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.

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

Parte I PROBABILIDAD .

.

4. EJEMPLO 1. Obsérvese que la sola redistribución de los elementos no cambia el conjunto. de {o. En general. SiA C B pero A + B llamamos aA un subconjunto propio EJEMPLO 1.6. puesto que los dos conjuntos son iguales. pero no un subconjunto propio. { 4 o.6\.5.6}. u ) es un subconjunto propio de {o. b e C.3.4. _ Si un elemento a pertenece a un conjunto C escribimos a€ C. 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._l 'Cupítulo Coniuntos y probqbilidqd EL CONCEPTO DE CONJUNTO 7 El concepto d. 6). Se sigue que para todos los conjuntos exactamente los mismos elementos.b. como siempre lo supondremos. EJEMPLO 1. C. e. Si Ac B y B CAllamamosa A y B iguales y escribimos A : B. A y B no tienen exactamente los mismos elementos. EJEMPLO 1. o. escribimos de B.Para que un conjunto seabiendefínido. 2. o.2. En este caso AyB tienen A+ Si A no es igual a B. mientras no se especifique lo contrario. 4. El conjunto de las vocales en el alfabeto puede definirse por el método de extensión como { a. si esto no es posible. el cual es un subconjunto (propio) del conjunto de todos los resultados posibles {L. léase"elconjuntodeloselementos¡talesque¡es una vocal" donde la línea vertical I se lee "tal que" o "dado que". Sinónimos de conjunto son c/cse. i. Al lanza¡ un dado los resultados posibles cuando el resultado es "par" son elementos del conjunto {2. A tenemos A C A. . i. El primero se denomina el método de extensión y el segundo el método de comprensión. e } es un subconjunto. ¡ |¡ es un triángulo en un plano ) es el conjunto de los triángulos en un plano. y un elemento por una leha minúsculao. Sic noperteneceaC escribimos a é C. 3. e. a. u. debemos estar capacitados para determinar si un objeto específico pertenece o no al conjunto. llamados míembros o elernentos del conjunto. u}.5.e conjunto es un pilar fundamental de la probabilidad y la estadística y de la matemática en general. Si o y b pertenecen aC escribimos a. B. e. EJEMPLO 1. 5. i. denotamos un conjunto por una letra mayúscula A. grupo y colección. u}. Un conjunto puede considerarse como una colección de objetos. I a. es decir si B. uloporelmétododecomprensióncomo{rlreeunavocal}. EJEMPLO 1. El conjunto { Obsérvese que el método de extensión no puede utilizarse aquí. Un conjunto puede definirse haciendo una lista de sus elementos o. 3.escritoAcB6B:Ayleído"AestácontenidoenB"o"BcontieneaA" respectivamente.4. SUBCONJUNTOS Si cada elemento de un conjunto A también pertenece a un conjunto B llamamos a A un subconjuntodeB.2. i. describiendo alguna propiedad conservada por todos los miembros y por los no miembros. o.1.

1-4 2. En tal caso los subconjuntos de zt (como A y B indicados y sombreados en la Fig. CONJUNTO UNIVERSAL Y CONJI.a CONJUNTOS Y PROBABILTDAD lcAP. Intersección. sirven para da¡nos una intuición geométrica respecto a las posibles relaciones entre conjuntos.9. El conjunto de loe rcsultados que consisten de las caras 7 u 11 sobre un solo dado es el conjunto nulo. entonces AC C. el conjunto de todoe los resultados posibles es el universo {L. 1 El teorema siguiente es verdadero para cualesq Teorema I-I. . 1-3). es un EJEMPLO 1. Los elemenr Es útil considerar un conjunto que no tiene r uacío o el conjunto nulo y se denota por p. El conjunto de todos los elementos (o puntos) que pertenecen a A o a B. OPERACIONES ENTRE CONJUNT\OS 1.JNTO VACI( Para muchos propósitos restringimos nuestra d fico denominado el uniuerso del discurso. Tales diagramas denominados diagramas de Venn. se llamala unión deA yB y se escribe Au B (región sombreada en la Fig. EJEMPLO 1. o simp espacio uniuersal y se denota por u. Unión. l-3 Fig. 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. Si lanzamos un dado.2. l -2 Fig. Un conjunto importante que no8 es famili que pueden reprecentarre por puntoe en una línea reol lor subconjuntos{¡ | o < x = ó} y{r I a1x(ü} deR (r ( b¡ ee denominan interualos centdo y abierto reepecüiv I o 1x < b) se denomin¡n intcrvalo¡ eemi-abiertos o semi-t .4.8. 6}1. 5.7. Si AC B y B CC. EJEMPLO 1. 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. Fig.3.T. o tanto como aB. 1-2). 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.

t-Lzb A YB y 1-13 pueden y 1. L'L. AnU (AuB)' = A'ñB' (AnB)' = A'UB' A = (AnB)u(AnB') Los teoremas L-Lzo. 3.AnQ=9 AU'al -. escrita por A . Diferencia.4u^B)uC I. interrecciones por uniones.B (región sombreada en la Fig.cAP. entonces A')B' 6 B'c.guenotienenelementoscomunes'sella¡¡ran coniuntos disiuntos. 1'6). 4. el B y lo escri se llama saXl-B Fig. l-6 AIGUNOS TEOREMAS RELATIVOS A CONJI. símbolos de inclwión .74). u el 1/.11.AñB1C An(BuC) = (AnB)u(AnC') ..{ = A Primera ley De Morgan Segunda ley De Morgan Para cualquier conjunto generalizarse (véanse Problemas 1.1l CONJUNTOS Y PROBABILIDAD DosconjuntosáyBtalesqueAnB:p.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 .esdecir. A y B son disjuntos. En la Fig.'NTIOS AUB = BUA Au(BuC) : (. cyf.4u(anC) = (AuB)n(AuC) A-B = AñB' Si AcB. se B Si A : UB). El conjunto que consiste en todos los elementos de A qtlle no pertenecen a B llama la diferencia áe A y B.69 AUQ-A. 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.An(BnC) = (¿nB) nC -. 1-4). se escribe Fig. l-5 Fig.

Así cuando se produce un tornillo será un miembro del conjunto {defectuoso.CS. se denomina espacio muestral infinito contable. 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. . 1-7 donde.en tanto que uno que es infinito no contable'se llama espacio muestral continuo o no discretoSUCESOS posibles..5.elresultadopuedeindicarsepor{CC. (0. Si lanzamos una moneda eI resultado del experimento es un "sello". sedenominaespacio muestral infinito no contable. Obsérvesé que eJ córresponde al conjunto universal. cara la primera y sello la segunda. si lanzamos un dado el resultado del experimento es uno de los números en el conjunto {L.2. 1. Frecuentemente es útil dibuja-r un espacio muestral gráficamente. por ejemplo. si un resultado es divisible por 3. por ejemplo. no defectuoso}. Un suceso es un subconjunto A del espacio muestral. En tal caso es deseable utilizar números en cambio de letras siempre y cuando sea posible. 4. por ejempio. es decir es un conjunto de resultados el resultado'de un experimento es un elemento de A decimos que el suceso A ha ocunido. l-? tos como números naturales 1.SC. EJ EMPLO 1 .13.3. Si lanzamos un dado. impar) Sin embargo. 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. es decir SC. EJEMPLO 1. como en el Ejemplo 1.. 2.16. Unespacio muestral que es finito o infinito contable frecuentemente se denomina espacio muestral discreto. el resultado del experimento es que algunos pueden estar defectuosos. Sin embargo.se denomina espacio muestral finito. Si tiene tantos punl'ig. Si tenemos una máquina que produce tornillos. 1 EXPERIMENTOS ALEATORIOS Todos estamos familiarizados con Ia importancia de los experimentos en la ciencia y en la ingeniería. 6 | en tanto que otro es lpar.dsdecirdos EJEMPLO 1. = ESPACIOS MUESTRALES Un conjunto oj que consiste en todos los resultados de un experimento aleatorio se llama un espacio muestral y cada uno de los resultados se denomina punto muestral. hay experimentos en los cuales los resultados no son esencialmente los mismos a pesar de que las condiciones sean aproximadamente idénticas. g. donde suponemos que ninguna lámpara eléctrica dura más de 4000 horas.16. 'EJEMPLO 5. .tal como 0 f r: S 1.14. 4.12.15. es lógico que el último no sería adecuado pan determinar. si lanzamos una moneda dos veces y utilizamos 0 para represenmr sellos y l para representar caras el espacio muestral (véase Ejemplo 1. Un suceso que consiste de un solo punto de cJ frecuentemente se llama un sueeso . Los siguientes son aLgunos ejemplos. etc.1 0.SS) caras.6). Un principio fundamental es que si efectuamos tales experimentos repetidamenle bajo condiciones aproximadamente idénticas obtenemos resultados que son esencialmente los mismos.12) puede dibujarse por puntos en la Fig.CONJUNTOS Y PROBABILIDAD [cAP. Si un espacio muestrdl tiene un número finito de puntos. entonces el resultado del experimento es el tiempo f en horas que se encuentra en algún intervalo. 1)). 0 ú :: 4000. 3.or . Si elemental o simple. Tales experimentos se denominan experimentos aleatorios. EJEMPLO 1. Si un experimento consiste en medir "la vida" de las lámparas eléctricas producidas por una compañía.2.11. simbolizado por S ( ó 0 ). . EJEMPLO1. Silanzamosunamonedadosveces.esdecirunodeloselementosdelconjuntóíqs)(ó{0. EJEMPLO 1. simbolizadaporc(ó1).1 ) representaselloen el primer Ianzamiento y cara en el segundo lanzamien[tr. o una "cara".

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

UA" y tes. el espacio muestral. [cAP. . Si d es di5creto todos los subconjuntos corre6ponden a sucesos y recíprocamente. Ar. . (5) Para cada suceso es A 0<P(á) <1 P(9) = O decir la probabilidad de un suceso está entre 0 y 1. An son sucesos mutuamente excluyen- P(Al = P(Al) + P(A2) + En particular si A "' + P(A") (8) - et.:<ioma > 0 (r) Axioma 2.) = P(42) - P(A). el primero debido a la vaguedad de las palabras "igualmente factibles" y el segundo debido a la vaguedad incluida en un "número muy grande". (e) En particular.) - P(/..20.1) + P(A2) + . si se satisfacen los axiomas siguientes: Axioma 1. . es decir P es una función de valor real definida en f. . Paru el suceso cierto o seguro eJ en la clase C =I At. Así P se llama la función de probabilidad.t. Az. Si lanzamos una moneda 1000 veces probabilidad de una cara es 532/1000 = 0. A cada suceso A en la clase C de sucesos asociamos un número real P (A). Para cada suceso A en la clase C P(A) P(eJ) A. (d) Teor¡:rna 7-16: es decir el suceso imposible tiene probabilidad cero. Para cualquier número de sucesos mutuamente excluyentes P(AtuAzu '..632. 1 y hallamoe que 532 veces resultan caras estimamos que la Ambos enfoques el clásico y el de frecuencia prcsentan serias dificultades.'.iomas anteriores podemos demostrar varios teoremas sobre probabilidad que son importantes en el estudio posterior. Bz. peto si ef es continuo solamente subconjuntos especiales (llamados medibles) corresponden a sucesos. Teorema 7-77: Si A' es el complemento de A entonces P(A') Teorema = r-P@) (7) 7-78: Si A = AtUAzU. . . para solo dos sucesos mutuamente excluyentes At.CONruNTOS Y PROBABILIDAD EJEMPLO 1. P(AL:AI) = P(Ai+P(Ar) ALGUNOS TEOREMAS IMPORTANTES SOBRE PROBABILIDAD (4) De los Teorema Teorema a-r.. A causa de estas dificultades los matemáticos en los últimos años se han orientado avn enfoque axiomótico utilizando conjuntos. . y P(A) la probabílidad del suceso A. eh la clase C (2) 3. LOS AXIOMAS DE LA PROBABILIDAI) Supóngase que tenemos un espacio muestral e. 7-14: 1-15: Si ár cA2 entonces P(Ai < P(Az) y P(Az. entonces .Á. entonces At.

A..h h =: (15) un suceso compuesto por h sucesos simples tenemos P(A) (rd) Esto equivale al enfoque clásico de Ia probabilidad dado en la página 5.. 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=1.2.entonces P(A) = P(AnAi + P(AñAz) *'.]) .An (1+) P(Ai + P(Az) + . Véase Problema 1. esdecir si suponemos que el dado es honrado.6}...5. + 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.) + P(Ar) + P(As\ .4.B\ Generalizando. como el de la frecuencia relativa de la página 6. Se lanza solo un dado. á3 son tres sucesos cualesquiera.. Hallar la probabilidad de que resulte 2 ó 5.21.cAP. Az.+P(4") = 1 (e) 1-19: Si A y B son dos sucesos cualesquier4 entonces P(AuB) = P(A) + P(B) .. si suponemos probabilidades iguales para todos los sucesos simples.. El espacio muestral es e-I: {1. entonces 1 6 . 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. 1l CONJUNTOS Y PROBABILTDAD P(Ar) Teorema +P(A2)+.4.P(AsnA) (rr) + P(Lt\AzñAs) También pueden hacerse generalizaciones a n sucesos.. si A (10) t.. + P(ánA") (rr) ASIGNACION DE PROBABILIDADES entonces por el Teorema 1-18 Si un espacio muestral el' consiste únicamente de los sucesos elementales Ar. entonces P(A:U AzU ¿") : P(...P(A. Ar.. Si asignamosprobabilidades iguales a lospuntos muestrales.. Podríamos lógicamente emplear otros procedimientos para asignar probabilidades.3.79. EJEMPLO 1. En particular..2.P(üñAz\ - P(A|¡A.

A.22. . Puesto que se sabe que A ha ocurrido. Teorema 7-23: Si un suceso A debe resultar en uno de los sucesos mutua[iente Ar. 1 indica por 2 U 5. entonces P(A'. la ecuación (-18) nos dice que la probabilidad de que tanto A y B ocurran es igual a la probabilidad de que A ocurra tantas veces la probabilidad de que B ocurra dado que A ha ocurrido. A2. 1-9) tales que P(A)> 0. TEOREMAS SOBRE PROBABILIDAD CONDICIONAL Teotema 1-22: Para tres sucesos cualesquieraAl. (b) se da que el lanzamiento resultó en un número impar.á PROBABILIDAD CONDICIONAL = t 1 Sean A yB dos sucesos (Fig. AnB Fig. el saber que el resultado del lanzarniento es un número iinpar aumenta la probabilidad de Ll2 a 213. es decir la probabilidad de que B ocrura dado que A ha ocu¡rido.. (b)SiAeselsuceso{númeroimpar}observamosqueP(á):316= Entonces 1/2.Ya queB es la unión de los sucesos 1-18 que 7. Denotamos por P(BiA) la probabilidad de B dado que A ha ocurrido. Hallar la probabilidad de que en un sólo l¿nzamiento de un dado requlte un número menorque 4. El resultado se generaliza fácilmente a n sucesos. se convierte en el nuevo espacio muestral remplazando el original e-I. . r-9 EJEMPLO 1. ilamamos a P(B I A\laprobabilidad condicio¡wl de B dada A.) + p(A)P(Al Azl + . . TambiénP(AñBr:216:1/3. (o) Si B denota el suceso {menor que 4). De aquí llegamos a la definición P(B:A) = o ry# (17) (f 8) QJ P(AIB) = P(A) P(B I A\ En palabras. = P(A)P(A|A. . A3 tenemos P(AtñAzt\ás) = P(A) P(A2l At) P(Asl Atn Az\ (1e) En palabras. + p(A")P(AlA") (20) .41 ha ocurido tantas veces la probabilidad de que A3 ocura dado que At y Az han ocurido. . (o) no se da ninguna otra información.) excluyentes á1. 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 .CONJUNTOS Y PROBABILIDAD El ¡uceso que resulte 2 ó 5 ee [cAP.2 6 g observamos por el teorema P(Bl = P(r) + P(2) + P(3') = -+-+-= 6662 1l1l suponiendo probabilidades iguales para los puntoc muestrale¡. P(BIA\:"+#=#=? Por tanto. Por tanto P(2u5) = P(2)+P(51 = *. Fácilmente se demuestra que la probabilidad condicional satisface los axiomas en la página 6.

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

n2 son de un segundo tipo.l)(n .s de escoger el primer objeto. elnúmero de permutaciones de n objetos lomados de r en r. . rr. 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. n. en muchos problemas estamos interesados solamenos sin inteiesar su orden. Para el caso particular cuando r: .5 = 210 .. F. .P.26.24. 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.P. clr no se Aquí. . l-10.. . (25) se conüerte en = n(n-l)(n-z). l-10 (25) . . Tz. . lógi tos es Sup n conjunto que consiste de n objetos de los cuales nr son de un nguir entre sí). E. EI número de ordenaciones o permutaciones diferentes que consisten de 3 letras cada una y que pueden forma¡se de las ? letras A. . (n . = . + . . . 52 y las corbatas por ?1. consiste de LM. 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..to. -se deduce por el principio fundarnlntal de cuenta que el número de ordenácionás. Dichas selecciones se llaman combinah misma combinación. EJEMPLO 1. y luego de hacer esto n de .. .2). .P. D. son del hnr + nz + . Así abc es di o lo Sin embargo. Tt.l.1 : nt (26) que se denomina n factorial. El número de permutaciones diferentes de las 11 leüras de la palabra u M/SS/SSIPP. B. . G es ¡P:t = fi. C. I 2 1 Fig. 43 y 2p EJEMPLO 1. ?a. o permutaciones diferentes como generalmente se les Uarnc está dado { 5 6 8 por Fig. 41. = n(n.10 CONJUNTOS Y PROBABILIDAD [cAP. Así el núm&o de permutaciones diferentes (28) Véase Problema 1. y finalmente n 1 formas dó escoger-el r-ésimo objeto.6.34. Si las camisas se representan por S¡.r + l\ donde se observa que el producto tiene r factores..7 manerias r * escoger ét segunaoiU¡e_ to-. . Llamamos a .

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

Si A = {r l r2=4. no hay objeto que no sea igual a sí mismo. (b) AUB.+.t. tenemosque¡ € C.0.r.+.lQ}.4} utilizando el re¡ultado de (b). Asf. DIAGRAMAS DE VENN Y TEOREMAS SOBRE CONJT.r} {*. Entonces B.5. üenemoe A-B = AñB'= (f) BñC = {6. aA._\E}."áÁ y porüantoBC 1._\E} . entonces AcC. ) La proposición es falsa.-4} = {-18.+.o} u {0.2. -rt. Puesto que no hay un númeror tal que x2 :416x:2. n].5)=0 sólosi x:B6x:6. (d) B' : conjunto de los elementos en t/ quenoestánen g = {0. Entonces ya que AC B.-2ly * )9. se sigue queA: @.6}. Cualquier objeto particular se supone ee igual a sf mismo. 2 es wn número re¿l mientras que {2} esw conjunto que consiste del número real 2. +.-fr}. Entonces {x I x * x} : e.0.15:0). (e) A-8.-4} = t-\ñ} (D) . Sea r cualquier elemenüo de á. Puestoque el conjuntovacloesunsubconjuntodecualquierconjunto. página 3. ¿Es cierto que {2} : 2? No. seaA={rl*esunenteroimpar).r). (d) B'u C'. (e) A .-rt.0.-4}.. Aeícadaelemenüodeá esunelemento de C y por tanto A C C. pertenecen á.-.'NT\OS 1. 1. .B: eonjunto de elementos en A que no están en B : [0. C' : conjunto de los elementos en 'll que no están en C : {0.0}n {5.Demostrarque BcA.üenemosB:{g. es decir cada elemento de A eetá en 8. 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.4.5. Determinar cuáles de las proposiciones siguientes son verdaderas y cor¡egir las que son falsas.pueotoqueloe elementos 3 y 5 son enterosimpares. ". tenemos x€ B.5.5. 1 L.-4}n{0.+. (s) (AnC) e (Bne. r.-4}n{+.-{r).3.-r/2.-{2.2. AsícadaelementodeB perten.-¿}.r.r.-fr.o. (c) (AUB)nC. r>g} y B: {fr | r<l}. el conjunto vacfo.-qyC = {+.o. 0.r} = {0. El error radica en escribi¡ {@} por @. Por el Teorema 1-8.". {*. = {0. (b) "A es el conjunto de ¡ tal que 12 : 4 y ¡ ) 9'. entonces B) A.L2 CONJUNTOS Y PROBABILIDAD lcAP.sededucequeACB6B)Aylrrpropocición Obaérvese que esto se lee es verdadera- 1. Puesto quetambiénBCC.o} u {5. es deeir B ee un subconjunto de A. si el universo 'u = {}. Yaque x2 -8x * 15:0 ó (r -3)(¡. 5.4 u n = {-fr..--4} n {+.. Otro método.5. Demostra¡ que si Ac B y B cC. (a) AnB = {-12. B: {x I x2 -8r+.5..o. (/) (Bn C). r. -4} = {+.-4} (c) (AuB) n C = {-{2.{0.-tf2.8 = {6.u C.6.6. puesto que {9} es un conjunto no voclo que conriste del conjunto vacío. OPERACIONES ENTRE CONJUNTOS.0|. (o) (b) (o {rln+ü} -. -4} y los subconjuntos de u están dados por A : {-\n.6. ee deci¡ ¡ € A.-4} = Entonces (BnC\' = {0.enconhar(a) AnB.

Sin embargo. Demostra¡ que para cualquier conjunto A y B tenemos A Método 1.69). l-12 Obsérveee que un diagrama de Venn no suministra una prueba como la dada en la parte (o). 1-12.2. En el diagrama de Venn de la Fig. (AuB)' = {r I r4Ar-tB} = {" I rCA. 1-11 la región sombreada representa (A U B)'. Fig.-ll .7. página 3. Ao(BuCl = = = = = l r€A. (sl AnC = {-\/-2. 13 el de la parte (d) ilustra la segunda ley De Morgan. 1-11. . = (AnB) u (AñB').al : (ArtB) u (A^B') : (AñB') u (A¡.cAP. Sea C:8' en el Problem¿ 1. {r {" (AnB) u (A nC) 1.8. Entonces A n (BuB') A r.xeB 6 reC} I s€A. Teorema !-L?tt. En Ia Fig.-¿l = {+.8. Región sombreada = (AUB)' Región doblemente ¡ÜEÉru¡r qvvrs¡¡¡E¡¡w rayada ]_"7. B n C = {}. 1l CONJUNTOS Y PROBABILIDAD Obsérvese que este re¡ultado conjuntamente con Tborema 1-12b. l reA¡B 6 neAnB'} M6todo 2.r€B') (b) = A' ^B' El resultado puede extenderse a cualquier número finito de conjuntos (véase Problema 1. y se observa que esta región es igual a la región sombreada de la Fig. Demostra¡ laprimeraley distributiva.-4} Entonces t.reC) @ | reA"'B 6 xeAnC\ {. 1. página3:Tenemoo An(Bu C) = (AnB)U(AnC). elconjuntovacío. l-ll Fig. (c) Demostrar la primera ley De Morgan.neB\ = {r I neA'.nn.9. Teorema 1-6.0} n {*.reBuC} I re A.reB 6 r€A.8') A = (AnB)u(AnB') El resultado puede generalizane (véase Problema 1. (b) Ilus- har el resultado de la parüe (c) empleando un diagtama de Venn.-¿} [Vóase pa¡te (f)].@. (A¡C\ u(BnC) : @u {*. Luego At ñ f|' se representa por la región doblemente rayada en donde se encuentran ambos conjuntos de líneas.74). 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. (o) Tenemoe págrna 3: (A u Bl : A' n B'. (AnB) u(AnB') A : {r I reA) = {.

podemos indica¡ una jota de picas por (11. B': {no trébol} : {corazón. (n A'-3' :{no rey y no "no trébol") : {no rey y trébot}: (cualquier trébol excepto el rey). rey de corazones. . ESPACIOS MUESTRALES Y SUCESOS 1. 1 EXPERIMENTOS ALEATORIOS. 1-13.2). @) AUB'. B. (e) A. .(g) (AnqU (AnB. de Teorema 1 era simila¡ todos lo¡ obeervarse de la Fig. si . de acu gamas Fig. diamantes y héboles respectivamente por l. pica}. rey. Emplear la Fig.1-14.A. : (rey o corazón o diamante o pica).. (b\ A' se 1.11 com ^ B' . 2.B -{reyperono trébol} Es lo mismo que A ñ B' . 1. (o) A U B = {o rey o trébol (o ambos.11. (e) A-8.10. 3. . .CONJUNTOS Y PROBABILIDAD [cAP. es deci¡ rey (ó) 4 n I : {rey y trébol} : {rey de trébol) de trébol)) (c) Puesto que B Luego A U Bt = {trébol}. . También puede considera¡se observando que (A ñ B) U (A n B') : A.B.4 el suceso {se extrae un rey} o sencillamente {rey} y B el suceso (se extrae un trébol} o sencillamente {trébol}. y (b) Si tenemos en cuenta los paloc el espacio muestral cronsiste del as de corazón.12.nB.).).. picas. .UB.4 u B.. picar. (o) Si no tenemos en cuenta los pdos el eepacio muestral consiste de as. dos.10 sea. diamanües y tréboles. diamantes y tréboles. (f) A. 1-13 para describi¡ los s sucesos (a). 2.. Describir el espacio mueshal (o) no se tiene en consideración el palo (b) si se tiene en cuenta el palo. = A. diamante. 13}.L4 . jota. Luego el espacio muestral consiste de 52 puntoo indicados en la Fig. 1. . Denotando corazones. (d) A. .n(8. . . picae.-8. (E) @ nB) U (A ñ B'):{(rey y trébol) o (rey y no trébol)): irey}. Se extrae una carta aleatoriamente de una baraja de 52 cartas. Refiriéndose al experimento del Problema 1.{rey y no trébol}. puede indicarse como {1. . . por ejemplo. Describir los sucesos (a) AUB.4. I diagrama eden de indicarse A U B. diez. reina. (q AnB. (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 ). También puede considera¡se observando que A.

A¡ ) en donde .P(Ar) Puesto que P(.42 . Así por el Teorema 1-14 [partc (o)] y el Axiom¿ 2 P(A) < 1 primero P(A)=P(¿)=1 (c) Tenemos eJ : eJuQ. también ee rigre queP(.Ar. Una carta se extrae aleatoriamente de una barqia de 52 cartas. Demostrar (a) el Teorema 1-17 y (b) el Teorema 1-19. Fig. (o) Tenemos AV A' :s[.cAP.At) = P(Azl . 1-15 (1) AUB: AUIB -(.4n8)l Entonces puesto que los conjuntos A y B .15. 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. Demostra¡ el (c) Teorema 1-14. Entonceepuesto gue. 1l TEOREMAS SOBRE PROBABILIDAI) 1.77).14. Encontrar la probabiüdad de .At son mutuamente excluyentee.41 y Az . página 6.Puesto que P(eJ) sfnp = Q se sigue del Axioma P({)) 3 que s = P(d)+P(Q) 6 = 1. Aunque hemos utilizado el diagrama de Venn el i rlu^') ".^^'rl i' r"u r--' resultado (l ) puede establecerse directarne¡rte (véase Problema 1. página 6.Ar ) - 0 por el Axioma 1. axioma 3. asr que Entonces por el P(42\ = P(ár) * P(A2.13. (b) Teorema 1-15. página 6.B) son mutuamente excluyentee. l-15 (An CALCULO DE PROBABILIDADES 1. (o) Tenemoe Az : At U (Az . Para demostrar que observamos que A C et. tenemos usando el Axioma 3 y el Teorema 1-14: P (A u B) | i'. (b) Con anterioridad sabemos que P(A) > 0 por el Arioma 1.42 ) = P(Al ). P(Az.(A ñ . (c) Teorema 1-16.

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

página 6. --6+4+5=1b=s 662 Nuestro espacio muestral corisiste de 6 * 4I 6:15 puntos muestrales.t""i: .2. 19 1 . debido a que hay 6 puntos muestrales que corresponden a "bola rojatt.cAP.También i"-or usado P(. todas igualmente Cada una de las tres maneras en que A1 ocurre puede asociarse con cada una de las 3 m¿rneraa en que A2 ocurre para dar 3.3 6 4 en el segundo lanzamiento. Entonees L1 (o) P(n)= Mótodo 2.6:36 maneras. 5 ó 6 son 3 resultados de las 6 probabilidadés igualmente factibles) y P(Az): ltO (ya que 7. P(AroAr) = P(At)P(A2lAr\ -.. Entonces si asignamos probabili' dades iguales Ll15 a cada punto muestral observamos que P(. P(roja o blanca) : P(R u r) : -"""'.á = | Método 3. norparte(c).1?. Puesto que los sucesos R y B son mutuamente excluyentes se deduce de (4). respectivamenüe.42 ocurren.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).4 1) :316 (ya que 4. Luego estamos buscando P(Ar ñ A2). blanca y azul. Entonces P(ArnAzl . . (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. . Cada una de las 6 maneras en las cuales un dado cae en el primer lanzamiento puede asociarse con cada una 6.H 10 2 6+4 6+4+5 . B y A los sucesos de extraer una bola roja. de las 6 maneras en que cae en el segundo lanzamiento. 6 6 6 en el primer lanzamiento V 1.R ) : 6/15 : 215. Método 1.3ó 4 son 4resultadosdelasGprobabilida' des igualmente factibles). 2. un total de factibles. r(RUB)=P(A'): 1-P(A): I . . ' SeanAl elsuceso "4rS ó 6 enelprimerlanzamiento" y Az elsuceso "7r2. . 4: 12 maneras en que tanto A1 como . que P(nuB):P(R) +P(B):?*# = ? PROBABILIDAD CONDICIONAL Y SUCESOS INDEPENDIENTES 1. Método 2.P(At)P(A.5 o blanca También puede resolverse l¡tilizando el espacio muestral como en la parte (c).J. Un dado honesto se Ianza dos veces. Hallar la probabilidad de obtener 4.364en elsegundo lanzamiento".15 . Denótese por R.'"::. 1l CONJUNTOS Y PROBABILIDAD Método 1. Método 2.) '!' .::"fl'"".

todas igualmente factibles. A.)(á) = P(ArP\A2l (2.P(Al -- L 27 -::99 1o. r'(A.tp(A2 A¡\ = (52")(*) = .nA") =+:(. Entonces P(ArnA. Así que ambas cartas pueden extraerse en (52)(52) maneras. p(A.2 a (6.2) signitica que el resultado del primer dado es b y el del segundo 2. \. oaa (3. así que P(A2l Ar Sin embargo si ocurre un as en la primera extracción quedarán 3 en ) : 3/51.18 coNJUNTos y pRoBABILTDAD lcAP. extracción".l Método 2. de una baraja de 52 cartas.6) (2.19. Puesto que se incluyen 8 puntos tenemos que P(A ): 8/36 : 219.2l a a (6. 1. l) (1. En este caso hay 4 maneras de sacar un as en la primera extracción y 4 maneras de saca¡ un as en la segunda exhacción de tal forma que el número de maneras de sacar :rses en la primera y segunda extracción es ( ) (a)i Así la probabilidad requerida es (4)(4) = (52\(52\ 1 169 (b) La primera carta puede extraerse en una de las 52 maneras posibles y ya que no hay remplazamiento la segunda carta puede extraerse en una de las 51 maneras posibles. a (2."t (ol La primera carta puede extraerse en una de las 52 maner:u¡ posibles y ya que hay rempl. Así ambas cartas pueden extraerse en (52 ) ( 51 ) maneras. Hallar la probabilidad de que ases si la ca¡ta (c) se remplaza.' ( #)l#) == # r\ P(A1l:4152. 6) El espacio muestral para cada lanzamiento de los (r. Entonces P(A. Método 1. .2) a a aa (5.18. Sea A1 buscando suceso ttas en la primera extracciónt' y . I a a aa (r. 6) a 1. l'ig.3) (3. 1 Esto indica directamente que A 1 y A2 son independientes puesto que .3) Si A es el suceso "7 u 11" entonces A se indica por Ia porción sombreada en la Fig. Por ejemplo (5. entonces P(A2 | A r) : 4152. {) (5. si la carta se remplaza para la segunda extracción. Encontrar la probabilidad de no obtener un total de 7 u 11 en ningunó de los dos lanzamientos de un par de dados honrados.) = (b) Como en la parte (o). todas igualmente factibles.2. Se extraen dos cartas. r) (2.2gara indica¡ y 2o. puesto que también hay 4 ases en las ó2 ca¡tas para la segunda extracción. (2. P(A¡): 4152. l-17 Utiüzando subíndices t. /. (b) no ambar¡ sean se remplaza. Puesto que los dados son honestos y hay 36 puntos muestrales asignamos la probabilidad 1/36 para cada uno.42 suoeso "as en la segunda P(Arñ A2): P(A1) P(A2l A t).6) I (¿. También. 1-17. Entonces estamos (o) Puesto que para la primera extracción hay 4 ases en las 52 cartas. 6) ({. dados se muestra en la Fig. l) (3.3) (8. 1-17.1) a Se deduce que la probabiüdad de no dada por ? u 11 está 345 Primer dado P1A'¡ '= | . . 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. aa {) (6.6) a (3. = las 51 cartas restantes."A) = P(A) P(A.azamiento la segunda ca¡ta también puede extraerse en una de las 52 maneras posibles.3) (4.

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

\P(A:A. I|2 : süc€so "bola blanca del segundo talego".20 CONJUNTOS Y PROBABILIDAD Luego el número de manera¡ en l¡as cuales por lo menos uno de los sucesos 11. Puesto que una bola roja puede resultar al escoger cualquiera de las cajas podemos em.píryina9).4 debe resultar en uno de los dos sucesos mutuamente excluyentes At. (b) ambas sean 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). Por tanto P(. (c) una sea blanca y una negra. hallar la probabilidad de que (¿) ambas sean blancas. página 8.24. Asípor P(A) = P(AIA)+P(A^AI') = P(A) P(A i A) + P(42\ P(A I A2) 8. Hallar Ia probabilidad de sacar una bola roja.. 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. La contiene 3 bolas rojas y 2 azules en tanto que la caja II contiene 2 bolas rojas y 8 azules.) .. (d) P(BtnBil:P(Br )P(B2lBt):P(Br )P(B) = lt!")/-=) + 5/ = I 4 \4 + 2/ \3 P(B'tñnb:pelp@. Supóngase en el Problema 7. .23. página t. Si se extrae una bola de cada talego. Demostrar el teorema de Bayes (Teorema L-24. Az entonces A = (AnAr)u(A¡42) PeroA ñAt y Añ Az son mutuamente excluyentes puesto que A1 y A2 lo son. At : I. Si se obtiene cara se saca una bola de la caja.I.)("+-ri-r:ri ---r:\ \2/\2+8/ \-/\-. Axioma 3 empleando (I8). Puesto queA resulta en uno de lossucesos mutuamenüe excluyentes 1-22 (Problema 1. Se lanza una moneda honrada. plear los resultados del Problema 1.2/ 5 z TEOREMA DE BAYES L25. fcAP. Demostrar el Teorema 1-23. Así la probabilidad de sacar una bola roja P(Rt - P(nP@ Il+P\II\P(RIII¡ = /t\/ I \ /r\/ z (... An tenemos por el Teorema P(A) = P(AI)P(A Ar) + ' " + P(A.O*' P(A\'Aki \ P1A¡ A¡ = P(A) P(A I Ak) P\Ak^A) = --PÁt ) P(A¡l P(A' Akl 1.23 con A: R. Si el suceso . Extensiones para valores mayores de n se obtienen fácilmente..23) Ay A2. SeaB¡ : suceso "bola blanca del primer talego". pero revela que se sacó una bola .41 U Az): 11/36. otro contiene 3 bolas blancas y 5 bolas negras. Az: II. Un talego contiene 4 bolas blancas y 2 bolas negras. si se obtiene sello se saca una bola de la caja /I.22. Demostramos el teorema para el c¡¡so n : 2.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-* = # 1.26. j Dor tanto ". 1 : Ar ó A2 ocurraes- 5 +5+ 1 L.

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

L = b! =. . Obsérvese que cuando | = tr. 9 . 1.2. = 5.T = - 5040 El número de ordenaciones de n objetos diferentes tomados de r en r ea n = n(n 1) . Halla¡elvalorde (a) . Entonces I ' 10 ' 10 ' l0 : 9000 son los números que pueden formarse.. g.3. Otro métod<¡. . 120 Elnhmerodeordenacionesdenobjetosdiferentesenunafilaes=n(n-l)(n-2\. cuando esto está hecho.oPo = 514! = (lZO)\24) 2gg0 1.2. . á maneras de llenar la cuarta posición.7. hay 9 formas para ocupar el segundo puesto. S para ocupar el tercero y 7 para ocuparel cuarto. El primer número puede ser cualquiera entre 9 y los tres restantes pueden elegirse de gPa formas.29.1 = 6 1.9si(c)los números pueden repetirse. Por tanto: El número de ordenacionesde 10 En general. (o) La primera puede ser cualquiera entre g (el 0 no). y finalmente sólo 1 manera de llena¡ la última poeición. Así pues. y 4 mujeres en una fila de modo que las mujeres ocupen los sitios pares. = e 15 (d) ¡P¡ = 3. ¿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. Cuando esto se haya hechó hay 4 maneras de llenar la segunda posición.22 CONJUNTOS Y PROBABILIDAD [cA?. 7 : 4586 sonlos númerosque puedenforma¡se.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.6 .. Se quieren sentar 5 hombres puede asociarse con cada ordenación de las mujeres. es decir hay cinco maneras de llenar la primera posición.3 = 860 (c) . (d) rPr. 4. tercera y cuarüa pueden ser cualquiera de las 10. (c) si el último número ha de ser cero y los números no pueden repetirse? (o) La primera cifra puede ser cualquiera entre 9 (puesto que el 0 no tiene valor).a tercera puede ser cualquiera entre 8 (no pueden ser ninguna de las que ocupan los dos prifneros La cuarta puede ser cualquiera entre 7 (no pueden ser ninguna de las que ocupan los tres primeros Entonces 9 . (c) tsPt.5. 8. La segunda.. 1 Debemos ordena¡ 5 bolas en 5 posiciones así -. persona!¡ tomadasde 4en 4es = tC. (¿) aP¡ = 8. (b) si los números no pueden rcpetirse. La segunda puede ser cualquiera entre 9 (no puede ser la que ocupó el primer puesto).32. = r¡ ! como en el Problem a 1... puestos).7: 4536son los númerosque pueden formarse. puestos).8. Cada ordenación de los hombres Elnúmerodeordenacionespedidoes = "Pr.31.r * l) Esto se conoce como el número de permutaciones de n objetos diferentes tomados de r en r y se denota por P. nPr. 2. Luego hay 3 maneras de llena¡ la tercera posición.30.rP.4. 3.28. por tlnto: El número de ordenacionesde lag 5 bolasen una filaes En general.1. ¿De cuántas formas pueden sentarse? Los hombrcs pueden sentarse de 5P5 formas y las mujeres de 4Pa formas. I . ¿Cuántosnúmerosdecuatrocifraspuedenformarseconlosl0dÍgitos0.8.. (n . (b) uPo. Entonces 9' sPs : I .Pr..336 (b) Pq = 6. l. La primera posición puede ocuparse por cualquiera de las cinco bolas.. 1.

es decir. si (o) pueden sentarse de cualquier forma. el número de ordenaciones de 6 person¿N sentadas alrededor de una mesa con 2 determinadas de ellas sentadas juntases de 5! 2! :24O. Así pues. . 6! = Considérense las dos personas que no han de ir juntas como una sola. En todos estos casos los libros de matemáticas están juntos. seis diferentes de física y dos diferentes de química se. Entonces las 6 restantes pueden sentarse de ?20 formas. de modo que dos de ellas no estén sentadas juntas es 720 .. n¡ En general el número de ordenaciones diferentes de n objetos de los eue ?r¡ Soriguales* donde. Pero los libros de matemáticas pueden ordenarse entre ellos de aPa:4! formas. rt. los libros de física de 5p5 :6! formas. loslibrosdequímicade2P2:2! formasylostresgruposde3P3:3! formas.36. g. que es el total de car¡os que se dan en la ordenación de 7 personas en un círculo. n#l* 1.PorelProblemal. Entonces hay 6 personas para sentarse en círculo. Entonces se tienen 9 libros que pueden ordenarse de 9P9 . son iguales. Se ordenan en una fila 5 bolas rojas. se tiene el número total de formas en que 6 personas pueden sentarse alrededor de una mesa. El primer dígito puede elegirse de 9 maneras y los dos siguientes de gP2 formas. ¿De cuántas formas distintas es posibliordena¡los si (c) loslibrosde cada asignatura deben estar todos juntos. 1l CONJUNTOS Y PROBABILIDAD La primera cifra puede elegirse entre g. Entonces ' 7 : 504 será el nfrmero pedido.35. que lo pueden hacer de 5! formas. .34. Cuatro libros distintos de matemáticas. 1 n"+ . 10 ! EntonceslSl 2: 3l)N = t0! y N - 101/(5! 2t Bl). 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. (b) si dos personas determinadas no deben estar una al lado de la otra? Considérese una de ellas sentada en cualquier parte. + tt¡ = n. Entonces el número de ordenaciones pedido será = 4't. ¿De cuántas formas pueden sentarse 7 personas alrededor de una (c) (b) mesa. ¿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.9 ! formas.24O: 480 formas. . ePz:9 . Entonces. multiplicando N por 5! 2l 3!) se obtiene el número de ordenaciones de 10 bolas si todas ellas fuesen distintas. 6l 2l3! - 207 360 (b) Considerar los cuatro libros de matemáticas como un solo libro. 23 (c) ' 8'7 : 5O4 Otro método. I 1. COMBINACIONES 1.cAP. la segunda entre 8 y la tercera entre ?. Entonces 9 son los números que pueden formarse. Entoncesel número de ordenacionespedido será = 9l a! - 8 709 120 1. ll0. Pero las dos personas consideradas como una sola pueden ordenarse entre sí de 2! formas. .33. (b) solamente ios libros de matemátitas deben estar juntos? (o) Los libros de matemáticas pueden ordenarse entre ellos de aPa: 4! formas.. n2 son iguales.34estoes ¡ft - 10'f''8' . . mediante (o). Multiplicando N por el número de ordenaciones (o ) de las 5 bolas rojas entre sí. colocan en un eslante. (b) de las 2 bolas blancas entre sí y (c) de las 3 bolas azules entte sí (es decir.

Pero las 2s forma¡ incluyen el ca¡o de no seleccionar ninguna verdura. b! ?. En general el número de grupos distintos de r objetos que 8e pueden formar con.ur .1 = o'' --ll (b) oCs = 6 ! = 6.4 = l4. Por tanto El número de ensaladas Otro método.. se forma un corúité de 2 matemáticos y 3 físicos. ae llamanúmerodecorñbinacionesdelosnobjetostomadosderenrysedenotapor. el número de formas de considerar lias cinco verduras es 25 formas. _ e! _ \s/-sws-BJ]T- e. ¿De cuántas formas puede elegirse una comisión de 5 personas de entre 9 personas? /g) = ^c. 3 físicos de un total de 7 dan 7C3 formas. oCz = 10 .5.b = 126 1. 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). Número toüal de selecciones posibles = sCz. 15 = 150 (c) 2 matemáticoe de un total de 3 pueden elegirse de sCz formas..rl nP' 1.24 CONJUNTOS Y PROBABILIDAD lcAP. = #h = I si se define Nótese que formalmente aCa 0! = l. Número total de selecciones posibles = tCz'tCs = 3'35 = 105 L.39.8. 2 matemáticos de un total de 5 pueden elegirse de sCz formas. 1. Hallar el valor de (a) zCq (b) aCs.Entonceselnúmerorequerido de ensaladas es -. Puesto que cada una de l¡¡ 2 formas de considerar una verdura está asociada con 2 formae de considerar cada una de las otras verduras. es:25 - 1 : 31 Puedeseleccionarseldelassverduras.2 = 6. 5.SdelasSverduras. (c\ eC+ 7. 6 uCt=oC1 =6' 5ú ff (c) +Ca es el número de grupos de 4 objetos que se pueden formar con 4 objetoa. escarola.objetos dados.6.Olf/Vvienedadopor ^ n"r nl /"\ \r / . ¿De cuántas formas puede formarse. no teniendo en cuenta el orden de los objetos dentro del grupo.CL-l tC2+5Ca+ sC4+ scs : 5 *10+ 10* 6* 1 : 31 . ¿Cuánt¿s ensaladas pueden preparañ¡e con lechuga.4!B! = 7.6. 4.6. 3 físicos de un total de 7 pueden elegirse de zCs formas.38. beno y achicoria? Cada verdura puede tratarse de 2 formas.2delasSverduras. De un total de 5 matemáticos y 7 físicos. lo que es evidentemente 1.. como si se escoge o como si se rechaza.. si (c) puede pertenecer a él cualquier matemático y físico.5 71 ^ (ol . endibia..37.C. Entonces tC+:I. (b) un físico determinado debe pertenecer al comité. n.5.rl(n-rll n(n-11"'(n-r+1) r! .4O. 2 físicos restantes de un total de 6 puedtn elegirse de eCz formas. (c) dos matemáticos determinados no pueden estar en el comité? (a) 2 matemáticos de un total de 5 pueden elegirse de sCz formas. Nfimero total de selecciones posibles = sCz' zCs = l0'35 = 350 (b).

eüc. \ r / \r-1l' (n-r*r)(n-1)! r! (n . ¡raracualquier enteropositivo n. ¿cuántas palabras pueden formarse.y por tanto eetá dado por /12\ _ \n/= 12.1r .!2 = 0..42. 10 ' 6040 : 1 ?64 000 COEFICIENTES BINOMIALES 1. . Entonces: El nhmero de palabrae y las ? letra¡resultantee (4 q 7C1 ' óCa ' ?! : 35 .+!\". obtenemoa Ia distribución conocida como el trióngulo de Poscal: n=l n=2 n=3 n:4 n=5 n=6 et¿. n0r+ ncz+.= xau /rz)'. ee 1. r0."¡ /¿-r\ /"-r\ \ " )-\"-t) El resultado tiene la siguiente aplicación interesante. 2. ! = 2r-1. Aeí10:4I6. La¡ 4 coneonantes pueáen elegirse (!e lC+ formas.r)l (n-r)(n-L)l * r(¿-1)! r! (n .r)l (¿-l)! (¿-1)! . 3 vocales) pueden ordena¡¡e entre sf de zPz : ?! forma¡.41.r e =4e6 . ..Cs+ -. que consten 4 consonantes y 3 vocales? No es necesario que las patabras tengan significado. 'xl (**!\" = r-:o (1?).1l CONJUNTOS Y PROBABILIDAD 26 nCn Engeneral.r)'! r! (n .1¡¡ 1" . de 1.11)"-.cAP. $ \k /' 3 \& /'.1)..*.t) + f" .tFV=fr . lss 3 vocsles de s0g formac consonantes. . Demostrar q"" Tenemos que 11) \r/ = l" . Con 7 consonanps y 5-vogaJes diferentes. 1.. 1 L 1 | I 1 6 4 3 6 2 1 1 3 4 1 1 5 10 10 5 15 20 15 6 1 1 Un resultado en cualquier renglón puede obtenerse sumando los dc coeficiente¡ del renglón anterior que encuenüreninmediatamentealaizquierdayaladerecha. ee decir k = 4.*-.' \"/ ü/ \ El término conetante corresponde a aquel para el cual 3& . De acuerdo al teorema del binomio *'\.11. 1b:10 * 6.z. Halla¡ el término constan6 en h exDansión de 1r.43. Si escribimos lo¡ coeficientes de la expaneión binomial de (c * U)" púa n :0. 4.B.

Rc lol auceecr "bola roja en la primera erhaccióntt. (f) al menos 1 as.ocro de ¡rupoe de 3 bola¡ entre 20 =-=-zocs (d) P(ningu¡ablanca) = (¡CzX¡Cr) 7 96 #= ff.[l2 ñ R3 reprerenta el guceso "la¡ 3 "bola bola¡ exhafda¡ con rojEr". 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 .TTEIZA}TDO ANALISIS COMBINATORIO 1. blanco. 14 Za. (li) 4 ases y un rey. (o) Método 1.44.* "O de cada color) = Ot¡o método. blanco. (d) al menos 1 eea blanca. (cl P(2 bolar rojar y 1 blanca) = (gupoc de 2 entre 8 bol¡¡ rojar)(grupoo de 1 entre 3 bola¡ blancas) afir. 1 PROBABILIDAD T.= 1140 = zous j_ 296 P(3 bolú blurcas) ' Tambión puede utilizarre el priraer m6todo indic¡do en la parta (o). Si se extraen 3 bolas aleatoriamente sin renplazamiento. P(8rnP2nBJ = P(Fr) P(^R2 | A1) P(¿s l.B Probabiüdadp€did¡: (D) Empleando el re¡undo método i¡dicado en la parte (o). (d) un 9.a roja en la aegunda extracción". (f) las bolas sean extraídas en el orden rojo. t'bol. reinq rey en cualqui. Una cqia contiene 8 bolas rojas. P(almenol blance) (¿) P(tdecadacolor./e\/ z\/o\ \20l\i0l\18/ Método 2. (c) 2 sean rojas y 1 blanca. De e¡ta mar¡era tenemo¡ Sean i¡. 10.er orden.45. roja en L¡ te¡cer¡ ettracciónt'.. ezut) . Halla¡ la probabilidad de extraet (a) 4 ases. Se extraen 6 cartas de r¡na barqia de 62 cartas. (e) se extraiga una de cada color.26 CONruNTOS Y PROBABILTDAD [cAP. (b) las 3 bolas sean blancas. 3 blancas y 9 azules. =g=i| zocs t9. Bz.Rt n . determinar la probabüdad de que (c) las 3 bolas sean rojas. Eotoo"". (c) 3 dieces y 2 jotas. @) pedc) = (b') W# = # = u¡fuo P(4eroylrey) = ry . rerpectivarnente. jota. =t-# =# = !9lff9 = *g (f) P(ertraer l¡¡ bola¡ en o¡den rojo. A¡f . (e) 3 de un palo y 2 de otro. .B1nR2) . azul.

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

(ó) quien lanza segundo los dados gane. luego A o B gane.i :. Hallar la piobabiüdad de que (o) A gane las tres partidas. Quien obtenga primero un total de 7 q^? el juego. I|3 los sucesos "B gana" la 1a. es 1/6 como se determinó en el Problema 1.de2tablasenBpartidases(réase Problema 1.) suponiendo que los resultados de cada partida son independientes de los resultados de la¡ ohas. \a) = n /r\2/<\ (c) P(A y B ganen alternaüvamente) : P(A gane. PROBLEMAS DIVERSOS 1.P(B') P(B.Xt(.. (o ) La probabilidad de obtener 7 en un sólo lanzamiento de una pareja de dados.'. 2a. Bz.4972) + 50(1. A 3 los sucesos " A gana" la 1. y 3a. -/¿\/a\1¿\ = le ^ \3/\3/\3/ 27 1. Probabiüdad = {¿)(f )($)."u j /t\/r\/t\ * /r\/r \/r\ = \r/\5/\r/ \¡i \zi \¡i 5 . B gana 4 y 2 tnrmrnan en tablas. A pierde en el ler.':. t. Az. partida respectivamente. Denótese por A B t. A y B juegan 12 partidas de ajedrez de las cuales A gana 6.49.04 x 100r. luego B) == ". 1-17.) . un nfimero que tiene 6b dígitos. 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) = (. lanzamiento.íll 36 (d) P(B gane al menos una partida) : 1 . luego B.:'.P(B'roBj¡B'r) L . supuestamente honradoe. Probabiüdad : 1 /6. Acuerdan jugar un torneo consistente en 3 partidas.6990) - 50(0. .o sicológicamenfe por loe resultados anteriores! (b) En cualquier partida la probabiüdad de no tablas (esto ee A o B gana)esg: ]-t2+]-lg:516yla probabiüdaddet¿blasesp:1--q:1/6.) P@.'J?fi '. 1 = ¿los100 | ¡lor3142 + 11 = i(zl * de donde 50 1og50 - 50 log2?18 ... 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. 2a.P(B no gane ninguna partida) t .50 A y B juegan lanzando alternativamente un par de dados..Asílaprobabilidad.28 11 CONJUNTOS Y PROBABILIDAD lcAP.10. lanzamiento.4343) = 64. lallar la probabilidad de que (o) quien lanza primero los dados gane.^. luego pierde B.:.46) 5 /s\ " \í)o'n'-' = t(.z.18 y Fig. (Esta suposición no sería justificable si un jugador fuera influenciad. luego gana A. (b) dos partidas terminen en tablas. y 3a..4836 N= 3. luego A.. (c) A y B ganen altemativamenie. partida respectivamenüe. 1á¡ n gane al menos una partida.:.

Entonces y lI/ son sucesos independientes.cAP.8 y 0.52.F/ y la esposa. el 3'/o 6 360 son defectuosos y 11 640 no lo son.8)(0.53. I|2 son los suceoos "blanca en la primera extracción". Así Probabiüdad pedida = -H*-P 1. Así la probabilidad de que g. Bl. pierde B.tJ es cero ya Así iríamos 6 a 5 a que el primero que liance gana. Hallar la probabilidad de que en 20 años (a) ambos vivan./s\/¡\/o\/s\/r\ * \6/-\6i \6/\u/ \6i \6/\Bi \u/\6i 1l-. lo cual puede ser o no razonable. Véanse Problemas 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.151 y 1.1) = 0. Una rnáquina produce un total deL2 000 tomillos diarios de los cuales en promedio elSVo son defectuosos. Una caja contiene 5 bolas rojas y 4 blancas. Suponemos que . : 6L" /s\' * /r\* I _ \al \ui donde hemos utilizado el resultado 6 del Apéndice A con x r/6 6 : (5rc)2 - (b) Análogamente la probabilidad de que B gane el juego es 1q)/l) . De 12 000 tornillos. respectivamente. de tal manera que la probabilidad es 3/8. lanzamiento.8. Nótese que la probabiüdad de un empate que 11 ' 6-5 11 1 Esto no serfa verdadero si el juego fuera limitado. Las probabilidades de que un esposo y una esposa estén vivos dentro de 20 años están dadas por 0. Prqbabilidad = (áX8X8X8X+). gane es /t\ /s\/s\/r\ .2)(0. Hallar la probabilidad de que de 600 tornillos seleccionados aleatoriamente 12 sean defectuosos. estamos buscando P(Br lB2). pierde B.*/q\'*/q)'* \o/\e/t_' \o/'.' \6/\6/\6/\6/ * = /q\/r\T. pierde A. 1l CONJUNTOS Y PROBABILIDAD 29 (3) A pierde en el ler. 1. 1. ¿Cuál es la probabilidad de que la primera también sea blanca? Método 1./l)/q)lq\It\ \6/\6. l|/ los sucesos que el esposo 0. que la segunda es blanca. estén vivos en 20 años. Sean ÁI. Este resultado se obtiene así Si P(BJB)='+#=elwq=* Método 2. (c) al menos uno viva. (b) ninguno viva.02 .9) = 032 (ó) P(ningunoviva) = P(H'nW') = P(H'\P(W') = (0.152.(5/6)2 11 . Se extraen dos bolas sucesivamente de la caja sin remplazamiento y se observa. P(W) : 0. gana A.9 respectivamente.9. P(H): (o) P(ambosüvan) = P(H1W) = P(H)P(W) : (0. "blanca en la segunda extracción". respectivamente.51.\6/ =5136=5 1 .

. Entonce¡ el ¡uceso al menos una carta en el sobre conecto es.. lo¡ sucelo¡ primera. 1 (c) P(al menoc und üYa): 1 -P(ninguno viva): 1 .. El resultado ee a¡ombroso ya que la probabilidad permanececasi constante para n ) 10.=t \/ .etc. Una secretaria ineficiente coloca ncartasdiferentes en n sobres con destinos diferentes aleatopiada. finalmenrte ..Tenemosporejemplolosiguiente: (z) P(A)=+ yanálogamente PlAr¡=L ya que de lo¡ n sobres rolamente 1 tendrá la dirección apropiada. (véase Problema 1.C2 términos que tienen el valor dado por (3). A partir de la generalización de los resultados (10\ y (1 l). cegunda...\t/\.) "1 ó 1.4¡ U AzU'."uAn) = )r(¿*) -)e6'tnl'r) "' * (-t¡"-t P(At^A2¡ " n. Por tanto la probabilidad pedida es p(ApAzu-./\ .#.) p\AztAttp(A..6321.U An y deeeamos hallar P(A¡ U A2V. -r/\n-2/ (+) = + \.xt"1B"""ntJfi::::i*il'ff.. U A.vAn¡ 1\ t. Hallar la probabilidad de que al menos una de las cartas llegue a la destinación aproDenótensepor A¡.sobre "nto"o' *to '' de los rectantes n- 1 sobres estará (4) p(AtnAzr1A¡) = p(Á.30 CONJUNTOS Y PROBABILIDAD [cAP.i \.1/ =.nA) = ''-n' P(A¡ñ A¡ ) hay (. .. E P(A¡ ñ Ar) es la suma de probabilidadesdeA¡ñA¡conjyhdeedelhastanyh)j.02 = 0.ñA2t : p(At\p(A2lAt\ = (*)("=) aProPi"ao ü.f'. ..\ /"\/t\/ I = (l)(t)-l:)/l)l \..\ri )\" " ' " + (-r)^-'l'\l+) = r-fr+i-"'+1-t¡"-'I cz \z/!t!/ Del cálculo sabemoe que (véare Apéndice A) = lf ¡*#.nA2n. 'á P(4 ñ A¡ ñ que tienen ) = "r"términos el valor dado por (4)..54.) Ap) hay ( (+)l=+) \lr/\tt .. 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..42.u) las es la ¡uma de las probabilidades de A¡ desde t hasta n. Por üanto.i1-:.1/ nl (5) Entonces en la suma > Análogamente en E p(A. ='-('-+r. n-ésima carta ¡e encuentra en el gobre correcto. página 7.A. riamente../\.(+ll-+ll=+) \..lAtnAr) y así aucesivamente.79) tenemo¡ (1) donde E P(A¡) + )P(AinAinAk) P(áruAru. 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. .-. Tbmbién (E) p(A.98 1.i/ .1) .r) .ri.".). .. aefqueparar:-l e-.* r-e-l I : 0.0.

1. .z\. La primera de las n personar¡ tiene lógicamente algún cumpleaños con probabilidad 365/365 : 1. Así la probabilidad de que la segunda persona tenga un cumpleaños diferente de la primera es 364/365.67.55 para que la probabiüdad cumpleaños distintos sea menor que U2.(."' .cAP.s supletnentarios CONJUNTOS 1.-k).-4\ .865 ) de 1. (b) método de comprensión. Denotando la probabiüdad dada por p y tomando logaritmos naturales hallamos (r) @\ (3) lnp tnp =t"(r-#) -r'"(. Enipleando los hechos de que para n .. "'+rn(t-#) ln(1 Pero sabemos de cálculo (Apéndice A. Describir A de acuerdo al (o) método de extensión. Finalmente.58. suposiciones que no se cumplen genetalmente en la realidad..' (Apéndice A' fórmulas 1 y 2) (Ir\ I+2+ "'*(n-1) = @.ln p r¿(rr : - -- 1) ?30 . 12+22 i-.2 -r¿-506 = 0 = 0.). Suponemos que solamente hay 365 días en el año y que todos loe días de cumpleaños son igualmente probables. .1\:{. Análoga' mente la probabilidad de que l¿ üerce¡a persona üenga un cumpleaños diferente de las dos primetas es 863/365.693. el segundo término y los términos superiores a la ae 1S¡ son dlespreciables comparados con el primer término." . SeaA = {r r2-3r*2=0}. si Ia segünda persona tiene un cumpleaños diferente. fótmula 7) que -r) -= --c - T- 3 así que (I ) puede escribirse como = ft+z+ : 2.865)"'\'. Por tanto nuestra conclusión es que si n es mayor gue 23 podemos decir con mayor seguridad que al menos dos personas cumplen años el mismo dfa. Determinar cuántas personas se necesitan en el Problema 1. 1l CONJUNTOS Y PROBABILIDAD 31 1.r)(Zn -r) 6 obtenemos para (3) (5) *::":: 16) rnp = -!!+ñ! .23)(n'l 22) = g asf que n : 23.^" --!.. debe ocurrir en uno de los otros 364 dlas. tnp = . la probabilidad de que la n-ésima persona tenga un cumpl'e¡ñoe diferent¿ de las otras n * 1)/365. Por tanto tenemos es (365 - P(n cumpleaños diferentes) = #* # ffi = \'- ' 365 :-l! + 1 1\/'. asf que una buena aproximación en este Pa¡a (7) p : L12.n(r-l) i30 para n pequeño comparado con 365. D = {t I 12<16). Entonces.55.-*(n-1)2 - n(n .56..693 6 ln 2 = 6 (n . Por tanto tenemos n.0. Problema. 3.l. Halla¡ Ia probabilidad de que n personas (n < 365) seleccionadas aleatoriamente tengan n días de cumpleaños diferentes. por ejemplo n ( 30.DeterminarsiACB o no.. Sea A eI conjunto de los números natwales entre 5 y 15 que son pares..165/\'.

A r. 1. (ñ) A .1. L. Demostra¡el (a) Teorema l-2. (c) Añ(BuC).5}.61. (c) A'nB'. página 3. entonce¿A = B. (bl AnB. 1. (c) A)8. (d\ (AnBlu(AnC).} ! B = {rlreounnfimeroprimo.69' 1.68. x>y O i Demostra¡ que cualquier aubconjunto del conjunto vacfo debe ser el conjunto vacfo. - . Seaununiver¡o 'Ll:{L. (ó) Sir yy son do¡ númeroereales sr¡alesquierq entonces x1y. (s) (AnC)' u B. formule en palabras el (a't A'. 0 @uB) . página B. Sea'tl el conjunto de todos loi enteros no negativos y conaidérenee loe nrbconjuntoc A = {xl¡e¡unente¡ope¡. (c) A'uB.?). (Véase Problema 1. ESPACIOS MUESTBALES Y SUCESOS L. 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. (d) el númer. 1. 1. B={2.4. 1. (o) Si A y B eon dos conjunüos cuáleequiena.6?.66.32 CONJUNTOS Y PROBABILIDAD Demoeürar que para cualquier conjunto [cAP.62.5\ yrupóngarequeloerubconjuntoede'll son A:{1.72. De¡cribir un espacio muestral para cada uno una moneda.B'? Ju¡tificar l¡ ¡olución.(AuC). 1. E¡tudiar la verdad o entonces A CB.9. 1 1. entoncq cJeeJ. EXPEBTMENTOS ALEATOBIOS. 1.60. DIAGBAMAS DE VENN y TEOREMAS SOBBE CONJUNTOS 1. página (o) Eemortrar la segunda ley De Morgan. ei ¿[e como I Sea ci éeeI' o cl¿se de todos loe conjunüoc que no 8on elementos de eUos mi¡mo¡. B.uC').ruNTOS.31. B. en un grupo de 600 hombre¡. (Ó) el nhmero de fum¡dore. A)8. Generaliza¡ el recultado del Problema 1. y (D) ilustra¡la utilizando un diagrama de Venn.nC.7 o negar: Si A u (Ar\B) eilusha¡loporundiagramadeVenn.2.3. (e) A-8.2}. Generdiza¡ las primen y eegunda leyec De Morgan a cualquier número de conjuntos.p6gina 3.Encontrar (a) Av(BuCl. 1.ñ(B. . A tenemo¡ A C A. Demo¡harque .69.o de llamadas recibida¡ en une ce¡ttrat telefónica. Afirmar -B = @.6 A: falredad de las propoeiciones siguientce.). (e) A.68. ¿EE (A - B)' : A' . (ü) Teorema l-8.73. (ü) B'.76. Un erperimento consiste en el lanzamiento de una moneda y un dado. 1. (fl (A-B) u (B-A). 15¡(6. de loe siguientes experimentos aleatorios: (o) 3 lanzamientos de 1. C = {4. Demo¡trarque (á -A)UA =á ¡ólo srBC A e ilugtrarlo utilizando un diagramade Venn. Tborema 1-120. (d) AnB'.4 u (BnC\ (c) A' n (BuC)' (rt) A . (c) lanzar un¡ moneda hasta que aparezc¿ un sello. I-a paradoja descrita se conoce Rusell..5. (e\ B-A. Ilustrar el principio de dudidad haciendo referencie a losteoremas de la pfuina 3. Emplear un diagrama de Venn para dibujar ceda uno de loo conjuntoo eiguientec: (¿) A n (Bucl (ü) .t B = IA-(AnB)] u ÍB-UnB)l 1. signifrcadodecadaunadelasoperacionessiguienüee: (f) B A. (d') A-8.76. =y.(BnC) (e) A' - (BuC)' 1.?f .0(¡=4) Encontra¡ (a) AvB. (e) el número de partícular nucleare¡ que enhan a un contador Geiger. (b) (AuB)uC.66. (fllanzat una moneda y un dado.(B. oPEBACIONES E¡ITBE CON. (o) Demostrar que (b) Demoetrar que ri p-f Ge[.?0. 1. (c) Teorema 1-4.64.

remplazando la bola extraída después de cada extracción. 1. (e) pl(A1nAr) u (A"nAr)]. 1. satisface los axiomas de probabilidad en la página 6 y por tanto todos los teoremas sobre probabilidad. y A3 el suceso "rey en la tercera extracción".80. Halla¡ la probabilidad de que (a) ambas sean blancas.77.8t. SiA. o azul.tA'r). jota de tréboles o reina de diamantes al extraer una sola carta de una baraja común de 52 ca¡tas.7t.84 si no hay remplazamiento después de cada extracción.página 8. ll CONJUNTOS Y PROBABILIDAD 33 TEOREMAS SOBRE PROBABTLIDAD 1. o un estimador de ella. (b)AyBñC. CALCULO DE PROBABILTDADES 1. . 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). (c) AyBUC. 20 azules y l5 naranjas. 1. y (I I ). cartzs 1.P(A¡B). (b) ni roja ni azul. 12 defectuosos. (c) una sea roja y la otra azul. (i) la primera sea blanca pero la segunda no.t1. 1.t4. (c)A y B-C.86. para cada uno de Ios sucesos siguientes: (c) La aparición de un rey. (b\ p(AluA2\.91. Csonsucesosindependientes. Un experimento consiste en la sucesiva extracción de tres cartas de una baraja.85. son inde- . blanca 1. 7. (c) no azul.demostrarque pendientes.(A ñ B) son mutuamente excluyentes.83. (e) Al menos aparezca una cara en tres lanzamientos de una moneda honrada. Resolver el Problema 1. 1. as. (c) ninguna sea naranja. Hallar la probabilidad de que si dos bolas se extraen aleatoriamenremplazamiento) (o) ambas sean azules. B.14(b) demostrando (sin emplear el diagrama de Venn) que AUB = AOIB-(AOB)I donde A y B . (e) la segunda no sea azul. L. 30 blancas. 1.cAP. (b) La suma 8 agatezca en un solo lanzamiento de un par de dados honrados.82. p6gina Generalizar los resultados (I0 ) 30. 1.42 el suceso "rey en la segunda extracción". B'. Explicar el significado de cada una de las siguientes: (a\ P(AroA!r).1. Demostrar el resultado (1 1). @) p(A'rr.90.. (b ) A' es independiente de A es independiente de B demostrar que (o ) A es independiente de B . (d) sean rojas o blancas o de ambos colores (roja y blanca). 1. Completar la demostración en el Problema 1. (D ) si las cartas (o) se no se remplazan. üe (sin Una caja contidne 2 bolas rojas y 3 azules. Demostrar que si P(A ) >P(B ) entonces P(A I B) Si > P(.54. (b) ambas sean rojas. Determinar la probabilidad p. (g) al menos una sea azul. PBOBABILIDAD CONDICIONAL Y SUCESOS INDEPENDIENTES f . (b) la primera sea roja ylasegunda sea blanca. y así demostrar eI resultado (l ) del Problema 7.?9. 1.87.92.83. . (h) máximo una sea roja. pfuina Demostrar que P(A'uB') = 1 . Se exürae una bola aleatoriamente de un caja que contiene 10 bolas rojas. Hallar la probabilidad de que sea (c) naranja o roja. (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.4 ). Hallar la probabilidad de extraer 3 ases aleatoriamente de una ba¡aja de 62 remplazan. (d) blanca.8 I .89. pfuina ?. Se extraen dos bolas sucesivamente de la caja del Problema 1. (¡) solamente una sea roja. (¿) p(A1^A'2ñA\). (¿) roja. Sea A1 el suceso "reyen la primera extracción".

En el tercer joyero eñ un compartimiento hay un reloj de oro. .10t. . L. ¿Cuántos números diferentes de 3 cifra¡ pueden formar¡e con 3 cuaEog. ¿De cuántas formas pueden 5 personas sentarse en un sofá si tiene sol¿mente tres asientos? 1. ¿De cuántas formas pueden 3 hombres y I mujerec sentarse alrededor de una meea ei (o) no se impone ninguna resüricción. á3 : "total impa¡ en ambos dados". ¿De cuántas forma¡ pueden ordena¡se 7 libros en un eEtanüe ei (a) er posible cualquier ordenación.109. (¿) roC¡.¿Guál es la probabilidad de haberla exbaído de la primera caja? Ttes joyeros idénticos tienen dos compartimiento¡. Hallarelvalor de(a) oP2.ent¿nüoquelacajalfcontiene4bola¡rojasy2blancas. ANALTSIS COMBINATORIO. y lrr urna ffl. Hallar la probabiüdad de haber escogido la urna I. (ó) zPs. Az.101.99. Atl At.94.98. 3 blancas y 4 negras. Se TEOREMA O REGLA DE BAYES 1. ¿Para qué valor de n es . (c) cada mujer debe eetarentre dos hombres? COMBINACIONES 1.34 CONJUNTOS Y PROBABILIDAD Sea lcAP. ¿De cuántas maneraa pueden coloca¡se l. AziA2. 1. (b) ¡C¡. A3 lon independientes pero que 1. 4 blancae y I nggra. CUENTA Y DTAGNAMAI¡ ARBOL 1. (c) 2 libros deüerminados deben ocupar lo¡ exüremos? (o ) 1. 3.1O?. (D) 3 libros determinados deben estar juntos. 1 1.43 no son independientec. . y una bola ertraída aleatoriamente e¡ blanca. Luego ee extrae una bola de la segunda caja.4 doeee y 2 tres€s? 1. Resolver el problema anterior si la8 cifreÁ de los números pueden estar repetidas.9?. 1. . 2. ¿Cuánto¡ números de cinco cifras pueden formarse con los dÍgitos L.cajas reeulta azul. Demostrar que A¡ . Se extraen tres cartas aleaüoriamente (sin remplazarniento) de una baraja de 62 ca¡tas. abrimos uno de los compartimientoa y hallamos un reloj de plaüa. 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. (b) doe mujerer determinadas no deben centar¡e juntar.lO2. (¿) roP¡. Se selecciona una urna aleatoriamente la urna II. Una bola extrafda aleatoriamenüe de una de las.96. Hallar la probabilidad de que sea blanca. En cada compartimiento del Begundo joyero hay un reloj de plata. ¿cuál es la pobabilidad de que el otro compartimiento tenga un reloj de oro? 1. (b) las primeras dos cifras de cada número son pa¡es? lor números deben ser 1. caja / contiene 3 bolasrojasy Sblancas.+tPt = nPtl. La urna I tiene 2 bola¡ blanca¡ y 3 negras.104. Se lanza una moneda tres veces. . Utiliza¡ un diagrama árbol para determin¡r la¡ diferentes poribilidades que pueden suceder. 1. I monedae diferentes en 2 posiciones diferentes? PERMUTACIONES 1. suceso "número impar en el primer dado". La escoge una bola aleatoriamente de la primera caja y se coloca en la s€gunda c¿ja sin ob¡ervar su color.93.106. 1. . Hallar el valor de (a) rC3.106.96.1OO. en tanto que en el oho hay un reloj de piata Si seleccionamos un joyero aleatoriamente. A2 = BuG€so "núme¡o impar en el segundo dado". Una caja contiene 3 bolas azules y 2 rojas mienüras que otra caja contiene 2 bola¡ azulee y 5 rojas. A ¡: auceao At. 9 ¡i impares.1O3. En cada compartimiento del primer joyero hay un reloj de oro.

.8 mujeres. Halla¡ el número de (o) combinacionee y (D) permuüaciones de cuatro letras cada una quepuedenformarse con las letras de la palabra Tennessee. 1. ¿Para qué CONruNTOS Y PROBABILIDAD valor de n s€ cumple que 35 3' n+rC¡ : 7' nCzl.. (b) la primera ca¡ta sea un aÁ pero la eegunda no. ¿Cuántos comités diferentes pueden formarse si (o) no se impone ninguna restricción. 1.C. Si s€ extraen 3 tiquetes de la caja uno a uno' hallar la probabilidad de que alternativamente s€an impar. (b) un palo completo. (b) dos estadistas determinados deben estar en el comité. 3 niños y 3 niñas con 6 hombres.2n-1.118. (f) la seErnda carta no sea una figura. 3 corazones y 1 pica. 3 y 2 personas? y 3 personas. (b) j=t (-1)./"\ ..122. Hallar la probabilidaddeque (o)laprimera carta no Bea un diez de tréboles o un aa. Se extraen dos cartas sucesivamente de una baraja de 52 eartas. COEFICIENTES BINOMTALES 1..e cuántas formas puede un grupo de 10 personas dividirse en (o) dos grupos de 7 grupos de 5.120. PROBABILIDAD UTILIZANDO ANALISIS COMBINATORIO 1. 1. t"l kCz\QC¿)/DC. \ r/ 1. j=1 = n.( ") .4 mujeres. ¿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.. impar o par' impar' par.110.. Hallar el coeficiente de ¡ en lt * ¿)t.rnda carta no sea una figura dadoque la primera eí lo es. Demostrar que (o) É . (h) las cartar son frguras o picas o ambas. Hallarlaprobabilidaddeobtenerunasumade?puntos(o)unavez. 1l 1. La¡ apuestas en favor de A de ganar un juego de ajedrez contraB son 3:2. (b) tres 1.+ r-''i" 2/ \l )=o \o/ \r/ /"\ * /"\ I 1. 1.) = 0. (c) un economista determinado no debe estar en el comité? 1."".. (e) no más que una carta sea figura (jota.111. (c) eC¡. 2 héboles.(b)almenoe dos lanzamientos de un par de dados honradoe.t24.121.116. ¿f). s€ impone ninguna restricción. (b) /11 \ (r-a)4. (c) (t-r t)s.114. (g) la seg.f 23. (c) al menos una carta sea un diamante. reina' rey). par.115.113. Demostrar que (c) (b) \r¿l \o/ \r / + 1") * '. En un juego de naipee ee reparte a cada uno de loe 4 jugadores 13 cartas de una baraja de 52 cartae. 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.125.119.126.117. Halla¡ la probabilidad de que uno de loe jugadores obtenga (o) ? diamantea. (d) (rz*21t. ¿De cuántas formas pueden seleccionarse 4 niños y 5 niñas si (o) no determinados? 2 hombres. lJna caja contiene 9 tiquetes numerados del 1 al 9. Expandir (o) (o+y)6.cAP. (ó) ( ). \4 / 1. (d) las cartas no sean del mismo palo. Con 5 estadistas y 6 economistas quiere formarse un comité de 3 estadistas y 2 economistas.-tj(. unavez'(c)dosveces'en 1. (b) deben seleccionarse un hombre y una mujer 1. (b) en contra de A de perder los prir4eros dos juegos? 1. Calcular. +/"\ \2 / /"\ .

'. 1.reina. Hallar la probabilidad de que ocurta 11 por primera vez en el sexto lanzamiento. - L.96? 1.145.138.135. . Si diepara al blanco hastaqueledal¡primera vez. Halla¡ la probabilidad de que (o) las cartas eean de un palo. ¿Cuál es el menor número de lanzamientos necesarios en el hoblema 1. (b) 0. Demosürarque siACB' entonces AnB:Q. Halla¡ la probabilidad de que 3 sean rojas y 2 azules.136. Se extraen cinco bolas aleatoriamente sin remplazamiento. 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. PROBLEMAS DIVERSOS 1.134. p2 y 4p Halla¡ el valor de p.129. Demostrar que para cualesquiera sucesos Ar.) + P(A)+ . (o) Hallar la probabilidad de obtener la suma 7 en al menos uno de tres lanzamientos de un par de dador honrados. Un espacio muestral consiste de 3 puntos muestrales con probabilidadeg a¡ociadas dadas gor 2p.146.131. (c) todas las letras son diferentes pero dos letras determinadae no puden estar juntas? tes. 1. Halla¡ la probabilídad de que (o) sean diferen1. ¿Cuántas palabras pueden formaree con 5 letras si (o) lae letras son diferentes. 1 1. Az. APROXIMACION DE STIRLING A n! 1. Se extraen 3 ca¡üas de una baraja de 52. A-(A nf¡: AñB'. Un par de dados se lanzan repetidamente. . 1. 1. etc.. (b)al menos dos sean ages. l. Hallar la probabilidad de que un jugador tenga de 13 cartas g de un mismo palo. 1. (b) máximo dqs sean igualee. ¿Podríamos asignar probabilidadee de 1/11 a cada uno de esos puntos? Explicar.uAn) < P(4. Al lanzar un par de dados la suma puede ser 2.142.I's probabilidad de que un tirador dé en el blanco eede 213. An P(ArvA"u.144. Cuatro enteros se eligen aleatoriamente entre 0 y 9 inclusive.3.. 1.queconsistedediez. ¿De cuántas formas pueden selecciona¡se 30 individuos de un total de 100? 1. Demostrar que aproximadamente 2nCn - 22"1\/ñ. (c) ca¡tas diferentes.13?.143.5. .130. Hallar porcentaje de enor en la fórmula de Stirling para n : 10. rey y as del mismo palo.l47. 1.140 para que la probabiüdad de obtener 11 por primera vez sea mayor que (a) 0. Demostrarque 1.127.12E. Obüener una aproximación al resultado del Problema 1. ¿Puede considera¡ee la moneda cómo honrada? Expücar. . Enunjuegodepókerhallarlaprobabiüdaddeobtener(o)unaescaleraflor.141.51. 1..139. (b) tn full que consiste en 3 cartas de un valor y 2 de otro (por ejemplo 3 diecer y 2 jotas. ¡rara valores de n grandes. hallar la probabilidad de que necesiüe 6 disparos. . Una urna contiene 6 bolas rojas y 8 azules. . 1. 1. .jota.140. (b) ¿Cuántos lanzamientos se necesitan para quela probabilidad en (o) eea mayor que 0. 12. . (D) 2 letras son idénticas.). +P(Á") 1. 1. Supóngaae que al lanzar una moneda 500 veces hay una secuenci¡ de2(lsnzanientosqueresulüan"carast'.95? 1.132.36 CONruNTOS Y PROBABILIDAD lcAP. (d) 4 ases.133.

Este üipo de problema se presenta en física en conexión eonlaestadística Bose-Einstein. .151. CONJUNTOS Y PROBABILIDAD 37 (c) Un estanque contiene 6 compa.cAP.156.' Denoüando la probabilidad deseada comopñ (a).ISrí"r"ncia. (b) dos cincos. demostrar que p"(a) = 1 fipn-o (0) y luego emplear el resultado del Problema 1.149. ¿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. Demostrar que /"\ = ! 1t'¡¡" .11)'-* 1i)'-l \"/ \o/ \t/ . Resolver el Problema 1.(i)' una interpretación combinatoria.541. 1.1ó3.\¡/(. .6. (a) Un estante contiene 6 compartimientos separados.154.150. 1._ \r/ (1 + r¡t (1 + o¡"-t y hallar el coeficiente de ¡j en el producto).¿De cuántas maneras pueden colocarse 4 bolas idénticas en los compartimientos? (b) Resolver el problema si hay n compartimientos y r bolas. (ü) tres jugadores. (d) ningfrn 5? ¿Puede resolverse el problema sin saber el número de cincos que tienen los otros jugadores? Expücar. Este tipo de problema se presenta en física en conexión con l¡a es tad ísüca Fermi-Diroc. "dar ¿ letras en los 1. una interpretáción combinatoria. 1. 3.148. . u¿ fi.54 obtenga exacüamente I ¿-c / r\k sobres correctos ". 1. (c) trer cincoe. 1l 1.50 si el juego se ümita a B lanzamientos.rtimientos separados. Un jugador de póker tiene las cartas 2. ¿Cuál es la probabilidad de que obtenga el 5 suponiendo que los oüro¡ tres jugadores en conjunto tienen (a) un cinco. Desea descartar el 8 y remplazarla por otra carüa que espera sea un 5 (err ese caso obtendrá una "escalera"). Demostrar l") . que (Sugerencia: Consi¿s¡ar 1. Demostrar que la probabiüdad para que la secretaria del Problema 1.151.)va". (c) los cuatro jugadores tengan un palo completo.155. Generaliza¡ el resultado del Problema 1.152.:). Hallar la probabilidad de que en un juego de bridge (o) dos jugadores.8. 4. 1.t't . 1.

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

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

Esto se expresa matemáticamente estableciendo que la función de distribución es continua por la derecha en 0. F(r) se mues- Los aspectos siguientes acerca de la función de distribución anterior. la probabilidad de que su estatura X sea precisamente 147 centímetros sería cero. Debido a esto se dice que es vnafunción monotónicamente creciente.2 su 2. A medida que procedemos de izquieida a derecha (es decir subiendo la escalera) la función de distribución permanece igual o aumenta. la función de distribución para la va¡iable aleatoria X del Ejemplo 2. 714 corresponden exactanrente a las ordenadas en la Fig. Sin embargo hay una probabilidad mayor que cero de que X esté entre 145 y 150 centímetros. 2-3 frecuentemente se le llama función escalera o función paso. 1. El valor de la función én un entero se obtiene del paso superior. 2. deben notan¡e. 2 son LlA. 712. (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. Entonces definimos la probabilidad de que X se encuentre entre ¿ y b como P(a<X<b) : Í"' f (n) d.)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 . Si se selecciona aleatoriamente un individuo de un grupo numeroso de hornbres adultos. (o) Halar representación gráfica.2. nos conducen f(r) tal que o a poshrlar la existencia de una función 1. 1.@ e -. 3. Debido a la apariencia de la gráfica de la Fig. 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.n (6) . por ejemplo.40 EJEMPLO VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD lcAP. pagjna 38. Por tanto no podemos definir una función de probabilidad en la misma forma que para una va¡iable aleatoria discreta (págrna 38). 2-1. Las magnitudes de los saltos en 0" 1. que son verdaderos en general. DISTRIBUCION DE PROBABILIDAD Si X es una variable aleatoria continu4 la probabilidad de que X tome un valor determinado generalmente es cero. f(r\ > 2. Este hecho permite obtener la función de probabilidad a paftir de la función de distribución. tomando valores desde 0 hasta 1. 2.3. . 2-3. Estas ideas y la analogía de las Propiedades 1 y 2. EJEMPLO 2. así el valor en 1 es 314 y no Ll4.4.

EJEMPLO 2.ru. (o) HaIIar la constante c para que Ia función f(r¡ = {"^* L0 sea una o. . (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.f. (b) Emplear P(l < r = 2\. Si 0 f: x 13 entonces F(rl Si¡>Sentonces = ou fo' . (b) P(1< p(r<x<z) -. 2] VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 4L Podemos demostrar que esta definición satisface los axiomas de probabilidad dados en la página 6.5. X<2) = P(l<X<2) = P(\<X=Z) = P(l1X<2) = fr a- FUNCIONES DE DISTRIBUCION PARA VARIABLES ALEATORIAS CONTINUAS Por analogía con (4). = *-h=:h 7 En el caso de que f(r) sea continua. = # + F(r) = fo" .-g ec y puesto que esto debe ser igual a 1 tenemos c: tl9. pero con mayor frecuencia se denomina función de densidad de probabilidad o simplementn función de densídad. También debe observarse que F(r) en este caso es continua. debe satisfacer la propiedad 2 para ser una función densidad. #f.au f""oou = 1 Por tanto la función de distribución pedida es r(o [o F(r) . el (o) Tenemos F(r) = Si P(X = r\ = o" Í__.5.a1X<r) s = J_-" ¡p¡au f' ( si se desea. lo que supondremos al menos se establezca otfa cosa. (a) Ya que f(r) satisface la propiedad 1 si c ? 0. V) En los puntos de continuidad de EJEMPLO 2.'!. Entonces de . definimos la función de distribución F(x\ para una uariable leatoria continua por F(. = 13 t'n ¡3 .'" de otra forma " función de densidad y (b) calcular P(l < X < 2).l-*Ít'lol' = )ow2dr .6.?1. Una función f(r) que satisface los requisitos anteriores se llama función de probabilidad o distribución de probabilidad para una variable aleatoria continua.r) = P(X=r) f(r). 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').5. n.n* =.CAP.t) = 0.'U". : P(. En tal caso podemos remplazar cualquiera o ambos de los signos ( en (6) por Así.1é/27 0<'<3 fr Obsérvese que s>s F(r) aumenta monotónicamente desde 0 hasta 1 como lo requiere una función dedistribución. en el Ejemplo 2. la probabilidad de que X sea igual a cualquier valor determinado es cero. ou + f"'f@)au = fo'!u..UU ¡( 0 entonces F(. = Í.tu. página 39.

'.i.2 (ó) Tenemoa P(r<x<2) P(X=21 - P(X=1) f(2) - F(1) n-n como en el Ejemplo 2. (10) es la /(¡) es continu4 es decir la derivada de función de distribución REGLA DE LEIBNIZ Pa¡a obtener (101hemos empleado el hecho familiar del cálculo de que $ !"' tlu) ou = Este es un caso especial de f (s) (11) h regla de Leibniz para diferencbción de una integral: *Í"".'. la cunra no puede caer por debajo del eje r.ü# (121 at.2-4. 2-4. az y F se suponen derivables con respecto a. 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. : f(x) Si f(r) Fig.6.42 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD [cAP. es deci¡ P(a 1 X < b).a# . 2s137 n La probabilidad de que X se encuentr€ entre r yxt Ax está dada por (8) p(r= xtn+ta) así que si = .' T*0" + F(az(a). El área total limitada por la cuwa y el eje ¡ debe ser 1 debido a la propiedad 2 en la págna 40..F@t(n). se representa por el área sombreada de laFig. 2-l .'r(u.x)itu donde = f""jl.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. Puesto que f(r) Z 0.

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

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

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

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

ul 6(u. como función de densidad conjunta a f(x. n.u - (8el En el caso especial donde X.r. Teorema 2-6: Sea f(r. Y. Cualquiera de los teoremas siguientes es frecuentemente útil para este propósito. Entonces la función de densidad g(u) de la variable aleatoria U : Qr(X. ft.y)<u) = fl . fr. 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 (39) se reduce a (t o¡ s@) = f' . En la práctica con frecuencia se necesita hallar la distribución de probabüdad de alguna o va¡ias va¡iables aleatorias determinadas. V:X (lasegunda selección es arbitraria). -6 fr(*)fr(u-r)iln que se conoce como la conuolución de f t y f z. Un resultado análogo es váüdo para las funciones de probabiüdad de las variables discretas.IBUCIONES DE PROBABILIDAD 47 Aú Ar (871 J= E(a. Teorema2-5: Sean X.ylitrdy R (es) donde Q es la región para la cual 4r(o.]NCIONES DE VARIABLES ALEATORIAS aa aa Los Teoremas %2 y 24 específicamente incluyen funciones de probabilidad conjunta de dos variables aleatorias.. A) u.. y) está dada por Como consecuencia particular de los teoremas anteriores podemos demostra¡ (véase Problema es decir de U : X * n. Y) se encuenha derivando con respecto a ¿ la función de distribución dada por G(u) = pÍó. Las siguientes son algunas propiedades importantes de la convolución: 1.rr. f t* (f z* f t¡ = gt* fz)'f 3.23\ que la suma de dos va¡iables aleatorias continuas X.o) A1r A. Y variables aleatorias continuas y sea U = ót(X.cAP.2l VARIABLES ALEATORIAS Y DISIR. Ír* (fr'f fi = ft* fz * ft+ fs s Estos resultados demuestran gue fr . que tengan s(u) = r) itn Í__ . obedecen las leyes conmutatiuq reociatiua del álgebra con respecto a la operación de la convolución.U) = f . &u 0a DISTRIBUCIONES DE PROBABILIDAD DE FI.(X.iw . f . = ClDNVOLUCIONES 2. y distribr''. l(u. y) la función de densidad conjunta de X. fz = fz+ ft 2. abreviado f . Il. Y son independientns.(r) f .* fz ..

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

2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 49 Problerna. Utilizando el hecho de que los 36 puntos muestrales son igualmente probables. obtenemos la Tabla 2-4. variable aleatoria X es la suma de las coordenadas para cada punto. (4.3). Supóngase que se lanza un par de dados honrados y que la variable aleatoria X denote la suma de-los puntós.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/. garaX:5 corresponden los cuaho puntos muestrales (1. . 2-8 la suma de las ordenodas es 1 en tanto que en la Fig. de acuerdo con si deseamos considerar a X como va¡iable discreta o continua. 2-9 la suma de todas las óreos rectangulares es 1. (2. 2-8 o en la Fig. así que cada punto muestral tiene probabilidad 1/36. Así para (3. 2'9. Tabla 2-4 'x 1'17'página18. (b) Consbuir una gráfica para esta distribución de probabilidad.4). (a) Obtener la distribución de probabilidad paraX.2). Nótese que en la Fig.2) tenemos X : 5.cAP.Jo 4/36 2/36 (ó) Podemos emplear un espectro o un histograma como los dados en la Fig.1) así que la probabilidad asociada es 4/36. (3.1. (c) LospuntosmuestralesparaloslianzamientosdeunpardedadosestándadosenlaFig.s restreltos VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD DISCRETAS 2.Po¡ ejemplo.

