P. 1
libro de estadistica

libro de estadistica

3.75

|Views: 7.447|Likes:
Publicado poralmapeca

More info:

Published by: almapeca on Sep 20, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

07/15/2015

pdf

text

original

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.

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

Parte I PROBABILIDAD .

.

EJEMPLO 1. escribimos de B. llamados míembros o elernentos del conjunto. 5. EJEMPLO 1. En general. pero no un subconjunto propio.5. Un conjunto puede definirse haciendo una lista de sus elementos o. Un conjunto puede considerarse como una colección de objetos. ¡ |¡ es un triángulo en un plano ) es el conjunto de los triángulos en un plano.5. como siempre lo supondremos. e. Obsérvese que la sola redistribución de los elementos no cambia el conjunto. I a. 2. o. Sinónimos de conjunto son c/cse. EJEMPLO 1. { 4 o.e conjunto es un pilar fundamental de la probabilidad y la estadística y de la matemática en general. 6). e. es decir si B. si esto no es posible. SUBCONJUNTOS Si cada elemento de un conjunto A también pertenece a un conjunto B llamamos a A un subconjuntodeB. b e C._l 'Cupítulo Coniuntos y probqbilidqd EL CONCEPTO DE CONJUNTO 7 El concepto d. A tenemos A C A.Para que un conjunto seabiendefínido. grupo y colección.1. i. 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. En este caso AyB tienen A+ Si A no es igual a B. u}.6}. denotamos un conjunto por una letra mayúscula A.4. EJEMPLO 1. mientras no se especifique lo contrario. e } es un subconjunto. 3. u}. el cual es un subconjunto (propio) del conjunto de todos los resultados posibles {L. El conjunto { Obsérvese que el método de extensión no puede utilizarse aquí. Al lanza¡ un dado los resultados posibles cuando el resultado es "par" son elementos del conjunto {2. o. de {o. Sic noperteneceaC escribimos a é C. y un elemento por una leha minúsculao. e. SiA C B pero A + B llamamos aA un subconjunto propio EJEMPLO 1.3. a.6. i. B.4. i. El conjunto de las vocales en el alfabeto puede definirse por el método de extensión como { a. Se sigue que para todos los conjuntos exactamente los mismos elementos. u. EJEMPLO 1. A y B no tienen exactamente los mismos elementos. . describiendo alguna propiedad conservada por todos los miembros y por los no miembros. Si Ac B y B CAllamamosa A y B iguales y escribimos A : B.2. o. uloporelmétododecomprensióncomo{rlreeunavocal}.2. Si o y b pertenecen aC escribimos a. i. puesto que los dos conjuntos son iguales. debemos estar capacitados para determinar si un objeto específico pertenece o no al conjunto.escritoAcB6B:Ayleído"AestácontenidoenB"o"BcontieneaA" respectivamente.b.6\. El primero se denomina el método de extensión y el segundo el método de comprensión. _ Si un elemento a pertenece a un conjunto C escribimos a€ C. 4. 4. u ) es un subconjunto propio de {o. 3. C. léase"elconjuntodeloselementos¡talesque¡es una vocal" donde la línea vertical I se lee "tal que" o "dado que".

