 1 13. 232-236.244 cuwa nomal.324 el. 135 distribución bimodal. 296 independencia y. 347 como caso especial de la distribución gamma. 23. 11. 237 dispe¡sión. 118 distribución de Poisson. 116 reJación de la a la dist¡ibución normal. 29G 292 correlación gradual. 248 decisiones estadlsticas. curua de ajuste. 184 categorías.242. 247 332. 332. 246.112. 24 complemento de un conjunto. 297 distribución de Bernoulli (uéose distribución binomial) distribución de Cauchy.315. 31ó álgeb¡a de sucesos. 6 conjunto nulo. 6O. 6 conección de Yates para la continuidad. 13 conjuntos bien definidos. 3 dimensiones o unidades. 97 también varianza) dewiación tÍpica. 21 1 desigualdad de Chebyshev. 295. 117. 328. 139'141 teoremas sobre la. conelación y reg¡esión üneal perfecta. 316 püa de tres factores.333 para experimentos de un factor. 232-236. 267. 263. 25-2 7 análisis de v xianza. 225 análisis combinato¡io. 264. 78. 138. lO. L28. 266 (véose tom' bi¿n conelación y reg¡esión) curva de potencia. 11O. 315. 163 decilas.125. 264 curyas OC. 118. r97. 92-94 teoremas sobre la. 82. 177.322 para experimentos de dos factotes. problema. 1 conjuntos disjuntos 3. 136. 118. 2 constante de Boltzmann.

164 acumulada. 278. 45 función de densidad conjunta. 218. probabilidad de. 160. 157. 5. 3O8 error tfpico. 99 de la distribución binomial. 81. 61-63 distribuciones co¡iuntas. 289.215. 263. 2t6. ?7 muginal. 163. 117. 31 1 experimentos de Mendel.201 esti¡nas insesgadas. 212. 269. 118.244. 194 estimas. 6 fórmula de inve¡sión. 261. 279 efectos de bloques. 4 espacios muestrales inflDitos contables.2t6 ¡elación con la teorÍa de estimación. 98. traslación de. Futl. 231 experimentos de clasificación doble (uCose experimentos de dos facúores. 118. 83. 194 e¡aor tfpico de la estima. 6 enfoque clásico de probabilidad. 163. 212. 4. 164 f¡ecuencias elementales. 194 (uéate estimas insesgadas) toñbién mediante diferencias de medias. fó8. 276. 35 estadfstico no puamétrico.229-231 2L con repeticiooes. 117 relación de la a la chl-cuadrado y F. 44 . 342 función característica. 1ó7. 236 mediante la distribución normal. 163. 43. t7l enfoque a posteriori de Drobabilidad. 111 distribución nomal bidimensional. 1O8 expamión multinomial. 216. éxito. 159. 6.2A6 224 espacio muestral. 297 f¡ecuencia observada. 64 293.47 disc¡etas.274. 109 propiedades de Ia. mediante la disúribuclón F. 213 ensayos de una cola. estadfstica.171173 de medias. 2L6. 262. 44. 4O.ent. 119 distribución muestral. óo conti¡uas. 112 de la distribución normal. 81 fórmula de Spe¡man pa¡a la cor¡elación gradual. 179 relativa. 311 notación paa. experimentos de dos faetores. 4 espacids muestrales continuos. 312 efectos de lnteracción. 1ó espacio muest¡a] finito.160. 27 O. 198. 77 espermza condiciona!. 194-2LO. 238 bidimensional. 1O8 expansión binomial. 28t.4. 295. 82 distribuciones de frecuencias. 16G162. principio de. 39.293. 47 interpretación gráfica de la. 6 ensayo chi-cuadrado para bondad del ajuste. 6 enfoque a priori de p¡obabilidad. 44. 214.318 de vuianzas. 2L9. 157 de dewiaciones típicas. 324-327 variaciones pa¡a. 310. 259 estimador insesgado.267 formas igualmente factibles. 94.196. 260 elementos o miemb¡os de los conjuntos. distribución de 2t6. 260. 194 estimas por intenralos. 