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

1 C" F(r) = )_-t{")a" = i)__ n du _ = !l-t.e¡décir t-.cAP. z2 = 1 (ü) si* = x2 =t. _.r ./ -\-'l (* :u. I -u.'= J-.-.r12*L =zC' oJ6. 2-13.12 + | = "t"r-rrl r-o = "L..2V @) (o) Uüilizando la Tabla 2-5 del Problema 2.6. f . rL t__J = 11h. t:_flu)ttr = 1.ran-l(--)J = l[r*-' " "if = i.6. X del Problema 2./J f = " =.entonces ó -l < x = -f.2-13 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 2.(-. Un (¿) (a) Debemostener aXtienelafuncióndedensidad o"." r¿*l = ?['*-'(1) .<6.2l VARIABLES ALEATORIAS Y DISIBIBUCIONES DE PROBABILIDAD 51 2.4.itan-rc .2 obtenemo¡ F(rl (ó) L8 gráfica = de la función de distribución de (o) se muestra en la Fig. F(¡) I 7t8 6/r 6tE 4/E 3/8 2t8 I UE t Fig. )? estÉ entre 1/3 y 1.. donde -o(ú. (b) Hallar la probabilidad de que f(r)=c/(n2+l). acf que c=Ur.\r-. (c) Hallar la función de distribución F(*) para la va¡iable aleatoria representar gráfrcamente esta función de dishibución.t¿n-r (+)] I = z(z-z\ = 6 6/ "\4 2. t*tantolaprobabilidadpedidaes t(-'lstt oJ-t dn *lft dr IL'rJ¡5..rr_rrl.6. la constante c.. Hallar la función de distribución conespondient¿ a la función de densidad del Problema 2.

La función de probabilidad conjunta de dos variables aleatorias discretas X. fir-\ = dt l-F1. (b) Hallar P(X =2. y pueden tomar todos los valores enteros tales que 0 < n 3 2. debe ser igual a 1..U\ : 0 de otra forma. donde r. Por defrnición P(X =-21 = )" ze-z"du = -u-r"1.8. (c) Hallar P(X>l. Y estÁ dada por f(r. )-11. tenemos que c : L142. (o) .e-4. 0 = U < 3.F(-g) = (1 -e-e)-(0) = l-e-B DISTRIBUCIONES CONJUNTAS Y VARIABLES INDEPENDIENTES 2. P(-3<X<4) = P(X=4) -P(X<-3) = r'(4) .7.y f(r. Tabla 2-6 Y X 0 0 0 I c 2 3 Totales ü I 2c 4c 6c 3c 5c 6c I .Y s2\.A) = c(2r *y). y (c) la probabilidad de que-3<X<4. las probabilidades asociadas con esos puntog dadas por c(2x * y). Por tanto.2 2. (b) la probabilidad de que X > 2. La función de distribución para una variable aleatoria X es (L-e-2" o>0 F(r\ : J^ x1O [u Halla¡ (c) la tunción de densidad.42c. (a) tos puntos muestrales (r. se indican en la Tabla 2-6. (o) Hallar el valor de la constante c. P(X>z) = f -(1 -e-r) = (c) e-4 p(-B<x<4) = ln¡rulou = f_roa"+ ton2r-r.du = -e-2"1 = L-e-8 lo l{ Otro método.62 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP. y) para los cuales las probabilidades son diferentes a crero se indican en la Fig.) 2c 4c 6c 3c DC l4c 22c 42c 7c L5c Tota les+ 9c l2c . = = F(2) = | . Y = l).¡l = f2"-u l0 r)0 r10 le-1 (ó) P(X>z) Otro método. Puesto que el gran total.

Hallar las funciones de probabilidad marginal (c) de XV (b)de Yparalasvariablesaleatorias del Problema 2. Y son independientes debemos tener. 2<Y <3). 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.9. (o) Debemos tener la probabilidad total igual a 1. Y es f (n.Y=l)=5"=a 42 (c) De la Tabla 2-6 determinamos que P(X>t. Demostrar que las variables aleatorias X.10. P(X=2.11.8 son dependientes..9. (o) Hallar el valor de la constante c. 2.r du = I .2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD De la Tabla 2-6 determinamos que 53 (b) P(X=2.u) d.8.cAP. (b) Hallar P(1< X <2. 1<g<5 de otra forma 1o (c) Hallar P(X>3. y. 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. Y <2). puede expresarse como una fi¡nción de ¡ veces una función de y.8 (b) y 2.Y=\ = asr que h P(x=4 = # P(Y=l) = I (2x rr y)142. como se determina de los Problemas 2. Si las variables aleatorias. es decir | | f@.{.u) = lcnU 0(r<4. P(X = t. para todo r. 2. (o) La función de probabilidad marginal para X está dada por P(X = r) = ft@) y puede obtener¡e de los totales del margen en la columna derecha de la Tabla 2-6.Y : A) = P(X = r\ P(Y = Y¡ Pero. La función de densidad conjunta de dos variables aleatorias continuas X.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. De estos vemos que P(Y=Y¡ = verificación:1*3 +!+1 ''7 74'7 t4 fz( =t 2.Y=L) + P(X=21 P(Y=L) E resultado también se deduce del hecho de que la función de probabilidad conjunüa. no P(X--2.

.Y=z) = í:="í"'=.'uau)a' = *f.=oL. = = 1 C' 5r. (ó) Utiliz¿ndo el valor de c hdl¡do en (a) tenemoe P(l <x <2.frarau = * Í'^='lÍ"'="u aafa' = + f"="#l'"='* L f4 Br.o)ctud. [ Í=. =y( 5 ec Fzful = P(Y <-vl = Í¿t=_@ f1 ¿ú=l f" f@. para 5 < 0.11.* s /rz11z .1Í":=.=.Yl'"=.Tn' = idt\t/|.'=.- ñ E P(x>s. Por t¡nto Fr(rl = 1.r. fv J-"=oJ"'='ffiauao = + .o' = "Í.olduclo dudo = P¡re o > ft (s J.r=o(ry-.r"=.=o J"=. Hallar las funciones de distribución marginal (c) de X V(bl de I' del Problema 2. 4.'=. Oo = #Í:=.F .)* = "Í:=rr2adr = "tu*)l'_. 1""=140.:o J"=rcnvilxils ft rrs = " J.12.¡¡'J. no ao)au =# [o ¡(o n>-4 12/16 O=r14 [t (ó) La función de disüribución marginal para y ai 1 PueetoqueF¡(r)escontinuaenr=Oy¡:4. xaau )clx = "!. y). la integral tiene el valor f4 ¡5 J. fi uo = # 1. = e6c Entonces 96c = 1 y c : 1/96.2<Y ' (c) <3) = Í.2 Empleando la defrnición de /(."=. 7 ñ J"="To' = ln 2. (o) L¿ función de di¡t¡ibución marginal para X ¡i 0 < ¡ ( 4 ec Ft@) = p(X=r) = f' ¿u=-4 ¿O=-@ f" fet.podrfamocremplazarenlaerpreaiónanüerior(por<.54 vARIABLEs ALEAToRIAs y DrsrRIBUcIoNEs DErRoBABTLTDAD -l IcAp.'=r$l'"-.(a) = 0. Ft(¡) = 1.

2. y) resultante. 2-16.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. la Fig.n ffia. Fz@) = 1. Puesto que f(x. Y puede escúbirse como el producto de una función en r veces una función en y.2l Para y VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD OD = 5. 2-15 2. y) : Fr G\ Fz@).Yl = rz(az .' *u au)a* Fig. J ( por < . de tal manera que su función de distribución conjunta eetá dada por F(r.14.11.. En el Problema 2. Del Problema 2. En efecto.¡ ryl96 sobre fi.F(r. [f=. esta probabilidad está dada por 'í Í"'=. región sombreada en la Fig. ! c(t = c : F(r. Por tanto Fzfu) Puesto que F2 (y) es continua en y = 4@r-t)tz+ tfy<b a=6 l. F{A) = 0. 2-I6 . Y son independientes. Para U < l.F ¡ (r) V Fzp) se determina¡on en el Problema 2. 2-15 muesha la definición por trazos de .LL se observa que la función de densidád conjunta para X. Y del Problema 2.13.t : 5. 3.¿v I < Y < 5 [ 0 de otra forma L/96. Se deduce que X. En la Fig. La probabilidad rc. Las distribuciones marginales . Halla¡ la función de distribución conjunta para las variables aleatorias X.ul = fr(r) f2(y). podríamos remplazar en la expresión anterior [o u<r : 1. donde J tt.| l rr. o 0 ( ¡<4 f de otra forma . av = ut-[:.l\ (r6)(24) Fig. !""=.L2.11 hallar P(X+ y < conjunta de 3). t = 1.Y es diferente de cero.cAP.(ul = { (. 1 < y ( 5 dentro de la cual la función de densidad X. 2-16 hemos indicado la región cuadrada 0 ( ¡ ( 4. l\¡.

..a) a@'a) donde es d\u. 92fu. Véase Problema 2.66. y : Ju.u11V1o.56 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP. 2-1'7).v)dud. u aumenta a medida que r aumenta (Fig. pá$na 46.. L es una función decreciente de ¡. págir.1 . = 2. podemos demostrar que u y u también crecen.Ll Plx = gfu)) = f lv@)l En una manera análoga puede demostrarse el Teorema 2-2. Demostxar el Teorema 2-4.f .. es decir g(u) _. "rl "" /{.r\uti. y crecen. ' olü au = ¡'tl f ¡¡gqullv'tu:du Esto es válido pr. 2.16. Para el caso donde rlr'(u) -< 0._-.y) fe2 dr dy Remplazando avanzado que r : Út@. u) ellacobiano. página 46. (r) (t tlt(u) es una P(ut LI 1tt"): P(rtlX1rr\ f¡7 (2) Remplazando x escribirse como /'ü: | t\u) titr 'ul |. ) O.\: ?u.(' 'u2 l3-' '.1)llJ duda ("' ("'n. también podemos demostrar que (31) se cumple (véase Problema 2. Entonces. El teorema también se puede demostrar si rl'(u) 0 ó r/'(u) ( 0. pá$na 46. 2 lu=rd' CAMBIO DE VARIABLES [r(3-r)z r 'rldr 48 2.u.fl.At<Y<Az) = | fre | l(r. Igual que en el Problema 2. esto es.u . esto es.páqina 46. Dr P(r1<X1rz. donde ry''(u¡ ) 0 (es decir la penCiente es positiva). Úz(u.. La función de probabilidad para U está dada por s(u) = P(Lt ") = Plo(x) .=o g6.67)..¡.' ut 12 : ¿ ttt V@) en la integral al lado derecho.16 ó P(ut<Uiu. Demostrar el Teorema 2-t.u).17. Jtl r s(u. Primero suponemos que a medida que r.z 46. Análogamente podemos demostrar ('36) para el caso donde . para el caso donde J 0.15.t'@) Este es un caso especial de (34).a). Por tanto = fI¡rfu. Demostrar el Teorema 2-3. pá4ina 46.rl duda = f"' (''' Ju. u) en la integral de la derecha tenemos por un teorema de cálculo flrrtu. | trrr J| s(u. Ju.. u). Primero considere el caso donde u : ó@) 6 x : tenemos función creciente. .= fu ). 2-17 f .2fu.4v.o'tlJ J< que es (3ti).a todo u1 y u2 solamente si los integ'andos son idénticos. (2) puede Fig. como puede deducirse de la figura.2 1 L (" = J.

.. UyXqtídadapor y8€hatomadol¡raízrealpositiva.A¡íparacadavalorderhayunoydamenteu¡valordeuy función de densidad para U ee s(ut Verificación: = ilt'. o por el Probler¡¿ 2.2-lt 5 r¿ = 9 tenemos G(u) = P(Il =ul = P(Xz=u) = Pl'-\n=X=rF'l nñ = J| -V-¡ Í@rar Perosi9(u(36tenemos G(u) rfr.17...tt¡¡f".82.2O.U<u) = P(-B<X<\fr) = J-s f@lA. u= r+11 6 r =n/F1. o el hoblema 2.2.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD es 67 2.sutz¡21 ].!7. recfprocamentg.e por el Teorema 2-3. Así para cada valor de ¡ conesponde uno y colamente un valor ds u pero para cada valor de u # 0 corresponden do¡ r( u( valores de ¡. 2.¡función u = 2. La función de es disüribución para U G(ul = P('tlu') Entonces si 0 Fis.cAP.'ll = 1 2. de otra forma .I9.19. U: * .Enüonce¡1. Puesto que ú'(u) : dx/du : .. de probabilidad pedida para U ea ( z-ni i s("! = 1o utilizando el Teorema 2-1.3 ( 6 corresponden a los valores para los cualeo 0 S 36 como se muestra en la Fig. du ¡5 <tz:_su.)óx:L2-3u. página 46.16 que la Tbnemosu:tl3(L2-f.Loe valore¡ de u que correrponden a¡= . f(r) = to de otra forma Halla¡ la probabilidad para la va¡iable aleatoria a = X4 + Puesto que l.E2.2 = _.3 ( ¡ < 3 corresponde a 0 s z s 9 er tanto que 3 (¡( 6 corresponde a 9 ( u ( 36.. Como se obeerva en esta ffuura el intervalo . HaJlar la densidad de probabüdad de la variable aleatoria U = )? donde X es l¡ va¡iable aleatoria del Problema2.3 y* = 6 rcn u = 6 y u -2re¡I¡ectivamente.3 ¡e deduc.3. página 46.16. 2-18. Los valores de r para los cuales. Tenemos tL = tr2 ó r = *\ñ..+ l larelación entre loe valoreedeuyrdela¡variablesale¿torias donde u:2. 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). = P(. La función de ptobabiüdad de una variable aleatoria X (2-' ü=1. En este caso no podemos emplear el Teorema 2-4 directamente ¡rero podemor proceder de la manera eiguienüe. .. | ."1:-..18.

r'nu ffr:i:0" 'Sea u = t I 2y. 1 < y ( 5 correeponde a la regiiin 0( u ( 4.11) hallar la Método 1. u : r. Entonces la ¡olución ¡imultiinea re¡ulta r : u. etcogiendo arbitrariamente l¡r eegunda relación.<¿<36 de otra forma 21rsrz Verificación: zlb. 0 < a < 4 g(u'al = de oEa forma {o La función de den¡idad marginal de U está dada por 21u<6 ctfu) = f"^=oWo' J.u). le * fil2136 z4B l.21. función de densidad de U = X + ZY.IBUCIONES DE PROBABILIDAD Pueeüo que la [cAP. = {. 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 .=. Por üa¡¡to la región 0 I r 1 4. función de den¡idad g(u) ee l¡ derivada de G(u) tonemos.-ro 0 6<¿<10 f4 afu. lo1u114 de otra forma . Si las variables aleatorias X.ol =#¿" .a) (véase Problema 2.58 VARTABLES ALEAT1ORIAS Y DISTR.u 110 que ¡e muesEa eombreada en la Fig. = 2. 2-19.1. 2 ea - Fig. El Jacobiano está dado por Fr 0r J_lr"0o oa lüu la" att lo =l I 1 11 -. ! : ll2(u . uear¡do la regla de c@l Utiüzando la definición dada de = f(r) eeto se convierte en 0<z<9 9.2 l*ibníz (12). Y tienen función de densidad conjunta r(x. 1 tZ _1.

a función de di¡tribución de la variable eleatoria X + 2Y erüá dada por P(x *zY É ut = Íl rr2y 3 t@.i 1<c<5 Pa¡¿ 21u ( 6 obserraÍros al r€ferirnoo a la Fig. 2-19. 2'20 gue la últim¡ integral ee igud a Í"--.L(y(Senelpla' (véase Problema 2. eüc. Al dividir egüa¡ ecúaciones obtenemoe y/r = u/u aef que y = ut/v.cAP.2-2O Fig. 2. IL m de b Flg. 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.a) : {*''nu de otra forma :':' 0 L = XYz. V = )PY."'' gunoo = Í"::'lW-#fo' + 4)t2304.22.au i*Z=. Nlétod.2l como VARHBLES ALEAI"ORIA"S Y DISTBIBUCIONES DE PROBABILIDAD 69 'lar p determina refiriéndo¡e a lae regioner ¡ombreadas I.o 2. El Jacobia¡¡o estó dado por . De un¿ manera análoga podemoe obtener el Al deriva¡la con respecto a ¿ 8e encuentra (u . Fíg. Si las variables aleatorias & Y tienen la función de densidad conjunta 4' L <s <5 f(r.ytdrdy " = ÍÍ fta.u2 t< 7) uztga-rls < L26'u 6 1 64u 1u2 < Eata región ee muesba eombreada en la Fig.y=y2/3p-rl3. [. Mo ¡oe conducealasolucióneimultánea s=p2/34-r/t. u = x2 y .' I":".2)2 (u reeultado dd método L para 6 ( u ( 10.11) hallar la función de densidad conjunta de U no uu está dada por o<azlgu-r/t<4 gue son equivalentee a . Considére¡e u : xy2 .21.2-2L 2. I/aimagende0(x14.

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

ar@u .d. R'ex. (o) Empleando los ¡esultado¡ en los Problema¡ 2.26.{olf2(u-olito = f t* fz que es la conuolucidn de h y fz. Por tanto Cful = | JO f! (2e-2ül(ge-sru-u))do (" = 6"-su. Y son variables aleatorias independientes que tienen funciones de densidad ft@l =112"-t' .25.a J_ú En el integrando f1 se anula cuando u ( 0 y f2 8e anula cuando u ( u.f 2* f1 (Propiedad 1. obtenemos (-' Ítrfz = . así que por el Problema 2. 2. pígna 47\" Tenemos Ít* fz = | /r(") fz@-o) Jo=-a Haciendo fa da u)= a. Demostra¡ gue fi t.f .24.olver el hoblema nes de densidad f t@).8.fw=n .-*) = 1 2.u = (.f2(u-t:ld.to ¡iu>0yg(u):O¡iu(0.241a función de den¡idad pedida es la convolución de f t y fz y eetá dada por c@) = ft*fz = f' fr(o. Y son variables aleatorias independientes que tienenfunciof.e-tr¡ f -'.u:-dw.- u de tal maneraque u = u-u.l) = 6(e-zt ..rru-u)f2@t)(-d. (b) P(Y : 1lX : 2'¡ pan la distribución del Problema 2. (y) respectivamente.f¿ . En este caso la función de den¡id¡d eonjunüa et f(x. halla¡ la función de densidad de su sumao U = X Por el Problema 2. Ve¡ific¡ción: ao ifui = 6o.cAP.<0 L0 ü>o * fg"-to a=o " frfu\ '-\e' =1l0 a<0 Y.27. HaJlar (al f(y l2).8 y 2. de densidad de U: X * Y e¡ y): f t@) fz(yl.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD 61 2.w) = (" DISTRIBUCIONES CONDICIONALES fz@\lt@-u)dut = fz'ft "/u=-n 2. 2. Si X.23 la función s(ul = t'.23 si X.o{üau = tfo'k-r"-"-rv\d.9 t¿nemo¡ ftutrt = arf que con ¡ : 2 ffi:*+#t f(ylz\=g#f=+ P(Y=rlX=2\=/(1l3r=*z (ó) .

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

U) Debe anota¡se que no puede deducirse a partir de f(x.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 63 Verificación: fo' . Puesto que se supone que intenalc igualec tienen probabüdadee iguales. Y están dadas respectivamente por (r) f .29 son independientes. Ít@l = 4r?.31.30. = lo'Ar"d. Íis. la función de densidad estd dada por . Determinar la probabilidad Denótense por X Y la¡ va¡iables a¡ociadas con lo¡ puntos dados. = . f(t.2-23.rrrro. y) : 8ry. Si ecta ee remplazarí pu alguna reshicción en y no dependiente de r (como en el Problema 2. Dos puntos se escogen aleatoriamente en el intervalo 0 < de que la suma de sus cuadrados sea menor que 1. = t. Jo L /r)'lo' = \a/ --) r de lo cual c = 312a.)']0" Aquí. EnlaregiónsombreadadelaFig. que flr. Entonces la probabilidad de pegar en el blanco es Jo I rb t(.(. Hallar la probabilidad de pegar en el blanco. que se supone üene radio b. Una persona jugando a los dardos encuentra que la probabilidad de que el da¡do caiga entre r y r t d¡ es P(r= Rtr+d. tenemos ("fr. Y son independientes. : T zalo lr-(i) Jl. htotdda -- Ío' 2. La función de deneidad ertá dada por f(r) r_ /r)rl = "Lt .cAP.r) = . Eeto ¡e debe a la restricción 0 < y < ¡. + f t@) Í2fu). Determinar si las variables aleatorias del Problema2.(. fz(A) : AaQ-A2'). y) puede expresarsecomo una función de r por una función de y.32. 2-24).t L \a/ 2.¡ _. c es r¡na constante y o es el radio del objetivo (véase Fig.G't = lI 0<¡<1 | 0 de oEa forma f zfu) : tf f 1 ofY=1 o de otra forma Entonces ya que X.[t . R es la dista¡rcia del impacto desde el centro del objetivo. Suponer que siempre se hace impacto en el objetivo.2-21 Puesto que siempre se hace impacto en el objetivo..21).A\ = 8rA. fot rrror¿a = fo 4A$-u2lda = | 7 f"'r. la¡ funcionee de densidad de X.ls rbF /"\2-1.r'lúttr = Í"' fo" &or : .)¿. b(Boz-br¡ =. Portanto f(r. y a¡í { Y son dependientes. tal conclusión serfa verdadera- APLICACIONES A LA PROBABILIDAD GEOMETRICA 2.30. ¡ < 1.

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

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

al + Fr(r) F2fu). ala¡cuales correcponde u:Í1. 2.yeatarolucióntienelaepropiedadeodeseadas. B. Por incpeccióa.Y=y:l¡(*)üienenuna correrpondencia uno a uno en una forma continu¡. Hallar la función de densidad de U : Método f Sea . 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 |. P(X = di¡tribución deben ¡er igualee.yt = d+# F(r. !: u/u. i) ¡e encuentra dentro del rectángulo.al + ft@lfzfu) o.2-28.ntonc€. Xf si la función de densidad conjunta de X. do por U: XY. para 0 ( r.yl = F(r.vl -| F(r. 2.Entonce. obtenemos oha erpreción.1) ó &: a2 6 PortntoY:*tE.y 1 l. Lor result¡dos completoe se muestran en la Frg. V: X.Y es f(. F(r.2 Cuando (¡.r. Por tanto. lo que er equivalente F(r.36.66 VARIABLES ALEATORIAS Y DISTB. Br2 . u: x 6r:u. r): P(ts< yI e¡ decir la¡ funcione¡ de Jo f " au$ - u) ttu = (u Prt(t Jo BAI t)2) d. 2-2t (h) Las va¡iable¡ aleatorias aon dependientee ya que f(r.¡) = I F(r'Y\ = I F(r. etc.8 elJacobiano eetáda- .y) = I 2z2y*xy2-8!-ZV2 420 F(x.84.2rs = - 2U8 a = h(r) = ¡fi e8 u¡¡a rolución. y).3') = g F(z. o<Y<1 de otra forma Suponemoequelafunciónde¡conoeidahestalqueloeinüervalocXSr.a\ - o Fig.IBUCIONES DE PROBABILIDAD [cAP.

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

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

42. Sea X la yariable ale¿üoria que representa el número de ases extrafdos aleatoriamente en 4 ca¡tas de una baraja de 62 cart¡¡. 2. (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).44.rlo s VARIABLES ALEATOBIAS Y DISTRIBUCIONES DE PROBABILIDAD DISCBETAS 2.41. 2. 2.47.2l VARIABLES ALEATORTAS Y DTSTR. (c) P(X >21. la con¡tante c. s). Obtener la función de distribución y su gráfica para el (c) Problema 2.19.1 y 2. Hallar la di¡hibución de probabilidad de Z.40.38. La función de probabilidad de una variable aleatoria X ee muestra en la Tabla 2-7. 2. Hallar la función 2.E¡ suplernenta.48.2. describiendo la relación entre ella¡. (o) Conetrui¡ una tabla que indique l¿ función de dietribución de X y (b) representar gr6ficarnente e¡ta función de distribución. (a) Construir una üabla que muestre la distribución de probabilidad de X V (ü) FUNCIONES DE DISTBIBUCION DISCBETA 2.on remplazamiento. (o) hallar la di¡tribución de probabilidad para X V (b) repreeentar gráficamente la distribución. repreeenüar gráficamente la di¡tribución.18.4O. 2. (dl P(X < 3).42.39 si s€ extraen las bolas c. La Tabla 2-8 muestra la función de distribución de la variable aleatoria X. Una urna tiene 5 bolas blancas y 3 neg¡a¡.41. probabilidad. Resolver el Problema 2.39.4L. = Determina¡ (o) la función de VABIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 2.47. (ó) P(1 < X < 2). lbbla 2-? 2 3 Tabla 2-8 r f(n) I L/2 r F(r) I r/8 2 3 4 r/3 r/6 3/8 314 I 2.38. (D) P(l < X g). (b) Problema 2.46. 2. Si se extraen doe bolas aleatoriamente sin remplazamienüo y X denoüa el número de bola¡ blancas. de digtribución para la variable aleatoria del Problema 2. Sea Z lz va¡iable aleatoria que repres€nta el númcro de ca¡a¡ menos el n(rmero de seüo6 en dos lanzamientos de una moneda honrada.cAP. Obtener l¡ función de dishibución y su gráfica para el (o) Problema 2.IBUCIONES DE PROBABILIDAI) 69 Problenra. Rnpre*ntar gráfrcamenüe las funciones de densidad y digtribución. (r) P(.89. 2. Comparar los re¡ultados con los Ejemplos 2. Una moneda ¡e lanza tres vece& Si X es l¡ variable aleatoria que indica el número de caras que rerultan.46. (D) Problema 2. (c) Problema 2. (¿) P(X > r. Una variable aleatoria X tiene función de deneidad f(n) = | "r' 1 "r L0 L< aé2 21r13 de otra forma .

f(r) = 1o 0=rÉ2 deotraforma Hallar (a) el valor de la constante c. Halla¡ las funciones de distribución 2.Y = 3). 2. (d\ P(X > 21. y su función de probabilidad conjunta puede expresarse por el producto de rfna función en ¡ y una función en v. Hallar (o)laconstante c. (b) P(X=2. Y variables aleatorias continuae que tienen función de densidad conjunta (c(r2*a2) 0Ér< 1.57. (b) P\X'> PROBABILIDAD [CAP. y): cxy parar: L. SiP(X:3):0hallar(o)laconstantec.2.67. 2.52. Y = 2). DISTR¡BUCIONES CONDTCIONALES Y FUNCIONES DE DENSIDAD 2.3. (e\ P\Y < 2). 2 2).(d)P(Y<{). De'rerminar ¡i X Y son independientes. (c) P(X > 1).70 VARTABLES ALEATORIAS Y DISTRIBUCIONES DE Hallar (a) la constante c.56.2. 0= ¡=1 deotraforma 2. Hallar las funcionee de probabiüdad marginal de (c) X V (b) (c ) y para las va¡iables aleatorias del Problema 2. La función de distribución de una va¡iable aleatoria X está dada por 2. E)emo¡trar el resultado del Problema 2.49. (d) la función de dietribución. X dada Y. X. (d) P(l<X<2). 2. DISTRIBUCIONES CONJUNTAS Y VARIABLES INDEPENDIENTES 2.ñ. (c) P(X>l).Y>+). (D) de Y dada X para la distribución del .!: L.60. 2. (e)siX Ysoninde 2.3. ¿Puede ser la función (c(I-12) F(r\ = 1o una función de dishibución? Explicar. (cl P(llz < X < 3/2).63. Halla¡ la función de probabilidad condicional (o) de Problema 2. (fl P(X = r).69. Sean 2. La función de probabiüdad conjunta de dos va¡iablee aleatorias discretae )d Y eet6 dada por f(x. (b) de Y para la función de dencidad del Problema 2.56. Y son independientes solo si poro todos los uolo¡es de x.54.56 para el caso donde las variables son continuas.ó8.54.(b)P(X<+.64. cerode otra forma. Halla¡ la función de distribución para la variable aleatoria X del Problema 2. (c) P(I<X< 2. 0< gr< 1 f(r'u) = 1o deotraforma Determina¡(o)laconstantec. pendientes. Sea X una variable aleatoria que tiene una función de densidad (r.(c)P(|<X<*). (g) P(Y = 3). marginal (a) de X. (b) P(1-12< X <312). (b)lafuncióndedensidad. Demostrar que las variablec aleatoúas di¡ctetas X.ót.

2. (e-(r+u) x>0. (b ) Iluatrar el re¡ultado en la parte (a) erco$endo f(rl = i: l0 y verificar la solución.66. (o ) Si la función de den¡idad de X es f(r ) hallar la función de densidad de X3 . l. hal|arlafuncióndedén¡idad deY=*..p6gna 46.72.69. (c) r¿. SiXüienefuncióndedenaidad f(r):(2v)-r/2"-érz.2I y verificar su reapuesta. (D) Y CAITIBIO DE VARIABLES 2. (*e-2.2.66.64. Demo¡tra¡ el Teorema 2-2. (b) Y dada X. 2. (ü) Y dada X.rl:j"<s<L Hallar la funcióa de den¡id¡d ondicional de (a) X dada Y. Y.paraloscaso¡ (al g. u >0 n1O 2.cAP. Siladen¡idaddeXes f(r)=U"(r2 *1).6t. < 5 < @. 2. DemostrarelTeorema 2-3. 2.2L e¿ igual a 1. n)0 = to r=o Y: X2.(¿) S 0.*. hall¡rladensidadde Y = tan-rX.at = 1.2l VARIABLES ALEATORIAS Y DTSTRIBUCIONES DE PROBABTLIDAD 77 2. si f(r. (bl Xs + 1.71.ú = { 0 J^ ^¿_. Sea dada X. Hallar la función de densidad condicional de (c) Xdada Y. y>0 f@.(ulZ 0.62. Veúfic¿r que la integral de gr(?r) en el método 1 del Problema 2. -a <a < .6!. Hall¡¡ la densidad condicional de (c) X dada Y. para la digtribución del Problema 2. (ü) *.@) < 0. 2.página46. Sea la den¡idad de X Í@l = Halla¡ l¡ densidad de (¿) 3X (l/2 to -l<r(l deotraforma .67. 2. Si X tiene función de densidad f(r) Hallar la función de den¡idad de l"-. Completar la labor necesa¡ia para hallar gt(u) en el método 2 del Problema2.63. 2.57 .. 2. . -. 2.7O. de otra forma [^ la función de ilen¡idad conjunüa de X.

76. Sean X. Si.a) = (2r\-rs-(r2+Yt).77. 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' 2.79. Emplear el Problema 2.halla¡ la función de den¡id¡d de (a) U : XYz. 2. hallar la fi¡nción de den¡idad conjunta de U y V.22 pare. l¡ función de den¡idad conjunta h¡lloda en el hoblema 2.74. < U < @.8O. CONVOLUCIONES 2.72 VABIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD Verifica¡ por medio de integración directa [cAP.emosha¡que (a) lt*(fz*fs)=ft*fz*ft*fs' (b)/rt'(lz+fs) =(/rof)*fs' = Z y lttryo utiliz¿ndo convolucione¡ 2.22. V = X I Y. 2. y tienen función de den¡idad onjunta f(r'u) = y tJ (e-(t+vt r>0. para hallar la función de den¡idad de U = X + Z. Y variables aleatorias que tienen función de den¡idad conjunüa Í@.r""""va¡iablesaleatoria¡taleequeX:R co¡O. APLICACIONES A LA PROBABILTDAD GEOMETRICA 2.76. 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.7t.2 2. y:8 ¡enO demoeEarqne la -@ I e¡ ob\=i ¡r"-tz/2 r=0 r'(0 l0 2. yz0 deotraforma {o = X/Y. Re¡olver el Problema 2.). thll¡r proübiUd"d la de que lo¡ trec reg¡mentor de lfnea formado¡ de e¡t¿ m¡nora puedan ¡er los lados de un triángulo.R y @¡ott tt. 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. Doc puntor ¡e seleccion¡n aleatoriamente ¡obre un segmento de lfnea cuya longitud a o ) 0.8E. .t2. Hallar la función de dengidad de Z = XY. (bl V = XzY. Sean X. ofrf 1.75. osv51 to deotraform¡ la función de densidad conjunta de Y.t1.21 primero efectuando la Ea¡rdormacií¡ 2Y 2. -e 16 1o. f. Sean función de densidad de X. 2. Sea l(n'u) = ){ (1. 2. Si X.

e¡ la función deprobabilidadparaunav¡¡iablcdeaüoriaX (o) Determinar c. (e) HallarP(2 s X< 3).S Y DISTBIBUCIONES DE PROBABILIDAI) 73 2. (b)P(X> 1). ir a egta estación entre e¡tos tiempoe aleaüoriamente y eoperar por el buc mÁ¡imo que un bus llega a una estación deüerminada entre la¡ 8:00 P. 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. AB yCD tienen longitude¡ de 8 y 6unidadesrelpect¡vamente.ln 2)lZ. (e) H¡tlarP(X > 3).92. (d) Hallar P(2 = X ( 5). . encontrar c. M. Dos variables aleatorias independientee.Y=ll. Un¡ pcr-na decide 6 minuto¡.0 {o deotraforma X. es la función de densidad para una variable aleatoria 2. 2.t7.. (b) Hallar la función de distribución. 8i no lo toma. 2. ¿Cuál es la probabiüdad de que tome el meüro? Se sabe 2. (d) y (e)? Jurtifrc¡¡ .9O.DoopuntosPyQ se escogen aleatoriamente sobre AB y CD reepectivamente. F(rl = 1"0_"_.2l VARIABLES ALEATORIA. En el Problema 2.86. M. La función de probabilidad de una variable aleatoria X está dada por f(r) dondep es una constante. 2. Supóngase que f(r) : cl3t. Una va¡iable aleatoria X tiene función de densidad l$tr-¡z) o<¡51 f(xl = t.t6. (c) Representar gráficamente la función de den¡idad y la función dedistribución. r :1. 2. P(l<x<2. X.u r€.91. (a) Demostrar que para una constante c apropiada.E4. 2.t9. Halla¡ (o)P(0 < X< 3).¡¡ue. y la¡ 3:80 P. (c) Repreeentar gráficamente la función de probabilidad y la función de distribución. .(d)HallarP(X> 1). (d) P(l <x<21..1. f(r) = ( cre-22 r >. t)o es la (0 rS0 (b ) Determinar P(1 función de distribución para una variable aleatoria X. < X < 2).GlP(x+r>1).t¡. (o) Deüerminar a (b) Hallar la función de di¡tribución.E8. ' PROBLEMAS DIVERSOS 2..cAP. P(r=1). Supóngaee que 2. Dos segmentoe de línea..9L ¿cuil ea la relación en'tre la¡ rcluciones (c). deotraforma Hallar la función de densidad de la va¡iable aleatoria Y: X2 y verificar ¡u ¡olución. tomará el metro. Demostrar que la probabilidad dc gue el área de un triángulo de altu¡a AP y base CO sea mayor que 12 unidade¡ cu¿dradas ee igual a (1 .

(D) Hallarp(1 <x<1.102. (c) HallarP(Y = r).101. Un¡ estaca de longitud .74 VARIABLES ALEATORIA"S Y DISTRIBUCIONES DE PROBABILIDAD sean lcAP. Y son independientes. /(z) = 2. Sean -(_ Y vari¡ble¡ aleatori¿¡ independiente¡ di¡tribuidae idénticamente y con función de densidad (2v)-r/2¿-úr2. nal de X y f. * Y es ) 0.93. Y está. f tienen función de den¡idad conjunta f (r' u) = t o llla 0(¡(U. 2.93 ee cumple que P(X > +. (d) Harlar P(Ll2 2.a) = de deruidad (marginal) de Y.).96. En el Problema 2.y> 1/B). x.ur = {"-'o |.( tt ( -. 2. Hall¡r ta función de densidad de Z . (c) Iüllar p(x<rlz. Y variables aleatoria¡ independientes cada una con función de densidad . Demo¡trar que la función de den¡idad de X s(u) I @# u=0. Y está dada por I r/9 r/6 r(r. (d) Hallar 2. -. u=0.2.78 y (b) el Problema 2. Generalizar (o) et hoblemz 2. .(b)P(X>Ll2. Sean X. + y. ¿por qué? +l En el Problema 2.s7.99. 2.L se rompe en dos parües. (c) Dererminar si X y Yron independienter.96... ¿Cuál es la probabilidad de que una parte tenga una longitud mayor que el doble de la oüra? Indica¡ cla¡amente qué suposiciones se hicieron.L. (o) Halla¡ las funciones de probabilidad margi- Tabla 2-9 Y X 0 0 I 7lS 1/18 1/6 2 r/18 r/6 Ll9 1/18 2.y>1).1. Supóngase que la función de probabilidad conjunta de las va¡iables aleatoria¡ X.Y<312)..2.1ü1. 2.. t2<X< l)..(c)lafuncióndedensidad 2.0<U<t de otra forma P(X + (a) Determinar ai Y> rl2r.91 halla¡ la funciónde den¡id¿d de (o) X2.101. y > 1).X2 + Y2. Y son independientes. 2.98.(d)lafunción Hallar(o)laconstantec.103. (b) Hallar p(X>tlz). dada en la Tabla 2-9. y < g) = p(X > p(y < +. o<Y <2 | c(2r+Y) o(¿(r' o de otra forma I (marginat)deX. (b) X Si -X. Estudia¡ ¡i considerra que eltar oupoeiciones Bon realistas y cómo podrÍa mejorarlas si no lo son..79 a tres o má¡ va¡iables.(u) = ¡1e:r donde l. 0 os¡=2'o<Y=' de otra forma 2 (o) Determinar ei X.2 2. La función de probabiüdad conjunta para las va¡iable¡ X.94. X Y va¡iable¡ aleatoria¡ que tienen función de den¡idad conjunta f(r. ¿Cull er el análogo del teorema de la convolución para variables aleatorias di¡creta¡? Ilustrarlo usando el hoblema 2. (b) ttallarP(l S X< 3.

(¿) 2. Y. 2.1O5.109.1O4 para que la probabilidad de intersección ¡ea mádma? Erpücar ru rcluci6n.ri"r" dos de esta¡ va¡iables aleatoria¡ eon independientee. . - 2. En el Problema 2. 2-32. Un piso ertá con¡huido de cuadrado¡ de l¡do L Una aguia de lon¡itud o1l a lanza al piro.1O4.106. Supóngase que la¡ variable¡ aleatoria¡ X Y. er igral a o(4t o\ltf . función de den¡ided conjuata de tres variable¡ aleatoriea X.ede O a cualquier punto P del objetivo) forma con el eje. Si es l¿ f (r'a' z) = ( 1 rv2zs 01r11. Pa¡a una aguja de longitud dada ¿cull debe ¡er el t¡do del cuadrado en el Problena 2.2l VARIABLES ALEATORIAS Y DIÉ¡IT.s de radio q e dirige haci¡ un obietivo hemi¡férico ABC co¡ centro en O como ¡e indica en la Fig. c Fis. Demorbar que la probabilidad de que l¡ atuja intersecte al meno¡ un liado.2-32 2. Z.cAP.1O7. 0< y1l. 2.IBUCIONES DE PROBABILIDAI) 76 2..10t. 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. 0121L o de oha form¡ 1. Z tienen función de den¡id¡d conjunüa r(r. Un haz cilínüico de partícula. Ilallar (o) P(X > Y< +r. Z> $). la! b€s no son independientes. P(Z<X+Y).107 halla¡ la probabiüdad de gue una ¡rarüfcula pegue 8l objetivo entre A = O y0 : Í14. es decir ¡ur factores funci6n de densidad marginal. 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.a.'"L'.¿.J'v 1r' o1z. r *"loq.z) Demo¡ka¡ que au¡que = ito-""trtcosracos¡rz :.

. wlor esperado o brevemente esperanza de una variable aleatoria.(.. . r^ la esperanza de X se define como E(X) = xrP(X=rr)+. Las posibles cantidade¡dedineroganadocuandoeldadoresultaL.Í6respectivamenteconprobabilidadea f(r1 ).(á) +(r0)(:) . 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).. ganado. tenemos de (2) E(X\ = (e) que se llama la media aritmética o simplemente la rnedia de se .)(:) . pierde $30 gi obtiene 6. . + r^f(x^) : Lr..(. . 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. La función de probabilidad para X se indica en la Tbbla 3-1. 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. g40 si obtiene 4.'. f(xz).)(á) *r-'or(l) = 76 b .2. = f:. EJEMPLO 3.f(u)dr Xy se denota (t) A la esperanza de X frecuentemente se le llama la media de p cuando se sobreentiende la va¡iable aleatoria determinada. en tanüo que ni pierde ni gana si obüiene otro resultado.. .2¡. .. x2... de cuando las probabilidades son iguales..r(t) .. ütf(el\ E(n = + '.1. xn .. Para una variable aleatoria discreta X que puede tener los valores xr. si P(X (I) = x¡\: f(x). En ede juego el jugador ga¡ra g20 si obtiene 2. .Un concepto muy importante en probabilidad y estadística es el de la esperanza matemóüca.. por lrx.6sonxr. Así el valor eeperado o eaperanze el E(n =. . f(xc). Supónga¡e un juego con un dado.. 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 .. Otras medidas se consideran en la página 84. .. .f(r.+ rnp(X=r^\ = ix¡p(X=ri¡ o igualmente.

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

la varianza es grande. A la raíz cuadrada posiüva se le llama ladesviación típica y por úx = t/@ X = . &1. La situación se representa gráfrcamente en la Fig.+ (a"-plzlln que eslavarianzade turconjunto dez númerosf¡ ¡ . +. para el caso de dos distribuciones continuas con la misma .p)rf(xtl = X (rEn el caso especial de (13) (I3) dondelas probabilidades son toda¡ iguales.'¡* = .l0(Xll (161 . V la varianza por o2. Es por esta rcz6n que con frecuencia se utiliza la desviación típica. ..NOS TEUREMAS SOBRE VARIANZA Teorema 3-4: é: donde p = E(X\. ("-i) l. Otra ca¡rtidad de gran importancia en probabilidad y estádística se llasra lautianza y se define por Var(X) está dada = EÍ(X-*)'j (II) La varianza es un núme¡o no negativo.tr71x-¡l f(*).)2 f(n) ita (151 I-a...- y la desviación tfpica "=\F=+ Obsérvese que si X tiene ciertas dimensiones o unüadeq por ejemplo entímetros (cm). x^Si (1t) es X es una va¡iable ale¿toria continua con función de densidad f(r).A DESVIACION TIPICA Anteriormente e_n la página ?6.4.. entonces la varianza de X tiene unidades cm2 en tanto que la desviación típica tiene las mismas unidades que X.p)r) = 2 @. ALGI. Si es una va¡iable aleatoria discreta con función de probabilidad entonces la varianza es a'l = E[(X. entonces la varianza "? = EÍi/.¡ media 6 p = E(X) = 4/3.t)rl = Í__ O - ¡. Si los valores tienden a concentra¡se alrededor de la medi4 la varianza es pegueña. plrf(a) ee\ Donde no exista lugar a confusión. la desviación típica se denota por o en cnmbio de o*.78 ESPERANZA MATEMATICA lcAP. De acuerdo con el Ejemplo 3.2..3 TI|' VARIANZAY I..¡. anotamos que la esperanza de una va¡iable aleatoria X frecuenüemente se le llama la. es decir cm.("-á) rota" = J. EÍ(X -p)'l = E(Pl - p2 = E(X') .. en tanto que si los valores tienden a distribuirse lejos de la media. Hallar la varianza y la desviación tfpica de l¡ va¡iable aleatoria del Ejemplo 3. tenemos ¿ = l(u-p)r+(rr-p). Entoncec l¡ varianza re encuenha por 02 = r/ t\21 tl("-n/l es / ¡\2 (z/ 2 ¿\r/f \ .media y se le denota por t.2 l. ¡. = J-. 3-r EJEMPLO ' 3. Fis. varianza (o la desviación típica) es una medida de la díspersión o wriaeión de los valotes de la variable aleatoúa alrededor de ¡r.

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

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

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

t") f (r. entonces Cov(X." = X2uf@.82 ESPERANZA MATEMATICA [cAP. De esto llegamos auna medida de la dependencia de las variables X. u"ror".> > (r . Y) = EUX . Y no estón relacionadas.f"_.s)(tnity . ty = E(y) : Í:- f_'- uf@.E(X)E(Y) = o*".p*XY - (45) En t{rminos de la función de densidad conjunta f(x. y) tenemos oxy = Í:. Y.O. Y) : oxv = oxoy.")ul = l:- !_'. Y son dependientes completamente.*).u) tll ¡. Y) = 0 (50) 2 Cov (X. discretos de Los siguientes son algunos teoremas importantes sobre covarianza.rds. Si X. y son independientes. f dada por oxY P- (5tt\ "*"" que es una cantidad adimensional. Teorema Teorema 3-14: 3-I5: Si oxy = E(XY) .to. Sin embargo. lo*"1 es Teorema 3-17: oro" El inverso del Teorema 3-15 no necesariamente cierto. Y son va¡iables aleatorias independientes.a) donde las sumas se toman sobre todos ro. entonces Cov(X.t")@ .f"_ rf(r.* = 22rf(a.f _. . (+r¡ Ura¡ oxy .ul x9 X. por ejemplo X : Y.1 = El(Y Í:.ylitxd. 1"" @ . Estudio posterior de la correlación se amplía en el Capítulo 8.p*)@ . el Teorema 3-16 sd reduce al Teorema 3-7.3 t"x = E(X) : . COEFICIENTE DE CORRELACION Si X. Y) (51) (52) (5s) Teorema 3-16: (.t )2f(r. lacova¡ianzaescero) decimosquelas variables X. Var (X * Y) Var (X) * S Var (Y) * o'**v: "2*+"'l!2o*.í = "? EÍr--¡. De otra parte si X.f(r.t r).y)d. En el casodonde p: O (esdecir. en este caso las variables pueden ser independientes o no.L= p < 1. Y es la covarianza definida por ¡r")] Otra cantidad que aparece en el caso de dos va¡iables úxy = Cov (X.a)d.rits (48) y las varianzas son . Y son independientes.y'¡ itr (ry tal (t 6) caso Consideraciones semejantes pueden hacerse para dos variables aleatorias discretas. Y) : oxv : 0. Llamamos a p el coeficiente de correhción.(. Del Teorema 3-L7 obsen¡amosque. E(Xy) - pxtry (+s¡ X.y (t = l) -¡. = Cov (X. En G3) V (46) se remplazan por /.p")f(r.

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

se implica la ley débil.. . este teorema establece que la probabilidad de que la media aritmética S. o en otras palabras. =o "( *-" =. Con li31 frecuencia este resultado se denomtna ley de los grandes números en forma fuerte. . En tales casos decimos que la distribución es bímodal. la probabilidad de que X se encuentre dentro de 2 dewiaciones típicas de su media es rnayor que o igual a 0.3-2 .25 6 P(lx-pl<2"\ > 0. 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.84 EJEMPLO ESPERANZA MATEMATICA lcAP. Esto es bastante extraordina¡io si se tiene en cuent¿ que aún no se ba eepecificado la distribución de probabiüdad de X LEY DE LOS GRANDES NUMEROS El teorema siguiente.75. variables aleatorias mutuamente independientes (discretas o continuas). Moda..ro sería 0.75 Literalmente./n difiera de su valor esperado ¡¡ por más de e. En tal valor r. En el caso de una üstribución discreta puede no existir una mediana única (véase Problema 3. cada una con media g y varianza o2 finitas.6.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.\. 3-2 es c..10 6lO% y se Fig... que esperamos sea verdadero. Los valores que corresponden a tales áreas se llaman uolorcs percentila o simplemente percentíhs.19 (LeV de los gnndes números): Entoncessi S.2. trimodal o multimodcl respectivamente. La moda es el valor que con mayor frecuencia ocurtre. Estas son lamoda y lamediana. tres o más valores que tienen relativamente grandes probabilidades de octrrrencia. el resultado del Teorema 3-19 se llama ley de los gundes números en forma débil. 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. el ánea a la izquierda de r.34). Un resultado más fuerte. . tiene la mayor probabilidad de ocurrir. . Así por ejemplo el área a la izquierda de la ordenada eD f.q en la Fig.pero cuando n '+ @. . la desigualdad de Chebyshev. tiende a cero : g. Xz. r): 1l2. Por ejemplo.) Sn/n (60') Puesto que Sn/n es la media a¡itmética de X1 . f(r) es máúma. Cuando se hace referencia a la "ley de los grandes números" sin ninguna especifrcación. Teorema es una consecuencia interesante de 3. la probabilidad de que X diflera de su media en más de 2 desüaciones típica8 €8 menor que o iEral a 0. Si h : 2 en la desigualdad de Chebyshev (59 ) vemoo que P(X-pl>2s) í= 0. realmente es falso. llamado la ley de los grandes números..3 3. en contraste. equivalente. Aunque la ntedia es la más empleada. Xn. 2. Algunas veces tenemos dos.25. y. 1. Mediana La mediana es el valor de r para el cual P(X = x): P(X. lim + X" (n=L. : Xt* Xz+ . también se emplean otras dos medidas de centralizaciiln. es que p con probabilidad uno. Sean X.. . .

Recorrido semi-intercuartílico. o negativa si la distribución está distribución simétrica o¡ : 0. Las medidas que describen esta simetría se denominan los coeficientes de sesgo o sencillamente sesgo. La medida es positiva sesgada a la derecha o a la izquierda respectivamente.1.11 : (62) SESGO Y CURTOSIS 1. como en la Fig. 3-5.p)3] ps (63) que es una cantidad adimensional. 3-3.r representan los valores de la vigésima quinta y la septuagásima quinta percentila la diferencitrc. OTRAS MEDIDAS DE DISPERSION Así como hay varias medidas de centralización además de la media.ts . Una medida empleada frecuentemente está dada por "4 :-_-----i--: E[(x. Una de las medidas es 'il "ü"é D[(x . 3.cAP.(X) X se define como la (6f ) ) lr. es decir D.ll : f_.O . Lógicamente. Para una o. 3-4.) de una va¡iable aleatoria de lX. Si la cola más larga se extiende a la derecha. M.r5 y x.25 se Ilama el recorridó intercuartiticoy Il2 (x. M. 3-5.r. esta medida no tiene sentido si alguno de los valores extremos es infinito.plf(r) (variablesdiscretas) = DllX-¡..M.zs) es el reconído semi-intercuartílico. Fig. esperanza Desviación media La desuiación media (D. Sesgo. mientras que si la cola más larga se extiende a la izquierda. En algunos cafios una distribución puede tener sus valores concentrados cerca de la media así que la dishibución tiene un pico grande como se indica por la curva sólida de la Fig.É.(X) D. En otros casos la distribución puede ser relativamente plana como en la cun¡a a trazos de la Fig. se dice que eslásesgada a la izquierda. como en la Fig. hay diferentes medidas de dispersión o variación respecto de estas medidas centrales además de la varianza o desviación típica. Recorrido. 2. 3-3 F'ig. Medidas del grado de apuntamiento de una distribución se llaman coeficientes de curtosis o simplemente curüosis.tlf(r. 3-5 2.l dr (variablescontinuas) : EllX -¡.x. Algunas de las más comunes son las siguientes. 3-{ Fis.p)n] o* p+ o4 (64) . Cu¡tosis. El recorrido es la diferencia entre los valores más grande y más pequeño de una distribución. La mediana sería la quincuagésima percentila (o quinta decila'¡. se dice que la distribución está sesgada a la derechc. 1.ts .3l ESPERANZA MATEMATICA 85 llamaría la décima percentila (o la primua decilal. Con frecuencia una distribución no es simétrica con respecto a un máximo sino que üene una "cola" más Iarga que la otra. Si r.

Entoncee Restando.02 750 0.. .s resueltos ESPERANZA DE VARIABLES ALEATORIAS 3. = 1 PorüantoS:2. Es posible definir coeficientes de sesgo y curtosis utilizando otras medidas de centralización y dispersión.(i)" = +. Hallar la esperanza de la suma de puntos al lanza¡ un par de dados honrados..o\El = t7 \o.. Véase también Problema 3. pero los definidos anteriormente se emplean con mucha frecuencia. Sean X. Por ejemplo la probabilidad de obtener uno de los 20 boletos que dan un premio de $ 750 es 20/10 000:0.86 ESPERANZA MATEMATICA lcAP.'(*)... por el Teorema 3-2. - E(Y) ^/t\ = tll) * \o/ "' . El precio justo a pagar por un boleto es 6 peeoo.00 ó 6 pesos. ¿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:. Y los puntos que aparecen sobre los dos dados.'(*) . Hallar la esperanza de una variable dada por aleatoria discreta X cuya función de probabilidad está Itrl Tenemos : (i)' (t=r.(i).002.'(#).002) + 3000 (0.. |s = i .41. Tenemog E(x) Entonces.. js = !+ | + á + # +. 3.02) + 750 (0./ 'l*)* 7 E(X+Y) = E(X\*E(Y) = 3.) E(xt = Para halla¡ esta suma.(+)..'(+). Problerna.2. En una lotería hay 200 premios de $150.os diferentes valores de X conjuntamente con sue probabilidades se muestran en la Tabla 3-2..z.002 3000 0. Comúnmente se compara con la curya nonnal (véase Capítulo 4). el precio del boleto sería más alto.0005 0 P(X : r\ 0. Sin embargo una lotería gana dinero. 20 premios de $750 y 5 premios de $3000 Suponer que se colocan a la venta 10 000 boletos.s.ero que se ganará un boleto.3 que es una cantidad adimensional.3.0005) + (0) (0.977t D(x): (150) (0.9?75) : 6. s = .1.. La esperanz¿ de X en pesos es r (pesos) 150 0. que tiene un coeficiente de curtosis igual a 3. [. hágase á.(*) .

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

Sea ¡t(¡. (o) Del Problema 3.p\zt = '[(* -])'] = l:_ (" _'L)' t*.)'= * Var y. por el Teorema 3. tenemos E(X): E(Y)= 7 12. por el Teorema 3-4. de ¡i X.9.7 Y) = Var (X) (Y) = F (b) ox+).(+)-Fr. Entonce¡ l¡ varianza e¡ Var (X) = Etá . Demoshar el Teorema 3-3. Y ron independientee. tenemoe f(x.2. independienteo. Por el Teorema 3-4.:r:¡:* . p6g¡na 78. Pa¡a va¡i¡blee dependientec generalmente no ee cumple. Si la¡ va¡iablec X. Hallar (¿) la varianz y (b\ la desviación típica para la variable aleatoria del Problema 3."*' ""'*"' =i'|í'. = Var(Y) = +-(. y. puetüo que X. püa todo ¡.u) = ) ) .88 ESPERANZA MATEMATICA [cA".\2 ^a = f-('-L)''"-"0' = i = El(x-r)21 E(xz¡-ll(x))2 = t..3 3. var(X) (D) 3. VARIAT'IZA Y DESVIACION TIPICA 3. (o) Como en el Problema 3.(l) var(X) Var (X * ' .)'= i o = tFf-var(x) = \E = t r" : Ot¡o ¡nétodo. Además.*(á) # :%1 Entonces.1/2. Por tanto Y. Demostra¡ el Teorema L4. y): f tG) /2 (y). Halla¡ (a) la varianza y (b) la desviación típica de la suma obtenida al lanzar un par de dados honrados. con¡iderada di¡creta. con las eumas apropiadae remplazadas por integracioneg.y f t@) fz(a) )1.7. y) la función de probabilidad coniunta de X.10.r.4 l¿ media de X ee ¡t= E(Xl -. Tenerno¡ E'(x ^"' * u' -'u. página 77.8. / ." (')no(')l E(X) E(Y) Si cualquier va¡iable e¡ continua la demoetración ee desarrolla de igual manera. ea decir.(.4. y) puede expresarae como una función de r multiplicada por una función I. E(x2) = E(vz¡ ='.'/'Q)2afztu) . o. Obsérvese que la validez de eate teorema gira alrededor de si f(. Y ¡on independientes. = Wa"(X+Y) = 1/g v6 3. Y rcn E(XY) = 22 Í!J! --t ra f@.

" -. Pr = El(x-pl'l = nfL x. Demeshar el resultado (26)._i.)t(")u'-l + (-t)rpr \. página ?9. Er(x-'''.px) + (Y .' . .t:. !¡rw-u¡ = L¡nwl-r) = a' o \ (x*) 0 (b) var = u" (?) = \o¡1x - u¡"1 oz =I utilizando el Teorema 3-5..(i )/.cAP.13.-'u \I/ + . \t / \r/ + .í':. mínimo de El(X-o)'l ocutre cuan- 3.EÍ6 .ar Y gnr -Y .-iut + "' + (-l)'-t¡ur * (-l)-rnt donde al combin¡r loe do¡ úlüimo¡ término¡ re¡ulta (-l)r-1(?'- 1)p'.:.14.t .tt)lo es una variable aleatoria normalizadq demostrar que (u) E(X*¡ = 0' (b) Var (X*¡: 1. Var (X + Y) = E[{(X + Y) - (px + pv))2] = = = = utilizando el hecho de que . = . f)e esto vemos que el valor do (t¡ .. Demostrar el Teorema 3-7.lt:0. se ri' y emplear cl Teorema 3-6.\x..'tut '\'/ + "' + (-L)'-'( t . .r?2.2] + zEl(X .pi E(Y - py) - o ya que X. y el hecho de que E[(X tt)z1= 3.. La demo¡tración de (I9). * .r. MOMENTOS Y FI.3] ESPERANZAMATEMAIICA 89 3.-.pv)l * El(Y EI{(X Var (X) + Var (Y) px)(Y pvl2) El(X - - pv)l = E(X .!^r_':i.)¡.ttv eon independiente¡. + (-r\'-'( n ..i. página 79. p{ina 79.px)(Y . (a) puesüo que E(X) = E(x*t ¡r.TNCIONES GENERATRICES DE MOMENTOS 3.r.ft\tr*"-...11.a)2 pueeüo que E(X .págna79.(i\*. Demostrar el Teorema 3-6.pv)}21 EllX .tt): E(X).n)21 E[(X ./ /\ /"\ = . * t-t'(T)t1"'-..E(x.u\(Y ... .px)2 * 2(X ..pl|.o)n = O.u. Y . = t(4=\ / =. Y y por tanto X gue al remplaz.12.P)21 + (P . .)"n'-' + (-t)'p'l J \r-r/. e¡ decir cuando a : ll. + r-r¡t('. Si X* : (X .ltx. pág¡na 79.t'+ "' + {-r\r\l)r.py) + (Y ..

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. (b) el resultado (g2).*#*..I con probabiüdad 1/2 cada uno.(á) = |G....e t-oma¡ los valores 1 y .-'. Demoshar (o) el resultado (Br ). (r) (zl (I)V e\ = 1_¿+ r+_#*fr_ .ú3x3. ¡á=0.) cn(ú - o)" cn = i.. M(t) = Eletx¡ = f" J eEf(t)dr fo" ""1..16..17. página g0. 8-18..t (D)Tenemor hsonce¡ et = e_t t+r+#.'.1 = . = .. For t¡¡to Mx*vQ) = Elet(x+Yr) = E(etxetv¡ : E(etx) E(¿tv¡ = MxG) My(t) 8.+"-. = L+tlt*uL#*ri#*. = 2 fo'e<t-z>'d. Eltt (o) la función genératriz de momentos y (b) lós primeros-cuatro momentos alrededor del origen. g s. cualguier función de X y cualquier función de y son independientes. (o) utlliz¡ndo lrr erpaneión en serie de potencia de eu (8. La variable aleatoria X pugd. Apéndice A) tenemoe Mxe) = E(etx¡ = n(t+tX-t2x2. Todo¡ los momentos impares 6on cero y los pares Eon uno.* pL=1.-"'ro.. Y ron independiehtee... 'r"') \ .) * .. (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 .*#. ffirol. p'+=L.(. -T! \ 12 rg t + tU(x) + ae(xr) +¡a1xa¡ a . (o) Eqetx¡ = . página g0.rfr.*rá#*u.Lf".2'.*"-._" 3. !utt" quc X. Pcto Al comperu Mx(\ tenemog t!:0. = L*pt*uLr4. Demostra¡ el Teorema B-9.90 EspERANzA MATEMATToA [cAp...r|r*frr.16.r ze<t-Dt : -T=Tlol@ = z li't<2 z-t.

i¡en.216 pi = E(Xr) = . 3] (b) S¡ lúl ESPERANZA MATEMATICA 91 ( 2 üenemo¡ z_t z L_tlZ 1 I = '. tti = *. 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 .1!) * r/9)' 85 ".. 3.\51 ..(l) -. pi (b 12) dr = -51 ) Utiüzando el resultado (27\...) = \ -./!\. : c¿. Jo "ot.r.21. Por tanto.\.'NCIONES CARACTERISTICAS 3. .216 -r. /t = \.19. = E(X) =#Í""*z¡s-¡z)itr =f pL tt = Elxz¡ = # 1"" *rn - s2) d.'.. = . Hallar los primeros cuaho'momentos (c) alrededor del origen.cAP. '. p6gin 80.17.*L*!-L*!*.".r. 2 4 8 p'n 16 Pero M(t) = * tt + uí#* rtfr+ tt^fi+ "' = P¡./+b(. La función característica está dada por Eteiux. = . El resultado también puede obtenerse del Problema 3.(+) * . Halla¡ la función característica de la variable aleatoria X del Problema 3..'. "\5/ tt4 y./!\'_ . para unava¡iable aleatoriaX con función de densidad r(r) (c) = i.r)\B/ -t\Ei _ ^. = 27-s\s5. (b) alrededor dc la media. al comparar términos.*.'''-r2)/8r :"=i.17(o) al remplazar t : i<¿ 3./ \ -/ = cosa coso empleando las fórmulas de Euler ¿io con 0 * isena s-io = cos.". = l(3." = B t.Lp. = 2 ^f FI. tenemos ttl t2 = r-(*)'= # = 02 Fr .8?b B6eg 8?50 ztcy q\.".-+e i. t = )2.20.

Hallar la función característica de la variable aleatoria X con función de densidaa f@) = ee-atEt. Si X. o" = asf que I . Por tanto. página 82.pvX.e-ho 2ia.LJ_-e(a+t@)ro" q. a.útit¡) l€ lo lo .23 = Cov(X.pyE(X) * E(pxpvl = E(XYI . -oo < Í 1 @.ryttx * pxpv = ElXy).l*-ei._(a_io) ü a L 2(o* io) 2(a. = *t_""^"0.20) ceñ d = ao..t an + !o' "-"r. Yl = E(XYI -. = "{lo 4f-o u-n<-."r.o = 8en Cú.. Demostra¡ el Teorema B-15.Fxpy . y eon independientes entonces E(Xy) : E(Xl E( y) .pxE(Y) .23."-*l* = -Alo = I - Entonces c: ol2. 3.E(X)E(ts) = 0 . = 2a io l-o = | al@t la ela@ .3 D(etx¡ = f-. Puesto que f(r) es una función de densidad tenemog Í). úu empleando las fórmulas de Euler (véase problema 3. .* npv] = E(XY) .o<t> ¿sf .r'. la función ca¡acterística está dada por E(eiax¡ = . arf 2c O + . e-(a-i@)¡ 2 a*io l-" ' . página 82. por tanto por oxy el problema 8.c-atxt d.24.. Por definición la covarianza de X.¡xXY .r = "lÍ:.rrrrru. + fo* n.pv)] = E[Xy .22.p*y .donde c ) 0 y c es una constante apropiada.. 3.92 ESPERANZA MATEMATICA La función ca¡acterfstica está dada por lcAP. Demostüar el Teorema B-14.lxtty = E(XY) _ E(X) E(Y) Cov (X.6-'l "iar¿-.f?o/.f(r)dr tlÍ-"eíore-o<-x. Y es oxy = Y) = El(X . l:. e<o+iarz * Jo ¿-<a-.io') = _a2 a2 * o2 COVARIANZA Y COEFICIENIE DE CORREIACION 3.

+ (0)(1Xc) + (0X2X2c) + (0)(3)(3c) + (1X0)(2c) + (1X1)(3c) + (1)(2Xac) + (1XBX6c) + (2)(0)(ac) + (2X1)(6c) + (2X2X6c) + (2XB)(?c) 427 ld.. página 52. Ju=o {rú{rr r sl dr dv = . EsPERANZAMATEMATIcA y). (d) E(X').y) = ?rh f(..o. . dy = %T t 16 ri = ñ)"=....:-* J..26.lrrr"o*.8.= = t/zwan ' 15514.or.. página 50. E(Y).a\ .(1)(9¿)+ (2)(L2cl+(3X15c) = = = 22nufia.o. Y se definen como en el Problema E(x) (a) E(X'¡.n".al = )"rl-)ftr. =# =+ = 22u2f(u. (e\ E(Y'). .ol.O.lyL47.o1.cAP../zso r/55 -20: = 3.at) = 4. 2.) (e) E(xz¡:22r2f(r.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.ul = )y.26..."=.a\l = .(1)(1ac) +(2)(22c\ = 58o = E = n 78c E(Yt = 22af.ú = . (/) Var(x)..J"-o{o)1"Iuld'rita = I70 6s = tf67580 .[) ¡@.2103 apror. lr. (b) t 93 (¿) 3.*. (¿) (b) = ))o/(". Utilizando c : LI 2LO tenemo¡: (¿) (c) E(xt = E(Y\ E(xY) h + s) dr t. Resolver el Problema 3.3. si las va¡iables X. txv o = oxnv -.alf '* = *. f"t=u our.r".=. (0 p.25 si las va¡iables aleatorias X.ur". = E= + (c) D(xY.at) = rr..-. (c) E(XY).y) = E(xy)-E(x\E(yt ?-(it)'=:* = +-/+)l+) = --+ r47 7 \21l\7/ -0. Y se definen como en el Problema 2.'.. sl Hdla¡ Cov (X. [] tA.. (s) Var(Y). * (1)z(1ac) E(Y2') lllr"t *l =t .r.

rrr. Demostrar la desigualdad de Chebyshev. [. * a) dr tru = # otr . DESIGUALDAD DE CHEBYSHEV 3.zlB del Problema 8. La demosbación para variables discretas es semejante si ee remplazan las integralee por sumas.=o. * v) dx da = cov(x. .03129 aprox.(rlytdr = í"'"(#*S* El=a\ 3. pág¡na 62. la función de probabilidad eondicional de Y dada X : 2 es ftutz) = Entonces la esperanza condicional de Y dada + 2. Como en el hoblema 2.var(X) = E(xz¡-ll(xtl2 = #. Esto oru o"oo oo.rrrr.94 ESPERANZA MATEMATICA fu'=o [cAP.(iu) = ii 3. Hallar lavariar¡.x=2) = -.y) = E(xy)-E(x\E(y) = ?-(?f)(*t) oxy = -# -0.28(o). = var (y) = E(vz¡ _ l'(y))2 = t# _ (#)' = t.(#)' = *tq*$ o2.)\t)* J_- donde hemos utilizado el hecho de que ltz: E(Y lX: r) :2.27.30. X: 2 es E(Y =2) "x = ? r(+) X: donde la suma se toma sobre todo y que corresponde a E(y.^:. p= oxoy -200l3969 /50s615e6-0 {r6únsn -200 t/zsnr/te zzs = ESPERA}IZA. Presentaremoe la demostración para variables aleatorias ecntirruas. Hallar la esperanza condicional de Y dada X : 2 en el problema 2. pág¡na62.\r-.29.pág1na62. . 3 (d) (el u') b) (h') (t oxy =# E(Yz¡ = h f. Si f(r) es la función de densidad de X entonces .g. .za condicional de Y dada 2(L-ys¡ 2(l+y*y2) --¡O+7I- x para eI problema 2.(#)..28.2g."=.# E(xz¡ =h Í.(ui) . (o) (ó) E(ylX=r) = Í-_afrtuldau = ír'r(rr")* = + E(xly=y¡ = f_-".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. . f u'. VARIANZA Y MOMENTOS CONDICIONALES 3.2g. Hallarlaesperanzacondicionalde(c)YdadaXv(b)XdadaYenelProblema2.27.(#). página 61..

18. /ts r|.'*"') .. Entónce¡ P1x ¡. Demostrar la ley de los grandes números establecida en el Teorema 3-19. ¡¡ (o) = 1/2.) = ¡toz tt Var(S") = Var(Xr*'.¡rl > 1). 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.+E(x")l = L(nt) = = Var(Xr)*. como se pide. Para la variable aleatoria del Problema 3. La desigualdad de Chebyshev P|X-pl > f) resulta P(lX¡r] = 1) < oz = 0. Por tanto P(lX-rl > 6) 3.31.04e?e = plr- = 7/4.*Var(X.t <1) = "(l*-*l .(l*-*l \t o2 =t)/ = 1-(1-e'r) = p2 e-s = 0. '|. Por tanto 02 t¡z-ttlZe rlr-yl=. el valor de la integral solamente puede disminuir cuando el int¿rvalo de integración se reduce. DeI Problema 3.) así que t'" (+) = 4 var (s") = * X: Sr/n üenemos _/ls" | \ donde hemos empleado el Teorema 3-5 y una extensión del Teorema 3-?. página 84.cAP.t+.x.|ww.* .t)/ = ...3l ESPERANZA MATEMATICA 95 02 = EI(x - p)21 (' = J-* @ - p)2 l(r) dr Puesto que el integrando es no negativo. (c) hallar P(lX .) = o .¡.rl > 1) y compararlo con el resultado en (a). .*X. (b) Utilizar la desigualdad de Chebyshev para obtener un límite superior de P(lX .ul=') 02 esto se conviertq.(-:.18. LEY DE LOS GRANDES NUMEROS 3.'. = E(X) = p Var(Xr) = Var(X2\ = "' = Var(Xn\ = o2 Entonces t(*) = "(*'*'. ". ¿lr-al=e Pero Ia frltima integral es igual a P(lX - pl ? . Tenemos E(Xrl = E(X2l = .. | \ _ ul=_ .|) ol ¿l \l \ o = J¡ | f :l/2 Ze-udr = 1 - e-3 Portanto (b) Del Problema 3..).32.18.25 Comparando con (o) observamos que el límite dado por la desigualdad de Chebyshev e¡ ba¡ta¡te crudo.

?3 aprox.33. y (c) compararlas con la media. que debe enconharse entre 0 y B. . (b) Hatlar la mediana.62 apror. eetá dada por = n-Zr/.[. Ob¡érvese que este valor da el máximo ya que la -24x 187 .36='ñ¿r ze) az de donde o = sli{z- q Por tanto la mediana pedida. ea negativa para x = 1fá.60 = 1. 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. Ahorapara0(a ( 3. r: 1.3 OTRAS MEDIDAS DE CENTRALIZACION 3.¿rL 81 -_l = 'r2) df ar. l(r't 3. La moda. la mediana y la media se muestran en la Fig. En este caso probabilidad esLl2. aquel valor deo parael cudlp(X é a): ll2. e8to e3 f(r ) ocurre dondc .9 - -'l 86 - 8l l2r2 = u Entonces . (b) La medianaee 1."on-r2tdr = #(Y-t) 2aa_36a2 all2 hallamoe que *91 = 0 de donde _ia2 = 36a\436P-4(2X81-) . es Í: L. = fr: aegunda derivada.. que ea La moda pedida. P(x<a) Igualando eeta = *. una va¡iable aleatoria discreta tiene una función de probabilidad f(r) : !12' donde 2. (c) ' E(x) = + ('¡z(g-xz\da = !(t*-+)l'= 8l\ 5/lo 8lJo que prácticamente ee igual a la mediana. (o ) La moda se obtiene hallando donde la densidad f (x) ea máima. . 3-6. El máximo relativo de la derivada es cero. r. (c) Comparar la moda" la mediana y la media.96 ESPERANZA MATEMATICA lcAP.84. (a)/ La moda es el valor de 4 asociado con la probabilidad más grande. . . Halla¡ (a) la moda y (b) la mediana. para el cual la .

Del hoblema 3.35 los valores de la vigésima quinta y septuagésima quinta percentilae son 1.P(X=r):l12yP(X.19. : 2.r - pl f (n) dr = l"' l' .3. PERCENTILAS 3.33.l : 2. Entonces E(lX = D. (b) Por el Problema 3.33 la media Desviación media ee lt : 1.33. (b) el recorrido semi-intercuartílico y (c) la desviación media para la distribución del Problema 3.? 5. Empleando el método del Problema 3.L21 aprox.60 : 8/ó.l0.3l ESPERANZA MATEMATICA 97 (b) Si¡escualquiervalorentrely2.b1 aprox. Determinar los valores de la (c) décima.655 apror.o . Entonces el recorrido es 3 . En forma análoga puesto que todos los valores ¡ ( 0 tienen probabilidad cero.25.33(b) tenemos (o) LadécimapercentilaeselvalordeoparaelcualP(X5o):0. (" ..1253 3693 8750 (a) Coeficiente de sego -: o.36. (b) La vigésima quinta percentila es el valor de a tal que (L8o2 P\X<a)=#(Y-fl = "# aa -a4¡¡8t \l8L : O. Del Problema 3.35. (o) Puesto que todos lós valores ¡ ) 3 tienen probabilidad cero. tomamos el uolor mínimo de ¡ : 0. .. (c) Del hoblema 3.0 : 3..098 aprox.37. es decü 312.esdecirlasoluciónde(18a2 : 0. a (c) f. (c) Como se encontró en el Problema 3. = - p|) = l_". M.Portantacualquie¡númeroentrel y 2 podrfa representar la mediana.68 aprox. tomamoseluolor móximo de ¡: 3. Por tanto Recorrido semi-intercuartflico = ?121 . Por tanto el orden de las tres medidac es contrario al del hoblema 3.")] d' + Í.r :: .)[#'n . o sea ¿ 0.10.098 y 2. Por coneecuencia escogemos el punto medio del intervalo.a septuagésima quinta percentila es el valor de ¿ tal que (18o2 - a4 ¡¡8t: o @a. : 1. (b) vigésima quint4 (c) septuagésima quinta percentilas para la distribución del Problema 3. OTRAS MEDIDAS DE DISPERSION 3.".t):ll2.")[#. Y CURTOSIS de (a) sesgo 3.33.121 reepectivamente.19 tenemos 02 ll 25 It3 oo - 32 8?5 -0.-1998 0.*l[#. :.'"¡)a' = SESGO 0. I. Determina¡ (a) el recorrido.n "¡fa' = Í^" (.cAP.33 hallamos que s : 0. Hallar el coeficiente y (b) curtosis para la distribución del Problema 3.

..{o) r/o Con frecuencia llamamos Q$. f tl' . .. ..Iu-| é(o) E1er.39 para obt€ner 14 distribución de probabilidad de una variable aleatoria X cuya función característica es O(<¿ ) : cos . = . respecto I @ desde 0 hasta 22.t_ | eú .. 3. ...l ¡rt" .x¡ ¿ior¡ = - i -) r^...1. 4¡ J. X una variable aleatoria que toma los valores t n.i)o ¡f. ti = M'(ol Entonces de (27) tL = M"(o) p = Iú'(0) 3.. . (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 -.tlZ Se deduce que hay un sesgo moderado a la izquierda. = o" = M"(0) - lM'10¡12 1.. (b) Mulüiplicar ambos lados de la expresión (r) ._ . Sea p.3 (b) Coeficientedecurtosis = et :.n. n2.39. De (32). .¡ rru. . coS c do -e ':.' '^'y'.. Qk¡). ¿ k icr_. puesto que f_"n.Z.. . remplazaudo j por h..(". - I zt. pk 1 12= T.. yp¡ los coe¡icietttes tte iour¡"r...u-¡ . la serie de Fourier se rernplaza por la integral de Fourier (véase página 81). = I#+i:"-o 2¡ tt'' sr(..40..38. .1.1. "" Entonces j f'= " -iia 4.r-..¿.. PROBLEMAS DIVERSOS 3. tenemos remplazando r : L y r : 2.rf t1o k+j k---j Por tanto rt ¡ P¡ ../" . = 2¡p f -o --n .> ]¡xeik. " t*''L i:.página 80.39 I pt. . que tiene una curtosis de 3. Si M(tl es la función generatriz de momentos para una variable aleatoria X demostra¡ que la media €S g : M'(O.Para una variable ¿leatoria continua. Del Problema 3.. J." .. Utilizar el Problema 3..98 ESPERANZA MATEMATICA lcAP. f-ri". y la varianzaes 02 : M"(O)-ÍM'1O¡12. como se indica en la Fig. es algo menos apunüeada que la 3€. o1_o o...(ar tra -= k =S o*Ja " ¿i{r'. ú"r**:r.j . También la distribución distribución normal.l l''..r i r)d (¿@ I ¿ir r 1.

. (o) f(t)= l¿-"'" l/Zn- -co<n<e l!\ : llt = O y lt\:0. 2 2'\2/ = .41.= -z-rll) . Por tanto el coefi- La di¡tribución tiene I¿ apariencia de la Fig.2"-22/2¿¡ ¿u = + 'to f'sz¿-x'/z¿.8.\2/ {. 3 Por tanto el coeficiente de curto¡i¡ e¡ -i-ó . 3-7. 3-? (b) Tenemos p.2. . = Z Jo {i .p. (r |../.si.x2/2 ¿. cientc de sesgo es cero.20. "_. Análogamente obtenemos ti = E(xr¡ = h fl= o. con probabiüdad Ll2 con probabilidad Ll2 -r 3.. (. -f rz ¿.)21 = E(X2) = pí = ps = qllX -p){] = E(X4) = p'n -o2 'lt4-. Por ta¡¡to la va¡iable aleatoria ectá dada por X=) Comó una verificación vúas€ hoblema 3. Por simetrÍa." *. = h Í. {2¡ or.Pa¡alo¡oEdvalore¡dektenemo¡p*=0./g\ = {.'\2/ Entonces = EI(X.k:-1hall¡mogp-r=*. Iülla¡ el coeficiente de (c) sesgo y (b) curtosis con densidad de la distribución defrnida por la curua normal.1"/l) = -{.1"/1) = r \/. = E(xz¡ = -+ ¿l" l/2r -. 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. # to' '"t2"-'d'o B L 4.3l ESPERANZA MATEMATICA 99 Si&:lhallamosr'=$.cAP. \ Fig.

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).zcEl(X. -2"":'\ -" -* \"r* ) -/ = oí+oil"-.46.49.( ".!\'Entonees el lado izquierdo puede escribirse El¡. Sea prob.otr ___q__ . Hallar (a) E(XI. ll2 . = o?. (cl E(X21. 9. g.¡.3 3. Una variable aleatoria X tiene la función de den¡idad (e-' r>0 /(r) = {l0 ^ ¡(0 Hallar E(e2x/31.42. Para cualquier constante real c tenemo¡ . + n?. 1/3 por . (c\ E(Xt). * c2El(Xr ¡x)21 . (b) E(zX + 6).Y El(Y _¡v)21 c(X - Px))21 = 0 / ol.. (bl E(}X-21.x)(Y- pv)l = + c2al - 2co*. 3.Y = ] 3 prob. 3. ¿Cuál es el número esperado de puntos que resultan en 3 lanzamienüos sucesivos de un dado honrado? ¿Parece razonable su solución? Explicar. (c) E(XY)."Í\"-.45.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.s suplernent&rio s ESPERANZA DE VARHBLES ALEATORIAS 3.100 ESPERANZA MATEMATICA p [cAP.-". (b) E(Xr). (b) E(Xz *)a2).{) * -.48. . 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).zl \ 'xv\2 "i" "x/ --t-"i = ""*"1-o'*"=-0 ó *=1 '7ní queesequivalenteap2 < "'*"?.44. Una variable aleatoria X se define | -2 prob. Demosbar que -1 < s1 (véase página 82). I 1 3. Sean X.47. (c) E'l(X-1)21. La función de densidad de una variable aleatoria X es /(r) = (e-r r>0 de oüra forrns 10 Hallar (o) Eo(l. / . I Problerna.

Y va¡iables aleatorias con deneidad conjunta f(r'al = iat' Io o-<:us1' o<tl<1 de otra forma Hallar (o) E(X). (b) E(Xy) -. (c) E(X-rY).66.E(X) E(Y). Sean X. (b) E(Y). (x) = io x>-0 de otra forma Hallar (o) Var (X). en el Problema 3.57. (ft E(xY). . ¿Se cumple que (c) E(X + Y) = EIX) + E(yl. Sea X una va¡iable aleatoria con función de den¡idad (1/4 -2f x=2 l(rl = jo deotraforma Hallar (o) Var (X).50. 3. Xn n variables aleaüoria8 que están distribuidas idénticamente tal que | 1 Xt. VARIAT{ZA Y DESVIACION TIPICA 3. Sean X.48? Explicar. 3. s) = ] : de otra forma |0 Y). 0f s<I.58.49.XY\ 2 = E(X) E(Y\.54.50? Explicar.53.3l ESPERANZA MATEMATICA ¿Se cumple 101 3. 1/4 Hallar (o) E(3X+2Y). .0lyf 3. (f. Y variable¡ aleatorias independientes tales que ^ vt || prob. en el Problema 3. (d) E(X2t'). = I Z [ -_r Hallar (o) E(Xt+ prob.. tc)E(X+Y\. 1/3 \o prob.62. .. + Xn). . que (o) D(X + Y) = E(X) + E(Y). Sea X una variable aleatoria con función de densidad f (e-.7/2 prob. ¿Se cumple que (o) E(X + Y) = E(X\ + Sean X. (ó) E6?+ X'r+ . 3. (b) "x. (d) E(XY). (b) E(2X2-Y2).0=tt<2 lr(t*u) l\x'a) = f deoüraforma 1o (b) E(Y). en eI Problema 3. * Xil. 1/B prob.'.(zr+y) 0<r='I.52? Explicar. 3.2/3 v) | 2 i -a prob. (cl E(XY). 3.69. E(Y\. X2. (b) "x. .51. 3. (b) E(. (b\ E(XY) : E(X) E'(Y). 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. 3/4 prob. Si /(t. 3. 1/6 Xzl .cAP. Sean X1 . Y va¡iables aleatorias con función de densidad conjunta Hallar (o)^E'(X).55. (d)E(XY).

E(X): 2. página 77.67..6 hallar (a) E(X).. (a ) 3.(0)]2 - 3[M'(0)]4 FUNCIONES CARACTERISTICAS 3. 3.69. Hallar la función carar:terística de la variable alcatoria X con función de densidad f¡): (x/2 io 05rtZ deotraforma . 2\21 Si una va¡iable aleatoria X es tal que E[(X Demostrar el Teorema 3-1. momentos al¡ededor de la media están dados por = p1 - ItI"'(. 1/2 -tn primeros cuatro momentos alrededor del origen.44. Halla¡ Ia función ca¡acterística de la variable aleatoria (a X = 7 ó I prob. MOMENTOS Y FUNCIONES GENERATRICES DE MOMENTOS 3. Ei6 - .63.73. 3. (c) o¡. En el Problema 3.67 halla¡ los primeros cuatro momentos alrededor de la media. (b) de la media. 3.60.44.7 lxl I a deotraforma 4.(0) + 6M"(o)lM. (b ) ox. 1/2 prob. E(X2 ) : 8. 3.01 - 3M"(0) ¡l'(0) + 2lM'(0\13 Ifrivr(Q) 4M.68. 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. Hallar el hésimo momento alrededor (a) del origer^. (b) Var (X).71.64. Si X tiene función de densidad ¡t") : -i (l/(b-a\ O a'=r=b de otra forma. Hallar (o ) Var (X ). Si M(ú) es la función generatriz F:t de momentos de la variable aleatoria X. (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. 3.72. - 1)2] = L0.66. Hallar los primeros cuatro momentos alrededor de la media en el Problema 3. 3. Hallar (o) la función generatriz de momentos de la variable aléatoria x = y (b ) los ( U2 1 prob. g Problema 3.61. 3.'(0) ¡f. 3.65.62.43. Demostra¡ el Teorema 3-11. 3.43. (á ) Problema 3. demostrar que el 3o. ESPERANZA MATEMATICA Hallar la va¡ianza y la desviación típica para la variable aleatoria X del Una va¡iable aleatoria X tiene (a ) [cAP.r02 3. (b) Problema 3. y 4o. 3. página 81.70.

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)

P(-Z=Z<2) = 0.Nl/s-> 96. Tenemos z de la variable tipificada el wlor tipificado.96.z: + .46%.2 y 3 desviacionestÍpicasde lamedia(esdecir entue z: -1y * L.. ert (z). 4-1 se muestra una representación gráfica de la función de densidad (7).68. 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..451/" y 99. La función F(z) eú(z) = z-frÍr' e-u'd. P(-3< Z<3) = 0.73% del área total. du (s) se Algunas veces llamamos al valor encuentra relacionada con la función enor. 4 En este caso decirnos que la variable aleatoria X está normalmente distribuida con media g y l.73% Fig. En esta representación gráfica hemos indicado las áreas dentro de L. Esto quiere decir P(-1<Z=L) = 0.6827. du = + # fo' .z. La función de distribución correspondiente está dáda por F(z) = P(Z < z) = I t/2" Í'-"-.9545.8 yque3) las cuales rcn iguales aJ. resultando de f(z) : le-"'" V2" . Si hacemos que Z sea la variable normalizada correspondiente a X.110 va¡ianza DIsrRIBucIoNEs DE IRoBABTLTDAD coN NoMBBE pRoplo [cAp.99?3 (10) ¡$$. 99.27%. 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['.". : . En este caso la función panZ puede obtenerseapartir de (4) alremplazar! = 0V o: 1.. que es uno. algunas veces conocida como la curva normal tipificda..-. (r) Este resultado se conoce frecuentemente como la iunción o la distribución de densidad normal tipif!eada. *t(ft)] (e) En la Fig.-2y I2. 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.

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

Entonces si S. T'¿orema .'. '. Xr. (1 4) estoes.J.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. +X.1. V2=. = n-ú \m P( \ a s" = -l'¿ o/?? = o) / = . .t* Í"'" '2t't ¿.. Esto se ve comparando las Tablas 4-7 y 4-3. 4-2 (Teorema del límite central): Sean X. se deduce que hay también una relación enhe las distribuciones de Poisson y normal. (15) . El extraordinario teorema siguiente revela que realmente una gran clase de distribuciones tienen esta propiedad.. va¡iables aleatorias independientes que están distribuidas idénticamente (es decir todas üenen la misma función de probabilidad en el caso discreto o función de densidad en el caso continuo) y tienen media p y vatianza u2 finitas. entonces En la distribuci sucesoestácercad la práctica conside grande :1- es raro l'* "(" x-r 1A :j ¡r ) : .l-= ('". ya que al remplazartr:np.ó (X..2.4 a2=tr Desviacióntípica Coeficiente de sesgo I "=rA n¡ -. .r)/V.). Xrl-Xr -1.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.. Podemos demostrar que si X es la va¡iable aleatoria de Poisson de (I3) y (X ...u d.. Efectivamente esto sucede.qN1-yp=OenlaTabla4-1 obtenemoslosresultadosdelaTabla4-3.r)/V[ es la variable a]eatoria tipificada correspondiente. . . En tales casos l¿ distribución de Poisson (I3) con tr : np. . ..ladishibución de Poisson tiende aladistribución normal a medida que n or mal asi n tót i came n te.. (r¿ .TL2 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Tabla 4-3 Media Varianza lcAP.7/t/i ". TEOREMA DE¿ LIMITE CENTRAL l . 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. .

se mento. conjunta para las variables aleatorias multinomial puesto que (16) es el término general en laexpansiónmultinomiald" (pt EJEMFLO 4. El teorema también DISTRtrBUCION MULTINOI\{IAL SilossucesosAl... se llama la dístribución * pz * "' 1.3.3.P: ¡'/\b + r\.. 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.Xo=2\ = z.xix*x¿xlxá)' #. Si un dado honrado se lanza 12 veces. entonces p(x _ rl = V¿lu\r* . rr] . * n..:1" SiXl .Az..x. .. S..l. por ejemplo.AppuedenocurrirconprobabilidadesPt. .. Xr.*Pz Xe sonlasvariablesaleatoriasrespectivamentequedanelnúmero devecesqueA¡. es Xr.. Xz:Tt2¡ donde ..-. es Si modificamos el experimento anterior de modo que el rnuestreo sea sin remplazamiento.* (16) n. = 000344 ElnúmeroesperadodevecesqueAt.. la variable aleatoria (5"-np)/"1/ñ.. E(Xr) : rlp2. escoge una bola aleatoriamente.pedondePt.Ak'ocurraennpruebassonnpr. + ph)" . Ar.ftPn E(X1\ -' np1.1.5 y6exactamentedos veces cada p..en ét cü¡ se to.hPz.uv.An ocurreenuntotaldenpruebas.=Z.cAP.x:-2.hur(.demodoque X1 -lXz* "'*Xt = +. decir las bolas no se regresan a la caja después de seleccionarse.. + .+ p. esto es . ... Xr=nx) : nr.. n" entonces P(Xt.-6P\'P')'' "P'...llt.. que es una generalización de la distribución binomial. 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. La media y Ia varianza paxa esta dist¡ibución son ...--r.. q --. Xr. es verdadero bajo condiciones más generales.. laprobabilidaddeobtener uno es ESta distribución.. respectivamente.... .ón hipergeométrica.. entonces empleando la distribución binomial (/ ) vemos que la probabilidad de r éxitos es (r 8) ya que p: bl\lt'tr).Pz.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 113 es decir.. se cumple cuando son variables aleatorias independientes con la misma media y la rnisma varianza pero no necesariamente distribuidas idénticamente.. que es Ia variable tipificada a normal asintóticamente. es la función de probabilidad Xr.2. + flh : f.'rXk.A2..4.Xr.il \?¿i (b\( r \ (1e) Esta es la distribuci.

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 ". entonces . La función de distribución está dada por F(rl = P(X = x) = j (t. = i@-a).p respectivamente.114 DISTRIBUCIONES DE PBOBABILIDAD CON NOMBRE PROPIO [cAP.s=#=# de modo que 6 b=Np. (281 X tiene la dbtribución de Cauchy. Los resultados son los que N gmnde el muestreo sin remplazamiento realmente es idéntico al nuestreo con remplazamiento. que puede (24) p(x=t:) y (23) se reduce a = (I)o. r=Nq (21) (I9) V e0\ se conviertan respectivamente en P(X = x'¡ = (22) p--nP Obsérvese que cnando (23) escribirse como N -+ . DISTRIBUCION I'NIFORME Una variable aleatoria X está distribuida uniformemente en a 3 fi 3 b si su función de densidad es f (t\ = Il/(b-a) {o a<r<A de otra forma (26) y la disbibución se llama duúnbución uniforme. en tanto que las proporciones de bolas blancas y rojas 6onp y q = L. (221 se reduce a (I8).n'-" o2 = 'ILPQ p=nP esperábamos. ya que para (25) de acuerdo con las primeras dos entradas de la Tabla 4-L.(ó N es grande comparada con n).=#=*. si la función de densidad de X es (2el . párySna 109.4 (20) 'tL -: D+r nb Si consideramos que el número total de bolas blancas y rojas es N.