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

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

l-? tos como números naturales 1. 'EJEMPLO 5. Si un experimento consiste en medir "la vida" de las lámparas eléctricas producidas por una compañía. donde suponemos que ninguna lámpara eléctrica dura más de 4000 horas. Tales experimentos se denominan experimentos aleatorios. 3. Silanzamosunamonedadosveces. = 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. EJEMPLO 1.15.12.en tanto que uno que es infinito no contable'se llama espacio muestral continuo o no discretoSUCESOS posibles. 1 EXPERIMENTOS ALEATORIOS Todos estamos familiarizados con Ia importancia de los experimentos en la ciencia y en la ingeniería. simbolizado por S ( ó 0 ). como en el Ejemplo 1. g.elresultadopuedeindicarsepor{CC. EJEMPLO 1. 1-7 donde. impar) Sin embargo. es decir es un conjunto de resultados el resultado'de un experimento es un elemento de A decimos que el suceso A ha ocunido.SS) caras. .5.11. un espacio o conjunto muestral de todos los resultados posibles se da por {1.dsdecirdos EJEMPLO 1. por ejempio. Si tenemos una máquina que produce tornillos. En tal caso es deseable utilizar números en cambio de letras siempre y cuando sea posible. EJEMPLO 1. hay experimentos en los cuales los resultados no son esencialmente los mismos a pesar de que las condiciones sean aproximadamente idénticas. por ejemplo. sedenominaespacio muestral infinito no contable. es decir SC.. si un resultado es divisible por 3. EJEMPLO1. Si un espacio muestrdl tiene un número finito de puntos.1 ) representaselloen el primer Ianzamiento y cara en el segundo lanzamien[tr. por ejemplo. o una "cara". 4. Sin embargo. Obsérvesé que eJ córresponde al conjunto universal.6). Si elemental o simple. se denomina espacio muestral infinito contable.16. si lanzamos una moneda dos veces y utilizamos 0 para represenmr sellos y l para representar caras el espacio muestral (véase Ejemplo 1.2. el resultado del experimento es que algunos pueden estar defectuosos. Si tiene tantos puntos como hay en algún intervalo en elejer. Un suceso que consiste de un solo punto de cJ frecuentemente se llama un sueeso . Frecuentemente es útil dibuja-r un espacio muestral gráficamente.SC. Un principio fundamental es que si efectuamos tales experimentos repetidamenle bajo condiciones aproximadamente idénticas obtenemos resultados que son esencialmente los mismos. 2. es lógico que el último no sería adecuado pan determinar. 1)).CONJUNTOS Y PROBABILIDAD [cAP. (0.esdecirunodeloselementosdelconjuntóíqs)(ó{0. Unespacio muestral que es finito o infinito contable frecuentemente se denomina espacio muestral discreto. no defectuoso}.se denomina espacio muestral finito.14. . 1. EJ EMPLO 1 .CS. Así cuando se produce un tornillo será un miembro del conjunto {defectuoso. Un suceso es un subconjunto A del espacio muestral. Los siguientes son aLgunos ejemplos.1 0.12) puede dibujarse por puntos en la Fig. .13.16. 6 | en tanto que otro es lpar. Con frecuencia habrá qás de un espacio muestral que describe los resultados de un experimento pero hay comúnmente sólo uno que suministra la mayoría de la información. si lanzamos un dado el resultado del experimento es uno de los números en el conjunto {L. 4.tal como 0 f r: S 1..2. Si tiene tantos punl'ig. Si lanzamos una moneda eI resultado del experimento es un "sello". Si lanzamos un dado.or . 0 ú :: 4000. simbolizadaporc(ó1). cara la primera y sello la segunda. etc.3. entonces el resultado del experimento es el tiempo f en horas que se encuentra en algún intervalo.