43-46.pua el coeficiente de correlación. 2ó9. 164 distribuciones de fiecuencia acumulada.) distribución porcentual de frecuencias. 211267 estimas no eficientes.266. 285. 113 experirnentos aleatorios. 94. 113.A. 163. 296 derivación de la. 26ó también esperanza) estadfstica Bose-Einstein. 39 (uéase tambíén funciones de distribución) función de distribución conjunte. 43 teoremas sobre la. áreas bajo mediante relaciones de varianzas. 216 Fermi-Di¡ac. 124-127 ajuste de datos por la. estadfstica (uéose estadís- tica Bose-Einstein) e1e x. 313-315.249 distribución nonnalr 109-1 11. 4 esperanzar 76. 194 estimas po¡ puntos. 241 3 mediante medias. 3 7 Fisher. 262. 178. 138. 92.294 fómulm de Euler.226-22a mediaate la distribución chi<uadrado. 287. 119. 267 pua valores predlchos. 237. 41 de funcit¡nes de vadables aleatorias. 206. 40. 113 distribución Maxwell. 4 espacios muestrales no disretos. 198. 52-56 continuas. 261. 3 Ecuaciones norraales pua la recta de mfnimos cuad¡ados.294 pa¡a la püábola de mlnimos cuad¡a- teoremas sobre. 1ó chi-cuadrado y. 162. 243 ensayo de bipótesis y significación. definicid¡ de la. 54 de sumas de variables aleatorias. 14. 162. 289. dualidad. 306-31O. 216 para coeficientes de regresión. 231. 213.. 198. 162 INDICE efectos de tratarniento. 266. 16-321 225 la. 2 interacción en el. 198. 306 Fistre¡. 84 distribución multinomial. 4 46. 267 3-2L5. ó1. 42. 137. 156. pua variables aleatorias contfuruas. 63. 8l totales. 81. 111 teo¡ema de la unicidad para le. 162.216. 110 espermza matemática. 114. 116. 77 (uéose dos. 263. 2L9.P. 5 enfoque uiomático de ptobabiüdad. 4ó. 299 er¡ores del tipo I y del tipo II. 4 espacios muesfales discretos.61.178. 266 para vrimzas. 48. 1Og de la distribución de Poisson. 260 ejes.226-228 mediante diferencias de proporciones. (pe¡cepción ext¡as€nsorizlr. 215.263. 44 dis¡etas. 267. t¡ansformación Z de. 44 va¡ianza pa¡a. 142 distribuciones condicionales. 314. 77.277 para el plaao de regreslón de mfnimos cuadrados. 86-E8 condicionel. 1O8 . 76. 290 estima.312. 5. 223. 17?179 acumulada. 326 función de distribución acumulada. 14.177 enfoque de la frecuencia relativa de 308. 311 distribución t Student) 163 acumulada. 218 frecuencia porcentual. 49. 84 distibución uniforme. 2r9. 160.370 media y vaxi^nza de la. 36 función aleatoria (uécse vuiable aleatoria) función beta. 132. 114 relación de la a la disEibución binomial. 2L4. 161. 286-287 . 221-226 mediante proporciones. 312 Einstein-Bose. l6 3 frecuencia relativa. 117 disribución trimodal. 157 función de densidad normal tipificada. R. 199.6 286. 290 . 159. 265 77 38.39. 161. error típico de la (véose ettot tfpico de la estima) estimación. 168- de ¡elaciones de vuiauas. 1?3-176 de varios estadísticos. 217 ensayos de dos colas. 286 fórmula producto-momento para el coeficiente de cor¡elación lineal. I76. probabilidad de. 29A espacios muestrales infiniio no conta- fumión complementaria de error. 92. 186 estadlsticos muestra¡es. en téminos de varimzas y del coeficiente de conelación. 343 función de densidad. 273. 213 para va. 83. 194-210 eficiente.282. 156. 196. 266. 13ó función de densidad para la.279- 164. 22L- experimentos de un factor. 264. 91. 199 insesgada (u¿ose estima iDsesgada) estimas de máxlma verosimilitud. 