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

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

.gmdos de libertad.:1. DISTRIBUCION ¡ y v" grados de Una variable aleatoria liene distribución F (en memoria de R.A. 4-2 (véase Problema 4. (4t) tiene la dishibución ú con .> 2) (t*s¡ El teorema siguiente es importante en el estudio posterior. si se sobreerltiende p. por ejemplo ¡f o. o sencillamente ü.. con v grados de libertacl.cAP.45) donde P: 0.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO LL7 t de Student. vr.. donde Y está normalmente distribuida con media 0 y varianza L mientras que Z tiene distribución chi-cuadrado con v grados de libertad.>2) &r¡ Los teoremas siguientes son importantes en el estudio posterior... 4-7: Sean Vt y V.. "2 (r'. v.'IJná tabla que da tales valores en el caso z¿<0 grados de libertad se denotan por P : . vr. Si v es grande (. > 30) la gráfica de f(¿) se aproxima estrechamente a la curva de la distribución normal como se indica e_n la Fig. . tr-o : -ún.j (. o simplemente la dístribución t.. Teorema *6: Sean Y y Z variables aleatorias independientes. Fisher) con v. Iibertad si su función de densidad está dada por u)0 Los valores de las Fp... Los valol¡es de lis percentilas de la distribución f para v grados de libertad se denotan pot tr. o sencillam (..n. La media y la varianza están dadas respecüvamente por p?ra u. Entonces la variable aleatoria @a¡ tiene distribución f' con . Para una tabla que da tales valores véase el Apéndice D. gados variables aleatorias independientes con distribución chi-cuadrado y vf de libertad respectivamente. se dice que iiene la distribución Para la distribución ü tenemos p:0 Y "z:. ) 2) Y O-= (to¡ La distribución tiene una moda única en el valor (t'nt?)(#) Teorema (u...161).t y uz grados de libertad. Entonces la variable aleatoria 11- Y lzt.. Puesto que la distribución es simétrica.95 Y P F. r..

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

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

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

zL (b) P(3 ocurra máximo vez) = P(X 1) = P(X = 0) * P(X = 1) = = 1l\/rY1¡\'*' ¡s) /r\'/rY .. P(almenorlniño):1-P(nir¡gfrnniño) = l(b) P(al menos 1 niño y al menos una niña) ll)t \2/ = .3 vemoe que (o) (b) N(rmero esperado de familia¡ con al menos 1 niño = .cAp. 3725 3125 = n76r n76. -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. HaIaf la probabilidad (o) p(lniño) p(3niños) Entonc.4. (o ) ee coüvierte en P(X>l) : P(X:l)*P(X=2)*P(X=3)*P(X=4) = 18 4. -' /t\/ 1l\'/+)' = t.L' = /1\/1\'/l)'= l. (d) ninguna niña? Refiriéndonos al Problema 4.3888 ' 3888 ' 7776 ' 7776 .16 P(2 niños) : P(l niño) * P(2 niños) 16 16 * P(3 niíror) * P(4 nlñoa) 1 3 1 1 4 8'.i tUO (c) P(l : P(l niña) * P(2 niña¡) niñoe) :P(l niño)*P(2 : I +3 : * .\s/\z) \z/ . Suponer que la probabilidad del nacimiento de un varón es t-. Entonces.= 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\'.3888 4.3. ¿cuántas calcula deben tener (c) al menos 1 niño./s\/t\'/qY \2/\6i \6/ \'i \ei \o/ * \o/\e/ \6/ * \s/\a/ \a/ 626 r25 25 1 763 .4 16 Otro método. (b) 2 niños. de que en una familia de 4 hijos (c) al menos 1 sea niño.. por ejemplo.i \t/ \t/ = 2 8 p(4 niños) = (l\ /1)'11)'= f x-/\z) \z/ .ooo (lf) = 2000 18?5 Número esperado de familia¡ con 2 niño¡ 20OO ' P(2 niños) ó 2 niñas) = (3) = \ó.es sea niño y al menos 1 Ll2. 4l DTSTRIBUCIONES DE PROBABTLIDAD CON NOMBRE una PROPIO '.. P(al menos 1 niño) /t)l+)'ll\' = \. De 2000 familias r-:on 4 niños. \r \zi\z/ .\o/\6i \6/ \r/\oi \o/ 3125 . (c) 1 ó 2 niñas. (b) al menos 1 sea niña.

= = Método 2. Si X está'distribuida binomialmente.2. Entonces es g : I .46e6 ffi ? .0..p:0.q" . HaIIar Ia probabilidad de obtener un total de 7 al menos una vez en tres lanzamientos dé un par de dados honrados. \r/ Entonces la función generatriz de momentos está dada por M(t) = E(etx¡ = )etxf(r'¡ n /n\ = ¡=0 . (c) menos de 2.' (0. Si el 20 % de los tornillos producidos por una máquina son defectuosos.Entonces P(ningrrn z en B lanzamienros) En un lanzamiento de un par de dados honrados la probabilidad de un 7 es p:1/6 (véase Problema 2. determinar la probabiüdad de que de 4 tornillos escogidos aleatoriamente (a) 1.detalmodoquelaprobabilidaddenoTenunsololanzamientoesq:1-p:516..4 Número esperado de familias con 1 ó 2 niñas = tZOOOill) ' '\ 6 / \/ = 125 1250 (d) Nfrmero esperado de famiüas sin niñas = (2000)( i ) = 4.n) .46e.6.6. de un tornillo no defectuoso va¡iable aleatoria X el nl¡mero de tornillos defectuosos.8)a = s.8. Sea la (o) P(X: t) = (rn ). Para una secuencia de n pruebas de Bernoulli definimos n /n\ '?n ('/tr"')'0"-' (a -l.:: =:"0.. (b) 0..r. = 1:)l+Y/q\' \"/ \"/ \6/ - r25 216 y 4. página49).nba j-ésima si éxito en la prueba j-ésima U=1'2.n" .pet¡" Xi ' |0 {[1 si fracaso en la prr.7..rt't0.'(\*.1.. f (r) P(x = r) = (!\o./ ) _)p. (ü) p(X = 0) = (c) P(x <e) = (fi)to.l# = fr X que está distribuida Hallar la funCión generatiz de momentos de una variable aleatoria binomialmente. 4. P(al menos un ? en tres lanzamientos) = | ..8)r = ¡.L22 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. Médodo 1. La probabilidad de un tornillo defectuoso e8 p :0. sean defectuosos.0..

n) (Q Entoncee por el Teorema 3-9. halla¡ (a) la media y (ó) la desviación tipiticada para el número de tornillos defectuosos de un total de 400 tornillos. 4. entonces F = P(lX.la ley de los grandes números (en forma débil) pa¡a las pruebas de Bernoulli. págirra 84. tenemos. si X es cualquier va¡iable aleatoria con media tas.1 = .t/V6d..9) : 36.esdeciresperamolque40tornillosesténdefectuo¡os. v (3 ) se convierte en P(lz -. o =. = X.1. LEY DE LOS GRANDES NT.. :-.1 ):40. Si la probabilidad de un tornillo defectuoso es 0.) / \ 14 'l y tornando el límite cuando n -+ @ = 2+ ¡4r.i)'== . . de Los resultados anteriores también pueden obtenerse (pero con má¡ difrculüad) derivando la función genaetriz momentc (véaee Problema 3. Demostra¡ que la media y la varianza de una variable aleatoria distribuida binomialnente son p: np Y o2 : npg respectivamente. Demostrar el Teorema 4-7.cAP.npl > k1/i-npq) < i ó (3) Si hacemos c = k \l T.y (I)rc convierte En particular si X tiene distribución binomial o de Bernoulli. n. M"(t) - 'f pst¡n 4..)(0. Pa¡a la función geraeratr:iz Mj(t) = stoqlettp .'* Xn. página 80. . página 83. Por tanto la desviación tipifrcada o = y'56 = 6.1.q Entonces o2 p:E(X)=E(X'\+E(X2)+"'+E(X")-np = Var(X) = Var(Xr) *Var(Xz) +. tt = flp.10.)l*. Procediendo como en el Método 2 del Problema 4. como se requiere. 2.8. (o) Medialt:np:(400)(0.2..t y varianza 02 Íini- (r) en tol P(X-11 -ko\ flp.) Í+ó \l ?¿ -l = / = 0 El resultado también se deduce directaménte en el Teorema 3-19..i .. Por la desigualdad de Chebyshev.L52\. o - {-npq.e*pet M(t) = M tQ) LI2Q\' ' ' (i=1. y1 E(X) = 0q*Ip = var (x." *Var(X) = npq donde hemos utilizado el Teorema 3-7 para o2 .9.7 tenemos para/: L.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L23 de momento¡ Entonces las X¡ son independientes y tenemos X: Xr * Xz *. .lro. li* Pll{-..'EBAS DE BERNOULLI 4.) + (r - p)2p = i)". (b) l'Iananza o2 : npq: (400) (0. con S.38) o direetamente de la función de probabilidád (véace Problcma 4. entonces ¡.IMEROS PARA LAS PRI.

4-3 (b) Area pedida : área entte z : O y z: *0. baje por la columna z basta alcanzar el valor 0.21.1828 O yz ) lo mi¡mo que P(0.ildlt + _= |^2 ¿¡ = O.0.46 y z: 2.(área enhe z :-0.2) = | {u ¡rz Jo ¿r. P(-0.2910 = 0.211 = + (''" {2r . \.46 f ZÉ2.94) O y z = 0.68 sz=o) = -! l'o {2¡ J = | r' -o.12..2I) : O.6636. [.6636 e-ú'/! clu = 0.11.2.46) * (área enbe z:0 y z : 2.a'ley de los grandes números establece en este caso que la probabilidad de la proporción de los 3 en n lanzamientosdiferiendodel/6pormásquecualquiervalor€)0tiendeaceroamedidaquen-+€.46 y z : O) * (área ent¡e z : O y z : 2. Dar una interpretación de la ley de los grandes números (en forma débil) por la aparición de un 3 en lanzamientos sucesivos de un dado honrado.68 y z : 0.(b) entre z:-O. proceda a la derecha hasta la columna 8. Halla¡ el área bqio la curva normal tipiñcada (a\ enfte z: Q y z: 1.4964 | t/Zt Js \/2r Jo "-uz/z 1 (d) Area pedida : (área entre z : : E¡to es - (área entrez : 0.3849. Por tanto P\0=z=r. DISTRIBUCION NORMAL 4.t _o. es el área pedida y representa la probabiüdad de que Z estÉ ent¡e O y 7.4 4.gg4g z=O .!772 + 0.27.2517.4864 : 0. .+e "-u2t2f.C.i77Z + 0.68 (por simetría).25f ? El área. El recultado.81 = Z = L.2L) : (área entre z : O y z : 0.as 0.¿ ¿-uzr!¿u = -! Jfo \E = ___1__ -o.L24 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.u + t/2" 'lo + ('"' "-u2tz 1¿4 2l 10. Por tanto P(-0.46 y 2.L (o) Utiüzando la tabla en el Apéndice. El resultado.941. represenüa la probabilidad de que Z eaté entre -0.6. baje por la columna ma¡cada con z hasta alcanzar el valor /.28.68 y 0.4738 - : 1. = "-u!/t 0.Luego proceda a la derecha h¡sta la columna marcada 0.81y z = L.46 " 1 e-u. (e) a la derecha de z: - L.=12 Fig. Entoncee. (d) entre z: 0.rz¿u (c) ñ J" Area pedida .68 "- u. Por üanto'. 0.81 0. ee el área pedida y representa la probabilid¡d de que Z eté entre -0.94. (c) entre z : -0. Por tanto . 0.2.

35. Por tanta z: + 1. (b) el área a la izquierda de e sea 0.5)/10 68. el valor 0'3?70 se encuentra a la derecha de la fila ma¡cada 1.4332.5 y z sea 0.de 91 kg. z : -1. (o) Los pesos registrados entre 48 y 7l kg pueden realmente tener cualquier valor entre 47. El problema es equivalente a resolver para z la ecuación rfz G ).5.694 utilizando interpolación lineal. z : -t. (c) el área enhe - 1.7O ?1.5 kg. Caso 1: z es negativa pero a la derecha de -1. (b) Puesto que el área es e-tt/2 du = 0'3770 mayor que 0. o.O2l7 + 0.O2l7 : Entonces el á¡ea entre z). Area entre z v -t'5: 9ü.16."O. 4.8997 Esto es lo mismo que P(Z > -1.O2L7 : 0.L6.5:0. o.4115 de lo 2: z es negativa pero a Ia izquierda de -1. (b) más. -1.69. hdlar el número de estudiantes que pesan (a) entre 48 y 71 kg. : (47 .4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROP¡O Area pedida L26 (e) - (área entre z: -t.4549 y z: l'ig.16 es otro valor de z.5: -2.8621.5.8621 .3997 + 0.14.4332- : 0. Area entre 0 y z es 0.5 )/10 .5: 0. 4.cAP. Suponiendo que los pesos están dishibuidos normdmente.5: 0. Por simetría.4332. El peso medio de 500 estudiantes varones de una universidad es de 68. de lo cual z:1. (a) En la tabla en el Apéndice C.13. 0 y z esO.5 y z : 0.4332- Entonces el área entre 0 y z es cual e: -1.:1Tí"11u (área entre 0 y O.0217. z debe ser positiva.30 47.5 kg en unidades tipificadas : (71.28).5 y 71. suponiendo que se regis' han al valor de kg más próximo.(área entre 0 y z) (área entre 0 y z) 0.1 y bajo la columna 6. Caso 0.5 kg y la desviación tipiiicada es de 10 kg.4-ll -1.09.5 kg en unidades tipificadas 68. Si "área" se refiere al área bajo la curva nonnal tipifrcada. Area entre -1.28'y z = O) T 1área a la derecha de z : 0) = 0.5 y 0 ) .4332 :0.5.5 y 0' (c) Si z fuera positiva el área sería mayor que el área entre que es 0.0.3??0.0277 (árca entre -1.3621. por tanto z debe ser negativa. con menos precisión. Entoncec la z pedida es 1. hallar el valor o los valores de z tales que (a) el área entre 0 y-z sea 0.

29 cm.26 (1.2 L. Hallar la función generatrrz Tenemos de momentos para la distribución normal general. (D) toe e¡tudiantes que pesan más de 91 kg deben pesar al menos 91.266 a 1.4 Proporción pedida de estudiantes : : = (área entre z = -2.3849) = 0. 4.26 a 1.30) : (área entte z: -2.2) .0107 es 2.4821 + 0.275')lO.68.9tOt 4.275 cm y la desviación típica es 0.26 en unidades tipificadas 1.L26 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.600) kg.(área bajo la curva normal entre z : L.(dos veces el área enhe z : = 2(0.29 . M(tl = E(etx¡ = L= Remplazando (x ot/2r J -- (' ette-(t-tD2/2c2 dtr g. suponiendo que los diámetros están dishibuidos normalmente.26 s 1.010?): $.6000 Entonces el nfimero de estudiantes que pesa entre 48 y 7f 500(0.275)l O.11.SO) (área a la derecha de z : 0 ) .4893 = 0.0126: L.295 cm.5 . Determinar el porcentaje de lavado¡as defectuosas producidas por la máquina.600 P(W -. etrt+oot-tu2/2. : Z.0125 cm.2 -77% = 23%.O]-25: -1. de otra forma las lavadoras se consideran defectuosas.I.91¡ = 6.6)/10 : 2.5)=0. La media del diámetro interior de una muesha de 200 lavadoras producidas por una máquina es 1.(área entre z : O y z : 2.30) 0.30 Entonces el número de estudiantes que pesa más de 91 kg Fig. = 300.29 en unidades tipificadas : : (1.30 = 600(0.5 Proporción pedida de estudiantes 91'5 kg en unidadee tipificadas: (91. 4-r3 Si W denota el peso de un estudiante escogido aleatoriamente.tt)lo: uenlaintegralde M(tl = -= | \/2r J-14q modo quer:¡¡+ dx: o d4 tenemor dt.2 : -7. . (área a la derecha a.16. r.1.2) yz Proporción de lavadoras no defectuosas .7698 ó O yz : 77% -1. El propósito prira el cual se han diseñado las lavadoras permite una tolerancia máxima en el diámetro de I.10 y z Ol * (área eítte z = O y z : 0.300) 0. 1.l. d1) = "ut'<o2t2/2t (J-ú "-tr-ort" l/2" .5<W<71. Sin embargo para doe cifrar significativag los resultados son iguales.2 Por tanto el porcentaje de lavadoras defectuosaÁ es 10002 Fig.5 - 0.29 cm como representando realmente los diámeüros de¡de L. 1-14 Obsérvese que si consideranros el intervalo L.2 .10 y z:0. . podemos resumir los resultados anteriores en términos de la probabilidad al escribir P(47.1179 = kS ee 0. el resultado anterior se modifica ligeramente.

(b) la aproximación normal a la distribución binomial. Cor¡siderando los datos como conünuoe.58 6. )\. 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 4-16.5 .4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L27 Entonces sustituyendo u - ot: u hallamoc que ettt+(c2t2/2)( M(t) : + f\t/2" J-* "--.)'_ . Tqqbié"r!g_.58: 0. 4-r5 23{587E Nfrmero de caras Fig.7784 Probabilidad 2341678 Nfrmero de caras Fig.5 en unidades tipificadas : (2.7734 que se compara muy bien con el valor verdadero superiores de n. 4-16 trata los datos como gi fueran continuog.cAP.* "á Ar P(X=A) /ro\/fY/r\'_ = \4 /\z/ \z/ P(X=6) = 106 stz /to\/r\o/r\n _ = (.. en la Fig. se'deduce que 3 a 6 caras pueden considerarse como 2.) ffi.E \ /\2/ \2/ =5) = l.58 y z : 0. Entonces p(x=B\ = P(x ('f)(. 4-16 y puede aproximarse por el área bajo la correspondiente curva ncrmal.X.6.95) : O.-o) l+Y 5 ll)' : .95 Probabilidad pedida : : z: -1. La precisión es aün mejor para valores .¿*\ / = ewt+(ozt2/2) APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL 4.68 y z = O) * (área entre z : 0 y z : 0.es la probabilidad pedida es P(B=x<6) = #.5)/1.5 en unidades tipificadas : (6. La probabilidad pedida es la suma de las áreas de los rectángulos sombreados en la Fig.5 a 6. mostrada a trazos. obtenido en la parte (o).5 caras. Hallar la probabilidad de obtener entre 3 y 6 caras inclusive m 10 lanzamientos de una moneda honrada utilizando (c) la distribución binomial.4429 + 0. ro¡ Entonc.#*¿%*# 03 = # = 0.p94!l y la varianza para la distribución binomial están = 1.7718 (área entre d.e O. Entonces dadas por/r= np=10(4\= 5yo = {nw = y'(10)(+)(+) 2. (o ) Sea X la variable aleatoria que da el número de carag en 10 lanzamientos.17.)\.95) (área entre z :-1..5)/1.3289 : 0.58.ó8 : -1.

.' La probabilidad de que resulte un 4 es p: l16 y de que no reeulte esg : 5/6. Hallar la probabilidad de que resulte 4 (c) 18 veces o menos y (b) 14 veces o menos. .OB tipificadas : -0.OB pero debido a que el habajo involucrado en la computación es excesivo.0885 Se deduce que si fuéramos a tomar muestras repetidas de 120 lanzamientos de un dado.02) .19. 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.5.(área entre z : O Y z :-1.18.3264): 0. remplazando 18 por 14. Hallar la probabilidad de que el número de caras no difiera de 250 por (a) más de 10.5 en unidades tipificadas : 2.L28 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP.. 239..5 cuatros.6 ."p: ..0.5 y 260.- -1.94 y z: 0.250y11.94 260..08 .5 en unidades : (área bajo la curva normal entre z: -5.(i) = 250 s '= \/ill = . Un dado se lanza1-2O veces. o \ i \6/ \6/ -{. suponiendo que el dado es honrado.5 a 18.4 4. l8 cuatros pueden tratarse como tt = ttp = Entonces 120( )l = ZO \o/ /t\ y q = 1/-n7tq .02y z: Probabilidad pedida -O.3? (D) Procedemos como en ha parte (o).02) : : -(área enhe z O Y z : 0. t.5 . o si consideramos : (219.94) : (dos veces el área enhe z: O y z :0. Una moneda honrada se lanza 500 veces.5 en unidades tipificadas : : (área bajo la curva normal entre z: -0.b.94):2(0. .0.18: .'.. entre 219..7 3 Probabilidad pedida : (dos veces el á¡ea bajo : 2(0'4968): 0'9936 la eurva normal enb. podríamos considerar que la moneda no 4.(. un 4 debe apariecer 14 vece¡ o menos en aproximadamente la décima parte de estas muestras.5 -.5 y 280..)(+) = I 1. (b) por más de 30.0.20)14.18 (o) Necesitamo¡ la probabilidad de que el número de caras se encuentre enbe 240 y 260.02 y 2 : -1.. 219.5 en unidadee tipificadas :-5.6 - 2O)l4.7 3 280. o si conslderamos los datos como continuos.4115 : 0.5 en unidades tipificadas: (14.O2 14.. Entonces -0. Esta se encuentra exactamente ¡rzo\/f\"i 5\'o' . entre 239. : 4..1443: 0. (rzo\/r\/!\'.e z: O y z:2.35) : (á¡ea entre z : O y z : -5.18 : -2..311 : (área ent¡e z: O y z: -5.5 se 0.37) -0. = .5 - 250 )/11. ¡ rzo\1¡\''l5_\'o' r8 \. pbr (o) Deseamos la probabilidad del número de 4 entre 0 y 18.31-i Probabilidad pedida : (área bajo la curva normal enhe z : -5. empleamos la aproximaclón normal.6/ r7 \ /\6/ \6/ \ /\6/ Con¡idenndo los datos como continuos que 0 a También .5 en unidades tipificadas : 1-0.5 en unidades tipificadas 28O.6528 = (239.3557 -0.mr.5 en unidades tipificadas hobabiüdad pedida .35) : 0.73\ por más de 30. es decir etabacargoda 280.(lX*) : -5.02 18.94 ib) Necelitamoe la probabilidad de que el n(¡mero de caras la encuentre entre22O y datos como continuos.

Otro método.i)-' + m/ \ \ cálculo = €-tr empleando el resultado conocido del . ./ \ --> = (r-\)'1t . 1'-t)/'-?).+:: ¡=(l ' ' e-). . entonces (f) P(X=r\ = l'"lqrq¡-r \r/ : np.20 realmente es uná función de probabili' dad.rl ('* i) = Se deduce que cuando n (2') / \¡ eu - pero I permanece frjo (es decir p -+ 9¡ P(X=r) + ¡:q.er = 1 y se completa la verificación. Entonces donde E(X) /-\ (I ) se convi'erte en rl Entonces cuando ¡. Segundo. (¿-r)(1) /. que ee la distribución de Poisson..20. 1.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L29 DISTRIBUCION DE POISSON 4. . = "-^. página 80. Establecer la validez de la aproximación de Poisson a la distribución binomial..21. Hilgase ¡. 4.-r)" r?.'ir . Verificar que la función límite (2) del Problema 4. : rtp de modo que p : I/n. 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. 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. n/\ n/ \ en tanto que ('-+) +. obseryamos queP(X: ¡) ) r=0 O para r = 0.I \n/ / r \ ¡-¡ ) n1@. Primero. ' . Si X está dishibuida binomialmente. tenemos >{] !a1*="¡ = t=O -. dado que ).cAP. El reeultado pedido entoncec ¡e deduce utilizando el Teorema 3-10. ) 0.

tr r/iñ 1o + per/ lliii tvr ll-nw 1n ¡pt e ' tnp. exactamente 2 estén defectuosas.1# ^:?¡p:(2000)(0.r¡r1s.- 6 P(X=2) = %: = 0. (b) la aproximación de Poisson a la distribución binomial. X tiene una distribución de Bernoulli.22. Entonces de acue¡do con la distribución de Poisson I¡¿- P(x--x) ..4 4. pero ya que las reacciones se suponen sucesos raros.130 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. Halla¡ la probabilidad de que en una muestra de 10 henamientas seleccionadas aleatoriamente.18 En general la aproximación es buena si p É 0. vC.24.1e37 ó o. Diez por ciento de las herramientas producidas en un proceso de fabricación determinado re. 4.1) - 1.23.1 y \ = np 5 5.. es decir P(X:x\ -.323 Una evaluación exacta de las probabilidades empleando la distribución binomial requeiiría mucho más trabajo. empleando (o) la distribución binomial. determinar la probabilidad de que de un total de 2000 individuos (c) exactamente 3.(d) I¡¿-)\ donde p(x-Bt . Denótese por X el número de individuos que sufren una reacción. Si la probabilidad de que un individuo sufra una reacción por una inyección de un determinado suero. Entonces de acuerdo con la distribución binomial p(x:zl (b) Tenemos )\: np (tJ )10./íil 2 o et't-(.r -Lót 1! ) = l-6e-z = 0.np)/l/nW y la función generatriz de momentos Eletx'¡ E(et<x-nú/t'/-nil¡ tnnr rliii g 1"txrl noÁ ¡ "" = e-tnpt. La variable tipificada para X es X* = (X .' .001) :2 _ 0. lioo ¡ln p¿tar liii¡ {ili ¡n . Zze-21 -. TEOREMA DEL LIMITE CENTRAL 4.180 (b) P(X>2) = 1-[P(X=0) *P(X:1) +P(X=2)] _ I fzo¿-z. sultan defectuosas. e t.2te-z --z! ./)(p".. 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.t ¡n = le(qe + pet. )r. es 0. tfi-oa = > ¡=0 |\_. _/1t\ para X* es ".e¡' = \z/ 0. (o) La probabilidad de una herramienta defectuosa es p :0. Denótese por X el número de herramientas defectuosas de las 10 escogidas.re = (10)(0. podemoa suponer que X tiene una distribución de Poisson. t ¡t qn.0"-' . (b) más de 2 individuos tengan reacción.1.183e ó 0.001.

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

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

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

Demostrar que la media y lavananza de la distribución gamma están dadas por (a) p: aP." ffi.'#0" p2(a*t)a.r ..o*r"-ro." = ffirt"+f¡ = R RemPlazando p= Bon f' Fe-tdt aB (ó) Remplazando E(Xz¡ = t."-r{r-x)F-tlitr = frffiJ. t.. HaJlar la media de la distribución beta.1o" xlQ: t tenemos : f. ya que I'(a + 2) = (c * 1) r(c * 1) = (a * 1)a I(a).31. El segundo momento alrededor del origen es * 0) l'(a + 1) r(B) o I a B E(xz¡ = f(a)f(p) (t .rÍ".32. página 46.. 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_! . ." "loo"¡.lff.z¡ro-r1l.E(X2) - (ap)z - "Bz DISTRIBUCION BETA 4.+fl Jo * l* _ r(a)I'(p) r(c r'(a + 4)- Jo (t *su+t11 2) l'(B) n)e-r ¿. = r@l#l = :a+-a DISTRIBUCION GAMMA 4. l'(a r.19: t tenemos E(xz¡ = ff"*. = Í.33.4 ¡: a tan 0 tenemog o-t¡¡-L! a . la función de densidad de X está dada por s(r) que es la distribución de Cauchy. Por tanto p2 = Bz(aIL)a"2 .. r Y dx Íz+a' Entonces por el Teorema 2-3.. (b) o2 (a) = oB2.134 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Considerando la baruformación [cAP. p = E(x) = ### fo'*¡.. fo"' .t p\ f I sa(r - ¡)e-r fls rt"lrtBl r(a+1+B) I(a + É) dr(d) r(B) r(a) r(B) (" + P) f(4 + p) = 4. ." ". Hallar lavarianza de la distribución beta.¡a-\d.)*: = ift)"("+z) = n2 Í.¡^.

84. ! X. y utilizar el hecho de que r(á) = V7. Esta debe ser la distribución de Z. 4.t Pero esta es una distribución chi-cuadrado con 1 grado de libertad. grados de liberta u2 Z:Xt *X.'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. pá4ina 1-1. ea M(t) : Enet(xr+xü1 : E(etx.B2. DISTRIBUCION CHI.s(v-2)/2e-<L-2t>r/2 dr =J-r(v/2) )o 2. a * v.v2 gadosde übertad. colocarz: 1 en (39). 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.36. utilizando el Problema 4. pero procedemos de :0. es con (¿ dA v.la varianza es 02 = E(xz¡-l'(x)l= _(rro)'= cr6#T_Fn : (1./2dü (-.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 135 Entonces. t : (1 - N¿¡-Qr+v2t/z (b) Se observa del Problema 4. grados de libertad.2t)-. Sea X una variable aleatoria distribuida normalmente con media 0 y varianza 1. Y: x2 dad.ztl-v/2 fa u<v/z)-re-udu = (L-zt¡-'rz r'(v/z) )o 4. por el Teorema B-18.1 en la última integral hallamos M(tl = 2.t2r(v/2)Jo " r-2t \r-2t/ : ll .a una distribución normal para X. do ) función generatriz de momentoo de Z = X.34 que una distribución cuya funéión generatriz de momentos es (1 2t)-<vt+v2)/2 es la dishibución chi-cuad¡ado con v11.r2. Sean ¡t y X. Efectuando el cambio de variable x : *t/T en la última integral. página g1. como se ve al página 116.-rr/2e-.6.r2 Al remplazar (l - 2t)n/2 = 7. cia entre Paray Deseamos hallar la distribución de la manera siguiente.cAP.34.)Eqéx"¡ : 1l-2t¡-'r/2 1l-2t)-vz/2 utiüzando el koblema 4. . Puesto que Ia correspondenX y Y no es uno a uno no podemoe aplicar el Teorema 2-3 como está. Pa¡a ( 0es lóglco que P(Y SU) y> 0 tenemoe P(Y<u): P(Xz<a) = P(-\/u=X<+\/a) +fr"-. Demostrar que X2 tiene distribución chi-cuadrado con 1 grado de libertad. obtenemos P(Y < ú = -! fs rrrze-uz t/2r Jo d. Al generalizar los resultados anteriores obtenemos una demostración del Teorema 4-4.CUADRADO 4.36.'rz¿s (-fr"-.

entonces X? V X3 tienen distribución chi-cuadrado con 1 grado de libertad cada una.05. 4-18 (o) Si el área sombreada a la derecha es 0. X.0.¡r. (b) Puesto que la distribución no es simétrica.8. en la columna /. (c) el área sombreada a la izquierda: 0. El resultado general para todos los enteros positivos l. El resultado 11. (c) S9. La representación gráfica de la dishibución chi-cuadrado con 5 grados de libertad se muestra en la Fig.2gs.¡ se deduce en la misma manera. para v : Por el Problema 4.025.0 correspondientear: av:21. en este caso cada área:0..025.36 vemos que si X¡ y X2 es.¡2. al menos se especifique lo contra¡io. (b) 32.025: 0.píryina 116.61. Demostrarel Teorema 4-3. hay muchos valores para los cuales el área totál sombreada : 0. entonces el á¡ea a la izquierda de representa la nonagésima quinta percentila. (b) 28 y (c) 40 grados de UtÍIizando la tabla en el Apéndice E.O25 representa la percentila 2.5. a! es 0. la cual es igual a 15. ¡! que corresponde a (a) 9.4 4.. Entonces del Problema 4.38. se acostumbra.esr. (c) 67.O. parav> 10 los valores de la mediana son iguales av .5. lcAP.? conespondiente a la derecha de la distribución ¡2 es 0. x.¡ (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. búsquese el valor 5.(b) 2T.1. Sin embargo.0.la cual es igual a 0. 4. y Si el área sombreada a la derecha es 0.05.7. (c) 50' Utilizando la tabla en el Apéndice E hallamosenlacolumna ¡2er. hallamos en la columna ¡. (b) 2I. (d) Si el área sombreada a la derecha es 0.10.01. . (b) el área total sombreada: 0.99 y ¡22 representa la 4.05.. los valores: (a)25.34correspondienteav:9..40. 4-18.. el área sombreada a la izquierda de x3 es 1 ¡j iepresenta la percentila 9?.831 y 12.136 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 2. qi" Z = X?*X2" tiene distribución chi-cuadrado con 1 * 1:2gradosdelibertadsiXr y X2 son independientes. X. xi representa la décima percentila.x?o¿s.04 en tanto que el área a la izquierda es 0. 4.39. el área a la izquierda de x? es O.3correspondiente av:28.10. x! por los cuales (a) el área sombreada a la derecha: 0.05. xz:.35(b). Entonces procédase hacia la derecha hasta la columna x%r.Ia cual es igual a 1.tán distribuidas normalmente con media 0 y variánza 1.01.la cual del Apéndice E es 12.026. Véase Problema 4. escoger las dos áreas iguales.3correspondiente^v :40.2-. u"mo. xl es (1 . como puede observarse de la tabla.5 correspondiente a z: 50. el átea a la izquierda de percentila 99. (d) el área sombreada a la derecha: 0. x. Hallar el valor de la mediana de libertad.1 es el valor pedido de 12. Por tanto los valores son 0.01.95 y xz2 Refiriéndose a la tabla en el Apéndice E. (Véase las consideraciones sobre notación en la página 116). el área sombreada a la derecha puede ser 0. si el número de gndos de liberbad v es igual a (c) 15.37.9?5 Análogamente.O5): 0. Fig. y x? (c) Si el área sombreada a la izquierda es 0.05.150. Hallar los valores de xf. Entonces.831. Por ejemplo. . Hallar los valores de ¡2 para los cuales el área de la cola 15. si el á¡ea sombreada a la izquierda es 0.8.

Lu€{p integrannr_conrespecto az de¡de 0ha¡t¡o.locuale¡tÁde¡cuerdooonelvalor6?.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPTO 13? 4.tz¿ul¿" LJ":_-e A = urfi en la integral entre parénteais rectangulares hall¡mo¡ ./4 f ( 7<rrz>-r e-<yz+ztrz ¿.#. Hallar xlerpm (a) v : 60 y (b) y .(' F(r) = _ tf Jr=-. DISTRIBUCION ü x3s¡ dado en el Apéndice E.cAP.= ."^' + zo+"/2 Í"'=-* d./ .\2/ r\ (l + u2¡'¡<'+t>rz . Por tanto tenemos Remplazando F(xl = .t¡ e¡tl c¡¡i dbEibuido norm¡lmenüc con medie certr y varianza uno. Entonca ti z.rr-r"-. -/.-j(* . #.rzrl.lt * T ) eeto puede eocribir¡e d.0(v¡lorre¡l =L24. tn¡r( z\ Ju= -' .64+/199P = 124..@ hast¿ rl/z/r...41.ss+rtrOool-t¡z = |(1. himero fijamor r z b = integramos con reepecto a y de¡de .t' / 2 e. *^ I' = - *l Í": como z('' ."a']au de acuerdo con lo pedido. '\ z / (.6 = f.Elrode donde t6=t = .va J"' {2r2.rf ¡"ffi "-r.u\ . / mayor que 30. podemoe ercribir. DE STUDENT 4.64+rfss¡z =69. página 117..zl ztÍt + <t2 | v>r a")au ( " Susüituyendo F(r) = G.r/2. zo/2)-re-z/21ffi e-uzzr2.o 6 .es+ftool-t)2= +(1.z \f 2nz. oon un alüo grado de aprorimación.tzl(vl7\ Jz=o = .FA = zp I t/Ft x| = *(zo+tffj¡z (o) Si v=50.(z.u [f=. Debido a que Y y independientee ¡u función de den¡id¡d coqjunta er 6l producto de (I ) y (2).er dccir z<v/z)_te_ :|-r+zr/2 para -o 1g 1lo.=o"r. Demostrar el Teorema 4-6.. Para . xlgs = \@.. . (b) Si r=100. er la percentil¡ 10Op de l¡ di¡trlbución nornd tipilicada. 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\ 0.2. z ) La función de di¡tribución de I = Ylt/ffi e¡ F(u) = P(T=r) = P(Y=er/Zfi) = y@2. podemor utiliza¡ el hecho de que ({Tx2 .42.y ¿2 # donde la integral ¡e toma ¡obre la región ( del pleno lz parn l¡ cr¡¡l g ut/ñ..tzt'(vl2\ ).3).100 gados de libertad. dud..

es.01/2 : 0.'. ú es 0.entoncesúl correspondealapercentilagO.025 por simetría.r) a\. t. En el Apéndice B e¡te valoi corresponde a la enhada en la última fila ma¡cada ó).e. (e) el área a la izquierda de ü.9?5 y úr reprecenta la percentila 9?. Por tanto el área de t para el cual el área sombreada a la izquierda es 0. dada por 1 (.. -1)(v'\/2) "-.O5): 0.olumna ¿.75 correcpondienteay:16. Deimostrar el Teorema 4-?.O.0. La función de densidad conjunta de f '' V¡ y V2 etá.01.[. Del Apéndice D hallamoe 2. entonc€s por simetría el área sombreada a la derecha es 0. (c) Si el irea total sin eombrear ee 0.138 DTSTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO ú [cAP.ú. De la t¿bla t ss = 2. La representación gráfica de la distribución (c) el área sombreada a la derecha en la Fig.er5.99.70 correspondiente a v = 27i (c) 1.43.la/2.4 4.5. ODt=r.::l = l"*:" 'u':'" Denotando la densidad como función de u y w por g(u. Por tanto el á¡ea a la izquierda de ú1 es (1 . .05. ú..l4\ -1- f 'pw\"rz'-' ID'-''-"e '"''o'-. sea 0.:"i = l::"'.(b) 1.1 ez(vt+ v2)/2 lQl/21 f (u2/2) <t | + ú2)' ri o. J z t .01 es (e) -2. (b\ 27. El resultado 1.t u(v2/ 2) .e0. 4-19 tt (a) Si el á¡ea sombreada a la derecha es 0. (b) el área total sombreada: 0.99.82.rl).0.25.005.nD\]uJur0.2 g(u. búsqueee en Ia columna y el valor 9. DISTRIBUCION 4.:: ::'.01. tenemoe | 1U) t. t.05. entonced el área sombreada a la derecha es 0. HaJlar los valores de f para los cuales el área de la cola a la derecha de la distribución si el número de grados de libertad es igual a (c) 16. entonces el área a la izquierda de ú¡ es (1 repreeenta la percentila 95.css = 3. (El último e¡ el valor que se obtendría utiüzando la cu¡va normal. losvalores: (o)L.u) = . ¿.44.645 correepondiente a y: 200.gg) = 0. ) 0 y 0 de otra forma.:. De la tabla hallamos t.05. r / Ll+ lvt/v)). Sielá¡eaalaizquierdadeú¡ es0.90. entonces el área total sombreada es (1 .05. .'') (?ñ rr^ o(vz/2) -| "-'. (c) el área total sin sombrea¡: 0.025): 0.90. (d) el área sombreada a la izquierda : 0.05 Refiriéndonos al Apéndice D.01 y el área sombreada a la derech¡ es 0.quedelatablaes igual a 1. Entonceg búequese la c.82.45. a.38.lL=-=_rü=02 L"a/ ar t'2ú | vl1t2' .01. hallamos en la columna te._tr Fig.83 es el valor pedido de t (b) Si el área total ¡ombreada es 0.26 como el valor pedido de ú.) = 6"i. t. 4. vlW v2 . Halla¡ el valor de ú1 para el cual de Student con 9 grados de libertad se muesha : 0.DZ=ü l1U7D Entonces el Jacobiano es i'. Efectúe Ia transformación u 1/ v1 . ) 0. (c) 200. (d) Si el Área sombreada a la izquierda es 0.95 y úr Refrriéndonos a la tabla en el Apéndice D. 4-19.

18)2. rs = 3.r. (b) F . página 118. Pero de Tenemoe (r h(u) / v2\vr/2 4Q 1/'' .cAP. (c) = 10.2\/2)-t e-tt+<v{/v2)t(o/2> z(tt ' u2)/2 t0t/21 l.47.TZ) \ (-" se Utilizando el criterio de la segunda derivada podemos demoetra¡ que realmente trata de un máximo.ee. la función densidad de la di¡tribución F es r[(t. etc. 15.\i = /v' I vr\ ) si u ) 0 y 0 ¡i z¿ 5 0.'r2\ ) = 0 ó trt ry = /.ul F'. (d) F.o..rt) - (¡'r +t2)/2 - .1 = (3.'rrr. er hkt) = ei u (.(vz/2) Jo -tL-!:j!::-:(I5).ss : t?n (b) fl.7L = (2.8 = 3. (b) Del Apéndice F.oc. rr.30.- r1u)-¡(.s.4l si u DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 139 > 0. Utilizando la tabla para la dist¡ibución F en el Apéndice F. 4. ro.t r rz)tz Si tiene un máximo relativo se presentará cuando la derivada sea cero.t . \ : ¡. Verificar que (o) /.so.-'1t'"tvp)-uvr\j-:.i/2)--t (v2:L vru)-(r. (o) DeI Apéndice F. Vemos que 18. r..0 = 4...l= *..257.t e.\/2i-r.io = F_¡ .*r.s..5.50¡2.. /.au d.. 11 .'.¿t. : (4..rr.\rt. donde vt -.L5.n. /. =- 9. = # = 0.. r¿ desde La función de densidad (marginal) de U puede encontraree integrando con recpecto a decir 0 ha¡ta €.2* r. hallamog .+v2't/2r-r = 0 Dividiendo Wt ut|ti2)-2(t2l t¡t)-[("\+t. 4. hallar (¿) F. .\z . donde...ot.o. i \rn) - 2\ / v' \ si v.1-2\/ /\. ir ua 0. A diferencia de una conetante.ob. rr. página 118.80. \.l¡. primera f.. ) 2' de (. 10.78)2. Apéndice A.o5 en el Apéndice F con e¡a¡ en l¡ distribución ú bajo ú. RELACIONES ENTRE LAS DISTRIBUCIONES F.71)2. .\ z /.ut = t'(P) ap Jo da) ) 0 y 0 ei rt É 0. hallamos F.. .r.F' gs. es decir (r.. u..9.rr. Demostrar que la distribución F es unimodal en el valol ¡v' ' La moda localiza e! valor máximo de la función de deneidad. ( " *. ¡2 y ú 4. (c) Por el Teorema 4-8.t)- tyt ('4fa) (.+t.2* .r' / 2(. > 0 y 0 de otra forma. hallamoa \-i.e75.5 L6l = (72.96.. que es el reeultado pedido. ro.1 -. 7. F. = 0.ss : ". (a) Comparar ia¡ entradas en la columna de la tabla F.326.o.46.48.0g (d) Por el Teorema 4-8.

.'.60)2..-¡l r.t./ para u /_u_r. y que P(U 5 .9 " / +1\ -t'* "" t / vv/21l-12v-(. pfuina 116.o) r\ \ '/ ll '=2 | '\ .84)2.. Re¡olviendo. t { l'-'u-r.(4. Entonces por la definición de un valor de percentila.. tenemos P(T=+tlrno¡ = t -Pi .2 -.140 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP.'. 4. Por tanto t-P 2 = Pp<T:. Demostrar el Teorema 4-9.Ft-o) f(u): 0 para ¿ < 0.)" \/ Com¡rarando con (42).*rr.sí generalizar los resultados del Problema 4.rtF. que puede establecerse simplemente como F r-p = t? ott¡ l(4í)./" + r\ \ / l+1) "/ \-(!¡!'/'l tru = } -p En la integral efectf¡e el cambio de variable t=t t/-u: r)r'rl '\ J -'(f+-¡ dt = t-p 2-r 2.l / +z\-r¡ \ '/ ¡=.+tfttur¡ = P(T s +VFt-p) . I ^F.49.5 = (9.-. 98. P(. v2 = v en la funeión de densidad para la distribución F f (ul = . página 118.P(f 0) = = P(T=+\E|-+ donde hemo¡ usado la simetría de la distribución ú.página 11?].92)2.(. \ : {".l.r(l +3!) t r-ru+l)/9 ) O.eer.u/2¿-r/2(y + ul-(r1tr/2 ^/.es el nhmero tal = 7- * t\ "/" .. etc.48.r( .)" .4 (b) Comparar la¡ enhadas en la primera columna de la tabla F.ee en el Apéndice F conegarenladistribución ú bajo ú. P.r¡ n'(. Sea 11 .0 <'T = *t/Ft_o) ú donde ? es una variable aleatoria con distribución de Student con u grados de libertad.4*)___\-. 21. + r\ r( ol -r- .66)2. '\2/'\2/ "11\ "/r\ t -/.1 = (5. 34. Entonces y a. Vemos que 4050 : (63. vemos que el lado izquierdo de la última ecuación es igual a z.'. Por tanto ^\ F.

L . DISTRIBUCIONES DIVERSAS 4. lo cual provee la verificación requerida..7 2. Verificar el Teorema 4-10. Entonces vemos que 6.60 -. Entonces vemos que a r': ó) con etc. La probabiüdad de no obtener un 3 en el primer lanzamiento es 5/6. Sean X. 4. etc. Entonces la probabilidad de no obtener un 3 en lo¡ primeros cuaho lanzamientos es (5/6)(5/6)(5/6X5/6): (5/6)4. Si el coeficiente de correlación p = 0. er el Apéndice F (correspondientes las enhadas bajo x:nn en el Apéndice E. Y variables aleatórias cuya función de densidad conjunta es la distribución normal bidimensional. = @) con = "'13. + * en la distribución F en DISTRIBUCION NORMAL BIDIMENSIONAL 4.ú los valores de = t-+o-. tt tt¡/z. s. 3. )Lo. r por una función solamente en y para todos ser el Inversamente. por definición.50. entonces la función de densidad normal bidimensional (49).'. -.. página 118. y este nfimero se determina finicamente.25 77i6 .Por tanto la probabiüdad de obtener un 3 en el quinto lanzamiento es 1/6. producto de una función solaménte en..CAP.r"?ll--+"-.r'il ) y y puesto que este es un producto de una función solamente r. la probabilidad pedida es Y/r\ \6i \6/ / s c.il = (4 .78 = #.52.r y una función solamente en y.s2 T r. Y son independientes. si X. Análogamente la probabilidad de no obtener un 3 en el segundo lanzamiento ee 5/6. Comparar las entradas en la última fila de la tabla .95 y (b) p : 0. 't7 2.F e. Méüodo 1. y) dada por (49) debe para todos los valoxes de x. 3.. para (a\ p : a1 0. Y son independientes solo si su coeficiente de correlación es cero. que era lo que se querfa demostrar. Ll . = tt-(p/zt ó Fr-p : tl2t'-tptz'. Por tanto ú es estrictamente +\/F. (c) Comparar las entradas en Ia última fila de la tabla F o= en el Apéndice F (correspondientes las entradas bajo ¡.21 . se convierte en l@. etc. lo cual provee la verificación requerida. lotll. Véase Problema 4.99.+.1.GB a ¡'. Y son independientes.'.. Demostrar que X. _ 9.(p/z\\ = l-?.4!¡ 4 2..00 =.¡ es el número üal que P(T=tt. f(x.51. K (r(r . ya que la función de densidad de Ia distribución positiva.94 3. 4..4] DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L4t Pero.¡ !.:\/2= en . en el Apéndice E. y se deduce que X..8t (b) -..02 = #. Esto es posible sólo si p : 6..145... La prueba general del Teorema 4-10 se deduce tomando el límite cuando U2 la prfuina 117. s. Hallar la probabilidad que en lanzamientos sucesivos de un dado honrado resulte un 3 por primera vez en el quinto lanzamiento... página 118.

- f. ó aproximando 0. i) integral. 4 Utilizando la di¡tribución geoméhica. ¿Cuál es la probabilidad de obtener un total de 9 (o) dos lanzamientos de r¡n pa¡ de dados? en veces.ra evaluar la (ü) E(Xz¡ = fo- oOro*r¿-oto¡lg r "b ('/z\r*ttro> e-!:u(t/b)-t = o"o )o \.64.26 (c) P(al menos uno re gradúe) = 1 -P(ninguno se gradúe) :0-92224. (o) t' = E(X) = JO f abrb e-o"o d.q:616. La probabilidad de que un estudia¡rte que ingrese a la universidad se gradúees 0. (b) uno. página 118. DISTRIBUcIoNEs DE rRoBABTLTDAD coN NoMBRE Método 2 (utilizando fótmula).6)4 = 0. etc. 6 = 36 forma¡ en las cuales ambo¡ dadoe pueden caer.08 (D) P(re gradúe uno) = 5Cr(0. pedida er pRopro [cAp.r I ú ).6)r : 9. (a) P(ninguno ee gradúe) = 5Cs(0.63.¡ :6 Gzl vemo¡ que la probabilidad /t\/o\' _ \6/ \6 / página 119.55. Determinar la probabilidad de que de 5 estudiantes (a) ninguno. etc./ du (' = o-r. alf hay 6 . \i)"-". 2¡.tbr donde hemo¡ ütilizado Lr ¡ustitución u f@ ab ('/"\ du /' (r. Verifrcar las expresiones dadas para la (a) media.""tb)-t a-ub I ur/be-! du Jo a_. 1 en el primer dado y 2 en el regundo dado. ó aprorimando 0.4.be-! = o-2/br\t + a) Entonce¡ / o\ ¿u 02 = El(X-u¡21 = E(Xz)-uz = PROBLEMAS DIVERSOS o-".977?6. se gradúe. : atb pa.of ¡(1 + 3) b/ L\ . 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.p(\ t + +)-l ó/J 4. (c) al menos uno.L42 . 4. (D) al menos dos veces en 6 ¿ead¡¿o¡ por (1.oJs u.92. eon p: Ll6..4)0(0.2692. de la distribución Weibull. E¡ta¡ ¡on 1 cn el grimer dado y 1 en el regundo dado. 11. . ó aproximando O. i7't6 4.4)1(0. (b) la variarrza.

\0/ \e/ \s/ ^/l\'/q\' ffitZü 7268s 4. Por tanto la de¡üación tfpica = /56 = 6. Para aplicar : 6.5?.3418 - y e = 0) (áre¡ entre z :{.er)*P(9cincovecer)*P ./ \ó/ * '"'foi ó * '''Gi 72689 1 10240 960 48 61 = 681 440 65f ¿¿T ./r\'/e\a.. .5gr 441 * ss1 441 .6u./ \./ * '"'(. (c) la calificación mínima delL0% más dto de la clase.1.17 z: -1 y z:-4.6 a 6.5 en unidadee tipificadar hoporción pedida: á¡ea entre : : .9): 36.5Bt 441 = 531 441 441 Otro método. (a) Media : np :400(0. ^ /r\u = 'c'(o/ \é/ * '"'(.. eb necesario con¡idcrar los datoe como si fueran continuoe. (a) la di¡tribución normal a datos discetoe. == vnpq H = 0. ^ /r\'/e\'. . L.-. ^ /r\ta. (o) P(9 do¡ veces en seis lanzamientos¡ = 6"'\t/ /q\t-' . un total de 9 ocurte en 4 cqlos¡ (3. (6."'\g/ ' ^/rY/s\u. Por tanto una calificación de 6 puntos ¡e cor¡sidera como 5.2788: . Suponiendo que las calificaciones están distribuidas normalmente.4I DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 143 De estas 86 forma¡ todar igualmente factibles ¡i los dados ¡on honrado¡.56. 5). la distribución está sesgada a la derecha. (4. P(al menoe 9 doa veco) : 1 - P(9 cero vecer) - P(9 una vez) : . 4). Entonces la probabilidad de un total de 9 en un ¡olo lanzamiento de un per dddados esp :4136:1/9 y la probabilidad de no obtener untotaldeg enunsololanzamiento esq=L-p8/9.-"^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.1): 40.5 puntoe. 4-20.17 z: -1 y 277o z: O) 0. Halla¡ los coeficientes de (a) sesgo y (b) curtosis de la distribución en el Problema 4. 4.2. (b) la calificación máxima del L0% más bajc de la clase.a di¡tribución ee s+l---^6:q : 3+ff1-6(0'1X0'9) = nuq 3'01 ligeramente má¡ apuntada que la distribución normal. Véase Fig.5 .6. .7)1L. determinar (c) el porcentaje de estudiantes con 6 puntos. La calificación media fue 6. (D) Varianza : npe: (40OXO. 10 puntos. Las calificaciones de un parcial corto en biología fueron 0.7)1L.17 (5. 3). 4.2:{).1XO. hallar (c) la media y (b) la desviación típica para la distribución de tornillos defectuosos de un total de 400.0676 : O.0 (6. 6).133 coeficienüedecu¡tosis: l. Si la probabilidad de un tornillo defectuoso es 0. dependiendo del número de respuestas conectamente solucionadas de un total de 10.? y la desviación típica fue 1.2 = -'1. ^/r\'/a\'.ó6.2.6.58.6 (área entte 0. (a) (b) Coeficientedeeeego= Puesto que es positivo. (5.5 en unidader tipificadar : 5. es decir podemoselpemr que 40 tornillo¡ esüén defectuosos.cAP.

la probabiüdad de no cuenta en el tiempo t Entonces Po (ú + At) es la probabilidad de no cuenta en el üiempo ú + Aú. 4-2L el la izquierda de z¡ eo LOT. La Fig.4 . rin considerar los términoe que incluyen (Aú)2 y término¡ cuperiores. por simetría : L. Por tanto. Máe precisamente.on O como el origen.17 I'ig.28 (aproximadamente).r2 la calificación mínima pedida zz =L. Si se suponen lar llegadae de lae partícula¡ sucegos independientes. 4-21 (b) Sea r ¡ la calificación máxima pedida ] z¡ !u equivalente en unidadec tipificadas.69 halla¡ la probabilidad de exactamente una cuenta en el tiempo t. Por tanto la probabilidad de no contar en el tiempo At ec 1 .P6(0): c e¡ la probabiüdad de no cuenta¡ en elüiempoGrro. Si (b).28.L14 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP.4-22 o ran si AÍ es pequeño. Un contador Geiger se emplea para contar la llegada de partículas radioactivas.69. exiatirán término¡ adicionalecqueincluyen a (Aú)'y órdene¡ ruperiores.4-20 Fig. tenemoS (r) De (I ) obüenemos (2) Po(ú+a¿) = lú Ps(Ú)[1 -IAú] = -IPo (¿) At+0 lim Po(¿-f a¿) - PoQ\ e¡ decir (. por tanto área.7)lt.60. 4.10. pero no se consideSea P6 (ú) r-----]--l Fig.28y Ír:6. 4-22 repteeenta el eje de tiempo c.I -0. (c) Sea . zt Enüonces zt = (xt . Por tanüo c = I y l¡ probabilidad pedida ee (11 Po(¿) = ¿-^t 4.Z:-t. 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. Refi¡iéndose al Problem^ 4.que lógicamente e¡ 1. At. Halla¡ la probabilidad de que en un tiempo f no se cuenten partículas.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. 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 .6. Entonces (x2 - 6.28.2 ! 22 Eu equivalente en unidades tipificadas.x2:8. = 0. 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.I At. De la Fig.7)17.26 6 aproximando y al entero má¡ cercano.40 : -L. La probabilidad de que se cuente una parüfcula en el tiempo Af ee proport t tatr cion¡l a At y puede eecribir¡e como l. a Area entre zt y O: 0.2 u 8 aproximando al entero má¡ cercano.

Si P(X=2).66. 4 caras en un solo lanzamiento de 6 monedas hallar (o) P(X = 4. Hallar fal¡o. (b\ P(X <21' (c) P(1<x=3). ¿@xtPr) = x que al integrar (6) Pr(t) = \¿¿-rú+c2e-\r Si : t:0. (b ) 1.P.ar una moneda honrada 6 veces aparezcan (o) 0.59 esto convierte en dP. Halla¡ la probabilidad de que al lznz.s supletnenta. Iülla¡ la probabilidad de (o\ 2 o már honradas. caras.67.¡e-rtt esto puede escribirse como d. la probabilidad de acerta¡ correctamente al meno¡ 6 de 10 res¡ruestas en un examen tipo verdadero- . (b) dog vece3' en dos lanzamientos de un par de dados honrados. P1(0) eo la probabilidad de 1 cuenta en el tiempo 0. Problerna.62.rlos DISTRIBUCTON BINOMIAL (BERNOULLI) 4. DeSOOfamilia¡con Shijos. 3). Utilizando e¡to en (6) hallamos Pt (Ú) c2 0. (d) 3' @l a.t * \P. (r) Esto puede escribirse Pl (ú + a¿) = Pr (ú)(1 - r aú) + P0 (¿)r a¿ Pr (¿ + (2) l¿) Lt .I a¿).4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 145 La probabilidad de (i) es P1(ú)(1 . ¿cuántaseeperaríantener(o)3niños. (b ) menos de 4. (c)o2ó3niños? probabilidades iguales para niños y niñas. @l 6 caras. La probabilidad de (ii) es Po(ú)I at. 4. Hallar la probabilidad de obtener un total de 11 (c) una vez.(b)5niñar. . (c) 2. que es cero. Por tanto.61.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).i que es [a distribución de Poisson.I"(t) = XF'o(¿) - IP1 (¿) ge Tomando el lfmite cuando Af -+ 0 y utilizando la expresión para Pe(ú) obtenida en el Problema 4.66. (n 5. tr¿-At (3) dt = ^Pl o d. con un par de dados? ¿Cuál es la probabilidad de obtener un 9 exactamente una vez en 3 lanzamientos 4. Suponer 4.64. u) Multiplicando por (5) e^¿ d. Por tanto (7') = ¡¿¿ .cAP. 4. X denot¡ el número (d) de caras en un solo !¡nzamiento de 4 monedas. sin coruiderar los té¡minos que incluyen (Aú)2 y ruperiores.69.

74.71.96). (D) mayor que 0. Calcular la (o) media. (b) menos que o iguales a 1. su coeficiente de curtosie es 2.6140 pul y desviación tipificada 0. hallar P(X > S).85- 4. lt!aosea .84.78: Hallar los valores sea 0.4O. En un examen la media fue 78 y la desüación típica 10.76.50.9. (c) el área entre de z tales que (a) el área a la derecha de z sea 0. Si X está distribuida normalmente con media 5 y desviación tipificada 2. (b) menos que p .6 y 1. Z está distribuida normalmente con media 0 y varianza 1. (/)ala izquierda de z:-2.69. Hallarz¡ si P(Z-21)= 0.7O.610 y 0. ¿cuántos estudiantes tienen estaturas (o) ¡nayores que 1. (c) menores que 0. haltar (a) P(Z = -1.15 y z *aO.81' 4. (b) por fuera del recorrido ¡t ! 1. ¿Cuál es la cslificación mínima que debe obiener un estudiante para recibir una A ? Si un conjunto de mediciories está distribuido normalmente. La calificación media de un examen final fue 72 y la derviación típica g. (b) Determinar los puntajes de dos estudiantes cuyas calificaciones tipificadas fueron y 1. 4.82.O?30.e z: -1.5 o? 4'83.23 y z sea O.77. (c) Si las estaturas de 300 estudiantes están distribuidas normalmente c\on media 1. EnelProblema4.85V 4.85 m.El m inclusive. llallar el área bajo la curva normal z: 0. (e)correcpondientea-0.55 m.2O y z --2. Si (c) P(lzl > r). (dl al menos I persona esté viva. Demostrar las fórmulas en la página 109 para los coeficienües de seego y curtosis.79.72.64).6 Hallar (o) la media y (b) la desviación tfpica de un examen en el cual los puntajes de ?0 y 88 corresponden a calificaciones tipificadas de -0.80< z< !.96 =_ Z < t. Un agente de una compañía de reguros vende pólizas a 5 personas. (e) el áiea en¡e-z y z 4.r)af(rl para la distribución binomial.900.61? pul. (d) iguales a 0.(b)z=I.0314. (c) solament e 2. -0.56.58.t'c.?0 m? cm.86. 0.2266.L46 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.608 pul.59 y 1. El l}'. 4. Hallar la probabilidad de que en 30 años (o) Ias 5. (c)z:-2.oo ¿ea 22c/a. entre (o) 4.79' 4.t ! 2 o. Demostrar que si una dishibución binomial con n : 100 es siméhica.68.618 pul inclusive. ¿qué porcentaje de las medicione¡ están (o) dentro del recorrido I. Evaluar (o) ) (c - p\3 f (r) v (b) > (r . (a)Determinarlas calificacionestipificadasdedog estudiantes cuyos puntajes fueron 93 y 62 respectivamente.52 y a la derecha de z: 1. ¿qué porcentaje de esas mediciones diferirá de la media por (o ) más de media desviación típica. dondeZestádistribuidanor¡nalmenteconmedia0yvarianzal.4 respectivamente.2 o. (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. (b) desviación típica. (d) correspondientea z>:2. (d) coeficiente de curto¡is para una dishibución binomial en la cualp : 0. 4. todas de edad idéntica y con buena salud. (c) a la derecha d.?O m y desviación típica 10 Si los diámetros de los cojinetes de municiones están normalmente distribuidos con media 0. 4.615 pul. 4. Interpretar los resultados.8{. determinar el porcentaje de los cojinetes de municiones con diámetros (a) entre 0. (c) coeficiente de sesgo.2 respectivamente. 4. (b ) al menos 3.?8.45.5722. (d) igual a 1. z:-I. (d) el áreaentre 1. (ó) el área a la izquierda de z sea -0.23yz:1.0025 pul.? y n : 60.82.4 4.83. (b) a la izquierda de z:0. 4. DISTRIBUCION NORMAL 4.75. 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.b superior de los estudiantes recibirán una calificación A (excelente). (c ) mayor que g 1.!6. (b) P(-1. 4.80' 4. 4. Hallar el área bajo la curva normal (o) a la izquierda de z : -1.gShallarlacon¡tanteatalqueelporcentajedelo¡casos(o)dentrodelrecorrido 7 í'. entre 1.

36 LO"/o de los cuales son defectuosos.93. (c)2.94. 1/2 prob. . (d) 55 o más. Explicar por qué se podría esperar que el teorema üengan la distribución de Cauchy.(c)6. Un talego contiene una bola roja y siete blancas.90. Entonces se coloca la bola en el talego. Generalizar el resultado a n variables.9!. 1/2 -r -t Demostrar el teorema del límite central para las variables independientes 'Yk donde g = | | 1 prob.(f)menosdeS ahogados por año. arí generalizando el Problema 4. 4l DISTRIBUCIONES DTSTRTBUCTONES DE PROBABTLTDAD CON NOMBRE PROPTO PROBABILIDAD PROPIO I47 L47 APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL 1. hallar la probabilidad de que en una muestra de 100 lámparas eléctricas (a) 0. . Se extrae una bola y se obsen'a su color. 4. 4. (b) cada ca¡a una vez.99. (c) menos de. f. Demostrar el teorema del lfmite central para el caso en q rre X ¡. Halla¡ la probabilidad de que 4. Hallar la probabilidad de que un estudiante pueda acertar eorrectamente lasrespuestas a(a)12 o más de 20. Halla¡ la probabilidad de que el resultado sea: (o ) 1 "uno". ( t 3 ). (c) menos de 85 o más de 116 caras. Según Ia National Office of Vital Statistics of the U. .(n5lámparar sean defectuosas. Hallar la probabilidad de que en 200 lanzamientos de una moneda resulten (a) entre 80 y 120 caras inclusive. del límite central no sea válido en el caso que X¡ . son independientes y están distribuidas idénticamente con la distribución de Poisson. Si 3% de las lámparas eléctricas producidas por una compañía son defectuosas.92. . 4. . Se lanza un dado honrado 6 r¡ece¡. DISTRIBUCION DE POISSON 4. Demostra¡ el teorema del límite central para las variables independientes xk = 4. Hallar la probabilidad de obtener más de 25 "sietes" en 100 lanzamientos de un par de dados honradoe.97. Xz.96. Department of Health. Demostrar el resultado (l 7). 4. "heses".(Sugeren- cia: Utiliz. Education and Welfare.91. En el Problema 4. 4.t9. <x< @ 4. 2 "doses" y .ar la función generatriz de momentos).(b)2. (d) 3. (b) entre 1 y 3. o 2lámparas eléctricas sean defectuosas. Una máquina produce tornillos. Utilizando (o) la distribución binomial y (b) la aproximación de Poisson a la distribución binomial.88.2. Demostrar que si respectivostrr X1 ¡l X2 son variables independientes con distribuciones de Poisson con parámetros ytrz.10O. 4. 4.95.cAP. (d) exactamente 100 cara¡. 4.1 t\. Hallar la probabilidad de que en un muestreoaleatorio de 400 tor4illos producidos por estamáquina (a)máximo 30. (c)entre y 46. (b)entre 30y 60.101. (b) menos que 90 caras.(d)8. ( L 1 prob. página I 1 1 . (b) 7. 3 . hallar la probabilidad de que (of rnís de 5.98.(e)entre4y8. página 113. . p pr. el promedio de ahogados en accidentes por año es 3. (e) 4.entoncesXr+X2 tieneunadistribucióndePoissonconparámetro).97. S. f(r) =. enunaciudadcuyapoblaciónesde200000ocurran(a)0. r¡ : L - p. -'. (bl 24 o más de 40 preguntas en un examen tipo verdadero-falso. hallar la probabilidad de que en 8 de tales extracciones se seleccione una bola roja 3 veces.#Tf DISTRIBUCION MULTINOMIAL 4. de loe tornillos sean defectuosos.0 de cada 100 000 personas. TEOREMA DEL LIMITE CENTRAL 4.b. Xz.87.

112.116.4 4. recorrido gemi-intercuartílico es un eustituto de la desviación tfpica? aritmética también tiene esta distribución.102. página 115. hallar la probabili4.120. Determinar el coeficiente de (a) > ll 6/. ó (24\ se para resolver el Problema 4. sesgo y (b) curtosis de una di¡tribución uniforme. Una caja contiene 5 bolas rojas 5l l0 blancas. entoncel su mdia 4. hallar la probabilidad de que (o) 10. hallar P(lX . DISTRIBUCION UNIFORME reduce a (I ).11E. Si se seleccionan 13 cartas aleatoriamente (sin remplazamiento) de una baraja de 62 cartas. Hallar la probabilidad de no obte4er un 1. 4. (b) P(lX-11 = +).107. Si se seleccionan 8 bola¡aleatoriamente (sinremplazamienüo) determinar la probabilidad de que (a) 4 sean rojar.z 114.Hallar(al P(X <1). Y son independientes y ambas eetán distribuidas uniformemente en el intervalo de 0 a 1. tl¡llar(o) P(X= 1).104. página 108. Si X. cuando N ' e.115. (b) P(Xz > r2). ¿Porqué en este caso el 4.113. De 60 aspirantes a una universidad 40 son del oriente. sean del oriente. Verificar que (31 ).con < 2).103. dad de que (a) 6 sean figuras. azules y amarillas en la proporciün 4t 3z 2: L. Hallar la función generatriz de momentos para la di¡tribución uniforme. (b) no más de 2. Una caja contiene una gran cantidad de bolas rojas. 4. Hallar (a) el tercero y (D) el cuarto momento alrededor de la media de una dishibución uniforme. S blrncar. 4.119.122.106. Suponga que X tiene una distribución de Cauchydeacuerdocon(29). 4.Hallat(a) P(X i. Hallar la probabilidad de que de 10 bolasextraída¡: (o) 4 rean rojas.109. página 116.fl DISTRIBUCION DE CAUCHY 4. 4. SiXestádistribuidauniformemente en-2< x=2.110. DISTRIBUCION HIPEBGEOMETRICA 4.106 y e¡tudia¡ la precisión 4.105. Demostrar que si X1 y X2 son independientes y tienen la misma distribución {e Cauchy. 4. (b) ninguna sea figura. Z. normalmente con media 0 y varianza l Demostra¡r que Y: Xt lXz tiene una distribución DISTRIBUCTON GAMMA 4.págin.9: 4. o:2.11?. blancas. (t) P(l = X=2). Demostrar que el recorrido semi-intercua¡tílico para la di¡tribución de Cauchyeeo. Emplear la aproximación binomial (18) obtenida. 2 zzulee y l amarilla. y (b) la función caracterfstica de la di¡tribución gamma .(b)8 sean rojas y 2 amarillas.114.págrna114. es una función de densidad. 4. Si se seleccionan 20 aspirantes aleatoriamente.108. (b) todas sean blancas. 4. Yerificar la (a) función generatriz de momentos dadas por (33 ). Demostrar directamente que (22). 2 ó 3 en cuatro lanzamientoe de un dado honrado. Generaliza¡ el resultado del Problema i.116. 4. 4. Determinar los valore¡ modales de la distribución gamma. Una variablealeatoriaX tiene una distribución gamma conQ:3. (c) al menos una sea roja.148 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cA¡.111. Si Xt y Xz son independientes y distribuidas de Cauchy. 4.121.

(d) 40.95.13E.142.os.05.2gs para r = 150.131.129.eo.donde zo hra una distribución f de Student con 15 grados de libertad.2\' 4.gc. ee la 0.90.g. 4..rz.4l DISTRIBUCION BETA DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO t49 4. (c) el á¡ea a la derecha de xl sea 0.9:2. v ) 2.13?. (ó) y (b) x. es una función de densidad. Hallar los .139. Si una variable Utiene una distribución de Student con ¡.125.01 y ¡.rs.126.valores de grados de libertad I ú para los cuales el á¡ea de la cola derecha de es igual z (a) 4.or.136. grados de libertad DISTRIBUCION x .90yy:25t (b)eláreaalaizquierdade-ü1 sea0.(c)eláreaaladerechadeú1 eea0. (c) 28. : 6.132.136.134. Demostrar que para 1 grado de libertad la distribución ú es una distribución de Cauchy. (b) F. y x! tales que (a) P(U > x?rl = 0'025. los valo-res de x? y x! no son únicos' 4.2.(b)eláreaalaizquierdadetlsea0.140. (c) P(x?< U < x2z) = 0. \b\ Yar (7zl -.98. Demostrar que para grandes valores de 4. hallar x2. área combinada a la derecha de ú1 y a la izquierda de -f1 4. Halla¡ los valores de ¡2 para los cualec el área de la cola derecha de la dietribución x2 de grados de übertad z ec igual a (o) 8.12?. 4..9¡' P(U>c)= 4. 250.rales a la derecha de xB y a la izquierda de x!.' dada Por r * . Q) F. (D) P(-a= U 3 c) :0.141. (e ) 150. v: -f1 sea 0.cAP. Hallar (a) es la x.01. si el r.ss.10'(d)el sea 0. = t2ul(v1* ./(. / una buena aprorimación para percentila (100p) de la distribución normal tipificada. Hallar el valor de: (a) F. hallarlaconstantec talque (a\ 0. f f.i) 4.oo. 4. Demostrar que (a) E(xz) = DISTRIBUCION ú DE STUDENT 4. pígirn 117. lJnavariablealeatoriaXtieneunadistribuciónbet¿cono:3. (c ) 25.páSrrra 115.02'5yv=20'(c)eláxea 16.05. + p .ss.or'so'lr-. Si la variable U tiene distribución chi-puadrado P(u < x?) : 0. Demostrar que la va¡ianza de la distribución t de Student con t.01. (b) 19.99. si el número de 4. hallar el valor ie . (b) Demostrar que si la suposición de áreae iguales en la parte (o ) no se cumple. Hallar los valores de úr para la distribución de Student que satisface cada una de'las condiciones siguientes: combinada a la derecha de ú¡ y a la izquierda de (a)eláreaentre-ú1 yút seaO. (c) P(U = cl = 0'20.ol/l'.:10.130.zoi (.133. Verificar que la integral desde u lsugerencía: Hágase a : 0 hasta e v2u).727 si el área de la cola derecha es 0. Hallar 4.50. (b) el área a la izquierda de xi sea 0.rzo.123. Halla¡ (o) 4. 4.20 91tt: 1i Y_4_.025.124. (d ) 60. (o) llaltar x! y x? tales que el área bajo la distribución x2 correspondiente a v -. (d) el área a la derecha de ú1 sea 0. Demostrar que la distribución beta tiene una moda l¡nica en DISTRIBUCION CHI-CUADBADO r: (a - l)/(a P(lX-+l = +). (c) F. - 2).55 ! 4.01. (b) 12.ti ti¡l gue (o) el área a derecha de ¡l sea 0. ¡2o egtá x?ozs y (b) xizs para'r = 4.01.128.95.05.z¿i (d) F.¡. (d) P(U 2 c) = Q. v. Resolver el Problemz 4.¡' 4. 4. la distribución ú es 0.1 de la función de densidad (45'¡. (e) el área entre -f1 f f1 sea 0. Para una distribución chi-cuadrado con 12 grados de libertad.rúmero e. hallar el valor de ú¡tal que (a) el área a Ia derechadeú1 seaO.%t con y :7. Verificrü que (34).? 9:?^5: suponiendo ireae'ig. er igual a 1.

página 114. 4. y varianza 1. Demosha¡ el teorema del límite central para el caso donde Xt. Demostrarque k=l ) X* tiene distribución de Pascal 118). c. Y mnjuntamente tienen la distribución bidimensional (19).. prfuina 118.149.. página LL8. 4.0. .X. ¿tiene X2 una distribución chi-cuadrado con 1 X1. .144. Si Xr. Hallar la función generatriz de momentos de la di¡tribución hipergeométrica.n. (Sugerencia: Ilaga la transformación u : 1/u).Porevaluacióndelasseries dos del Problema (") 4.157.0r. Demostrar que cuando v "> @ la distribución f de Student tiende a la distribución normal tipificada..prgradoe X¡ + . ¿Puede deducirse la ley de los grandes números en forma débil del teorema del límite central? JuEtificar su solución.. página I44.. .162. (a > o' o . b. + Xn.1 o2 ..r.37 demost¡ando que si buidas normalmente con media 0 grados de 4.6O.e8)2ez \3 /' y dar una interpretación de probabiüdad. Xz.c<ts -.X. 4.. É^ ¡=o .15E.o2)a(0. 4. mente con varianzas h aon 4.7ffi1. 4. ento'nces ) Xf ti"tt" 51.. k=l son variablee aleatoria¡ independiente¡ disürluna distribución chi-cuadrado con y libertad. son independientes pero no necesaria.I Y T' 4. libertad respectivamente. mente tienen una distribución idéntica.^h.161. Demostrar los resultados (20) y (23). Completar la demostración de la ecuación (8) del Problema 4.pfuinal77. .156. Verificar que estas constantes son l¿¡s dadas en (19).. (ó) io ".16O.' o) 4. Si X. DISTBIBUCION NORMAL BIDIMENSIONAL 4.A) = ke-(!¡z+2bra+"v'l donde a. Demostrar el Teorema 4-5.146. RELACIONES ENTRE LAS DISTRIBUCIONES CHI-CUADRADO.. Y tienen la función de densidad conjunta f(r..143. (véase página cada unacondistribucióngeométrica. rj +n'r l¡ = ¡'oof 4..145...8. Demostrar el Teorema 4-10.159..147. Demostrar el resultado (46).154. hallar la función de distribución de lonva¡iablesaleatoúasindependientescon di¡tribuciónchi-cuadradoypr. PROBLEMAS DIVERSOS 4.150 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. de 4.. 4. constantes y b2 < ¿c.0. página 118. demostrar que e8t6n distribuidas marginal- "? y oi respectivamente.4 4. Sean las variables independientes n X¡. 4.150.36. k=1.155. Demostrar que 2u (. ..14E. 4.. Demostrar el Teorema 4-8.. Si X está distribuida normalmente con media g y variznza grado de libertad? Véase Problema 4.153. Halia¡ el valor aproximado de (t3o). página 116. demostrardirectamentelosresulta- 4.r. Suponer que X..e8¡zsa \z /' * (tlu)to. 4. Generalizar el Problema 4. .

Determinar (a ) la conetante c. La probabilidad de que una molécula de un ideal terga una velocidad enhe u y u I du está dada por cuze-mv2lzkT du donde k e¡! la consúon te de Boltzmann y T es la üemperatura Kelvin del gas.cAP.162.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 4. (b) v = 2. (c) la velocidad más probable. Comparar sus resultados con l¡ entrada 5. (c) v1* 4. Estudiar qué le sucede a la media ¡i (o) r = . Estudiar qué le sucede a la varianza de l¿ distribución t 4.163. (b ) la velocidad media.F' f.esdecirlarafzcuadradade la velocidad media al cuadrado).164. página 119. . (d) la velocidad efectiva(rme. y varianza de la distribución gas para loc casos (o) (b\ v2= 4.

.

Farte tl ESTADIST¡CA .

.

Capítulo 5 Teorío de muestreo POBLACION Y MUESTRAS. EJEMPLO 5. 1 . en tanto que los 120 tornillos escogidos constituyen la muesha. En forma semejante el número en la muestra se llama el tamóño de la muestr. Tercero. comítnmente denotado por N. generalmente finito. Desearíamos extraer conch¡siones respecto al porcentaje de tornillo¡ defectuosos producidosen una fábrica durante una semana de 6 dfas examinando 20 tornillog diariamente producidos en tiempos diferentes du¡anté el día. En el primer caso un objeto determinado puede seleccionarse una y otra vez. loa primeros 60 lanzamientos de la moneda y notar los porcentqiea de caras y sellos. la población puede ser finita o infinita. EJEMPLO 5.Nesinfinito. un proceso conocido como inferencia estodística. INFERENCIA ESTADISTICA Con frecuencia en la pÉctica estamos interesados en extraer conclusiones válidas respecto a un grupo grande de individuos u objetos. n = 100 mientras que enelEjemplo S. En el Ejemplo 5. 155 .s y no los individuos u objetos.4. la palabra poblacíón se utiliza para denota¡ la. zamiento. Desearíamos extraer conclusiones reapecto a los colores de 200 bolas (la población) en una urna seleccionando una muestra de 20 bolas de la urna. En cambio de examinar un grupo entero. Esto se hace con el propósito de inferir cieitos hechos respecto de la población de los resultados hallados en la muestra. El muesbeo donde cada miembro de una población puede seleccionarre más de una vez se llama muestreo con rempla.1 podemos hablar de la población de 12 000 estaturas (o pesos) en tanto que en el Ejemplo 5. Primero. por ejemplo.S.4 podemos hablar de Ia población de todos los 200 colores en la urna (algunos de los cuales pueden ser iguales). mientras que si cada miembro no puede seleccionarse más de una vezwllamamuestreo sin remplazamiento. como en "la población de determinada ciudad es de 180 000". tenemos la alternativa de colocarlo o no en la uma antes de una segunda extracción. mienhgs que en el segundo caso solamente puede seleccionarse una vez. En este caso los tornillos producidos durante la ¡emana conforman la población. que se llarna la muestra. denotada pot n. llamado la población. EJ EMPLO 5. Desearfamos ertraer conclusiones respecto a la honradez de una moneda deüerminada al lanzarla repetidamente. Deben nota¡se varias cosas.1.Y SIN REMPLAZAMIENT\O Si extraemos un objeto de una urna. 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. Así en el Ejemplo 5.lo cual puede resultar difícil o imposible. puede llegarse a la idea de examinar solamente una parte pequeña de esta población. MUESTREO CON. el número se llama el tamaño de Ia población.s observaciones o medida. donde cada bola seleccionada se regresa luego de observar su color.n: 60. La población consiste en iodos lc lanzamientos poeibles de l¿ moneda.2. N : L2 000. EJEMPLO 5. Se podría obtener una muestra al examinar. Segundo.c. la palabra población no tiene necesariamente el mismo significado como en el lenguaje común. El-proceso de obtener muestras se llama muestreo.3.

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

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

estn lim P(Z -z z) = -= f = J 1 vzr -* "-uztz ¿r. página 112.5. . 2 entonces la media muestral .r es F*. que se llama la distribución muestral para h media de la muestm o la distribución muestrcl de medias. (s) El Teorema 5-5 es una consecuencia del teorema del límite central. oft = .158 TEORIA DE MUESTREO Jrf ll |"'Fi.á dada por E[(X-ti'l: "l = ¿ n donde o2 es la va¡ianza de la población.(¡¿ -n\ -f / en tanto eue ¡r* aún se da por (4). 5 (3) EJEMPLO 5.ux. Teorema (5) 5-3: Si la población es de tamaño N. está dada por E(X) = donde ¡. 1. Nótese que (6) se reduce a (5) cuando N . Teorema 5'1: La media de la disbibución muestral de medias. 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. Los teoremas siguientes son importantes en este sentido. Entonces es natuml buscar la distribución de probabilidad del estadístico muestral X. dada por Z: es x-r "/\n es (7) normal reintóticamente.-. Se supone aquí que la población es infinita o que el muestreo es con rernplazamiento. 9.. De otra forma Io anterior es conecto si remplazamos o/l/-n en (7\ por o* como se da en (6).6. Teorema (6) 5-4: p y vaianza o2 entonces la media muestral p y vananza é/n. denotada por . denotada por oi. la media de la población. si el muestreo es sin remplazamiento. est. = 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.¡ n lcAP. entonces la varianza de la distribución muestral de medias. Si la población de la cual se toman muestras está distribuida normalmente con media está normalmente dishibuida con media Teorema 5'5: Si la población de la cual se toman las muestras tiene una distribución de probabilidad con media p y vatianza o2 que no necesa¡iamente tiene una distribución normal. Entonces la variable tipificada asociada con X. y si el tamaño de la muestra es n S N. entonces (5) se remplaza por o2/N . = t' es la media de la (l) población. Si una muestra de tamaño 5 resulta en los valores muestrales 7.

denotadas por Xr. Por ejemplo. Esto resulta en una distribución muestral para 51 cuya media y desviación típica denotamos por Fs. DISTRIBUCION MUESTRAL DE DIFERENCIAS Y SI'MAS n'la media y la Se nos dan dos poblaciones.Este resultado también es válido para poblaciones finitas si el muestreo remplazamiento. como se ve del Teorema 5-5.cAP. o = \/le. (10) dado que las muestras escogidas en ninguna forma dEpendan enbe sí. Para grandes valores de n(n > 30) la distribución muestral está muy próxima a una distribución normal. la población puede ser los posibles lanzamientos de una moneda honrada. . La variable tipificada Z= (Xr- Xr) 'rl tm* ^* - (r. 30). = *4. os. la segunda ecuación en (9) se remplaza por o¡ corDo se da por (6) con o = {-pq.t¿*1-x2 : F*. si p y q: 1 -p son las probabilidades respectivas de que un miembro dado exhiba o no exhiba una propiedad determinada. las variables aleatorias Sr V Sz son independientes). St . y n2 son grandes (nr.tr. en el que la probabilidad del suceso "cara" es p : Ll2.Sr. Si por ejemplo Sr y Sz son las medias muestrales de dos poblaciones. En forma semejante por cada muesha de tamaño n. - pr) (12) en tal caso tiene casi una distribución normal si n.. . . Para poblaciones finitas en las que el muestreo es sin remplazamiento. Y os. Resultados = semejantes pueden obtenerse para poblaciones finitas en las que el muestreo es sin remplazamiento empleando (4) v (6). es decir las muestras son independienües (en obas palabras. r€sp€ctivamente. Tomando las posibles combinaciones de estas muestras de las dos poblaciones podqmos obtener una distribución {e las diferencias. entonces la distribución muestral de la diferencia de las medias está dada para poblaciones infinitas con media y desviación típica lt¡ o t y ltz. = 1/Q¡ "t". r€sp€ctivamente. 5l or.-s. que se llama la distribución muestml de la diferencia de estadísticos. Entonces obtenemos qnad.-sr. Nótese que las ecuaciones (9) se obtienen mucho más fácilmente al dividir por desviación típica (np y {npq ) de la distribución binomial. exftaída de la segunda población computamos un estadístico 52 cuya media y desviación típica son ¡.-s.o*. extraída de la primera población computemos un estadístico 51.5l TEORIA DE MUESTREO 1ó9 DISTRIBUCION MUESTRAL DE PROPORCIONES Si ura población es infinita y distribuida binomialmente.P*.istribución muestrul de proporcdones cuya media pp y desviación típica op están dadas por Pp:P que pueden obtenerse de (4) oP= p(r n - p) (e) y (5) al colocar p = F. (11) es con utilizando (4) V (5). 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. Xz respectivamente.P2t ox.ltsr-ttrs. P1 . J¡ o". La media y la desviación típica de esta distribución mueshal denotada respectivamente Pof ps. En el caso de la moneda P sería la proporción de caras que resulten en n lanzamientos. n. oz respectivamente por . están dadas por Psl-Sz. Por cada muestra de tamaño n.

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

resulta ir¡ ande o e un bien complicada. se Debido al Teorema 5-6 la variable en (20\ ción de este teorema véase Problema 5. podemos considera¡ él estadísü próxima a 1 indicaría una pequeña pequeña indicaría una gr¿rn áiierencia mientras que una relación diferencia. Si. - 1. 5l TEORIA DEMUESTREO 161 DISTRIBUCION MUESTRAI.1 grados de libertad. UtilizAndo la misma idea po es más buci ¿" diferencias de varianzas. pagjna 117.24. 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. Una posibilidad es estimar la varianzá poblacional utilizando una o más varianzas muestrales y luego colocar la corespondiente^ desviación típica en (21). que ? tiene una distribución de Student con n Teorema demuestra en el Problema 5. Establecemos esto en el teorema siguiente. 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. denota con frecuetlcia por ¡2. En (2I ) hemos supuesto lógicamente que se conoce la varianza poblacional o2 . 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. 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.22.i2 o2 (20) o- La distribución de esta variable aleatoria se describe en el'teorema siguiente. en muesa la particular diferencias de medias. .cAP. 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 . 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 tanto que es normal asintóticamente si la población no es normal dado que n >: 30. En cambio.grados'de libertad. Sin embargo.Si. S/\n X-t' slltn'- (22) r ü Podemos entonces demostra¡ utilizando el Teorema 4-6. Para una demostra- CASO DONDE LA VARIANZA POBLACIONAL SE DESCONOCE En los Teoremas 5-4 y 5-5 hallamos que.la variable tipificada Z= X-¡t "/yñ. 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. Es natural preguntar qué sucedería si no conocemos la varianza poblacional. En cambio de hallar la distribución muestral de S' ó S' es conveniente hallar la distribución muestral de la variable aleatoria relacionada nS! .

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

5 y 60.5. conjuntamente con los dados. El ancho del intervalo de clase 7-ésimo.l . Por esta razón es útil organízar o agrupar los dofos. Si en la Tabla 5-2 registramos la frecuencia relativa o porcentual en cambio del número de . Es interesante observar que Ia gráfica parece indicar que la muestra se extrajo de una población de alturas normalmente distribuida. Puesto que 5 estudiantes tienen estáturas casoc:62. La ordenación resultante. denominada la frecuencia de clase. Io que se llama uninterualo de clase. 5l TEORIA DE iúUESTREO 163 definiciones son análogas a esas dadas para poblaciones en el Capítulo 3.5-59. Distribuciones muestrales para estos estadísticos.-r-l correspondientes a esta clase Ia correspondiente frecuencia de clase es 5.5-62. que puede tomarse como representativo de la clase.Por e¡emplo. EI siguiente intervalo de clase sería entonces 62. puecen enct-¡ntrarse con frecuencia. Tabla 5-2 ESTATURAS DE 1OO ESTUDIANTES DE LA UNIVERSIDAD XYZ o H o 10 (pulgadas) fir) Estatnra i Número -f.5 se conocen como límites reqles de clsse. inciicadas por 6G-62. se conoce como d¿süribución de frecuencia o tablade frecuencia. 5-1 ercepto que el eje vertical es frecuencia relativa en cambio de frecuencia.'RECUENCTA Si una muestra (o una población) es grande. es difícil observar las diferentes características o computal estadísticos tales como la media. Algunos de estos.5 pulgadas.5. o al menos sus medias y desviaciones típicas (errores típicos).5 y 62. el resultado sería una distribucíón de frecuenciarelatiua oporcentual. EI punto medio del intervalo de clase. En el intervalo de clase 59.5 los números 59.. se llama marca de clase. 60-62 es 61. Ya que una estatura registrada tromo 60 pulgadas realmente está entre 59.5:3. En la tabla anterior la marca de clase correspondiente al intervalo de clase Una representación gráfica para Ia distribución de frecuencia puede suministrarse por un hístograma. es Ia diferencia entre el límite real superior e inferior. 5-1. Orden3mos los datos en clases o categortbs y determinamos el número de individuos que pertenecen a cada clase. La suma de ias áreas es 1 ó l-00'. . o por un polígono de frecuencios uniendo los puntos medios de los techos del histograma. etc.5-62.5 y 62.) de tro estudiantes É tr-r (::i t'.5 pulgadas mientras que unaregistrada como 62 pulgadas realmente está entre 61. consiste de estaturas desde 60 hasta 62 pulgadas.:) riri {l¡ ¡ lii 12 o ilr -71 27 8 . se ¡nuestqan en la tabla anterior. Como ilustración suponga que una muestra consiste de las estaturas de 100 estudiantes de la univelsidad XYZ. DISTRIBUCIONES DE F.cAP. En este La primera clase o categoría. desviación típica. podríamos haber registrado el intervaIo de clase como 59. etc. DISTRIBUCIONES DE FRECUENCIA RELATIVA Y OJIVAS estudiantes err cada clase. Tabla 5-2.5--65. por ejemplo. El histograma correspondiente es entonces semejante al de la Fig. como se muestra sombreado en la Fig. denotado por c¡r que comúnmente es el mismo para todas las clases (en cuyo caso se denota por c). la frecuencia relativa o porcentual correspondiente a la clase 63-56 es 18/100 ó 18'i.'J ir z 61 64 6t- l0 ?3 76 (pulgadas) Estatura (p [:ig.

números iguales d media está dada por xt. = I/ Tabla 5-3 Frecuencia de clase Marca de clase . fr I /:* "'-l. l3 . 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. Lasfórmulas (27) (28) . Se conocen como métodos claves y emplean la r a un entero correspondiente u dada por 'r"- = a+cu au (26\ donde claves para la media y Ia varianza están dadas por c es una marca de clase escogida ¿Lrbitrariamente que corresponde : 0.3u. Ya que las frecuencias relativas pueden considerarse como probabilidades empíricas (véase página 6). podemos considerar a las distribuciones de frecuencia relativa como distribuciones de probabilidad empírica. La frecuencia total es n.L64 TEORIA DE MUESTREO lcAP. En el Capítulo 2 vimos que podíamos asociar con cada distribución de probabilidad f(r) una funi'ión de distribución definida por F(r) : P(X:1 r) y también podíamos representar graficamente esta función. cuyas representaciones gráficas asociadas se conocen como ojiuas u ojiuas porcentuales respectivamente.. o distribución de frecuencia relatiua acumulada. P<. pagina 76.r¡ TOTAI. (2Ir) Análogamente la varianza está dada por (25) IL Nótese Ia analogía de (24) y (25) con los resultados (2). y (13). es decir ¡¡ . fz números iguales a xr. 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..r _ 1 lt-_+-[291:-'' _l/1.1 n. Véase Problema 5.¡r analogía podemos asocia¡ con cualquier distribución de frecuencia una distribución de frecuencia acumulada.5 Podemos c<¡nsiderar una distribución de frecuencia relativa como una distribución de probabilidad en la que las probabilidades se remplazan por frecuencias relativas.l : . fk Puesto que hay f.. COMPUTO DE LA MEDIA. corresponde a probabilidades empíricas. pagina 78. s tll f¡ números iguales ? rp..fl lt f.