Esto también se llama laprobabilidad empírica del suceso. Si después de n repeticiones de un experimento. CC. 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. Al llegar a este resultado suponemos que la moneda es honrado. un suceso ocurre h veces.como frecuencia relativa o a posteriori.B". 1l CONJUNTOS Y PROBABILIDAD EJEMPLO 1. Supóngase que deseamos la probabilidad de que resulte una cara en un solo lanzamiento de una moneda. como se indica en la Fig. CC} EL CONCEPTO DE PROBABILIDAD En. entonces podemos obtener otros sucesos en cJ. Por ejemplo. todos igualmente factibles. 1) y (1. si la probabilidád es de 1f4. donde n es muy gmnde. razonarno{¡ que la probabilidad requerida es 112. 1.18. 2.lm9s que su probabilidad es cero. 1-8. SilosconjuntosconespondientesalossucesosAyBsondisjuntos. Haciendo referencia al experimento de lanzar una moneda dos veces sea A el suceso "por lo menos resulte una cara" y B el suceso "el segundo lanzamiento sea un sello". el suceso que sólo resulte una cara es el subconjunto del espacio muestral que consiste de los puntos (0. SC. Entonces A : {CS. A' es el suceso "no A". 1. y de estas dos maneras una cara puede aparecer en una sola manera.cAP. w tloríá de conjuntos e inversamente. si lanzamos una moneda dos veces. A n B es el suceso'qtanto A como B" 3. SS) : eJ A-B- Añ B: {CS} {^SC. excluyentes.17. B : { CS.19. diríamos que hay y 26Vo de oportunidad de que ocurra y un 767" de opoitunidad de que no ocurra. . que es el suceso cíerto o seguro ya que un elemento de eJ debe ocurrii. CC}. perosi estamos regutJs de que'el suceso no ocurriú d_e9.B es el suceso "A pero no . EJEMPLO 1. AU B es el suceso "Aó B o ambos". 4. Enfoque'clásico o a priori Si un suceso puede ocurrir en h maneras diferentes de un número total de n maneras posibles. A.[ proposicio Fig' 1-8 Empleando las operaciones de conjuntos en sucesos en Así si A y B son sucesos. que se llama el suceso imposible puesto que un elemento de Q no puede ocurrir.esdecirAñB:Q. entonces ta próbauilidad del suceó es h/n. Como medida de la oportunidád o plobabilid.cualquier experimento aleatorio siempre hay incertidumb¡e sobre si un suceso específico ocurrirá o no.Puesto que hay dos maneras igualmehte factibles del resultado de la moneda. En ólgebra de sucesos que coffesponde al álgebra de conjuntos indicada en la e. Equivale adecirque laprobabilidad contrasu ocurrenciaesdel 75% al25vo o de B ai. Flxisten dos procedimientos importantes por medio de los cuales podemos obtener estimativos para la probabilidad de un suceso. Como sucesos particulares tenemos el suceso en sí mismo. EJEMPLO 1. 0). simplemente "cara" y .ad con la que podemos esperar que un suceso ocurra es conveniente asignar un número enhe 0 y 1. es decir que no está cargado.'sello" (suponiendo que la moneda no se pierda ni caiga verticalmente). frecuentemente decimos que los sucesos son mutuamente. Enfoque. 2. entonces la probabilidad del suceso es h/n. SS } así tenemos A U B: {Cg A': {SSl SC. y el conjunto vacío Q. Si estamos seguros de que el iuceso ocurrirá decjmos que su probabilídad es 100% ó 1. Esto quiere decir que no pueden ocunir ambos.

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

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. como el de la frecuencia relativa de la página 6.A..B\ Generalizando. 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..An (1+) P(Ai + P(Az) + .21.P(AsnA) (rr) + P(Lt\AzñAs) También pueden hacerse generalizaciones a n sucesos. Az.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)+. Podríamos lógicamente emplear otros procedimientos para asignar probabilidades.3.. Si asignamosprobabilidades iguales a lospuntos muestrales.2.79.. Ar.entonces P(A) = P(AnAi + P(AñAz) *'.. El espacio muestral es e-I: {1.) + P(Ar) + P(As\ .P(A. á3 son tres sucesos cualesquiera.. Se lanza solo un dado.. entonces P(A:U AzU ¿") : P(.4. EJEMPLO 1.... La asignación de probabilidades provee un modelo matemótico y su éxito debe probarse experimentalmente en forma muy similar a como las teorías en física u otras ciencias deben probarse experimentalmente. Véase Problema 1.. Hallar la probabilidad de que resulte 2 ó 5..5.2.P(üñAz\ - P(A|¡A. entonces 1 6 . esdecir si suponemos que el dado es honrado.4. En particular..cAP.+P(4") = 1 (e) 1-19: Si A y B son dos sucesos cualesquier4 entonces P(AuB) = P(A) + P(B) ... + 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. si suponemos probabilidades iguales para todos los sucesos simples.]) .. entonces P(A¿: '!y si A es k=1.