117 teoremas sobre la. 164 acumulada. 341 fracaso. 44. 117. 194 estimas sesgadas. 38. 262. 4ó para valiables aleatorias dlscrets. 16ó. 115. 141 probabilidad. 1 de proporciones.139-141 ¡elación de la a la distribución normal. 16ó-168. 222 escalera flor.268 pua grar¡des muestras. 297 e¡rb¡ o residuo. 346 media y vaianza de la. 81 ble. 41 distribuciones de probabilidad discret¿. 52 distribuciones de probabilidad condicional.lores medios predichos. 162 de difetencias y sumas. 194. 113. zLl. 80. 164. 184 de medianas. 38. 220. 297. 293. 25. 178 (uéo¿e 213 mediante la distribución f de Student. ó3. 41 conjunta. 138.214 püa pequeñs muestras.179 distribuciones de frecuencia ¡elativa.S. ó2 de funciones de vuiables aleatorias.2La. 2I9. 133 distribución Weibuü. 36 E. 162 distribución multimodal. L4l 11 8.¡ecuencia marginal.22L. óó estatura de padres e hijos. 164 distribuciones de probabilidad. distribución f de Stud. 158.

8O función monotónicamente creciente. 159 normal.342 función gene¡atriz de momentos. 89-91. 80. 84. 85. grupo control. \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. 23O inferencia estadística. 155 población binonial. para la convolución. teorema de la unicidad pea la. 13 Iey distributiva. 44 371 molécula de gas ideal. 308. 268 para vuiables aleatorias continuas. 309. 197. 81. 26L. 13 lÍmites de confianza. 6. 83. 38 marginal. 227. 21?. 1ól momentosr 79. 8O.179183 momelltos centüales. 47. 3O7. 351 loterm. 211. 79 condicional.249-292 n factorial. aproximación de Sti¡ling a. 203. 44. 269. 165. 12. 204 para medias. 99 pe¡cepción extransesorial (udase E. 224 tabla de. 19ó nivel de significación.50.166. 1 44 pe¡centil¿s o valores percentüa. 97 mejor cuwa o recta de ajuste. 156. 198 dist¡ibución de muestreo de la. 177. 1ló de la distribución F. 171. 156. 342 fórmula de recunencia ptala.165. 44. 1 (véase también conjuntos) prábola.22O. 3. 2O4.266 pe¡mutaciones. 196 población finita. 259 método de comprensión. 221 experimental o descdptivo. 312. 269. 17? niedia. 156 población multinomial. 8. lO9. 164. 308. 156 tamaño de la. 18O- población normal. 123 la distribución de Poisson. 1óó.5 probabilidad condicional. 277. 15ó. 45. 179-183 la distribución binomial. I 55 integrales de Fourier. 1.INDICE función de probabilidad. 117 modelo matemático lineal pua el análisis de va¡ianza. 2 pea vErian¿as. 11ó. 1O9. lnteÁ. 1 7-2O función de la. 1r6. 213 números rleato¡ios. 69 para datos agrupados. 206 modelos matemáticos. 55. 164. 126. 84. 6 muestras. para la convolución.P. 114.S. 163. 111 de la distribución ú o de Student. 157 media total. 47. 84. 2. 47 para conjuntos. 243 pua paábolas. 40. 2 logúitmos comunesr tabla de. 54. potencia de un ensayo. 196 muestras aleatorias. 45 funciones de distribución.84 Papel gráfico de curya normal. . 159.297 miembros o elementos de un coqiunto. 76. 3 ¡ey conmutativa. 85. 97.164. 84 (véose también media) media muestral. para el análisis de la varianza.179 ojivas porcentuales. 97 medidas de dispersión. 3O6 de de de de medias de grupo. 194.297 198 para rectas. 43. 217.312. 1 56 partículas radioactivas.D. 39. 2. 311. para datos agru- Gas ideal. 41. f 56 alrededor de la media. 2O2. ll. 205.) mÍniinos cuadrados. funciones de densidad marginal. 