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

de la distribución muestral de medias x es 6. de tamaño dos que pueden extraerse sin remplazamiento (esto significa que se extraerá un número y después otro número diferente del primero) de la población.5 6. Para una demostración general véase Problema 5.29.0 otr 3. 3) (2. 11) La selección (2.8) Las correspondientes medias muestrales son 2. 3) (3..8.11) (6.11) (1r. que es el valor obtenido anteriormente. (3. _Í ) . El resultado final es .6. Para una demostración general véase Problema 5.6) (6. + (9. (2.11) (3.2t (3."\. sumando los 25 números así obtenidos y dividiendo por 25. 7.0 (2.!lr_115.-.2.?.5 5.puestoqueel segundo miembro es 10. 7.0 6.1.40 de modo que o. de acuerdo con el valor anterior.8).0)2 = 4.. de la distribución muestral de medias se obtiene restando el valor de la media 6 de c¿da número de (1 ).2)."2*= o2/r. se considera la misma que (8.47.0 y la media de la distribución muestral de medias ..* 2. ¡'.3). l'I1!11-q9-"'-lgl-99'":'I9't3ls 25 comprobándose que ) 150 tt - o'' t{' -.3) 111..8.8/2 = 5. or". ¡r: 6 y o2 :10.r' = 16.05. éstas son (2. 8).0 + 7.0 poniendo de manifiesto el hecho de que tÍ - (d) La varianza.6.2\ Esto pone de manifiestrque '' .0r 6.5+ 5. 6) (8. Para una demostración general de este resultado véase hoblema I .8) (8.5 + 9.8) (6.5. (8. y la media de la distribución muestral de medias es 9. (d) I'a varianza o{. 4 135 : -.0.0 es 8.0 7.to oue el sesundo miembro ^^ .5.4.2.5 . Las correspondientes medias muestrales son 2. ll ).0 O. (3.5. 5.0 -('25-10 - c.6) (tt.0 5.0).1-¡ .5.5.f.5 7.2) 12. 11). (3.5 ¿" (l 8.5 = 6. 5.8) (11.b - 6.5 7.U t< (.0 4.2) (11. ) "l .5 1 4. + l:1.5 (c) Hay 5(5) : 25 muest¡as de tamaño dos que pueden extraerse con remplazamiento (puesto que cualquiera de los cinco números de la primera extracción puede asociarse con cualquiera de los cinco nfrmeros de la segunda extracción).0 -i. elevando al cuadrado cada diferencia.3) (6. 6. nuesto que segundo -:^-L-^ "" (. (c) Hay iC-.40.0.166 TEORIA DE MUESTREO lcAP. 2) (8.5 + 4.5 I.2) (6.05 Y ox r. 8.8) \3.0 9.0 5..11) 4. (o) y (ó) como en el Problema 5. rj).0 8. 10'8/5 .5 + 10 /r.1¡ muestras (2. 7.6) \2. 8). 11). 5.. por ejemplo. Estas so r (2.1 para el caso de muestreo sin remplazamiento. 3) (rl. (6. (2. 4.0¡:: -f -' .D 6.6).11) (8.5 11.* . 6) (3.0 : itO + 6. Lo mismo que en el Problema 5. 4.01.40 = 2'32 Esto pone de manifiesto el hecho de que para poblaciones finitas en las que se efectúa muestreo con remplazamiento (o poblaciones infinitas).0.r ) 4. 5.o2/ N .O. (6.3).5 9. o: 3.\ N _irl.

cAP.0)/0.0)/0. la media y desviación típica esperadas serán muy próximas a las de la distribución teórica. Quinientos onzas.8 y 68.6687 Entonces el número de muestras esperado es (80)(0.25 -1 que es ligeramente menor que 0.3 cabría esperar una media (o) entre 66.4 pulgadas . Fig. 5-3 5. Si se toman 80 muestras de 25 estudiantes cada una.304 o cero.4 pulgadas? ¿En cuántas muestras del Problema 5. por tanto. Así se tiene.6682) ó 59.6 : -2.6 : -2.6 (68. (b) menor de 66. (b) de más de 510 Pa¡a La distribución muestral de medias ox- o yn !* = p = N-n N-1 5.6 (o) 66.6 pulgadas.4772 + 0. habría mucha aproximación entre las dos disbibuciones muestrales. 5.5 Proporción de muestras con medias entre 66.5\ :(áreaentree:-2yz:O) * (área entre z : O y z : 0.68. : (área bajo la curva normal entre z : -2.3. (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.0 pulgadas y Yox=- ox = o=3 \/n {zs = 0. Supóngase que las estaturas de 3000 estudiantes de una universidad se distribuyen normalmente con media 68.67 0.3 en unidades tipificadas : : (66.6 pulgadas y puede.3 pulg.5l TEORIA DE MUESTREO r67 5. (b) 66. De aquí que con 80 no se obtenga realmente una distribución muestral de medias.0038 -2 A7 Entonces el nhmero de mueshas esperado es : (80)(0.8 en unidades tipificadas 68.0)/0. para todo propósito práctico. considerarse la misma que en el muestreo con remplazamiento. ¿cuál será la media y'la desviación típica esperada de la distribución muestral de medias resultante si el muestreo se hizo (o) con remplazamiento. = tL = 68.4 en unidades tipificadas: (66.0pulgadas o vn N-n _3 N-1 \/% . pulgadas.(área entre z : 0.5.5 - 0.02 ? . Hallar la probabilidad de que una muestra af azar de 100 cojinetes elegidos entre este grupo tenga un peso total (c) comprendido entre 496 y 500 onzas.67) : : (área a la izquierda de z : 0) y z : O) . puesto que el número de muestras es grande. 0. sino solamente una distribución muestral experimenú¿1.0 y z : O. cabría esperar que la distribución muestral experimental de medias se distribuya aproximadamente normal con media 68.8 y 68. Por ello.67 Proporción de muestras con medias menores de 66.0 : 0. \a) p*.0 pulgadas y desviación típica 0.1915 : 0.0 pulgadas.4962 : -2.5) : O.3 .0 pulgadas y dewiación típica 3. Así. Sin embargo.4.3 La media X de una muestra en unidades tipificadas viene dada por Z X-p* aX X-68.(área a la izquierda de z : -2.02 onzas.0098): 0.6 pulgadas 3000 3000 (b) p* = p - 68.0 0.30 500 /ioo 500-1 - 100 0.68. que son muchas más de 80.8 . pues.02 onzas y una desviación típica de 0.30 onzas.4 - 68. cojinetes de bolas tienen un peso medio de 5.

48(i8 .216-1 (área entre z : : 222 -074 Fie. Tenemos ..O27 : -2. Hallar la probabilidad de que en 120lanzanientos de una moneda el número de ca¡as (o) esté comprendido entre el 40% y el60%. son ina"p"nl'i"nt".7 4 : -2. se pide Ia probabilidad de que el número de caras se encuentre entre 47. X. 6 72.4985: 0.7.5 .168 (o TEORIA DE MUESTREO lcAP. F'ie.ttr rr"rr"n Var uuri^X. Se 1-2O.ruo2.O27 : 2.22 y z : O\ . 3-7 " x.96 5.5 y 72.) - .02)lO.5. página 158. En esta población la probabilidad de cara es p : I12 y la probabilidad de sello es C :1P : l12.10 en unidades tipificadas: (5.+"'") =...96) :0.10 .96 ) El peso total se éncontra¡á entre 496 y 500 onzas si la media de los 100 cojinetes y 5. (b) sea 5/8 o más del número de lanzamientos. Demostrar el Teorema 5-1.5 se encuentra entre 4. Puesto que el número de caras es una variable discreta.0. (a) ' pide ra probabilidad de que el número de caras en los 12Q lanzamientos se encuentre ent¡e 4O(/o de 6 48.0.7 4 y z : O) = 0..7 4) (áre^ entte z : -2. 5. página 158.22 : --0. Demostrar el Teorema 5-2.10 onzas. solamente se darán 3 casos cada 2000 de obtener una muestra de 100 cojinetes con un peso total superior a 510 onzas. . Se consideran los 120 lanzamientos de la moneda como una muestra da la población infinita de todos los posibles lanzamientos de la moneda.8.00 en unidades Probabilidad pedida tipificadas : (5... la cual tiene media ¡1.5-5 5.pues. Puesto que X1.22 y z : -0.(área entre z : -4.+-\1L tenemos como se requiere l E(X) = ]lEtX.00 - 5.+ "' + -' Entonces puesto que X¡.6.O2\10. DISTRIBUCION MUESTRAL DE PROPORCIONES 5. son variables aleatorias que tienen la misma distribución que la población.(área entre z : O y z = 2.96\ (área a la derecha de z:0) .02)lO.5-4 (ó) El peso total excederá de 510 onzas si el peso medio de los 100 cpjinetes sobrepasa las 5.027 5. '1-.00 onzas. mediante la aproxlmación normal a la binomial. (x1) r rI (x.E6)) = L(rr\ = t! 6. tenemos por los Teoremas 3-5 y Var (X) -f vu..(.5. X2.t - ..96 en unidades tipificadas: (4.2704 : 0.0015 : (área a la derecha de z Así. tenemos l¿-12 E(X¡) = * Entonces ya que la media muestral se define como -Y='' x.96 Probabilidad pedida : 2. 4. y 6Ol/" de l2O. Se procede como en el Capítulo 4.

4960 : 0.971.idad pedida = 2.detamaño 120 cada una.4887 ) : O.28y2:2. que 0'00417 0.60+0.50 0.0041?-0.28) 2(O.0041 7.5 5.28 : : : Otro método.(áreaentre z : 0 y z : 2.00417) corresponden a las proporciones 47.86 : (área bajo la curya normal a la derecha de z : 2.0040 -_ 0'6250 5.74% de ellas con porcentaje de ca¡as entte AOVI y el . (b) 518 o más de sus lanzamientos resulten cara? Este problema está estrechamente ligado al Problema 5.48 .np = rzo(!) = oo o= 47 \/"pq 47.fn ficadas son. puesto que L1240: 0.0456 40Vo enunidades tipificadas 60o1c -2.0'60 = 2. - 0.28 _ y 0.00417) y (0. ¿En cuántos individuos cabe esperar que (o) el númoro de caras se encuentre entre eI 40% y el 60% desuslanzamientos. (área bajo la curva normal entrez=-2.8.I9 en unidades tipificadx: ffip z sí la probabilidad pedida es el área bajo la curva normal entre 0. Adviértase que (0.6250.s los posiblea l¿nzamientos de una moneda.40 72.19 : 2(0.60 5.28) 2(área errtre z : O y z : 2.977 4 ttp=P:i=o.50 = _2. Cada persona de un grupo de 500 lanza una moneda 120 veces.40 y se Buma . = .48 Probai¡ .65) : 0.5/120 y (b) Empleando el segundo método de (o) se tiene. puesto que 5/8: - 0. las proporciones pedidas en unidades tip! 0.9.0456 = 2. de 0.40 0. 5l TEORIA DE MUESTREO ¡r: núrnero de ca¡ae esperado .uo ".1.117 l1 a 0. = 2.5 en unidades tipificadas = 72.00417) en unidades tipificadas Probabilidad pedida .=1p= ^FY = 120 = 0.0r56 - 0. no concuerda exactamente.6250 - 0.28 que concuerda con lo obtenido por el primer método.4857) : Aunquees:cresultadotiene dos cifras significativas. puesto que no se ha utilizado el hecho de que la proporción es realmente una r¡ariable discreta.0456 (0.I9 : -2.0.51720 del primer método. i:abe esperar el encontrar un97. de la población infinita de todo. Así pues.60 + 0.00.t9 yz : 2. (o) En el apartado (o) del Problema 5. Aquí se consideran S00muestras.8 se ha obtenido que todas las posibles muestras de 120 lanZamientos de una moneda.5 .cAP. 0.5 . Teniendo esto en cuenta se resta 11 Z" = Al¡.60.65\ : (área a la derecha de z : 0) .5 en unidades tipificadas = - 60 72.

. Los resultados de una elección demostraron que un cierto candidato obtuvo el 46% de los votos.5025 en unidades tipificadas : (0. Se sigue que en 489 individuos se esperaría que su número de caras se encontras€ entre eI 4O% y el 6O%.11. Tales individuos pueden razonablemente sospechar que sus monedas no están bien hechas aunque sí lo estén.1131 .5 y'1+oo)1onz)¡rsg : 2.5 y así la proporción sería 100. : 2 personas se esperará que los 5/8 o más 5.4G y ".02(0.21 (área bajo la curva nonnal a la derecha de z : l.007 Mediante la corrección para variables discretas.0040) de sus lanzamientos sean caras.5025.0362: 1. (3% de 400 ) : 12 piezas defectuosas.0'02 -: 0.489 : 1I individuos cabe esper:ü que su número de caras no se encuentre entre el 4O% y el 6O% de los lanzamientos. (2()'o de 400) = 3 Entonces 11. Otro méüodo.25 hobabilidad pedida : (área bajo la cu¡va normal a la derecha de z : I. 12 o más significa 11. una mayoría se obtendría en la muestra si la proporción en favor del candidato fuese 0. Este tipo de error es un rresgo que se presenta siempre que se trata con probabilidades.8)12.14 = 20 0.s (o) 3% o más.0352 L12n: ll40O: 0.2t) : 0. Es interesante advertir que en 500 .5000 + 0.a es .0.={-= .0764.7 4% de 500.18 Probabilidad pedida : : (área bajo la curra normal a La izguierda de z 0. ó 489 muestras con esta propiedad.5025 o más. L/2tt. como variable continua.18) 0.5000.p = :p = 0.) Entonces.57L4 Si no se hubiese aplicado la corrección.0025. En ó00 muestras se puede esperar 97 .98) v = 400 _ 0. método del apartado (o). (b) Razonando como en (o).5/200 = 0. 0.3869 :0.5 en unidades tipificadas : " : {"w : (11.0025 : 0.02 I 0. (a) Puesüo que I. (b) 1000 individuos elegidos aI azarde entre la población votante se hubiese obtenido una mayoría de votos para dicho candidato.25 y como antes la probabilidad pedida (b) {0.10. se concluye que en (500X0. Se ha encontrado que el 2% de las piezas producidas por cierta máquina son defectuosas. También puede utilizarse el aegundo 5.26): 0.8 : - 1. p0.1056.00125) en unidades tipificadas 0'02 r 010q1?5 . hubiese obtenido 0.5025 Probabilidad pedida : . (b) 2% o menos? PP'=P=0. se tiene (o.o3_o.170 TEORIA DE MUESTREO lcAP.5 o más.1056 Si no se hubiese aplicado la conección se hubiese obtenido 0.5 6OVo. 1/800 0. ¿Cuál es la probabilidad de que en una partida de 400 piezas sean defectuosa.-' 0.02 (o) y oP=tE= : 1/ 0..46)/0.oo125)enunidadestipificadas=W=|. (Esta proporción puede también obtenerse dándose cuenta que 101 o más indica mayoría.5000 - 0. Determinar la probabilidad de que de (a) 200. En concepto continuo.50 + 0.0714 se : O.00125. sería 100. pero ésta.

5000 - 0.' ¡ecado dc 5. Si se toman muestras al aza¡ de 125 bombillas de-cada fabricante.12.cAP...m=!T. (o) (b) (c) Éy.7 g .iu... 8 y U2 lavariable de los elementos de lapoblaciín2. (b\ pu..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...= \Ej7r-. = t/f.]ESTRALES DE DIFERENCIAS Y SUMAS 5. (t) vr. ¿cuál es la probabilidad de que las bombillas deA tengan una du¡ación media que sea al menos (a) 160 horas. = media de La ]{S*?*8) = l. -3)2 + (3-3)2 + (4-3'¡z b L7 3 Eeto concuerda con el reeulüado general para muestras independient"" ou.) o (e) . Calcular (a) *u. sacado de (o) esto concuerda con el resultado general FLtr_uz= y (b).4. (b) 250 hóras más que las bombilhjde B? .. = mediadelapoblaciónU. y 0. = FLrt = 4Lrr.46. 14 (d.13.6g) = 0.69 Probabiliüd pedida : (área bajo la curva normal a la derech¿ de z = 2. (f) n'u r- u" = mrianza de la población (U 1- U 2) (1-3¡z + (5-3)2 + Oo.46@Ba)/1000= 0.._u". Las bombillas eléctricas de ün fabricante á tienen una duración Lned.j ut-v2 (6-3)21(-. ofi. (d) V @ ).ia de 1400 horas con una desviación típica de 2OO horas.q/n = y'd.-(e) ou".a demostración del resultado general se deduce del Teorema g-7 . Sea Ut la variable de los elementos de la población 3.0036 = 2. 7. = (2-3)2 * (4-3)2 =l ó ou"= l. rnientras que las de otro fabricante B tienen una duración media de 1200 horas con una desviación típica de 100 horas. @). o.' Éiinz. = població n lJn = f. = varianzadelzpoblación U. = varianza de la población I/' (3-6)2 + (7-6)2 + (8-6)z _ 33 a2u._ri.) nu.4964 DISTRIBUCIONES MT.Ur) Fur-u..5025 en unidades tipificadas = ff*s : 0. ou.6l (b) pp TEORIA DEMUESTREO = p: 0. 6 r¿.0158. (f. [._u.

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.

.2. 2x It 5 qA +3 | fi + 5 + 4 + 5 + 2 + 8 + 6+ 5+ 4 + 8l. La Fig. Hallar el peso medio de todos los estudiantes.75. dos 6.2ol.aparece para todos estos valores (indicado por la línea horizontal). el porcentaje de lanzamientos en los que haya menos de 2 caras es igual aI porcentaje en las que haya menos de 1. 5-11 es Ia más lógica para representar datos discretos.5. formados por 76.4.6. 20. Hallar la media aritmética de los números 5. dos 2 y tres 8.1 Número de caras Fig.5-ll (c) La representación gráfica puede indicarse como en la Fig.5 100. 1.8.(6)(5) +(2)(3) +(2)(6) + r5)(4) I (2)(2) +(3)(8) 6+21-2+5+2+3 96 20 = 4. 5.3 + 4 + 5+ 4 + 8 1 2+ 5+ 4 20 =ñ:n'" Método 2.4.56 ó 1..8 5. dos 3. Método l.0 3.3. 5-11 o en la Fig.6.6. CALCULO DE LA MEDIA.4. de modo que eI mismo porcentaje l8. así por ejemplo.4. 5-12.23 caras.8 18. VARIANZA Y MOMENTOS PARA MUESTRAS 5.10 y 18 individuos registran una media de pesos de 162.8. 5-9 y 5-10 de la parte (a). Nótese que las Figs. 5-11 y 5-12 corresponden a las Figs.5.32.1 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?. 5-12 muestra el polígono de frecuencias acumuladas u ojiva de los datos y los trata como si en esencia fuesen continuos.3.31.8.10 N-^ EOU G' o :! .4 81 .4. L48.0 o o É o C t{0 6 N^^ Eou o O .2 52. respectivamente. 5-12 Fig.5. La Fig. Cuatro grupos de estudiantes. 153 y 140 libras.2. Entonces _ )/¡ n .TEORIA DE MUESTREO Nfimero de lanzamientos Nfrmero de caras (frecuencia acumulada ) 0 Porcentaje de lanzamientos (frecuencias acumuladas porcentuales) 0. Hay seis 5.10 Hzo o lzo A 0123456 Número de caras 6 0123. cinco 4.

Denótese la clave de marca j-ésima por . El método se denomina el método claue y debe emplearse siempre que sea posible.34 para hallar la estatura media de los 100 estudiantes de la Universidad XYZ (véase Problema 5-33). para la media aritmética.35. para hallar tatura media de los 100 estudiantes de la Universidad.34.. = a*c! )/'rr' . T abla 5-lO 5..página 164.180 sfn TEORIA DE MUESTREO lcAP. Utilizar la distribución de frecuencias de estaturas en la Tabla 5-2. es decir r¡ -o:cltj óx¡: a *cu. especialmente para los casos en los que los números son grandes y hay muchas clases. etc.. 63-65 pulgadas. Véase Problema 5.33.45 pulgadas Los cálculos involucrados pueden conveitirse en tediosos.o.ffiq = 6?. -. 5. Derivar la fórmula clave (27). 67. si 5 tienen una estatura de 61 pulgadas.)" = 67+ (i%). Adviértase que todos los estudiantes con estaturas de 60--62 pulgadas.r¡ con respec[o a alguna marca de clase determinada a. pígina 163.t yaque n=2f¡. se consideran como teniendo estaturasde 61. 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 >/ - + .rj. Entonces la desviación de. es igual al tamaño de intervalo de clase c multiplicado por algún entero u¡.. Elproblema entonces se reduce a encontrar la estatura media de 100 estudiantes.64.¡ (tambiénescrito brevementecomor =a I cui. xj . XYZ. etc. etc. 18 tienen una estatura de 64 pulgadas. Técnicas breves se encuentran disponibles para disminuir el trabajo en tales casos. 5 = 150 libras 5. La media está dada por fi _ 2f¡r¡ = = nnnn.35. alcú" 2f¡u. la es La solución se indica en la Tabla 5-9. La solución puede ordenarse como se indica en la Tabla 5-10. pulgadas. Utilizar la fórmula clave del Problema 5. )/'(o*crr¡) = o>f. )fu = l5 u = "*(?t. por ejemplo.45 pulgadas .

31 tenemos ú = 4. s2 = 59. página 164.45 4t.45 lr - fr)¿ Frecuencia 5 / f(r ñ\2 60-62 63-65 66-68 69-71 -6. " 2f(r-r\2 _ n 6(5 . (o) Método 1. HaIIar Ia desviación típica de los pesos de los estudiantes del Problema 5.z - 2 f(r . aír 20 Méüodo 2.a solución puede ordenarse como se indica en la Tabla 5'11.cAP. 5l TEORIA DE MUESTREO 181 5.10 libras.6 (libras)2 : \6bS libras : 8.8):¿ + 3(8 - 4.9025 208.u. 5.8.92 pulgadas 5.7500 f(r TL n\z 852.2460 8.8025 72-74 246. Entonces n20 _ 59.55 o.Do 18 42 27 8 0.4200 n=)/=100 2 2f(r-ñlz= 852. Tabla 5.20 .7500 100 = {dEfB = 2. [.5025 30. Como en el Problema 5. Como en el Problema 5. Derivar la fórmula clave (28).20 20 2.33.31.8)2 = 2QA (2_20 4.33.36.6025 11. : y'Gb.5050 I¡D.39.2025 6. = a*cú' t¿ . = +:q = 65'6 en unidades libras cuad¡adas o (libras)2 .11 Estatura (pulgadas) Ma¡ca de clase 61 r r- r-r = 67.4. para lavarianza.DO'O 64 67 70 73 -3.150)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.32. Hallar (c) la varianza y (b\ la desviación típica para los números en el Problema 5.96 y "-rfzs6=1.rlgadas. x: 67.45 -0. . donde hemos utilizado el hecho de que las 5. Hallar la desviación típica de las estaturas de los 100 estudiantes de la Universidad XYZ Véase Problema 5. Del Problema 5.8)2 _ (b) De (o\.45 2.45 pr.37.36.0L25 214.34 tenemos ri = a + cui y ft = a*c'" 2f.r\2 n 15(162.38.

cr¡atro momentos con respecto a la media para la distribución de estatu¡as Continuando el método del Problema 5. : }> f . b = f.92 pulgadas.39 para hallar la dewiación típica de las estaturas en el Problema 5. = ¿2.40. 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 .\t 't t l = = ".41.40 obtenemos la Tabla 5-13.1"u. 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.f!n'LN c2[u2 (.33./¡¿)'l = ¿21¿ .{r.u? -t t - C2[ /2f.-a¡z i) = "i 2 ¡ .'1 \fu/J _ ú2]l 5.o. + c2úz *> r. La solución puede ordenarse como se indica en ta Tabla 6:12. Esto nos permite halla¡ 6.33. Utilizat la fórmula clave del Problema 5. De la frltima columna tenemos ¡ como en el Problema a2 = "rfL>l!'.35.f ¡@.az¡ n \n /l = ta)'f-re? / rs Vl = Ltoo-\t*/J ^ ó'b-275 y s: 2.L82 Entonces s2 TEoBTADEMUEsTREo [cAp.<"? . + tlz) 2xt = *2 : t.'r".u.u? = ¿2 ¿2 * ._ "o¡.- o¡."? -'#2 2ú2c2 r¡u. 2lu=75 )fqz = 97 lalEr lo-s primeros del Problema 5.> f . 2 't t f.jú.

-0.33. cada uno de los cuales determina la estatu¡a de un eetudiante determinado. Del primer renglón hallamos la secuencia 5I. etc.(0.67 pulgadas respectivamente.97 M.nL¡ = ca(M't. 67. 27.EO notación de la página 165. 46 resultan en'estatu¡as de 70. etc.15)2(0. 99 (véase Tabla 5-14).15X0. (b) Hallar la media y la desviación típica de la distribución muestral de medias en (o).. Entonces extraeremo8 nl¡meros muestrales de la tabl¡ de nf¡meros aleaüorios (Apéndice I). (c) Comparar los resultados de (b) con los valores teóricos.6275 B(0.15)41 : 199. explicando cualquier discrepancia. 02.9?) + z(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. Cada Nf¡mero Estatura n(rmero de estudiantes se denomina número'muestral. De (D) yemos que e8 menoc apuntada que la dishibución normal (que tiene un coeficiente de curtosir: 3).6982 . (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 27.33) + 6(0.43. que tomamos como 67 pulgadas (la marca de elase). Asf los 5 estudiantes con esüaturas 60-{2 Tabl¡ 6-14 pulgadas s€ numeran 00-{4. fflg = p: { (8.3759 ffiz:s2=8.^=>+=2. . (o) Emplear dos dígitoe para numerar a cada uno de los 100 estudianües: 00.. tenemoe 183 M] = >fu n = 0.BB Mí= >fu2 n y de (32). (o) DeI Problema 5. Así 51 conesponde a un estudiante con estatura 66-68 pulgadas.5275)3 (b) Del Problema 5.4MiML+ 6M'r2ML- BMin) 81[2. PROBLEMAS DIVERSOS 5. En forma semejante 77.6932 a3 Coeficiente de eesgo = a.3?59 5.41.3759 qa-szrgy _ 6 al = z't+ De (o) vemos que la distribución está modetadamente sesgada a la izquierda.5275 Entonces mB = -2.5275 rttt Coeficiente de cu¡tosis as=E = : 199. que tomamos como n(¡meros muestrales aleatorios.42.14 m+ Entonces = 199.15)(0. 46. .1s)2] = ca(ML-gLI|Mi+ zM'Lz) = 2?[0. 40.41.cAP. 7'1.53 M'r') = 9[0. OL. ffi2=s2=8.. Hallar los coeficientes de (o) sesgo y (b) curtosis para la dishibución de estaturas del Problema 5.9? . lttt = ffi2= ffi3= 0 0.15 ML=Zy = o. utilizando La TEORIA DE MUESTB.. los 18 eetudiantes con estaturas 63-65 pulgadas se numeran 05-22.97) -3(0.88 "z1ML- 8.53-4(0.1b)B] = -2.6l Entoncee.

25 67.97. 67.70 7.67. 40. 67. 67 23.00 68.03. T¡bh 6-ró Nf¡meros muesFale¡ Est¡twr¡ o- E¡la+ Nfrmeros muestralea extrafdo¡ rrcqrondieatcc 67. 67 67.28. ?1. 65.70. 75. 73. 70. tt. 67.24. 73.04.25 65. 67 Ír¡f¡f media 66. 67. 73 67. Esta ee una distribución mucet¡al de mediu.31.93.57.2L 10. 67. 70 73. 16.0L.64. 70. 70. 6L. 73 67. 67. 70 64. 67 70. 60.00 64.98. 67.f = n 30 4 ).64. 56. 1t.5 Por eete proceso obtencmo¡ l¡ T¡blr Fló quc rnue¡tra lo¡ n(¡mcro¡ mue¡trale¡ extrafdor.08 12.25 67. 63. 67.70. 70.46. 39 13.30 58. 15. 03. 73.75 69.64.79. 67. 76. 67 64.93 5. = 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).25 64. 67.fu. 64 67.00 70. 64.50 65.50 68. L2.25 66.79 70.70 Trbl¡ 6-16 Media muestral 64.25 68.25 68. 67.75 69.00 -4 -3 -2 -1 0 1 -4 0 -4 -6 0 0 4 / 28 45 16 23 d D .74.50 66'. 67 70.58.64. 6? 15. 70 67.91.'7L.09. 20. 68. 42. 33 m.50 68.6r. 67. 87 fl.32 8. 10. 06.00 67. 07. 67.58 9.184 TEORIA DE MUESTREO lcAP.82.97 24. 67. 70. 67.93 27. 67.2L.25 69.00 66.24 64.ón dc l¡ trbl¡ de nl¡rncro¡ dcatoiio¡ h¡brfrmo¡ podido inici¡¡ en eualquier parte y escoger cualquicr patrón dctetmindo. l.73. 70. 05.8s estatu¡as correspondientee y la est¡tun mcdb pan c¿de un¡ de h¡ 30 muegtraa flebe mencio¡rarse que aunque eecogimos el prirner rengl. 67.25 70.54. 70.84 64. 67 67.50 68. 64.75 68. 67. 67. 64 70. 56.00 (0'75)(23\ = * 'ñ- 67'58 Pulgadaa 2fuz />1"\' n -\ i " (0.70.64.28.76) = 1.75 67.44. 18 70.50 1. 43 1f. 81.27. 93. 61.74.87 26.77.25 69. 53.70 70. 73. 70 64.50 69.60 67.25 67.52 13. 67 .00 66. 45.23.99 23.08. 59.64. 21.41.91. 67. 56.75 66.33.00 67. 12 3. 51.64. 19. 67 70.22. 64.96.36 08.62 4. 51.00 extnfdo¡ Estatr¡¡as corespondientec 64.69.67 64. 67 29.50 66.70 medi¡ 67. 67. 98. 73. 30. 64. 31. 67 70.25 Cl¡enta Í 1 u fu fu2 16 0 8 6 0 2 ñ( /t/t )#{ 6 4 A a+67. 67. 70. 3 14 16 4 I l. 70.50 67. 67 64.54 2:2. Medi¡ = a*cú Derviación = o*c2fu típicr = = e - 6?.83. 70. 70 6L. 86 6. 55. 11. g8 25. 64. 96.73 73. 21.50 79. 64.75 65. 67. 19. 73. 58 70.96. 67. 90. 64 67.42. 64.91.73 67. 10. 45. 34. L¡ medi¡ y la derviación tfpica ee obtienen como es usual por los métodos claves delcrito¡ anterbrmeuüe.6L.70.41 pulgadar .50 68. 13.02. 58.25 69. 07.67 67.64 73. 46 2.93 14.

estamos de acuerdo con el valor de 1.45 pulgadas (vóase hoblema 5.. pfuina 162. esto es Q\ (r) f" sean .4772) = 0.a a.0 libras.0 .0 libras y desviación típica 0.46.) ps: o = ts=-' o 10.rJ f eL) du La probabilidad de que las 2 últimas ob¡ervaciones sean menores que u (y por tanto menores que las primeras 4) está dada por (2) fnu12 l) --na a.92 pulgadas (véase hoblema 6.4 es (0.41 pulgadas de la parte (b). Í:-lÍ. La desviación típica teórica (error típico) de la distribución muestral de medias.0082.8%.0 libra¡ en unidades típicas: (11. ) ea el producto de (1 ) y (2). donde la dewiación típica poblacional o = 2. (a) : 11.0.) au . ¿Qué porcentaje de las muestras del Problema 6.44 tendrían dewiaciones típicas (o) mayores que 11.5 . Puesto que o/t6':2.50Ib v400 5. dada por a¡.50 libras. 5.0228.0 lb ( lr) \/2" + = 0. es igual a o/y'[.con el valor de 67.t. Las discrepancias se deben a que solamente 30 muestras fueron seleccionadae y el tamaño de la muestra fue pequeño.3'/'.t J.1 aJ. dada por o*. Entonces la probabilidad de que las primeras 4 sean rnayores que ü y las 2 últimas 6ean menores que u es decir - nc.40) y el tamaño de la muestra n : 4.4918) : 0.50 : 2.0 es (0. Una muestra de Por 6 observaciones se hace aleatoriamente de una población.l' ra.8 libras en unidades típicas : (8.58 pulgadas de la parte (b). . es ig¡ual.cAP.g2/fi = 1.0)/0. El área bajo la curva normal a la izquierda z : -2.8libras? La distribución mueetral de desviaciones típicas es aproximadamente normal con media 10.". 5. /(r) tr.8 . de acuerdo..45.0. tenemos: ( ¿[.0y0.4. ¡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 €. De la Tabla 5-1.5l (c TEORIA DE MUESTREO 185 ) es t a media teórica de la distribución muestral de medias.46 pulgadas. por tanto el porcentaje pedido es 2. Podemos considera¡ que el muestreo es o de una población infinita o con remplazamiento de una población finita. (b) menores que 8.0. ¿Cuál es la probabilidad de que las dos últimas observaciones sean menores que las primeras cuatro? Suponemos que la población tiene función de densidad f(xl.r .a la media poblacional ¡r que 67.10. La desviación típica de los pesos de una población muy grande de estudiantes es de 10.f 'LJ" f t@ta*l'/t. Se escogen muestras de 200 estudiantes de esta población y se calculan las dewiaciones típicas de las estaturas de cada muestra. El área bajo la curva normal a la derecha de z 2.5 .10..r. de (b) 8. Hallar (c) la media y (b) la dewiación típica de la distribución muestral de las dewiaciones típicas.0 libras.?d L -r.50 : -2.44.' ¡p¡ a*)"lJ'"-r. 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) . por tanto el porcentaje pedido ec 0.33).

: !l_ . por álgebra elemental."0 = X.r" o' Entonces (6) d.* = tN P EIX:.: I ) a¡P(X¡ . (b) Cov (X¡.Xyl ). Sea xn} una muestra aleatoria de tamaño n extraída sin remplazamiento de {xr. 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"). donde la (rltim¿ suma contiene un total de N(N sibles de l. oN}.pXxr NN = +("+)^á.. .: lt# \=y a¡) v dondelyzvaríande1aN. l/N l/N (i = 1.5 1.-p) .f(u)itu @. t(or-¡. Demostrar que si la media y varianza poblacional son ¡J y o2 entonces (a) E(Xi) = ¡r. X¡= ar) = P(X¡: a^) P(X¡ = a. prob. cuando está dada por i*h. Por tanto convierte en F(B) cus t1 (' Jo f(4) ¿z(t-¿)titp = 4=6-a = G I que es la probabilidad pedida.186 Para evalua¡ esta erpreeión hacemos (5) TEORIA DE MUESTREO lcAP.. 5. Este es un ejemplo del eat¿dístico no parométrico puesto que no ae necesita oonocer ningún ¡rarámetro poblacional. N (o) (b) Qov E(xi\ (X¡. x2 una población finita de tamaño N.. u r-o = !"'nO* (4 ) se Cuando u : - u : 1 y cuando u =- = 0.X): -"21(N -L).2. Es intere¡ant¿ notar que l.).47. no son mutua¡nente independientes. donde las c no son neceesriamente di¡tintas.a probabilüad no depende de la dist¡ibución de probabilidad f(r).s.a¡) = p)l ¡J. (or-r)(o'-r) - 1) términos. En verdad. ez.. Suponer que la población con¡i¡üe del conjunto de números {dt.. .*(or-p)12 . l+v:l _ ("^-pl(o. I X¡= a¡) au I = *4. y z deaiguale. Eato quiere decir que las XJ eetán dishibuidas idénticamente. xj= prob. que correqronden a todas las parejas poN N ) = I=1 ("^-t'\2 +. Entoncee.o .)I(oz-p)+'. ..la distribución conjunta de X1 y P(Xr= a¡.n) X¡ Sin embargo.

' " ) = .f x"\ D p (. remplirzamiento. adecu¡das. Demostrar que (c) la media y (b) la varianza de la media muestral del Problema6.048 onza¡. En el Problema 5.4L .. (d) la dewiación típica de la distribución muestral de media¡. 15.(n_'.a7 @). Encontrar (c) v (d) directamente de (c) y (b) mediante las fórmula¡ 5.(.6l TEORIA DE MUESTREO En esta ecuación.50. (d) ¡ean menor de 22.48. g (o¡ - p)(o.53.N\N-rl' 't/ 5. (b ) sin 6.( rr-:--r l(-. Si se erüraen 300 mueetras de tamaño 36 de e¡üa población.Ét ".á var(X¡) * . Resolver el Problema 5. y el Problema 6-4?.N-1 ^' . Hallar (o ) la media poblacional." +a¡v = a N 02.) = #[.51. (c) la media de la digtribución mueshal de medias.40 onzas y dearriación tfpica 0. = p (b) Uüilizando loe Teoremar 3-5 y 3-16 (generalizadoe).39 onzas. (c) sean menor de 22.LL. Por tanto I+v:l Cov (X¡. Resolver el Problema 6.38 o mayor de 22.¡ = . .e 22.51 si la población 5e compone de 22 cojineter.p) = -Noz r \ -2 'r' X¡) = . ó. Una población est6 formada por los cuatro nfrmeros 3. el lado izquierdo e8 cero.(-r¿_ i)] = Lfr-"-rf = 4(N-"\ nl.cAP. Considerar toda¡ lae posibleamuestrasde tamaño dos que pueden extraers€ de esta población con remplazamiento.49.42 onzae.47 están dadas respectivamente por t*= (o) E6) = "1 =*"(x=) /X' +.49 si el muestreo fuese sin remplazamiento. NÉ y la primera suma en el lado derecho er igual por definición. Loa peeos de 1600 cojinetes de bolas se distribuyen normalmente con medla 22..7.4L onzas? y 22.62.51.iE(x)+"'+E(x")l 1 =1 n (p -r "'+p) donde hemoe empleado el Problema 6.x¡)] = #ú* *.N-1J '¿\N-1/ Problern DISTRIBUCION MUESTRAL DE MEDIAS a. (b ) la dewiación típica poblacional.rlo s 6. 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. ya que por definición a1 187 -la2+'. (b) sean rnayor de 22.37 onzaa.Ét suplernenta. obtenemos var(x) = Sv^. ¿en cuántae de lag mue¡tras aleatoria¡ cabe ecperar que sus medias (a) ertén enl'l.1'". cov(x¡. 5..á.

5t. (d) 10 o más bolas blancas? Dseña¡ un experimento que ponga de manifiesto los resultadoe del Problema 5.62.65. Hallar la probabilidad de que en dos muestras aleatorias compuesta cada una de 200 votantec. (ó ) entre el 43% y el 57% sean niñas.63 si se comprueban 100 cables de cada fabricante? Explicar las diferencias. comprobar que . Los pesgs de los paquetes recibidos én un departamento de almacenamiento tienen una media de 300 libras y una desviación típica de 5O libras. (b) l2 bolas rojas y 8 blancas. rojas? 5. (c) mayor de 820 horas.60.55. Si normalmente el 6Vo de las bombillas es defectuoso. llallar Ia probabilidad de que de los próximos 200 niños nacidoe (o ) menos d.188 TEORIA DE MUESTREO lcAP. Lo mismo del Problema 5. ¿Cuáles son las probabilidades del Problema 5. De un total de 1000 muestras de 200 niños cada una. respectivamente.66 si las exüracciones son sin remplazamiento al obtener cada colección.61. (d) enhe ??0 y 830 horas. 5. (c) 8 bolas rojas y 12 blancas. (b) menor de 785. ¿Qué enores pueden introducirse al utilizar dos conjuntos diferentes de monedas? lotes de 100 bombillas cada uno. 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. Se extraen dos cotecciones de 30 bolas cada una con remplazamiento y s€ anotan sus colores. 5. difieran en su puntuación media en (o) 3 o más puntos. ¿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.57.59. 5.63. Si U¡ y U2 son los co¡r¡\ntos de nhmeros del Problema 5.R o I en las proporciones adecuadas. En lugar de bolas rojas y blancas.66. respectivamente. ¿Cuál es la probabilidad de que las dos coleccionee difieran en 8 o más bolag Resolver el Problema 5.64. 5. ¿en cuántas cabe esperar que (o) menos del 4OVo sean niños. y explic. (b ) entre el 4O% y el 60% sean niñas. Un fabricante despacha 1000 DISTRIBUCIONES MUESTRALES DE DIFERENCIAS Y ST'MAS 5. 5. A y B fabticzn dos tipos de cables. que tienén unas registencias .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.12. (c ) el 63"h o más sean niñas? Resolver el Problema 5.6t. sacadas de la urna con rempliazamiento. 6. 6. ¿en cuántos lotes cabe esperar (o) menos de g0 bombillas buenas.6?. haya una diferencia superior al1^o"k en las proporciones que votaron por dicho candidato. (c) más del 640/o sean niños.60.nedias a larotura de 4000 y 4500 libras con desviaciones típicas de 300 y 200 libras.54 si la muestra extraída ee de 64 tubos. (b) 6 o más puntos. Explica¡ la diferencia.54. Hallar la probabilidad de que una muestra aleatoria de 16 tubos.' ¿Cuál es la probabilidad de que dos grupos de estudiantes. que es de 8200 libras? DISTRTBUCION MUESTRAL DE PROPORCIONES 5. Supónganse iguales las probabilidades de nacimientoe de niño y niña. tomada de entre ellos tenga una duración media de (a) entre 790 y 810 horas.57 si se consideran 100 en lugar de 200 niños resultados. Los resultados de una elección mostraron que un cierto candidato recibió el 65% de los votos. se pueden usar hojas de papel.56.69. formados de 28 y 36 eetudiantes. sob¡e las que se escrriba la inicial . ¿en cuántas cabe esperar (a) igual número de bolas rojas y blancas. 5. (b) 98 o más bombillas buenas? 5.6 6. 5. (ó) al menos 450 libras más que A? 5. 5. Ciertos tubos fabricados por una compañía tienen una duración media de 800 horas y una dewiaeión típica de 60 horas. (c) entre 2 y 5 Una urna tiene 60 bolas rojas y 40 blancas.el 4Oi'o sean niños. En una prueba de aptitud puntos? la puntuación media de lo¡ estudiantes es de ?2 puntos y la dewiación típica de 8 puntos.

3?6 < ? 1.0.60.899 900 . (b) ou1+ur = \Grtr. Hallar (o ) la media y (b ) la desviación típica de la suma de las cantidades.50. (d) Límites reales de la última clase. = 1.71.05 y 0. Reeolver el Problema 6.79.799 800 .E0. Con referencia a esta tabla determinar: (¿) f 'ímite superior de la quinta clase. o menor que 0. Número de tubos L4 46 58 76 68 62 48 22 6 Solueionar el Problema 5. ?s 6. (g) Flecuencia relatir¡a de la sexta clase. La Tabla 5-17 rmuestra una distribución de frecuencias de la duración de 400 tubos de radio comprobados en la L & M Tube Company. Con 6. Determinar la probabilidad de que la varianza de la primera muestra sea mayor que (o) dos veces.77.78.2 voltios.54 libras con dewiacionee típicar de 0.0 voltios y la dewiación tfpica 0. = 5. ¿Cuál er la probabilidad de que cuatro de estas baterfas conectadae en serie tengan un voltaje conjunto de 60. donde ? tiene.5 veces la otra mayor que 0. (b) ambas b0 horas. (b) 7. El voltaje medio de una baterfa e¡ de 15.tr*Lrr: ru. Explicar cómo podría utilizar el Teorema 5-7.999 300 1000-1099 1100-1199 las 600 horas. Verificar si los resultados del Problema 5.8f .cAP.599 600 . 5.21. I 6. DISTRIBUCION DE FRECUENCIA 5.70. (e) Tamaño del intervalo de clase.74. (b) mayores que 20.72 ei el muestreo es sin remplazamiento. DISTRIBUCION MUESTRAL DE RELACIONES DE VARIANZAS 5.49 se confi¡man utilizando (a) P(-1 < f < 1) = 0. TOTAL 400 . Si se extraen muestrae de tamaño 5 de esta población. (c) Marca de clase de la séptima clase.499 500 . hallar (o) Ia media de la distribución muestral de varianzas. ¿Es la probabilidad de que una ttarianza sea mayor que 1. ¿qué porcentaje puede tener varianzas (a) menores que 10. Si se seleccionan 10 . respectivamente. (b) el error tfpico de varianzas.97 y 62. Una en tanto que muestra de 8 bombillas se toma de A y 16 de 8.8 o másvoltios? DISTRIBUCION MUESTRAL DE VARIANZAS 6.376) . una distribución ú de Student con r. y Se halla que CASO DONDE SE DESCONOCE LA VARIANZA POBLACTONAL 5. ó.399 400 .49. De acuerdo con la tabla de distribución ú de Student para 1 grado de libertad (Apéndice D) tenemos P(-1 < 1) : 0.72.46 y 0.699 700 .05. la de la segunda.82. (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.35.54 libras.01.75. (h) Porcentaje de tubos cuya duración no sobrepasa .80 si las desviaciones típicas de las duraciones son (o) ambas 40 horas. para diseñar una tabla de distribución f de Student como la dada en el Apéndice D. Una población normal tiene una vari¿nza de 15.2 veces.73. (ó) P(1.48.?6. Tabla 5-17 Duración (horas) 5. (b) se encuentre enüre 50 y 70 horas. (b) Límite inferior de la octava clase. 6.tubos aleatoriamente hallar la probabilidad de que la dewiación tfpica muestral (o) no exceda a 50 horas. Verificar si los resultados del Problema 5. página 161. Dos muestras de tamaños 4 y 8 se extraen de una población distribuida normalmente.5I TEORIA DE IIIUESTREO ttur2 189 (a) 4.50. 6.i se confirman por este valor y explicar cualquier diferencia. La duración parz A tiene una desviación de 40 horas la duración de B tiene una desviación típica de 50 horas.0. Se pesan tres cantidades dando 20. entie 0. referencia al Problema 6.01? Dos compañías. 6 Frecuencia de Ia cua¡ta clase. A y B fabrican bombillas.

88 consüruir (o) un histograma. (b) 9?0 o mág Los diámetros interiores de las arandelas producidas por una compañÍa pueden medirse con aproximación de milésimas de pulgada.E5' Para los datos del Problema 5.746 0. (c ) un polígono de frecuencia¡ relativas.93. 93.50. siete 7.741 0.732 0. (e) un polígono de frecuencias relativas. (c) los límite¡ de clase.735 0.732 0.735 0.733 0.742 0.738 0.736 0.727 0.46. correspondientes a la distribución de frecuen- 5. (b) no superioree a 0.726 0.92. Construir (a) un histograma y (á) un polígono de frecuenciae ciaa del hoblema 5. Con los datos del Problema 5. 0. 5-18 niuestra los diámetros en pulgadae de una muestra de 60 cojinetes de bolas fabricados por una compañía.735 0.742 0. (b un ) histograma de frecuencias relativas. ?6.739 0.735 0.?36 pulgadas. 0.?36 0. La Tabla dos.86. Con log resultados del Problema 5. (d) una ojiva porcentual.734 0.740 0. (b) una distribución acumulada relativa o porcentual.739 0. (c) una ojiva. (b) un polígono de frecuencias.738 0.324.74 y 82. horas.736 0.735 0. (c) entre 620 y 890 horas. Tles profesore¡ de economfa regieünron una ealificación media en sus eiámenes de 79. Deüerminar el tiempo medio de reacción del individuo a los estÍmu- 6.736 0.82 construir (o ) una distribución de frecuencias reliativas o porcentual.52.386.55 segundos.733 0.740 0. lcAP.740 una 5.737 0. DESVIACION TIPICA Y MOMENTOS PARA MUESTRAS 6.t4.725 0.63. 5. Si las marcas de clase de gna distribución de fiecuenciaa de estoe diámetros vienen dadas en pulgadas por los números 0. 82 y 96. Para los datos del Problema 5. (i) una ojiva porcentual. (f) una distribución de frecuencias acumuladas. Una 6.744 0. (c) entre 0.735 0. Hallar la media a¡itmética de dichas calificaciones. Los tiempos de reacción de un individuo a determinadoe estímulos fueron 0.732 pulgadas.88. hallar.738 0.741 0.728 0. (c) di¡tribución de frecuencias relativas.?39 0. (b) los límites reales de clase.90. Comparar estos resultados con los obtenidos directamente de la colección de datos de la Tabla á-18.732 0.?30 y 0. (c) Si las ponderaciones asignadas a cada asignatura rcn 2.44 los. respectivamente. nueve 9 y diez 10. Porcenüaje de tubos cuya duración es al menos de 500 horae pero menor de 1000 horas.72t 0.327.63.735 0.87.(a) el tamaño de intervalo de clase.724 0.746 0. 0. O.89 para los dato¡ del hoblema 5. 6. (g) una distribución acumuhdá porcentual. 4 y 6. ocho 8.78 y 89.128 0. 0.734 0.95.732 0. (h) una ojiva. Las calificacione¡ de un estudiante en cinco aeignaturaa fueron 85. 5.82.734 0. 5.729 0.?38 pulgadar.89. ¿Cuál es ¡u media Las calificaciones de un estudiante en las tres asignaturas del curso fueron 77. CALCULO DE LA MEDIA.733 0. 0.0. Construir una distribución de frecuencias de los diámetros utilizando intervalos de clase 5.91.732 0. sue clasee .321.5 5.?30 0.82 con duraciones de (o) menos de 560 horas.89 determinar el porcentaje de cojinetes de bolas que tienen diámetros (o) superiores a 0.0. ó. "de"*- Tabla 5-18 0.743 0.734 0. Estimar el porcentaje de tubos del Problema 5.82 construir (o) una distribución de frecuenci¿s acr¡muladas.731 0.96.736 0.735 0.94.49. 0. Resolve¡ el Problema 5.737 0. y 0. respectivamente.730 0. ee¡ie de nfimeros está formada a¡itmética ? por seis 6.330.333 y 0.?30 0. ó.736 0. (d) un histograma de frecuenoias relativas.731 0.0. ¿cuál es el promedio adecuado para sus calificaciones? (b ) ¿Cuál sería si todas las ponderaciones son iguales? 6.729 0.83.190 (i) (j) TEoRTA DE MUEsTREo Porcentaje de tubos cuya duración es mayor o igual a 900 horas.737 0.82.

Determinar lacalific¿ciónmediaparatoda8 5. Calcular la media de los datos de la Tabla 6'22. pero diferentes medias. 15. 7.7256-0.7264 Clase Frecuencia de 16 de 20 25 3 7 15 42 68 49 25 18 L2 4 1 lG-menoe 16-menoe 20-menos 26-menos 0.8-L3. Hallar la desviación típica de los número¡: (a) 3. Determinar el porcentaje de hombres y mujeres empleados en la compañía.0.7279 0. 10' L6. L. TEORIA DEMUESTREO 191 y 11 estudiantes. i) 5.6.262-0.2. respectivamente.?. 25 las clases. 5. reqrectivamente.3-11. 12.7.9.7252 0.106.6. Demostrar que ¡as dos series tienen lae mismas desviaciones tfpicas.7247-0.103.7.2. .5l estaban formadas por 32.6por2ydespuéssumando6seobtienelaseriell.7. 19. .101.2 TOTAL Í 98 75 56 42 30 21 15 11 6 compañía.7271-0.7277-0. 10. 11 . Log salarios medios anuales pagados a hombies y mujeres de la compañía fueron $á200 y $4200.7282 TOTAL de de Sfmenos de 36-menos de 40-menos de 16 L2 30 36 40 45 I o 2 TOTAL 54 250 6.0. (b) 3.8-10.g?.2.98. 1.102.7250-0.0.7280-0.6 se obtiene la s€rie 8.7249 0. Tabla 5-21 60 ó. 1' 1' 5.7255 0.7 L2.4.0. Tabla 6-19 Carga móxima Nl¡mero de cableg (toneladas cortas) 9.7.7253-0.7 t2 17 l4 6 3 1 Tabla 6-2O fr 11. L7. para los daüos de la Tabla 6'20 empleando (o) el "méüodo largo".3-10.7270 0.1.8-11.4.2 10.7268-0. 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.100.8-r2.7 10.2.7267 0.22. El salario medio anual pagado a todos los empleados de una compañía fue de $6000.6. Hallar la dewiación típica de la serie de nl¡meros de la progreeión a¡iümética 4. tlalla¡ la dewiación üípica para las distribuciones del (o) hoblema 6. (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..99.7274-0. (b) el méto' do clave.1273 0. (c) 0.7258 0. Calcular el diámetro medio. 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. Halla¡ i 9.cAP.8.7265-0. 1.?276 0.3-L2.726L 0. ¿Cómo están relacionadas las medias? (b) Multiplicandocadaunodelosnúmeros3.2 11.99. (b) el método clave.5. ó.7259-0. ' 164.5. .6. (o) Sumando 5 a cada uno de los nl¡meros de la serie 3.2.3- 9. Determinar la media de la carga máxima empleando (a) el "método latgo".2 624 2 462 480 498 516 534 552 570 588 606 12.4.104. 2. 6.6.98' (b) 6.7 .

k) ¡¡. teóiicos esperados. (b) segundo. (a) De un total de n números.r5 1. Comparar con el problema b.f 07.-Btnini l2m'rs. 5.1 . "on 5.. (a) Demostrar que .0.nl_ thnirni+6ml2rn.l F. 5.98.124. Si el momento de primer orden con respecto al punto 2 es igual a 5.g.108 para los datos del problema 5. l. l.1!2. ¿Qué distribución se aproxima más a la distribución normal desde el punto de vista de (a) apuntamiento. y comentar las diferencias observadas. 5. si la distribución fuese normal. (c) tercero y (d) cuarto orden respecto al punto ? para los números del Problema 5.. Si loscuatroprimerosmomentosdeunaseriedenúmerosrespectoalpunto3sonigualesa-2. Véase Problema 5. tt.111.f f O. mientras que los momentos de tercer orden con respecto a la media son -8.+. 20 22 2 AI.11g.111. De un total de n números.8 respectivamente.lOO. 11. (c) nt3.¡nz = ml- 5'115. (b) segundo. Hallar (a) la media y (b) la desviación típicaparaladistribucióndelProblema de los resultados obtenidos.101. 1. ¿cuál es la media? 5. comprobar las relaciones entre momentos (a) mi2. la fracción p son unos mientras que la fracción q : 1 p son ceros. 30 5. Hallar (o) m t .. (t l3s)? (c) Comparar los porcettajes'de (b) lo. tlallar los momentos de (o) primero. Con los resultados de los hoblemas 5. = nt. 5'112.g. a la media de 5. (b) mz.1 y -12. (b típica. 8. S.109.llE.119.126 son 230y 780 respectivamente.125. (b) curtosis para la distribución del Problema 5.. 5. Los momentos de cuarto orden respecto a la media de las dos distribuciones del Problema6.98.r5. @') mt y (d) ma para los números. (t t 2s).2_ Bm. Los momentos de segundo orden con respecto a la media de dos distribuciones son g y 16.1.113. Hallarelcoeficientede(c)sesgo. (l).126.127. (f) s. (b) asimetría? .123. (b) ¿eué porcentaje de diámetros se encuentra entre (r1 . (c) respecto al origen. t¡l F. 14. 5 5. 5. 5. 6. (a) Hallar la media y desviación típica para los datos del problema 5.2g. 17.t s).L22. Hallar el coeficiente de (o) sesgo. Calcular los cuatro primeros momentos con respecto a la media para la distribución del Prol¡lema 5. (c) lrq .30explicandoelsignificado 5. Tabla 5-23 f t2 t4 16 18 5. y (i) (i+ rFpara 5.(b)curtosisparaladistribucióndelProblema5. ) Construir una distribución de frecuencias para los datos y hallar la desviación (c) Comparar el resultado de (b) con el de (a). Lo mismo del Problema 5.li.108.102(c). determinar los correspondientes momentos (o) respecto a Ia media.120. Hallar (a) ntr. Hallar los momentos de (a) primero. ¿Qué distribución está más sesgada a la izquierda? 6. .117. Demostrar que la desviación típica de La serie de números es fi. 5. (o) Hallar la desviación típica s de los diámetros de los remaches del Problema b. la distribución del Problema 5.. la fracciónp son unos mient:'as que la fracción q : 1 -p son ceros.mt.114.10. - ?n: - 1m'rm! * l}m'r2nt!. - l}rnlstn" * 4n.-2bybO. I 4 o 10 7 5.L92 TEORIA DE MUESTREO lcAP.111 y 5. 3. (b) m.121. (b) segundo. (b) respecto al punto 5. Calcular los primeros cuatro momentos con respecto a la media para la distribución de la Tabla 5-23.116. Hallarloscuatroprimerosmomentosconrespectoalamediadelosnúmeros0. Hallar los cuatro primeros momentos con respecto a la media de los números de la progresión aritmética 2.1o6. 5.gg. 5. (b) rr.5. @¡. (D ) Derivar una fórmula análoga par^rns. Aplicar el resultado de (o) al Problema b. (c) tercero y (d) cuarto orden de los números 4. 5'121.722. 5. Hallar los momentos de (o) primero. (c) tercero y (d) cuarto orden con respecto los números del Problema 5.0.111.

halla¡ la media de la distribución muestral de varianzae si el muestreo ee (o) con remplazamiento..128. hoblema 6. ¿Cuál es la probabilidad de que lae primeras tres obgervaciones sean mayores que las'últimas cinco? ó.. La compañfa envfa 1000 lotes de 100 tubo¡ cada uno..cAP. Una población de 7 números tiene una media de 40 y una desviación típica de 3. página 175.aI progresión aritmética con primer término o y raz6n d) erlt6 dada por tl1-2 (n2 Dd2 .1 5.a*d.+(n-l\z=fn(n-Il(2n-1). son independientes. (b) sin remplazamiento..115. Si muestras de tamaño 5 se ertraen de esta población y se calcula la varianza de cada muestra. Una mueetra de 8 obeervacione¡ se hace aleatoriamente de una población.134.6l PBOBLEMAS DIVEBSOS TEORIA DE MUESTREO 193 5. fSugerencia: 14+24 +34+' .* (n . 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. 6. a * d.fsugerencio: Utilizar - l+2+3+. En un exarnen las calificaciones fueron normalmente disüribuidas con media 72 y dewiación típica 8. (a) Demostrarquelarvarianzasdelconjuntoden nfrmerol a.129. Demoshar que los primeros cuatfo momentos con respecto a la media de progresión a¡itmética a.1)a = $n(n-l)(2n-ll8n2-Bn1 ).. 5. (b) la dewirrción tfpica de la duración exceda 96 hora¡? ¿Qué ruporicioner deben hacerse? 6. mt = 0.1 (b)Emplear(a)enel 6. Demoetrar que Vt y Vz definidas en el hoblema 5.al2d. Demostrar el resultado (I9).131. En el Problema 5.135..129(o) y explicar ous reeultados. mz = i.130.. (n-1)d (eadecirun¿ 6.129 si la medi¿na de duración es de 900 horas.. 1z+22+32+". 5.@z-L)dz. a * 2d.136.22.'*(n-1)=in(n-1).104. .a|(n-l)dson 11 ffit = 0..132. (b) Hallar la probabilidad de que en una muestra aleatoria de 100 eetudianües la calificación mínima del 2O% superior Eea menor que 76. pfuina 160. tno = ñ(n2-l\3n2-7'td4 CompararconelProblema 5. (o) Hallar la calificación mfnim¿ del 2O% superior de los eetudianües..133. ¿En cuántos lotee cabe esperar que (o) la duración exceda 910 horar.

r--Bo. utilizan estimas sesgadas o no eficientes. SEGURIDAD La estima de un parámetro poblacional dada por un número se llama estima de punto de. L94 . El valor correspondiente del estadístico se llama estima insesgada del parámetro. Si las distribuciones muestrales de dos estadísticos tienen la misma media.46% y 99. respectivaménte. &s-2o"EFsl%a'" ó ¡r. 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. se está dando una estima de intervalo. es decir. página 162. U 13 t) = o2. En la práctica se ellas pueden obtenerse. La distribución muestral de la media y la mediana.3. en las páginas 157 y 160 son estimadores insesgados de la media poblacional ¡r y de la varianza poblacional 02. la media provee una estima más eficiente que la mediana. ambas tienen la misma media. el estadístico con la menor varianza se llama estimador eficiente de la media. la distancia real se encuentra entre 5.27 % . a ESTIMAS INSESGADAS Y ESTIMAS EFICIENTES En el Capítulo 5-indicábamos que un estadístico se llama estírnador insesgado de un parámetro poblacional si la media o esperanza del estadístico es igual al parámetro..1. la media poblacional' Sin embargo. u-¡r"* 3o" .2.28 + 0.31 pies. El valor correspondiente del estadístico eficiente se llama estima eficiente.s. EJEMPLO 6. Los valo^res i y 3 z se llaman estimas insesgadas. por otra parte. eonq de esttmocton : . Entonces. Si. La media X y la varianza 3' d"finid". puesto que E'(X) = u. DE PARAMETROS POBI.03 pies. pero esto no siempre es posible. ya que en general Z(3) + o. La precisión o conocimiento del error de una estima se conoce también como su seguridad. €l 68.Capítulo 6 rF I | .l parámetro.s*o. S realmente es un estimador sesgado de o. Sin embargo. EJEMPLO 6. Lógicamente se prefiere tener estimas que sean eficientes e insesgadas.2_5 y 5. se está dando una estima de punto. EJEMPLO 6. Si se dice que una distancia viene dada por 5.ACIONALES Sean ¡rs y o" la media y la desviación típica (error tÍpico) de la distribución muestral de un estadístico S. se dice que la distancia es 5. por la relativa facilidad con que algunas de ESTIMAS POR PUNTOS Y ESTIMAS POR INTERVALOS. ESTIMAS POR INTERVALOS DE CONFIANZA.. Véase Tabla 5-1.que es cierto para muchos estadísticos.95. cabe esperar que el estadísticoSseencuentreenlosintervalos&s o^s8Í. si la distribución muestral de S es aproximadamente normal (lo que se ha visto-. si el tamaño de muestra es n > 30).28 pies. Por tanto. la va¡ianza de Ia distribución muestral de medias es más pequeña que la distribución muestral de medianas.73% de las veces.

68.45%y te.05 2. Por ejemplo si -t. de modo que para obtener los límites de confianza anteriores. Para niveles de confianza que no se encuentran en Ia tabla.6% del área se encuentra en cada "cola" de la distribución ü. Los números 1. El porcentaje áe confianza se"llama también nivel de confíanza.o.96.cAP.33 2.. los valores de z" pueden sacarse de las tablas de la cuwa normal en el Apéndice C.73% para la estima de ¡rs (es decir. como otras veces sé conocen. entonces los límites de confianza d'el95% y 99% para la estimación de la media poblacional ¡. S -+ 2o.00 2.r.F') se hacen fácilmente modificaciones apropiadas para obtener los intervalos de confianza. t 6 .9q -V 0. Utilizando los valores de o. entonces un intervalo de confianza para ? está dado por (véase pagina 161) (N -t. a S * o' delasveces.96. En general.645 r.68 2. & S*Sorenel 68.27% 60% 3. Pequeñas muestras (z < 30).27%.96 o.. INTERVALOS DE CONFIANZA PARA MEDIAS 1. para estima¡ el parámetro poblacional.. S-2o" a S+2o" ó S-3o. Poi estos se 99. $ I 3or) son llamados los límites de confianza del 68.Grandes muestras (n > 30).6746 En los casos donde un estadístico tiene una distribución muestral que es diferente de la distribución normal (como chi-cuadrado. obtenidos en el Capítulo 5. son los límites de confianza del96% V 99% (ó 0. Más generalmente.szs y ú.58 o. etn. S +.99) para p". 2. 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.00 1.00 0. ps er los intervalos S . Tabla 6-1 Nivel de confianza zc e9.46% 95% 90% 80% 68.1. Si el estadístico S es la media muestral X. 95. en el caso de un S insesgado).73% o.96 1.46%y99. y S -r 2. En la Tabla 6-1 se dan los valores de z" que corresponden a distintos niveles de confianza utilizados en la práctica.95. se utiliza la estima muestral S o S."\\ñ s (3) . vienen dados por X r. se puede ver que los límites de confianza para la media póblacional vienen dados por Xtz"* vn N-tt.46% y 99.respectivamenllama¡ a estoé intervalos los interualos de confianza del68. En este caso utilizamos la distribución t para obtener los niveles de confianza.58 ox respectivamente. de los límites de confianza se llaman coeficientes de confianza o ualores críticos y se denotan por zc.73% s9% s8% s6% s5.28 1. .6l TEORIA DE ESTIMACION 195 Análogaménte cabe esperar o se puede confiar en encontrar. De los niveles de confianza se pueden obtener los coeficientes de confianza y recíprocamente.1.73% "pueden Análogamente.96 o7 Y X + 2. Los números extremos de estos intervalos (S i o5.27%. si el muestreo es sin remplazamiento én una población 2.szs son los valores de ? para los que el 2. Iímites fiduciales.27 %. la desviación típica poblacional o es desconoc^ida.srs . 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.

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

02S o2 (12) ^. En forma semejante ohos intervalos de confianza pueden encontrarse. como las distribuciones normal y ü. p$na 161. como la distribución chi-cuadrado puede ser deseable ajustar las áreas en las colas de tal manera que se obtenga el intervalo más pequeño. esto se consigue utilizando colas de áreas iguales.I. : P. of. Si se extraen de'dos poblaciones distribuidas normalmente respectivamente. W*"í-üt z"orr_r.szs (1 5) con confianza de g5%./4 s?/a s7/"7 A tiene una dishibución F con fr . Así por ejemplo si denotamos por F. los límites de confianza paÍa la diferencia de dos proporciones poblacionales. extraídas de las poblaciones.6l TEORIA DE ESTIMACION L97 'donde Xpopnr y X2. INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS y n con varianzas Sí.28. Porejemplosi x%rry X?szs sonlos valores de ¡2 para los cuales 2.6% del área se encuentra en cada "cola" de la distribución. (17) .entonces con98% deconfianzatenemos F.ss los valores de F para los cuales 1% del área se encuentra en cada "cola" de la distribución. desviaciones típicas y tamaños de las dos muestras extraídas de las poblaciones.o2. S$ si.. = .ozs = (13) De esto vemos que o puede estimarse que se encuentra en el intervalo S\n X.S.cAP. n - L gndos de libertad. vimos que si dos muestras aleatorias independientes de tamaños m de vatianzas ol. *'T donde Pt y Pz son las dos proporciones muestrales.ot y tr'.2 X!.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. g 4 Fo. Generalmente es deseable que la amplitud del intervalo de confianza sea tan pequeño como posible.F.ozs (1t ) S{n-7 X. están dados por Análogamente. - Pr.975 o de manera equivalente -. . entonces la variable aleatoria En el Capítulo 5.P. entonces un intewalo de confianzadel95% es v2 nS2 ^."1=. El proceso se ilustra en el Problema 6. (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. para distribuciones no simétricas. Sin embargo. Para estadísticos con distribuciones muestrales simétricas. siendo las poblaciones infinitas. y Pt V Pz).n2 son las respectivas medias. flt! nz son los tamaños P.

ütr I af(rt|) + 1 0f(r". Para ilustrar el método suponemos que la población tiene una función de densidad que contiene d-eterminado.3. d ). ..01 "'+ fl*. Problerna. empleamos una técnica conocida como el estímador de móxima uerosimilifud.0) (1e) que se llama la uerosimilitud.s resueltos ESTIMAS INSESGADAS Y EFICIENTES 6. Pa¡a obtener el "mejor" de tales estimadores. --LtSz son dos de tales ejemplos.1. f(r". Suponiendo que hay n obsen¡aciones independientes x1 . la función de densidad puede denotarse por f (x.0). (b) La mediana muestral y el estadístico muegtral *(Qt + Qs). Para este propósito es conveniente tomar primero el logaritmo y luego la derivada.or €s el inverso de .ss . (c) sesgados y no eficientes. Por tanto. (¿) La media muestral X y Ia varianz. son dos de talee ejemplos. (b) insesgados y 3t = .6 Adviértase que F. puesto que la media de sus dishibuciones muestrales es la media poblacional.zmuestral modificadas f eficientes. h desviación media y el reconido . .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.ss se obtiene de la tabla del Apéndice F.F. De esta manera hallamos f@. . por ejemplo g. Los dos son estimadores insesgadoe de la media poblacio- nal. donde Qr y @¡ ¡on las cuartilas muestrale¡ inferior y superior. Esto vendría dado por r F. Así para el caso donde existan varios parámetros tomamos las derivadas parciales con respecto a cada uno de los parámetros. página 118. La¡ruíxima uerosimilitud puede obtenerse tomando la derivada deZ con respecto a 0 e igualándola a cero.198 TEORIA DE ESTMACION lcAP. . .f(r¡?\ f(n2. xn. debida a Fisher. El valor de F.ee con los grados de libertad para el numerador y el denominador inyertidos. (c) fa desviación típica muestral g la desviación típica modificada . que se va a estimar por un estadístico L . El método puede generalizarse. Sin embargo ambo¡ no son eficientes si se les compara con X.e\ffi = o (20) De aquí podemos obtener 0 en términos de r¡. de acuerdo con el Teorema 4-8.31 $z o-n o-t - I' . De una manera semejante podríamos hallar un inten¡alo de confianza del g0% empleando la tabla apropiada en el Apéndice F.. Dar ejemplos de estimadores (o estimas) que sean (c) insesgados no eficientes. la función de densidad conjunta para estas obsen¡aciones es un parámetro poblacional. semi-intercuartílico son cr¡atro de tales ejemplos. los igualamos a cero y resolvemos las ecuaciones resultantes simultáneamente.

el intervalo de confianza del 95% para la media poblacional ¡t es 66.88 < tt<68.96.88 < p < ti8.95. de la media poblacional).!1t.36. = S tr.93 pr¡]Éadas como una estima de o (véase Problema 6.00055 cm2 Nótese que 0 = /0"00055 = 0. Utilizando n : 67.3. (b) la verdaderavarianza. Determinar unas estimas insesgadas y eficientes de (o) la verdadera media. En símbolos se escribirá P(66. Adviértase que puesto que n es grande.336.45 ! 1.57 pulgadas.02 pulgadas.02): 0.45 ¡ + z.02 pulgadas es.ó. que puede denotarse por 66. Se puede. = i2 = .35)2 5-1 0.93. Determinar unas estimas insesgadas y eficientes de (c) la verdadera media. = n .? = /8.96(2. - iT $.35)2+ (6. 6.02.5275) = 8.38: Estima insesgada y eficiente de la verdaderava¡ianza media: t : 67. ESTIMAS POR INTERVALOS DE CONFIANZA PARA MEDIAS (GRANDES MUESTRAS} 6.36 cm.46 pulgadas.88 a 68.45 ! 0.3.02 pulgadas.cAP. no hay esencialmente diferencia entre 6.6136 : y. 4er.88 y 68. 95Vc ó 0.88 y 68.33: Estima insesgada y eficiente dé la verdadera altura Del Problema 5.3). Una muestra de cinco medidas del diámetro de una esfera se registraron como 6. (o ) Estima insesgada y eficiente de la verdadera media (es decir. 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.33. por tanto. decir que ia probabilidad de que la estatura media de la población se encuentre entre 66.96"/\f. 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. n-1" (6.2. (b) Los lfmites de confianza del 99% son X 2.. 2.35)2 + (6. pues. de la varianza poblacional). 6.45 pulgad.6136 s2 Así .4. 6.6l TEORIA DE ESTIMACION 199 6.saa = tln ! 2.58o/tñ. JC = .3?-6.58-?+ = V100 67. (o) Del Problema (b) ó. (b) la verdadera varianza. Dar una estima insesgada Problema 6.37 centímetros.35)2 2(n-ñ\2 - n-l = = es insesgada + (6. Para la muestra dada 67. (a) Los límites de confianza del 95% son X t I. los lí¡nites de confianza son 6?.JDani (b) Estima insesgada y eficiente de la verdadera varianza (es decir.35)2 F (6.iroentre s yG.37.32 y 6.TG pulgadas . Así.45 -- 0.36-6. 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 6.93/V100) ó 67. 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. 6.as y i : 2.2. Para las cinco medidas puestas en orden de magnitud la mediana es 6.3?-6.023 es una estima de la verdadera desviación típica pero esta estima no ni eficiente.32 6.

824 * 2.824:r0.45 t utiliza¡lo..82¿!L. respectivamente. z:zc Puesüo que el área total bajo la curva es 1.00b8 pulgadas Los límites de confianza d. puee.645. es total.824=z.gg9!9 = \/zo0 0. (b) 9O% y (c'¡ 99.21.008 pulgadas. ñ!3+ \ñ - 0.824! 0. r. 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. son xtz. para n > 30 se puede asumir que s y 3 son prácticamente iguales.O42 pulgadas. Si se utiliza.824 0. pues. 6.7. lugar de Para y muestreo sin remplazamiento.33.6450'942 = 0.ss9 = 0. : t. el área desde z eE 0.824tSL93 = \/zoo .824t0. Entonces por simetría. se habría empleado ?: \/n/@4s = y'200[99s que puede tomarse como i para todos los propósitos prácticos. los cojinetes del Problema Hallar los límites de confianza del (a) 98%.i :. Para obtener los intervalos de confianza.' o^.6-l (b) S" busca z" tal que el á¡ea desde z : entonces z. En general.{ñ= 0.824 pulgadas y uná desviación típica de O. : O es Asi pues. de modo gue no 6?. el área a la izquierda de z:-zce8 también lVo.824 t 1. 6.824 t 0.E8y.006 Pulgadas .0U89pulgadas.6.73 pulgadas.645a (c) .0069 pulgadas Fig.69 a 68.45 1 0.69 (¡¡ < 68.4í.el 99. los límites de confianza del90ak son n!I. se puede considerar el factor es necesario = 0.73V. Lad medidas de los diámehos de una muestra de 200 cojinetes de bolas hechos por una determinada máquina durante una. Adviértase que se ha supuesto que la desviación típica dada es la desviación típiez modific¿d¿ i Si la desviación típica dada fuese S. Los límites de confianza d. los límites de confianza anteriores se convie:rten en 67.0049oulgadas t/-zoo sn 0.96? como 1. 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.73% para el diámetro medio de G.6 Asf.200 TEORIA DE ESTIMACION lcAP. srn embargo.so! = Vn 0. v (bl99% para el diámetro medio de todos los cojinetes.00??putgadas t 0.824 ! 0.0. se utilizaría t. Oa z : zc ea O.= vn Vn V200 ó 0.96ry = \/200 0. los límites de confianz¿ del 98% son r ! 23g+ = \/7i Asi 0.b6 y 0.Hallar los límites de confianza del (o) 55"1.sa| = r*z. que puede denotarse por 66.49.semana dieron una mdia de 0.el 99o/.21 pulgadas.g6a = Vn 0-824:t 0.G. el intervalo de confianza del 997o para la media poblacional ¡r e¡ 66. de aquí que z":2. (a) " lok. (o ) Los límites de confianza del g5% son 6 (b) x t 1.

<í n.01 si (1.38 pulgadas y una desviación típica s : 0.f I l.orr.Tomando o = la estima eerá menor de 0. 8e tiene la confianza del99% de que el error de la e¡tima eerá menor de 0.01 segundos? 0.i=r.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.r. arrojó una media de 75 y una desviación típica de 10. : 20.81 es 0.051/\/n = 0.81.siendo 0.r¿ -. pues.01. er decir. (b).. (c) v : 30.96X0.9df (b) tos vn N-n A¡-1 = N-n N-1 75 t 1.n r1s/t/Á¡. (o) Los llmitee de confianza delglovo están dados por.05 segundoe.26fvéaeet¿mbiénProblema6.682ó ESTIMAS POR INTERVALOS DE CONFTANZA PARA MEDTAS (PEQUEñAS MITESTRAS) 6.6 : 0.9. Una muestra de 10 medidas del diámetro de una esfera dio una media ñ: 4.8.06)/0.96+ v50 (10) 200 .04.Entonces los coeficientes de confianza pedidos son tú.026 y el valor crítico correepondiente es ú.t = t. (ó) +2.06.23 zc h¡estoqueestodebeserigualaTSll.05 segundos. 6-3 6. Eláreabajolacurvanormal : O t z: 0. (c'¡ t2. : 166. (b) Loe límite¡ de confianza del 99% son X t 2.7I 6. Entonces los lfmite¡ de confianza del 964o eon .hallamoat.2S z"=L6 z"=0. 6. Entonces (2.g6ol{n. Una muestra aleatoria de 50 calificaciones de matemáticas de un total de 200.Ze.00.58')(0. Fig. 6-8 debe ser 0.38 t 2.Entonce¡ utilizando ¡ : 4.*. se tiene que el error ser6 igual a 0.01.21o.01 : 9. (d) t= 60? Pa¡a los coeficientes de confi¡nza del 96% ("doble cola") el área total en la Fig.96.50 2oo-L = 76!2. 1fi = (1.4 60 límitee de confianza pueden repreaentarse por Ítz"ox deede z 68.29lO):0.:n-L:10-1:g.11. TEORIA DE ESTIMACION 20L es de Al medir el tiempo de reacción.09.goo*.26 &- Vlo-1 = 4. AsÍ. Aef.9Tolfi. (o) ¿Cuáles sonloslímitesdeconfianzadel9Ú% para la estima de la media de las 200 calificaciones? (b) ¿Con qué grado de confianza poüá . de aquf que el grado de confianza pedido *162(O. Los coeficientes de confianza del 96Vo ("d. debe emplearse la fórroul¿ para poblaciones finitas con muestreo sin remplazamiento.8 ó n : 96.q'-: 200 v50 200-1 = 75 + 1.38 + 0.04.2910. lo¡ límitee de confianza del96% pedidos eon 4.e?'.96)(0. 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. (d) =2. Puegtoque¡.0452 pulgadaa .01 ¡i n e¡ 97 o mayor.X+r"L . Para lo¡ valores de v dados egtos son (a) t Z.4.05.58o/{i.10.cAP. = * t1. Halla¡ los límites de confianza para el diámetro verdadero del (o) 96% y (b) 99%. un sicólogo estima que la dewiación típica del mismo (c) .05)/\.oble cola") para la distribución normal vienen dados por i1. ¿Cuáles son los coeficientes correspondientes pala la distribución úsi (a) v = 9.06 pulgadas.gzs:2. .setienequel. Asf el área ¡ombreada en la col¿ derecha es 0. pues. ¿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 0.10(c)].01 soliamente ¡i n es 167 o mayor.38 y c : 0.

0D > 0.f) = 4. Análogamente.426 pulgadas.= v-n 4. tenemoe 0.55 + 0.045 : 4.55 2.06b0 pulgadas y el inüervalo de confianza del99% e¡ 4.38 * (2.L2. Hallar los límites de confianza del (a) 95%.15.se5 - (b) Para v = 9.06) /\t1. Puesto que (P .O37pulgadas ? donde se ha utilizado la desviación típica muestral 0. = 3.55 para estimarp.pV" es normal asintóticamente.88 r 1.88 i g. (a ) Los límites de confianza d.9ó utilizando el Apéndice C indica que e-Bt/fi-fl/n:0.50): 0.96-9.14.1. (a grandes ) Mediante loe métodos de Ia teoría de grandes muestras los límites de confianza del 95% son X t 1. (c) 6.38 t 0.55 y la estima p : 0.50) Prob( que hob / J--ct t)_p . utilizando P donde B = : 0. Para hacer este problema de una fo¡ma más exacta.13.25.50.55.96-0-.ssr(S/tñ-l. t 3ú058)16:¡8 10d 0.el95o/o para la población p son P : l.qq /lo - 4.73% parap son 0.b0 Entonces.95.58)(0. y para tener una confianza del g5% de su elección necesitamos : 0.446 pr'lgadas. (b) 99%y (c) 99."-.27. obtenidos mediante ios métodos de pequeñas muestras o teoría exacta del muestreo son más anchos que los obtenidos por los métodoe de grandes muestras.13 para que la confianza de que el candidato sea elegido sea del g5% z El candidato se elige si p ) 0. Entonces loe límites de confianza del 99lo rcn i t ú.55 '^^ I(0'55)(0'45) :r 1'e6!ff : = 0.Z5(0.202 Asf. Una muestra de 100 votantes elegidos aleatoriamente entre todos los de un distrito dado. J_.73% para la proporción de todos los votantes que estaban a favor de este candidato. ¿Qr'é tamaño de muestra debe toma¡se en el Problema 6.50 ó n= 27r .049 pulgadas.6a5y'i6lBB)Io-75j7i : 0./e(l -p) ¡? V = 0.88 + 0. 6. 0.18.88 + g.58ú6:5EXb:¡BtTdd = Los lfmites de confianza del 99.6 : se puede estar en la confianza del 96a/o de que el valor ve¡dadero se encuentra entre 4.045 TEORIA DE ESTIMACION lcAP.55 = o'55t0'10 donde se ha tomado la proporción muestral 0.-'\ r1/pg-p)/n / rB I l-r'-tt'/z¿y t/2.335 pulgadas y 4. pues.06/y'10 . los límites de confianza del 99% son 4. = P t 1. - ó Prob(p > e-Bt/p6-ffi¡ = + J(t t/2r -.38 4.11 suponiendo válidos los métodos de la teoría de muestras.. t. (b) Comparar los resulüados de los dos métodos. (b) En cada caso.06 como estima de o. 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 6.315 a 4. los intervalos de confianza mues¡ras.p')/\/p(l .13.38 + 0. véase Problema 6. (a) Soluciona¡ el hoblema 6.l)6or. (b) Los límites de confianza del99% parap son 0.0 = 4.l = 4.55 t 0.2/z¿y L645 Al comparar con Prob(p > 0.55 del Problema 6.96. indicó que el 55% de ellos estaban a favor de un determinado candidato.

(a) Al nivel del g5o.50 ! Pz : 100/400 : 0.96. se obtuvieron 24 ca¡as.. se puede esperar con el 994n de confianza que la diferencia de las medias de las poblaciones se encuentre entre 167 y 233 horas.25 ! Z. Una muestra de 100 bombillas del fabricante B dieron una vida media de 1200 horas y una desviación típica de 80 horas.15. pues.60 + 15. esperar con confianza d.73% para la proporción de caras que se obtendrían en un ilimitado número de lanzamientos de la moneda. se puede esperar con confianza d.il3li. PtQt .17 y 0.33.el 99% son: 1400 - 1200 12. PzQz el - O.6V n:40 enlafórmula \tF(l=A/. 6. -loi*o'o -"1/"o-"" Los límites de confianza del 9b7o son: 1400 1200 .16. SustituyendolosvaloresP:24140 = 0.75.6.el ggVoson 0. Una muestra de 150 bombillas del fabricante A dieron una vida media de 1400 horas yuna desviación típica de 120 horas. (a) Los lÍmites de eonfianza del 95Va son 0. Mediante la fórmula aproximada p = P + 0. gt= Ptz" t z¡/F(=ffi.el 96% que diferencia de proporciones (ó) Los límites de confianza d. Así./.73% como 0. pues.AquíPr:300/600:0.g.27 da el intervalo de confianza del 95'ib como 0. se puede esperar con el encuentre entre 175 y 225 horas. el intervalo 0.el 99Vo que la verdadera diferencia de proporciones .50 encuentre entre 0.Xn-.tr 7. En una muestra aleatoria de 400 adultos y 600 adolescentes que veían un cierto programa de televisión.96/il2OtG0I80)2/100 Así. z" = 1. se tienep = 0.96 La verdadera = 0.19 y 0./i120)r/15¡+-G0)r400 = 200 + 82. Hallar los límites de confianza del (a) 95% y 99% para la diferencia de las vidas medias de las poblaciones A y B.?4 y el INTERVALOS DE CONFIANZA PARA DIFERENCIAS Y SUMAS 6. pues.t 1.23. pues.25 son las proporciones respectivas de adolescentes y adultos a quienes les gusta programa. 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. Los límites de confianza para la diferencia de proporciones de los dos grupoe están dados por 'll1 1t2 dondelossubíndicesly2serefierenaadolescentesyadultos. se Así. dando. Hallar los límites de confianza d9l (c) 96% y (b) 99. dando el intervalo 0.cAP.BZ a 0.37 a 0.6l TEORIA DE ESTMACION 203 6. se As( pues. En 40 lanzamientos de una moneda. se puede encuentre entre 0.0g.31.4 y B son dados por (a) *o. ae confianza que Ia diferencia'de las medias de las poblrcionee (b) Los límites de confianza d.Zb + 1.06.respectivamente.. (b) Al nivel del 99.?9.25 = 0.50 - 0. intervalo de confianza del 99. 95"/o de = 200 t 24. z" = 3. 100 adultos y 300 adolescentes dijeron que lei gustaba.45 a 0.45 a 0.5B = 0.83.58\. se tienep : 0..60 La fórmula más exacta del Problema 6.25 = 0. [-os límites de confianza para la diferencia de medias de.

4 V r de confianza del 99% son: 180. (b) Si }OO/\E : Aei pues.73% la verdadera desviación típica de la población ::o difiera de la desviación típica muestral en más del (c) 6%. El valor de 0. Si Er.x {2n 300//t = 5.08) = 180.1 V y la desviación típica 0. 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 6.4 t de confi¿nza del 99. se tiene ltlt+Ez+at+¿o = Fu. hallar lós límites de confianladel (a) g5%. de la desviación típica para todos los estudiantes del colegio. 6. Así.58(100)/r/Zbd = 100 r 12.g.2L. INTERVALOS DE CONFIANZA PARA VARIANZAS 6. entonces n : = 10. Entonceg el error porcentual de la desviación es 3s/t/-at (¿) Si 300 _ = s.[4: "'rJ o'r.o/yEi.4i0. donde 2.24 ) Los lfmites (c) Loc lÍmites (d) toslfmitesdeconfianzadel voltios.r Bo/l-zn Ss/\/Zn. Entonces. * uotr* l'a.4 + 1.* o".9. Así.r-= oE. entonces n 1800.. (b d.73% con: 180. 82. osr* Ez+t:. los límites de confianza del 99.e75 y st/n/x.1 y 112.73"/o para o son S .4:t0.19. FfJ voltaje medio de las baterías producidas por una compañía es de 45. pues. pues. 0.ozs..9 horas.16 voltios. Hall¿rr los límites de confianza del (a) 95% y (b) 99% para la desviación típica de la población de tales bombillas. La desviación típica de las duraciones de una muestra de 200 bombillas fue de 100 horas.1 voltioE y dc. (a) Loslímites de confianza delgSv" están dados por sy'7/x. ee puede esperar con confianza del 99'y'" que la deerüeión típica de la población se encuentre entre 87. puesto que /¿rr = lLEt lr'.4 t 3(0. indica el nivel de confianza.f8. (b)LO%? De igual forma que en el Problema 6.08) 0. el tamaño de la muestra deberá ser 1800 o más. Es y Eq representan los voltajes de las 4 baterías. . = 0. Hallar los límites de confranza del (c) 95% y (b) 99"/. = orr. utilizando s como una estima de o. (c) 99. (b) 99%.19 deberá tomarse para que con confianza del 99.58(0. el tamaño de la muestra deberá ser 450 o más.19.08 ÉEr+nz+E¡+Eo = 4(45. Y t¡. Si se conectan 4 baterías en serie. (o) Alniveldel 95". Así.4 t = 180.= lr'.. Se utiliza la dewiación típica muestral para estima¡ o.96(100)i/200 = 100:tg. Por tanto (véase Tabla 5-1.04 volüios.t+ti.8 horas. = 1la1ffiy : 0.204 TEORIA DE ESTIMACION [cm.054 voltios se llama error probable. 5O%son:180. En este caso se aplica la teoría de grandee muestras.21 voltios.08) = 180. 0.96(0..08)=180.04 V.el 95Vo que la desviación típica de la población se encuentre ) Al nivel del 99% los límites de confianza son: 100 * 2. = 45.1) = 180.4O pulgadas. 46O. se puede esperar con confianz¿ entre 90. 6./nloslímitesdeconfianzason:100 11.20.4 (o) (b Los límites de confianza del95% son: 180. o 6.73% y (d) 5O% para el voltaje total. oE. * l'a.6?45(0.r+r 2+Er+84 = . página 162)loslímites de confianza para la dewiación típica de la población son dados por S * z.0b4voltios.4 + 2.2 y 109. pues.