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

91 y 1.23. DIAGRAMAS ARBOL En muchos casos el número de puntos muestrales en un espacio muestral no es muy grande y así Si una cosa puede realizarse en nr maneras diferentes y después de esto una segunda cosa puede . V finalmente una k-ésima cosa puede realiza¡se Qr fl.. PRINCIPIO FUNDAMENTAL DE CUENTA.. se emplea frecuente' mente en conexión con el principio anterior. . 1l SUCESOS INDEPENDIENTES CONJUNTOS Y PROBABILIDAD Si P(B lA) = P(B). As son independientes entonces deben ser independientes por parejas.en n2 maneras diferentes.3 (221 'y también debemos tener P(ArñAzñAr) te. entonces decimos que á y B son sucesos independicnües.¡ maneras diferentes. .92.k=t. surgen problemas cuando la cuenta directa se convierte en una imposibiüdad práctica En tales casos se ernplea el anólisís combinntorio. 1-10).. Ar. Si un hombre tiene 2 cami¡as y 4 corbaüac enüoncee tiene y luego una corbata. An son sucesos mutuamente excluyentes cuya unión es elespacio muestral ef. que podría llamarse una forma sofisticad. . .A1. Ar.. P(A¡nAx) = P(á)P(A*) j+lc donde j. entonces todas las fr cosas pueden realizarse en el orden especüicado en nr rr2 . . An que pueden causar la ocunencia de á.2. llamado diagrama órbol debido a su apariencia (Fig. 2' 4 : 8 maneras de eacoger una cami¡a Un diagrama. . es decir uno de los sucesos debe ocurrir. Esto es equivalente a entonces A y B son independientes. .cAP. . Inversanente. Sin embargo. . Por esta razón con frecuencia se hace referencia al teorema fle Bayes como el teorema sobre laprobabilidad de causs. ANALISIS COMBINATORIO la enumeración o cuenta directa de los puntos del muestreo necesa¡ios para obtener las probabili dades no es difícil. es decir la probabilidad de que B ocuna no está afectada por la ocurrencia o no ocurrencia de á. si se cumple (2I) (21) Ar. ??¡ rn?D€rds diferentes. ¡ealiza¡se EJEMPLO 1. como se deduce Algunas propiedades de la independencia están dadas en los Problemas 1. = P(A)P(Az)P(A) (qsl Ni (22) ni (23) son sufrcientes por sí solo. Az. .a de contar. La generclización a más de tres sucesos se hace fácilmen- TEOREMA O REGLA DE BAYES Supóngase que . Entonces si A es cualquier suceso tenemos el siguiente teorema importante : Teorema 1-24 (re$ade Bayes): P(AklA\ = P(Ah) P(AlAx) (2t\ ) P(ár) P(AlAn) Esto nos permite hallar las probabilidades de los diferentes sucesos Ar. Si P(AnBl = P(A)P(B) de (I8)..

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

)" (n) Tienen mucha.podemosesaibir A: {5.'6 = .1. r! (30) /n\ ( J=( /n '.r'2 :25".r/\) \r/ \n EJEMPLO 1.71828.-5).s resrreltoa CONJTINTOS 1. + .e¡decirA . :25)que se lee"el conjunto de todosloselementosde¡ talesque. que también puede escribirse como (2e\ ("\ \r/ Fácilmente se demuestra que n(n-L\".4 por (c) el método de comprensión y (b) el método de extensión. (a) A:kl* elementos. U (n Tenemos (véase Problema 1.36) ln\ \"/:nt¿r=rl@=T._. Indique cómo describir a. El símbolo . .27.(t)**. es la base de los logaritmos naturales.describé dando sus (D) Puesto que t2 :25parar:5y x:-S. (|)*-lt * (i)*"-.\s/ . @-l (:. . .en (33) signifrca que la relación del al lado derecho se aproximá a 1 a medida eü€ /l + o. 1l CONruNTOS Y PROBABILIDAD 11 El número total de combinaciones de r objetos seleccionados de n (también llamadas las combinaciones de n cosas tornadas de r enr) se denota pot aC. Por esta raz6n decimos que el I unaexpansión asíntótica del lado izquierdo. (l)* = APROXIMACION DE STIRLING A r¿ ! xa+ 4x3y!oxzyz *4xy3 +ya Cuando n es muy grande la evaluación de aproximada n! no es práctica.r.yEñn"e-n donde e : 2. Véase Problema 1. Para un estudio más detallado de la fórmula de Stirüng véase el A¡Éndice A. .cAP.(t¡*" . En tales casos se utiliza la fórmula (38) nl . Problenra.s propiedades interesantes.28. escogerse o ¡elecciona¡¡e de un (91') 3 ca¡t¿s pueden total de 8 sc¡ = lt) = 8'J.s! COEFICIENTES BINOMIALES 56 Los númerós de (29) se les llama frecuentemente los coeficientes binomiales puesto que provienen de laexpansión binomiat (r 1- u)^ : * .(n-r-rr\ r! ó nP. .:nC. se. Sea A el conjunto de todos los números reales cuyos cuadrados son iguales a 25. y)t = r:{ * (Í)".48. EI n(¡mero de manera¡ en lae cuales cartas diferentes es nU. EJEMPLO 1..