217 gráficos de control de caüdad.312 ordenadas. 84. LS7. l2 computación de la. 32 parámetros poblacionales. 1 polÍgono de frecuencia. t71.241 hipótesis estadísticas.2O3 para relaciones de vuianzas. 86. 162 no unicidad de la. 47 Pata conjuntos. 342 función gamma.237. 352 números complejos.5ó marginal. 2+2. 341. 61-63 conjunta. 259 ir¡tetcepto. 163. 184. á1 lÍnea real. 1^O. 97 medias de fila. 342 27. 1ó6. 199. L22. 76. 3 inteivalo de clase. 157 media ditmética. 2t3. L78 I paradoja de Russell. 266- 4t.45. 183. 13 en los zucesos. 194-206 para diferenciás y sumasr 196. 164. 84. 224 niveles de significación. 3. 6 moneda b-omada. 343 central. f16. 342 fórmula asintótica de Stirling pa¡a la. para la convolución. 1á6 con o sin remPlazamiento. 85.234 pare propo¡ciones. 155. 200 número. r23. 198. 46. 241 tabla de. ró9 población infinita. 79 intenalos geml-abiertos o dos. 39. 306. 117 la distribución normal. 49. ó8. 96. 3O6 medias de tratamiento. 111 21 E inte¡ralo semi-intercuütÍlico. 156 parámetros de la. 43 4O 268. 48 probabilidad de causas (uéos(f teorema teoremas de la. 4O función factorial. 80 teoremas sob¡e la. 76 de una muestra. 123 de la distribución chi-cuadrado. 158. 214 histograma. L21 Jacobiano. 178 moda. 21 hipótesis. 37 Poisson. 206 semi-cerra2dO. 83. 195 (uéose tambíén lÍmites de confianza) IÍmites reales de clase. 96 de la dist¡ibución beta. 1 método de expansión. 40. 63 función de Drobabilldad coqiuDts. ó3 niveles de confianza. 11 método de mínimos cuadrados. 155 aleatorias. 1ó1 grados de libe¡tad.Q. 164 operaciones de coniuntos. 45. 94 función escalera. Ojivas. 311 mediana. gran media.. 156. 96. 196.272 función error. 264.44. 96. 2 lntcnalos de confianza. 86 Marca de clase.268 funciones de probabilidad marginrl. 199-201 grupo. 79 momentos condicionales. 171.¡los abierto y cetrado. 110 eomplementaria. ó6. 112 de la distribución normal. 217 259 236. 8 3O7. invuianza baio üanstotmacióD. 158 I. 76. pea conjuntos. 266. 11? de un conjunto de números. 156 196 Ley asociativa. 27-23 población. 19ó. 5ó. 84. 2 núme¡os ¡eales. 26.97 (véase tanrbién esperanza) pados. 306. 1 56 independientes. 89'91. 184 teorÍa de correlación y regresión. 96. 259 para curvas. 117. 39 condicional. 177 muestreo. débil ros) (ué¿se muestras independientes. 112 la distribución F. 1ó5. 166-167. 48. 177. 179 acumuladas. 6r 3 ley de los grandes números. f96-202 L44. acumulado. 42 para variables aleatorias discretas. lf l. 196.219. 163. 94 moneda cargada. 36. 342. 27 . 276. 183.293 medidas de centralización. ó4. 26O intetsección de cotiuntos. 136 gráficos de control. 1ó8. S. 197. 44 g¡andes muestras. 163. 292. (uéqs¿ rectas de mÍnitnos cuadrados) método y fórmula clave.313 ? probabilidad. 211 (uéase tombián ensayos de hipótesis y significación) hipótesis nulas. 95 para las pruebas de Bernoulli.49.98 de la dist¡ibución binomial. 6 suma de los pa¡a la distribución chicuad¡ado. ensayos de. 212. 3Oo funciones de distribución marginal. 13ó de la distribución d€ Poisson. 1O9. 313 polÍgono de frecuencias 179. 113. (cociente de inteligencia). 3. 186. 98 integr¿les especiales. 312 g¡an total. 195. poker. 195 lÍmites fiduciales. 163. 79 alrededor del origen. 350.23O Herencia. 164. 1ó8.221 experimental o descriptiva. 1O función paso. 159.