26 6 7.s¡5=2.el95')h están dados por Sy'-n.83 y 3.2= 115. hallamos como en el Problema 4.2.3 horas.8 ó ¡. Si se encuentra que sus varianzas son 24 y (b\ 90% para la relación de varianzas. y St/T/x.22.SO+19.oe5=5..19(b). Dos muestras de tamaños 16 y 10 respectivamente de confianza del (c) 98% se extraen aleatoriamente de dos poblacio- nes normales.5 = 91'2 y 100y'200/12'1 = 111'3 horas respectivamente. y 18 respectivamente halla¡ los límites (o) Tenemos nt = l(t. x1.50.ozs l-l Vz(rssl -r)z = itt.oos = 72.9212 : 239 161 = olz02s+V2(199)-1)e =.)rto = \/ 2o. (b) tos lÍmites de confianza del 99\i.el99% están dados por Sy'-nl¡.¡¡5.19 utilizando la teoría de pequeñas muestras.n25 = 2. ee decir.sor-79.11.9 horas respectivamente.2 a.73 y 2.9 y 1001800/t2.' son 100y'2b-0 115. Por tanto se tiene la confianza del 95% de que la desviación típica poblacional se encuentra entre 91. x?szs = 27.40\f-I6/5..92)2 = : \2.9 y 115. Entonces los límites de confianza del 997o son 2. (o) Los límites de confianza d.68 y 4.49 pulgadas. 200 .40Vf 6 /1. 1..15. Este resultado debe compararse con eI del Problema 6.g = 88. 3? = t=r"i = (lf)rznl = "? = 18 de modo qrre 26. pfuina 137' x.. .24 y = 6. s! = 20.40\f-16/2.19(a).t. están dados por Sy'-nlx ors y Sl-n/y.!75= 5.ozs.oos:4. X.9 y x. it.?3 y xz. Entonces los límites de confianza del 95% son 2.50.14. Entonces los límites de confianza del 99% son 100/Eñ6 de donde X sq¡ INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS 6.¡]oor=32.ee5 Para v y Sy/i/7.83 y 3'84 pulgadas.92)2 = 253 lL6.23.6l Para o TEORIA DE ESTIMACION 206 x?ozs = 16- 1 = 15 gradoode libertad. = 15.84 pulgadas. esto es.o75 = |{zsrr.s¡5. 1.68 y 4. 6.o .9 horas./x Para v : sr. Por tanto se tiene la confianza del 99/o de que la dewiación típica poblacion¡l se encuentra entre 1.40\R/2.2 y 111. Paray:16-1:lSgradosdelibertad.49 pulgadas.24 y 2." x%os 1_l .14. Solucionar el Problema 6. (b) Los lÍmites de confianza d.n. rz = 10..7.t-t.sa+19. Por tanto se tiene la confianza del 99% de gue la desviación típica poblacional se encuentra entre 88. Por tanto se tiene la confianza del 95% de que la dewiación típica poblacional se encuentra entre 1.60 ó y.1 : 199 grados de libertad. Este resultado debe compararse con el del Problema 6. x2nzs de donde ¡¡.5 6 x. : 200 - 1 : 199 g¡ados de libertad.r+l/Z[I6Ef-T¡z = jtz.= r\ri= (f.5 y Entonces los límites de confianza del 95o/.cAP._.

También del Problema 4. hallrrmoe para el intervalo de confianza del 98%.) Obsérvese que el intervalo de confianza del9O% e¡ mucho más pequeño que el intervalo de eonfianza del 98Vo. tenemos pataUl: 15 y ez:9 grado¡ de libertad f or : 1/3.'or¡ g. reculta .25.e5 2.6 Del Problema 4.23. 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.sg<!=z.eo = ". 6.e¡ = 3. Por tanto el intervalo de #(ffi) s += 6 0. v Q) 90% para la relación de las desviaciones de las desigualdades del Problema 6.89 de modo que l/F.z8a =# : = rsee.47(d).eg oz 6. página 13p.zt oz 0.(ffi) 4. ü = \/2ro2 -J- r-<x¡-ü2rzoz L = f(nt.0.89. Si n obsewaciones Xr & se toman de una población distribuida normalmente de la cual se desconoce la media y se conoce la varianza. 6. gue tenemos (I) Puesto Por tanto l(rx. . Al tomar la raíz cuadrada 98% v el9o%.23 hallamos los lfmitec de confianza para el (¿) (ó) ESTIMAS DE MAXIMA VEROSIMILITUD o.24.206 IEORIA DE ESTIMACION [cAP. pl" 'f (r.#>@t-pl2 Tomando Ia derivada parcial con re4ecto raL 1:' fr. = 3)@*-Pl reeulta Q.47(b). (#)(ffi3) o. como lógicamente era de eryerarse. = (b) Como en (o) hallamos del Apéndice F que confianza del g0% es F. Hallar los límites de confianza del (al 98% típicas del hoblema. pfui¡1g 19?.tn1z.4437 oí = * ('z'6'g)(?q¿. Halla¡ la estima de máxima verosimilitud de la media.84 V F.os : 1t2.59. Entonce¡ utilizando (171. pl = (2to2)-tt2¿-zbk-r)2t2o2 (z') (r) Fijando íLldp = 0 t¡L = a -f. tenemos F ge = 4.6?=1=r.96 parapl : 16 1 : 15 ! U2 =LO-1 =9 grados de libertad..

z7 n -4ü r+4 n o P (b) Utilizar la fórmula de (¿) para obtener los límites de confianzadel99.cuyassoluciop son dadas por La fórmula cuadráti. Si en el Problema 6.26. estaecuaciónsereduceaafi*bp*c:0."2) en cambio d. se tiene e+ flt "" P(L-PI .6l TEORIA DE ESTMACION 207 6.25 se conoce la media pero se desconoce la varianza. zi n -4nz | +! . Si escribimos f (rx.) Dividiendo numerador y denominador por 2n. {P(L = *2" p(.cAP. por tanto.27. (c) Mostrar que p¿üa grandes valores de n la fórmula de (c) se reduce a p=P¡2" \FF -nn.13.25 ha¡ta la ecuación (2) aplica.P)/n Los valores mayor y menor de esüa variable tipificada son tzc.63. tenemos ee i'# Fijando aLl0o2 . (a) Si P es la proporción observada de éxitos en una muesha de tamaño n. queda. se tiene P-P Elevando al cuadrado los dos miembros.0 hallamos Vé¿se Problema 6. La proporción muestral P en unidades tipificadas . .L n - pl pz-2pp*p2: (nI nes para zp\p2 "?P# z?lp Multiplicando los dos miembros por ¿ y simplificando. b--(2nP+"7) y c=nP2. (a) como la utilizada en el Problema 6.ca p= _6 + 1/@=lo" 2a z"P+27=W 2(n* z7\ 2nP I 22" * ""t/6F(L1VlT7" 2(nI zf. En estos valores extremos. donde z" deüermins el nivel de confianza. = -fi+ uár> @t-r)2 02= 2 (rr - pl2 PROBLEMAS DIVERSOS 6. Entonces tomando la derivada parcial con reqrecto a 02.TS% delProblema 6.e f(x¡. 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) .13. - (2nP I * nPz = 0 Si o=n+z!. halla¡ la estima de máxima verosimilitud de la va¡ia¡rza.p). todo lo efectuado en el hoblem¡ 6.p oP = -1.

/zn. 6.7 a Lt3.55yn:100enlafórmula y 22"/nson despreciables y pueden sustituirsepor cero. horas Una muestra de 10 tubos de televisión producidoe por una compañía.e6 : 15. Sin embargo.8 89.40 y 0.7.'.9 110.Es posible haltar otros límitee de confianza escogiendo valores críticos de X2 gar. zf.2 19.a los cuales la suma de las áreas en l¡as colas sea61.8.208 TEORIA DE ESTIMACION (b) Paraloslímitesdeconfianzadelgg. es de g1..TSVo.32 92. X 032 y X 1¡2.8.2 y 9. .69 en acuerdo con el problema 6. En la Tabla 6-2 se indican varios valores críticos y los conespondientes intetwalos de confianza del 95%.29. ó 0.64.O a 110. 6'33. la disminueión en el intervalo que 8e obtiene es comúnmente despreciable y no Probletn.. (c) 95% y (d) 90% para el dirimetro medio de todos los remaches fabricados por la compañía.4 libras.8.30.28.0 a 110.7 7.72642 pulgadas y 0. respectivamente.rlos ESTIMAS INSESGADAS Y EFICIENTES 6.o¡r y x e8l.42 a a 111. La media y la desviación típica de las cargas máximas soportadas por 60 cables (véase Problema 5. etc. lcAP. respectivamente.3 91. Las medidas de pesos de una muestra fueron registradas como 8.98) están dadas por 11.?3 20. Estimar (o) la media y (b) la desviación tÍpica de la población de todos los tubos de televisión producidos por esta compañía.100).s2=12. en general. 8.z.¡amente 19. 6./Anz que se obtiene la fórmula pedida.31. Hallar los límites de confianza del (o) 951/.44. (c) Comparar la desviación típica muestral con la desviación típicÁ de la población estimada. La media y la desviación típica de los diámetros de una muestra de 250 remaches fabricados per una compañía gon O. Hallar los límites de confianza del (o ) 99%.utilizando de (a).r De la tabla se observa que un intervalo del95%.6 p=0.4 20. X. ¡es=15.6.0 = 12.7s7=15.Entonces. entonces zf.6%.54 ¡. 2g.85.9 7. 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. de amplitud sol.a. (o) Solucionar el Problema 6. y 0. (c) Si n es gtande..=B.?3 ton.22(a) fueron obtenidos escogiendo valores críticos de y2 de tal manera que las áreas en cada cola fueran 2. dieron una du¡ación media de 1200 y una desviación típica de 100 horas. 10. se tienep : 0. Determinar estimae insesgadas y eficientee de (o) la media de la población v (b) la varianza de la población. g.e4 91.09 ton.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 6.8 ¡. pero de tal manera que las áreas en cada cola no sean iguales. Un intervalo con amplitud af¡n menor puede hallaree continuando el mismo método de aproximación x. de forma 6.ge = 15.05.13(a). (b) 98Vo.el 95"tb Ampütud 2r. y (b)99dto para la media de las cargas máximas de todos los cables producidos por la compañía.s sr¡plernenta.00058 pulgadas. Valores Crítico¡ Tabl¡ 6-2 Intervelo de confianza d. respectivamente (véase Problema 5.6 = 12.$=12'76.30 si se obtienen los mismos resultados para 30.8.32. empleando t¡alores críticos tales como justifica el trabajo involucrado. 10. cuya amplitud sea menor que la del Problema 6.

40.g?. respectivamente.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 6.73V"? 6.45.g1 sfoundos. 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. y una Una muestra de 12 medias de resistencia a la rotura de hebras de algodón dio una media de 7. ¿Cuál será el número mínimo de voranües que se deberá mue\trear para quelaeonfianza sea del (a) 8O%.30 horas. Una muestra de 200 cerrojos producidos por una máquina mostró que 15 eran defectuosos.42.2[horas.gg. 0.(b\95%'(c\99% deladecisiónen favor de uno de los candidatos? INTERVALOS DE CONFIANZA PARA DfFERENCIAS Y SUMAS 6. ESTIMAS POR INTERVALO DE CONFIANZA PARA PROPORCIONES 6.638 libras y una desviación típica de y (b) del 99Vo pata los pesos de lotes de 100 cojinetes cada uno.44.46. para que la confianza de que la proporción ¿Qué tamaño de muestra se debería tomar en el Problema 6. o. Se cree que una elección resultará muy reñida entre dos candidatos. 6.43.g9.80. como 0'28. Hallar los límites de confianza del (a) 95%' (b)99o/oy (c) gg .86. Hallar los límites de confianza del (c) g5%. Hallar los límites de confiánza (a) del 95% Una compañía fabrica cojinetes de bolas que tienen un peso medio de 0.3? suponiendo aplicables los métodos de la teoría de los resultados obtenidos. ¿qué tamaño de muestra deberá tomarse puüa que sea del (a\96%. De dos grupos análogos de enfermos A y B formados de 50 y 100 individuos.24 onzze. 0.82 con una desviación típica deO.38 onzas los límites de confianza del (c) 95% y (b) 997o para la resistencia real' desviación típica de 1.a h diferencü de proporciones de cerrojos defrctuosos de las dos máquinas' Estudiar los resultados obtenidos.33.76 y 0. 6. (b ) del 99%.2?. y (b) el error probable para la media de los diámetros del 6.36 si el error en la duración media estimada superar las 10 horas? ESTTMAS POR INTERVALO DE CONTIANZA DE MEDIAS (PEQUEÑAS MUESTRAS) 6.cAP. HaIIar los límites de confianza del (o) g5%.7 Bdn pá. respectivamente. dio el 7O% de bolas rojas. al primero le fue dado un nuevo tipo de somnífero y al segundo un tipo convencional.41. INTEBVALOS DE CONFIANZA PARA VARIANZAS Y DESVIACIONES TIPICAS 6. 6. Para los pacientes del primer grupo el número medio de horas de sueño fue 7. 6.6l' TEORIA DE ESTIMACION límites de confianza del 5O% 209 6.41. (c) del 99. (b)g|%t (c)997oV @)59.012 libras. 0. 6. (b\ 99% y G\ gg. (b)gg%y (c)99J37" para la dewiación típica de todoslos cables producidos por la compañía. Una muestra aleatoriade 60 bolas extraídas con remplazamiento de la urna.7g% para la proporción real de bolas rojas en la urna. 6. mientras que de 100 cerrojos de otra máquina 12 eran defectuosos. 6.40 verdadera no difiera de la proporción muestral en más del 6Vo sea (a) del 95Vo.94" Hallar (¿) los Problema 6.ParalosdelgrupoB fueron 6.g5. Hallar eI error probable de la desviación típica del Problema 6'46' . Hallar los límites de confianza del (a) 95% y (bl99% para el tiempo reacción. Cinco medidas del tiempo de reacción de un individuo a un cierto estímulo fueron registradas real de 0. Dar los resultados utilizando la fórmula aproximada y la más exacta del Problema 6'27.3g. La desviación típica de resistencia a la rotura de 100 cables producidos por una compañía fue de 180 libras. Hallar grandes muestras y comparar Solucionar el problema 6. Si la desviación típica de la duración de los tubos de televisión se estima en 100 horas. Una r¡rna contiene una proporción desconocida de bolas rojas y blancas.

hallar la estim-a de máxima verosimilitud de z.55. La desviación típica compañía.(d)v : 30' (¿) v: 40? Una compañía tiene 500 cables.e 24OO libras y una dewiación típica de 150 libras. Xn de una población distribuida normalmente con media ¡l y varianza ¿Pueden determinarse estimas de máxima verosimilitud de ¡t y o2 en términos d.60. . Si n observaciones 6. . r. Si se toman n observaciones. ..51. 6. Hallar Ios intervalos de confianza del (a) 98% y (b) 90% para la relación de Ias varianzas.51 que tiene la menor amplitud? 6. Determinar los intervalos de confianza del (o) 98%v @\gOVapara larelacióndelasdesviacionestípicasdel Dos muestras de tamaños 6 y E respectivamente tienen la misma varianza. ESTIMAS DE MAXIMA VEROSIMILITUD 6. Una población tiene una función de densidad dada por i@l = 2rt/r/" ¡2s-v*.042 cm y 0. 6. 6.62.54 si las muestras tienen tamaño 120 cada una. Una población tiene una función de densidad dada por 8e toman n observaciones l(r) = l^0 [ Si se toman n observaciones X1 . .53.e 11..49. .54. Xn se toman de una distribución de Poisson con parámetro tr desconocido.? ¿Son lc mismos a los dados en los hoblemas 6. Hallar los intervalos de confianza del (o) 98% y (b)907. En una prueba de 40 cables seleccionados aleatoriamente resulta una media de la resistencia de rotura d. .61. 6.(c)v:25.25 y 6. (o) ¿Cuáles son los límites de confianza del 951/o y 99% para estimar la media de la resistencia de rotura de los 460 cables restantes? (b) ¿Con qué grado de confianza podríamos decir que la media de la resistencia de rotura de los 460 cables restantes es de 2400 1 35 libras? ¿Cuál es el intervalo de confianza del 957.57. 6. del Problema 6. .58.59. . -t 1 r ( -.52 y (b) Problema 6.49 utilizando la distribuciíny2 si una muestra de 100 bombillas tiene la misma desviación típica de 120 horas. 6. . TEORIA DE ESTIMACION [cAP. PBOBLEMAS DIVERSOS 6. ¿Cuáles son los coeficientes correspondientes para la distribución f si (o) v = 4.48.035 cm respectivamente. Comparar los resultados con los obtenidos empleando la distribución normal. . basados en muestras de tamaño 10 cada una. . para la relación de las varianzas de las poblaciones de donde se exhajeron.56. límites de confianza del (o) 96'/o y (b)99Eb pa¡a la desviación típica de todas las bombillas fabricadas Solucionar el Problema 6. . Si Xr.58. [(A'+t)st 0<¡:<1 de otra forma Xn de esta población hallar la estima de máxima verosimilitud de h. ¿Considera que las dos muestras del hoblema 6.50.7T% de que la desviación típica de una población no difiera de la desviación típica muestral en más del 2%? 6. . 6.54 fueron extraídas de la misma población? Justificar su solución.(b)v:12.26? Explicar.2to 6. X1. Los coeficientes de confianza del 999á ("doble cola") para la distribución normal están dados por 12. Hallar los igr la 6. hoblema 6. Xn de esta población. Solucionar el (o) Problema 6.6 ¿Qué tamaño de muestra deberá tomarse para que la confianza sea del (a) 95%. 02 desconocidas. . (b) gg% y (c) gg. . Solucionar el Problema 6. INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS 6. X¡.63. .49 si 25 bombillas tienen la misma desviación tÍpica de 120 horas. . Hallar el estiniador de máxima verosimilitud de ).52. de la du¡ación de 10 bombillas fabricadas por una compañía es 120 horas. . . . 6. .62. Las desviaciones típicas de los diárnetros de los cojinetes de bolas producidos por dos máquinas son 0.

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

de modo que los resultados obtenidos no influyen en la elección.)/o.1. 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. z > I.=lD6 I'ig. 7-1. varianza 1) y se muestra en la Fig.05 si la z obtenida para el estadístico S se encuentra fuera del recorrido .96 a 1.1. Esto equivale a decir que el estadístico muestral observado es significativo al nivel del 0.212 error del Tipo da.96 ó z 1. De acuerdo con lo dicho hasta ahora. El área total sombreada 0. entonces hay aproximadamente 5 ocasiones en 100 en que se rechazaría la hipótesis cuando debería ser aceptada. se está con un 95% de confianza de que se toma la decisión adecuada. 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. el valor de e obtenido de una muestra real para el estadístico S se encontrará entre 1.96 constituyen lo que se llama región crítica o región de rechace de Ia hipótes¡'s o región de significación.O6El conjunto de las z que se encuentran fuera del rango -1. si la hipótesis es cierta.7-l Sin embargo.96 podía entonces llama¡se región de aceptación de h hipótesis o región de no significación. En la práctica se acostumbra a utilizar niveles de significación del 0.. La única forma de reducir al tiempo ambos tipos de error es incrementar el tamaño de la muestra. ? II..05.96 a 1.05 o que la z obtenida del estadístico muestral dado es significatiua al niuel de significación del 0. Como se indica en la figura.96 a 1.01. la distribución muestral de un estadístico S es una distribución normal con media p" y desviación típica o". . al diseñar un ensayo de hipótesis.1. y así se tiende a conseguir poner una limitación al error de mayor importancia.. En tal caso se dice que la hipótesis ha sido rechazada aI niuel de significación del O. se puede estar con el 957o de confianza de que.05 ó 0. supóngase que con una hipótesis dada. 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. va generalmente acompañádo por un incremento en el otro tipo de error. Así pues. si al elegir una muestra aleatoria se encuentra que z para ese estadístico se halla fuera del recorrido .96 (puesto que el área bajo la curva normal entre estos valores es 0.El conjunto de lasz que se encuentran dentro del recorrido . Representa la probabilidad de rumeter error al recbazar la hipótesis es decir. se dice que la hipótesis se rechaza al niuel de significación del0. Entonces puede decirse que esta z difiere signifícatiuamente de la que cabía esperar bajo esta hipótesis y se estaría inclinado a rechazar la hipótesis. lo que quiere decir que es un suceso con probabilidad de solamente 0. es decir. por ejemplo se elige un nivel de significación del O. es una normal tipificada (media 0.05 es el nivel de significación del ensayo. ¡--lglj .05 6 6"/. debe diseñarse de forma que minimice los errores de decisión.05. un tipo de error puede tener más importancia que el otro.96). ENSAYOS REFERENTES A LA DISTRIBUCION NORMAL Pa¡a aclarar las ideas anteriores. Esta probabilidad se denota frecuentemente por o.96 (es decir. la probabilidad de cometer error del Tipo I. ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.95).05 (área sombreada de la figura) si la hipótesis fuese verdadera. aunque igualmente pueden emplearse otros valores. generalmente se fija antes de la extracción de las muestras. Si.O5. un intento de disminuir un tipo de error. Entonces la distribución de la variable tipificada dada por Z : (S ¡.96 y 1. Esto no es tah sencillo como pueda parecer puesto que para un tamaño de muestra dado.96 a 1. En la práctica.96.lo que significa que se puede cometer error con una probabilidad de 0.1. lo cual puede ser o no ser posible.

aceptaríamos -EI6 de que la media poblacional es p : o utiliza¡íamos el estadísti-EÍe (o al menos no lo . en una "cola" de la distribución.58 y -2. En tales casos.88 2. o. puede también emplearse. en las dos "colas" de la distribución. Para ensayar la hipótesis nula (f) co (I ). las distribuciones muestrales de muchos estadísticos son distribuciones casos' se pueden típica a !s V casi normales ótesis y significan o en reglas ante utilizar lo de interés práctl de los ente u asos ción. media poblacional.08 ENSAYOS ESPECIALES DE SIGNIFICACION PARA GRANDES MUESTRAS Para muestras grandes.33 -2.88 y -1..05 001 45 0.96 y -2.. como por ejemplo. si se utilizase el nivel del 0. puesto que la suma del nivel de significación y el nivel de confianza es L00%. será de utitidad para propósitos de referencia. Cuando es necesário se utiliza la desviación muestral observada s (ó G). Ia región crítica es una región a un lado de la distribución.8I -3. donde o es la desviación típica poblacional y n es el tamaño de la muestra.96 en todo lo visto anteriormente por 2. En cada caso.81 2. media muestral. para estimar o. La Tabla 6-1. es decir.58 (véase Tabla 7-L). Entonces.6 1.08 y 3. Por ejemplo.28 1. Los co. = op: o/1/i.005 0. Valores críticos de z para otros nivelei de significación. 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).645 y 1. con área igual al nivel de significación.002 ó -t. Z = -. que da los valores críticos de z para ensayos de una y dos colas a distintos niveles de significación. La Tabla 7-1. tss =.96 1. 1.645 cí 2. Tales ensayos se llaman ensayos de una cola o ensayos unilaterales. los resultados son para poblaciones infinitas o para muestreo con remplazamiento' Para muestreo sin remplazamiento de poblaciones finitas los resultados deberán modificarse. Debe ponerse de manifiesto que puedgn igualmente emplearse otros niveles de significación. tales ensayos se llaman ensayos de dos colns o ensayos bilaterales.58 2. Véanse páginas 158 y 160.645 1. ENSAYOS DE UNA Y DOS COLAS En el ensayo anterior se atendía a los valores extremos del estadístico S o su correspondiente z a ambos lados de la media.58 2. Por esta raz6n.28 ó -1. Medias. utilizando un ensayo de dos colas.-: ú1V11. Si4 embargo. La variable tipificada viene dada por Aquí S : X. es decir.cAP. página 195. con frecuencia se puede estar solamente interesado en los valores extremos a un solo lado de Iá media.33 ó -2.58 ó -2. se pueden encontrar utilizando la tabla que da las áreas bajo la curva normal.10 0.i: ¡t.7l / ENSAYOS DE HIPOTESIS Y SIGNIFICACION 2L3 (b) Se acepta Ia hipótesis (o si se desea no se toma decisión alguna) en caso conhario.la X-. Tabla 7-1 Nivel de significación o Valores críticos de z para ensayos unilaterales Valores críticos de z para ensayos bilaterales 0.01 se sustituiría 1.

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

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

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

poüíamos realmente emplear el intervalo de confiaíza del Capítulo 6 para e¡¡sayar ttipótesir. POTENCIA DE UN ENSAYO Se ha visto cómo el error del Tipo I pued. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 2t7 R. significación. El problema de ensay En un intento para determina¡ si una distribución normal representa un buen ajuste para datos dados. qué tamaños de muestras deben emplearse. CURVAS CARACTERISTICAS DE OPERACION.cAP. conviene utllizar papel grófico de curua normal o papel grófico de probabilidad. Es a menudo en la práctica AJUSTE DE LAS DISTRIBUCIONES TEORICAS A DISTRIBUCIONES DE FRECUENCIA MUESTRALBS Cuando se tiene algiuna indicación sobre la probabilísticos u otra causa. la si de modo que puedan darse los pasos rápid ejemplo en control de calidad. se describe más adelante. por ejemplo.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. . r a¡ la bondad d. El método utilizado general: típica de la muestra para estimar la media y des 7. donde s camb se deben simplemente a fluctuaciones causa de deterioro en las máquinas. érrores de los empleados. como a veces se le llama (véase Problema 7. al menos en el caso de los ensayos de dos colias. A pesar de que la necesidad de tales intervalos es rara' es posible definirlos (véase Problema 7. Un resultado semejante para_ ensayos de una cola requeriría intervaloi de confianza unilateralás. etc. Es posible evitar el riesgo de error < nunca la hipótesis.7.ELACION ENTRE LA TEORIA DE ESTIMACION Y ENSAYO DE HIPOTESTS las estimación notamos q De alos de confianza y la teoría de en aceptar flo en el nivel 0.29).33.136 y también Problema 6. Sin embargo. el enmyo chi-cuadrado.32 y 7. en muchos casos utilizan a menudo curuos característícas de Ia opet las probabilidades de errores del Tipo II bajo dife cómo en ensayos dados se logra minimizar los errt ensayo para evitar el toma¡ decisiones equivoci mostrar.elo vn vn Por tanto. Los gróficos de control suministran un método útil y sencillo para tratar tales problemas (véase Problema 1. GRAFICOS DE CONTROL DE CALIDAD importante conocer cuándo un proceso ha cambiado suficientemente. (/ ) en la (1e) ñ _ L.14).30. es posible frecuenten llamadas "modelos" o distribuciones "esperadas") tras de la población. Útt "trrayo ajuste de distribuciones teóric as.05 es eq pigtm 195 conducente al intervalo de confianzadel96"/o se puede obsenrar que existe u eoría de ejemplo.31).

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

m si las frecuencias esperadas solamente pueden calcularse estimando m parámetros de la población a paftir de los estadísticos muestrales.ENSAYOS DE HIPOTESIS Y SIGNIFICACION Si v2 : 0. los símbolos X¡ Y nP¡ representan respectivarnente las frecuencias obsenradas y esperadas en la casilla i.e contin- Correspondiéndose con cada fiecuencia obsen¡ada en una tabla de contingenciahX k. Adviértase que el restar 1 a k es a causa de la óondición restrictiva (221 que denota que si son conocidas k . la fiecuencia restante puede ser determinada. (blv : k . En la práctica. aquellas que se obtienen de los datos muestrdes. de Poisson.j*h a distribuciones empíricas. Véase Problema 7. A valores mayores de y2.. mayores son las discrepancias entre las frecuencias obsen¡adas y esperadas. ó Xl. se calcula el estadístico (2tt\ x2 = ?g#a donde la suma se extiende a todas las casillas de la tabla de contingencia. las esperadas. paíá examfuia¡ tales situaciones se puede determinar si el valor calculado 4" I' ": -"noi eue ¡2". en cuyos casos se decide que i" concordancia es bastante buena a los niveles de significación de 0. ó ¡f.re ócupan ias corliilas de uná t tales.) 0. rechaza llo al nivel de significación correspondienl rechazará. El número de gradosrde libertad z está dado por (a) v : h . La frecuenciá total de cada fila o columna es la llamada frecuencin marginalPara estudia¡ el acuerdo entre las frecuencias observadas y esperadas. . 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)1.1 de las frecuencias esperadas.01 respectivamente. no toinciden exactamente. se .| si las frecuencras esperadas pueden calcularse sin tener que estimar parrámelros poblacionales con los estadísticós muestrales. por (21) se muestral a Como se demuestra en el elección de or tanto. TABLAS DE CONTINGENCIA (léase "1por h").05 a 0.. mientras que si ¡z. en las que las fre tabla de clasifict¡' tabhs gencia.Si bajo esta hipótesis el valor calculado de x' como xf. que son los valores crít -se deduce que las frecuencias mente). contiene hh térmnos. Esta suma que es análoga a (21). c aproxima muy estrechamente ción mejora iguales a simbolo en (-21) si las frecuen para los valores superiores.r.L . las frecuencias esperadas se calculan de acuórdo con una hipótesis flo. es decir. la prueba chi-cuadrado puede-ser empleada para determinar de qué forma distribuciones teóricas talés como la normal.44. aq con cierto recelo. cero debe mirarse demasiado bien con ncias obiervadas concuerden en que x2 estÉ muy próximo Además de aplicarse a la distribución multinomial. las frecuencias observadas y esperadas concuerdan exactamente. etc. pu-esto queDebe advertirse que en a.. d. hay un-a y según las reglas de probabilidad' o esperada gue se calcula bajo ncia se llaman frecuencías elemen' q.-Este procedimiento se llama ensayo o prueba de ehi-cuadrado de la hipótesis.

ráU" de esto véase el Problema 7. número de grados de libertad es z : 1.*!4t_"p_4.ü nPr En general. Et númeró áé É dado para h > l. que no es nunca superior a uno.L\q 1) si las frecuencias-. (h . ? I estad de Y de es tal (a) v :. ejemplo.t. . .220 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP. ión muestral muy próxima a la distribución no sean demasiaáo pequeñas. el máximo valor de c viene dado por 1frn . Las frecuencias esperadas-son halladgf bajo una determinada hipóteiis llo. Las tablas de contingencia pueden extenderse a un número mayor de dimensiones.. El número de filas y columnas de la tabla dg contingencia determina el valor rñáximo de C.6g y 1.rtt" pr. Una tripótesis normalmente supuesta es la de que las dos clasificaciones son independientes enhe si.rytc (véanse problemas 7. También existe una modificación análoga de (24). Así por CORRECCION DE YATES PARA LA CONTINUIDAD . Si el número de filas y columnas de una tabla de contingencia es ilrrh ah.Los ensayos de significación para tablas h x h son análogos a los de las tablas 1 X k.. A mayor valor de Q mayor es el grado de asociación.1F nz si las frecuencias observadas pueden solamente calcularse estimando m parámetros poblacionares con los estadísticos muestrales.L27\. como se ha visto en capítulos ant-eriores.esperadas pueden calcularse sin tener que estimar -parámetros ooblacionales con los estadísticos muestrales.L)(k .. En COEFICIENTE DE CONTINGENCIA Una medida del grado de relación. la corrección se hace solamente cuando el @s) se conoce frecuentemente como corrección de Yates.62.48. k il por (b) u : (h.7 . asociación o dependencia de las clasificaciones en una tabla de contingencia está dada por (26) que se llama coeficiente de contingencia.Cuando se aplican a datos discretos los resultados para distribuciones continuas deben hacerse ciertas correcciones. Una corrección análoga cuando se utiliza la distribución chicuadrado-. La corrección consiste en poner (21) coimo sigue "r "pii""uié ¡2 (corregida) = tL\-g!)- !'5Y * !4-grP +. Para. se pueden tener tablas h X h X I donde estén presentes 3 chsúicaciones.

entre 40 y 60 caras inclusive es lo mismo que entre 39. \ql . de otro modo se rechaza y se decide que la moneda no está bien hecha..1O y z: 2.5 - 50 = 2. . puede utilizarse para la er¡aluación de la suma anteriqr la aproximación normal a la distribución binomial. Región de recbace ? El error que se puede cometer de rechazar la hipótesis (39.0358 del apartado (o).) =./ 1" (.lO 2. Para ensayar (c) Hallar la probabilidad de rechazar la hipótesis. La regla de decisión se ve gráficamente en la Fig.L0 y 210. cuando debería aceptarse q el error del Tipo.s resueltos ENSAYOS DE MEDIAS Y PROPORCIONES UTILIZANDO DISTRIBUCIONES NORMALES 7. probabilidad de error del Tipo I) se llama níuel de significación d. Así.que muestra la distribución de probabilidad de caras en 100 Ianzamientos de una moneda bien hecha.tp = 1oo(..5.0358 6 3. /1Y.I de la regla de decisión y la probabilidad de cometer este error es igual a 0.1. se rechaza.'lóJ /1Yo . Entonces la probabilidad de rechazar la hipótesis cuando es correcta : 0.. se toma la siguiente regla de decisión: (1) se acepta la hipótesis si el número de caras en una serie de 100 lanzamientos se encuentra entre 40 y 60. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION 22r Problema. Por esta razón. Hallar la probabilidad de obtener entre 40 y 60 caras inclusive en 100 lanzamientos de una moneda. uo Pueeto que np o-{ffi=['r{ffi=' = _2./lY' (. .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. 53 (o) (b) Por el Problema 7. la probabilidad pedida es /1\'t0 'oocoo( i) /r \6r' . (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. cuando en realidad es cierta.) +'noc. el área total sombreada (es decir. ambos inclusive.0358. está representado por el área total sombreada de Ia figura.5 .9642 : 0. -.0358 en este casc..5 y 60.I0 Probabilidad pedida : : área bajo la curva normal e¡tíe z: 2(áreaentre z: O y z: -2.'| rrx'ti'\r/ /tY' \-/ \-/ \-/ \-/ \-/ La media y la desvi¿ción típica del nf¡mero de ca¡as en 100 hnzamientos vienen dadas por t.7-2 z (60.e la regla de decisión y es igual a 0.1. Si en una serie de 100 lanzamientos sg obtiene una z entre -2. 39.0358. la probabilidad de no obtener entre 40 y 60 caras inclusive si la moneda está bien hecha 1 . la hipótesis de que una moneda está bien hecha.2. se acepta la hipótesis.5 en unidades tipificadas = q9'5-:-E 60.5 caras.en unidadee tipificadas = 60.0. En una escala continua.10 y nq son ambas mayores de 5. (2) de otro modo. (b) Interpretar gráficamente la regla de decisión y el resultado del apartado (c).58%.-210 caras) FiE.10) 7. Según la distribución binomial. 7-2. se dirá que esta z difiere significatiuamente de lia que cabría esperar si la hipótesis fuese cierta. pues se habla de rechazar la hipótesis a un nivel de significación de 0.CAP.

96(4): 1. Estopuedetambién - el número de ca¡as se encontrará entre lr 2. 7. SiZ:1. Para mayor discusión véanse Problemas 7 rechazarse ea error del Tipo 1I de la .96.96(4) :24.5.3.84.99 . .84.(X-32)14:-1. np.96 <(x-gz)l¿.58o y pt*.96 y 1. 89. el área entre 0 y zr es 0.5000 . Esto es lo que se debe afrontar cuando para tomar decisiones se toma cualquier línea de división. Se puede aceptar la hipótesis cuando realmente debería rechazarse como.Asípues. es decir.84.01 .58(4\: 42.96.95. (o) Primer método: Si el nivel de significación es 0. Entonces el área entre 0 y zr = 0. (2) Rechazarla en cualquier otro caso.1.76y 32+ -1. Así.23-7. Entonces.t6.222 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.O25O : O-4750.96 < z < 1.25.á bien hecha si en una muestra de 64lanzamientos de la moneda se toma un nivel de significación de {c) 0. se habría rechazado la hipótesis.025 por simetría. Diseñar una regla de decisión para ensayar la hipótesis de que una moneda est.5) . Entonces Z la regla de decisión resulta: = (X - 32\14. ? (c) Según la regla de decisión.< 1.96yñpq lleva a Ia regla de decisión anterior.96 equivale a .96. nótese que la media y la desviación típica de la distribución binomial exacta de caras están dadas por ! .32.16<X< 39. es decir.96(4) la regla de decisión anüerior.960 y ¡J + l.7-B 2r Los valores críticos la Tabla 7-1- -1. entre 25 y 39 ambos inclusive.96 pueden ser también sacados de Para expresar esta regla de decisión en términos del número de ca¡ae a obtenerse en los 64 lanzamientos de la moneda. (i ) Se acepta la hipótesis de que la moneda está bien hecha si el número de 24. el número de ca¡as se encontrará entre ¡¡ decir.5i2:-1.np: 64(0.0050 :0.? en lugar de 0. se ve que con probabilidad 0.1. -zr Fis.1.(X-32)l¿:1-96óX:39. Se puede argüir que con solo una cara más que se hubiese obtenido. caras se encuentra entre (2) es Se rechazá la hipótesis en caso contrario. cada área sombreada en la figura anterior es 0.que también conducea ) obtenerse de la Tabla ?-1. pues.05 y (b) 0. por ejemplo.960.4950 ! zt = 2. g2-2. (d) Si.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.58o. 2. (b -1.5000 0. 24.96{npq o entre 32 - 1.966X=24.O. Si el nivel de signilicación es 0. El error que se comete al aceptar la hipótesis cuando debería decisión.96 y 1.575). es decir. Siguiendo el mismo procedimiento del método segundo del apartado (o ).2. una posible regla de decisión es: (I ) Aceptar la hipótesis de que la moneda est:á bien hecha si Z está entre -1. sería el caso cuando la probabilidad de cara fuese realmente 0.bg (másexacüarnente 2.01.005. cada6rea sombreada en la Fig.96. 7-3 es 0.96(4).96_ (2) Rechazar la hipótesis en cualquier otro caso.32 y o -= t/iw = y'6llos)(05) = = (X p)/o 4 bajo Ia hipótesis de que la moneda está bien hecha.84que 32) < 1.96(4)< (x6 32. Entonces.16 y 39. Segundo método: Con probabilidad 0.96(4)< X< 32 + 1. Tercer método: y np+1.1. en ambos casos se aceptaría la hipótesis de que la moneda está bien hecha.58(4):21.y z¡ : 1.05.

33. la decisión rnantiene es decir.26').05.01 son probablemente significotiuos.P. p es la ptobabilidad de que el sujeto elija conectamente el color de una catta.5 y el sujeto tiene fuerza de E.26)13. Es desconocido-para el zujeto cuántas cartas rojas o azules hay en el lote.5 V el sujeto está simplemente adivinando. En un experimento sobre percepción extrasensorial (E. los resultados son significativos al nivel del 0.S. se concluye que los resultados del experimento anterior wn probablemente significatiuos.3(b) serfa: (I ) (2) No recltzz.05 pero no al nivel del 0.5 üiene un valor tipificado de (31. Para evitar este etlor. lo que efnificarfa que ee rehuaa cualquier decisión en este caso.05.84 llegándose a Ia misma conclusión anterio¡.645.6.np = 50(0.06 se debe elegit z1 en la Pig. 31. la media y la desviación tfpica del número de cartas identificad¿c correcüamente 3.84) que es menor que 2.Puestoque32(ó 31. Asfrpues. 7-4 de modo que el área sombreada en la región crítica de r¡alores alüos sea 0.4.01.98 es mayor que 1. la regla de decisión o enaayo de significación es: (f ) Si la z observada es mayor que 1. los resultados significativos al nivel del 0.5. Fig.54 p=.omete al aceptar una hipótesis que debería ser rectrazada. lo que se hace es simplemente no rechazarla.5) = zb ! o=\/wq = /86(05)(-05) = ¡/Es = (a) Para un ensayo de una cola al nivel de significación de 0. Seglrn la üerminologfa.01.5 .P. Algunos estadísticos adoptan la terminología de que lios resultados significativos al nivel del 0.64: 1. entonces se tiene que decidir entre las dos hipótesis siguientes: Si Hoi p: 0.06 son no significatiws.5) en unidades tipificadas es 1. 7-4 Puesto que 32 unidades tipifrcadas (32 . se concluye que al nivel del 0.05 y (b) 0. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 223 7. . en muchos ejemplos prácticos es importante decidir si una hipótesis debe eer aceptada o rech¡zada. (D) Sielniveldesignificaciónes0. los resultado¡ son totalmente casuales Ht: p ) 0. (I) ee Adüértase que tealmente debería aplicarse una conección de continuidad.64:1. Entonces el área enüre O y zt = 0. Sin embargo.S.P. puesüo que 32 en una eecala continua está entre 31-5 y 32. puesto que no se está interesado en la facultad de obtener valoree bajos. Si la hipótesis está dado por ff6 es cierta.23-7. Y zr : 1. Sin embargo. Se elige un ensayo de una cola. no significativos al nivel del 0. es decir. Esto puede también eacarse de la Tabla 7-1.) un individuo (sujeto) en una habitación fue preguntado sobre el color (rojo o azul) en una carta elegida por otro individuo en otra habitación-de un conjunto de 50 cartas bien barajadas. de modo que posteriores investigaciones del fenómeno están probablemente justificadas.645 los resultados Be deben a la casualidad. ¿Cómo se podría diseña¡ una regla de decisión en el Problema ?.P.S.05 el individuo tiene fuerza de E.S.4900Y2r:2.01. mientras que los resulüados significativos a niveles superriores al 0.cAP. Así por ejemplo.05 y el indiüduo tiene fue¡za de E. 7.645. zl (2) Si z es menor de 1. Rechazar Ia hipótesis en ca6o contraúo.3 que evite el enor del Tipo T? El error del Tipo I[ se c.25\15.98 (ó 1.ar la hipótesis si el número de caras se encuentra e¡fte 22 y 42 inclusive.01 ¡on altomente significatiuos. Una completa discusión de tales casos requiere l¿ consideración de errores del fipo II (véanee hoblem¿s 7. se deduce que los reeultado¡ no son significaüuos al nivel de 0.645. Si el zujeto identifica conectamente 32 cartas' determinar si los resultados son significativos al nivel de significación de (c) 0.4500. es decir. en lugar de aceptar la hipótesis.33. sino en la facultad de obtener aciertos numerooos. la regla de decisión del Problema 7.entonceseláreaent¡eOyzt:0.

01..0322.s.23.1.23: -4. Si ¡.33. que es mucho menor de -2. por la regla de decisión se deduce que la aseveración no es legítima y que los resultados muestrales son fle es cietta p : np = 200(0. (2) Se acepta l/6 (o no se toma decisión alguna) en caso contrario. H1: ¡t* 1600horas Un ensayo bilateral debe utilizarse aquí puesto que g * 1600 incluye valores mayores y menores de 1600. Se tiene que decidir entre las dos hipótesis: Ho.33. es sobre el 3 por 100. entoncegz¡ : -2. algunos estadísticos citan las probabilidades reales inherentes. . Si se toma el nivel de significación del 0. 7-5 toma como regla de decisión: (1) La aseveración no es legítima si Z es menor de -2. es decir. (a) Paraunensayobilateralalniveldesignificaciónde0.dondegvoscnlamediayladesviacióntípicadelapoblación de todos los tubos producidos por la compañía.9 y la aseveración Se elige un ensayo unilateral. La duración media de una muestra de 100 tubos fluorescentesproducidosporuna compañía resulta ser 15?0 horas. lt:1600 hora.5).01 . 3. Entonces tre las dos hipótesis: se debe decidir Ho: p: 0.Ossetienelasiguienteregladedecisión: (/) Se rec}raza 116 si la z de la media muestral está fuera del rango . La distribución muestral de X tiene una media r¿x-Éyunades.S.33 (en cuyo caso se rechaza H¡).84):0.05 y (b) 0. en este problemapuesto quep(Z > 1.$) : 1AO y " - 7.0322 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. Asípues.96 a 1.r¡ = a. (2) En caso contrario. 7-5 es 0. la aseveración es legítima y los resultados obtenidos se deben a la casualidad (en cuyo caso Si se acepta 116 ). puesto que Ee esüá interesado en determinar si la proporción de gente aliviada por la medicina es demasiado baja.9)(o.224 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP.l8O)14. como puede deducirse del koblema 7.5(b). \/"pq = /?2ooxo.7. por un período de 8 horas.6. Ahora 16O en unidades tipificadas (160 . .01. El estadístico bajo consideración es la media muestral X. Determinar si la aseveiación del fabricante es cierta. altamente significatiuos (véase final del Problema ?.r es la duración media de todos los tubos producidos por la compañía. mediante la simetría de la curva. si el área sombreada en la Fig. se llama a veces niuel de significación erperimental o descriptiuo. 7 Puesto que los niveles de significación sirven de guía en la toma de decisiones.P. o de la Tabla 7-1. con una desviación típica de 120 horas. comprobar la hipótesis ¡¡ : 1600 horas contra la hipótesis altemativa r¡ # 1600 horas con un nivel de significación de (a) 0.96. 7. Denótese porp la posibilidad de obtener alivio de la alergia utilizando la medicina.En una muestra de 200 individuos que tenían la alergia la medicina suministrada alivió a 160 personas.9 y la aseveración es correcta es falsa Hy: p10. Se zl Fig. Por ejemplo. El fabricante de una patente médica sostiene qu€ la misma tien'e un 9O% de efectividad en el alivio de una aler_gia.viacióntípicaop:s/1/i. ta probabilidad citada en-este caso 0.

se ensaya una muestra de 50 cables y se encuentra que su resistencia media es de 1850 libras.33. y realmente no hay cambio en la resistencia 1800 libras. puesto que z -2.50 se -l .1800 -------------ó. se acepta Ile (o no se toma ninguna decisión) al nivel de sfinificación del 0. puesto que se ensaya I/6 conha una alternativa diferente en cada caso. Ilo es aceptada (o no se toma decisión alguna). el rango -1.0Sysetieneque zt : Se adopta.oo loo/v5o que es mayor de 2. fle al nivel (b) Si el nivel de significación es de 0. ¡. laregiónsombreadadelaFig.7(a). Como en el Problema 7.7 Como en el Problema de significación del 0.1600)/12 : (L570 . Las decisiones concernientes a hipótesis'lfe dadas. 7-4). y hay un cambio en la resistencia Aquí debe emplearse un ensayo unilateral (véase Fig.50. 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.96 en la regla de decisión del apartado (c) se sustituye por -2. que es menor de -1 . Entonces.9.cAP.96 a 1. (2) S.01 la regla de decisión es: ) Si eI valor de z es mayor que 2.7.96 a 1 . basadas en ensayos de una o dos colas. I/e es cierta. 7. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 226 eneuentra fuera del rango Bajo la hipótesis I/6. utilizando la desviación típica muestral como una estima de o. (a) Sielniveldesignificaciónes0. Mediante una nueva técnica en el proceso de fabricación se aspira a que esta resistencia pueda ser incrementada. 7-5 es -2.645. se tiene X-p ol\n 1850 . se rechaza pues.01 eI valor de z1 en la Fig.01.01. De aquí se deduce que los resultados son olúamente significatiuos y Ia aspiración de mejora debe ser admitida.1600y12 : -2. hay un aumento de resistencia al nivel de significación del 0. no están siempre en concordancia. Debe aquí utilizarse un ens¿ryo unilateral (véase Fig. Adviértase que esta decisión es la misma que la obtenida en el Problema 7.05. ' (b) Si el nivel de significación es 0. ) (2) Se acepta. II1: ¡t{ 1600 horas.58 a 2.33.33. el valor de e es -2.33 los resultados son significativos al nivel de 0. Puesto que / : (X .645.645. Para ensayar esta aspiración.Ff6 (o no se toma ninguna decisión) en caso contrario.01.05 y (b) 0. Se ¡ecltaza 7 . el valor de z es -2.s frente a la alternativa horas. con los niveles de significación de (¿) 0. ensayar la hipótesis p : 1600 hora. Adviértase que esta decisión es idéntica a la obtenida en el Problema 7. 7-5). por tanto la regla de decisión: -L.50 se encuentra dentro de este rango. se tiene g : 1600 y o* = a/t/n = 120/\/L00 = 12. naturalmente esperarse.9 6. se rechaza /16 al nivel de significación del 0.01? Se tiene que decidir entre las dos hipótesis: Ho: lJ: Ht: lt > 1800 libras.7(b) mediante un ensayo bilateral.33.¿ 7.05.50. (1 Hs si Z es menor de -1. en efecto.7(a) mediante un ensayo bilateral. acepta H6 (o no se toma ninguna decisión) en caso contrario. se rechaza pues. (a). Bajo la hipótesis de que (I es rechazada. que es menor de -2. ¿Puede mantenerse que.01 y. Se debe < 1600 decidir entre las dos hipótesis: Ho: lJ: 1600 horas.F/0 (2) De otro modo. De aquí que se adopte la regla de decisión: (I ) Se rechaza H¡ si Z es menor de -2. /ls al nivel de significación del 0.T-Stieneunáreade0.01.05.8. . Al nivel de significación del 0. Esto cabe.58. En el Problema 7.

"Z= l8r.01.58 y 2. se tiene que Supóngase que las dos clases provienen de dos poblaciones que tienen de medias respectivas decidir entre las hipótesis: l\ y tJz. I vez cada 10.lp.0ó hay una diferencia significativa entre las dos clases y la segunda es probablemente mejor. ft1 "8.01 no hay diferencias significativas entre ambas clases.. mientras que 50 estudiantes que no mostraban interés en tal participación tenían una estatura media de 67. . De aquí se deduce que al nivel de 0. La estatura media de 50 estudiantes de un colegio que tomaban parte en las pruebas atléticas fue de 68. no se puede rechazar la hipótesis a este nivel de significación. ambas clases provienen de la misma población. Ensayar la hipótesis de que los estudiantes que participan en las pruebas atléticas son más altos que los otros.10. (b) 0. es decir. - l"? .e o1 y o2. !40*50 = 1. Para un ensayo bilateral.96. En la primera clase la puntuáción media fue de 74 con una desviación típica de 8.e 2.05. ?. Entonces z= (a) (ó) Pata un ensayo bilaüeral. n2 = 0. ¿Hay una diferencia significativa entre el restfltado de las dos ciases al nivel de significación de (a) 0.5 pulgadas con desviación típica de 2.05 pero no al de 0. Debe sin embargo ponerse de manifiesto que la hipótesis puede rechazarse al nivel de 0. Se debe decidir entre las hipótesis: Ho: llt : H t: Ft ) Bajo la hipótesis.11.01 si Z se encuentra fuera del iritervalo -2.226 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [g. los resultados son significativos al nivel de 0.5. Se hizo un examen p dos clases formadas por 40 y 50 estudiantes respectivamente.-*. 7. de acuerdo con la terminología utilizada al final del Problema 7. Enton- Bajo ferencia de medias están dadas por Ho: ltt : llz.5 pulgadas.05.hay una diferencia significativa entre las dos clases la hipótesis lls.8 pulgadas. los resultados son significativos al nivel de 0. = o n*r-'^" = !t-". p2 . se deduce que los resultados son probablementesignificatiuos.96 a 1.01? ces. De aquí se deduce que al nivel de 0.10 si se está dispuesto a correr el riesgo de tomar una decisión errónea con una probabilidad de 0. = o*r-fr. Así pues.El6 .645. se rechaza la hipótesis lls si el valor de z fuese mayor de 1.58. mientras que en la segunda clase la puntuación media fue de 78 con una desviación típica de 7. La media y la desviación típica de la di- uir-i. ltz . =o n*r-rr"= "? .2 pulgadas con desviación típica d. ! la diferencia se debe simplemente al azar H t : Pt * ¡t2 .10. = 1# = -2.la estatura media del primer gtupo ^o hay diferencia entre las estaturas mediases mayor que la del segundo ur?.606 donde se han utilizado las desviaciones típicas muestrales como estimas d. z ENSAYOS RELACIONADOS CON DIFERENCIAS DE MEDIAS Y PROPORCIONES 7.53 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 0.05 si Z se encuentra fuera del recorrido -1.4s Puesto que los resultados scin significativos al nivel de 0.

= o?. (c) 0:10.10.CAP.zorro. padecen una enfermedad.tt d \/a>r2.7 3."2 nn (2. (2 ) sin decidir entre las dos hipótesis: es decir.7 pulgadas en las estaturas medias sea significativa al nivel de significación (o) 0.8 í¡ n>78 50 Así pues.05. se rechazaría la hipótesis IIs solamente si z fuese mayor de 1. = o o._P" orr."io" dos grupos per- o*r- *. Se encuentra que en los grupos Ay 8. respectivamente las proporciones poblacionales curadas ( I ) utilizando el suero . respectivamente se han recuperado de la enfermedad.13.r-r.54 (c) De acuerdo con un ensayo unilateral al nivel de significación del 0.. H t : pt ) pz. (ó) De acuerdo con un ensayo unilateral (c) Si se utilizase un ensayo unilateral al nivel de significación de 0. se tiene . 14.75 y 65 individuos. = 0 V p". bajo la hipótesis tiI6.10 se rechazaría f/e solamente si el valor de z fuese superior a 1.70 y donde q : 1 p : 0.05 si Yif-t'uou (b) La diferencia observada ó 1/-n=8. Se debe r! p2. Entonces.54. se debe deducir que los resultados se deben al azar a este nivel de significación.75/\n 0. Puesto que esta condición es satisfecha. Ensayar la hipótesis de que el suero ayuda a curar la enfermedad al nivel de significación del (a) 0. (b) 0. deberá incrementarse el tamaño de cada grupo en ?8 será significativa al nivel de 0.05. 0./" Para la diferencia de 0.01? Supóngase que el tamaño muestral de cada grupo eB n y qLe las desviaciones típicas manecen iguales a las de antes. al nivel de significación del 0. pero no al grupo B (que se llama gtupo control). 7.5 ó t57 n>1b? 50 De aquí que se debería incrementar cada muestra en al menos : lO7 . siendo en todo lo demás los dos grupos tratados idénticamente. De donde se deduce que a este nivel tambiénlas diferencias se deben al azgt. Dos grupos A y B fo¡mados cada uno de 100 individuos.01 si : 28 al menos.ir_*.r. (a) o.#) = 0.01.0648 donde se ha utilizado como estima de la proporción 65)1200 : 0. se r*}lrazaría lahipótesis1116 solamente si z fuese mayor de 2. urr-r'.o*r-*.75 n . (b) 0.645.7 observada en las estaturas medias se tiene xt .5¡z ¡ ". ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION 227 7.0648 ro. = p de curas 0.01. Denótese por P utiliza¡ suero. se deduciría que el suero es efectivo al nivel de significación de 0.650 0. el suero no es efecüivo Ho: Pt : Pz. Puesto que el valor de z es 1.zt.28.y el suero es efectivo Bajo la hipótesis 116. ¿En cuánto deberíán incrementarse los tamaños de muestra de cada uno de los dos grupos en el Problema 7.L2. ui'!!=r.7\n 3'75 La diferencia observada será significativa al nivel de 0. Se administra un suero al grupo A. Entonces ry- en los dos grupos muestrales el valor (?5 * P.09 3.?50 - = 1.33.05.t.xz 4 .30.II para que la diferencia observada de 0.ebr(-#. .l las diferencias observadas son debidas al az.

645.0374 P. Bajo la hipótesis ^FIe. 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. se compone de 300 individuos y si se curan 225 i* : 0.13 si cada grupo dividuos del Grupo.750 = ro. se puede rechazar la hipótesis al nivel de significación del 0. se puede proceder a dar el'suero a grandes grrlpos de gente solamente para obtener entonces que realmente es inefectivo. en muchos casos es imposible el aumentar el tamaño de la muestra.6b0 respectivamente.01 de equivocación.encontrándosedentrodelintervalonosepuedetechazatH¡ a este (b . que están a favor del candidat<¡.15. Este es un riesgo que nb siempre deseamos suponer. decir. = ú(¡D=@=00456 f(0.14. En tales casos.t 0.01. Si los resultados se deben realmente aL azar y se toma la decisión de que son debidos al suero (error del Tipo I). se rechazaría Hs si Z estuviese fuera del in' tervalo-1 ..528 = z - P.05 se rechaza H¡ si Z fuese mayor de 1.56)(300) 0. que son las mismas del problema anterior. que se estudia con un ensayo unilateral. se rechaza É16 a este nivel y se deduce que el candidato es preferido en el dis' trito A .560 dondesehautilizadocomoestimadepyqlosvalores +(0.96. respectivamente. Al nivel de significación del 0. Una muestra de 300 votant€s del distrito A y 2O0 del distrito B mostró que el 66% y el 48% respectivamente. Solucionar el Problema 7.195y600:0. Por otro lado. que se estudia con un ensayo bilateralCon un ensayo bilateral y al nivel de significación del 0..sol( r*-L * r*-L ) : 0.0374 .472.05 ensayir la hipótesis de que (o) haya diferencia entre los distritos. estaban a favor de un candidato dado.33. .228 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. se debe decidir entre la hipótesis (f/e ).650 0. _ 1.Puesto queZ:1. .96a1. (b) el candidato sea preferido en el distrito A. se deduce que el suero es efectivo con solo una probabilidad de 0.05. Co¡r un ensayo unilateral y al nivel de significación del 0.48)(200)l/500:0. z=ñ= - = 2.-t'r= se ú'G.480 = -0^0456== nivel.?S. Esto muestra cómo al incrementarse el tamaño de la muestra aumenta la seguridad de las decisiones.528 l'75 y 1-0. (¿) Si solamente se desea determinar si hay diferencia entre los distritos.P" = rrar. se está forzado a toma¡ decisiones en acuerdo con la información utilizable y asÍ se tendrá que correr mayor riesgo de tomar decisiones erróneas. Denótese por pr y p2 las proporciones de todos los votantes de los distritos A y B. Entonces = 0 or. es decir." 0. Entonces 0.0.750 y 195/300 Adviértase que en este caso la proporción de gente curada en los dos grupos son 225/300 : 0. Bajo la hipótesis (Ho: pt:pr ) se tiene l¡.. Puesto que éste es el caso. l'pr-pz = donde (225 0 ú¡'.67 es puesto que el valor de z es mayor de 2.-P. z Adüértase que las conclusiones anteriores dependen de lo que se esté dispuesto a arriesgar de tomar una decisión erróneá.zol ro.70 utiliza como estima dep. ?. se debe decidir entre la hipótesis (Ho : P t : pz\ y (Ht : P t * pz).zt y 195 del grupo B. 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. Sin embargo. ?.

16.F/s. En el pasado una máquina ha producido arandelas con un grosor de 0.05 . se adopta Ia regla de decisión (l) (2) (b Seacepta116 si ?esmayorde -ú. se toma una muestra de 10 arandelas.6). . y la afirmación del fabricante está justificada es falsa 1 : ¡t 1 8000 libras. : 9 grados de liber- Puesto que ?: 3.ee. I/6 al nivel de 0. Se deduce que la afirmación del fabricante es extremadamente improbable que esté justificada.01.05. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION Ú ENSAYOS RELACIONADOS CON LA DISTRIBUCION DE STUDENT 7.01.053 pulgadas y una desviación típica de 0.4!9 ú0 -t -_..cAP.01 .05 pero no al nivel 0.86 .25. 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. Bajo la hipótesisae se tiene (o . que para 6 Se rechaza.36.F/6 si ? se encuentra dentro del intervalo --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. 7.050.86.F/6 eri caso contrario.01 .00.01 se adopta Ia regla de decisión: (I ) (9) Se acepta . (b) 0.un. se acepta. se rechaza ffs . Para determinar si la máquina sigue en buenas condiciones de producción.É16 elr cáso contrario. á ú. Se rechaza -1 :9 gradosde lls en caso contrario.ee5.Efs al nivel 0. .00. Se desea decidir entre las hipótesis Ho: lt:0. se dice que lamuestraresultaproboblemente significatiua (véaee la terminología del final del Problema 7 .25 a 3. -1:5 gradosdelibertad da ?) -2. Se rechaza. -t/n- t = 9!$-. Se rechaza. y la afirmación del fabricante de modo que se requiere un ensayo unilateral. : ) Para un et¡sayo unilateral al nivel de significación del 0.00.o. que resulta tener un grosor medio de 0.F/e en caso contrario.26 a 2. : ) Para un ensayo unilateral al nivel de significación del 0. se adopta la regla de decisión (1) (2) Se acepta f/¡ : si ? es mayor de -f.05.L7¡"- 1= ?l|'!-_99rnJ . ABI sería aconsejable comprobar la máquina o al menos toma¡ otra muesha. = 4---f. se rechaza Puesto que ?: 3. se rechaza .05. que para 5 grados de libertad da 7') -3.050. y la máquina de modo que se requiere un ensayo bilateral. Puesto que ? -B . ) Para un ens¿ryo bilateral al nivel de significación del 0.01? Se tiene que decidir entre las hipótesis Ho:.17. Puesto que T = -3. Para un ensayo bilateral aI nivel de significación del 0.i6= = -8.26.g. ¿Se puede admitir la afirmación del fabricante aI nivel de significación del (a) 0. lo cual para 10 libertad es eI intervalo -2.003 pulgadas.f. Ya que se rechaza lls al nivel 0.050 pulgadas. Ensayar la hipótesis de que la máquina está en buenas condiciones de producción al nivel de significación del (o) 0. y la máquina Ht: P + 0.86. H lJ: 8000 libras. que para 10-1 tad es el intervalo -3.01. (b) 0. se encuentra en buenas condiciones no se encuentra en buenas condiciones Bajo la hipótesis (o H¡ se tiene .

de los dos grupos al nivel de significación del (o) 0. Así pues. "tf.?6 a 2. Q. se tiene que Ho: lt : ltz ! no hay diferencia esencial entre los grupos Hti ltt =* tlr. ¿Hay diferencia significativa entre el I. "t/U"t+ Y"2 donde o - n. sé rechazará Ia hipótesis f16 si ? fuese mayor que ú.y la diferencia se debe al azar H t: pt ) tt1.05. . En una estación agrícola se deseaba ensayar el efecto deun determinado fertilizantn sobrela producción de trigo.2 : 72 + t2 . eue para n¡ I nz .40 fanegadas.05.S! + nrS! n1 -ln2-2 Entonces t6+L4-2 =9. donde nrsl + n252. T- xt-x.y hay diferencia esencial entre los grupos Bajo la hipótesis lls..45 (¿) Con r¡n ensayo bilateral al nivel de significación del 0. y (b) 0. Q. La media de trigo conseguida en las parcelas no tratadas fue de 4.51.44\/ l/16 + l/t4 = 1.ee.18.01. ¿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. mientras que el L Q. Para ello. hay diferencia significativa entre el I. tiene que decidir entre las hipótesis se Ho: lt : ltz. de 14 estudiantes de otrazona de la ciudad dio una media de 112 con desviación típica de 8.8 fanegadas con una desviación típica de 0.01. (cociente de inteligencia) de 16 estudiantes de una zona de una ciudad dio una media de 107 con una desviación típica de 10. y ¡r2 las medias poblacionales del decidir entre las hipótesis I.y el fertilizante incrementa la producción Bajo la hipótesis I/6.05? Si se denota por ¡l-.01.ffi + 12(0-36)2 t/". Todas las demás condiciones fueron las mismas.16 + 74 .1 fanegadas con una desviación típica de 0.01. El I.1 - 4. ? ?. Q. Así pues.2: 28 grados de libertad es el recorrido -2.3s7\n/12 + Urz = 1. Así pues.01.Ef6 al nivel de significación del 0.O5 a 2.4012 =o'397 v T= 5.2:.ctsa ú e75. de los estudiantes de las dos zonas. T= Entonces xt- X. respectivamente.8 0.ee5. 7. (b) Con un ensayo bilateral aI nivel de significación del 0.76.ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. la mitad de ellas fueron tratadas con el fertilizante y la otra mitad no (grupo control). se eligieron 24 parcelas de terreno de igual superficie.05.19. de los dos grupos. no se puede rechazar É16 al nivel de significación del 0. se rechazará Hs si T se encuentra fuera del recorrido -t.2 : 22gradosde libertad es 2.36 fanegadas. no se puede rechazar. n1*n2-2 "=!ffi (a) I 12(0. lo cualpara n1 * nz . no se puede rechazar Se deduce que no 116 al nivel de significación del 0.44 y T= ltz - t07 9. eue para 28 grados de libertad es el recorrido -2.85 Con un ensayo unilateral aI nivel de significación del 0. se rechazará la hipótesisl{6 si ?se encuentra fuera del recorrido --t r¡g¡. a ú. Q. mientras que la media en las parcelas tratadas fue de 5.

Se deduce que el incremento en la producción de trigo alttilizar el fertilizante es probablemente significoúiuo. f ( F.v2 = 24 tenemos del Apéndice F. 4 = .Alnivel 0. empleando eubíndices 1 y 2 para las clasee A y B respectivamente. 24 grados de libertad (véase Apéndice F).25 onzas.0 onzas. Un instructor tiene dos clases.01 paraZ¡ = L5.sr. ENSAYOS RELACIONADOS CON LA DISTRIBUCION CHI-CUADRADO 7. no se rechaza.2 para 19 grados sig de I O. probablemente incrementado.05 y (b) 0.72.EI6 al nivel de significación del 0.LL para 15. A y B.8. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 237 (ü) Conunensayounilateralalniveldesignificacióndel 0. Una muestra aleatoria de 20 paquetes dio una desviación tipica de 0.01. sería deseable tener alguna prueba más.máqlLlina era de 0. y cualquier va¡iabilidad observada se debe al azol Íi1: o1>.serechazarálahipótesisfl6si?fuesemayor que ú.05 Si el valor de X2 muestral fuese mayor 9ue x?gs.01? Hay que decidir entre las dos hipótesis: Ho: o :0. ¿Es el aparente incremento de va¡iabilidadsignificativa al nivel de signifióación del (a) 0.4. Sin embargo antes de sacar conclusiones definitivas referentes a la conveniencia del fertilizante. ¿Podemos concluir al nivel d-e significación del (c) 0.1 : 19 grados de libertad. En el mismo examen.8g. LaclaseA tiene lGestudiantes en tanto que la clase B tiene 25 estudiantei._Lr'? = if Itr¡ (e)2 = 86.01. 9tt" 4'rn.Ffs al nivel de significación del 0. lo cual para22 grados de libertad esL. El número de grados de libertad para las clases son respectivamente rr¡ :16-1:lb.05 que la variabilidad de la clase B es mayor que la de la clase A? (o) Tenemos.É16 al ni- Se deduce que la variabilitlad se ha. Así.01 si el valor muestral de pues.Z5l2 = 82. se rechaza ^Ef6 al nivel de significación del 0. que ás igual a 36.32 on?T. ¡12 fuese mayor- Mediante un enaayo unilateral. sz :12 de modo -que G? = .ee : 2. En el pasado la desviación típica de los pesos de ciertos paquetes de 40.?0.!4 = '*rrrr'= 1Eo Hay que decidi¡ entre las dos hipótesis : o ¡ = o2.25 onzas.05. se rechaza. que es igual a 30.er:z.32)2/(O. = E = *n@ = r. Y deberá efectua¡se una revisión en la máquina. vemos que tampoco podemos rechazar.oz.05. Vz:26-L=24.Por tanto .e5. se rechaza .01. sr g. F.1 para v : 20 ..EIe al nivel de vel de significación del 0. llenados por una. Así puee.tá h. ENSAYOS RELACIONADOS CON LA DISTRIBUCION ¡' 7-2L. y la variabilidad se ha incrementado El valot de 12 para la muestra €8 X2 : nsz/sz :20(0. pues. aunque no hubo diferencia significativa en medias de las calificaciones.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.05.25 onzas. (o) (b) Mediante un ensayo unilateral. ya que Ad F( F . se rechazará. Entonces. muestras en cuestión. p.74 eí Entonces.la clase A tuvo una desviaóión típica de 9 en tanto que la clase B tuvo una desviación típica de1'2. (b) Ya que f'.06. y los resultado¡ observados se deben alazar H 1 : o > O . .nn no podemos techazar ff6 al nivel 0. en una asignatura específica. (b) 0.cAP.ltle al nivel 0.

5 4.23. En la práctica se pue' den presentar otras dos posibilidades: (I ) Se decide sobre c (tal como O.6)(0.2 es decir. .ó y 60.6. cuando realmente P : 0.102 -4.6)=60 ú = lnpq = 60. rOalculada en el Problema 7. ¿cu6l es la probabilidad de aceptar la hipótesis de que la mohecha cuando la probabilidad real de ca¡a es p : Q. ?-6.5 en unidades ' = : r/"pq 60.? .8.7 (es decir.9' (d) P : O-4.5 en unidades tipificadas = 39.24.7.0358.66 to'l. (c)p :0. Puesto que la media real de las calificaciones no se usó para nada en el Problema 7 .2L si existe una diferencia significativaenla media de las calificaciones de las clases? Justificar su solución.6 p-0. que representa el nivel de significación del ensayo de lfe. pues.3) = 4. llegando a una regla de decigión (2) Se decide sobre Q y P y después se llega a una regla de decisión.5.J? neda está bien La hipótesis ff6 de que la moneda está bien hecha.7)=70 60.90 V(100)(0.O1). número de caras en 100 lanzamienüos se encuentra entre 39. con la regla de decisión dada hay muy poco riesgo de aceptar la hipótesis de que la moneda eetd bien hecha.7-6 Si la probabilidad de cara es p : 0. ¿Canbiarían sus conclusiones en eI ProblemaT. ?.0192 Así.? tiene una media y una desviación típica que Bon dadas por p=np=(100)(0. 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.jo la curva normal de La izquierda en la Fig. Adviértase que en este problema se tenía la regla de decisión de la que se obtenfa c y p.22. (a) Sip : 0.O5 ó O. sino solamente si hay una variabilidad en las calificaciones.Efs cuando realmente p : 0.18 yz : O.6. CURVAS CARACTERISTICAS DE OPERACION 7. Para calcular esta área se obeerva que la distribución bajo la hipótesisp : 0.5405 Asi pues.58 tipificadas = üipificadas - = = : -2.5 39. 7-6.232 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP.4) = 4.5 p=o.tO2: 0.5 en unidades 39. esta á¡ea d.07 -6. probabilidad de error del Tipo II). es igual a 0.5 4.23 si (a)p:0. y después se calcula p.18 Entonces 9: área bajo la curva normal entre z : -4.7 7.58 = 70 y'6oo)(oJ)(0. La probabilidad de rechazar Ffe cuando debería aceptarse (es decir. Con referencia al Problema 7 . Solucionar el Problema 7. En el diagtama se ve claramente que la probabilidad de acepLr .¡O tn Entonces I: áteabajo la curva normal entre z --6'66 y z -2-O7 : 0.5 caras Fig.2L no inüeiresa su¡ valoree.90 4. (b)p : 0. probabilidad de error del Tipo I) viene: dada por el área toüd c de la región sombreada ba. se acepta cuando el p = 0.99 60.5 en unidades tipificadas = - 60 60 = = 0.2(ol. la media y la desviación típica de la distribución de caras vienen dadas por !=np=(100X0.6. entonces la distribución de carag en 100 lanzamientos eetá representada por la curva normal de la derecha en la Fig. está dada por el área rayada p de la iigura.7 39 5 caras 60. Esto es de esperarse ya que no estamos tratando de decidi¡ si hay una diferencia en las medias de las calificaciones.

0192 0. 7-z (o) El gráfico p. Esta probabilidad es igual a 1 0.8 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.t"p:0.23y 7.9642 y ha eido introducida en - L-p 1. p ee muestra en la Fig. Be ve que sip = 9.1 0.cAP.(a).09ó8 al nivel de significa- En general.8 0.0000 0. 1c) Comparando con (b) o por cálculo.24 construyendo un gráfico cuyos ejes sean (a\ I y p. 7-1. Sin embargo. .23y7.6 0.1 0 0 (a) (D) Fig.5 cuando realmente p tiene un valor distinto a 0.9642 0.9 1.eedecir.p:0.6 0.0 0./nW= 60.0 0.se gla de la decisión o enoayo de hipótesis.7 0.8) = 80 y o=.. (d) Porsimetríap = 0.0000 muy aproximadamenüe. 7. blemas7. La Tabla 7-3 muestra los valores de p correspondientes a valores dados dep.0192 0.5 se puede interpretar p como la probabilidad de acepoar p : 0'5 cuando debiera ser aceptado. Nótese que p representa la probabilidad de aceptar la hipótesis p : 0.3 02 0.5 0.0358 :0.4 0.6 0.5 en unidades tipificadaa 39.0000 0.6.88 = 0.12 p: área bajo la curva normal entre z : -10.24.5405.8. comolorobtenidosenlosProTabla 7-3 p B 0.enüoncea p=np = (100)(0.0000 la Tabla 7-3.0000 0.2 0.25. (b) ( 1 p ) y p.3 0.9.5. si realmente'p : 0.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION y'(100X0-S)(0¿) 233 =¿. Interpreta¡ los gráficos obtenidos.2 0.5405 0.88 -10.6 en unidadeb tipificadas Entonces = ry = q9? : = = -4.? 0.9: 0 pa¡a todos los propóeitos prácticoe.12 y z -4. el apuntamiento mayor de la curva OC es la mejor regla de decisión pa¡a techazar hipótesis que no son válidas.9 0. (b) Sip=0.6 0.8 0.9 0.4 0. Representar gráficamente los resultados de los Problemas 7.5405 0.1 06 0{ 0.4 da el miemo valor deÉq.3 0.

(b) Bajo la regla de decisión adoptada en (a).0 libras. La cantidad p se llama tambiénfunción caructerístico de operoción de un ensayo. es 7. Constmir (a) una curva OC v (b) una cun¡a de potencira para ei Problema 7. X>300+3(2.01.e potencia. tiene la siguiente regla de decigión (referenüe eon la Fig. de aquí que A - 310)/3 = Fig. puesto que indica la aptitud o potencb de un ensyo para rechazar hipóüesie que son falsas. i 800 *sz.0 tb 307 tb 3r0 lb -1.33) =30?.9qo.234 (D ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.01 si se pone dé manifiesto qu¿ debe rechazarse al ensayar 64 cuerdas. p ¡e muestra en la Fig. de modo que realmente ambos gráficoe aon equivalenüee. y (Ht: tt: 310 libras).0 lb.P).310 libras es cierta. respectivamente con las distribuciones normales de la izquierda y de la derecha de la Fig.310 libras? Supóngase que la desviación típica se mantiene en z4libras. es decir. ¿cuál es la probabilidad de aceptar el proceso primitivo cuando en efecto el nuevo proceso incremente la resistencia media a. que debieran ser rechazadas. Esta curva ae obtiene ¡encillamente invirtiendo la curva OC. Se cree que mediante un nuevo proceso de fabrica- puede inc¡ementarse la resistencia media. 7. ?-8): (t ) Se rechaza lle si la e de la media de resistencia muest¡al es riayor que 2.Enton= "lr/ñ 24/\/u Así. I¡ cantidad (l . ? ) E gráfico (1 . 7-9. la regla de decisión anterior se convierte en: (I ) (2) (ó) Se rechaza 116 si la reeistencia media de 64 cuerdae excede a 30?.33. Razonando análogamente a como se hizo en el Problem¿ 7. Para hallar su valor nótese que 307. (2) Se'aceptqlfq pue¡to 'que z = cessi Z>2. y el nuevo p¡oceso es mejor que el primitivo se un ensayo unilateral d nivel de significación del 0. bajo la curva normal de la derecha a la izquierda de z dect. en caso contrario.00. suponiendo que la desviación típica de las ¡esistencias se mantiene en z4libras. 7 -7 (b).7-9 = iren. y el nuevo proceso es igud que el primitivo 300 libras. Se acepta ^Éfs en caeo contra¡io.26. Si ción (a) ! es la resistencia media. : -1.0 libras en unidade¡ tipificadas : 300 (307.p) ¡e llama a menudo función d. Una compañía fabúca cuerdas cuyas resistencias a la rotura tienen un valor medio de 300 li bry" y una desviación típica de 24libras. ¡e llama curua de potencio de la regla de decición o ensayo de hipótesis.33. (c) Diseñar una regla de decisión para rechazar el proceso primitivo al nivel de significación del 0. H t : ! -. Esta es Ia probabilidad de aceptar Ho: ! : 300 libras cuando realmente es la probabilidad de comeüer error del Tipo II. 7-9.26(br.27. tt: 300 li- Ia probabilidad de aceptar el proceeo primitivo cuando la nueva resistencia media sea realmente 310 libras se representa por el área É de la Fig. Considérense las doe hipótesis (Ho: bras) Las distribuciones de las resistencias medias correspondiente¡ a estas dos hipóteeis se repreeentan.158?. *r.00 = 0.26. se puede hdla¡ p para loe caeor en que el .J = 't. ae quiere decidir enhe las hipótesis: Ho: U: Ht: ! ) Pa¡a 300 libra¡.

0 .8 o.9 0.5 en 0.305y9 = 0.6 0. AquÍ y Tipo II.05.1 o más (es decir. la restricción (A) impuesta requiere que la probabilidad de error del Tipo I sea a lo sumo c : 0.0038 320 0. 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. Para ensayar la hipótesis de que una moneda está bien hecha (es decir.0 libra¡ en unidades tipificadas: (307.05.?4Eo De esüa forma se obtiene la Tabla 7-4. En esta curva 6e ve que la probabilidad de seguir con el proce' so primitivo.6 6 p f 0. por encima del cual se rechaza la hipótesis de que p : 0. Tabla 7-4 tt 290 1.6?.7-r0 (¿) La curva OC se muestra en la Fig.9900 L1.7-11. se ha puesto Denótese por n el tamaño de muestra pedido y por ¡ el número de caras en los n lanzamientos. p : 0. Por ejemplo.01 cuando el nuevo proceeo da una media de 800 librar).1 0.7 0.05. La eituación planüeada se ve gtáficamente en la Fig.7486 3r0 0.5) mediante un número de lanzamientos de la moneda.0 B 0. (b) La curva de potencia se ve en la Fig. y de aquí - 396 librae. p > 0.4) debe ser á lo sumo 0.7-10(b). 7.05.l (excepto para el nivel de significación del 0. ?-10(o).0000 300 305 0. 7-11 se tiene: .0000 296 1.1687 316 0. 315 librae.cAP. etc. es piácticamente. ri ¡r tonces 307.1 p (lb) 300 300 3to 3t5 (o) (ó) Fig. mientras que la restricción (B) requiere que la probabilidad de error del Tipo II eea a lo sumo 0 : 0. Determinar el tama¡1o mínimo de muestra necesario y enunciar la regla de decisión resultante.5.0000 p 0. ya que lae dog curvag eon esencialmente equivalentes. si el nuevo da una resistencia menor de 300 librar.6? : 0. sepuedenobtenerdeellalaomismasinterpretacionesque de la curva OC. límite al riesgo de error del Tipo I Por ejemplo. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 235 nuevo proceco da un¡ resistencia media ¡r igual a 306 librar.28..2 0. De la Fig. en- 9: i¡ea bajo la curva normal de la derech¡ a la izquienda de z :0.¡ o. de modo que no hay probabilidad de aeguir con el proceeo primitivo cuando la media de resistencia es mayor de 316 libras. (¡) U probabilidad de aceptar la hipótesis cuando realmentep difiera de 0. Eeepués. la curva baia ró- pidamente hacia cero.

236 ENsAyos DE Hrpornsls y sIGNIFrcAcroN lcAP.o:0. e¡ decir.re'presentaría grárticamente la regla de decisión de (a). Obeérvese que tomando la probabilidad de aceptación como De(/) x .7 3% se puede decir que la media muestral X debe estar denüro del intervalo (p¡ entre cae a m p ¡t:0. Se sigue que el tamaño de la muestra debe ser al menos 31g.O\4\'\/E) o Con confianza del 99 . 7'l2. 7 0. es 0.49{n vnpq = '--.5.96 r ó (Sl u.Haciendo n : 319 en (3) o (4).) Eláreabajolacurvanorrnalp:0.564 a 0.49\/n n = o. Cada vez que se observa una media muestral se representá por un punto en el gráfico.014l\/6\ y (0. (2) es una cantidad muy aproximada.5n = 1.x :177.008yn=6.05 o menoa. Para decir. L7 .n: 318. . que representan la probabilidad de error del tipo II. ? (f.584 pulgadas.025.584 pulgadasi ee supone que la máquina es a- (2) De otro modo.llamado grófico de control de colidad.6n 0. es 0.5 : . enfte 742 y 177 si el número de carac en Slg lanzamientos está dentro del recorrido 159. . dentro del intervalo 0. Sin embargo. hay la posibilidad de que falle algo y se precisa una invesüigación del posible fallo.05..0.6. ¡- np :1-77 - 159. muestrales puede tlevarse por medio de un gráfico tal como ee muestra én la Fig.574 . Así pues.egla de decisión mediante la cual se puede estar razonablemente cierto de qúe la calidad del producto esüá de acuerdo con las noÍnas requeridas. GRAFICOS DE CONTROL DE CALIDAD 7. = 0.5 en caso contrario. (o ) 3o¡) a (p¡*3o¡) con el 9€.el 95V".564 y 0.. la máquina (b) Un registro de las medias no s€rú adecuada y habrá que buscar la razón de su ineptitud.9É!= -r. se adopta la riguiente regla de decisión: (o) Se acepta la hipótesiep:0. se toma una muestra de 6 cojinetes ejemplo.5.6 r¿ * 0.5. pueden igualmente determlnarse otros lfmiües de confianza.05 en el "peor de loc casos". La elección en cada caso depende de la¡ circunetancias particulares del tnismo.645 ó (t) o. el procelo está bajo control. se debe lanzar p - 0.5.6 a la izquierda ae es 0. Por tanto un promedio ponderado de todas estas probabilidades.6 n- 0..806y'-n es De (3) y (4). Se construye una máquina que pr-oducfuá cojinet€s de bolas teniendo un diámetro medio de una desviación típica de 0.9801fa- e'¡ 9-. p = 0. Para determinar si la máquina esconstruida para el fin que se destina.008 pulgadas.7 BVo o brevemente lfmite¡ 3o. (b) S€ rechaza la hipótesis + 17 .6 n Y x - 0. Cuando un punt'o se rale de estoe límite¡ control (tal como en la tercera muestra tomada el jueves).4 a 0.524 * Puestoque De aquí que la regla de decición eea como sigue: (l ) Si la media muestral decuada para el trabajo pedido.6.674. y se obsen¡a el diámetro medio de la muestra.4s 1/A 0. Los límites de control determinadog anteriormente se llaman límites de confianza del gg.05 o menos cuando p tiene cualquier otro valor por fuera del recorrido 0.73% de O.r) - 0. tales como los límitee d'el 99% o d.5\/n De 0. En tanto que los punüoe se encuentran entre los límites 0.0'6n Realmente el área entre -f. también s€rá 0.0.98.05. automáticamente tomarÍamos como 0.4r rtñ- (n. (b) Mostrar cómo se. (o) Diseñar una.ít/n Vnpq= "- :0. la moneda al menos B1g veces.seeigueque I se encontrará entre (0.29.Saladerecha a" 7 (9) El área bajo la curva normalp 09" O.

.3162 0. Para la distribución de frecuencias observada.47 6 p :0. Utilizar papel gráfico de probabilidad para determinar si la dist¡ibución de frecuencias de la Tabla 5-2.cAP.2 t44 342 287 164 25 7. página 178.9 ó 162 316.(0. dondep y q son las probabilidades resy sello en un solo lanzamiento de la moneda. Tabla 7-5 Número de caras (r caras) Frecuencia esperada Frecuencia observada 38 0 1 0. Así pues.31. la distribución binomial ajusta- En la Tabla 7-5 se han obtenido estas probabilidades así como las f¡ecuencias esperadas (teóricas) y las observadag.7 ó 151 29.7 ó 309 150.30. 7-12 AJUSTE DE DATOS A DISTRIBUCIONES TÉORICAS 7. La media del número de caras es ¡. El ajuste se observa que es bueno. : 2.4 6 29 33. Ajustar una distribución binomial pectivas de cara a los datos del Problema 5. Se tiene P(x caras en una serie de 5 lanzamientos) : f(¡) = sCrprqs-". la media del número de caras es 2fr_ / _2470=2.30.C.0294 5 6 33 161.2 ó 316 308.494. x F a os74 a a a t I a : o 0 s64 o Fis. página 163 puede ajustarse a una distribución normal. .43.1507 0.47 rooo Igualando las medias teóricas y real se tiene 5p da viene dada por /(r) = .1619 0.1: np : 6p. La bondad del ajuste se estudia en eI ProblemaT.3087 2 3 ^ 0.¿94)¡(0.0332 0.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 297 Lunes Martes Miércoles Jueves Viernes $ € bD osal 1} a a t ü {.506)5-¡.

4177 0. donde la media i y la desviación típica 6 se han obtenido en los Problemas 5.40 respectiva- La cua¡ta columna.92 pulgadas (x mente El trabajo puede organiza¡se como en la Tabla 7 -7 . = 61. 7-13.0 Io a E ql € ó a () 95 90 80 70 Q0 a (t 6 .43 ít 7 4. El grado en que los puntoe así dibujados ee encuentran sobre una lÍnea recta.5 66.4920 0.6? 0. en un papel.6 &tatura (pulgada¡) Fis. la distribución de frecuencia¡ dada se convierte en una di¡tribución de frecuencia¡ relativas acumuladas. Ajustar una cunra nonnal a los datos de la Tabla 5-2.5 oD.7L 6 28 7.0743 72-74 6 4 20.tlls.a -2. como se muestra en la Tabla 7-6.0 100.3892 0. 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). las frecuencias relativa¡ acumuladas expreeadar en porcentajes.5 menor que 70.5 7L. se rutiliz.5 7t.32. De aquÍ se sacan las áreas bajo la curva normal entre los valores sucesivos de ¿.6 Rcl¡tiv¡¡ Acumulada¡ (%) 6.0 92. 7. que da las áreas bajo la curva normal de 0 a z se obtiene con la tabla del Apéndice C. determina la bondad de ajuste de la distribución dada a la distribución normal.46 pulgadar. se obtienen lae frecuencias esperadas de la sexta columna.6 68.35 y 5.32. Multiplicando lo¡ valores de la quinta columna (que representan las frecuencias relativas) por la frecuencia total n (en e¡te ceso n = 100).6 ¡¡+ 0.6 menor que 64.grófico de probabilidad eepecial. dadas en la quinta columna.6 menor que 73. anotadas en la última eolumna.5 7¡.5 62. 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 59.6 74.t3 D 18 42 27 8 ñ. La¡az6¡ de esto se ve claramente con un diagrama. La "bondad {el ajuste" de la distribución qe congidera en el Problema ?.0413 0.2068 6L65 6&68 69-71 68.70 -0. caicular e de los límites reales de clase. Véase o a I É to 5 o a d E 62. Después. como se ve en la Fig. son pasadas sobre los límites reales superiores de clase. Por lo anterior. Par:a.z z = .39 2. .92 ó 39 27.68 6 2l 38.6 menor que 67.44. Y se pone de manifiesto que ee ajuetan ba¡tante bien con las frecuencias observadas realmente. s = 2.0 65.36 1. ? 76 Frecuenei¡¡ Estatun (pulgad¡¡) menor que 61. ?-r3 hoblema ?.0 23.E 50 40 30 20 Primero. se observa que hay una distribución normal que se ajusta e¡trechamente a los daüos. página 163.2771 0.72 -1.41 0.238 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla [cAP.

0 r N(rmero de dÍasr Número de días obsen¡ado 2L 18 7 3 1 {r accidentes) 0.90 hallado.47 0.9?. durante los cuales r autos tuvieron accidentes en una ciudad. la euarta columna que da los números de días observados se ha repetido. (b) 0.56 6 ó 20 18 8 2 1 0. Para una verdadera distribución de Poisson. Ajustar los datos a una distribución de Poisson. la varianza d : L.05. ?] ENSAYOS DE HTPOTbSIS Y SIGNIFTCACION Tabla 239 7-t 7.50 pótesis de que la moneda está bien hecha al nivel de significaeión del 0. respectivamente rr = 115. blemente bíen heclu.. 313 {11 = Iq"+ill En l¿ T¿ble ?-9 aparecen lae probabilidadee para 0.0111 4 6 6 ó Nótese que el ajuste de los datos dados a una distribución de Poiseon es bueno. hi' la ) El valor crítico xlso para 1 grado de libertad = 6. se rechaza la xlo¡ para 1 grado de libertad es 3. puesto que 4. Tabla 7-9 Número de accidentes. 100 sellos) es h:2. El número medio de accidentes es Número de I Número de accidentes. de acuerdo con la distribución de Poisson. > 3.84. El cálculo de la varianza de la distribución da' da.01. En 200 lanzamientos de una moneda se obsen'aron 115 caral¡ y 85 sellos.01. .33 I 2 3 18. respecti- xz = (o) El valor crítico (b @t:lptlz -(rz:.np)z npt npz - (115__100)2 Pueeto que el número de categorías o clases (caras.36.f 0l2r + : (21)(0) '50 (18X1) + (7X2) + (?liQ_l q)(a) = .63. a¡í com.1647 espeado 20.CUADRADO ?. 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.0494 0.50 . La Tabla 7-8 muestra el número de días f durante un período de 50 días.63. Entonces. Para conveniencia de la comparación.24 2.* : P(r accidentes) 1118 2 7 o. Entonces y eeüos esperadas si la moneda está bien hecha son np : 100.'12 ¡ 85. puesto que 4.1.7:2 -L = l.o loe números teóricos de días en los que ee presentarán ¡ accidentes (obtenidos multiplicando las correspondientes probabilidades por 50). Las frecuencias de caras vamente. Las frecuencias de caras y sellos observadas son. véaee método 1 del Pro" blema 7. Ensayar la hipótesis de que la moneda está bien hecha con un nivel de significación del (c) 0. < 6. puede ser esto un indicio de la adaptabilidad de la distribución de Poison a la muestra de datos. da 0.34.3 y 4 accidentes de esta distribución de Poisson.rj días. np2 : tOO.33. Comparando con el valor de \ : 0.2.84. LA PRUEBA CHI. Entonces.eo Entonces.30 8.CAP.05.3659 0.60 hipótesis de que la moneda está bien hecha al nivel de significación del 0.v: + (85:!00)2 = 100 h 4.4066 0.

7. Entonces 114.01 el intervalo sería -2. radasen200 lanzamientosdelamonedason¡r=np=(200)(0.6)esh:6.34 que la hipótesis se rechaza al nivel de 0.1.4. Entonces. dades tipifica¿¿5 : 4.npr o _ (rt-np)2 .35. Véase Problema 4. si el valor de z está fuera del intervato -1. no se puede rechazar Para 5 grados de libertad x%s: 1.ema se cumple siempre que la prueba de chi-cuadrado comprende dos categoiías.5 o más caras. (rs-np¡.58. puesto que 5. (rt-nptl2 . ^-------::-:-. es el mismo valor de X2 obtenido en el probl. (2. La Tabla 7-10 muestra las frecuencias observadas y esperadas allanzat un dado 120 veces.07. (ZJ2)2 : 4.b8 a2.86.L2.5. (rr. Con la corrección para la continuidad.00 20-+ n 20 Puestoqueelnúmerodecategoríasoclases(carasl.1. Solucionar el Problema 7. Con un nivel de 0.60.35.34 mediante la aproximación normal respectivamente.g. Esto se cumple siempre que la prueba de chiruadrado eomprende dos categorías y se aplica la corrección de Yates. ? 7.34 utilizando la corrección de yates.2.15. . Nótese que el cuadrado de este valor.05)2 7 -37. 115 o más caras equivale a 114.s)z = 100_ 100 tt q^< 4.34' Esto Con un nivel de significación del 0.84 y 4. 115 caras en unidades tipificadas Bajo la hipótesis de que la moneda está bien hecha.5) =100yo=1fipq=/IZOO¡O. (24-20\2. (23-20)2 +--lO . x2 (conegida) = = (lzt - nptl nPt 1001 0'5)z + !1""- np2l npz - 0'5\2 (1115 - 100 _ 0.63 se deducen las mismas conclusiones que en el Problema ?. véase método 2 del Problema 2. la media y la desviación tÍpica del número de caras espe- : (l1b -lOO)t7.05. se rechaza la hipótesis de que la moneda eetá bien hecha.0. (rz-npzl2 .36.20.S¡(0f)--7.v:h-1-:6-1:b. Se sigue como en el Problema 7. Nótese que el cuadrado del valor anterior. Ensayar la hipótesis de que el dado esté bien hecho al nivel de significación del 0. El valor crítico a2e5 para 5 gados de libertad es 11.86.00 la hipótesis de que el dado está bien hecho. (16_20¡z _ *--lO-+ +ñ=5. a la distribución binomial. De ello se sigue que la concordancia entre ambas frecuencias no es tan buena como para no dudar de Io deducido. 7. 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 1.00 > 1.84. es igual al valor de ¡2 corregido con la corrección de Yates p¡ra la continuidad del Problema7.93_4)' _(15-20\2 .01. de nuevo en consecuencia del Problema 4.96 a 1.5)z _ .240 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. Esto conduce a las mismas conclusiones que por el primer método.06.15.5 en uni: (114.-nps)2 (ra-npe)2 < 11.7OO)17 .86.05 pero no al de 0.07 :2. de modo que X2 : 5.O7 : 2. (185 _ __ 1001 Í4.zvb Puesto que 4'205 > 3.5)2 .5)z = _100 )_ (L[.96.05 y un ensayo bilateral.5 . Método 2.)z .2o5 < 6. solucionar el Problema 7. Pa¡a una comparación con los métodos a4teriores.

h=4yelnúmerodegradosdelibertadesv=4-1=3.05.76\2 3t2. . 101 rugosos y amarillos y 32 rugosos y verdes. .3 >2!3 sededucequeladistribución observada dífiere significativamente de la esperada al nivel de significación del 0. Bajo la hipótesie de que la urna contiene proporciones iguales de los cuatro colores. de modo que no se puede rechazar la teoría al nivel de 0.352. 7. de modo que no se puede rechazar la teoría al nivel de 0..81. x?ss: 11.38.cAP. que la Nótese que para 3 gtados de libertad. Para evitar esto se agrupan las categorías de modo que los núme¡os esperados en cada categoría sea al menos 5. . 4 amarillas y 1 verde.4?O > 0. estos números deberían presentarse en la proporción 9:3:3:1.470 Puestoquehaycuatrocategorías. . ¿Hay alguna evidencia que permitadudarde su teoría al nivel de significación del (a) 0. r ry = 2s. ¡$5: 0. x2. Una tabla de números aleatorios de 250 dígitos mostró la distribución delosdígitos 0.76 *W = 0.05? El número total de guisantes es 315 + 108 + 101 + 32:556. ¿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.352 y X2 :0. teoría y los reeultados del experimento están de acuerdo. 108lisos y verdes.26 rugosos y amarilloe B4.01. Se deduce que cabe sospechar alguna tendencia no aleatoria en dicha tabla de números. Una muestra de 12 bolas extraída aleatoriamente de la urna dio 2 rojas.'nr parav: h -1:9 gradosdelibertad es21-.como 23.zb rugosoe y verdes ft Entonces tssol = x2= (o) (b) Para v Para v (3L5 3L2. ?. .ss= = 3.3. 5 naranjas. Puesto que los números esperados están en la proporción 9:3:3:1 (y 9 * 3 + 3 + 1 : 16). Puesto que eetos números esperados Bon menores de 5.75lisosy amarillos tol. De modo que aunque el acuerdo es bueno. Una uma contiene un gran número de bolas de cuatro eolores dife¡entes: rojo.39. 9 que se da en la Tabla 7-11. loe resultados obtenidoe están sujetoe a unh razonable influencia de error muestral. : 3.7I ENSAYOS DE HIPOTESIS Y SIGNIFICACION 241 7.Qe-2512 try+ . amari'llo y verde. obseryó 315 lisos y amarillos. Se deduce pues..7. cabría esperar 3 bolas de cada clase en la muestra de 12 bola¡.40.2. (b) 0.zS lisos y verdes Struol = frtssol 104. De acuerdo con su teoría. la aproximación de chi-cuadrado será errónea. Ensayar la hipótesis de que la urna contenga proporciones iguales de los diferentes colores. naranja.g El valor crítico d" x.01.01.se esperarían fttssel = -- 312. En los erperimentos de Mendel con guisantes.L. ?.

242 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP..10).tz. ¿Es el resultado consistente con la hipótesis de que el nacimiento de varón y hembra son igualmente probables? . de aquí que cuando no sea aconsejable agrupar frecuencias se debe recurrir a los métodos exactos de probabilidad incluyendo la distribución multinomial. = ry. se rechazaría la hipótesis a algún otro nivel (tal como 0.84.ces P("siete") : 1/6(360):60 veces 6/36 : 1/6 y P("once") :2136: 1/18.42. Sin embargo. puesto que incluso el valor corregido de y2 se encuentra cerca del valor crítico.xjr¡.0?>3. 7. Los resultados observados pueden imaginablemente deberse al azar. Esto cabía esperarse puesto que la corrección de Yates Debe ponerse de manifiesto que si se emplea la aproximación de siado pequeñas. Un par de dados puede caer de 36 formas.05. Ensayar la hipótesis de que el dado esté bien hecho al nivel de significación de 0. - e¡z -9 Parav:2-l:1. empleando la corrección de Yates.Desgraciadamente.65 De acuerdo. la aproximación ¡' para frecuencias pequeñas es pobre. en 360 lanzamientos cabría esperar "siete" y 1/18(360):20 veces "once". pues con la X2 corregida.41. respectivamente.Asínosepuedetechazrlahipótesisalniveldesignificacióndel 0. se tiene (9 ^cuando las proporciones de los colores sean iguales.-ss:3. En 360 lanzamientos de un par de dados.05.(ig:lf-!éE.07 Parav:2-1:7.0.puestoque4.5)2 (124 - 2ol - 0. "Siete" se puede presentar de 6 formas y "once" de 2 formas. En general. los resultados que se obtienen utilizando la correc- ción de Yates son más dignos de confianza que los resultados no corregidos.05(aunque sí se puede al nivel de 0. se tiene (174 (correglda. De otro modo. Así pues.81 sellegaríaalasmismasconclusionesqueantes. (5-e)z . z.) x2 _ = -6-.05. se tiene x: = 0qj:_6Fo. de modo que (74-60)2 . En tales casos. = - 60l 60 - .rP.Entonces.10).:?. se obtendría ¡2 a pesar de que las frecuencias sean dema- (2-3¡z . Puesto que el número esperado en cada categoría bajo la hipótesis de iguales proporciones es 6. se duda acerca de la decisión que se debe tomar. Sin embargo.84. Esto se consigue en nuestro caso considerando las categorías "roja o verde" y "naranja o amarilla". se agrupan las categorías de forma que la evidencia en contra de Ia hipótesis se muestre claramente. (4--3)2 . ? Si se desea rechazar la hipótesis.x2l)s==3. (24-20\2 . 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". = siempre reduce el valor de ¡2 .ü. para grandes muestras tales como las de aquí.1. Ento¡-. l)na encuesta sobre 320 familias con 5 niños dio la distribución que aparece en la Tabla ?-12.:-:_+r::__-::_:sis de que los dados estén X¿ 4. para las que la muestra dio 3 y 9 bolas. 7. . aun Otro método: Utilizando la corrección de Yates.84seestaríainclinandoarechazarlahipótebien.5)2 #-g*): = 3. no se rechazaría la hipótesis al nivel de 0. x' _ (1 -3¡:r ooo Puestoqueparav=4-1:3.r que conduce a las mismas conclusiones anteriores.

lag cla¡ificaciones 8on independientes. es decir. (110_100)2. xL¡s:0.". Para V 1 (que er el pará- los datos es muy bueno.U Puesto que x:e5:11. Así se deduce que los reeultados son probablemente significativos y el nacimiento de varón y hembra no son probablemente iguales. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla ?. Pa¡a rr = 2.x2. 100.7t 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).os:0.1 : 4.01.412_ -58:t-- .. De aquf queel ajuste de creerse. v = k .05. Solucionar el Problema 7.1 . Determina¡ la bondad de ajuste de los datos del Problema 7. (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.--I¡Ié- . v : k . Bajo la hipóteeis nula lfq de que el suero no tie' ne efecto.os= 5. 10. Para v : 2 (que son la me- = 2.13 utilizando la prueba chi-cuadrado.(287_308.-El: .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 5.68 38.m : 5 . Seap:probabilidaddenacimientodevarón.-.2 : 2.1 y x.serechazarálahipótesisalnivel de significación del 0. . y los reaultados son 10. Utilizar la pmeba chi-cuad¡ado para determinar la bondad de ajuste de los datos del Problema 7. 50.959 > 0. Se deduce que el ajuste de los datos es muy bueno.103. (4 niños y 1 niña).2)2 .64 > O.3. BONDAD DE AJUSTE ?.sss:15. Asf'puesto que X2 = 7 .30.4.212.49.1y0 niño¡seobtienemultiplicandolasres' (40-50)2.?)2 . el ajuate no es tan bueno como pudiera = 4. . TABLAS DE CONTINGENCIA 7. . 50.. Para y : 4. como 8e indica en la Tabla ?-14. .45. De aquí (8_10)2 _. x.959 7. (88_100)2.--lóo:t- . .1 . 7.---r¡If. Adviértaoe que ¡fo es equiyalente a afirma¡ que la recuperación eeindependie¿úe del empleo del suero.103.1 para y:61:6gtadosdelibertad.z = 6 4. Entonces. cabría esperar que 70 individuos de cada uno de los grupos Be recuperase y 30 en cada grupo no se recuperase.(L44_161. puesto que X2 = 0.Entonpiobabilidadee de (5 niños). 2. "!ü Puesto que el número de parámetros utilizados para estimar las frecuencias esperads e8 m metro p de la dietribución binomial).?11.13 *(18-2-0:68)2 *(a2:^-39=92\2-(27:3ft7rl2 *(8:?'j13)z:0.1 .92 27. 100.(342_316.9)2 .yg:1-p:probabilidaddenacimientodehembra.=--_a6---_Eñ-----Jó¡-----i6b--_-Ed.44.-r3)2 .cA¡.43.m : 6 .43 20.!.. x. x2..?)2.99. . La¡ condiciones del problema se presentan en la Tabla ?-13. (164-150. .i".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 . el ajuste no es "demaiido bueno". X?ss = 9.--_-16-_¡&.= (s8_33.^ _ (18_10)2 (56_60)2.(26-29. pero no al 0.L .?11. pectivas probabilidades anteriores por 320.32.:z .---T08J..

X Sr. Tabla ?-16 FRECUENCIAS OBSIERVADAS Sr. como en la página 215 (véase Problema ?.54.^se sigue que X er lo mismo que z en este caso. pero en la que solamente se han puesto los totales. obtenido en el Problema ?.38 es el cuadrado del valor de z : 1. Nótese que X2 : 2. Esto podría haberse visto rápidamente. 200 140 30)2 o _ (75 x-1rc-?o70)2 - 70)2 . Solucionar el Problema 7. que es igual a la¡ dos dadas anteriormente.46.244 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla 7. ya que la corrección de Yates siempre disminuye el valor de ¡¿".51).Xz egelcua- Nótese también que yn ensayo unilateral utiliaando ¡12 equivale a un enEayo bilateral utilizando.10 uüilizando z. porejemplo.5)r .gs. se deduce que lob resultados no son significativos al nivel de 0. ? Tabl¡ 7-14 FRECUENCTAS ESPEBADAS BAJO Ho Se re. drado Cel valor de z.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. = I.47. Y y Sr. _ ¡¡ (corre(rda) = (i75 -70\. al rechaza¡ una hipótesis al nivel de 0.No ee recuperan cupetan TOTAL [cAP. (35-301 -0.profesores son iguales. conaidérese la Tabla 7-15.84. 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.30\2 (36 *ffi = 2'38 Tabla 7-16 Para determinar el número de grados de libertad.5)2 * ----?O- (i65-701 -0.A Grupo B TOTAL 140 60 200 Puesto eue X.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.5)2 * ----TO* ?O S0 _ .45 aplicando la corrección de Yates. (125-301 -0. pueeto que una vez hecho esto loq números de las restantes casiüas vienen obligados por los üotales ya indicados. habrían suspendido 27 lL80 : Iíc/o de los estudiantes y DO .45 son también válidas aquí. Y 47 L4 61 Sr. Asf pues. Se No ¡e recuperan recuperan TOTAL 100 100 Grupo.05 utilizando X" equivale a rechazar esta hipótesis con un ensayo unilateral al nivel de 0.!t_.84 para 1 grado de libertad y puesto que ¡2 = 2. 7. No se está así en condiciones de rechazar Il¡ a este nivel y se deduce o que el suero no es efectivo o se deja sin tomar decisión en espera de posteriores ensayos.vó Obteniéndose que las conclusiones del Problema 7.0.--. Sr.Puestoqueparalastablas2Xz. ^.38 < 3.13. or^_.ss : 3. Está claro que solamente se tiene libertad lara colocar un número en una de las cuatro casillas vacías. ya que.¡.-. En la Tabla 7-16 se indican los estudiantes aprobados y suspendidos por 3 profesores: Sr. Z. En general. x2)x2ss correrpondea x>x.13 FRECUENCIAS OBSERVADAS Se re. X. De modo que hay un grado de libertad. Ensayar la hipótesis de que las proporciones de estudiantes suspendidos por los tres .05. 7.5)2 .e5óx{-x.

considérese la Tabla 7-18. at__n_ = -nrrxJn (ór nrnsln)2 (b2. Hay h (fz > 1. hay en este caso dos grados de libertad. Está claro que como cada fila y cada columna han decumplir con loü totales._ (50-46. Mostrar que para una tabla de contingenciah X h tad es (h .zs¡ : 5.e 64 54.40 : Aprobados Suapen- Suspen.48.CAP. X ¿IO Tabla 7-18 Sr. k > 1) el número de grados de libereg * & - 1 totales independientes de un total hÉ. Entonce8 *. Así pues. (47.(h+Ic-l) = (h-lx/ú- 1) como se requería. los resultados esperados bajo la hipótesis nula aparecen en la Tabla 7-20. Sr. 7. Pero : (ar- nrnn/n)z (a". Nótese. Puesto que x. que es igual que la Tabla 7-L7 pero en la que solamente se han puesto los totales.75\2 . Demostrar que -pa¡a la tabla de contingencia 2 X 2 que se muestra en la Tabla 7-L9 x2= Tabla 7-19 n(arb2- azbt\2 Tabla ?-20 TL\lLzlL¡fl's RESULTADOS OBSERVADOS I A B TOTAL at br RESULTADOS ESPERADO.99. Z TOTAL 153 27 Aprobair¡c didos TOTAL 85% de 55 : 6l 4G. Y 85% de S¡.15 61 15% de 64 8. después de lo cual.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.r"/" a1b2 (o.49. 153 qn X Sr. 7. que puesto que x:eg : 4. Las frecuencias esperadas bajo FI¡ se muestran en la Tabla 7-17. Y St. de otra forma se necesitan ajustes como los descritos en ( b ).60 64 180 64 180 Entonces o x-.15)2 (8-9.75 = = 51. pá.61. Se deduce que el número de gtados de libertad hk .-. se puede rechazar lfs aI nivel de 0. Z TOTAI.10 si se está dispuesto a correr el riesgo de estar equivocado 1 vez de cada 10.n"n¡ln\z' nrnn/n ntftl. no se puede rechazar I/e al nivel de 0. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION habrían aprobado el 86Vo de los estudiantes.60-=4.85 85V" d.ó+ Pa¡a determinar el número de grados de libertad.40)2 (5-8. sin embargo. Í4-9. todos los números restantes vienen obligados por lo8 totales.núnR/n "r'.1). * ó1)(o1 * o2) o1*óq*a21b2 n a2b. Nótese que este resultado es válido si se conocen los parámetros poblacionales necegarios para obtener las fr. .gina 22O .25)2 .05.85)2 (56-54.5135-547ó-----d25 9J5 --. 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.ecuencias teóiicas.60)2 4175 -.L5% de 55 : I5% de 6t 9. Tabla 7-17 ITRECUENCIAS ESPERADAS RAJO Sr.25 OD : didos TOTAL 55 61 9.n2nslnl2 .1Xk .51.

ozbr\2 n /orbz-ozót\2 ml?¿B\ n n nzn¡\ n n¡r¡\ / / / n fatbr-tzDt\2 n ?zrs\ / que al simplificar. r¿¡ = 100. P. 7 Análogamenta Así. ns = ür*ó2.. Sise aplica la corrección de Yates.10012 = 1. da x' : D'- n(a. yn:2OO.49 paralos datos del Problem^I. COEFICIENTE DE CONTINGENCIA ?.38 : Empleando la corrección de Yates.246 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP. Or--m arb2 = - a2b. de modo que (r) (4) ú1 = nlPy az = nzPz.P)2 que es el cuadrado del estadístico Z.49.52.=&r*a2*b1*b2.93 7.50.Prl . el resulüado eg el mismo que en el Problema 7. C= vra = {*#fu : r/d'6112e = 0'1084 . Dr = 65. bz = nz(l- Pz) tlg = flq Utilizando (3) y (4).=. n1=at*b¡ nz=a2*b2. frA=úr*az.49 x2= n(ap2.ln)? = -"r!rrrñr" 7.tn)z = 200il(?5x35) 2. . ¡e tiene del Problema 7.45. r¿r(1 - Pr). n2:60.45. -flg L-p l-P2 = bc -= = q = -. f.Pr)]2 nrnínpnq = nfri\+LlllrJ (Ya que n = nt+tt2l (Pt. ür : 'tL¡ = flP. se puede escribir az-ry = ur-ry = Í2fts . Denótese por P1 y P2 las dos proporciones muestrales y blema 7. dado en (IO) en la página 215. Con referencia al Pro- (r) (2') P. (/ ) se remplaza por (21 "rr"r"^"" : nL2 nrnznAnB x2 (conegida¡ n(ltl. Halla¡ el coeficiente de contingencia para los datos de la tabla de contingencia del Problema 7.P)2 nWtPrA$ . EnelProblemaT.51.n2P2n{l .46 ¡2 (corregida) = ---ñ^"" - = - (25X65)l (140)(60X100X100) .. nt=140. bz:35. a2=26. - O2 l¿z' fL¡ tl' ó.49 da x2 = n(1aft2.a2b)2 -T nrn2nAnB nrn2(Pr. ns = 100. 1-Pr . = #.azbtl . se tiene p la proporción poblacional. 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).bq - aqb'12 donde A:&tbz-azbt. ^ (t) n /otbr-ozbt\2 n lotbr. entonces riI ) del Problema 7.. a1 =75. Ilustrar el resultado del Problema 7.4S.

[roOi(0.(+Xá) * . Para taleo ca¡os..55.o.. En el problema 7. P(7 o más correctas) : P(7 correctas) * P(8 conectas) + P(9 corectae) * P(10 correctae) = .a 7.1?19. En el Problema 7. el e¡tudiante acierta alazar). la probabiüdad de decidi¡ que el eetudiante no reeponde al aza¡ cuando es que si. hallar la probabilidad de aceptar la hipótesisp = 0.(á) = 0.3) + r0Cr0(0.21 valor máximo de C ee presenta cuando la¡ Se recuperan No se recuperan 0 TOTAL 100 GrupoA (utilizando auero) (no utilizando . Seap la probabilidad de que una pregunta sea contestada correctamente. (f) p : 0. (a) Sip : 0.. 7l ENSAYOS DE HIPOTESIS Y STGNIFICACION 24V 7.---80. (b)P : 0.t.7)e(0.= (100 zw En general.0o)z (0 . (e) p : 0.8..cAP. Hallar el valor máximo de C para la tabla 2X 2 del Problema 7.X.54.56. donde g =L- p. 7.50)2 (0 .13.6. . Nótees la probabilidad de error del fipo I.54.6)?(0. ee 0. PROBLEMAS DIVERSOS 7.(iX..5 cuando realmente = O'7' : O.(. La probabilidad de conteetar correctamenté Bajo la hipótesisp r pregunta¡ de las 10 será rcCrqqto-'.618 ..3504 7./Zt(xz + n'l = t/ñl@6T 2oo-) = 0.6 la probabilidad pedida será 1 - [P(? conectas) * P(8 correctas) + P(9 cotrectas) + P(10 correctas)] =|- ho0?(0.53. suponiendo independencia total.ro)¿ .-60 .3. Pueeto que las frecueneias eeperadas.2.5 (ee decir.60)2 50 .----80Entonceg el valor máximo de C e¡ . Para ensaya¡ la hipótesis de que el estudiante acierte por car¡udidad.3)10] = 0.64. adopta la siguiente regla de decisión: (i) si 7 o más respuestas son acertadas el estudiante no las acierta por casualidad.¡* . hallar la probabilidad de aceptar la hipótesis p P : 0.?1e Asi ee que ésta pues.3)2+ r0Ca(0.6)e(0. (100 . el estudiante está adivinando. (ii) en caso contrario. son todas igualea a 50.4) + 10010(0.6)101 = 0. Esta tabla de contingencia aparece en la Tabla 7-21.7)8(0.3)3+ r0Cs(0. = 1/@-ffi.7)7(0. (c)p : 0.5 cuando realmente (a) p : 0.9. Hallar la probabilidad de rechazar la hipótesis cuando es corTecta. todor loe que tomen el suero 8e recuperarán y todor lor que no se lo tomen no Be recuperarán.? Bajo la hipótesis p P(menoc de 7 corectas) : - 1 -P(7 o mác conectas) 1 .?0?1.4.". D Tabl.ueno) TOTAL 100 (irupo ó 0 100 100 100 100 200 .". En tal caso. (Véase Problema 7 .4)3+ roOs(0. en la gue el número de fil¡s y columnas eon ambas iguales a &.". = 0. para la dependencia total en uua tabla de conüingencia. Un instructor hace un cuestionario forurado por 10 preguntas falso-verdadero.i . C. (d) p : O.".(g)p : O. do¡ clasificaciones son perfectamente dependiente¡ o a¡ociadas.6)8(0..4)2+ ro0a(0.L27). las únicas frecuenci¡¡ de casillas que no Eon cero aparecen en la diagonal que baja de izquierda a derecha de la tabla. " x.

Puesto que P(0 ó 6 carar): t'o+* = 0.5).59.58.1094. **.01.989 0. Ensayo unilateral: Aquí se deeea decidi¡ entre las hipótesis (Ho: p: 0. Se ha irrcluido también el valor para p : 0. 1.¡qn.5).05 ó 0. Ad- la curva OC del 06 Si se hubiese dibujado (1 -p) yp.9 0.8 0.2188.01662 y P(6 ó 6 carad) = * +-# : 0. Sea p la probabilidad de ca¡a en un solo lanzamiento de la moneda. respectivamente.05.7 0. 03 02 0. el resultado observbdo es significativo al nivel 0. no se puederechazar.121 0.03125. Puesto queP(0 ó no ee puede rec}ntzar H¡ al nivel de 1ó 5 ó 6 caras) = 2(t) = 0. como se muestra gráficamente en la di¡tribución de probabilidad de la Fig. 3. . 0. pero no al 0.01.0.ó) y (Ht:.1 El grafico indica que la regla de decisión dada ee muy odecuado para rechazat p:0.64.05 ó 0.5 0. Nótese que la probabilidad se denota por p (probabilidad de error del Tipo II).57.01.trf6 llnivelde .248 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.3 0.828 del Problema 7.1. 7. Utilizar el Problema 7. la moneda está bien hecha).4 0. pero no al 0.01). (g) pueden hallar¡e análogamente y se indican en la Tabla 7-22 junto con el valor correspondiente a p : 4.68.5)(ee decir.01 (es decir. Ensayo bilateral.945 0.350 0. 7-14.6) y (Ht: p > 0.7 hallado en el Problema 7 . si en la moneda sale 5 veces cara. p + 0.Ele al nivel 0. +i. ee puede rechazar ñfe Ensayo bilateral: al nivel 0.5 dado por p : 1 . caraa en 6 f(x\ = P(x lanzamientos) = Entonces lae probabilidsdes de 0. 7-15. Una moneda que se lanza 6 veces da 6 veces cara. . por #.1?19 : 0. Bajo la hipótesis (Ho: p: 0. Aquí se desea decidir entre la¡ hipótesir (Ho: p : 0. Tabl¡ ?-22 p B 01 1.01 la moneda no está bien hecha? Considerar ensayos de una y dos colas.06.6 y 6 caras son dadas. pero no d 0.618 0.Puesto queP(6 caras): f¡ :0. se habría obtenido la curvo de potencia de la regla de decisión. 0. 7. Pueeto que P(6 ó 6 earar): * + # = éa:0.t v i.013 0 828 7. ? Loa resultados de (b). (c). .8.2 0.05 y (b) 0. ¿Puede deducirse que al nivel de significación (c) 0. 2.56 para construir el gráfico de É y p obteniendo así la cun¡a característica de operación de la regla de decisión del Problema. 4. $oluciona¡ el Problema 7. viértase la semejanza con Problema 7-27. Ensayo u¡ilateral.000 0.6 0. .54.1094.05.65. se puede rechazar.!¡.999 0. l0 09 08 0? El gráfico pedido es el de la Fig.5 cuando realmente p > 0.t+.

. página 14?.. . el numerador en (2) tiene. Tal como oe establece..Y2=U2.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 249 7. ce pueden describir las ei- ría I..¡p_r¡rll*l)q/ = '' \P Pq = (P-.¡Yt=Ur Y Yt+Yz+ "' *Y¡r= P(Yr+ Yz| "' * Y¡ = n¡ e-n n¡ Entonces.. iYr. / \V^r/ \Vrzl . Pa¡a la función de probabüdad conjunta de ft l¡¡ Y tenemos (r) (21 p(y.:í-^*f e-^ dondehemo¡uuiüzadoelhechodequept*pz+.= ut. i npn: n.61 demuestra que podemos remplaza¡ las X por lae Y independienúes con dietribución de Poisson ai ae cumple que Y¡ + Y2 + " '* Y¡": ¡..62.. . ..Yz=U2r . con frecuencias esperadas flPt. como se define por (21). = (nP . *Y¡= n¡ = que ee la distribución multinomial de la¡ X [compárese (I6).Pl n(l-p)=nq TOTAL n . (21) ea diffcil de manipular ya gue las X di¡üribuidas multinomialmenüe son dep.l\z : npz trr : zpr respectivamente.. Sin embargo. Suponga que Xt. . (5) de la página 214. el Problema 7.*/t'-^'\' \Vrr..Yt va¡iablesmutuaÍienteiñdependientes con dist¡ibución de Poisson y parámetros tr¡ : npt.. el valor En cuanto aI denojminador. Por t¿nto reeecribimo¡ (2/ ) como (r) x2 = /t'=^')'*f"'=^'\'*.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." Por tanüo (2) ee conüerte en P(Yr=Ur.p)z = .. p I Frecuencb observada Frecuencia esperada nP np II n(l.nPz. Sean f..endientec.p)2 PQI'I¿ 7..96. busc¿ndo está dada por Iadi¡üribucióncondicionalqueeetamos P(Yt.cAP.L tu¿cione¡ por medio de la Tabla 7-23.. Tabl¡ ?. sabemos del hoblema 4. de (I ).Yz=Az. Asl el denominador tiene el valor "":. .60. Mostrrir que una prueba en chi-cuadrado que comprende dos categorías es equivalente al ensayo especial de significación para proporciones (pagina 214).Y¡=Ur I Yz* .tYx=at I Yr* Yz-1. yx= ax) = 19#)1-+gj..6t pa¡a demostrar que ¡2. y2= u2. página 118]. n(P... .'.págtna 218. Demostra¡ que la dist¡ibución condicional de las f dado que Yt*Yz+ "'+Yx = es precisamente la distribución multinomial de las X.61. de acuerdo con la resüricción (221.1'"'-. *Y¡r= n¡ PlYr=At.. Yr + ). npp respectivamente.. . tiene aproximadamente una distribución chi-cuadrado...aL.. que Yr + Y. Epplear el resultado del ProblemaT.. por definición.+ph=L. + ' ' ' + Y¡ es en sí migma una va¡l¡ble de Poi¡eon con parámetro np¡ * np2 + . Xz X¡ tienen una distribución multinomial..23 Si P es la proporción mue¡tral para La categoes la proporción poblacional y n eo la frecuencia total. ^#--"Jpltpf2"'plk 7. Enüoncec..

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

. yos.05 y (ó) 0.OO.e) = p(lWl < e) - e4(0)(Z€) = 7. se adoptarÍa en el Problema 7.66. y que E\W\ = VE(O) + \/p2(o)+ . (o) Hallar la probabilidad de rechazar la hipótesis cuando en realidad aea correcta. + {pt Zt.7 o..05 desde el punto de vista de (o) un ensayo unilateral y (b) un ensayo bilateral.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 26L Para evaluar el denominador de (5) notamos que la variable aleato¡ia W = lptZl * es l-p222 + .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 1.63 si ee quisiera que la probabitidad de rechazar la hipótesis siendo realmente conecta sea a lo sumo 0. 7. 7'68. no cargados. Recientemente. * p¡(1) = de den¡idad paraW es p(rr) : (Zr)-r/2e-u2/2.64. (¿) ¿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. Ensayar la afirmación del fabricante al nivel de aignificación del (o) O. Var (W) = pr(l) * pz$) * .05. Solucionar el Problema 7. Comentar la significación de este resultado al nivel de 0. Un examen sobre una muegtra de 200 de talee equipos reveló que 18 eran defectuosos. es decir. (o) ¿Qué regla de decisión ?. mediante (of un ensayobilateralyla¡.65. ¿Se puede deducir al nivel de signüicación del (o) 0.cAP. una muestra de 36 piezas de hilo dieron una resistencia media de 8.trLtroyo uniiateral y un nivel de significación del 0. Un fabricante sostiené que al menos el 95% de los equipos que Euministra a una fábrica eetá de acuerdo con las especificaciones requeridas.Of O. Supóngase que en el Problema ?.01 que el es ahora peor? hilo 7 .0ó? (d) ¿Cuál sería la regla de decisión si el nivel de significación fuera del 0.9.1i¡ ee rechaza en caso co¡rtra¡io. se quiere un nivel de significación del 0.01.ebolac rojas que de azules.(o¡ : 1 s Por tanto la función .66 ei el nivel de significación es del 0. 7.93 onzas.69. + V!f.e y azules.63 se desea eneayar la hipóüeeis de que hay moyo. Esüo provee Problernas suplem.05? 7. proporción d.. normal (puesto que e8 una combinación lineal de la¡ variablee Z normaies e independientee).entarios ENSAYOS DE MEDIAS Y PROPORCIONES UTILIZANDO DISTRIBUCIONES NOBMALES ?'63. la puntuación medi¡ fue de 74. Una urna contiene bolar roja. 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..0. La "demostración" anterior (que puede hacerse rigurosa) muestra incidentalmente que cada restricción lineal colocada alas Z. (ó) Interpretar gráficamente la regla de decisión y el resultado obtenido en (o). Enaayar la hipóteaie de que los dados esüén bien hechos..01.40 onzas. .1 y la desviación típica fue 8. En un examen dado a un gtan número de estudiantes de muchas escuelas distintas. donde z : h - las bases para las reglas dadas en la página 219. 7.01? Se lanza un par de dado¡ 100 veces y se observa que un total de ('siete" apa¡sce 23 veces.67. (Zr)-t/2(ze) Al dividir (8) por (9) obtenemos el resultado deseado. y por tanto a la¡ Y o a las X reduce el número de grados de libertaá en X2 en 1... Para ensayar la hipóteeis de proporciones iguales de e¡to¡ colores. Discutir las razones de las posibles preferencias de uno de estoe ensayos sobre el otro. ee decir.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 Denominado¡ (. En una escuela determinada con 200 estudiantes el mismo examen dio una puntuación media de 75. erplicando las conclusiones sacadas con estos ensa- .

Utilizando un nivel de significación del (a) 0. Ensayar la hipótesis de que (o) las dos máquinas tengan diferente calidad de fabricación y (b) la máquina B sea mejor que A. mediante un nivel de significación del (a) 0. A causa de lo costoso del mantenimiento de estas máquinas resulta que a menos que el tiempo 4e producción ee disminuyaen un8.05. 7. En seis pruebas de este tipo se obtuvo un decrecimiento en eI tiempo de producciónde 8.01. Mediante unniveldesignificación del 0. Para ensayar los efectos de un nuevo fertilizante sobre la producción de trigo.05 ensayar la hipótesis de que las máquinas deben ser introducidas.52 con una desviación típica de 0. En un examen de psicología de 12 estudiantes de una clase hubo una puntuación media de 78 con una desvia- 7.01 V (b) 0.7 8. la puntuación media de 32 niños fue de 72 con una desviación típica de 8.05.05 y (b) 0.73.54 fanegadas. me- 7. En el Problem a 7 . mientras que la puntuación media de 36 niñas fue de 75 con una desviación tÍpica de 6.63 fanegadas. ENSAYOS REFERENTES A DIFERENCIAS DEMEDIAS Y PROPORCIONES 7.2% de cobre.72.49 con una desviación típica de 0. 7 . Una muestra de 8 bombillasdelaproducciónactualdiouna du¡aciónmedia de 10?0 horas. etc. (b) 0.01. 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. Explicar las diferencias entre esto y lo que se pedía en el problema anterior.70 si el nivel de significación es del 0.8f En el Problema 7. Ensayar la hipótesis de que a los niveles de significación (a) del 0. 1 . 7.01. todos ellos tenían idénticas características de suelo. ción típica de 6. respectivamente.05 y (b) del 0. A y B fueron ensayadas pa¡a ver su pH (grado de acidez de la solución). ?.05 y (b) 0. ensayar la hipótesis de que el nuevo fertilizante sea mejor que el antiguo. Ensayar la hipótesis de que la duración media de las bombillas no ha cambiado. con los niveles de significación de (o) 0. ¿Se contradicen los resultados con los del problema anterior? En un examen de ortografía en una escuela elemental.83. El número medio de fanegadas de trigo cosechadas por cuadrado en los que se utilizó el fertilizante nuevo fue de 18.8 y 0. ENSAYOS EN RELACION CON LA DISTRIBUCION ú DE STUDENT 7. Con un nivel de significación del (a) 0. 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.O7o laintroducciónde tales máquinas en eI proceso resulta antieconómico. Análisis de 5 muestras de B dieron un pH medio de ?. Unamuestrade 10 análisis dio una media de contenido en cobre de 23.76.024. ¿Puede deducirse al nivel de significación del (c) 0. ? 7. El nuevo fertilizante se aplicó a 30 de estos cuadrados y el antiguo fertilizante a los restantes. [.05 y (b) 0.01? En el Problema 7 .79 ensayar la hipótesis de que el contenido medio de cobre sea más alto que el que marcan las especificaciones.01 y (ó) 0. una parcela de terreno se dividió en 60 cuadrados de áreas iguales.01 y (b) 0. determinar si los dos tipos de soluciones tienen diferentes valores de pH. .032.05.7 4.2 con una desviación típica de 0. Una muestra de 100 bombillas de un fabricante A dio una duración media de 1190 horas y una desviación típica de 90 horas.a media y desviación tfpica correspondientes a los otros cuadrados fueron 17.32%./o con una desviación típica de 0.80.05. mientras que 15 estudiantes de otra clase tuvieron una puntuación media de 74 con una des- .24%.4a.05 y (b) 0.76. Análisis de 6 muestras de A dieron un pH medio de 7. 7. exposción a la luz del sol. Utilizar el nivel de significación del 7. < 1-t2O horas.01 las niñastengan mejor ortografía que los niños. Dos tipos de soluciones químicas.05 que el producto presenta las especificaciones requeridas? ?. Un experto efieiente mantiene que introduciendo un nuevo tipo de maquinaria en un proceso de producción se puede disminuir sustancialmente el tiempo de producción.7 7 ensayar la hipótesis ¡¡ : 1120 horas contra la hipótesis alternativa tt diante un nivel de significación del (o) 0.01.252 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Solucionar el Problema 7.72 ensayar Ia hipótesis de que las bombillas del fabricante B sean mejores a las del fabricante A utilizando un nivel de significación del (o) 0.7L.19. respectivamente.01. lcAP. Las especificaciones para Ia producción de una cierta aleación piden el 23.77.5% y una desviación típica de 0. ¿Hay diferencias entre las duraciones medias de las bombillas de los dos fabricantes al nivel de significación del (o) 0.a2. Una muestra de 75 bombillas de otro fabricante B dio una duración media de 1230 horas con una desviación típica de 120 horas.

Con un nivel de significación del 0. . La resistencia a la rotura de una muestra de 8 cables dio una desviación típica de 300 libras.90. (b ) 0.6. En relación con el Problema 7. Comparar estos gráficos con los del Problema ?.01? CUBVAS CARACTERISTICAS DE OPEBACION ?. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION es 263 superior al segun- viación típica de 8. 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. Adviértase que en esüe caso solo son necesarios los límiúes de control super. Después de introducir un cambio en el proceso de producción de estos cables.81 .25 considerando Ia analogía de bolas rojas y azules con caras y sellos respectivamente. Investigar la significación del aparente incremento enla variabilidad.ores.63. mediante un nivel de significación del (a ) 0.E8. cuando la proporción real p de bolas rojas sea (o) 0. durante los 15 últimos años. se toma una muestra cada 4 horas de 200 de las tuercas producidas. desviación típica de las temperatwas anu¡legde una ciudad en un período de 100 años fue de 16" Fahrenheit. Ensayar la hipótesis de que las temperaturas en esta ciudad presentan ahora menos variabilidad que en el pasado. (b ) ¿Qué conclusiones pueden sacarse de acuerdo con Ios riesgos de error del Tipo II cuando se incrementan los támaños muestrales? 7 . ?. En el pasado. ENSAYOS EN RELACION CON LA DISTBIBI'CION CHI.05. Determinar los Iímites de control del (a ) 99% y (b)95% pam el número de tuercas defectuosas de cada muestra. Comparar estas curvas con las del ProblenaT . Ensayar la hipótesis de que la primera varianza poblacional es mayor que la de la segunda a un nivel de significación del (o ) 0.82. ¿Concluiría que esto no es común? Explicar.93. tienen varianzas dadas por s? : 16 y s2 : 8 respectivamente.85.91. Solucionar el Problema 7.9. En el Problema 7. Hallar los límites de control del (a) 99.27 si se eru¡ayan 400 cuerdas. ?.87 si las dos mueetras con¡i¡ten de 60 y 120 observaciones respectivamente.7. (b) 0.94.65. ENSAYOS EN RELACION CON 7 LA DISTBIBUCION F .731o ó 3o. Con la temperatura media del día 15 de cada mes. Representar gráficamente los resultados del Problema ?. se toma cada 3 horas una muestra de 16 piezas de hilo y se determina la resistencia media.05 y (b ) 0.3. ¿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. (e ) 0. ?. (c) 0.64 onzas y una desviación típica de 1. (b ) 0.05 determinar si el primer grupo do.95.84.CUADRADO 7.8. al nivel de significación del (a) 0. determinar Ia probabilidad de aceptar la hipótesis de que haya igual proporción de bolas rojas y azules. (b) (1 -p) y p. 7. Para mantener esta calidad de producción.89. Ia desviación típica de las temperaturas anuales fue calculada como de 10o Fahrenheit. Alrededor del lVo de las tuercas producidas por una compañía son defectuosas.26 y 7 . (d) 0. un cierto tipo de hilo producido por un fabricante tenía una resistencia media de roüura de 8.28 onzas. Construir (a) unacurva OC y (ó) . Dos muestras consisten de 21 y 9 observaciones.77 una muestra de 20 bombilta¡ reveló una desviación típica en la duración de 150 horas. En el Problema 7.0f .90 construyendo un gráfico de (c)p V p.cAP. (b) 99% sobre un gráfico de control de calidad y explicar sus aplicac¡o- nes. (o ) Solucionar los Problemas 7 . una curva de potencia correspondientes al Problema 7. ?.05.92.27 GBAFICOS DE CONTROL DE CALIDAD 7.86. ?.01.01 . t¿ ?.

Ajustar una distribución normal a los datos del problema 5.100.103. 6l ?.1'04. Número de libros sacados Tabla 7 -27 Lun.40% C. 10. Ensayar la hipótesis de que la moneda está bien hecha utilizando un nivel de significación del (o) 0.rrru de 4 máquinas. las puntuaciones dadas por un grupo de profesores en un determinado curso dieron un promedio d. 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. 7. Tabla 0 ? -25 I ?-101. 114 Vier.96. 7 z AJUSTE DE DATOS A DISTRIBUCIONES TEORICAS -24 2 7. Durante un largo período de tiempo. 3.107.05 2 rojo 0 blanco Número de extracciones con Ios esperados.108. 7. En 10 unidades del ejército prusiano y en un período de 20 años 1875-1894. Ajustar una distribución normal a los datos del problema 5. Este proceso se repite un total de 120 veces y los resultados obtenidos. Ensayar la hipótesis de que el número de libros sacados no dependa del día de la semana.CUADRADO 7'102' En 60 lanzamientos de una moneda se observaron 37 caras y 23 sellos. resultados obtenidos son consistentes (. El número de libros sacados de una biblioteca pública durante una semana determinada viene dado en la Tabla ?-22.Lg?o D y 12% F.l 1 cara 108 bien hechas. con un nivel de significación del (o ) 0. 9.105.66 C' 16 D y 12 F. utilizar papel gráfico 30 62 16 l0 . 7. 108 Mierc. Delerminar al nivel de significación de 0.106. solucionar el Problema 7. Se lanzaron tres monedas un total de 240 vese observó cada vez el número de caras obtenido. Ensayar esta hipótesis al nivel de significación del 0. 7. Ajustar una distribución de poisson a los datos del hoblema 2. 7 '97 Ajustar una distribución binomial a los datos dela Tabla 7 _24. Se eligieron aleatoriamente tuercas de la producción de . .05. (b) Determinar al nivel de significación del 0. Una urna contienc 6 bolas rojas y B blancas.^ 30 Frecuencia esperada )0 90 3() ?. El número de defectuosas ""d" fueron 2.99. de probabilidad para determinar si los datos del Problema 5. el número de muertos por unidad y año debido a coz de caballo se dan en la Tabla ?-2b.LB% B.se muestran en la Tabla ?-2g. Juev.gg.05.05 si el profesor nuevo sigue las mismas nornns de puntuación que los otros.254 ENSAYOS DE HIPOTESTS Y SIGNIFICACION Tabla f 0 [car. 146 t20 7. 7.96 y comparar con el ajuste obtenido utilizando la distribución binomial. Un profesor nr¡evo da durante dos se_ mestres 22 A. I 65 22 a l 10!¡ I LA PRUEBA CHI. Determinar si existe entre las máquinas una diferencia significativa al nivel dc significación del 0. Ajustar una distribución de Poiss<¡n a los datos.34 8.e 12% A.98. Mar. .05. (o) Determinar las frecuencias esperadas.0b. Se Tabla 7-28 0 rojo 2 blanco 1 rojo 1 blanco 53 si los extraen aleatoriamente dos bolas de la urna. 7.01. (á) 0.r02 utirizando la corrección de yates.100. (b ) 0.0r . 3 4 . se anota su color y se vuelven a la urna.g8 pueden ser aproximados estrechamente a una distribución normal.

enfer No se maron 'enferma¡on Vacun¡dos No Vacunados I L7 42 28 ?.111.0ó. es decir.115. (b)hoblema 7. Solucionar el Problema 7. 7. Posteriormente. Tabla ?-30 Aprobados Clase 7. las dos claees. Ensayar la hipótesis de que las notas de física sean independientes de lás obtenidas en matemáticas.f09.cAP.118. ensayar la hipótesis de que no haya diferencia entre los grupos vacunados y no vacunados. Utilizar el nivel de significación del 0.06.101. Dott. la vacunación y esta enfermedad son independientes. 7. se Ies preguntó si las pastillas habían surtido efecto o no.112 introduciendo la corrección de Yates.ensayarlahipótesis de que no hay diferencia entre las píldoras de dormir y las de aziucar al nivel de significación del 0. IA Tabla 7 -29 muestra el resultado de un erperimenüo para investigar el efecto de vacunación de animales de laboraüorio contra una determinada enfermedad. Mediante un nivel de significación del (o) 0. Tabla 7. A un nivel de significación de (a) 0. Ia Tabla 7-33 da la relación entre las notas de los estudiantes en matemáticas y física.114.112. 7l BONDAD DE AJUSTE ENSAYOS DE HIPOTESIS Y SIGNIFICACION 265 7. Mediante la prueba chi+uadrado determinar la bondad de ajuste de los datosde (o)Problem¡ 7.99. (a) Utiliza¡ la prueba chi-cuadrado para determinar la bondad de ajuste de los datos del Problema?.116. De un grupo de enfermos que se quejaban de que no dormían bien.96.ensayarlahipóteois de que no hay diferencia entre ambos partidos en lo que a esta decisión se refiere.05.31 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 7.113. Sobre una decisión de importancia nacional. tiene su efecto en el número de accidentes de automóvil (incluyendo todo tipo de accidentes) se indican en la Tabla 7-34.la Tabla 7-32.01 ensayarlahipóteaisdequeelnúmerodeaccidentes es independiente de la edad del conductor. (b) Problema 7. Hacer el problema con y sin la corrección de Yates. ensayar la hipótesis de que no haya diferencia entre.98.05 V (b) 0. ¿Es consistente el resultado de (o ) con el del problema 7 . mientras que a otros se les dio píldoras de azúcar (aunque todoselloscreíonque suspíldoraseranparadormir). Los resultados de una encuesta hecha para determinar si la edad de los conducüores a partir de los 21 añoe. ¿Qué poeiblee dificultades en las t&nicas de muestreo como en otras consideraciones pueden afect¿r las conclusiones? .05 y en cada caso determinar si el ajuste es "bastante bue.LOg? TABLAS DE CONTINGENCIA 7 Tabla 7-29 Se . 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.110.06. los votos de los demócratas y republicanos registraron los resultados que se observan en. 7.01 y (b)0. Suponiendo que todos los pacientes dijeron la verdad. Mediante la prueba chicuadrado determinar la bondad de ajuste de los datos de (c) Problema ?.(b) ¿Es el ajuste "bastante bueno"? Emplear el nivel de significación del 0. 7.L17.100. medianüe un nivel de significación del (o) 0.05 y (b) 0. A 72 64 t7 23 Clase B 7. N nivel de significación del (a)0.01 y (b) 0.01. El resultado de sus respuestas se muestra en la Tabla 7-31.05 v (b) 0. Mediante un nivel de significación del (o) 0.01. a unos se les dio pfldoraspa¡adormi¡.

? MATEMATICAS Notas altas Notas altas O CA Notas medias 71 Notas bajas L2 Dt) AO Notas medias Notas bajaa 163 42 38 85 T4 Tabl¡ 7-34 EDAD DEL CONDUCTOR 21-30 31-40 41-50 78s 51 51-60 720 66 16 5 61-70 672 50 RH HE< 0 748 74 82r 60 26 10 oz ÉE I 2 Bg z< 3l 22 6 ID 7 lMásde2 I 7.126. respecüivamente. Demostrar que el coeficiente de contingencia máximo para una tabla fr X k es 1/1t¡ PROBLEMAS DTVERSOS . mostrar que la frecuencia esperada para la casilla perteneciente a la fila i y a la columna j es n¡n. pero se desconocen las proporciones de boias rojas y blancas en cada una de las urnas.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. Hallar el coeficiente de contingencia sin y con la corrección de Yates para los datos de (o) problema 7.?r para toda tabla de contingencia. Hallar el coefieiente de contingencia para los datos del Problema ?. ( sin y con coeficiente de n de yates. .L23. 20.49.117. es JUS:0. la suma de frecuencias en la fila ¡ y en la columna j de una tabla de contingencia (frecuencias marginales).121. Demostrar que el coeficiente de contingencia máximo para una tabla 3 X 3 mente. COEFICIENTE DE CONTINGENCIA 7.¡¡¡. 7. donde n es la frecuencia total de todas las casillas.1 .125. Dos urnas A y I contienen igual número de bolas.122. discutir las tablas de contingencia h X k X I. Por similitud con las ideas desanolladas para tablas de contingencia h X &. Si nI y n! denotan. Xu) r¡ñY Azules No azules 49 30 8-ó 7.119.) 7.LL4.127. (b) Con el resultado de (c) hacer el Problema 7. 7.8165aproximada- 7. diantes.1L2 y (b) Problema 7. 7'. señalando las posibles aplicaciones que pueden_tener. (o) Demostrar eu€ ¡2 = 2@l/np. se toma una muestra de 50 bolas con remplazamiento de cada una de las urnas./n.266 ENSAYOS DE HIPOTESIS Y SIGNIFICACIOD¡ Tabla 7-33 lcAP. Demostrar el resultado (2) det Problema 7. ?.11?. (b) el coeficiente COLOR DE PELO Rubio No rubio 25 96 7.121. donde n és la frecuencia total de todas las casillag.

?. Solucionar el Problema 7.54 ?.23 pzra el Problema 7.001' (d) 0. Con referencia al Problema ?.64-7. Ensayar la significación de este resultado a un nivel de (a) 0.0Sinvestigarsila marca A realmente es mejor que B proporcionando mayor recorrido por galón. Con otra marca B. hallar el menor número de preguntas que un estudiante debe contesta¡ correctamente para que el instructor esté seguro al nivel de significación del (o) 0.135.132. el número medio de millas por galón consumido en 5 automóviles análogos bajo idénticas condiciones fue de 22.0ó. (b) 0.05.129.142.56 si el 7 en la regla de decisión del Problema 7.l4O para obtener el valor de TOTALES lr2 n .136.05 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. 2. ?.48.140.138 ¿hay mayor variabilidad en millas por galón utilizando la marca B que utilizando la marca A? Explicar. Mediante un nivel de significación del 0. Generalizar el resultado del Problema 7. Explicar cómo podría definir interualos de confianza unilateroles y dar una posible aplicación. Al nivel de significacióndel 0. Comentar los resultados. Solucionar los Problemas 7. A B Tabla 7-36 I &1 II A2 III dg ó3 'tLg TOTALES ?. ¿Se puede rechazar la hipótesis de que la moneda está bien hecha al nivel de significación del (o) 0. 7.54. En eI Problema ?. el número medio fue de 21.cAP. ?. 7.138. Utiliza¡ el resultado del Problema 12 para el Problema ?. Solucionar el Problema 7.10.01.01? Utilizar un ensayo bilateral.13g. ?. Con una determinada marca A de gasolina.06 de que el estudiante no está contestando al azar.140. ?. Construir gráficos análogos a los del Problema 7.132 si salen 6 caras.55. Durante un período particular hubo 40 calificaciones A en un grupo de 300 estudiantes. 7 n¡ ng üt fl1 b2 .130.132 empleando un ensayo unilateral.134.13?. El porcentaje de calificaciones A dadas en un curso de física en una universidad determinada durante mucho tiempo fte L0%. (c) 0. es ahora 8.141. (c) 0. Demostrar que para la Tabla ?-36 y2 " n = o(l+ú+"?\ * 2a (u" +ú+ rt2 'tL2 ns/ rr o?) ns ¡\ ?t I \t¿r / -.54.4 con una desviación típica de 0. ?. (b) 0.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 267 dando la de A 32 bolas rojas y la de B 23 bolas rojas. (b) 0'01. ?.05.6 con una desviación típica de 0. Comentar cómo puede utilizarse la teoría del muestreo para investigar las proporciones de diferentes tipos de pescado presentes en un lago. ?.133.131. Una moneda se lanza 8 veces y se obtienen ? caras.4?. 7.

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

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

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

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

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

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

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

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

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

2 grados de libertad. 1. Véanse Problemas 8..49 y 8. Véase Problema 8. Véanse Problemas 8.8l CURVA DE A'USTE.cAP. En el caso de que p = O esta distribución es simétrica y se puede utiliza¡ un estadístico con distribución de Student. La transformación (60) se llama transformación /1+p\ I o/' ". Los ensayos siguientes resumen los procedimientos involucrados.m (ao- úor\Ñ @a¡ tiene una distribución de Student con n .ffi @o- a"\{n-2 Urr¡ tiene una distribución de Student con n .'\[+Fi. Denótese Por Jp el valor predicho de y conespondiente 2. De aquí pueden hallarse los tes de confianza para valores medios poblacionales predichos. es decir. Véanse Problemas 8. fo = E(YIX = co)]. . Aquí utilizamos el hecho de que el estadístico z =*r"(i+) = r.Para este propósito debemos conocer la distribución muestral de r. Aquí utilizamos el hecho de que el estadístico f = rl/n-z \/fr (+s¡ tiene distribución de Student con n - 2 grados de libertad. Ensayo de la hipótesis p * 0. es decir. Denótese por üp elvalormedb predichodey correspondiente a x = Ío para la población [esto es. Í : Ís para la población. Ensayo de hipótesis para valores predichos. REGRESION Y COBRELACION 267 tiene una distribución de Student con n .48.2 grados de libertad.8 : to estimado de la ecuación de regresión muestral. lo : a * bxs. De esta ecuación se pueden ha' llar límites de confianza para valores de población predichos. Ensayo de hipótesis para valores medios predichos. Denótese por Jo eI valor predicho de y correspondiente o. = ffi - (51) Z de Fish. Entonces el estadístico t- ú- ru. En ese caso una transformación debida a Fisher produce un estadístico que aproximadamente tiene una dishibución normal.2 grados de libertad. Denótese por ¡lo el valor predicho de y conespondiente i f : ts estimado de la ecu¡ción de regtesión muestral. 2. 3. 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. 2. Para p + Ola distribución es sesgada.er. (i=/ : 1'1513 tos'o(1 Estos hechos pueden también utilizarse para hallar los límites de confianza para los coeficientes de correlación.45. Ensayo de la hipótesis p = 0.50.43 y 8.. Entonces el estadístico t- su.46. Esto también puede utiliza¡se para hallar inten¡alos de confianza p¿ua coeficientes de regresión poblacionales de los valores muestrales. Véase Problema 8.(i#J aproximadamente tiene una distribución normal con media y desviación típica dadas por (50) -Zt" /1+p\ *. lo = a * bxs.47 y 8. = 1.44.1618"".

11 ) de (2) y (l pedido sustituyendo en ). Aquí hay una independencia directa enüre X Y. Es importante acla¡a¡ que "correlación" y "dependencia" en el sentido anterior no necesariamente implica una independencia causal di¡ecta de X y Y.yt)l@z . Se¿n X.1. y. diente de la recta. calculamos Z.@ se mueetra en la Fig.a*br)-(a*br1l = b(r2-r1l Obteniendo que b : (yz .a ecuación de una recta es ! : a * b*. REGRESION Y CORRELACION [cAP. ozr-2.lLzr. Significado de una diferencia entre coeficientes de conelacion. Además. Entonces ya que (¡r.s resueltos NECTA DE MINIMOS CUADROS 8. = Y nr- n^ = nt-3' nz-B (53') disbibuye norma[mente. Véase Problema 8. EJEMPLO 8.2.51. 8-5. Demostrar = que la ecuación de la recta es U-Ut tenemoe (Ty. sabemos (Teorema 3-15. cuando p + O.)w-.. La consüante b : (yz .t [. su distribución conjunta no se factoriza en sus distribuciones marginales). eI coeficiente de correlación puede eer diferenüe de cero y podríamos halla¡ una ecuación de regreeión prediciendo una variable de la otra. yr ) V @2. Por tanto (1) A2 = aibr2 u-a1 = @*br)-(a+b*t) (2\ .(. página 82) que son dependientes en el sentido de probabilidad (esto es.b(r-r-1\ Í2trt Uz-Ut . = Pzr. CORRELACION Y DEPENDENCIA Si dos variables aleatorias X. ozr-2.Zrpzr-2. y 22 conespondientes a y rz utilizando (50). Una recta pasa por los puntos (xr. 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. Y tienen un coeficiente de correlación diferente a cero. Problerna. el resulüado se deduce. Pero diffcilmente diríamos que hay interdependencia düecta entre X y Y. lt ) y ( rr. ). La gÉfre de la recüa .268 CURVA DE AJUSTE. Luego utilizamos el hecho de que el estadístico Zr.yt)lfz . Y variables aleatoria¡ que representsn eetaturas y pesos de individuos.1. Esto se demuestra en los ejemplos siguientes. podemos utilizar una ecuación de la forma de (39) pata predecir el valor de Y a partfu del valor de X. y2 ) son puntos sobre la recta yt = a+bn1.¡r ) es la pen- . 8 3. EJEMPLO 8. (521 donde se Itzr-|. Si X representa los s¿larios anuales de los profesores en tanüo que Y representa la cantidad de crímenes.

(b) Hallar una ecuación para esta recta. escójarrse dos puntoe cualesquiera sobre la recta.7 .542r ó¡ U=l+0.. (3. (11. (b) Í como variable dependiente.4\. 12. Las coordenadas de e¡tos puntoa tomadoc de la gráfica eon aproximadamente (0. 8. (8.1 ) y (72.642r. Ajustar una recta de mínimos cuadrados a los datos del Problema 8.2.8l 8. 3 2 4 6 4 891114 o a t).. REGRESION Y CORRELACION Tabl¿ 8-1 ü u 1 269 (c) Construir una recta que se aproxime a los datos de la Tabla 8-1. 4).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.2 utilizando a (c) variable independiente. f. por ejemplo.4. r como . Puede demostrarse que eetas realmente resultan en un mínimo. 9) sobre un ¡istema de coordena' das rectangulares corno se muesha en l¡ Fig. aFlab = 0. 6).rA' ")t)'6"' Fig. (6. Refiriéndonoa a la Fig. F(a. 6 y-l=0.3. 2).os valores de y sobre la. 8. recta de mínimos cuadrados conespondientes a 11.. CURVA DE AJUSTE..cAP. Para un método que eümine la ne' eecidad de juicio individual. dn = a*bxn-yn Fis. vé¡ee Problema 8'4 que emplea el método de mfnimos cuadrados. I 4 8 I Una rect¿ que se aproxime a los datoc se dibuja a mono olzada en la figura. Entonces el Problema 8.g¡2. para la recta de mínimps cuadrados. página 260.rfnSOn a*bry albr2. Ya que # = >f. 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. 7). 8-?. 8-6. .. dz: albr2-9". Una condición ó mfnimo (o un máximo) es necesaria para que esto sea un que aFlaa = O. (9.61. 2ra = a2r*b2r2 como 8e pedfa.(4.b) = l(o * br . es decir. (o) Dibujar loe puntos (1. albnn Las dewi¡¡ciones verticales correapondientes son dt = a*br1-yt.1 .tl' a-r =ffiO-l.. 8) y (14. tales como P y 8. 8-6 . (b) Para obtener la ecuación de la recta construida en (o). Derivar las ecuaciones nonnales (4).

50. b=+ ó0.50.CURVA DE AJUSTE. 8c*40d = 56 40ci256d = 364 Estos valoree también pueden obtenerse de ()rx)sz¡ .)ru) c=ffi==-0. y. se ha agregado a la tabla para emplearla en la parte (b). Tabl¡ t-2 i 1 a 12 nu 1 a2 I 2 4 4 6 a 3 I I 16 36 64 81 I 4 6 4 6 8 16 24 40 63 88 l6 l6 25 49 64 81 I 11 8 Lzl 196 l4 I 2v=40 t26 524 )r=56 2r2 = 2ry = 364 2a2 - 266 : 8 y lias ecuaciones norm¡les se convierten a 8o*56ó = 40 56a*524b = 364 Resolviendosimultáneamente ¿=il ó0. la ecuación de la la recta de mínimos cuadrados es ¡ : c * dy. Otro método.sz El trabajo involucrado en el crilculo de las sumas puede ordenarse como ae indica en lá Tabla 8-2. Aunque la última columna no se necesita para esta parte del problema. a = ()y)()r2) . REGRESION Y CORRELACION [cAP.636.oso (b) Si se considera a r como la variable dependiente y a y como la variable independienüe.8 (o) La ecuación de la recta es y : o * b¡.Ga)(.636 r.545.2 utiPuesto que hay 8 pares de valores de. t¿s ecuaciones normalee son )Y: 2ru: an*b)r a)r*b).(56X364) lt ó0'545 = 6 --lE f8-i6 g=w =qffiffiá#l )c = cnld)y = frao.50 d- - = 1. yla rectade mínimoecuadradoopedida es S t + lrx 6 U = 0. las ecuaciones normales son 2ru = c2y*d2a2 Entonces utilizando la Tabla 8-2. las ecuacionee normales se convie¡ten en dedonde c=-* ó -0.546 + 0. d=9 ó 1. n lizando el método a mano alzadt.()r)()ry) = (40)(524\ .60 . Nótese que esta no es la recta obtenida en el hoblema 8.r.

las rectas (¿) V (S) no coinciden.úr.8l CURVA DE AJUSTE.4 intersectan en el punto (. 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. U = &* Lrrr. Ot¡o método.. (o) Demostrar que las dos rectas de mínimos cuadrados obtenidas en el Problema 8.60 y. 0. la recta de mínimos cuadrados puede escribirse como Q) Caso que muestra que la recta pas¿ por el punto (á.60y t2 10 = y= e. ¡ ¡=-0. 6) se encuentra en la recta U = 0.333 * 0. 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 ). mfnimos cuadrados puede eecribirs€ como hocediendo como en el c¿¡o 1 intercambiando r. llamedo el centroide.E.Í. es (7.60 + 1. Nótese quelas dos rectas en e¡te caso prácüicamente coinciden.66? r 8 6 1 u= 0.546 f 0.636 ¡ 2 0 6tl012 Fig.333 + 0'667 ¡' que no ee l¡ mi¡m¡ rect¡ 8. Demostrar que una recta de mínimos cuadrados siempre pasa por el punto (i. y E=-t+*y. lo cual es un¡ indicación de que los datos están muy bien descritos po¡ una relación lineal. hallamos que la recta de (5) que indica que la recta pasa por el punto (4.50y.: L2 en la recta de regresión de y sobre n. y : 0.7.546 + 0.fi).ha*+É. .Elpunto(?.50(3) = {. y es la varirrble independiente. (b) Estimar el valor de y cuando x: L2.636 r o.8-8 8. - 0.60 * 1. r-ñ f).Resolviendoeimultánesmente. Nótese que al solucionar esta ecuación para y obtenemos y obtenida en la parte (o). Lar gróficas de l¡s dos rectat. pueeto eue6=*+t(?).546 * 0. F = -0. ti).5).9. 2. [¡secuacionee delaedosrectassona= llamos 8. se indican en la Fig.636¡.8. ú).6. {.500*1. remplazando las constantes o.6)seencuenhasobrelarerfar=-++$y. ¡ = 7 . pero ¡e intergectan en (a. Representar gráficamente las dos rectas obtenidas en el hoblema 8. b por c.pue¡üoque7=-*+*(6). Por üanto la¡ rectas se interceptan en el punto (?. La recta obtenida en la parte (b) se llama la recto de regreeión de x eobre y. (c) Estimar el valor de ¡ cuan' doY: 3' -2a40 a=T=¡-=o Luego el punto (6.cAP. U = 0'646 + 0'636(12) = g'Z' (c) Al remplazary:3 enlarectaderegresiónde¡ sobre a. más exactamente. Caso 1.6.6). (b) Al remplazar x.ú). REGRESION Y CORRELACION Por tanto la ecuación pedida de la recta de mínimos cuadrados es r = 0. se utiliza para estimar r para valores dados de y. (o) El punto (?. d respectiremen' üe.4. y.60+1. ¡ es la variable independiente.! :5. = tllu-úl Nótese que en general.

8.(2rlz 2(¡z-2nr*12) 2r2-2ñ2r*2i:z 2r2-2n82 lniz 2s2 .(Ic)z¡ También >(r - t)(v .al r. Tónemo¡ de 11) [eAP.)(2g. REORESION Y CORRELACION Demostr^ar que la tecta de regresión de mínimos cuadrados de y sobre forma (8).8.Demosharque .t¡z = - t )(>x)2 |ín2rz .10 Si en el Problema 8.272 CT'RVA DE AJUSTE.8 tenemos f.7 . re rigue intercambiando D - >(z::elfu. y (véa¡e problema g. u=7+tc Por üanto . página 260. ¿ = ñ. h = f.úl = 2(rs-i:y-ir*efrl 2ra-ñ2u-ú2n1'2eú 2rU-nEú-nfrE*nitfi .ú = b(x.=7+h. = n8ru-(2rl()ü _ n2xz _ (2r)z Entonces ti ú = út I h.pdgina 261. j[n2ra Por tanto (I ) oe conüerte cn 2rU t (>¿X>y)] de donde ¡e obtie¡e el resultado (S ). u=u'*k. U . .y.(2r)(2r'l n2r. h_ v- dondeh n2uU yk son constantes.(2x')(2y'l n)s'2 . g 8.n2r'a' ..(>.nEú (I¡X)z) ¿ru .12). Ir 2(a .9.tenemos . De la segunda ecuación en (5).1 -ñF-trú.-. 8.()¿X)y) n)¡z .t).9.p'12 El resultsdo er útil para dessrrolle¡ un camino corto para obtener recte¡ de mfnimo¡ cu¿drado¡ al ¡e¡ta¡ con¡tanter epropirad¡¡ de lo¡ valore¡ dadoo de r. U - g.e¡z demo¡tración de (12). Problema 8. pdgina 260. demostrar que D--i# .=-Ep=Ts¡t Del Problem¡ 8. + k.n8z 2r2 I Entonces . tenemos D_ 2(r n2xy .(2r. sean c = d *h. r puede escribirse en la (l). y.

donde o y b se obtienen resolyiendo las ecuaciones normales.cAF. de modo que lae ecuaciones normales se convierten en 9oe 2? 666 864 É¡ E 12o*800ó:811 800o*63.476x.476. (b) Hallar la recta de regresión de mínimos cuadrados de y sobre r.ae sumas se muestran en la Tabla 8. de modo que y :96.418 Zny = 54.849 .y deuna muestra de L2 padres y sus hijos mayores. 62 62 6{ 66 Fig. 8-9.88+r. REGRESION Y CORRELACION 273 Se deduce inmediatamente del Problema 8. 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.a recta de regresión de y sobre r está dada por y = a + b*./ €70 6 !a 2a'= an * ólr 2ra .82 y b = 0.418b = 64.9 ya que 2fr' = l(c-t) y análogamente = 2r-nñ = 0 ly' = 6. (c) Hallar la ¡ecta de regresión de mínimos cuadrados de r sobre y. (c) Construir un diagrama de dispersión.086/___V (b) f.197 )92 = 64. 8-9. y ) sobre un sistema de coordenadas rectangulares como se muestra en la Fig. 72 de dispersión se obtiene dibujando los r = _8. . La gráfica de esta ecuación ¡e muest¡a en la Fig.4.L07 de donde hallamoe o : 36.82 + O. &11 La Tabla 8-3 muestra las respectivas estaturas lc.a2n*b2n2 [.8l CURVA DE AJUSTE. 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.

CURVA DE AJUSTE.68.(lyX>ay) n2yz .82.()y)2 1. por ejemplo 68. 8-9. y ( los números restados de r tee). de r. . Por tanto 6?.086 8. REGRESION Y CORRELACION lcAP.5) - (10)z = 0.036. esto ee a = 36.07) 6 ecueción de regreeión pedida de y sobre x ea a . b = dada por ry# = 0. Réstese un valor apropiado.dondecydseobtienensolucionandolas 2a = cntd.58 n I¡ =7*68 = -**68 = 66.476u u .476 También ya que &' = ú .38. = ú - 68. Solucionar el Problema 8.11. aparte de los enores de redondeo.036y. y. ¿ = n>r!: (>!)l?nl = n2a2 .849d muestr¿ en la Fig.38*1.11 utilizando el método del Problema 8. = delascualeshallamosc:-3.á).9.asfque¡:-3. = ñ .d=1.68 = 0.67. Esto nos conduce a la Tabla 8-5.6?.68. . 8 "= (c) ecuaciones normales I]4ff de¡ sobrey viene = 85.12s¡z _ _s.ú de acuerdo con el Problema 8. y de y podrfan ser diferen- Tabla 8-5 & g' 0 l'2 t'U' 0 10 0 0 4 -3 -6 I 26 -2 0 -l -4 0 I 16 0 0 -6 2 -3 I -2 0 12 0 I I 4 0 9 36 4 4 L2 0 t) -2 0 -3 3 0 0 I 1 -l -1 I 1 I 0 I 3 0 2 0 4 I 2r'2 = lO6 6 )¡t = -16 De la tabla hallamoe b 2a' = -6 2rtg'- 47 2a'2 = 4l = U' -3l (12)!47). De una manera análoga podemos obtener l¡ ecuación de regreaión de r sobre y.274 Otro método. se convierten en -f SLld = 800 64.4?6 Larectaderegresión x:c* dy. u =7*68 = -**68 = IZ-LZ = b(u.Iagráficadeestaecuaciónse Otro método. - (>¡XI=y2l.2y 2uY = c2Y*d2Y2 L2c Utilizando las sumae en la Tabla 8-4.12. - 68 tenemos r.L07 E1lc#54.g8. (12X106) (-16)f.476(n-66.86 * 0.

2340 2. 8-10.7348 1.40=-y. donde y y C son constantes.2976 )r = 11. la última ecuación puede escribirse (r) U = oibr donde¿:logC.6 194.60X104 y y=1.ffi¡af'=-1.40.6946 1.to = 16. C=1.b:-'1.40= lb/pulg2.2878 2.4 118.0043 12 ra 3.7 28. debe existir entre las variables.4Ou. P de Ia Tabla 8-6 y también indica los (l ) son 2a = on*ü)¡ de las cuales 2ry .6953 (o) Puestoqueo=4. obtenemos un punto que se dibuja en el popel log-log construido especialmente como se muestra en la Fig. .20-1.()rX>u) 6=-ffi.4685 3.4 37.14. De acuerdo con los principios de la termodinámica una relación de la forma PV.0350 3.1 Presión P (lb/pul2 ) Ya que 6r.40(21 =1.7943 4. 8.9479 2. La Tabla 8-? da los valores ¡.cAP.4533 1.2 t9.40.a2r*b2r2 4. y y= logP=4.8l CURVA DE AruSTE. r=logV:2 25. = C.0 10. (c) EstimarPcuando V = 100. a = ()y)()rz)-(>rX:g¿l _ n2"2-1>n\z . Solucionar el Problema 8.20.0997 3. Entonces P=antilog1.8543 =-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.0 pulgadas cúbicas.6762 1. Para cada pareja de valoree de la presión P y el volumen V en la Tabla 8-6.40 Luego Y = 4.000.7910 1.2 PVt = C.0095 3.5 72.8 49.0059 2xa - 16.859? A = logP 1. (c) CuandoT=100.66L7 2.2833 1. Las ecuaciones normales qorrespondientes a la recta de mínimos cuadrados logP = logC-ylogV logC ó logP*ylogV: Tomando log I/: x.1 lu = 8'7975 b )12 = 23.13 dibujando los datos en un papel logJog.2077 3. n. REGRESION Y CORRELACION 276 ECUACIONES NO LINEALES REDUCIBLES A FORMA LINEAL 8.13.3019 6.20=logCy (b) Pvt.log P : y.(b) Escribirlasecuacidnes que¡elacionan aPy V. (c) Hallar elvalorde y y C.7858 1. Tabl¿ 8-7 s = logV L. tenemos tomando logaritmos de base 10 cálculos involucrados en eI cómputo de la recta de mínimos cuadrados (l ). Tabla 8-6 Volumen V (pul3 ) 54.6 88.2ry .074L 2.8309 t.3 61. y conespondientes a los valores de V.9294 2.20-l.

2 a = logP-ülog7 = lo926*1. 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 los100 = l.¡ U¡ ertfa dadar por dt = qtbx¡Ic¡. m 60 so r00 Volumen Y '{l Fig. logPTlle .Ut U2.8-r0 150 ¡00 ú t00 También ¡e indica un¡ rect¿r (dibujada a mano alzada) que re aprorima a eeto¡ puntos.4. . Pa¡a obtener ¿ ¡e nece¡it¿ un punto sobre ce8 l¡ recta. Entoncee lo¡ veloree de y ¡ob¡e moc cr¡¡dr¿dor cotrec¡rondieatet a a1. . .. REOBESION Y COBRELACION [cAP. Enton4. y PVtl = 16O00 PARABOLA DE MINIMOS CUAI)BAI)OS E.. Por t¡nto albn2*ct/.16.o*blogV ó g = o*bn Ie pendiente D. . P: 26 de la g¡lfic¿.4 logV = 4. Deriva¡ las ecuaciones nomales (I9). U = a*ba*crz l¡ pa¡óbol¡ de mfni- Se¡n lo¡ puntos mue¡t¡alec (a¡Ittl. . . Por ejemplo cua¡do V: 100.a*(1. [¡ medida en este e¡¡o indica que D = -1.. re de numéric¡rnente por l¡ relación-de la longitud AB a le longitud AC.) d^ = o*üc"lorl-t^ y lrr ruma de lo¡ cuadrado¡ de le¡ de¡viacionee eotá dada por )¿t = )(o+ bxlca2-t)1 . (nn.?"-al' dc = o*bu21-cú-!2.2. e2. prigina 261..2.!nl. of bur*wl l¡¡ de¡vir¡cionee de.a)(2) = de modo que logP* 1.8 l0 ú' 3o {0 ü.276 CURVA DE AJUSTE. .4. . (r*uzl.1rn ¡on olbr¡lcu!. para la parábola de mínimos cu¿dradoo. que er negatlva en e¡te ce!o.

00 Puecto que n (2) Reolviendo.t2 9223.cAP.2Ob+2275.4E 1065.065 t .9 7.9 7.66 259.5 6.2 )u= 46.7 4.83 29.62 21.96 96.066.41 73.82 4t.2 6.48 19.2b + 291.360 + 18971.0 7.2 1.19 36?. o ción = 8.8 3.t=o' *=o Enüonces # = ).04 48.6 2A = an*óI¡*c2n2 [¡s (r) ecuacionec normales son 2ry = o)¡*b2r9*c2rs 2n2a = o.7 7.61 24.6 5.2110¡ arí la parábola 2.8 4. REGRESION Y CORRELACION función de o. Ajustar una parábola de mínimos cuadrados de la forma ! Tabla 8-8.b.0 ?.58 4. b = : 2.8 7.27 1.36 5?6. ? = )f.ólcs*clra H trabajn involucrado en computa¡ la¡ ¡uma¡ puede ordenarce qomo 8e mue¡ha en la Tabla 8-9.1 : 8.22 rzy 6.9 9.2 1.971.9 5.00 2.46 254t.12 67.2a*2SL.8 2.8 7.73 5.2r2].79 s32.49 92.36 2ua = Zxu 291.8r 2n2g I¿= 42.2 6.8 r87.OI 32.28 38. = + 2.16.24 9.20 c = 48.1 8.42 - - 1449.588 de mfnimoq cuadrado¡ pedida tiene l¡ ecr¡¡- .44 3.7 12 n3 xy 6. e¡ decir 277 F(o.75 117.06 941.1 t€ 14 a 4.65 185.8 3.6 9.6 a I bx * cr2 a los datos de la t€ D.70 38. Tabl¡ u 1.28 233.19 2.8l E¡t¡ ec CURVA DE A¡UsTE. lar ecurciorÉ¡ norm¡ler (I ) rc convierten en 8a I 42.40 10.O.20 18.49 60.688.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).93 342.36c = 230.4 2r2 - Ic3 = 2276.92c : 1449. 8.20 o + 2276.7 4.o3to*óc*cr2-a)2 = )2(o+br*crr-a) k = )*a{o*br]-cnz-u)2 = 2Zr(a*brtcü2-a) aF :d. c = {).2ll0rt .91 636. T¡bb ü u 1.8 4.1 12. págin¡ 261. c.6 2.cl = )(o I Para minimizar esta función debemo¡ tener bx * cx2 - U)z Ti=o' . b.L6 6470.' 7.70 26.42 291.08 10.92 230.04 1.

Pata r = 1. .. (b) Determina¡ los valores estimados de e de los valores dados de r. all..2.5 2.2) .9 6.588 + 2. Ue"¡ = 2. vienen dadas por a*bnr*cyn dn = a* bnr* cUr.. . pág¡na 262. y puede escribirse z: albnlcy Las ecuaciones normales (21). z. (c) Hallar la ecuación de regresión de mínimos cuadrados de z sobre x. Tabl¡ 8-10 Uest 4.página 262. 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.640 7.0. REGRESION Y CORRELACION la.0 7.. . ..2110(I. las estaturas x. [. Utilizar parábola de mínimos cuadrados del Problema 8.503 7.762.zn\.613 6.962 7. Demostrar que la ecuación de regresión de mínimos cuadrados se obtiene al determinar a.zt.5 5. 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.An) son respectivamenüe a*br1*ey¡ Por tanto las desviaciones de z¡. c e igualando las derivadas parciales con respecto za.621 5. b.z¡ dt = a* br1 * cUt. y.18 la forma z r. Entonces los valores de z sobre el plano de regresión de mínimos cuadrados correspondientes a (r1. Análogamente se obtienen otros valores estimados. ala pulgada más cercana y las edades y al año más cercano de 12 muchachos.065(1. b y c a cero. . (rn. y por medio de una ecuación de regresión de a ! bx * cy.278 CURVA DE AJUSTE. La Tabla 8-11 muestra los pesos z ala libra más cercana.741 4. (c) Estimar el peso de un muchacho de 9 años y 54 pulgadas de estatura.56L 2.8 7.).7 u REGRESION MULTIPLE 8.Un. 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. y. . b.19. c de modo que satisfaga (21. 8.8 8. (ün. las ecuaciones normales pedidas (21) en la página 262 se obtienen.2 6. .os resultados se muestran en la Tbbla 8-10 junto con los valores reales de y. Se desea estimar una variable z de las variables : Sean los puntos muestrales (ryUyzr).8 4. lcAP.2)2 = 4.16 para estimarlos valores de y de los valores dados de r.17. .762 4.

la ecuación de regrerión pedida es (t) (b z = 3.168 48.4t4 69.86? 65.6612. ERROR TIPICO DE LA ESTIMA 8.2(Ufl -a.926 66. demos- s'?.8646."r)2 2afu 2fu-o-brlz o. c = 1. y.664 78.7r7 68.= v.¡ €stá dado por r viene dada por ! : a * b*.-brl - o-bu) .66+0.843 Utilizando esta tabla. Utilizando la ecu¿ción de regreción (3) obtenemos log valores egtimados de z.8436 * 6779c = 40.r=n= = 2(a-a.880 106o*67?9b+976o Rerolviendo. el peeo estimado es zest : 63.225 68. Si la recta de regtesión de mínimos cuadrados de y sobre que el error típico de la estima sy. 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 = 40.6068.865r+1.206 69. o aprorimadamente 63 lb.136 64.682 ?8.920 64 7l 63 67 DD 68 77 67 66 61 76 68 (c) Remplazando ¡ : 54. ü = 0.! : 9 en (3).606u zesb al susti- ) tui¡ los valores correspondientes de x.e resultado¡ ¡e dan en la Tabla 8-18 junto con lo¡ mueshaleg de z. las ecuaciones normales (I ) ee convierüen en l2a1-643b *106c (2) 643¿ = 769 * 34.356. =í. Ír.139 34. REGRESION Y CORRELACION Tabla t-12 fi 64 Df 59 49 62 51 a 8 10 6 11 z.286 66.8l CT¡RVA DE AruSTE.20.830 2yz = 6796 2uy = 6779 48.. 2a'- a2g n - b2rY por Ueet Loe valoreg de y ectimadoa a partir de la recta de regrerión vieneÍ'r dados = @ * ü¡.b2r(u -a-br) . a = 6796 = 3.cAP. denoüado8 pot valoreg Tabl¡ 8-13 2est 2 64. Entonces ^.

2u'=0 y ú = o*bt (que re deducen aldiüdiramboslado¡ de l¡ ecuación normal 2A = an * b)r por n¡.76 L.Cuandoeehacenestoeremplazo¡enelProlos datos del Problema 8.ó)(a . I üyt * r.24)2+(0.2y-an-óIr = 0 2r(a-a-br) .a2r * = b2u2 Entonces sí.xpot¿-á.476(66) : 66.14 ü a Uesl 65 68 66.b2rtgt * nú(ú . Tabl¡ t.o.81 0.76.82 + 0.47 6r.bnü! = 2U'2 + nú2 .ú = b(r .al@ .11(b ) la recta de regresión de y cobre x ea ! : 36. Erto demueetra el resultado pedido.66 7l 70 69.ú)'- b)(c n - ¡)(u - ú'l Si ¡ = r' * A.bi2r' .14 66 65 67.71 69 68 68.24 63 66 65." y 8t. = 2a@-a-bt\ nll 2a2-a2a-b2ra Este ¡esultado puede extender¡e a ecuaciones de regresión no lineal.b2r'Y' = 2(a .")z = "1.19 2. Catcular el error típico de la estima¡ 8¡.20 se obtiene el re¡ult¿do pedido.r9)z:l-.!* e!\ = 2a'2 + 2y29' * nú2 .38 7l 68.b2t'g' . 8 2(A-a-bn) .7L 64 66 66. REGREsIoN Y coRRELAcIoN lcAP.24 68 67 67 67.28 -1.2¡ pará Del hoblema 8.66 >(u-u..20 N3' = 2u2-o'2a-b2xy = 2(a' + ú)2 . cotrespondiendo a ¡ = 65 tenemotgest:36. Entonce¡ del hoblema 8.62 0.bt2y' .19 0.ú = 2u'2 . También ¡e indican lor valorea y - Uest.2O puede escribirse como ^z üu.14 -2.x = lTiltr= 1. como se obtienen de la recta de regresión. Método 2.98)2 12 = L64z .24 -0. que corteeponde a empezar con l--o+bryremplazando:oporcero.úl donde hemooutilizadolo¡re¡ultedot2r'=0.bñl = 2O'' .b2(r' * ñl@' * úl = 2(y'2*2ytfi*¡z¡ . denotados por lresr.anÚ .28 pulgadac.22.€2 + O. 8.11.a(2U.71 -0. En la Tbbla 8-14 ee listan los valores reales de y (de la Tabla 8-3) y los valorec estimado¡ de y..a)2 .UpotA-ú.81 U - Aest 0. güe ¡e neceaitan para el cálculo de oy. Por ejemplo. Sabemo¡ que la recta de regreeión puede eecribiroe oomo blem¿ 8. Demostrar que el resultado del Problema 8.2r-b2rz = 2A = on * ó)c 0 puesüo que de las ecuaciones normales 2ru .y. (1.r.b2(r.¡ Método 1.81 62 66 66. E.280 Pero CURvA DE AJUSTE..33 0.+(0.b2r'g' . / .bn.29 -1.28 68 69 68.2na-o.ana . g = A'+ ú.19 67 68 67.*nú') .o2(g' * fil . 2(a .á).6? 70 68 69.21.

40 pulgadas.34 0.28 (véase hoblema 8.ne?.04 (a) Variación explicada = (b) Variación no explicada -ú)2 = (-0. y-gfo".[t = (y .t-ti) - A)" = 2(A - El resultado pedido se deduce si podemos mostrar que la última suma este es eI caso..el 6812 de los puntos se encuentra entre las rectas. 8-11.a) = =Q :y.brt Q. Tenemos Uest de ú : 67 . tenemos 2(u-ú)2 .82¡z+. se muestrana trazos en la Fig..0t¡z ...24.. NOTA: Una mejor estima del error tfpico de Ia estima de la población de la cual so.. Este hubiera sido el caso aproximado si el tamaño fuera más grande. Entonces el porcentaje pedido es 9l12 : 7 5d. del Problema 8. se encüentra entre -1.11 se muestra sólida en la Fig..rr.11. y). de datos. = tpiLo (1. ts..13 1. = )(U .t)2* )(yn"t-ú)2+ z>fu. '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. ú>@ - a - bn) puesto que de las ecuaciones normales 2(a = 0.:: . En el caso de regresión lineal )(v - Y'"'¡)(v" "r ..) para 9 puntos (¡. ne dada por 6r.25 1... = 1/@ se tomaron las estaturas vie- COEFICIENTE DE CORRELACION LINEAL 8.28) = 1. cada una a una distancia vertical su.77 )(U". Uir examen poste- 66 6l 62 Otro método..476¡ obtenida en el hoblema 8.23. 8l CURVA DE AJUSTE. (b) Determinar el porcentaje de puntos de datos que se encuentren enhe estas dos rectas.30 0. . + (2.28 (es decir. Utilizando los valores - a -0.11 a una distancia vertical sy. ya que es cero. Calcular (a) la variación explicada.61 0. 8.r 0.S-15 Uest : 8]-LlL2: 67.A)'.abn) a . Demostrar que >(g Elevando al cuadrado A"'r)'* 2(U*r. Entonces el porcentaje pedido es 9lL2: 7 5%.58).'.::.nrr. (b) la variación no explicada y (c) la variación total para los datos del Problema 8. ya qve ú la Thbla 8-14 podemos construir la Tabla 8-15.56 -0.)(y-uu.?0. la teoría predice que alrededor d.cAP.28 y 1. 8-11.a-bxl = Análogamente puede demostrarse que el resultado es válido para regresión no lineal utilizando una curva de mínimos cuadrados dada por Aes¿ = ao* ap t a2r2 I " ' * a.:'.25.61 -2.82 -t. = 1. = 19. :: :.82 * 0.58 del Problema 8. Si los puntos están distribuidos normalmente respecto a la recta de regresión.22. Del último renglón de la Tabla 8-14. 2r(u . Tabla.rn.13 -1.g) sumando.22). parecen estar sobre las rectas. Las dos rectas paralelas. (¿) Construir dos rectas paralelas a la recta de regresión del Problema 8.12 (o de la Tbbla 8-4. (o) ta recta de regresión y : 35.08 2.U""t)2 . REGRESION Y CORRELACION 28L 8.un"J(v. Il .y""t) * (Uost .

L2 7.?0.= EF.3 -2.7027. (D) coeficiente de conelación = r : tVñ7d58.18 0.4 .09 5. /i84s8)?58-3t Tabla E-16 = 0. la conelación ec poeitiva y por tanto escribimo¡ r : O.4 7l 67 68 70 -0. Puesto que la varirable yn".aumenta. La recüa de regreeión de mínimos cuadrado¡ de y sobrer puedeescribfuse 1lest= b = 2r.49 1.3 -2.4e88.16 6.09 7. REGRESION Y CORRELACION lcAP.'.7 -3. E.66 -0.y.22 + 19.42 -1..6 L. Halla¡ (o) el coeficiente de determinación y (b) el coeficiente de correlación pa¡a los datos del Problema 8.4F7q de acuerdo con el Problema 8. pero negativa cuando /est disminuye a medida que r.68 2trtg'= 40. El trabajo involucrado en la computación puede organizarse como se indica en la Tabla 8-16. derivarel resultado (34).3 -1.56 0.:800/lZ = 66.s¿. Utiliza¡ los resultados del Problema 8.92.A)z = 19.92 0.27.3 0. 8.7 1.26(b). Entonces 2r'a' 40.32 7t 0.7 )y = 811 a = 8LUl2 2rt2 = 84.92 = 67.6 0.02 1.89 0.7 3.[bb tt 62 70 66 68 67 69 -4.7027 u 65 63 67 B4 a 68 66 68 66 69 66 68 66 r-t -t.3 2.4 -0.69 u'a' a'2 0.4 0. Entoncee.68 5. A partir del resultado general (30).26.donde ¡2= variación explicada va¡iación no explicada 2b2r. (a) coeficientededetermir¡ación = t = '1Hi1iáf*1"io" =m= 0.82 4.62 1. puesto que la'gt'es positiva cuando 3/ss¡ autnentá a medida que r aumenta.6 0.09 10.2 /?r. página 264.6 0.16 o.92 10.4 2. prágina263.-0v t'. del Problema 8. 8.3 a-v 0.82 7.28.A.282 CURVA DE AJUSTE. . obtener el coeficiente de correlación lineal para los datos del Problema 8. la expresión para r tiene automáticamente el signo conecüo asociado. para el coeficiente de conelación.y = EP.= !0.76 1.76 11.7 1.25.29 1.70 = 38.96 2.4 a'= tr'2 2.6 . Los resultados (b) y (c) pueden obtenerse por cálculo di¡ecto de la suma de los cuadrados.o.6 3.69 0.36 68 il 'l .7027 o con dos cifrar significativas r : 0.8 (c) Variación total : 2(a . en el caso de regresión lineal.49 -2. Por tanto se sigue el reeultado pedido. (la fórmula producto momento). tenemoa &*br 6 Ulr¡= bx. ¡o )¿ = 800 i. aumenta a medida que r aumenta.34 2a'2 = 38.34 \/G.11. trt =r- E.69 22.) asír--*2r'a' ffi (2x. utilizando A.11..' .66 0.f.4 ' 0.89 13. Utilizando la fórmula producto-momento.16 6.l2at2.3 4. y Ulst = U.32 1.)z \/ñtrW Sin embargo.16 2.= \Eá/ /rorl = \r¡.7 0.z b22r.24. = y -f.29 18.))' l) n'\ ¡ \) '\il t' jó -0.