63 vüiables aleatorias no relacionadas.38 discretas.161:171 prueba de Bernoulli. 78. 198 rectas de mÍnimos cuadrados.158. 26I intersección de. 3O7. 243246 tablas de frecuencia (uéose ta¡nbién distribuciones de frecuencia) variables aleatorim distribuidas binomia¡mente. 160 esperanza de Ia.lasificación simple. 26-27 231.262 vüiación explicada. 262. 264.4 Recorrido. 262. 38 variables aleatorias de la distribución de Bernoulli. 322-327 tabla de c.273 en términos de varianza muestral v teoría de muestreo exacto. 219. variación total. 213 región de rechace. 216 var\anza muestral. 8 cálculo de las.37. 9. 262. 237 . 306. para datos agrucondicional. 2a9. tabla de. 2AL. 6 suceso seguro.259. Valores críticos. 352 293.98 serie de Taylor. 27 I relación fineal. 117 de la distribución muestral de medias. 223. 261. 264. ó-7 sumas es¡reciales. 4. 38.2a4. 1?9-183 vriable independiente. 259. 63. 38. 1ó8. 7. 78 unidades tipificadas.318 múltiple. 49. 22O tablas de con¿ingencia. 20. 259. 112 de la distribución f'.2a5 vatiación residual o aleatoria. 262. 279 unión de conjuntos. probabilidad empírica. 6. 311.115 vtianza poblacional. I O8 distribuidas normalmente. región de. 219 en anáUsis de varianzas. 226 .78. 130. 262. 8O ¡acte¡Ística. 281.3il1 Taylor. 21 variación. pa¡a la función ca- vaiables aleatorias independientes. 317. 158. 63 no conelacionadas. 49. 83. 25 Unidades o dimensiones. 26? traslación de ejes. problema de los. 8O sesgada a Ia derecha o a la izquierda. 249 de vaiables aleatorias distribuidas normalmente. 30.2O2 interpretación probabilística de.111. 263.94 de la distribución binomial. I 1 O pila distribuciones conjuntas. 270 va¡iables aleatorias.124 las. 29. 311. 1 subconjuntos p¡oFiós. 260.110 vüiables dependientes. 3 significación. 45. 1 I O región crltica. 89. 3O9. 161. 89. 46. 164 probabilidad geométrica. asignación de las.249 computación de la. ó2-56. 112. 108. 165. 195 desconoce la. 23a como una función de valor real. 79 distribución de las. 38. 1 14 independientes. 156 temperatura Kelvin. 112 de la dist¡ibución normal. 289. 97-99.260 pua vriables aleato¡ias distribuidas binomialmente. 264. 259. 1Og de la distribución de Poisson.372 o ¡egla de Bayes) concepto de la. 4. 111 vuiable estocástica (véase vuiables valores exponenciales. 311. 43 t¿blas de clasificaclón doble. 29O curva. 289. 11O v&iables aleato¡ias dist¡ibuidas uniformemente. 2ó9 Sec¡etaria. 68 proporciones. 266. 242. 131 teorema o ¡egla de Bayes. 117 muestral. 271 referencias tipificadas. 176 velocidad efectiva (¡ms). 131. 151 82 seguridad.85. 260 variaciones.159. 212. 111 de la dist¡ibución t. 48.285 recta. 1 ilceso imposible. 5 condicional. 266. 2ll (véase tombién ensayos de hipótesis y significación) vaiables aleatorias con dist¡ibución Cauchy. 30. 9.284 relaciones no lineales. 8O dist¡ibuidas binomialmente. 264-27 4. 8. 3O9 ent¡e filas o tratamienúos. LIL.81. 50 dist¡ibuidas unifomemente. 263. 81 transfomación. 217. 22O. 194. 113. 269 vdiables-transf o¡madas. entre columnas o bloques. 67. 