29 para halla¡ el coeficiente de correlación lineal para los datos del hoblema 8. Utilizar el resultado del hoblema 8. Del Problema 8.2ñ2r 4 ntz (2112 2(2nl' ()r)2 = 2rz = 2r2 . [.476 d=ffi =1. la recta de regresión de donde A=?I. Demostrar el resultado (17).31.a recta de regresión de y aobre r es u=olbx Análogamente. págrna 261.26(D) y 8.28.27 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 . 8. REGRESION Y CORRELACION 288 8. 2(a-nlz = 2(rz-2rt*r2) = 2s2 .11 (b) y 8.TUSTE.11.8l CURVA DE A. .29.11(c) respectivamente 484 ' ó=10fr=0. Demostrar que el coeficiente de correlación lineal viene dado por f= En el hoblema 8.036 Enroncec rz = bd.cAP.30.(>aXIY) n :E Puesto que = (2rlln V'ú = (2Alln" Arúlogamente.>IY w@ : n2rA-(2r'l(2A) ./ 8.nnn* v Entonces (I ) ee convierte en r(a-üz = 2a2 r : .| ¿gl\/¿e¿\ 6 =(iiot/\al/ ' ¡=o'7o27 que está de acuerdo con lo¡ Problemae 8. donde ¿=? rz r sobre y er =a*ilu 8y Entonces b¿t = 1g\ 1g) = \c"/\oy.

y. REGRESION Y CORBELACION [cAP.3?43 (b) De Ia Tabla 8-9. supóniendo la relación parabólica obtenida en eI Problema 8. Entonces variación total = 2(A .ú)2 = 21.2z . Sin embargo.3743 indica prácticamente ninguna relación lineal entre r.4'.42) [(8)(2e1. (c) Explicar la diferencia entre los coeficientes de correlación obtenidos en (c) y (b). el error típico de la estima de y sobre I es B!. 2(A .. 8.99r1)2 = 0.9922 = 0.20) - (42.636y'i-(0. paralos datos del Problema 8.21(46. (b) Hallar el coeficiente de correlación no lineal entre estas variables. Ubtlizar la fórmula del Problema 8. hallamos r= n2ru - ()¡X)r¿) (8X230.2g y g." = ss\/T=F = 1.64 (á) Primer método.ilz = variación explicada 21. como lo indica el hecho de que el coeficiente de conelación en (b) está muy cercano a 1. y r =0'9911 var6eió.16.11.L071 = 0.01?g Por tanto 7. Entonces la desviación típica de y es 8u= 2(u - ú\2 21.n¡zi = -0. Esto puede deberse a fluctuaciones aleatorias o a una variable adicional que no se ha considerado. 8 8.34.2)r][(8X2e0. Utilizando (a) y el Problema 8.7027 como en los P¡oblemas 8.) (42. i = (2U)/n = (46. y (b) sr. (d) ¿Qué porcentaje de la variación total permanece como no explicada por la suposición de la relacii.40 8 = 1.26(b). (c) Hallar el coeficiente de correlación lineal entre las variables r.()¡X)z) (8oo)(811) (r2)(54.52) - (40.62.33 (b). (o) Del Problema 8. hay una muy buena relación no lineal dada por la parábola del hoblema 8.4)/8 = 5. 8.n parabólic a entre x. Hallar (a) s.30.16.31 para obtener el coeficiente de correlación lineal para los datos del Problema 8.Oz variación explicada .1 ¡.33.218 6 o. variación no explicada va¡iación total (d) = l-r2 = L-0. I del Problema 8.284 CURVA DE AJUSTE.33 (b).80.16.4O De la Tabla 8-10 Por tanto t-= = l(g""t-Al2 = 2l.32. COEFICIENTE DE CORRELACION GENERALTZADO 8. y? (a ) Utilizando los cálculos de la Tabla 8-9 y agregando que 2tt2 = 290. De la Tabla 8-4 r= n2ru .636 ó 1.16.78%de la variación total permanece no explicada.40..tal =ffi=0'9822 (c) El hecho de que la parte (a) muestra un coeficienüe de correlación de solo 4.

que Para obtenerlo. pág¡na 264.88 = 629.35. la varianza de las desviaciones.76)z = 888'26 = 888. la mediaú ylavarianzasf sonigualesa(n l)12 y (n2 L)ll2 respectivamente. ¡ sobre y.222-n22 48. ! ¡ el grado dado al j'ésimo valor de y ' [.I i son las desviaciones entre las graduaciones.@ "" = 0'8418 = !ffi = thffia Debe mencionarse que si fuéramos a considera¡ la regresión de eobre y.22 Tercer méüodo. y.218 6 0. z gería en general diferente del valor anterior. *n2 n n(n*r)(2n*11/6 2 n2-l t2 utilizando los reeultados 1 y 2 del Apéndice A. AquÍ estamos considerando n valores de r (por ejemplo pesos) y n valores correspondientes de y (por ejem. y estamos interesados en el coeficiente de cor¡elaeíón múltiple de z sobre x. ss t+2+.*n @l_ryz n*l En = mientras que la varianza es sf.25 Variación explicada Enüonces - 258. dada en térrninos de e2r.a = = 299.8l Segundo método.19 Variación no explicada = 2(z - zo"tl2 (64-64. y I va. al y el coeficiente de correlación entre grados por * - s2¿. = 12-82 = 12+22*.4L4\2 + "'+(68-65'920)2 = 258..os grados son enteros de 1 a n. vemos del Problema 8. esbturas).22 8.36. z.pl. REGRESION Y CORRELACION 286 Utilizando el Problema 8.19.33' variación no explicada = 0. Análogamenüe.. Derivar la fórmula de correlación gradual de Spearman (36).16 y el cálculo adicional 2gz 8y. CURVA DE AJUSTE.139 . Sea rr: el grado dado al j{simo valor de x.218 ó 0. el coeficiente de correlación de ¡ CORRELACION GRADUAL 8.52.L2(62.-. Explicar córno determina¡ía un coeficiente de correlación múltiple para las variables en el Problema 8.cAP. Utilizando el Problema 8. viene a3: s?+r?-2rs¡ads"sv . tenemos 2a2-a2a-b2ra-c2n2a = 0. Entonces si d¡ : r i .88 Va¡iación total 2(z-2\2 .37 Coeficiente de correlación múltiple de z sobre x. [¿ media de r. Ya que z se determina de ¡.l'ciñexptñat.

5.6. 3.6 7. 12 De igual forma.6 7.5 l. 69.6 3. 71 Puesto que en esta ordenación loe lugares sexto y r*éptimo represenüan la misma estatura (6? pulgadas). 6g. 69. 4. 70. 7. 6. por tanto las estatu¡as de los hijos quedan ordenadas @ Con las correspondencias 1.6 1.286 Entoncee cuRvA DE AJUsrE. 67.6 1 11 6 8.5.rz)/n y (l ) ge convierte en 7')/12 W @2 - * (nz 6>d2 .8s45 indicando que hay una relación entre el rendimiento en laboratorio y teorfa. 1¡ (t) y (2).2 24 = Entonces rgrad= t-#!T = t-ir#?u = 0. d d2 -1 -2 -1 1 1-1 I 1 3 I I I 2-L 4 1 -1 1 4 2d. 69. 66. Tbmbién se incluyen dz y 2dz. 70.6 10 3. 8. REeRESIoN y coRRELAcIoN lcAP. 6. 6g. Análogamente.(J) y (4).7.6 1. le.6 10 t2 7.5. ordenadas en forma a¡cendenüe de magnitud. 69. AsÍ. Tabla 8-17 Laboratorio Teorfa 8 3I2 9510 7 r0 4 615 1873426 La diferencia de puntuaciones d en laboratorio y teorfa para cada estudiante se da en la tabla siguiente. 69.7.6 3 8. 66. 3. lac estaüuras de loe hijos ordenadas en gentido creciente son 66. a los lugares 8 y 9 ae les asigna el orden 8. 6?. 64.6. Calcular el coeficiente de correlación gradual para los datos del Problema 8. 66. 63.6.7. ?.37. tor \-"rttd- "3 - e¿.38.(2d2)/n = L-nfu2] 8.6. 69.6. Tabla 8-18 Diferencias de puntuacionee.5. a las e¡tatura¡ de loe padres ee les aaigna los órdenes (2) (3) dio de 7 . 11. 8 (r) h¡ecüo que 7 = fgrad = eZ+sT-af.s" 0. La Tabla 8-17 muest¡a cómo l0 estudiantes fueron clasificados según su rendimiento en el laboratorlo y en teoría de un curso de biología. 2. les asignamo¿ w orden meg [(6 + z + + 9) / 4 . 10. 66.6. 7l y puesto que los lugares 6.6 t2 5 7.6. 6?.6 11 . las estatura¡ de los padres eon (r) 62.6.5.c asignamos a estos doe lugares un orden medío de 6. Hallar el coeficiente de correlación gradual.66. 9.l\ltZ .11 y compararfos rezultados con el coeficiente de correlación obtenido por otros métodos. 6. 66. 3. 11. 9. 1. %. la Tabla 8-B se convierte en Tabla E-19 Graduación del padre Graduación del hijo 4 2 6.6. 8 y 9 repreeentan la migma estatura (68 pulgadas). 6. 10.

6 -1.2Boyy r (py .5 -1. íE = dF Denotando la última expresión por F(c. p) tenemos AF u = mos -2(pv zBoi - 2oxv - 2px(pv .dlz} = El(y -pv)21 + BzEl(X-r. utilizando esperanzas. En general. los resultados para muestras tienen resultados análo- gos para poblaciones e inversamenüe. E(Y . Tabla 8-20 -3.25 1.pvl .40.Fpx.26 1.60 rgrad = t-#!T: .F) sea un mínimo.0. halla- tv = ol Ftx Por tanto si g .6 1.0=Y<L {o deotraforma Hallar la curva de regtesión de (c) Y sobre X. (b) X sobre Y.0 1.6 3. con la correspondiente para muestras.P(X .00 d Entonces 2iP = 72.26 L2.25 2.5 3.ol.5 -1.Fpx.6 -3.r. REGRESION Y CORRELACION diferencia en graduacionec d.(r+2y) 0<n<7.9px.cAP.v)l + Gv-Ft'x-o)2 = "? * F2oI . lo cud es una condición necesa¡ia para que F(q.25 2.rv) = 0.5 1.5 -2. utilizando sumas.zBEl(X-pi(Y -¡.Fy = p(r .0 ü 12.}j'2l."l Igualando estas ecuaciones a cero.o*t¡ .-ffi!\ = 0. ) La función de densidad marginal de X es f{r) = [. 20. INTERPRETACION PROBABILISTICA DE REGRESION Y CORRELACION 8.a* pr entonces A .a) ó Fok = o*v a-tly="4tr-u*) A-Py - /'.px) . La función de densidad conjunta de las variables aleatorias X. los cómputos de d2 y I¡ )d se mue¡tran en la Tabla 8-20. .26 6.7027 obtenido en el Problema 8.26 12.26 L2. = f. Derivar (39) a partir de (37).px\ ^t u\ox) | Debe notarse la semejanza de la demostraeión anterior para poblaciones.00 2.?466 que concuerda muy bien con el valor r = 0.39. 8.25 2.8l CURVA DE AJUSTE. 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 .px) * (pv .26(b).25 6. . lo+zo¡a.ú2 E(X . Y es l\r'a) : (a | f.6 2.P¡x.

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

11..180. REGRESION Y CORRELACION 289 (e) xY = Entonces Í.2 = l0 grados de libertad) vienen dados por 95?iparap(obteni.t / ó (b) La recta de regresión de.nfi162\/28/Bz4 -0.81 para L2 .2U'L66 0'19916¡= = ya que eo.Of Ae que el coeficiente de regtesión de la ecuación de regtesión poblacional es tan bajo como 0. ¡rara ias estaturas yos padres tienen unas estaturas de (o) 65.42.á para el coeficiente de regresión del Problema 8..66 del Problema 8'11' 8.lrv1l_z=-. (¿) La recta de regresión de Y sobre X es + oXY "+@ . r8fl .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.q\I a.r: L.- = .11 se halló que la ecuación de regresión de y sobre x eray: 35.xY p = n-xÍ oxY oxoy = *-(s)(i*) = = - 1 162 0 -l/162 . sr. ot : ". (b) X sobre Y para el Problema 8. Hallar los límites de confianza del 95'.82 + 0. hallar los límites de confianza d-ei 95'7.42.11).e5: 1. En eI Problema 8.. 8l CURVA DE AJUSTE.05 rechazaríamos Ia hipótesis de que el coeficiente es tan bajo como 0..2g para 12 .45.2\ o.44.2: LO grados de libertad.40.180 si ú ) ú.'=o Í"'=o. 8.losaleolocar t=lt.2 : 10 grados de libertad.0 y lb) 70.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. = {".66 (Problema 8.43.82 + O.cAP.r: L.B4o confianza del 95% de que 6 se encuentra entre 0.. de los hijos cuyp son 8.-- .8I 6. 1/ .o1f.9b Con un ensayo unilateral de Ia flistribucirin de Student a un nivel 0. se está en la ryHt\ = 0.47G :t ' +('!!) t" / = 0.los Ií¡:rites de conftanza del 95oy' para --j:lq--.'lW\" .o+zul)arav =1 3 . En el Problema 8.-.4?6 t Vlo\' t/tz. Y ltr-2 donde 37e : 85.4?6 r6 (Problema 8.476B-b t=r.43)' y n: !2 1 r/o t r--- .43. Loslímitesdeconfianzadcl F = b-+f+) ' \ñ4\82 I para 12 .22)y 1. 0.11 = -l/162/.476x.:2. (+) ó a -i : - ür I x) ó -..28 (calculcda en el Problem a 8. Por tanto no podemos rechazar la hiPótesis.- 2. . sx: 2. Escribir las rectas de regresión de mínimos cuadrados de (a) Y sobre X.szs=!2..28. Ensayar la hipótgsis al nivel d-e significación del O.136 y 0.0 pulgadas' puesto qu€ t s7.23 h es decir.

se puede tener confianza de 95Vo que la estatura media de todos los hijos cuyas estaturas de los padres son 65.za\ = 66. ciertamente no podemos rechazarla al nivel 0.Estoconcuerdaconlosresultados aproximados mencionados en la página 262. es decir. Entonces los límites de confianza del 96Vo so¡ 69.11).66 (Problema 8.0. o. (o) (ó) Puesto que no podemos rechazar ) 0). 7.76 1 1. 35. los límites de conñanza del 95% están dados aproximadamente 8.0 pulgadas se encontrarán entre 65.05? A un nivel 0.s1t : 2.Bb Sobre la base de un ensayo unilateral de la distribución de Student a un nivel 0.0 pulgadas.80 pulgadas (b) Si 16 : 70.47. (o) Si.14 f es decir.09 pulgadas. hallamos [comparar con el Problema 8.O . los métodos muestrales son exactos para una población normal.": 2. Un coeficiente de correlación basado en una muestra de tamaño 18 resultó ser 0.476 r6 (Problema 8.? y 6?.0 y (b) ?0.45(ó)] los límites de confianza del 95%. se puede estar en la confianza de| g6% de que la egtatura media de todos los hi jos cuyas estaturas de Ios padres son 70.01 8.05. ¿Puede concluirse a un nivel de significación del (a) 0.14 + 5.05.8 los límites (o) Si 16 : 65.0.0.Los métodos de este problema son válidos independiente del tamaño de n ó to .' sr.8OOtl2r2 : 2. hallamos [comparar con el hoblema 8.66.07 pulgadas./i=@0.i¡z : (?O.2 pulgadas.elgbVo de que las estaturas de los hijos están entre 64.t)2 : (65 .23 donde y¡ : ffisv. /e : 69.69.05.?6 pulgadas.45(c)] los límites de confianza delg1l".SOO112)2 : 11.8 pulgadas.0 y ?0.sz\/ra-z : p l. el valor mÍnimo de n debe ser 032{n - 2 r/i -to. Tarnbién.46.290 CURVA DE AJUSTE.01 que el coeficiente de corréhción poblacional es apreciablemente mayor que cero? Deseamos decidir entre las hipótesis (Ho: g :0) y (llr t = .2óy6!2so.E. y¡ : 66. También (x¡ . es decir.?6 a 2'23 es decir.11.ss :7.o¡ para n - 2 grados de libertad .16 :65.05 y (b) 0. se puede estar en la confianza del 96Vo de que las estaturas de los hijos están entre 63.23 para 1 0 grados de libertad.6 pulgadas úo 0.1 y 7 4.6 pulgadas. los límites de confianza del 95% para Uo fo son = 2.32.11.1/l-z = = . ¿Cuál es el tamaño mínimo tal de una muestra para que podamos concluir que un coeficiente de correlación de 0. de confianza del g5% son (ro . t/6 al nivel 0. se puede esta¡ en la confianza d. hallar los límites de confianza del96% para las estaturas'medias de los hijos cuyas estaturas de los padres son (a) 65.sz).48). es decir. ' (b) Si re :70.78.rcontalquero -ñnoseademasiadogrande. TEORIA MUESTRAL DE LA CORRELACION 8.82 + 0.14 pulgadas.?6 t 3.7 y 70. Nótese que para grandes valores de n.45 pulgadas.05 utilizando un ensayo unilateral de la distribución que de Student.0 pulgadas se encontra¡án entre 67. rechazaríamosI/e si ú ) ú. Porlo +1.0.75 para 18 -2: L6 grados de libertad. Entonces 66. Ya que t.32 sea considerablemente mayor que cero al nivel 0. En el problema 8. Por tanto no podemosrechaza¡I/6 al nivel 0. = t. REGRESION Y CORRELACION lcAP.96sy.48.

49.s0(-/l1 \ \y'n_B/ = 1.tJ2:1. pa¡a n=2g.e155.) 0.69.16131og(++*) /r r-\ \r-'l / *t. v =26.66. 8.4904- = 1.49 y 0.50 a un nivel de significación del 0.72.30 respectivamente.7L.CURVA DE AruSTE. Dos coeficientes de correlación obtenidos de muestras de tamaños nt : 28Y rtz:35 se cdcularon como rr : 0. ¿Hay una diferencia considerable entre los dos coeficientes a un nivel de 0.sz\/rLtt/l-(u32Y = 1.4620 Entonces ¡t2 tiene el intervalo de confianza del9SVo.5493y2:(0. n=26.7L. v =24. Por tanto los límites de confianza del 95Vo para p son 0.(-) \r P.60.o.2182:L.80 y n = 21.5366 a 1. Un coeficiente de correlación basado en una muestra de tamaño 24 se calculó era r : 0.266e = 0.92.50.rsr3 loc\t -. Puesto que r : 0.94.05? zr = r.6932 0.9730-0. t . v=26.=L.r¡rlb*'.B0eb #*#= Fzrl. ú./ 0. a un nivel de significación del 0.rrro.r5tz'""(+l-&.5606. (b) p : 0.:) = oz= La variable tipificada ee Fz = r. Por tanto no podemos rechaza¡ la hipótesie de que el coeficiente de correlación sea tan pequeño como 0. Entonces el tamaño mínimo de la mueetra ean:28.r6r3t"" o.9r : 1.5493)/O.?1.!613*(=.96oz = 1.75.5606.9730 0. para n=27.6.51.s|= l.50 y tz : 0. t. t=0.unrr.s|= 1.L613 logS:0. si Si pz Fz /r +"\ = l. REGRESION Y CORRELACION Para un número Pa¡a infinito de grados de libertad. ¿Podemos rechazrir la hipótesis de que el coeficiente de conelación poblacional sea tan pequeño como (a) p (o) : 0.0.2182 = 1.el 95Vo püa pz vienen dados por Z=L.Hallarloslímitesdeconfianzadel96% paraeste coeficiente.64 y por tanto n: 25. El coeficiente de correlación entre las calificaciones finales de fÍsica y matemáticas para un grupo de27 estudiantes se calculó era0. t--032\r26^tr=@ = 1.80.) nzr-2.s5=1.60.28 A un nivel de significación del 0. 8. los límites de confianza d.b4es.05? o. t.Portantopodemos rechazar la hipótesis de que el coeficiente de correlación poblacional sea üan pequeño como p: 0. (Hs p2r= Fzrl I (Hi Fzr* . zz: r.64.28z (ff3*3) = o.05 utilizando un ensayo unilateral de la distribución normal rechazaría' mos la hipótesis solamente si z fuera mayor a 1.5366' p = = L. t. z = t.50. = Deseamos decidir entre las hipótesis = 0.50./ = 0.s2\/ñ/\Flfu2p. p : 0. 8.05. (b) Sip:0. L {zt - = Z-pz oZ 0.L6rt*(=.0e86 10.

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-(#)(#)] =

. r.0).65 utiliza¡rdo el resultado de la parte (c)' .60.60. = 13.61..66. en tanto que su covari¡nza es 160.a guplementa.61 a. = L4.63.e Ge.?686.926 y r = 0. para los datos del Problema 8. (b) sr.9) -69.5+E#9 = ú .821(o-70. Representar gráficamente los datos y las rectas de mínimos cuadrados utilizando el mismq conjunto de ejes coordenados.x=L2. De la Tabla 8-30 tenemos.0 y 14. (b) Í sobre y para los datos rr+qW = 64.e). Calcular los ertores típicos de la estima (c) er. = ¿yt/Ti-rz = = a"t/T7rz = f¿.gZfy'f - (OfOg6P = = 9.966. (b) SolucionarelProblema 8.v ts.(b) elvalordexparay:7' (o) Utilizar el método a mano alzada para obtener Ia ecuación para una recta de ajuste de los datos del Problema 8.66 8.rlos RECTA DE MINIMOS CUADRADOS Tabla 8-31 8. página 261 .0=A+##€?!)@-70. E. 8xv 160. s!.20 G&r'-áiÉfutB = o'7686 que concuerda con r hallado en el Problema 8.62.0=q9ff##q(v-6e.2. (a) (bl Ey.uo+qY: 145+q'qfrEq = u= De los resulüado¡ del Problema ?o.64. (b ) r como Ia va¡i¿ble dependiente. r a 3 6 6 8 911 234668 8.64. Utilizar los resultados del Problema 8. para obtener las ecuaciones de las rectas de regtesión (¿) ó a-u='!w-nt. REGRESION Y CORRELACION 299 Por tanto las desviaciones típicas de las calificaciones de matemáticas y fÍsica son 14.cAP.o 8...60. Ajustar una recta de mínimos cuadrados a los datos de la Tabla 8-31 utilizando a (a\ x como la variable independiente. Escribir las ecuaciones de las rectas de regtesión de (c) y sobre del Problema 8.934 s.7t9(u-69.s6oy'1:107686)á Problerrra. 8l CURVA DE AruSTE.0 = (b) 6 r-ü='?o-o¡.9 respectivamente. 8y r-70.0) x-?0. a y-6e. Tenemoe 8"". 0.9 = 8. 0.64. Entonces utilizamos ( I 6 ).5¿8 8. ParalosdatosdelProblemaS..hallar(o)losvalore$deycuenda x=6.

Tabla 8-36 Velocidad. y.2 5. En el Problema 8. I : o t bx * cx2 I Tabla 8-37 REGRESION MULTIPLE E. (o) Representa¡ loe datos en papel semi-Iogaritmo. o + bx r a 0 1 2 ó A 5 t) ¿x?alos datos de Ia Tabla 8-3¡t. [. (o) Hallar la ecuación de regresión lineal de mínimos cuadrados de e sobre x.3 14.300 CURVA DE AJUSTE. t.6 9.a Tabla 8-37 muestra los 3 6 o n 8 t? o t4 valores correspondientes de tres variables x. 8 t.8?.9 La Tabla 8-36 da las distancias de parada d (pies) de un automóvil que viaja a una velocidad u (millas por horas) en el instanüe que se observa eI peligro. (c) Comparar los valores de y obtenidos de esta ecuación con los valores reales.u. Escribir las ecueciones normales para la curr¡a cúbica de mínimos cuadrados dada por dx3 . 12 .y:6. (d) Representar gráfioamente las dos recta¡ de regresión de (b) y (c) sobre el diagrama de dispersión de (o). (d) Si un estudiante obtiene una calificación de ?5 en álgebra. 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. 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.ID 80 ?8 93 86 65 72 87 91 7L 98 95 68 84 89 tt 82 80 72 74 E. (b) Ajustar una parábola de mínimoscuadradosdelaformad:oIbu*cuzalosdatos.73.6 21.(c)Estimardcuandou:45mi/hy80mi/h.71 rrcstrar c6mo una gráfica en papel semilogarítmico puede utilizarse para obtener la ecuación pedida sin emplear el método de los mínimos cuadrados. ¿cuál es su puntuación eeperada en álgebra? Tabla 8-32 Algebra (c) Física (y) .I 3. (b\ Estimar z cuando a to 90 10 72 . utilizando a r como la variable independiente.70.a los datos.72. 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. (d) Estimar el valor de y cuando r : J. (b) Hallar la recta de regresión de mínimos cuadrados de y sobre r. z. y : t 8.?1. Alustar una parábola de mínimog cuadrados.(b)Ajustarunacurvademínimoscuadradosdelaforma !=abxalosdatosyexplicarporqué esta ecuación específica da buenos resultados. (a) Representar gráficamente d. u (mi/h) Distancia de parada d(p) 20 54 30 40 138 50 60 70 90 206 292 396 E.68.t--10. utilizando a y como la variable independiente. Con referencia a Ia Tabla 8-33. (o) Construir un diagrama de díspersión. con Ia escala logarítmica para yr la escala ariü- méticaparar.74. ¿cuál es su puntuación esperada en física? (e) Si un estudiante obtiene una puntuación de 95 en físice. (D) Hallar la recta de mínimos cuadrados que se ajuste. o^ 2. (c) Hallar la recta de mínimos cuadradoe que se ajuste a los daüos. y. REGRESION Y CORRELACION [cAP. El número y de bacterias por unidad de volumen pres€ntes en un cultivo después de ¡ horas viene dado en la Tabla 8-36. 54 42 30 . (c) Hallar la recta de regresión de írínimos cuadrados de ¡ sobre y. (o) Representar gráficamente los datoe.

ERROR TIPICO DE LA ESTIMA Y COEFICIENTE DE CORRELACION LTNEAL E.Sis"=1.Br * Ca I Dr2 * Ery * Fyz Obtener las ecuaciones normales para los eoeficientes de regresión de mínimos cuadrados.89.8?. Multiplicar todos los valores de y por 3 y restarles 15. (o) Calcular el coeficiente de correlación entre los valores correspondientes de r.eL2 mujeres. (b) la va¡iación no explicada datos del Problema 8.86. y obtener exptesiones para los coeficientes de regresión de mfnimos cuadradoe el resultado del hoblema 8. E.00. Calcular (a) la variación total en y.E4. Demostrer que la ecuación para regresión lineal de z sobre r. (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. Hallar (o) sy ". Hallar la covarianza para los datos del Problema 8.¡. (c) la variación explicada en y para los 8. (o) Hallar el coeficiente de corre' r. ú=20.68. ballar las ecuaciones de la recta de regresión de (o) y sobre x. explicar por qué se obüiene o no el mismo resultado que en la parte (a).t3. Si el coeficiente de correlación entre.68(b) v (c ). y es 0. Hallar el coeficiente de correlación entre los dos nuevos conjuntos de valores. (b) Problema 8. 8l CURVA DE AJUSTE. Tabla 8-39 x a 2 4 5 6 811 18t210875 . 8.z .76. los dos conjuntos de calificaciones de los exámenes del Problema 8. (b) Multiplicar todos los valores de ¡ por 2 y sumarles 6. Utilizar 8.64. La Tabla 8.cAP. Tabla 8.50.76.90.= E.80 para hallar el coeficiente de correlación entre los dos conjuntos de calificaciones de los exámenes del Problema 8. y.81 u 8. ¿qué porcenüaje de la varfación total pennanece no explicada por la ecuación de regresión? 8. y dados en la Tabla 8-39.68.! . y puede escribirse como z-2. 8.60.60. (ó) Determinar la recta de regtesión de mínimos cuadradoe de y sobre r. (b) sr.68.86.7 7 a(r-¿l+b(u-úl o.67. (b) Obtener eI coeficiente de correlación directamente de las pendientes de las rectas de regresíón del Problema 8.8f .. Si sv. en E. " para los datos en el Problema 8.88.E2.75 para solucionar el Problema 8. Calcular (o) sv.7t.r. Utilizar los resultados del Problema 8. coeficiente de correlaciónentredos variables¡.i=10.82.= 3y ss : 5. (c) Estimar la pre- sión sanguínea de una mujer de 45 años. REGRESION Y CORRELACION 301 8. y. ¿Hay al' t. 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 (a) dircctamente. halla¡ r.68 utilizando la fórtnula producto-momento y comparar con el resultado del Problema 8. yesr:0. . sr:2. Hallar los coeficientesde correlación para los datos del (o) Problema 8.EO.74. El 8.79.3E 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. r. D.81. 8.85. 8.y para los datos del Problema 8. (b) $. (b) r sobre y. y tiene la form¿ z = A 1.

REGRESION Y CORRELACION [cAP. t. en el ca¡o de do¡ variablee aleatorias X. página t. el coeficiente de correlación gradual para loa datos del (a) Problema 8.106. INTERPBETACION PROBABILTSTICA DE LA REGRESION Y LA CORRELACION E.97.8. página 52.99.a) = [2r+3a Io o(c(L'o<Y<2 de otra form¡ Ilalla¡ la curva de regresión de (a) Y sobre X. t.74. I COEFICIENTE DE CORBELACION GENEBALIZADO E'91.102. D. estudiar una posible deeventaja del método de conelación gradual.93. H de acuerdo con sus preferencias.98. Y con E. Halla¡ el coeficiente de conelación gradual y decidir eobre el acuerdo de loe jueces en su8 eleccioneg. Halla¡ la recüa de regesión de mínimoe cuadrados de (a) Y sobre X.lol.84. (o) Calcular el coeficiente de conelación múltiple pars los datos del hoblema 8. (c) el coeficiente de conelación generalizado. G.90.(D)larvariacionee explicaday no erplicada. 8. y\. La función de den¡idad conjunta de las variables aleatorias X.5g ufilizando el resultado (35). Hallar el coeficiente de conel¡ción lineal para la¡ variableg aleatoria¡ del Problema 2. H¿ll¡rlacurvaderegreeiónde(a)YsobreX. Il¡llar t. Doa juecec en una competencia debían clasifica¡ a 8 candidato¿ A. COBRELACION GRADUAL E. t.99.302 CURVA DE AJUSTE.¡ 8. Hallar el error típico de la estima de z ¡obre ¡.96.página 263. (b) X cobre Y para Ios datos del hoblema 2.8.gus observaciones en (o). y para lo¡ daüo¡ del Problema 8. t.lo6' función de densidad conjunta (o función de probabilidad conjuñta) f(x.99.lOS. tls[a¡ la recta de régresión de mínimos cuadrados de (a) Y robre X. Mostra¡ cómo se puede diseñar un coeficiente de correlación múltiple. Tabl.(b)XaobreYparalosdatosdelhoblema2.74. ¿Ocurren algunae simplificaciones en la¡ curvas de regresión Ce Y sobre X ó X sobre Y para el caso de varia- .92. de conelación para las variabie¡ en el hoblem" g. 8. lo¡ resultados se mueshan en la Tabla 8140. (o) Hallar el coef¡ciente de correlabión gradual para los datos del Problema 8. (D) X eobre Y para el hoblema 8.págirra52.96.94.y.96gina 52.68 v (b) Problema 8. t.paraelca¡odeunaauperficiederegresiónlinealparazsobrer. t. C. variación toüal es erplicada por la ruperficie de regreeión? (b) ¿Quéporcenüajedela Demostra¡elresultado (27). (b) X eobre y. B. ble¡ aleatoriac independientes? Explicar.104. Y viene dada por f(r.s.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. Obtener el coeficiente de correlación lineal para el hoblema 8. Hallar el coeficiente 264. E. (b) De.rOO. Da¡ un ejemplo para demostrarcómo hallaría (a) el error típico de leestima. F. t.

Demostrarqueelcoeficientedecorrelaciónentre¡.95 respectivamente. 8.I22. 5r . . En el Problema 8. DemostrarqueparaelcasoderegresiónlinealelvalormÍnimodeE'{[]'-(o*¡lX)lz.0 + 2.114. Hallar los límites de confianza d." = 1. ¿Podemos concluir a un nivel de significación del (o) 0. página 260.10? hallar los lÍmites de confianza del (o) 957o. Yvie' nen dadas por 2:r . ¿Podemos concluir a un nivel del (o) 0. 8.211Ú 8. (Sugerencia: Suponga quer' = noi c1r.113.116.1 "l$- c2) 20.(b)99%paralamedia'detodoslosvaloresde y correspondientesa¡ = 6.01. Un coeficiente de correlación basado sobre una muestra de tamaño 27 se calculó como 0. Hallar el coeficiente de correlación lineal. 8l CURVA DE AJUSTE.10?. que hay una diferencia significativa en' tre los dos coeficientes? RESULTADOS DryERSOS 8. utilizando un nivel de significación del 0'05? 8. y'es eI mismo que el entre.00.40.01.110.c2 soll constantes arbitrarias. Si sr.50.30.108.?0.el 95% para el coeficiente de correlación calculado en el hoblema 8. que el correspondiente coeficiente de correlación poblacional es considerablemente mayor que cero? E.60.70.\ es independiente de Ia elección del origen de las variables o de Ias unidades en que se expresan. hallar los límites de confianza del (c) 95%. Solucionar el Problema 8.tes t?.f-(1 -r2)s.* : 8.111. ConreferenciaalProblema8.112.84.l0?hallarloslímitesdeconfianza d. TEORIA MUESTRAL DE LA CORRELACION 8. a un nivel de significación del 0. (b) tan grande como p : 0.el(o)95%. demuestre que el coeficiente de correlación entre r'.(b)997oparu un coeficiente de correlación que se calculócomo 0.11?. 8. para la recta de mlnimos cuadrados.50' ¿Podemosre' chazar la hipótesis de que eI coeficiente de correlación poblacional es (o) tan pequeño como p : 0. Las rectas de regresión muestrales de mínimos cuadrados para un conjunto de datos involucrando X.05.20. (c) la media de lae presioñes sanguíneas de las mujeres de 45 años. Sobre la base de una muestra de tamaño 27 se encontró que la ecuación de regresión de y sobre r era t = 25. y).115. En el Problema 8. 8.ypuedeexpresarsecomo il2 -:.114 si el tamaño de Ia muestra es 52.01. Dos coeficientes de correlación obtenidos de muestras de tamaños 23 y 28 se calcula¡on como 0. (b) 0.S4. Hallar los límites de confianza del (a) 957o. REGRESION Y CORRELACION 303 TEORIA MUESTRAL DE LA REGRESTON 8.00 y ñ = 7.121. Un coeficiente de correlación basado sobre una muestra de tamaño 35 se calculó como 0. E. (b) tan alto como 2.00 ¡. 8.d'.tu] tan-'L rfti + si) -l E. donde r¡¡ !/6¡ cl¡.118. 8.(b\ 99% para y cuando ¡ : 6.109.(b\99% pra el coeficiente de regresión.sx = 3.8.hallarloslímitesdeconfianzadel 9fleparafo)elcoeficientederegresiónde y sobre r. (b) ta presión sanguínea de las mujeres de 45 años.!l = 2. EnelProblemaS. . A' = llo * c2y.5a = 3. (b) 0.80 y 0.00.l19. 8. Demostrar que el cóeficiente de correlación - g.123.05. es (o) tan bajo como 8.60 de una muestra de tamaño 28. Verificar los coeficientes (5).cAP.10? ensayar la hipótesis de que el coeficiente de regresión poblacional 1. Demostrar que el ángulo entre dos rectas de regresión muestrales de mínimos cuadrados viene dado por .

2 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 101. 8ü 8É ¿Es el resultado válido para regresión no lineal? 8.6 I 10. El período base es de L94? 1949 : 100.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) . 8. 8.(ó)Estimar los pesos de doe hombres cuyas estaturas son 64 y ?2 pulgadas respectivamente.304 CURVA DE AJUSTE. E.4).7 114. Tabla 8. f¡¡ 32 20 t2 q .1 25.2 t23.127.6 L19. 19 5 o (t) e. (e) ¿En qué año podemos esperar que el índice de costos médicos doble el del 194?1949. 8.3 1r 7. Hallar (o) s".1 t 10. (b) Br. 210-225 I . Con referencia a la Tabla 8-43: (o) Representar gráficamente los datos.5 r14.125.8 8.8 114. Demostrar que para regresión lineal 4 = +.4 I14.8 111.126.5 por mayor 103.L25.3 I 10.8 102.5 116. Hallar los límites de confianza del 96% pára el coeficiente de correlación calculado en el hoblema 8.8 111. (c) Calcular los valores de tendencia y compararlos con los valores reales. REGRESION Y CORRELACION [cAP.41 ESTATURAS .y para loa daios del hoblema 8.2 r20. 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 .r. Ilalla¡ el coeficiente de correlación entre las estaturas y pesos de 300 adultos dados en la tabla de frecuencias siguiente.128.L24. (d) Predecir el Índice de precio para la asistencia médic¿ durante 1958 y compararlo con el valor verdadero (L44.130.129. (o)HallarlarectaderegrecióndemínimoscuadradosdeysobrerparalosdatosdelProblemaS.2 Fuente: Bureau of Labor Statistics 8. 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. (ó) Hallar la recta de mínimos cuadrados que se ajusta a los datos y construir su gráfica.1 114.0 113.l2S. - Tabla 8-42 Año Indice de precios al consumidor Indice de precios al 99.

0 1030 18. 8. Demostrar el Teorema 8-2.9 17. Con referencia a la Tbbla 8-44.132.¿(r) es cualquier función de r para el cual estas esperanzas existen.134. (a) Representar gráficamente los datos.131.8l CURVA DE AJUSTE. E.9 ¿ind 1935 1940 1945 1950 1955 24. Sean X. (Sugerencia.5 23.9 Welfaie 19. ¿es g(r) única? Explicar. (b) Hallar la parábola de mÍnimos cuadrados que se ajuste a Ios datos. y).133. Estudiar la relación. Tabla 8-44 Año Natalidad por cada 1000 habitantes 1915 1920 7925 25. En el Teorema 8-1. Education 8. si Ia hay. (d) Explicar por qué la ecuación en (b) no es útil para propósitos de extrapolación.7 21. 8. Y variables a|s3fs¡i¡s con función de densidad conjunta (o función de probabilidad) f(x.' Utilizar el Problema 8. del Problema 8. 8.cAP. Demostrar el Teorema 8-1.136.132 para variaciones explicadas y no explicadas.¿) donde .6 23.3 16. (c) Calcular los valores de tendencia y compararlos con los valores reales.l35.6 Fuentet Department of Health. REGRESION Y CORRELACION 305 8. página 265. Demostrar que si 9(r) = E(Y \ X = c) entonces EUY - É(x)1'!) = E{LI'- o(xl¡z¡ + Ells(x) - q(x)l. .132).página265.

Los resultados de un experimento de un factor pueden representarse en una tabla con a filas y b columnas (Tabla 9-1). tenían la misma vaianzi.. donde el número de medidas en cada grupo es b. La gran media o media total es la media de todas las medidas en todos los grupos y se denota por c.. Aquf r¡¡ denota la medida en la fila j y Ia columna k. EJEMPLO 9. o lo que es equivalente a ensayar la hipótesis nula de que las medias muestrales son iguales. donde i : t.r i:7. se utiliza para indicar que el índice k se ha sumado. ¿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.2. esto es r ..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. Utiliza la distribución F considerada anteriormente en los capítulos previos. . TYatamiento 2 itv t2. a : 4. . tg y 24 hU}l'a respectivamente. dl h : 7. cada uno de los cuales tiene b repeticiones o réplicas. *iÉr. . Hablamos de a tratamientos. b. Tenemos _lb fr¡:62r. En muchas situaciones existe la necesidad de ensayar la significación de diferencias entre tres o más medias muestrales. Supóngase que en un experimento agrícola cuatro ttatamientos químicos diferentes del suelo producen rendimientos medios de trigo de 28.. desarrollada por Fisher. Por ejemplo.ao lk : a0 i=t r=t -. Ttatamiento ¿ üol fio2 rob tra Denotaremos por i¡ la media de las medidas en la fila j. 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. .a Q) El punto en tj. 2.2.1. se denominan medias de grupo. En el Ejemplo 9'L.. . de las cuales se extrajeron las muestras. 22.1r2'. . Tabla 9'1 Tlatamiento 1 Ítt E2l rtz rzz xtb fr1... Supusimos que las dos poblaciones. Los valores i¡. r35 se refiere a la quinta medida para el tercer tratamiento.^ 306 (2) .. medias de tratarrtiento o medias de fila. .

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

7o "b ... . Sin embargo.19) de modo que (20) es siempre la mejor estima (insesgada) de I independiente de si.y u de acuerdo con las definiciones (8). Esto equivale a suponer que las X* (i : L.ta¡¡ donde P".l)o2 E(V'.. . b) son va¡iables normales. _ o?r.*= p*a.a-l ¿'(Si) v ab-L (I6) (22) proveerá estimas insesgadas de o2. . Podemos interpretar a p como la media pÍüa una clase de gran población que comprende todas las poblaciones de tratamiento. =O (15).El6 escierta.) : (ab-l)o2 + "1 (16) (17) b> a? (r8) (.18). b) puede expresarse como la (14\ X. Entonces (I4) puede escribirse como (véase Problema 9. entonces tenemos de = '"+. que por suposición son normáles. Si. .. . puedentomarsecomo variables aleatorias independientes (relativas ai y h). Íjb respectivamente. de (I6) V (/8) vemos que sólo si. X.T L¡r Los A. mutuamente independientes con medias pi y varianza común l.. i=1. VALORES ESPERADOS DE LAS VARIACIONES La variación entre tratamientos V6 .308 x¡1 ANALI$S DE VARIANZA [cAP. ai k : l.o1o en forma equivalente por (I1o: Fi= pi i =t. Podemos demostrar que (véase Problema 9. 2. .Efo es cierta o no.19) ' De (17) se deduce que E(Vt) = (a-l-)o2 + b> E(V. Definamos la constante ¡r por tL 1s.. la variación dentro de tratamientos V. Por tanto solamente hay una población de tratamiento y todos los tratamientos son estad ísticamente idénticos.¡.r--Lr}. .? (23) . distribuidas normalmentp con media cero y varianza o2. las poblaciones de tratamiento. e .n = F. . t).) = a(b . La constante o¡ puede considera¡se como eI efecto especial del tratamiento j.2.É[s es cierta tendremos ^/ I¡u E\fr)\ = J de modo que solamente en ese caso n(ffi)= a Qr- (21) Qz.2. . . x¡2...9)... Cada una de las X¡n suma de su valor esperado y un término de "error": (h: L. y la variación total V son va¡iables aleatorias que respectivamente toman los valores t)b. si .2. tienen una media común como también una varianza común.E[6 no es cierta. . (7\ y (3). La hipótesis nula de que todas las medias de tratamiento son iguales viene dada por (Ifo: ot= 0.2. De otra parte.

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

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

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

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

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

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

Por esta razón muchos estadísticos recomiendan que se ensayen I/é'. En este caso podemos concluir que las interacciones son considerabtemente grandes.1).F de 33/0? V GfBi en cambio de esas dadas en la Tabla 9-6. D A C C c B A D D B C B C A D A A Bf A6 Do AB Bn D6 co DB B D D C B A B D II III IV A B D C B A C D D A c D cf BB D B B c6 A.9-l . Esto se denomina a veces como diseíw del experimento.r A B c A C B A c C" Dr Au B6 Cuadrado Compleüa aleatoliedad Bloquee aleato¡ios Cuadrado latino Fis.j'z) utilizando las relaciones .2 Fig.l) + ab(c . DISEÑO E)GERIMENTAL Las técnicas de análisis de varianza discutidas anterionnente se emplean despuós de que se han obtenido los resultados de un experimento. 1. que pueden analiza¡se como en la Tabla 9-5. El propósito de la aleatoriedad es la de eliminar varias fuentes de enor tal como fertilidad del suelo.1. (a .6. y l/. D. página 306. 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. a cuatro bloques escogidos completamente al aza¡. 9. Completa aleatoriedad.cAP. aunque físicamente cualquier forma puede utilizarse) y asignar cada tratamiento. indicados por . Sin embargo. 9-1 por cuadrados. Dos casos poóibles se presentan. y utilizando este valor para remplazar el denominador 3! en el ensayo F. Caso I. esto es l3*= 0 I{:}): No hay interacciones entre tratamientos y bloques. Caso II. C. El procedimiento se ilustra en el Problema 9-tr3.9-3 grecoJatino Fig.los detalles de un experimento deben planearse cuidadosamente con anterioridad. B.o) y-H<2. etc. utilizando hs íelaciones F de G?liZ v 3:63 reópectivamente como se muestra enlaTabla9-6. 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. Il[r) no puede rechazarse. Luego podemos ensay4r H. Esto produce una tabla factor dos con valores singulares. Supóngase que tenemos un experimento agrícola como en el Ejemplo 9. esto es oj = 0 I{2): Todas las medias de bloque (columna) son iguales. Utilizaremos este procedimiento alterno. En este caso podemos concluir que las interacciones no son muy g¡ánAes.1) (b . esto es 7¡¡ = 0 Desde un punto de vista práctico debemos primero decidir si puede rechazarse o no I[[3) a un nivel apropiado de significación utilizando la relación .4. Las diferencias en los factores serían impgrtantes solamente si fueran grandes comparadas con tales interacciones. Pa¡a üseña¡ tal experimento podríamos dividir el teneno en 4 X 4 = L6 parcelas (indicadas en la Fig.9-l Fig. Il[3) puede rechazarse. el Las relaciones tr'en la nulas ANALISIS DE VARIANZA 31ó las hipóteeis ütima columna de la Tabla 9-6 pueden utiliza¡se para ensayar I/[t): Todas las medias de tratamiento (fila) son iguales.F' de 3?/S3 de la Tabla 9. En lo que sigue damos algunos ejemplos importantes de diseño de experimentos. para ganar tanta información como sea posible.

2. es necesa¡io tener un conjunto completo de tratamientos para cada bloque los tratamientos A. Este tipo de diseño se utiliza cuando se desea controlar una fuente de error o uariabilidad. 9-2) y por esta raz6n los bloques se conocen como bloques aleatoríos.316 2. por ejemplo.^ . - "..t. Para algunos propósitos es necesario controlar dos fuentes de error o uariabilidad al mismo tiempo. como en el Ejemplo 9. 4.. Cuando se cumple esta propiedad el cuadrado se dice ortogonal.r.^-¡.k )2 t )(r-.n-r. Cuadrados greco-latinos. D.) i ".--). e Bloques aleatorios: Cuando. D uttlizadas para un cuadrado mientras que para el otro cuadrado se utilizan letras griegas a. r. 9-2). = Lk + j. -")[r\t-tj L .s resueltos CLASIFICACION SIMPLE O EXPERIMENTOS DE UN FACTOR 9. = 1o.k )(r. S. con letras latinas A.k así (r. 3. En tal caso es deseable que cada tratamiento ocurra una vez en cada fila y una vez en cada columna. Problerna. C.k '' i\2 + )1o.1.-) -.* . como se indica en la Fig.. Demostrar que ) i.^. errores en diferentes filas y columnas podrían ser causadas a cambios en la fertilidad del suelo en diferentes partes del terreno.\' i.-tj)(:¿'j-t) j* Para demosürar eI resultado pedido debemos mostrar que la última suma es cero. lJ. Para hacer esto procedemos ñ (".-r)2 i.Elrequisitoadicionalquedebe cumplirse es que cada letra latina debe utilizarse solamente una vez con cada letra griega.ri)(ii . II. .]: ya que ij. C. Tal cuadrado es esencialmente dos cuadrados latinos superpuestos entre sí.- )(". Si es necesario controlar üres fuentes de efror o variabilidad se usa un cuadrado greco-latino. /V (véase Fig.i)' : )(r. B.Entonceselevandoalcuadradoysumandosobrej¡zlzhallamos )(". principalmente la diferencia en bloques (filas en la Fig. B.".k 2 Tenemosr¡¡.il :- > = j=t . C. ANALISIS DE VARIANZA [cAP.i=(rjr-rj)+(rj. D se introducen en orden aleatorio dentro de cada bloque I. En el experimento del Ejemplo 9.1. como la diferencia en filas y la diferencia en columnas. 9-3. Cuadrados latinos. r] Q ".-f)t t.[-i.r. 9-4. B.^ -. El arreglo se llama cuadrado latino puesto que se utilizan letras latinas A. III.á .*. como en la Fig.

=brj.zr>ti.'*\ u u. )1rc = ))*r* r = abt 9. i'k f¡*" .].k 2r@br\ aü*: )"'n = j.) r:r tenemos K por Ia parte (c). : abñ. o C.u ó un -. La Tabla 9-7 muestra los rendimientos en hl/ha de una cierta va- A B C . (d) la variación entre tratamientos y (e) la va¡iación dentro de tratamientos.2x)r¡¡ I i. Hallar (c) el rendimiento medio para los diferentes tratamientos.-¿)t )¿i = i. + abú2 i.utilízandolanotaciónenlapágina307. Análogamente = )(¿.k . )r¡. Tenemos página 307.-!+abEz -* í.oi-ziri+ñ2) utilizando el Problema 9. Verificarque(o) (d) r: úbÍt(b).ijk+ñ2\ = i. (b) la gran media para todos los tratamientos..D6 I ab¡z s-? -4 ab =. B.18 49 50 47 19 .k / r'\2 rl rS/rl-zrJ.4.¡.It - 1'b' Tabla 9-? 9.j=lk=l 'i ) )'¿r.r b bI 1.2(b) en el tercer renglón y el Problema 9. (b) (c) Puesto que 7j.2(o) en el último renglón.k abúz )"i = j. .k = )rr¡. el ANALISIS DE VARIANZA 317 g. -'#(abt) * r o b oo abñ2 u i--l 1qt J !s-2-1: b i:r'i Finalmente (12) se deduce del hecho de que u ab utilizando eI Problema 9. (c) la va¡iación total.2.18 49 48 50 49 51 50 . = 't)61't).k . Utilizar el método largo.2(o) en el tercero y último renglones anteriores. riedad de trigo cultivado en un tipo particular de suelo tratado con químicos A. . Verificar las fórmulas cortas (10)-(12).k )(rji-zx.(c) ?'...t) = )(¡.cAP.r-r): i.3.

¡. (o) ConreferenciaalApéndiceF. 48 y 50 hl/ha para A.. i. Con referencia al Problema 9.41-B.f B+4+6+b+b¡ = Así la gran media para el conjunto original de datos es 45 * 4 : 49 hl/ha.yemosqueF.5.96podemos techazar la hipóüesis nula de medias iguales al nivel 0.conut:2yu2:9.4)2 + (4- + (2 -3)2 + (4-3)2 + (:J-U + (5-4¡r + (4-4): 3)2 + (3 . = b)) (é) Variacióndentrodetratamientos Otro método.6. Variacióntotal 4 =.5)r + (d--5)! -l (5-5)r + (5-5)r 412 9.¿. obtenidog al sumar 45 a éstos. .4)'. [cAP.1): 3(4-1) : I grados delibertad. C (b) (c) .Tabla 9-8.318 ANALrsrs DE vARTANZA Para simplificar la aritmética podemos restar algún número apropiado.¡. = !4(B+4+ 5+4.4): + (5-4¡: =14 ((l ) Variaciónentretratamientos = tr. = i(B+4-f b+4+2t. = o.05.4)2 + (4-4): + (3 . (b) la variación dentro de tratamientos. -¿)..4.26. B. por ejemplo 45. (b) 0.4)2 + (5 -. Entonces obtenemoe los datos de la.Puesüoque^F :6)F. =. 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)! + (3 .4. 1 = 4. 3 0.4)2 + (2 .95:4. ¿podemos rechazar la hipótesis nula de medias iguales al nivel - 1 : F=$=h = 3 6 - L : 2ya(b . eon 49.05.g)r + (4.)2 t.:l = = r'.@ir-E)2 = (3-4)r + (4-4)x + (6-¿)¿ + (4. de significación del (c) 0.u = 14-8 = 6 (cl.4¡:: * (3 . ¡r. (a) (b) ? 3 9. = lae+A+3*B) = 5 3. de todos los datos sin afectar los valoree de las variaciones. 4l(4 .01? Tenemos con-o Con referencia al hoblema 9.: i(4+6+5*5) = respectivamente. = ) @¡¡-E¡. Por tanto los rendimientos medios.¿): + (4 -4):¿ + (6-4)2 + (5.k = (3. Tabla 9-E e (a) por Las medias de tratamiento (fila) para la Tabla 9-8 vienen dados respectivamente rr.

= 3+4+6*4 = 16 tz.6 ¡e muestran en la Tabla 9-9. .2/3 n con 2.9 o(b-1)=(3)(3)=9 gradoe de =14-8=6 libertad 9.02.=2+4+3*3:12 rt.4 ba'i ab 1 i062+t22+202) 0w: (^8\: te. Tabla 9-9 Gg=f.06-S8t = (b) Los totdes de las filas ¡on 206-rsz = 14 También rl.4-9. el ANALIS$ DE VARIANZA 319 (b) ConreferenciaalApéndiceF.Pue8toqucF=6(F.vemoaqueF. (o) Tenemos 2r¡?r=9+16+26+16 t'k +4+16+9+9 +16+56+26+26 También = 206 = 3+4+5+4 +2+4+3+3 +4+6+6+6 =48 1) Por tanto = a"?--# : .n) = : 2oo 6 _ tg2 = E (c) D-Qb:14-8 . Utilizar las fórmulas cortas (101-(12) para obtener los resultados del Problema 9.6:8..4.cAP.9no podemos techazar la hipótesir nula de medias iguales al nivel 0.a&-6 .conur:2!uz:9. . = 4 +6+5*5 = 20 r = 16+12+20 = 48 Luego D6 1s-.= Dentro de t¡ata 0w=0-0b a -63 ^' . I¿ tabla de aDáli¡is de va¡ianza para loe hoblemss 9.O1.?.

= t4 800 7) = (zoe)r-9q): = u¡.ab6-1#¿.320 Es conveniente ordenar los datoe ANALISIS DE VARIANZA como en la Tabla 9-10.4 y a partir de este punto el análisis proce- 9'8' máquinas didiseñado para . e t T: A B C 3454 2433 4655 16 256 t2 20 r14 400 ) s.'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.ffi : - 245 := . de como antes.rooo¡ . Tabla 9-12 J Í: ).?¡ Entonces = 2356 r. Tabla 9-10 T [cAP. de todos los datos para obtener la Tebla 9-12. de las máqui nas. La Tabla 9-11 muestra de unid s. 16= = zs56-246 soo = zrrL (i55 I t. = lrsoor --. por ejemplo 60. 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. cinco operadores experimentados trabajan con las máquinas durante intervalos iguales. =48 ?t.(¡ti)] : ! Los resultados concuerdan con los obtenidos en el Problem a 9.

directamente observando que es igual a (7--9):r-(11. .-+(8-7)z = 5): 72 -= J'K )(t.¡r .2lIl I ab-I=24 I W = tz.05.^. el Formamosla Tabla 9-13.f)r!-i tÍf -f)): r t.. MODIFICACIONES PARA NUMEROS DESIGUALES DE OBSERVACIONES 9.". las medias de grupo o muestrales y la gran media.(8 _ 8l: - . lógicamente tampoco la podemos rechazar al'nivel 0.9.8 (5X4) t: Pata 4.18-512: rl¡--5rr .r. Por tanto no podemos rechazar la hipótesis nula a un nivel 0... 20 grados de libertad tenemos F .108 406 408 un número apropiado. ?t¡ = 655 tratamientos. Es conveniente restar Tabla 9-14 Muestra 1 . Utilizando el método largo.-i)z -3(9 ' - 7\2 36 ! 5(7 + 4(8 -- 7)! = 36 . u. (b) 0.fti'k ¿rr. La Tabla 9-14 muestra la duración en horas de las muestras de tres tipos diferentes de tubos de televisión fabricados por uná compañía.. por ejemplg 400. Tabla 9-13 Entre tratamientos.l-5rr -.-¡.u-1) = 5(4) rA = I l "u ?'.i = Gran 8 media = 84 1t En esta tabla hemos indicado los totales de fila.t0i Muestra 2 Muestra 3 11 409 401 406 408 405 . .ru r También podémos obtener 72 -- 36 .(i -5r2 .r (2 5):r -l. ". ANALISIS DE VARIANZA 321.87 .-i.)! ¿'.(10 8r: I í8 __ 8)r -i rG 8): -1..u¡.01.cAP. ensayar al nivel de significación del (c) 0.05.ss: 2.)(r. 7):+(11 -?)2+.)rr¡(.1 .01 si hay una diferencia en los tres tipos. Tabla 9-15 Total Muestra 1 Media 9 7trI 4 27 8 5 2 Muestra 2 Muestra 3 6 25 32 5 10868 . Entonces tenemos ..102 410 .1456 =ZO I | =. y obtener la Tabla 9-15.

72 t1.10. so:. 9. (b) hay una diferencia significativa en rendimiento por acre debido a las cosechas.2 7. ninguna diferencia en los tres tipos de tubos) al nivel 0. como se indica en la Tabla 9-18. Utilizando el método lartivadas en Cosecha I Fertilizante A Fertilizante B Fertilizante C u Cosecha III Cosecha IV 6. = 19= 1g 5.9. Por tanto podemos rechaza¡ la hipótesis de medias iguales (esto es.(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 9.0 5.-. De la Tabla 9-15. I 5. F.05 pero no al nivel 0.322 ANALISIS DE VARIANZA f.99 : 8.02.8 9. ensayar al nivel de significación de 0. .:25. 12t nB=4.9 utilizando las fórmulas cortas incluidas en (24).4 7. + 62 +8r-Q|2 = 72 a6 = ?t-.4 uru so'- 18 = 36 G1=?9=4 = 4.01 si (a) hay una diferencia significativa en rendimiento por acre debida a los fertilizantes. CLASIFICACION DOBLE O EXPERIMENTOS DE DOS FACTORES 9.os datos pueden resumirse en la tabla de análisis de varianza. La Tabla 9-17 muestra los rendimientos por acre de cuatro go.8 6. Rt=3.2 Calculamos los totales de fila y medias de fila.7 45 8.26..01. las medias de columna y la gran media.=32.5 Enüonces para 2 y 9 grados de übertad hallamos del Apéndice F que F. ¡=84 = + iL2 + . n=12. Soluciona¡ eI Problema 9. Tabla 9-1? Cosecha cosechas de plantas diferentes culparcelas tratadas con tres tipos diferentes de fertilizantes.6 7. Tabla 9-16 [cAP.(25)2. Tabla 9-16. (25) V Q6l.. = = 36 (27)2.11. e Variación Grados de libertad Media de cuadrados F D¡=36 a-7=2 n-a=9 io.=27.2 ñ"¡'.9 6. rg. 12. como también los totales de columna.?. Por tanto ! = n2=5.96 : 4.8 o.

3 .S12 -'.8 Media de fila 6.8)2 -1 (9.:5.8)2 + (8.8)2 + (6.4-6.8 7.2 6.0 .8 9.4-6.9 = = 81.8)2 + (6.14.8¡r+ (7.2 2t.32 U: Va¡iación total (4.6.3 Gran media 6.3-6.6 grados de libertad.yaque 6.2-6.05 hay una diferencia significaüiva en el rendimienüo debida a los fstilizantes.0-6.3 5. el ANALISIS DE VARIANZA Tabla 9-18 Cosecha 323 I Cosecha II Cosecha III losecha IV Totales de fila 24.8)21 = 13.4 7.cAP.2 8.7 -6.7-6.68 u" : Variación de medias de columna con respecto a la gran media = 3[(6.8)2 + (?.6.5 6.9 -6.8 .8)2 + (5.8 .8)2 = 23.8)2 + (5.58 F =G?/C?: a.6.ocz Al nivel de significación de 0. Entonces. .zt gl: 2. : Esto conduce al análisis de varianza en la Thbla 9-19.5 -6. .8 : Variación de medias de fila con respecto a la gran media = 4U6.S¡z a (7.8)2 + (5. Fq.7 5. 64 7.7 8.9 68 5.14.08 ue : Variación aleatoria = Lt .6 ¡'=0"2/i3=0.0 7.6 .86 gl: 3.8)2 + (8.6 oi = t.5-6. (7.8 -6.9 columna Medias de 19.8)2 + (5.6 5.2 23.podemos rechazar la hipótesis de que las medias de fila son iguales y concluir que al nivel 0.4¡z * (7.24> 5.r.9 .05 con 2.6.6 columna u.8)2 + (6.0 Gran total 22.2 -6.5 6.5 18.6.6. Ya que el valor d'e F correspondiente a las diferencias en las medias de columna ea menot que 1 podemos concluir que no hay difenencia significativa en el rendimiento debido a las cosechas. Tabla 9-19 6.2 .6.4¡z a (6.0 33.6 7.8)z] = 2.r.2 Fertilizante A Fertilizante B Fertiüzante C Totales de 4.

24 ¡ (22. En esta tabla se indican los dos factores principales.11. Los resultados se indican en la Tabla 9-20.5)2 + (18. C. B.08 = uc Lnezln.88 ab = 23.2)2 81.08 de acuerdo con el Problema 9.58 EXPERTMENTOS DE DOS FACTORES CON REPETICION 9.t2.68 .2)2 (27-O'¡z r.88 = = 18. Los días de la semana se pueden considerar conro réplicas o repeticiones del rendimiento de cada máquina para los dos turnos.2¡z (19. Para llevarlo a cabo se obtiene el número de tornillos defectuosos producidos por cada máquina durante los días de una semana en cada uno de los dos turnos.S¡z a (6.6 : 577.88 2.11.6 = (4.05 si hay (c) una diferencia en las máquinas.9)2 = 1673.ut - bb4.8+33. Efectuar un análisis de varianza para ensayar al nivel de significación del 0..2+23. Un productor desea determinar la efectividad de cuatro tipos de máquinas A. + 24.96 bj'j.13. Utlizar Tenemos de la Tabla 9-18 i.. D en la producción de tornillos.zu 'üc bb4.2)2 ¡ + (33.n¡z (5.324 ANALISIS DE VARIANZA las fórmulas cortas para obtener los resultados del Problema 9.G8 = *>t-"ti = |trozs. - 13.10 Entonces s-2 j* tt'r^ 12 ab = vr 1s-r-t' 577. .(23. e 9.rol rt . 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. Nótese que para cada máquina se han indicado dos turnos. móquina y lurno. (b) una diferencia en los turnos. 554.k )"i T a .2.96 S-z Sro (24.82 11 = = 23. : lcAP.6)¿ = 2274.82 = 6.

..1795.4 Para considera¡ los dos factores principales.0c = 65.cAP.3. + 72 +L02-W = 1946- 1?95. (119)r_eqq\2 ? 40 - _ 180s..5 .)' + qq -ld.-.?_1?e5.ro ro 10 La va¡iación entre columnas viene dada por (zgq)' 40 = 1846.6-51.b --5 .6 La variación enhe filas üene dada por (zee¡z 40 a' = (54)2 (85)2t' (6. ZO - (126\2. Esta viene dada por * u" ) obtenemos la 0i = 0"-D¡.6 = 1b0.b .2 . (31)2. la suma de las variaciones entre filas y columnas (u. (38)2 ""--6-5 .0-8.S . (30)2.S .1 Si reetamos de la variación subtotal u.6 rov = 8.(41)2. _124)2. Estos se ordenan en la Tabla 9-22. variación debida alasinteroccion¿s entre las filas y columnas.6 - 1?9b. concentremos nuestra atención al üotal de los valores de repetición correspondiente a cada combinación de factores. viene dada por -.1 = 6. (44)2. 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+ .5 = 1861.¡2912. móquino y turno. que es una tabla de dos factores con valores simples. (32)2.4 variación total para la Tabla g-22. 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 = 51.6 : 66. que llamaremos variación subtotal u".0 'tt" = --ñ.

De la Tabla 9-23 vemos que pa¡a interacción F : 0. eeto es.o Columnas (turnos). Tabla 9-23. Para hallar loe grados de übertad debidos a la interacción obeervamoe que hay 8 valores en la Tabla 9-22. Por tanüo los grados de libertad debidos a l¡ va¡iación residual o aleatoria ee 39 7 : 32. 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). .4 Para continuar debemos determinar primero si hay alguna inüeracción significaüiva entre los facüores básicos (es decir. 32 grados de liberüad Fn.90 para B.81?.05 podemos conclui¡ que las-máquinas no son igualmente efectivas. u= 150.:6. B2 grados de libertad podemos rechazar la hipóüesis ll.entantoquelavarirrcióndebidaalae 2columnastiene 2-L= Estas va¡iacionee se indican en el análisis de varianza. Po¡ tanto el total de gtadoe de libertad es 8 I : 7. u¡ = 6.tr ¿" que lar fila¡ tienen ¡¡sdi¡¡ igualee. el reeto. se halla reetando la suma de variaciones füa.SfSe:2. hallamos para la va¡iación combinada y grados de libertad combinados u¡* u.4-65.6 + 84.06 no hay diferencia iignificativa entre turnos. no podemos techazt la hipóteeio l/[zt ¿" que las columna¡ tengan medias igualee.16.F nl: 2.. lo cual indica que la interacción no ee significante.326 ANALISIS DE VARIANZA lcAP. columna e interacción (ee decir.6 : 84.! : Sgradosdelibertad.42. la va¡iación subtotal) ¿L U variaóiOn tot¿l u. Aef.Ya que hay 40 valores en la üabla original 9-2i el total de gradoe de libertad es 40 1 = 39.65 para el denominador de F en la Tbbla 9-23 no afectan las conclusiones alcanzadas anteriormente. ce debe a interacción. Puesto que . Al usar este valor en cambio de 2. Siguiendo lae reglas de la página 315. 0c = 8'1 Interacción. Esto es equivalente a decir que al nivel 0.8 1 grado de liberüad.o" : 150.06. ya que hay 4 filas en la Tabla g-22La variación debida a l¡s fila¡ tiene 4 . D" = 84'8 Total. Para l. Si decidimos analizar los resultados combinando las variaciones residual e interacción como lo recomiendan algunos estadísticos. e Finalmente la variación reaidual. vemos que F para las fila¡ e¿ 6. podemos rechaza¡ |a hipótesis flllr ¿" la pógina 315. Eeto resulta en a" = Q-(or*o"*o¡l = 7).5 G? = zltt Aleatoda o residual. Puesto que 3 de esos 8e deben a filas y 1 a columna¡. 0' = 51'0 i? = tt.61. - libertad cottespondientes a cada tipo de variación. que conduce a unava¡ianzacombinadade gL. Entoncee ya que F calcul¡do para lascolumna¡es 8.8 : 91.3 y 3 + 32: 36 respectivamenüe. Esto esequivalenüe a decir que al nivel 0. I¡iabla también da el número de grados de Tabla 9-23 Filas (mÁquinas).: 4. filas y columnas de la Tabla 9-22). 7 (3 + 1): 3.

columnas y üratamientos se obtienen común y corrienüe. Efectuar un análisis de varianza para determinar si hay una diferencia significativa entre los fertilizantes a niveles de significación de (c) 0.49. 4 : 5443.94 Variación entre filas .06 : va¡iación entre (77\2 (74\2 (78\2 (71\2 columru lS=?rc= 4 . Ya que F .01 las máquinas no 6on igualmente efectivas.' + (10¡z * (lT2 -@5Y 16 5769 - 6439.75 .lá. Un hacendado desea ensaya¡ los efectos de cuatro fertilizantes A.69 16 variaciónenrretratamienros = . de modo que podemos proceder más al.At-ril.05 y (b) 0.. D en el rendimiento de trigo.4 -. 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 9.14.01.25 *9'{ -(fftr = 284. Solucionar el Problema 9. = T*ry*ry 5723. B. A este nivel aún no hay interacción apreciable.19 - 5439.05. C.25 + ry . 32 grados de libertad y puesto que F para columnas es 3.51 para 1. También obtenemos el total de rendimientos para cada uno de loe fertilizantes como g€ muestra en la Tabla 9-26.t: 4.Ia variación üotal y las va¡i¡ciones para filas.e0 = 7.r.01. podemos concluir que aún al nivel 0. concluimos que al nivel 0.47 para 3.13 si se utiliza el nivel 0.01 no hay diferencia significativa en los turnos. 29.l cAP. donde los números indican rendimientos en dkl por unidad de área.5439. Ya que ¡'.1)¡ ff +ff + ff -5468.26 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 9-26.06 .4 . el ANALISIS DE VARIANZA 327 9.06 : 329. Hdlamos Va¡iacióntotal : o= (18)? + (21)2 + (25)2+'.19 (2eS1z - 5439.15.06 = 4. CUADRADOS LATINOS Tabla 9-24 9. 32 grados oe libertad y puesto que F para filas es 6.

.9 > 4. Asignamos las diferentes gasolinas A.01. Asignamos aleatoriamente los cuatro caminos que van a emplearse. Tabla 9-28 CONDUCTORES 1234 B. podemos aceptar la hipótesis que no hay diferencia enla fertilidad del suelo en las filas (o las columnas) al nivel de significación del 0.8? (o) Puesto que F er. 4. Puesto que el valor F para columnas es menor que 1. i I}¡ 9. Suponga que en el desarrollo del expeúmento del Problema 9-16 el número de kilómetros por galón es el dado en la Tabla 9-29. B.328 ANALISIS DE VARIANZA El análisis de va¡ianza s€ muestra en la Tabla 9-27. Ya que el valor de. 7. C. 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)..05Ia hipótesis de que hay medias de fila iguales.¡. Se deduce que al nivel 0.05 hay diferencia en la fertilidad del suelo de una fila a orra. Supóngase que los diferentes autos se representan por las filas y los diferentes conduetores por las columnas. denotados por o. Sin embargo. como se indica en la Tabla 9-28. 11.76. Tabla 9-2? lcAP. rechazamos al nivel 0.0 : 9.r. 6. debemosconcluirquehay una diferencia entre fertilizantes al nivel 0. Es de interés determinar si hay alguna diferencia en el kilometraje por galón entre las gasolinas A.o :4.19 Columnas. Diseñar un experimento utilizando cuatro conductores. Puesto que se incluye igual número (cuatro) de gasolinas. conductores.17. Así cada conductor tendrá la oportunidad de conducir a lo largo de cada uno de los caminos.01. LATTNOS 9. D.78.05.76. B. 284.69 Tlatamientos. C. de modo que cada letra apatezca solamente una vez en cada fila y solamente una vez en cada columna. D aleatoriamente a filas y columnas. podemos concluir que hay diferencia entre fertilizantes.lJtiliza¡ el análisis de varianza para determinar si hay alguna diferencia significativa al nivel 0. (b) Ya que Fgo. cuatro autos y cuatro caminos diferentes. sujetos a los mismos requisitos impuestos a las letras latinas.19 Residuales. . e Filas. Un aneglo posible es el dado en la Tabla 9-28. 29.F para tratamientos es 4?. p. concluimos que no hay diferencia en la fertilidad del suelo en las columnas. autos y caminos podemos emplear un cuadrado grecolotino. 4.16. CUADRADOS GRECO.' I A.

(62\2 -. (63)2 .00 - 6-50 - 11r.60 = 6.60 - 4096 = = 16.50 4244-4096 = 148. Dl Caminos: (o' P. como eigue: Atotal: 15+16+15+16 = Btotal: 19+18+2I+ 23 = Ototal: .Portantolosgradosdelibertadparaelerroresn2 caso n f.50 - 7.60 -4096 = 111.Ennueetro . utilizando el método corto. Tabla 9-31.50 La variación total ee (1S¡z * (le¡z + "' + (16)2 + (2s\2 -e66\2 =' 'I | \-vt 16 16. -1--4(n-1)=(n-lXn-3).60 I 4096 6. (61)2 . 7.60 ry*ff+ff+ry-ry 4 (16)'z = 4ros. leüras laüinas y letras griegas cada una tienern 1 grados : 4. E número total de gados de übertad es n2 .60 Columnas: .00 deliberüad.cAP.6o-40e6 = ?. (68)2 4 .4 . 4 - (70)2 (256\2 16 Q6A)z 16 QAA¡z = 4112. columnaE.1 para un cuadrado de n X n. (61)2 4-4-4-4-16 4102. 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. 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.00 de modo que la variación debida al e¡ror e¡ 148. ó) Ga¡olinas: (62)2 4267.60 (A. (81)2 . el ANALISIS DE VARIANZA 329 Prirpero obtenemos totdes fila y columna como ¡e indica en la Tabla 9-30.os resultados se mueshan en el análi¡i¡ de varianza.4-T 4 . (59)2 . C. B. Filas: a----l---4 (64)2 . (52)2 . Las filas.

Entonces.19. B. 111.or.D).s.. J=r - =.500 :?*33=t.. (o) Poi definición tenemos v. Se deduce que t=L )¡t* )"t j:r ' donde hemos utilizado la definición p )a.= . e Columnas (conductores). (4.50 Caminos (o' É' 7. ya E(v. Capítulo 5.18. donde Sf é define por (15).01.28 V F.330 ANATISIS DE VARIANZA Tabla 9-31 lcAP.s : 29.-¡b-l ¡ es la varianza muestral para el tratamiento jr como que el tamaño de la muestra es b.26 Tenemos F.¡z > + ) (x. 5u.-*. El tratamiento medias de la población viene dado por p¡ Por tanto ac = 9. PROBLEMAS DIVERSOS 9. 7.tz = b j=r |Lo rEr' " ' ) = ¿!s? j=1 d.so. de Ia página 308.05 pero no al nivel 0.l)oz - . 6. = F* e¡. 6).60 Gasolinas. Por tanto podemos rqchazar lahipótesisdequelasgasolinasson igualee al nivel 0. (b) la ecuación (I6).C.*-i. Derivar (c) la ecuación (17). = 9.) = bj¿E(Si) utilizando (I6) del Capftulo 5.r. b 3 (¿'-1"'\ -i---t\ b / = a(b .3u*3" = op+\'¡ t=L i=l !:t' = (2p)/a.5.. página 308].".a:9.} . Demostrar que > oj = 0 [(15).50 2.

en (I ) tenemos E(va) = b>[+*(¡.8. puesto que las varianza¡ S! bn indep el Teorema 4-4. E(U2) = Var (U) + lE(U)12. el ANALISIS DE VARIANZA Por 331 (b) definición vt' = a ) 1*r.-ab*z j=1 a. página 309. Por el Teorema 5-6.05. P¡ra hallar la variación debida a larepeticiónutilizamoslostoüalegdecolumna cn la Thbla 9-21.P = (a-l)o2 * abp2 + zbp> "..) (d) (7) E(Xj.cAP. con medias ¡t¡ y varianza común 02. en la Tabla 9-23.2 9. Como ¡e indica en el Problema 9.01? Si existe alguna variación debida a las repeticionee se incluye en lo que ae llama el ertor re¡idual o aleatorio.\12 lBlx¡12 E(xil : E(Xz) = Var (Í) + Pero ya que las poblaciones de traüamiento son normales. que V-/o2 tiene dishibución chi-cuaüado cón o(b - 1) 9.+auxz l=r t=L ya que (f) (21 (.21.) + a. tenemos dd Teoreme 6-4. . + > al - ob¡P (c--t)62 * b ) a.bgQ7z) Entoncee para cualquier variable aleaüoria U.18.Enloncex. omitiendo el fndice de la euma.. 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. esto es. bSJ/o2 tiene drado con b . los diferentes días de la semana. (b) 0. Demostt'ar el Teorema $1. Entonceo.13 supusimos que no existían diferencias significativas en las repeticiones. ¿Podemos sostener esta conclusión al nivel de signifi cación del (c) 0.) / \ // /\/ ' = b>*?.p6gitn 116.) = pj = p+ai Utilizando los resultsdos (2>(7).20. ¡úgina 161. obteniendo u" . página 158: ( tr) var (5) =r Var(X) = # E(X) = p (i¡.-x¡z t=r aa a o = b>*i-2bx)x.+*i):-l -"ufLab J !+rr) " '' ) -LD aoz * b ) (p+ a¡)2 - o2 - s'b. más el reeulüado dd hoblema 9. üenemos E(val = b>86?) var(i¡.19(o). = 84. Por tanto lv(x.1 gradoe de libotad. En el Problema 9.t) X = ( )It.

el número de grados de libertad asociados con esta variación es b 1 : 4.¡r. I-a variación residual después de restar la variación debida a la repetición ea ue : 84.0g."o = 11.4 De la tabla vemos que el F calculado para repeticiones es 1.ú¡n< .EIvalorenA¡. Finalmente d Existirá una uarioción total dada por (l) 1) = t.767 | -=0.827 = 73.332 ANALISIS DE VARIANZA [cAP. Describir cómo se pueden utilizar las técnicas de análisis de varianza para clasificación triple o experimentos con los tres factores (con factores simples). . l---g 6.7! parz 4.k.u¡6.. 9.8¡r.01) debi- da a las repeticiones.86. g - (268)2 40 = 1807 . (47)2 (50¡z -.18. . 8r. Sigñificados análógos se dan a E¡ ¡ ! r . Reproduzca la tabla de análisis de varianza a emplearse en tal caso. La interacción entre todas las clases se denomina como antes la uariación aleotoria o residuol...Elvalorú¡¡. e 1t=-+'re¡ (57\2 g (51)2 g .6 = 11. es decir.. es la media de valores para las clases Il y C cuando Ar es constante.32 Filas (máquinas). Ias conclusiones reliacionando máquinas y turnos son las mismas a las obtenida¡ en el Problema 9. Tabla 9. los días de la semana no eon significativos.2g grados de libertad.4)2 . C..*ucA-.8 114: ?8. . podetnos concluir que no hay variación significativa al nivel de 0. teniendo en cuenta las repeticiones. denotados pot 41. La tabla final de análisis de varianza. denota la media de valores en la clase C cuando A¡ y B:p se maitienen fijos. T... 0' = 0c 51'0 Columnas (turnos). es la Tabla 9-32.t 2 @¡rt- ú)z que puede dividirse en siete variaciones. denotadospor ejemplo. Ao) Barupos. Las siete variaciones en las que se puede dividir (1 ) vienen dadas por u = DA+ürJ+uc lTIAB *.4 Puesto que hay 5 repeticiones. o.4 3 Aleatoria o residual a'" | 2.C".. .4. El valor f.22.rpor denota la gran media. = 8'1 Repeticiones (días de la semana). Pero ya que Fe5: 2. como se indica en la Tabla 9-33. Estas variaciones son entre clases del mismo tipo y entre clases de diferentes tipos (inúerccciones).06 (y por tanto al nivel 0..1795.C{luposdenotadosporC¡. Suponemos que la clasificación se hace en A grupos. Las otras variaciones son las mismas a las de la Tabla 9-23. sedenotaporxjkl..

Q¡n rB = = ..ñ.k.+ i)\2 E)2 aABc = .t .Bc -1) 3.34.n...Bzcl.s suplernerirta.23. el donde U¡ ANALISIS DE VARIANZA 333 - .2r@i*t.01..-.ñ j*.cAP.ñ. 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 ." = uesc (o-l)(ü-lXc-1) Probletna..c)i.BC gl 0¡s (entre grupos AvB) (o-1)(b-1) (b-lXc-1) (o - 1)(b - L).rt.r.kc (b - 1)(c - 1). .rlos CLASIFICACION STMPLE O EXPERIMENTOS DE UN FACTOR Tabla 9-34 A B C 9.c (entre grupos C) -'l Añ "c . (a.J- er" (ñ¡¡1.4ñ sA. (fr. C.r+ ñ)z !ct = b > (ñ¡t.ñ.'uc c-1."" a a-l - 7.(a-1Xb-lXc-1) AÓ..¿).rTabla 9-3$ Media de cuadrados r¡ Ao -q¿=-A o-l Varíación o¿ (entre grupos A) Grados de libertad F ?1..- ñ¡. D. ? (E¡. variedad y los rendimientos (en hl/ha) son los mostrados en la Tabla 9.. Suponiendo que las parcelas eon de fertilidad semejante y que las variedades se asignan aleatoriamente a las parcelas.c .1Xó - l)(c - 1) gl os (entre grupos B) ó-1 c Ao og s "B . ce' ) (¿.* ñ.% (c 1)(a 1).n\r.+ 0nc = "... (o 1)(b 1)(c 1) gl 1) ¡ A. (o - 1)(b - 1)(c - 1) sl u¿ (entre gr¡r- posCyA) (entre grupos (c - 1)(o . E. Dc ñ\2 : ab 2 @.ri.4ñ s gl t. determinar si hay una diferencia significativa en rendimientos a los niveles de significación del (a) 0.k.BlSA.I ót s.+ ¿. Se efectúa un experimento para determinar el rendimiento de 5 variedades de trigo A.Bc b-r. B.ú. (b) 0.tt+ ñt.ñ. (a - 1Xó - 1)(c - 1) gl trac (entre gru- posByC) o¿ =o=ffi= (c-1X¿-1) acA .ó I Dg n rA^ Ét s^.ByC) u (total) (o-1)(ó-l)(c-1) abc-7 9?.05.t..A^o 8ó^tsA.(a-1)(b-1Xc-1) Añ.új.

loa resultados se dan en la Tabla 9-39. (b) entre máquinas. Dar la informaci6n deseada utilizando un nivel de oignifi' cación del 0. (D) O.a 9-38. C. Se efectúa un erperimento para determinar el número de artículos diarios producidoe por cada operario utilizando cada una de lac máquinas. vienen dadas (en miles de millae) en l¡ Tabla 9-36. (25) V Q6).01 si hay diferencia en lo¡ neumáticos. Demostrar los resultadoe (24).06.05.01 si hay alguna diferencia significativa en las marcas. Durante un semestre un estudiante obtuvo las calificaciones indicadas en Ia Tabl.O1 si hay una diierencia significativa en sus calificaciones entre Ssas asignaturas. Ensayar a loe niveleg de (o) 0. El fabricante desea determinar ei hay una düerencia (o) entre operarior. y a cada grupo se le enseña por un método diferente.81.26.28. II1.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. I'z duración de log neum6ticor.01 si hay una diferencia significativa en los métodos de enseñanza. La Tabla 9-37 da los números de mill¡s al galón obtenido por autornóviles semejantes utilizando 5 ma¡cas de gasolinas. 9. Demostra¡ la¡ fórmulas cortae (3I fl34). página 310.85 Tabla 9-86 9.27. (b) 0. B. Luego se da el mismo examen a todoe los estudiantes y oe obtienen las calificacionee indicadae en la Tabla 9-36. Un profesor desea eneayar treg métodos de en¡eñanza I.25. 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. (b) 0.29. e 9. Ensayar a loe niveles (o) 0. determinada de sus fibras. para el caso en que los 4úmeror de oba¿rvaciones dean CLASIFICACTON DOBLE O EXPERIMENTOS DE DOS FACTOBES 9. (b) 0. Tabla 9. 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 .24. D. donde cada tipo ¡e ha tratado en 6 automóviles semejantes asignando los neumÁtico¡ aleatoriamente. Determinar al nivel de (o) 0.06. 9. prÁgina 311. página 311. tres grupos de 5 estudiantes se escogen aleatoriamente. Para lleva¡lo a cabo. II. Tabla 9-37 I\[atca. [.os a¡tículo¡ fabricados por una compañfa se producen por 3 operarios utilizando 3 máquinas diferente¡. Ensayar al nivel de (o) 0. 9.334 ANALISIS DE VARTANZA [cAP. Demo¡tra¡ el resultado (30). Una compañfa deeea ensayar 4 tipos de neumáticoe A. diferentes.05.30.

39. Suponer que el experimentg del hoblema 9. EXPERIMENTOS DE DOS FACTORES CON BEPETICION T¡bla 9-42 A 9. Solucionar el hoblema 9. los bloques).12.3ó r¡tilizando el nivel de significación del 0.06 ¡i hay una diferencia en (o) lor ferüilizantes. 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 . (b) las clases de automóviles. Suponer que en el Problema 9. E 18 22 2L l7 18 24 g. a ^ B {amente con (o) las diferencias del terreno (esdecir. 9. c Semill¡s de 5 tipos de mafz ee siembran en 5 bloques' Cada ue se asignan 0. 9.41.05 ¡i lo¡ rendirnienüos en bla 9-40. (b ) en los planteles.36.01. Soluoiona¡ el Problema 9.01. Determinar al nivel de 0. Solucionar el hoblema 9.23 se lleva a cabo en el suroes' te de un pale y que las columnas de la Tabla 9-34 indican 4 tipoc diferentes de fertilizante.05. dUrante díae diferentee.26 el primer valor para cada método de enseñanza corresponde a un estudiante de un plantel especffico.40 utilizando un nivel 0.8?. y así sucesivamente. Solucionar el hoblema 9. Analizar el ex' pelinojo rubio Alto Mediano Pequeño 76 81 73 78 76 castaño 80 79 perimento al nivel de 0.06 de que hay diferencia en (a ) d método de en¡eñanza.g6. Suponer que en el Prpblema g. doñde los números in' dican 10 en el tope de los graduados. (b) la localización. Ensayqr la hipótesis al nivel 0. Tabla 9'4O TIPOS DE MAIZ bloque te a los hl/ha. Solucionar el Problema 9-31 utilizando el nivel de significación del 0. B C 16 18 20 15 L7 16 2l 19 18 23 19 2l 23 20 D 9. roy"t al nivel de 0.38. \4 9. en tanto que en un experimento semejante efectuado en el oe¡te da los resultados en la Tabla 9'42. la eegunda observación empleando una segunda clase especffica. 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. g.05 si hay diferencias signifiéativas en (c) loe operarios. lo 77 9. SLOQUpS C D E IIIUIIV t2 15 15 19 L4 18 11 16 16 l7 10 t2 16 L2 11 14 11 12 16.33 utilizando el nivel de significación del 0'01. (b) las diferencias en el tipo de maí2. Ensayar al nivel 0. varfan significati- aleatoriamen' 5 . / y II.01.06 si hay diferrencia en (o) los tipos de neumáticos. 9.33.24ltprirnera observación para cada tipo de neumático se hace empleando una claee espeiífica de automóvil.40. Tabla 9-41 9.01.g2. el segundo a un estudiante de otro planüel. y así sucesiva-E mente. ts Tabla 9-43 da el número de artículos produeidos por 4 operarios diferentes trabajando en dos tipoe de máquinas.34. Ios réeultados se dan en la Tabla 9'41. el ANALISIS DE VARIANZA 335 g.cAP.38 al nivel 0. (b) las máquinas.

eetableciendo cualquier conclueión a que pueda llegarse.01 si hay una diferencia significativa en los tratamientoc. Tabla 9. (b) colo¡ de pelo. El aumento en peso por unidad de tiempo 6e da en el cuadrado greco-latino de la Tabla 9-46.336 CUADRADOS LATINOS ANALTSIS DE VARIANZA IcAP. É.as cantidades diferentes del primer compuecto se indican por A.05. B. D usando cuatro máquinas diferentes.43. (ó) 0. 6. Tabla 9-4t Alto Pequeño Mediano 110 95 Tabl¡ 9. w2 BB6 Dog ws Ao5 9. e 9.Tc. BoG Dy l0 Ap8 c6 10 cialee. 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. 7.05.Cz.43 utilizando un nivel 0.S4 Sr. y de variaciones del teneno en dos direcciones perpendiculares. T3 T4 c6 t7l D. como se muestra en la Tabla g-46. T¡¡ fq¡talezas promedio obtenidas se dan en el cuadrado greco-latino de la Tabla 9-4?. o. Tabla 9. Ca. .Tz. Efectu¡r un análisis de la varianza del experimento al nivel de significación del 0.05. t¡ Tabla 9-48 contiene los datos sobre el moho acumulado en hierro tratado con químicos A.49 105 103 118 A B 3544 4233 6465 Lt2 10? 90 115 c 108 lr2 93 104 96 L02 . respectivamente. Soluciona¡ el hoblema 9.44. L62 BB L45 cB 2t2 A6 112 86 Do An 188 Bq 167 c7 136 PROBLEMAS DIVERSOS 9.05. Cuatrotiposdecable?¡.05 ¡i hay una diferencia significaüiva en rendimiento académico de los e¡rudiantes debida. Sz S¡. Tabla 9-44 efectúa un experimento para ensayar el efecto sobre el rendiniiento de 4 tratamientoe de fertilizanües A. B.45. Wz.C1 . Tr AB 164 c2 Bf 181 c3 ca Ay 193 193 207 166 c4 D6 160 T. C.6 . q D. 4 cantidades diferentes de dos compuestoc químicos se agregan a los ingredientes bási co¡.48.Ct. Oes: te. (D) lae variaciones del terreno. donde lo¡ números indican rendimiento de maÍz por unidail de á¡ea.a diferencias en (o) ertatura. Det¿rmina¡ a un nivel de 0. Wc y 4 especies d-iferentes . St. 9.38 euponer que introducimos un factor 876 c81 o73 Tabla 9-46 o78 E'76 c80 o79 c76 877 w4 CUADRADOS GRECO. Centro.44. c16 9.Cuatro operarior A.01 de que no hay diferenci¿ en (o) los fertilizanSe C8 At4 D10 Á10 c12 BL4 D16 D12 B11 811 Dt5 Á10 tee. C. 9. Con referencia al Problema 9. [.1.46.r 198 D. ?a sefabricanporcadaunadecuatrocompañfas. W¡ . D y las del cegundo por ü. miden las fortaleza¡ de los cable¡. (c) lugar de nacimiento.4? c.LATINOS wr ^S. B7 At4 Tabla 9-4ó c12 adicironal dando la sección donde naci6 el estudiante Eete. eetableciendo cualquier conclusión a que pueda llegaree. Efectua¡ un análisiÉ de varianza al nivel Q. B. Se obtiene el cuadrado latino. Ensayar la hipótesis a un nivel del 0. Wt. Determinar al nivel (o) 0.47. Para producir un tipo superior de alimenüo pnra pollos. B o C.

70 En el Problema 9-42.40 suponer que un experimento adicional realizado en el noroeste produce los resultados de Ia Tabla 9-53. en tanto que los resultados correspondientes para el oeste se dan en la Tabla 9-52. (3) y ( ). página 312. Determinar al nivel (o) 0. Solucionar el Problema 9. Demostrar el Teorema 9-2. rinden mejor' Los puntajes obtenidos se muestran en la Thbla 9-50. 70 9.59.05 y establecer sus conclusiones. Este Oeste Sur 88 84 86 Medio 80 78 82 Bajo 72 ¿o 9.4g. Derivar los resultados 9. página 312. medias y pequeñas.23 y 9. 9.5?.Q.61.Q' 9.05. página 372. Veterano No veterano 90 85 Medio ril 78 I.Q. Norte y centro 80 ¡D 79 g. (b)la ecuación@0). ¿Es ésto cierto si cada valor se multiplica o divide por una constante apro' piada? Justificar su resPuesta. ¿puede determinar si hay una diferencia significativa en el número de artículos producidos en los diferentes días de la semana? Explicar.Q. 9. Determinar eI nivel de 0. Los resultados se indican en la Tabla 9-49.05 si hay diferencias debido a (o) los químicos.55. página 309.60.05 si hay una diferencia en los puntajes debido a diferencias en (o) el estado veterano. Con referencia a los Problemas 9. 9. Demostrar el Teorema 9-3. Demostra¡ (o) la ecuación (37).Q. 9.54. En los cálculos de análisis de varianza se sabe que puede sumarse o restarse una constante apropiada dp cada valor sin afectar las conclusiones.50. de estudiantes adultos de estaturas altas. página 309. Tabla 9-51 Alto 9. .51. Bajo I. t¿ Tabla 9-51 muestra los puntajes para una muestra de estudiantes universitarios de diferentes partes del país con diferentes I.01 si hay alguna diferencia significativa en los I. Suponer que los resultados en la Tabla 9-48 del Problema 9-48 son válidos para el noroeste. Solucionar el koblema 9.ó6.62.Q. Ensayar al nivel 0.53.52 utilizando un nivel 0'01.54 al nivel 0. Se realiza un examen para determinar si los veteranos o los no veteranos de diferentes I. Demostrar (o)la ecuación (39). (b) la ecuación (38). 9. 9. Determina¡ al nivel de 0. relativo a diferencia de estaturas.01.Q. Analizar la tabla al nivel de 0.5E.62. Tabla 9-50 Alto I. el ANALISIS DE VARIANZA 337 g.05 si hay diferencia en (o) fertilizantes. Un experimento mide el L Q. (b) I. 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.cAP. (b) 0. (b) los tres lugares. (b) la localización.

En ln práctica. Haga el montai dc un erpcrimenüo que conduzca al cuadrado latino Tabl¡ 9-64 FACTOR 1 de la Tabla 9-54. ¿es¡rer¡rf¡ encont¡ar un (o) curdrado latino de Explicar. es decir. Suponer que en el hobleme 9. 9. Efectua¡ un análisis de va4ianza en el cu¿drado latino de la Tabla 9-64 a un nivel 0.7 16 D66 Br7 Haga el montaje de un experimento que conduzca al cuadrado greco-latino de la Tbbla 9-55. 2X 2? (D) ¿un cuadrado greco-latino de 3 X 3? . 816 FACTOB 2 c2r 823 416 AL8 ct4 Bt2 ct5 l á18 9. Efectuar un análisig de va¡ianza en el cuadrado greco-latino de la Tabla 9-65 a un nivel 0.64. 9. 9. Montar y solucionar un problema que iluetre el procedimiento en el Problema 9. las repeticionec.05 y eetablecer conclusiones.65. lcAP.63. 9. ¿Deberíen modific¡r¡e la¡ conclu¡iones obtenidas en el hoblema 9.01.338 ANALISIS DE VARTANZA Solucion¡¡ el hoblema 9. De¡cribir cómo emplear las técnica¡ de análisi¡ de varianza para experimentos de tres factore¡ con repetición.66. 9. 9.71. e 9.69.06 y establecer conclusione8.21 hallamos una diferencia significaüiva en los días de la semana. 0.13? Justificar sus conclusione¡. 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 9.69.62 utilizando un niyol 0.67.68.

Apéndices .

.

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

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

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

0005 .0018 .1415 38 .1.16'17 .3668 .8 2.0071 .0270 .2565 .3945 .0009 .1771 .0158 .01?5 .0055 .3802 .0011 .2827 .0620 .331 2 3 4 D 6 7 8 o 0.0008 .1736 .0 0.3011 .3989 .0422 .0065 .3187 .3 IA .9 .0303 .0020 .3251 .016:l .0126 .0003 .0006 0004 .0006 .0099 .5 2.0002 .2444 .1 .0026 .3885 .0012 .1334 .3410 .1 tQ .2803 .1145 .2516 .3352 .0189 .1 .0081 .3847 .266I .1 .0863 .1989 .0104 .156 .3538 .1965 .0084 .3034 .1.6 o.0061 .3988 .002I .2637 .3965 .0878 .5 3.0007 .1 .0940 .3857 .2072 .3467 .3876 .0184 .0002 .7257 .0129 .28i1 .0ri56 .0010 .6 ¿.1 0.0 3.0468 .3932 .0025 .1895 .0003 .058.3429 .0093 .3555 .0003 .0015 .0009 .0047 .0449 .0893 .0325 .01.0015 .2756 .3902 .0775 .r1f)7 691 .0573 .0020 .1435 .2780 .0669 .0001 .3 0.0002 .2227 .1 804 .0203 .0r 36 .0122 .0004 .381 4 .0283 .3939 .0075 .0038 .13 .0018 .3503 .0290 .0734 .3980 .22i5 .8 I.0151 .0396 .0681 .0002 .2 0.1315 .3589 .0909 .2 .4 0.0022 .0154 .1826 .0002 .0363 .0277 .0036 .12 .0562 .0014 .3605 .3230 .0086 .3725 .r023 .2 1.0241 .0025 .0009 .0989 .0001 344 .0067 .0246 .3752 .0252 .0404 .0027 .0005 .0004 .0013 .0012 .0132 .0010 .0498 200 .2613 .0459 .254r .3977 .0028 .0804 .0.3637 .0008 .0005 .0016 .225I .u077 .0042 .2850 .0229 .2685 .3790 .034? .1 .0297 .0019 .00I7 .3986 .237r .0004 .3101 .3739 .3712 .0053 .0005 .24!r2 .7 2.0050 .0088 .0833 .3989 .0017 .6 l.2t55 .3372 .0016 .0379 .¡ 3.r374 .3572 .0i21 .0413 .0355 .3332 .0058 .3209 .06{4 .9 .0040 .00r1 .10?4 .3918 .3956 .0002 .0488 .2732 .0 1.0031 3.0219 .1 109 092 1.2966 .1539 .0310 .0332 .0023 .0761 .8 .0096 .0010 .l 163 .0003 .1 7.0110 .3 DA .2t31 .0002 .0213 .1626 .72i6 .Apéndice B Ordenadas (E) de la curva normal t ipif icada enz 0 I .0848 .0925 .0478 .1006 .0596 .2989 .3521 .3982 .0002 .0002 3.0091 .0235 .2083 .2203 .0048 .000? .0208 .0529 .3894 .0116 .0551 1.3910 .3079 .1040 .I942 .0056 2.3984 .24G8 .8 0.0180 .2709 .0008 .0139 .0044 .0030 -0022 .1518 .0002 .0003 .3391 .r295 .0004 .0013 .0012 .0039 .3989 .Dl éo .1354 1.2513 .0632 .3683 .0707 .0957 .0508 .1872 .07.0101 .0029 .3778 .9 3.0007 .0317 .39?3 .2323 .0790 .0113 .3867 .2295 .:1825 .3925 .3951 .0079 .0006 .3292 .0818 .0194 .0046 .0167 .2317 .0003 .3448 .0004 .0004 .6 2.9 2.0 .l 2.3166 .2059 .0006 .8 3.0339 oe OA .0002 .0003 .1057 .0258 .0043 .2420 .1182 .0519 2. ¡ .0073 .3621 .0033 .1219 .3144 I .2396 .0051 .7 0.0540 .0032 .0973 .0694 .0069 .oI47 .0119 .0171 .2036 .1 561 604 .0002 .0005 .0387 .0002 .0008 .5 0.140 .0371 .0036 .0224 .o024 .1919 .5 1.1781 .3961 .0264 .0014 .1849 .2897 .1669 .2920 .0003 .1758 .3836 .l lJf]4 .0034 .óooó .0060 .1582 .0007 .1127 .3?65 .1 .2589 .3485 .0037 .0003 .010? .2 3.3697 .0005 .327L .3056 .0431 .0063 .2t07 .0608 .3970 .0198 .

6000 3.4999 .1736 .4940 .4319 .4999 .497L .3r 59 .6 2.0793 .4345 .4997 .4999 .4999 .4984 .4990 .1480 .4967 .4961 .4082 .Apéndice C Areas baio la curva normal tipificada de0az 0 0.4842 .4997 .4999 .4990 .1 0.4821 .4993 .1179 .4997 .4131 .2 ¿-D .3790 .4998 .2764 .4484 .4778 .4 .9 1.4265 .4994 .229r .4719 .4664 .1?00 .4878 .5000 .3315 .8 1.4997 .4452 .4591 .4686 .5000 .1L62 .4981 .4943 .4896 .4996 .0160 .2642 .4616 .4994 .3508 .0517 .25t8 .3962 .4999 .4988 .48L2 .2910 .2 1.4699 .2454 .4292 A25L .3599 .4236 .4986 .0 3.4992 .4968 .4545 :4633 .4977 .4959 .1985 .4999 .4979 .4987 .3944 .4998 .4207 .4997 .3749 .4911 .4966 .3485 .4773 .7 2.5000 .4997 .4850 .4306 .6 L.2019 .4767 .0279 .4846 .4906 .4994 .4998 .3389 .4999 .3907 .4946 .4898 .0199 .4998 .3365 .3577 .2734 .4999 .4970 .43?0 .L265 .4996 .4608 .4115 .{o9t .4649 .1 .)( 2.4881 .1368 .6 0.2389 .3 0.4989 .0040 .9 346 .7 3.4875 .4934 .4972 .0359 .3133 .4996 .4999 .0754 .5 1.0 1.0948 .4429 .4999 .3186 .4999 .4474 .4991 .4993 .4066 .4357 .3665 .4999 .1591 .4726 .4854 .4756 .5000 3.1406 .2422 .4 0..3980 .4991 .1772 .4976 .1879 .0675 .4992 .1987 .2580 .4738 .4817 .4868 .0 2.4927 .t443 .1026 .4406 1.4985 .4996 .3461 .4989 .2088 .4803 .2486 .3888 .4989 .4117 .6 3.2967 .3708 .4706 .4986 .5000 .4998 .4834 .4996 .07L4 .4948 .4999 .4982 .0239 .3531 .4979 .2996 .4925 .4949 .4990 .3621 .4995 .4920 .467L .0120 .0000 .4945 .4977 .4904 .1554 .7 0.4994 .5 0.4678 .4554 .3170 .4995 .4995 .4015 .0910 .4967 .5000 .3926 .2 D') 2.3023 .4999 .1844 .0987 .3438 .3051 .4974 .4525 .0 0.4999 .9 2.1141 .4962 .1 .4887 .4279 .4998 .4963 4973 .48(.2t23 .4997 .4941 .45L5 .3 1.2852 .4192 .2881 .4983 .4974 .4909 .4951 .4793 .4984 .1ts26 .26L2 .4798 .4988 .4991 .3849 .4953 .1103 .4995 .1 .3554 .4969 .4999 .4995 .4994 .4382 .4535 .4998 .2 0.4998 .4981 .4998 .4394 .4993 .4997 .4999 .4975 .4332 .2224 .44t8 .4998 .4582 .() 3.4732 .0871 .0080 .4999 .4564 .4808 .2823 .3289 .4980 .4987 .1628 .4993 .8 0.4955 .6000 .2794 .4929 .2673 .2258 .4t47 .4884 .4986 .4049 .1 1 2 3 4 6 6 7 8 I .4656 .487L .5000 .4978 .4599 .4788 .4916 .0478 .4996 .1331 .4936 .2357 .4960 .4783 .4998 .4744 .4901 .3413 .476t .4999 .1664 .4982 .2704 .4999 .0832 .4864 .4932 .2190 .4222 .3106 .4099 r.7 1.4505 .4693 .3643 .4838 .1808 .1064 .1517 .1960 .4999 .4964 .3810 .4918 .4992 .0438 .3997 .2t57 .4998 .3869 .4922 .5000 .2549 .4999 .4 .485? .3830 .4893 .4772 .3272 .5 3.4931 2.4997 .1293 .3686 .4997 .0696 .4995 .066? .4032 .3264 .4938 .4965 .tzt7 .4999 .4573 .0636 .4495 .4750 .4956 .3129 .4830 .8 3.3340 .4890 .0319 .4999 .2064 .3078 .0398 .4999 .4962 .4998 .8 .2324 .444L .4913 .1915 .4999 .4463 .4992 .4625 .3238 .2939 .4999 .

53 2.23 2.ongman Group Ltd.692 .L27 .816 1.257 .L28 .531 .56 2.711 .128 .66 9..96 I7 18 19 .t27 .538 .868 .66 1.s.262 .848 .864 .649 .L27 .76 1.858 .531 t.856 .866 .06 3.727 .325 .39 2.76 2.862 .r29 .686 .630 . Fistrer y F.542 .883 .07 2.32 L.73 1. Stotistícal T¿bles for Bíological.t27 .04 2.L32 .96 2.92 6.t26 .t42 .32 L.81 1.256 .537 .50 3.858 .842 Fuente: R.700 .62 2.645 t.31 1.83 2.szs tse 31.531 .11 3.727 .256 .49 2.07 2.84 2.532 .L28 .06 2.255 .263 .01 2. con permieo dé lo¡ autores y editorea.33 .33 1.66 2.77 1.34 1.42 1.36 t2.876 .33 1.L29 10 11 .32 1.684 .540 .t2s .L26 .061 .09 2.76 2.531 .683 .90 2.256 .563 .?8 .863 6.260 .861 .81 2.677 2.706 .130 .8?0 .697 .128 .534 . Edinburgh).67 1.267 2.683 .626 .83 1.00 1.74L .98 1.42 2.92 2.r27 .694 4 6 6 .683 .584 .79 2.72 1.75 L.35 1.29 L.44 1.08 1.38 1.158 .259 .131 .76 L.72 1.L27 .854 .t3 2.130 .126 .68 L.627 1.7L 4.31 2.256 .61? .896 .A.630 .71 3.45 2.25 3.72 2.254 .879 .257 16 2.36 3.98 2.82 2.88 2.?18 .11 2.686 .60 4.857 .569 .71 L.263 .02 1.L27 .684 .256 .31 1.633 .sgs I .846 20 I.873 .36 3.66 t.t27 .48 úes t.920 .865 .76 2.78 2.57 2.31 .32 L.28 t20 € .70 1.zo t.691 .32 1.t6 2.34 1. . Yate.09 2.30 L.258 .687 .860 .84 4.36 2.20 2.137 .50 2.47 2.256 .32 L.36 1.260 t.539 .3?6 1.257 .6?9 .684 .64 2.3L 2.47 2.685 .77 2.703 .30 3.L27 .46 2.32 2l 22 23 24 25 26 oa 28 29 30 40 60 .Apéndice D Percentilrr de (tr) l¡ di¡tribsción f de Student con z grador de libertad v úss ¿oo t. publicado por l.00 2.76 3.000 .68 .74 1.L27 .7L 1.856 .669 .48 2.54 3.869 .941 .92 2.533 t2 13 14 15 .14 3.906 .688 .261 .96 4.532 .60 2.t2 2.5L 2.134 .30 1.73 1.05 2.63 1.643 1. AgriculturalondMedícol Recearch.689 .686 .L0 2.256 .624 .L26 .90 1.70 1.536 .254 . (previamente pubücado por Oliver y Boyd.255 .266 .530 .17 3.?l 1.688 .62 2.257 .71 t.765 .14 .66 2.856 .80 1.532 .82 2.76 2.33 8 9 .26 2.82 6.18 2. 3 .r28 .03 3.258 r.80 2.31 1.08 2.70 1.861 .258 .94 1.40 1.68 2.06 2.674 .70 1.02 2.696 .L27 .535 .06 2.128 .978 .256 .67 2.534 .37 1.27L .856 .48 2.86 1.04 2.86 2.r3 2.889 .64 1.546 .46 2.289 .277 .70 2.257 .72 2.89 1.58 2.18 63.266 .36 1.L27 .78 2.690 .06 2.zs üeo tso 3.34 1.727 .681 .629 .90 2.62 2.

2 11.O' X.3 22.tl 4.3 61.6 47.9 2t.26 3.6 43.9 26.3 .8 26.07 3.0 r 7.4 32.8 63.4 20.8 45. x?no X.6 24.l 22.0 48.7 2.9 30.3 96.7 26.37 3.64 9.1 28.0506 .0039 .6 12.6 29.9 11.8 38.4 85.9 23.7 28.84 5.0000 .2 28.1 13.3 32.8 40.3 46.0 17.8 67.9 19.6 32.7 46.6 48.6 21.0 19.9 t8.24 1.1 16.11 5.86 11.O tt.472 .E4 6 .2 44.1 52.74 7.3 49.3 17.3 22.L6 2.34 10.0201 .1 16.24 10.7 14.2 74.96 8 I 10 11 4.31 10.3 r6.5 34.3 24.8 20.6 50.8 13.3 18.S.7 34.0 20.0 22.9 35.2 61.64 .7 66.23 5.3 19.03 t.2 '19.6 4.35 7.6 22.60 3.6 40.3 14.362 l.0 11.7 99.1 27.5 20.7 37.2 26. Pear¡on y H.20 2.1 ttz r26 13? 64.0 17.69 2.3 23.01 5.0 71.49 2.3 17.4 L02 113 rt2 t24 136 98.63 8.57 4.60 5.3 89.2tL ..1 37.6 28.01 7.8 18.66 8..9 43.6 36.6 20.39 2.3 61.26 6.87 6.6 32.35 6.? 42.3 82.3 11.24 1.6 28.3 5. x'.7 7.9 34.6 24.8 9.6 43.66 2.6 38.07 4.3 16.73 2.2 t3.66 5.103 x?.9 13.6 19.2 18. xlo.59 10.56 9.94 4.L 80.4 69.3 67.o 22.0 26.7 18.3 29.25 7.0010 .0100 . .8 t7.8 67.8 20.? 37.0 23.6 26. con permieo de lol autore¡ y editoree.2 12. x?o".23 8.554 .2 11.3 53.6 19.3 18.2 10.63 ?.3 I 1.3 49.58 8.8 43.6 14.34 9.8 34.0 69.1 12.7 23.2 88.5 96.3 26.04 10.4 100 t2.2 6t.9 1t.63 7.4 34.78 9.3 69.23 5.2 14.3 20.4 29.9 68.r7 2.0 14.0 33.L 30.2 38.8 48.8 16.3 16.6 9.3 30.7 73.8 70.57 6. Biomelr:iha Tobles fo¡ Stotitticíane.34 1.6 23 24 25 26 27 28 29 30 40 60 60 70 80 90 100 41.3 2L.3 13.70 3.0 44.3 29.7 76.8 14.684 1.O.1 10.872 L.9 L6.4 31.t7 4.4 13.0 4L.7 14.7 26.02 7.6 46.3 71.9 40.56 3.1 19.99 7.6 92.2 11.6 25.3 59.4 3.8 14.3 26.7 12.9 20.7 33.8 30.1 t2.7 29.3 23.7 23.3 73.3 35.0 13.3 61.8 28.L 2l.88 10.gg x?rn y2 ^-00e .90 6.2 46.0 t2 13 18.8 16.81 6.8 32:0 33.9 12.4 86.57 t.6 32.1 10.989 1.6 90.6 33.6t 6.35 5.34 8.3 39..7 37.25 5.0? 5.6 r3.1 90.4 63.3 X.116 .6 17.E 42.1 31.3 28.90 27.0 104 116 l4 16 16 to.6 14.7 25.5 43.8 14.6 31.1 27.3 27.6 13.3 99.39 6.7r 4.8 26.7 60.6 2L.2L6 .4 32.38 9.1 13.0 L07 6.7 47.79 t4.09 2.8 14.9 63.8 44.5 16.26 9.32 2.2 66.2 59.3 42.0 27.8 13.4 40.3 32.7 28.102 .4 23.91 7.3 12.2 37.6 46.6 L2.9 18.D'ID r.70 6.8 36.7 22. 3 4 o I .L4 6.8 79.3 16.1 37.2 35.06 1.6 16.6 61.58 6.5 24.4 42.83 3.57 7.6 109 1r8 130 t28 140 t24 149 Fuente: E.2oo¡ xlo..06 3.9 11.6 88.81 9.2 29. páginas 187 y 188.7 18..3 45.0 27.7 7L.8 24.67 9.89 6.2 16.8 t7 18 19 20 2L 8.9 34.5 33.1 39.4 37.2 36.7Ll 1.61 2.44 9..7 16.3 49.6 56. 347 .40 6.3 27. Vol.92 2.7 16.6 74.2t 11.04 7.30 7.15 1.77 4.6 .2 29.8 12.7 38.9 39.3 2L.07L7 .1 .3 49. 1(1966)' Tabla 8.3 18.1 41.26 8.8 24.45 4.2 94.1 45.6 36.5 20.1 8.3 10.Apéndice E Percontilas (¡f) de l¡ di¡tribución chi-cuadrado con u grados de libertad v x.1 12.26 7.6?6 .831 .67 3.1 40.43 8.82 4.455 1.6 108 118 8.5 16.3 t6.291 .3 13.0002 .84 9.73 3..0 x2ot x'"0 .4 43.6 46.6 30.6 tt.41 ?.4 35.89 10.3 69.0158 .49 11.8 55.4 83.9 48.6 61.39 10.4 16.2 31.0 16.6 54.91 9.4 16.3 79.2 62.7 2t.7 39.26 6.207 . Hartley.6 36.4 40.6 12.4 12.6 22.33 3.484 .36 4.6 15.9 40. t3.0 36.30 r6.9 17.3 15.2 24.18 2.t 31.1 77.6 66rB 56.6 79.6 41.6 24.9 29.54 L0.2L 1.0 62.3 13.8 t9.63 6.2 67.1 DD.

76 1.L2 9.45 8 I l0 11 5.16 6.79 3.59 5.98 1.37 3.59 6.76 1.97 2.96 4.24 2.00 I.r7 4.90 2.96 4.92 2.79 1 a^ 1.L2 3.t0 | 4.61 2.47 1.rL 2.45 2.92 1.67 4.66 5.94 2.7r 2.42 3.12 2.01 1.05 2.78 2.4 19.90 2.70 2.21 4. S.2r 2.09 2.84 1.l I D.01 2.85 2.01 2.05 4.34 3.30 L2 13 14 15 16 L7 18 19 20 2.22 3.69 1.84 2.56 2.06 2.08 3.36 2.5 19.80 a.05 2.50 3.5 9. página 178.49 2.60 2.03 4.33 2.8z r.79 t.90 1.03 2.75 1.37 2. parr le di¡tribución F u1 grados de libertad en el numerador /2 gfados de libertad en el denominador ><.47 2.46 2.17 3.r7 2.49 2.85 1.53 2.40 2.34 2.88 4.92 2.06 t.28 2.15 3.76 2.19 2.94 1.74 2.43 2.14 3.39 2.49 2.11 3.66 2.07 3. O.92 1.3 4 o 6 I 19. l'.85 6.39 6.LL 2.87 r.44 3.80 t.62 2.84 1.81 t.02 r.L0 2.99 1.35 2.7 4 2:28 2.39 t.r8 2.35 2.54 2.27 3.57 2.25 2.03 ¿.09 6.91 1.42 2. Pear¡on y H.77 L.35 2I 22 23 24 25 26 27 28 29 30 3.r2 2.91 1.t2 4.33 3.35 4.76 4.93 2.58 2.09 3.64 8.30 2.29 2.66 1.43 1.25 2.75 2.68 4.84 1.23 2.40 2.46 2.28 2.00 3.31 2.61 19.01 2.t9 2.27 2.34 2.50 1.48 2.32 4.20 4.L9 2.96 5.84 40 60 t20 t.70 1.77 4.93 1.87 1.37 2.65 2.L3 2.03 1.01 1.97 r.84 4.6L 2.2r 2.87 3.41 5.85 8.25 2.83 t.90 1.65 1.57 2.61 2.6? 2.99 5.52 j 3.92 1.95 2.21 4.01 2.69 1.84 3.09 2.46 2.26 3.31 2.87 2.30 2.97 1.29 3.85 2.96 2.55 2.55 2.93 1.73 4.94 1.23 2.93 2.32 2.7l 1.53 3.78 t.68 t.68 3.82 t.62 2.20 2.16 2.r5 2.8L 2.62 4.81 1.96 1.06 2.88 1.7L 6.00 3.65 2.84 3.40 4.07 2.06 2.08 2.26 2.37 2.28 3.16 2.98 2.51 2.88 1.84 1.13 2.71 2.35 2.07 4.4 19.91 3.46 2.35 7.0r I | 4.26 6.99 1.83 2.58 2.Apéndice F Porcentila 95 (nivele¡ 0.60 3.34 3.86 5.85 1.45 2.75 1.20 3.L5 2.22 2.29 2.70 2.33 2.69 4.54 4.01 1.26 3.20 2.41 3.64 2.40 2.6? 3.95 1.06 4.79 2. (1972).22 2.07 1.59 2.88 4.97 3.90 1.80 2.99 1.69 3.57 2.9L 2.95 4.35 2. Eiom etriho Toblec for Stotíaticianc.76 2.4 19.84 1.?0 1.61 I.(}51.38 3.r9 2. .74 4.38 3.74 8.6 10. 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.L8 2.60 2.37 2.07 3.60 2.84 2. con perrniro de los autoreo y eütorea.04 6.93 1.96 1.25 2. Tabla 5.59 1.73 2.45 2.20 2.79 3.32 1.46 1.35 3.79 L.t0 2.70 I 2.86 1.34 2.64 3.49 2.92 3.89 8.94 8.27 2.12 3.82 4.4 19.60 4.83 2.rL 2.53 2.94 3.r3 2. Hartley.04 1.76 1.lL 2.23 2.54 2.77 t.87 3.1L 2.32 2.53 2.96 1.07 3.L2 2.38 2.96 2.00 2 Fuente: E.27 2.39 4.68 2.59 3.89 1.16 2.46 2.41 2.68 2.74 2.28 2.7l 2.56 4.44 3.01 8.23 4.64 2.92 1.60 2.25 2. Vol.48 3.73 1.72 5.t6 2.42 2.43 4.94 1.02 1.6L 2.?0 8.4 19.22 1.89 1.71 2.22 2.08 4.40 2.15 2.01 2.08 2.47 3.15 4.84 1.5 19.95 1.32 2.26 2.5 19.46 2.82 2.01 4.57 3.74 2.01 1.46 4.3L 2.92 4.39 3.tl 2.69 2.34 2.94 1.20 2.63 3.1 7.64 1.70 2.25 2.28 4.L8 2.12 2.4E 2.57 8.18 2.89 2.18 3.66 2.37 2.62 8.87 t.09 2.38 2.63 2.5 19.81 8.98 2.5L 2.86 2.76 2.29 3.04 1.DD 1.13 3.04 3.44 2.24 2.96 t.66 8.98 1.86 3.56 2.42 2.07 2.11 2.61 2.49 3.04 1.53 2.89 1.85 2.06 2.0s 1.38 2.63 5.42 2.91 1.76 2.84 3.42 2.50 4.91 5.64 2.5L 2.0Q 2.4 19.30 2.45 2.2q 3.53 2.44 3.79 2.24 3.43 2.20 2.75 1.4e 3.22 3.48 3.53 4.66 2.62 2.L0 2.80 2.98 2.96 1.19 4.27 2.39 2.66 2.24 2.74 4.3 19.35 3.36 2.18 3.36 3.67 2.03 1.57 r.62 2.59 2.30 3.46 2.62 1.23 2.2 19.54 2.67 t.63 6.69 5.32 2.38 2.34 2.10 2.L6 2.02 2.07 3.7L 2.54 2.30 4.96 2.49 4.58 3.18 2.28 3.69 3.95 2.58 1.71 3.75 4.2L 2.29 2.5 19.10 2.41 3.42 2.77 2.51 3.0L 1.18 2.31 2.93 5.14 3.g¡.59 8.28 9.99 2.81 2.66 2.27 2.?3 3.77 2.81 3.87 3:70 3.83 2.05 4.2 19. ¡O 5.77 2.34 2.85 2.64 2.74 1.23 3.10 4.t5 2.78 2.79 8.49 2.?9 r.4 19.55 8.90 2.53 r.53 2.41 3.00 5.24 2.90 2.L5 2.47 2.

33 8.29 3.33 3.53 3.L7 4.29 8.25 4.46 3.87 4.21 2.3? 3.78 9.46 3.46 2.86 3.5 34.99 b.1 7.44 4.29 7.54 5.37 4.5 13.11 6.7 10.88 7.56 5.02 7.87 2.94 4.65 3.07 5.38 2.40 3.99 5.07 3.0 9.37 3.36 6.02 2.3L 2.63 4.40 4.0 15.02 3.6 5981 6023 6066 6106 615? 6209 6235 6261 6287 99.88 5. Tbbla 6.63 4.32 2.3 14. Hartley.21 3.07 4.3 28. 3 4 o 6 .S.56 3.51 3.23 6.39 3.23 5. para ls di¡tribución F v.67 9.20 2.20 4. con permirc de lo¡ autoree y editoree.78 3.74 2.78 3.07 2.l 11.64 3.31 3.16 3. Biomeúiho Toblec for Statbücbnc.67 6.43 3.70 8.41 3.61 6339 6366 99.26 3.22 4.69 3.09 3.12 3.89 3.20 4.54 3.70 3.93 2.71 3.81 4.4 11.00 2.04 3.r7 3.49 5.19 5.46 5.t4 4.2r 5.46 7.89 3.26 4.01 3.33 4.86 8.47 t4.3L 6.62 2. F. l4 15 16 4.47 2.Ll 2.59 3.80 3.09 2.75 2.59 6.70 3.66 2.2 14.75 3.84 2.68 3.85 4.13 3.67 2.74 6.45 3.18 3.40 6.L2 1.97 6.52 3.0s 1.76 3.59 3.57 t2.26 4.42 2.69 2.11 6.74 4.29 6.44 4.35 2.10 3.46 2.93 6.66 99.3 10.89 4.82 4.4 13.54 t7 18 19 4.64 2.7 10.39 2.31 2l 22 23 24 26 26 27 28 29 30 40 fó 4. gFados de libertad en el numerador v2 grados de libertad en el denominador x1 I 98.75 2.0 30.91 .39 4.30 3.8 99.46 6.35 3.1 13.01 .5 9.01 3.3? 3.86 1.21 3.t4 5.56 6.91 6.6 13.23.86 2.84 2.52 2.16 3.31 9.87 3.47 5.17 3.07 4.2 13.93 3.52 3.03 3.011.39 4.11 2t.89 4.5 10.31 7.64 6.94 2.66 2.b8 2.36 2.87 6.3 L2.63 3.10 L2 16 20 24 30 40 60 L20 @ 4062 6000 5403 6625 5764 5859 99.38 1.47 6.67 3.l 8 I 99.50 2.65 6 .94 3.6 9.64 3.01 5.40 4.91 5.03 3.93 z.7 99.02 7.32 4.20 4.58 4.66 4.66 2.65 2.54 4.02 6.43 4.62 3.2 29.tL 3.04 3.28 4.4L 2.00 3.80 3.26 3.68 4.ó 16.66 4.57 2.55 7.42 5.60 4.60 6.0 10.00 2.86 4.03 2.18 4.41 9.16 3.99 3.10 6.56 4.82 4.34 4.02 7.43 3.96 I 10 11 .19 11.95 4.72 7.41 3.18 3.APENDTCE F 349 Percentila 99 (niveles 0.6? 3.o J 2.54 2.88 2.80 5.03 2.84 6.2 99.16 5.54 3.63 8.81 6.99 5.66 3.03 2.4 27.4.7 27.4 99.00 2.?5 8.04 4.66 6.15 8.72 7.17 3.72 4.ó9 3.5 26.5 26.45 7.55 8.26 2.56 4.12 3.51 3.70 6.78 3.9 9.64 4.37 5.98 6.17 4.32 3.2L 3.60 3.06 4.4 27.49 2.08 6.60 '7.19 2.36 4.56 2.6 14.7? 7. .26 6.50 4.2'.10 4.30 3.31 3.06 6.38 9.61 6.55 3.94 3.94 3.36 3.62 4.2 16.92 2.9 99.63 5.r3 2.08 3.10 4.00 3.42 6.7 14. 3.17 3.99 2.70 2.63 6.62 5.2 ?.54 20 9.79 60 2.96 3.üb D.42 3.?9 3.8 10.26 4.31 4.86 4.36 3.94 1.40 8.28 4.31 3.49 12 13 6.66 2.60 3.5 26.30 3.13 3.95 1.95 5.60 1.03 1.95 7.sz 2.88 2.61 4.43 3.60 4.3 27.42 4.32 5. 8.65 3.34 3.12 4.36 2.29 2.83 3.51 3.40 2.46 3.13 2.52 4. 2 (1972).30 4.85 7.78 3.19 l0 99.94 3.18 8.8 99.71 3.4 27.5 26..65 8.77 4.92 2.68 8.89 3.70 2.7 16.63 2.08 3.22 5.47 3.78 2.3 8.92 2.49 2.64 4.82 7.67 5.03 5.76 4.23 3.45 s.25 3.67 2.07 6.98 2.18 3.64 7.L4 5.4r 5.2 18.65 9.93 4.2 9.42 3.29 2.23 2.80 6.89 4.90 3.t7 2.83 2.09 3.3 13.4 99.15 2.36 3.89 7.48 3.10 3.96 4.?0 1.72 6.60 2.66 2.16 3. Vol.L4 4.61 o.59 1.30 7.26 3.4 9.37 2.59 3.7r 4.82 4.72 5.41 2.50 4.O.22 3.67 4.90 2.69 3. Pearron y H.2L 6.68 2.76 1.oD 8 ?.0 16.01 1.2 9.68 99.1 a.oo 7.44 2.01 6. 3 4 o oot 28.63 3.86 6.76 2.20 2.10 2.se..73 7.33 2.78 3.72 2.4 26.06 2.96 2.85 2.35 4.00 2.6 10.72 2.42 2.4L 4. página 180.35 4.72 5.18 5.r 26.5 26.62 4.68 7.51 s.1 6.9 99.86 3.25 4.7 13.10 8.78 2.74 4.30 3.06 4.31 4.84 2.56 6.00 t20 Fuente: E.81 3.86 3.58' 2.5 14.99 6.09 3.96 2.39 6.L2 2.84 9.80 2.0 9.

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

66. pz=7-.RESPUESTAS A PIOBLEMAS SI. (c) 1/(1¿). (a) (3r +2\/(6r*3)para0 5 ¡<i t¿l lsu+Z)/(6u*3)para 0 = a = | 3.83'.\klzk+t(k+ll I qeiab co)/ao 3.E4. 3. 3. p¿=35 (b) pr = 0. pi= Al=0. ps: -5.'PLEMENTARIOS CAPITULO 3 3./m/L8 (d' \rzssñ8 (e) -9L/32a (Í) -sr/235 4 tb) 4/\/35 -t/tst¿. (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 3.5e.74. 3.ezt\/zt2 (D) p = 4/3. (e2ia-Zie2ia-ll/"2 (a) (¿) (¿) Lr/144 (bl rr/L44 1c¡ t/iJttz (¿) (¿t) \/-LUr2 (e\ -L/L4a 0 -!rr 1 .62. (a) (a) 2/3 (b) 2/3 G) aB 7/a (c) @\ Als 3.72. (o) (a) 1 (b) I (c) rla (c) 3.5 3 (b) r3n/6 (a) 35112 @\ (ü \Elm.54. p3 =-L2lll60. Ft=2. 3. 3.64. 7/0 (ó) 6/5 3. pá: t6/5. 3/2 n (b) -2e/6 Lla !4 3. Fz:3/80. 3.6E. 3. <1 (ó) p = l./3s12 3.43.68.69. 3/2 (bl 3e/4 (a. 3. 3.ó6. 3.46.44.47. 3.79. 3.50. (a) 1 lb) 7 (c) 6 3. pn=33 (c) (bk+r'st<+r)/(k* 1Xb-o) peiaa (sen (ó) [1+(-1)k](ó -a. ú= (a) h=0. (a\ l/2 parae>O (b) lParay>0 . pl:L L6/3 3. pi= 2.82.57.77.55. 3. pí= 2.E1. Fz:5. 3.78. (c) 315 3.67. pí=0. 3.7 3. pí=1.62.61. yí= 6.60.\ +(et/2+e-t/2) = cosht (ó) p=0.45.E0.48. 3. 3. 10. nx=lE (al (a\ (ü) Var(X)=3/80. (o) 1 (b) (o) Var(X)=5. i¿l p4=230718960 2a 3.65. 3. (o) (f + 2te2t . 3. 3. o*=1/t5/ZO 4 (b) 2 (c) .(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) \. 1e/10 (¡t') 6/6 a/3 @ 1 \Ng 3.

358 RESPUESTA"S A PROBLEMAS SUPLEMENTARIOS 3. (a) x Var (Y lX) 0 5/S I 416 2 (ó) Y Var (X I Y) 0 I 2S/36 2 24t49 3.1)/4 (c) 16/81 3.118.109.116.121 . t"l . . (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 3.100. (o) (c) 8/16 1-+y'3 (bl v2 3.8/2 (ü) 1/3 (c) 0 .120. (¿) 1/y'5 3.5 02. (a) r 2 0 (ó) 8(21/2-r)/L6 (D \. (a) 3. (o) no eriste (ó) (c) 3 -1 (c) e-z *0 3. (o) 3. (a\ L 3.114. 3. (¿) 3.eziarlznl u) 12/6 3. (o) (a) 3.###parao < nr 5r 3.89.123.o)/6 (a) -7/27 (c) 2(et-l-t¡¡¿z -Z(e--l-ü¡¡"2 (e) r/136 3. (bl 3614 (1 @l atg (b) 2/e L (c) * 2te2t - e2')/2t2 (el -2\/fr/r6 (d) -(1 + zibe2ia .127.119.ze-t (D) no existe (al 2(\F-Ll/3 (b) L6t7 2 0 2 7/3 r/3 2t/2 (b) e 3. (o) (ó) ln 2 (D) I 3.L22. ffiParao rle (b) 1 6x2*6n*L s r:< I .126.103. (b) 2415o (ü) e (al (a) (b) 6/e (b) 1/18 (c) (et * 2e2t + Sezt)16 (d) (d) (eto + 2e2to + 3e3.[o ) 3.124.105.10a. (o) 3.91.90.e2. (d) 1- (1/\. (a) (b) r/4 (b) 0.94. (o) 1 I (ü) (ó) (y'3. (a) 3. 3.10E.05r 3. (al 3.113. (o) 0.r/r-tsnflo) (ó) \F@i @ tlfr.1or.f 6/9 7lr2 o 3. (o) 1 3.85. (o) (c) 3 (ü) 3 3.125..17 (c) 0.

86 (c) 2.4232 (o) 0.0658 4.93.2991 (c) (o) 0. 641243 25 (c) 500 4.67.1342 0. (a'¡ 6L. 4. 4.5.69. 4.15 (b) 0. 4.8?67 (b) 0.0079 0.6826 4. 359 CAPITULO 4 4.3% (a) (o) (a) (o) 1.0687 0.76. 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 4.626 ó 0.63. L93t5t2 (a\ @) 32/243 (bl re2l243 k\ a01243 (dl 2421243 42 (b) 3.7t.s27 1. 4.6 (b) e (b) 72. (c) (p) 0.224r (e) 0.a7% 4.61.78.05610 (b) 0.08 (d) r.E1.91.6404 (d) 0. 4.06131 .t"/o 0. (o) 0.80. 4.e265 (d) 0. 4.550 (c) -0. 4.0567 (b) 0.76.89.9962 (b) 0.73.7% (al e5.2241 (d) 0.5976 (c) 0.68.9500 0.I RESPUESTAS A PROBLEMAS ST'PLEMENTARIOS .9495 (b) (ó) 0. 4.75 (b) -1.1008 (c) o. (a') pl (b'l npq(l - 6ps\ * 3n2p2q2 -1.0286 (d) 0.0838 (b) 0. 4.0089 (o) (o) 0.7% (b\ 54. 4. 84 (bl 8.66. 4.726t (/) 0.64. 57/6a Q\ 2r/32 (b) (ó) 4. 4.4 (¿) 0.0668 (a\ 20 (b) 36 (cl 227 (cl (d) 40 @) 15% 4.0154 (e\ 0.049?e (ó) 0.85. (al93% 4.9198 (c) 0.87.4% (bt 23.90 75. 0.74.84.849 (e) tt.82. 4.03?5 0. -0.0% (c\ 93.t9.2511 (b) 0.1127 (dl2.92. 11/16 (dl 518 (a\ r7lL62 (a\ (a) 5/16 (c) 4.G¿s 4. 4.66.77 (c) 0.0?86 (c) 0. 4.E6.62.E3.1680 (/) 0.995 0.03eb .90. 4.77 (a) npq(q (o) 1.1494 0.7123 0.E8.

oi : 6.3 (d) (d) 55. (a) 2.0918 (d) 0. (o) sx = 22.0620 4.81 (bl2.r2o. (o) B0.008 = oz.13?. ('f) (l?)/(l?) (iSX?SXtt) sla 0 (b) (ó) (ó) (ü) l(¿ocoxzoc2ol+(4oc'l(nctsl* (qoc)(ncnl)taoczo 4. (a) 4.49.L27.16 5.s a8.00248 (b) 0.861 (. (a) (d) (el 2.6e64 (/) 0.136.62 (b) CAPITULO 5 (c) 0.160? (d) 0. (¿) 4.000948 (ó) 0.) 4'106' (c) 4. (o) 0.1 4.48 4.2 zr. (a) L22.40 oz. (Q 4.55.58 5.s 20.47 (c) 9.r03.008 oz oz (ó) (b) pX pX = 22.gs (e) z.03 (¿tl 2.50.b9 84.4972 (ó) 0.0e (c) (c) (c) (c) 1.53.0 (b\ 4. o* = 0.0228 (c) 0. (a) ?0/429 (b) l/143 (c\ L42|L4B 4105 (. 0.ro9.166 6. 82S\fe (b) (ü) (b) 2(b-al4/6 e/5 113 6.136. (o) 5/3888 (b) 5/324 4.40 o¡ ligeramente menor que 0.75 2. (a) 237 22.138.40 oz.0000 . Ll4 aJLa.2 (c) (c) (c) 2B.8164 (ó) 0. (a) 9.60 3.0 (d\ 2.8b2 (e) 0. (a) e.84 (d) 4.64. @) 2.101.7 (b\ 4. 22.1b82 (c) 0.94.r y 26. (a) 0.130.BB (d) -0.4 ft\ *e-tn -1"-.005? (b) 2 (c) ninguna (dl 24 6. - 2.1? v 7!r= !4. o* = 0.34 2. @\ 4.111.? 3/4 16. (o) e.2 2s6. (a) 0..0 (d) 8.00g oz oz oz.360 RESPUESTAS A PROBLEMAS SUPLEIVTANTARIOS 4.tr2.L29.Lo4.0 (b) 4. (a) 201.l 86.5 (b\ 4.. (a) 4.35 L7e.47 (c) e.L32. (a\ 3/4 . (a) 0 4.r?r.2 4l.o rí.3/8 4. (a) (ile)/Q?) .00J8 (d) 1. (c) p.9544 5.L4L.04462 (c) 0.2 (c) suponiendo áreas iguales en las dos colas.000295 4.8 68. ¡2.rr3.128 (d) -1.62.s? 4.73 -0.128.829 1. (a) 1.4O 0.76 1.1033 (c) 0.s5 z.71 (ó) (b) (b) 1. (a) 0.51.68 2.75 1.ro2.B 4.L26.0 (b) (b) 4. (a) r 4.LB 4.t : 5.

9596 (c) 0'1161 .. 5.1.00 6.0006?6 pulgadas (b) 72. 5.9t. (al 4018 6.73.0482 .6% (il 0't ts.?4 lb I 2 (d) 126 0. 0. 0.106.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 5.01.49 (c) 0'28 5. 6.0064 (c) 0'4504 5.0136 0.0026 6.. (¿) (o) (¿) (b) (b) 0.0 s ?9 5.0028 (b) 0.6% = 0.2160 (b) 0.?9 0'0228 lb (b) 0. (ó) 38. 501.60 5.166 ó 16. 80Eo.6 (fl @) a6% 100 (horas) (s) 62/a00 (h) 25. 11. (o) ñ = 2. (c) 0.105.33? 6.76.6.t7.104.tO.60 1'.93.59. 0.65.326-0:328.26 5.90 5.01 (b) menor que 0.00496 pulg.20% ton.01 y 0. (o) 0.o% 78.101. (@) 0. 5.00?? (ó) 0. .?33 (c) 0. 99.10 5.01 (c) menor que 0.74.t1 5.326.2 6.60.60 0.0. (b) 0. (o) (o) (ó) (ó) 11.9 lb 5.1841 (cl (o) 118.06 pero máe cerca a 0.96.003 pulg.81.5E.. 5.67 0. 1199.91?2 6.66.47 (ó) e = 5.63.a84 5.72642 pulgadas 26.01 (b) entre 0. 5. (a\ 2.113. 12. 0. 8. O. (c) 146.3265.50?. 6.8 lb.99.33?6 pulg.e5.3204. 5. (o) 10.100. 86 5. 5. (¿) 0. (o) 0.6 (d) 10995. .86 (ó) (c) -e1 (d) 63 . 0. . 5.94.0316 5. .09 tons.7349 pulg. (ó) 0. (o) 0. (a) 82 6Jo2.111. (c) 0. 5.0.62. .82.108.11 5. 5.36 (ü) (ü) 0'17 0.49 0. (a) menor que 0.7L. (a) 2 6 6 (b) 996 (b) (c) 218 12 5.92.56.97. (o) 0.LL2.3%' 99. (a) ?99 (ü) 1000 (e) (c) 949.8664 (c) 0. 78 á.01?9 5. (a) 24% (b\ rL% 5.33f0.0019 (ó) 0.1o9.72.7o. (a) 5. .E6.L6 (ü) 0. (c) 0.0% 76 5.3226. 46 (@) 0.8869 28.76% S.68.3196. 6.323-0. (o) 5. 0. 6 0 -1 (ü) 40 4 6 (c) (c) 288 (d) (d) 2188 (b) 0 26.1%.322.

09 t 0.30. (o) 1.115. Las estimas de las media¡ de la población son 1200 hora¡ en todos los casos.?3 onzas onzae (ó) Z.?0 * o. 0.09? (c) 0. 0. (q') (c) e2.118. (o) (b) 105.493e (b) 5.6.112 .96 onzas t t I 0. 0.82.09 t 0.94 Laprimeradistribución (a) la aegunda (b) la primera 5.86 lb reepectivamente 6. (o) 9. 6.2 (d) 7158. 60 y 100 tuboc son respectivamenüe.35 (e) 26.045 0.22. -0.25. 6. (a) 0.74 5.0586.38 (hl 22.12t.5 lb (b) 0.tu.7.u (o) al menos 323 hr (b) al menos 560 (c) al menos ?66 (b) 1. 5.5 horas. L9. (d) 032642 a 0.L2. 1193.¡'TARTOS 5.0696 r¡¿o 560 (c\ r.2344.39. (b) 0.124.116.000072 pulg. 0. (o) 0. 6. (c) 0. 6. 6.70 t 6.030 eegundoa (D) 0.126.2 (b) 0. (o) ?8. (a) 0.29.11 (ó) 0.0090 CAPITULO 6 e.43.362 ó.34.9?. rn2= 5.?0 r 0.2464 (b) 52.e5 5. (a) 1200 hr 6.131.72642 t 0.16 onzas 0. 0. 2.09 t 0.298 0.69 I 0.33.4 hr Las estimas de las desviacionee típicas de la población para los tamaños de muestra 30.24 tons.000085 pulg.38 384 (b) al menos 221 (c) al menos 666 (d) al menos a 1.72642 + 0.073 i 0.125.049 segundoe 6.18.045 6.20 (f) 7.40. ó.4 4 (i) (il 706. n4= 0 -0.?8 y 0.36.3?. 6.38 I (a) 0. 101.18 tons.72ti42 t 0.298 t 0.127. 0. (bl 0. 0.36.000095 pulg.130. 6. (a) 5.128.122. (o) al menos 96 (ó) al menos 68 (c) al menos 16? (d) al menos 225 900 (o) al menos (o) 7.12 hr t 0. (o) 0. (o) 0. ms = 0.88.r5 (c) 0.2 106 (ü) (b) 8. m1 :0. tb9 5. 0. = -3.123. (b) -4.41.0? (b) 0. 26. 7 RESPUESTAS A PROBLEMAS ST'PLEMEI. 6.31. 42 5. (o) 0.38.84914 6.41. (a) 6. 0.28 (b) (s) ?8e.0 y 100.72642 + 0.62 6.68 a 0. m1 = 0.546 2.129. (a) 11.000025 pulC.97.428 24. (¿) ffiz: 0. m1- 89.22 0.117. (ó) 11.36206.7.24 lb2 (c) 0.82 0.1 ó. -1r7.000060 pulg. 101.38 (a) ?.0ab t 0..Se (ó) ?.07 t 6.62 r 0.00002b pulg.241 7.53743.

269 (o) 0. ?. r = .5 a CAPITULO 7 7.00 (ó) 13. en ambos nivelea.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 363 6.64.1 a 148. (a) 63..52.63.05.58 e 2. es 7.56. (c) Aceptar la hipóterie ¡i las bola¡ rojac extrafdas esüán ent.0 4802 (ó) al menos 8321 (c) al menos 11.8 t 0. (a) Aceptarlahipóteeissilasbolasrojarextrafdasestánent¡e22y42 rcchazarlaencasocontrario.138 a 10.60.4E.05 en ambos en!¡ayos. (o) t¿.50.69.259 a 5.68.58.9 6.66.45. 6.944 (b) 0.51.24 249 onzas lb (ó) 63. El re¡ulüado significativo al nivel de 0. (a) al menos 87.15 6.6 ¡ a 1g0. .250 6.58.458 a 4.2606 7. Sí. (b) Se puede rechazar la hipótesis d nivel de 0..673 a 2.7O.9 1?0.05.ó4.01 en (o) ni en (b).70 (b) 0.99. 139.62.1 a 140.46. (Hi p> 0. (c) 106.6 horas 2400 ! 59 libree (b) 87.Bb 6..) (e) t2. 6. 86 lb (b) 1800 t 328 lb (c) 1800 t S82 lb 6. k = -lln - (ct.65.9a1 a 2.6% 105.5 (ü) 102. 7.654 a 1.61.49.69.519 a 7. (a) 0. (a) (IIe: p=0. 6.5). -= 3' 2tritl "'+r3l 6. (a) 95.8 l: 0.70 6.02 (a) 0.78 (b) 0.4 horas hora¡ horas (b) 78.1 horas 6.67.(b)0. .79 kl) t2.r. 2400 t 45 librs¡.8 horas 6. 7 No se puede rechaza¡ la hipóteric al nivel de 0.20. 0. mediante un ensayo unilateral en ambos caso8. (a) 6. I _ ()rr)/r¿ 6. (b) Ensayo unilateral.5 horas (b) 88.8 (b) 0.17. 7. y se acepta en ceso contrario (o no se toma ninguna decisión).lre 24 y 40. (o) No se puede rechaza¡ Ia hipótesis al nivel de 0. Se puede rechazer la afirmación a ambos nivele¡ mediante un enaayo unilateral.06 (c) t2.5). 1. (d) Rechazar lfe ei se extraen más de 41 bolasrojas. 7.1 a 288. rechazarla en caso contrario.?41 a l. (a) 1800 t 6. kt') 0.63. (o) a 230.31 onzas 6.06? a 1.ó2. (c) Rechazar 116 si se extraen más de 39 bolasrojasy acept:ula en caso contrario (o no tomar decisión alguna).14 (a) 0.

50.36.t9. El aparente incremento en la vai'iabilidad no es significativo a ninguno de loe dos niveles. [.El' 7 Un ensayo unilateral muestra que el proceso no debe inhoduci¡se si el nivel de significación adoptado es 0.5.05. no 7.6.78. 23. 7. 7.98.01.tO.05 pero lo es al nivel 0.6.99. (b) Un ensayo unilateral muestra que I no ee mejor que A al nivel de 0.81 ln 7. Mediante un ensayo bilateral al nivel de aignificación de 0. 7. f (x) = T. 7.63 onzas 7. 21.84. Las frecuenciae esperadac 8on 1.05. 7.06.96.0. ?. 7.71.96 onzas (D) 8. 13 y 2 respectivamente. 5. f (r) = aC"(0. 7.2. . Un ensayo bilateral a ambos niveles muertra que el producto no cumple con las especificaciones.6.1. 9. 53. Un enrayo unilatetal a ar¡bos niveles de aignificación muesha que la marca B es superior a la marca A.7. 7.7ó. la¡ frecuenciae esperadar son 32. 66.06. 7. 39. Un ensayo unilateral muestra que el nuevo fertiliz¡¡¡¿ superior a ambos niveles de significación.1.RESPUESTAS A PROBLEMAS ST'PLEMENTARIOS 7. 14. concluimos que el primer grupo no es superior .9.?.7 respectivamente. No podemos concluir que la primera varianza 8e¡ mayor que la segunda a ningún nivel.8E.0 respectivamente.7 Un ensayo unilaüeral muegtra quc la diferencirr e eignifrcaüive eB al nivel 0. Un enrayo unilateral indica que no disminuye la media a ninguno de loo do¡ niveles. pero debe introducirse si el nivel de eignificación adoptado e¡ 0. 7. 7 (a) si (ó) no .87. 4.l0l.64 + 0.86.94.20. (o) Un ensayo bilateral indica que no hay diferencia en la calidad de fabricación al nivel de 0.4.76. ?. (o) 6 (D) 4 7. (o) t 0. 15. E aparente decrecimiento significativo al nivel 0.05. pero no al nivel 0. 7.05.01.4.32)r(0. 4.9.0118 (c) 0 (d) 0 (e) 0.E5.77.79. es ?. es 7.3rL2 8.83 onzae (c) 8. bilate¡al muestra que no hay eúdencia s ni¡guno de los do¡ nivdes de que la duración media haya 7.6t)l-r.2. Un ensayo cambisdo.6 respectiVamente. 49. (a) 0.e0. 13. al eegundo.1 y 1.82.ae frecuenciae esperadas eon 1. 7. no ¡e deduce que haya diferencia de acidez.64 1 0. 7.01. pero no lo e¡ con un ensayo bilateral. 12.1 y 0.1.34. Podemos conclui¡ que la primera varianza es mayor que la regunda a ambos niveles.3.05 pero no al nivel 0.A1 \¡¿ - lar frecuencias esperadas con 108.0.?. Las frecuenciae eeperadas son 41. 7.0.73. Un ensayo unilateral rnuestra que a ambos niveles el contenido -nedio en cobre es más alto que el señalado en las especificaciones. 7 . 11.E3.2. 43. 60. E resultado es significativo a este nivel con un enar¡yo unilateral. Concluirfamos que el resultado no común al nivel 0.1O0.2.72. 3.7. Mediante un ensayo unilateral al nivel de eignificación de 0.6.0118 7.64 (ü) 0.01 . y 4.4.e5.7 respectivamente. 0.7 y 0.

7.3179 (con conección de Yatea) 7 . 7.L72. .103.06.139.109.05. 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 0.3863.132.05. No hay razón para rechazar la hipótesis de que las monedas ¡ean hon¡adas. el re¡ultado er significativo al nivel 0. No puede concluirse que la marca A 7. (b) El ajuste es bueno pero no "muy bueno". La hipótesis puede rechaza¡se a ambog niveles. (a) 0. 7. Mediante un ensayo unilateral. (o) El ajuste 7.118. No hay razón para rechazar la hipóteeis a ningún nivel.114. 0.05. 7 .105.RESPUESTAS A PROBLEMAS SI'PLEMENTARIOS 365 7. ? . ) Un ensayo unilateial al nivel 0. 7. La hipótesis puede rechaza¡se a ambos niveles.106. ?.05. La hipótesis no puede rechazar¡e al nivel 0. 60. 1. La hipótesis puede rechazarse al nivel 0.11f es es significante al nivel 0.124. La conclusión es la misma. (o) El ajuste es muy pobre al nivel 0.10? .1L7 .01' 7. ?. bueno (b) no (o) El ajuste es "muy bueno".2205. (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). No al nivel 0. 0. (b) (b) 7. ?. El proferor nuevo no sigue las miemas nortnas que los otroe.116. 7.06. esto es consistente con el Problema ?.1985 (conegida) (D) 0. (o) 7. ?.L23. 7.728. Igual conclusión.0.t25: 0.05. La hipótesis no puede rechaza¡se a ninguno de los niveles. La hipótesis no puede rechazarse a ningfin nivel. (o ) 10.110. .05 indica que á tiene una mayor proporción de bolas rojas que B.0872.05 pero no al nivel 0.133. La hipótesis no puede rechaza¡se a ninguno de lo¡ nivdes.129. Puesüo que la dietribuciónbinomialdaunbuenajustedelosdaüos. (c) si no si no (c) no (c) no ?.LO2. 7 .104. 7. La diferencia ?. (a) 0. (a) Un ensayo bilateral al nivel 0.113.115.138.13?. sea mejor que la B d nivel 0.465t 7 . (a) (b) (c) no ?.05 no rechaza la hipóteris (b de proporcioneo igudes.109.06 pero no al nivel 0'01.108.0738 (corregida) 7. (b) El ajuste es pobre al nivel 0. tul e no (b) 10 si (c) 10 (d) 8 7.134.

(a) z = 3.IBB72 616 8.107.6606 (ü) 0.89 * L. -0.89.21 0. (o) E. (¿) 0.111. (o) (ó) 2.60 (ó) 1.1 E.14(10)0.46¡r*l 8.304 (ü) 1.5t*3.r3. (o) 0. 0. 37.138 t a 0.448 8.500a (cl r = 2.r10.108.91¿6 y y 0.00 t _1. (¿) t 3.6 E.20(r-B) +0. (o) (ü) t.E0.29y 8.151{" ¿O ó U -92. (a) 0.71.s72 80. 0.84. (o) 8.13 + 0. Mediante un ensayo unilateral no puede rechazarse la hipótesie. (b) a = 29.6tly E.7l4r (b) "=t*lu 10. ft (d) Bg? (b') A=32.408 + 0.0 a 19.0 t 8. (a) 8.109.968 (b.?8 + 1.00 6 r= (¿) 1.99.69.0 8.4 si no no si E.24.ss56' 8.68.000 + 0.398 (ó) 192.81.5 (b) (ó) g?.66r * 2.14(L.70.112.96.115. r¡o¿ = fi -o.21r*O.9?.8.64y 8.08?86 o¿ (ó) (c) t?0 ft.77 y -.0 4.8r*12 (b) r= 0. (a\ u=-i+í" 6 u=.87.00*1.Z. u = 6.66. (o) v=0.60 (ó) 17. B.79.188 ¡ (c) r32 8.40 6 A:32.?600 y 0.96.113.6 1.?801 y . (o) 1.80 E.67.661¡ (c) r = -14.9818 8.64.60 8.096 o * 0. - 1. 75/p 8. (a) 0.?3S(n-B)2 6 41.88. =0.0 t 5.2 (c\ 182. 2.) 1.20 E.8861 1 t.8961 (b) u = 8.oooo t 0. (a\ 0.00 8.rz 8.6t-t. (o) 1.14¿0.r1y (d) 7g 95 t.9927 8. (a) 24.28 (o) (ó) Mediante un er¡rayo unilateral puede rechazaree la hipóteaia. (cr.24 (b) 8. (b) d 8.2928 y 0.0 a (b) B?.126s 'y 0.90.?961 y (ó) 0. (c) 37. (bl u = 4.74.366 CAPITULO 8 RESPUESTAS A PROBLEMAS SUPLEMENTARTOS 15o 8.gBB+o.85.E6.szos 8. (a) 3.1r4. E.427Y 61.s912 (ó) 0.9 2.00 (c) ?.6633 1.92. (a) 0.

42*2.38. 9.116.4653¡z. 9. Igual al hoblema 9. 9. llay una diferencia significativa en neumáticos y automóviles al nivel 0.dondeyeslanatalidadpor1000habitantes.129. 9.01. No hay diferencia significativa en los sitios o fertilizantes al nivel 0. CAPITULO 9 9.33. (c) si no (ó) 8. .32.(b)y:722.128.6158 E.01.9254 y 0. una diferencia significativa en rendimiento a ambos niveles. Igual al hoblema 9. Hay una diferencia significativa en el tipo de maíz pero no en los suelos al nivel 0. (a\ 20.27.3?. 0. 9.7096 y 0.16-0. No hay diferencia significativa en fertilizantes o suelos.01.35. 415 8. Hay una diferencia significativa en los sitios pero no en los fertilizantes aI nivel 0.23. (o) u = 3.33 r .40: No hay diferencia significativa en neumáticos o automóüles al nivel 0.05.01 . 9.05.L27.34.05 pero no al nivel 0.30 pulg. una diferencia significativa en operarios pero no en máquinas.130.31. 9.36.7 y 173.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 367 8. de julio de 1950 (d) 142.4 libras 8. 9. una diferencia significativa en sus calificaciones a ambos niveles. No hay diferencia significativa en los métodos de enseñanza o plantelesal nivel 0. 9. No hay diferencia significativa en operarios o máquinas. Ilay 9.7 (e)1977 1o.1083¡*0. Flay una diferencia significativa en los métodos de enseñanza al nivel 0-05 pero no al nivel 0. 9.9653 (D) 8.¡es5añosconorigenen julio de 1935.4f.l31.25. No hay diferencia significativa en el tipo demaíz o suelosal nivel 0. No hay diferencia significativa en el color del pelo o estatura.26.44. No hay diferencia significativa en neumáüicos a ningún nivel.05.11?.24.125. flay 9.4547 8.43.oy:107.01.deenerode1954.36 lb 3. 0.38. 9.9*4. 0. 9.05.0. tlay 9. (b)y:18.6402 si la unidad 8.42.lgxsilaunidadxesLl2añoyelorigenesel ¡ es un año y el origen es el 1o.4 (b) 116. una diferencia significativa en marcas al nivel 0.38x E.43. No hay diferencia significativa en operarios o máquinas. 8.120. llay 9.66.126. 9. 9.39.

4E. No hay diferencias significativas debido a sitios o fertilizantes. No hay diferencia significativa en los puntajes de I.62. Al nivel 0. pero no otras dife- ' ltray diferencias significativas en tipos de cables pero no en operarios. 9. fuual al hoblema 9. No hay diferencia significatirra en tratamientos a cualquier nivel. 9. ltray diferencias signifrcatiyas en especies renciag signif icat ivas. . sílo son. 9.66. significativas debido a los sitios pero no a los fertilizantes. llay diferencias 9. al nivel 0. C.ó. llay diferencias 9.52. 9.Q.3.47 No hay una diferencia significativa en rendimiento escolástico debido a diferencias en estatura. 9. B. 9.368 RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 9. pero hay diferencias debidas al I. y canüidades del primer compuesüo químico.54.61. No hafl diferencias significativas debidas a los factores o tratamientos. 9.49.45.Q. FIay diferencias significativas debidas al factor 1 pero no al factor 2 o tratamienLos A. máquinas o fortaleza de cables. color del pelo o Iugar de nacimiento. pero las debidas al LQ. 9. No hay diferencias significativas debido a los químicos o s¡tios.46. 9. 9.05.55.Q.64. 9. significativas en los puntajes de los exámenes debido al estado veterano y al I.63.54.01 las diferencias en los puntajes del examen debidas al estado veterano no son significativas. No ha! diferencias significativas en los puntajes de los estudiantes de diferentes partes del país.

78 diseño de experimentos. 237 dispe¡sión. 2ó8 94. 1O9 relación de la a la distribución normal. 316 diseño experimental. 183 de la distribución binomial. 21 1 desigualdad de Chebyshev. 213. 246 muestral. 267. L28. 10. 2a5'247. James.2L6 área bajo la.310.169 negativa. 115. 127. 217. 259 típica (uéose desviación tíPica) desiación media.97-99. 31 curtosis. 117 ¡elación con la chi-cuad¡ado y t. | (uéase también conjuntos) columna de conteo.3f6 bloques aleatorios. 118. 142 relación de la con la binomiál negativa. 333 cociente de inteligencia. 30. 321. 269 ensyo chi-cuadrado Pua la.129 distribución exponencial. 347 como caso especial de la distribución gamma. 309 media y varimza de la.242. 295. 85. 22O. 1 13. 117.112 219. 306.237-239 aleatoriedad.213 Bridae. 11O á¡eas bajo la. 129.118 propiedades de la. 33O cuadrados latinos.322 para experimentos de dos factotes. 345 tipificada. 92- curua cuadrática. distribución gaussiana. 316 27 distribución binomial negativa. 163 decilas. 315.315. problema. 114. 9. 136. 118. 3f6-321 clasificación tríp¡e o factor tres expedmentos.86. 119 distribución ¡'. 268 r23 aproximación de la dist¡ibución de interl¡retación probabilfstica de la.297 teo¡ía muest¡al de.333 para experimentos de un factor. 118. 216. 2. 109.263 covuianza. 266 (véose tom' bi¿n conelación y reg¡esión) curva de potencia. 306-338 fórmulas cortas en el. lO9 (véase tomb i¿n distribución no¡mal) distribución geomét¡ica.112. 284. 108. 112 de Ia distribución normal. Bernoulli. 246. 81. 297 distribución de Bernoulli (uéose distribución binomial) distribución de Cauchy.269 cunas de regresión no lineal. 6O.78. 295. 244 264. 218.135-137. 11. 316. L27. 26 4. 85. dewiación. 109 de la distribución de Poison. 83. 263. 184 categorías. l. 177. 47. 291 26r. 232-236. 27.316-321 aproxirración de Stirling a nl. 13 conjuntos bien definidos. 266. 47. 1 conjuntos disjuntos 3. 1 18 distribución chi-cuadrado. 100. 116. 344. 115. coeficiente de.163 centroide o centro de gravedad de los datos. 82. 168. 3 dimensiones o unidades. 297 poblacioml. 3 264. 317. 1O8. 26O clase. 11O. 230 coeflcientes binomiales. 116 reJación de la a la dist¡ibución normal. 258-3O5 gradual. 239 propiedades de la. 234. 40 control de caüdad. 232-236. 108 bloques. 118 distribución de Poisson.244 cuwa nomal. 23. 9. 23A. 99 (uéase tombién distri' bución normal) áreas bajo la. 2a6-2a7 . 133 . coeficientes de. 47 para el caso disc¡eto. 264. 219. 349 distribuciones gamma. 9. 1 51 contado¡ Geiger. 217 convoluciones. 263. 25-2 7 análisis de v xianza.348. Só. 19ó coeficientes de correlación múltiple. 134 cuilas cdacterÍsticas de operación.26l múltiple. 220. 263. 248 curuas de aproximación. 82. 56-60 pua el caso continuo. 139. conelación y reg¡esión üneal perfecta. 94. 225 análisis combinato¡io. 112.97 dist¡ibución binomial. 34ó cu¡va normal tipificada.11-13 teoremas sobre.244 conelación. 316 bondad del ajuste. 217. 1 17 moda de la.324 el. 117. 263. 21 diagramas de Venn. 258 relación de la a la distribución norrnaI. 118. 7L. 78. 268 generalizando. 265-267 coeficiente de correlación lineal. 316. 84 ajuste dé datos por la. 83. 139'141 teoremas sobre la. 119- 310. 247 332. 1 conjuntos medibles. ' dife¡encia de conjuntos. 254. 25 coeficiente de conelacion. 316 püa de tres factores. 258. 2L7. 116. 46.311 aleatorios. 117. 342 axiomas de probabilidad. 164. 5 completa aleatorledad. 248 decisiones estadlsticas. colección. 11. número desigual de obseryaciones en 312-315 experimentos conjuntos. 135 teoremas sob¡e la. 315. 2 constante de Boltzmann. lO. 268. 264. E4. 321. 11. 28L-284 ensayo de tripótesis y significación para el. 221-226. 13 2. 344 curua parabólica. 6 conjunto nulo.lndice Ajuste de datos po¡ distribuciones üeóricar.281-289 tabla. 133. 29G 292 correlación gradual. completa. L24. 134.246 Datos agrupados. 138. 26 4 coeficientes de confianza. 11. 143. 306- continua a la derecha. 264. 177.2A2.2 conjunto universal. 345 ordenadas de la. 61 disÉibución beta. 130. 112 clasificación simple o experimentos de un factor. 328. 12. cuenteo. principio fundameotal de.294 generalización del. 24 complemento de un conjunto.243.145 ajuste de datos por. 8ó decisión. 296 Poisson a la. 224. 296 independencia y. 112. 144 cont¡ngencia. 4 conjunto vacÍo o nulo.L28 relación de la a la distribución de Poisson. 2 (uéose deteminación. 92-94 teoremas sobre la. r97. 316. 319. 267. ó conjuntos iguales. 311. 135 distribución bimodal. 46.118 distribución hipergeométrica. 2ll. curua de ajuste.293. 198.37 Cambio de variables.28l-244 fórmula p¡oducto-momento para el.324 cuadrados ortogonales. 161. 118 valores de Ias percentilas de Ia. 1 77 combinaciones. 89 282 diagramas á¡bol. 88. I29 aproximación normal a la. reglas de. 112 relación de la a la distribución binomial. 111 r34 distribución de Pascal. 46 casillas. cumplemos. 3 1 5 altamente significativos. 82 cuadrados greco-latinos. 26+ 246 püa datos agrupados. 97 también varianza) dewiación tÍpica. 197. 115. 115. 1 (uéos¿ también conjuntos) clases y frecuencias de clase. 31ó álgeb¡a de sucesos. 163.125. 264 curyas OC. 1l uti¡izando p¡obabilidad. 3O7. 24O. 116 cuenta. 31O. 217. 6 conección de Yates para la continuidad. 332.320.

164 distribuciones de probabilidad. 118. 115. 22L- experimentos de un factor. 2L9. 222 escalera flor. 40. en téminos de varimzas y del coeficiente de conelación. 161. 157 función de densidad normal tipificada.249 distribución nonnalr 109-1 11. (pe¡cepción ext¡as€nsorizlr.214 püa pequeñs muestras. 113 distribución Maxwell. 194 estimas por intenralos. 162 distribución multimodal. 36 función aleatoria (uécse vuiable aleatoria) función beta. 162 de difetencias y sumas. 83. 231 experimentos de clasificación doble (uCose experimentos de dos facúores. 159. 4 esperanzar 76. 48. 1ó espacio muest¡a] finito. 38. 2L9. óo conti¡uas. 295. 178 (uéo¿e 213 mediante la distribución f de Student. 194 (uéate estimas insesgadas) toñbién mediante diferencias de medias. 119 distribución muestral.178.282. 306-31O. 263. 238 bidimensional. 164 acumulada. 137. 237. 81. ó2 de funciones de vuiables aleatorias.2A6 224 espacio muestral. 4 espacids muestrales continuos. 266. 113 experirnentos aleatorios. 265 77 38. 6 enfoque clásico de probabilidad. 16-321 225 la.61. 80. 43 teoremas sobre la.312. 4 espacios muestrales inflDitos contables. 346 media y vaianza de la. 313-315. 26ó también esperanza) estadfstica Bose-Einstein. 221-226 mediante proporciones.2La. ?7 muginal. 198. 2L4. 194. 109 propiedades de Ia. 261. 163.263. 194-210 eficiente. 161. 4.2t6 ¡elación con la teorÍa de estimación.ent. 8l totales.¡ecuencia marginal. 194 estimas po¡ puntos. 213 ensayos de una cola. 262.279- 164. 113. 216.266. 39. 61-63 distribuciones co¡iuntas. 117. 213 para va. 111 distribución nomal bidimensional. 263.226-228 mediante diferencias de proporciones. 299 er¡ores del tipo I y del tipo II. 260. 162. I76. 44. probabilidad de. distribución f de Stud. 82 distribuciones de frecuencias. 2ó9.294 fómulm de Euler. 133 distribución Weibuü. 3 7 Fisher. 13ó función de densidad para la. éxito. 213. 42. 4 46.267 formas igualmente factibles. 241 3 mediante medias. 260 elementos o miemb¡os de los conjuntos. 186 estadlsticos muestra¡es. 184 de medianas. 54 de sumas de variables aleatorias. 44. 199 insesgada (u¿ose estima iDsesgada) estimas de máxlma verosimilitud.201 esti¡nas insesgadas. 216 para coeficientes de regresión. 142 distribuciones condicionales. 163. 231. 179 relativa.) distribución porcentual de frecuencias. 16ó. 297. 117 relación de la a la chl-cuadrado y F. 118. 94. 36 E.226-22a mediaate la distribución chi<uadrado. 38.215. 162. 163. error típico de la (véose ettot tfpico de la estima) estimación. 262. 81. 77 espermza condiciona!. 290 estima.47 disc¡etas.A. 28t. 83. 25. 160. óó estatura de padres e hijos. 260 ejes. 212. 44 . L4l 11 8. 157 de dewiaciones típicas. 84 distibución uniforme. 1ó chi-cuadrado y. t7l enfoque a posteriori de Drobabilidad. 124-127 ajuste de datos por la. 343 función de densidad. 236 mediante la distribución normal. 138.179 distribuciones de frecuencia ¡elativa. 163. 216 Fermi-Di¡ac.370 media y vaxi^nza de la.244. 43-46. 138.274. 112 de la distribución normal. 6 fórmula de inve¡sión. 17?179 acumulada. 279 efectos de bloques. 1Og de la distribución de Poisson. 310. 266 para vrimzas. 39 (uéase tambíén funciones de distribución) función de distribución conjunte. 132. 293. 164 f¡ecuencias elementales. 194 estimas sesgadas. 289. 164.171173 de medias. 41 distribuciones de probabilidad discret¿. 342 función característica.4. 196. 2t6. ó3. 31 1 experimentos de Mendel. 3 Ecuaciones norraales pua la recta de mfnimos cuad¡ados.39.pua el coeficiente de correlación. 198. 4ó para valiables aleatorias dlscrets. dualidad. 45 función de densidad conjunta. 326 función de distribución acumulada. 324-327 variaciones pa¡a. l6 3 frecuencia relativa. 194 estimas. 113. definicid¡ de la. 262. 99 de la distribución binomial. 63. t¡ansformación Z de. 114. 84 distribución multinomial. fó8.293. 162 INDICE efectos de tratarniento. traslación de. 64 293. 314.196. 4 espacios muestrales no disretos. 198. R. 287.22L. 5. 81 ble. 286 fórmula producto-momento para el coeficiente de cor¡elación lineal. 267 3-2L5. 14. zLl. 16G162. 296 derivación de la. estadfstica (uéose estadís- tica Bose-Einstein) e1e x. 4O. 94.268 pua grar¡des muestras. mediante la disúribuclón F. 41 conjunta. 214. 194-2LO. 111 teo¡ema de la unicidad para le. 114 relación de la a la disEibución binomial. 91.139-141 ¡elación de la a la distribución normal. 220. 198. 289. 194 e¡aor tfpico de la estima.6 286. 76. 44 va¡ianza pa¡a. 164 acumulada. 311 notación paa. 86-E8 condicionel. 141 probabilidad. 156. 6. 35 estadfstico no puamétrico. 117. 223. 77. 6 ensayo chi-cuadrado para bondad del ajuste. 110 espermza matemática. Futl. 178. 92. 164 distribuciones de fiecuencia acumulada. 116. 267 pua valores predlchos. 44 dis¡etas. 98.. 158. probabilidad de. 162. 156. 218 frecuencia porcentual. 297 f¡ecuencia observada. 6 enfoque a priori de p¡obabilidad. 215. 47 interpretación gráfica de la. 4ó. 14. experimentos de dos faetores. 311 distribución t Student) 163 acumulada. 5 enfoque uiomático de ptobabiüdad. 44. 1O8 expamión multinomial. 341 fracaso.160. 218. 1ó7. 199. 286-287 . principio de. 312 efectos de lnteracción. 1?3-176 de varios estadísticos. 117 disribución trimodal. 266. 243 ensayo de bipótesis y significación. 168- de ¡elaciones de vuiauas. 217 ensayos de dos colas. 1O8 expansión binomial.229-231 2L con repeticiooes. 5. 117 teoremas sobre la. 43. 159. 52-56 continuas. 273. ó1. 81 fórmula de Spe¡man pa¡a la cor¡elación gradual.S. 29A espacios muestrales infiniio no conta- fumión complementaria de error. 312 Einstein-Bose. 16ó-168.177 enfoque de la frecuencia relativa de 308. 264. 4 espacios muesfales discretos.P. 290 . 52 distribuciones de probabilidad condicional. 285.216. 212. 1O8 . 3O8 error tfpico. estadfstica. 211267 estimas no eficientes.277 para el plaao de regreslón de mfnimos cuadrados. 2r9. 77 (uéose dos. 269. 27 O. 2L6. 261. 1 de proporciones. 49. distribución de 2t6.lores medios predichos. 2 interacción en el. pua variables aleatorias contfuruas. 206. 157.294 pa¡a la püábola de mlnimos cuad¡a- teoremas sobre. 2I9. 259 estimador insesgado. 276. 92. 306 Fistre¡.318 de vuianzas. 41 de funcit¡nes de vadables aleatorias. 119. 297 e¡rb¡ o residuo. 267. 160. áreas bajo mediante relaciones de varianzas. 278.

266- 4t.D. 212. 94 función escalera. 178 moda. 69 para datos agrupados. 177. 8 3O7. 11 método de mínimos cuadrados.234 pare propo¡ciones. 47. 21?. 13 Iey distributiva. 205. 2 pea vErian¿as. 41. 96.INDICE función de probabilidad. f16. 3. 96. L22. 79 intenalos geml-abiertos o dos. 308. 112 la distribución F. 2 núme¡os ¡eales. 198 dist¡ibución de muestreo de la. 196 población finita. 158. 85. 3. 26O intetsección de cotiuntos. 63 función de Drobabilldad coqiuDts. 39 condicional. 164. 95 para las pruebas de Bernoulli. L78 I paradoja de Russell. 342 27. 206 modelos matemáticos.49. 1ó8. 183. ó6. 159. 123 de la distribución chi-cuadrado. 217. 13ó de la distribución d€ Poisson. 342 función gamma. 42 para variables aleatorias discretas. 179 acumuladas. 55. 269.2O3 para relaciones de vuianzas. 83. 2O2. 80 teoremas sob¡e la. 47 para conjuntos. 195 lÍmites fiduciales.164. 312 g¡an total. 1 polÍgono de frecuencia. 3O6 de de de de medias de grupo. l2 computación de la. 114. Ojivas. para el análisis de la varianza. 159. 224 niveles de significación.5 probabilidad condicional. gran media. 117 la distribución normal. 195.P. 196. 227. t71. 76 de una muestra. 97 medias de fila. 84. pea conjuntos. 350. 54. \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.Q.179 ojivas porcentuales. 96.219. 183. 6 suma de los pa¡a la distribución chicuad¡ado. 163. 1ó5. lf l.266 pe¡mutaciones. (uéqs¿ rectas de mÍnitnos cuadrados) método y fórmula clave. 312. 44 371 molécula de gas ideal.166. . 45. 217 gráficos de control de caüdad. 19ó. 1. 1^O. invuianza baio üanstotmacióD. ll. 156. 1óó. 2 lntcnalos de confianza. para la convolución. 2. 61-63 conjunta. 197. 1ól momentosr 79. 76.165. 84. 136 gráficos de control. 199-201 grupo. 2. 48. 292. 342 fórmula de recunencia ptala.179183 momelltos centüales. 162 no unicidad de la. 177. 194.342 función gene¡atriz de momentos. 156 196 Ley asociativa. 171. funciones de densidad marginal. LS7. 343 central. 45. 110 eomplementaria.5ó marginal.313 ? probabilidad. 6. 5ó. 84. 3. 277. 27 . 269. 163. lO9. 39. 171. 313 polÍgono de frecuencias 179. 3 ¡ey conmutativa. 44. ó4. 352 números complejos.312. 308. 156. 27-23 población. 111 21 E inte¡ralo semi-intercuütÍlico. 11? de un conjunto de números. poker. 23O inferencia estadística. 126. 3O6 medias de tratamiento. 117 modelo matemático lineal pua el análisis de va¡ianza. 43. 203. 164. 96 de la dist¡ibución beta. f96-202 L44. 164 operaciones de coniuntos. 306. aproximación de Sti¡ling a. 13 lÍmites de confianza.221 experimental o descriptiva. 86. ó8. para datos agru- Gas ideal.45.272 función error. 179-183 la distribución binomial. potencia de un ensayo. 1ó1 grados de libe¡tad. 204 para medias. 40. 164. 164. 198. 196 muestras aleatorias.241 hipótesis estadísticas. 1 (véase también conjuntos) prábola. 2 logúitmos comunesr tabla de. f 56 alrededor de la media. 342 fórmula asintótica de Stirling pa¡a la. 351 loterm. 1 56 independientes. 268 para vuiables aleatorias continuas.297 miembros o elementos de un coqiunto.237. 1O9. 155. 1r6. 8O. L21 Jacobiano. 199. 97. 155 población binonial. ó3 niveles de confianza. 197. I 55 integrales de Fourier. 17? niedia. 1O9.293 medidas de centralización. 12. 19ó nivel de significación. 184 teorÍa de correlación y regresión. débil ros) (ué¿se muestras independientes. 341. 206 semi-cerra2dO. 1 método de expansión. 21 hipótesis. 85. 6 moneda b-omada. 96. 156 tamaño de la. 165. 123 la distribución de Poisson. 184. 259 método de comprensión. 113. 26L. ró9 población infinita. 81. 163. 32 parámetros poblacionales. 224 tabla de.23O Herencia. 26. 1ó6.268 funciones de probabilidad marginrl. 44 g¡andes muestras. 8O función monotónicamente creciente. 177 muestreo. 157 media total. 83. 39. 155 aleatorias. 79 alrededor del origen. 79 condicional.S. 266. 79 momentos condicionales. 47. 117. 112 de la distribución normal. 1ó8. 46. 3Oo funciones de distribución marginal. 342. 84. 311. 89'91. 194-206 para diferenciás y sumasr 196. 84. 211. 38 marginal. 264. 89-91. 11ó.. 4O función factorial. 158 I. 196. 76.50. 1ló de la distribución F. 163. 2O4. 44. 15ó. 13 en los zucesos. 3 inteivalo de clase. 3O7. 259 para curvas. 243 pua paábolas. 76. 156 población multinomial.22O.¡los abierto y cetrado. 1 44 pe¡centil¿s o valores percentüa. 45 funciones de distribución. 84. 200 número. 276. 1O función paso. 85.44. 49. 156 parámetros de la. 213 números rleato¡ios. grupo control. 159 normal. 80.297 198 para rectas. 156. 163. 1 7-2O función de la. para la convolución. S.98 de la dist¡ibución binomial. 86 Marca de clase. teorema de la unicidad pea la. 111 de la distribución ú o de Student. 84 (véose también media) media muestral. 217 259 236. 48 probabilidad de causas (uéos(f teorema teoremas de la. 157 media ditmética.84 Papel gráfico de curya normal. 94 moneda cargada. 306. 311 mediana. 43 4O 268. 195 (uéose tambíén lÍmites de confianza) IÍmites reales de clase. 1 56 partículas radioactivas. ensayos de. 40. á1 lÍnea real. 97 mejor cuwa o recta de ajuste. 241 tabla de. para la convolución. 97 medidas de dispersión. 2t3. 1á6 con o sin remPlazamiento. 36. 6 muestras. 2+2. 166-167. 37 Poisson. 6r 3 ley de los grandes números. 8.249-292 n factorial. lnteÁ.312 ordenadas. 18O- población normal. 221 experimental o descdptivo.97 (véase tanrbién esperanza) pados. r23. 259 ir¡tetcepto. 98 integr¿les especiales. 309. 214 histograma. 186. 99 pe¡cepción extransesorial (udase E. acumulado. (cociente de inteligencia). 47 Pata conjuntos. 211 (uéase tombián ensayos de hipótesis y significación) hipótesis nulas.) mÍniinos cuadrados.

variación total. 263. 30. 242. 29. 112 de la distribución f'. 1O9. 2a7. 3O8. 79. caso donde s . 15 sucesos elementales. 5. 1O8 variables aleatorias dependientes (uéose variables aleatorias independieDtes) vaiables aleatorias discretas.98 serie de Taylor.262 vüiación explicada.2ó9 coeficiente. 7. 263. 38. 81 transformación Z de Fishe¡. 271 referencias tipificadas. 266. 259. 38.3il1 Taylor. 131. 1?9-183 vriable independiente. 269. 111 de la dist¡ibución t. 45. 160 esperanza de Ia. 262. 3O7. 266. 112 de la dist¡ibución normal.78. 223. 25 Unidades o dimensiones. región de. 26-27 231. 21 variación.284. 26O. 297 tammo de la muestra. 3O6 triángulo de Pascal. 8O ¡acte¡Ística. 212 ensayos de. 46. 2ó9 Sec¡etaria. 23a como una función de valor real. 158 de la distribución no¡mal. 266. f91.2a5 vatiación residual o aleatoria. 306. 48. tabla de. va.259. 117 muestral. 79 tipificadas de. 143.37. 108 pruebas de Bernoulü. 79 vriables aleatorias con distribución Be- serie". probabilidad empírica.272 318 grados de libertad para. 97-99.239 problema de la aguja de Buffon. 2a9. 2O1 t¡ansformación de Fourie¡. 1 I O región crltica. 1 14 independientes. pda la función generat¡iz tos. 164 dist¡ibuciones de la. 5 condicional. S2 sin dimensiones. 262. 11O v&iables aleato¡ias dist¡ibuidas uniformemente. 15 utilizando el análisis combinatorio. ó2-56. 151 teorema de unicidad. 8O sesgada a Ia derecha o a la izquierda. 237 . 3 significación. 43 t¿blas de clasificaclón doble. 111 vuiable estocástica (véase vuiables valores exponenciales. 262. 324-321 residuo. 269 vdiables-transf o¡madas. 82 veiables aleatorias normales asintótica- ley de los grandes números paa 109.244 representación gráfica. 292-294 cov^rianza. problema de los.111. 8O dist¡ibuidas binomialmente. 291) universo del discurso. 2AL. 78 unidades tipificadas. 242. 63. 158. 131 prueba del. 1 ilceso imposible. 68 proporciones. 64 probabilidades.123. 30. 26O. 217. 226 . 31 1 entre y dentro de tratamientos. ó. 198 rectas de mÍnimos cuadrados. Tabla de probabilidad coniunta. 289 ecuación.158. 311. 263. 6 suceso seguro. 14.273 en términos de varianza muestral v teoría de muestreo exacto. 281. ó-7 sumas es¡reciales. 79.262 27 a. 269. 26? traslación de ejes.4 Recorrido. 4. 29O curva. 26I intersección de.161 veiables aleatorir nomalizadas. 2ll (véase tombién ensayos de hipótesis y significación) vaiables aleatorias con dist¡ibución Cauchy. 161. 37 serie de Fourier. 64 gráfica. 17-2O. 79. 195 valo¡es de tendencia. I7 -2O. 262. 326 diag¡ama. 264.124 las. 3O9 regresión múltiple. 46. 38. 115 cuadrado. problema de la. 284. 322-327 tabla de c. 15-17 p¡obablemente significativos. 212. 49.318 múltiple. 249 de vaiables aleatorias distribuidas normalmente. 270 va¡iables aleatorias. I 1 O pila distribuciones conjuntas. ó sucesos. 81 transfomación.97 semi-intercuartr-lico. 13O.284 relaciones no lineales. 114 1ó8. 3f 3-3f 5. 196 tigmpo de reacción.27l uperf icies. 259. 97. 112. 22O. 254. ? sucesos independientes. 341 ¡elación con las dist¡ibuciones t y F va¡iables aleatorias con dist¡ibución Gamma. 131 teorema o ¡egla de Bayes. 264. 194. 216 var\anza muestral. 1 subconjuntos p¡oFiós.2a2. 165. 11 1. 216 como segundo momento. 264. 3O7. 258. 31O. 89. aleatorias) 2 2 241. 279 unión de conjuntos. 46 scesos mutuamente excluyentes. l94 sÍmbolos de inclusión. 3O9 ent¡e filas o tratamienúos.266. plano. 164. 79 distribución de las. entre columnas o bloques. 266. 26A. dist¡ibución muestral de. 317. 78 va¡ianza combinada.317. pa¡a la función ca- vaiables aleatorias independientes. 79 pados. 26 2 teoría muestral de. 281. para un conjunto de números.2a5 vaiación no explicada. 259. 4.63 vüiables aleatorias no relacionadas.49. grados de libertad 311 métodos cortos paa obtener las. 9. 243246 tablas de frecuencia (uéose ta¡nbién distribuciones de frecuencia) variables aleatorim distribuidas binomia¡mente. 85.114. 8 cálculo de las. 266. 48 función de densidad de.159.6O teorema del límite central.lores esperados de las. 6.249 computación de la.245 en análisis de varianza. 83. 265.39 vaiables aleatorias continuas. (véase v atianza muesüral) continuas. 20. 123 de la distribución de Poisson. 81. explicadas y no explicadas. 258 punto muestral.85. 39. 213 región de rechace. 311 tratamientos. para datos agrucondicional. 212 regla de Leibniz para la de¡ivación de una integral.116 función (uéose función de probabilidad) geométrica. 151 82 seguridad.2a4. I O8 distribuidas normalmente. 7. 352 293.38 discretas.94 de la distribución binomial. 6. 27 8. 262. 85 sesgo. asignación de las. 3O9.287-289 transformada inversa de Fourier. 266. 49. 156 temperatura Kelvin. 37 subconjuntos. 312 regresión.260 pua vriables aleato¡ias distribuidas binomialmente.82 de momen- mente. LIL. 1O8 vuiables aleatorias distribuidas de a- cuerdo con la dist¡ibución Poisson. 260 variaciones. 260.285 recta. 78. 266.experimentos de dos factores. invarianza bajo. 289. 263. 49 ¡éplicas. 1ó8.2a4. 6 algunos teoremas importantes sobre la. 183 de la distribución binomial.372 o ¡egla de Bayes) concepto de la. 3O7 para . 117 de la distribución muestral de medias. 52-56. 67. 161.161:171 prueba de Bernoulli. 289.86.81. 41 INDICE sobres. 9. 242. 27 I relación fineal. 195 desconoce la. 113.294 vaianza. 2t9. 5O con distribución dg Poisson. I 18 tablas y distribuciones de frecwncias de doble v&iación. 311. 50 papel gráfico. 85. 266. 48. 130.2O2 interpretación probabilística de. 29. 50 dist¡ibuidas unifomemente. 63.110 vüiables dependientes. 22O tablas de con¿ingencia. 38 variables aleatorias de la distribución de Bernoulli.88. 1Og de la distribución de Poisson. 176 velocidad efectiva (¡ms). 63 no conelacionadas. 1lO va¡iables aleatorias adimensionales. 45. 261.115 variables aleatoiias con distribución chi- ta. 58.115 vtianza poblacional. 42.81. 108. 89. 8. 195. 219.lasificación simple. 164 probabilidad geométrica.89 combinada. 311. Valores críticos. 219 en anáUsis de varianzas. 3Og pua las. 264-27 4.

.

.

l .

.

.

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

Sign up to vote on this title
UsefulNot useful