27 8. 63. 161. 212 ensayos de. ó. 14. 78 va¡ianza combinada. 289 ecuación.89 combinada. 324-321 residuo. S2 sin dimensiones. 5O con distribución dg Poisson. 3O9 regresión múltiple. 108 pruebas de Bernoulü. 258.287-289 transformada inversa de Fourier. 79 pados. 13O. 26O. 48. 31O.245 en análisis de varianza. f91. 31 1 entre y dentro de tratamientos. 79 vriables aleatorias con distribución Be- serie". 266. (véase v atianza muesüral) continuas.272 318 grados de libertad para. l94 sÍmbolos de inclusión. 263. 81 transformación Z de Fishe¡. 2t9. 2a7. va. 1O8 variables aleatorias dependientes (uéose variables aleatorias independieDtes) vaiables aleatorias discretas. ? sucesos independientes. para un conjunto de números. 82 veiables aleatorias normales asintótica- ley de los grandes números paa 109. 85 sesgo. 269. 17-2O. 26A. explicadas y no explicadas. 15 sucesos elementales. 79 tipificadas de.97 semi-intercuartr-lico. 6. 3O8. 114 1ó8. 269.86. 263. 266.244 representación gráfica. 41 INDICE sobres. 46 scesos mutuamente excluyentes. invarianza bajo. 341 ¡elación con las dist¡ibuciones t y F va¡iables aleatorias con dist¡ibución Gamma. 7. plano. 143. 11 1. 85. 1O8 vuiables aleatorias distribuidas de a- cuerdo con la dist¡ibución Poisson. 5. 48 función de densidad de.81. 265. 81. 85. 39. 242. 266. 15 utilizando el análisis combinatorio. 49 ¡éplicas. 158 de la distribución no¡mal. pda la función generat¡iz tos. problema de la. 45. 311 tratamientos. 284. 164 dist¡ibuciones de la. Tabla de probabilidad coniunta. 242.2a5 vaiación no explicada. 266. 312 regresión. 196 tigmpo de reacción. 1O9. 29. 258 punto muestral. 291) universo del discurso. 26O. caso donde s . 195. 37 serie de Fourier. 3O7 para . grados de libertad 311 métodos cortos paa obtener las. 326 diag¡ama. 2O1 t¡ansformación de Fourie¡. I 18 tablas y distribuciones de frecwncias de doble v&iación. 46.39 vaiables aleatorias continuas.27l uperf icies. I7 -2O.115 variables aleatoiias con distribución chi- ta.262 27 a. 79. 115 cuadrado. 123 de la distribución de Poisson. 97. 266. 151 teorema de unicidad. 64 probabilidades.114.2ó9 coeficiente. 79.experimentos de dos factores. dist¡ibución muestral de.161 veiables aleatorir nomalizadas.266.lores esperados de las. 1lO va¡iables aleatorias adimensionales.116 función (uéose función de probabilidad) geométrica.2a2. 183 de la distribución binomial. 292-294 cov^rianza. ó sucesos. 3O7. 52-56. 79. 131 prueba del. 164. 195 valo¡es de tendencia.88.49. 58. 254. 266.123. 3f 3-3f 5.284. 297 tammo de la muestra. 37 subconjuntos. 3Og pua las.294 vaianza. 216 como segundo momento. 26 2 teoría muestral de. 50 papel gráfico. 281. 6 algunos teoremas importantes sobre la. 64 gráfica.239 problema de la aguja de Buffon. 3O6 triángulo de Pascal.2a4.6O teorema del límite central. aleatorias) 2 2 241. 212 regla de Leibniz para la de¡ivación de una integral.82 de momen- mente. 15-17 p¡obablemente significativos. 42.317.

.

.

l .

.

.

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