seaA={rl*esunenteroimpar).5. Puesto que no hay un númeror tal que x2 :416x:2.o.o. 0.. 5.6. no hay objeto que no sea igual a sí mismo. (/) (Bn C). DIAGRAMAS DE VENN Y TEOREMAS SOBRE CONJT.-tf2.5.-. OPERACIONES ENTRE CONJUNTOS.. página 3.lQ}. Determinar cuáles de las proposiciones siguientes son verdaderas y cor¡egir las que son falsas.-4} (c) (AuB) n C = {-{2.4. .r).-{2.o.r.6. n].pueotoqueloe elementos 3 y 5 son enterosimpares.-{r). r>g} y B: {fr | r<l}.o} u {5. entonces AcC. -rt.-4} = Entonces (BnC\' = {0.B: eonjunto de elementos en A que no están en B : [0.0}n {5. puesto que {9} es un conjunto no voclo que conriste del conjunto vacío. Otro método. 1.8 = {6. (a) AnB = {-12.6}.5. Demostra¡ que si Ac B y B cC. Entonces ya que AC B.5. ee deci¡ ¡ € A.r} = {0. Por el Teorema 1-8.-2ly * )9.-4}n{+.--4} n {+. se sigue queA: @. ".-4}n{0.. 1 L. Aeícadaelemenüodeá esunelemento de C y por tanto A C C.0. el conjunto vacfo.".2. Asf. r.{0. (d) B' : conjunto de los elementos en t/ quenoestánen g = {0.L2 CONJUNTOS Y PROBABILIDAD lcAP.5)=0 sólosi x:B6x:6. aA.-4}. Cualquier objeto particular se supone ee igual a sf mismo. es deeir B ee un subconjunto de A. AsícadaelementodeB perten.enconhar(a) AnB.6. si el universo 'u = {}. es decir cada elemento de A eetá en 8. = {0.-fr}. (c) (AUB)nC. r. +. Sea r cualquier elemenüo de á. {*.r.-rt.-r/2. (d) B'u C'._\E} .sededucequeACB6B)Aylrrpropocición Obaérvese que esto se lee es verdadera- 1.Demostrarque BcA.5. B: {x I x2 -8r+. (b) AUB. (e) A .r} {*. 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.+.5.3.2.0. ¿Es cierto que {2} : 2? No.-qyC = {+.15:0).0. Puesto quetambiénBCC. entonces B) A. El error radica en escribi¡ {@} por @. üenemoe A-B = AñB'= (f) BñC = {6.-4} = {-18. (s) (AnC) e (Bne. Entonces {x I x * x} : e._\E}. Entonces B.-fr. Yaque x2 -8x * 15:0 ó (r -3)(¡.. tenemosque¡ € C. C' : conjunto de los elementos en 'll que no están en C : {0. pertenecen á.r.4} utilizando el re¡ultado de (b)."áÁ y porüantoBC 1.üenemosB:{g. tenemos x€ B.0|.o} u {0. ) La proposición es falsa. (o) (b) (o {rln+ü} -. (e) A-8.+. 2 es wn número re¿l mientras que {2} esw conjunto que consiste del número real 2.+.-4} = t-\ñ} (D) .'NT\OS 1.-¿}.t. -4} y los subconjuntos de u están dados por A : {-\n.4 u n = {-fr. (b) "A es el conjunto de ¡ tal que 12 : 4 y ¡ ) 9'. Si A = {r l r2=4.+. Puestoque el conjuntovacloesunsubconjuntodecualquierconjunto. -4} = {+.u C.

1-11 la región sombreada representa (A U B)'. 1-11.reB 6 r€A.@. (AnB) u(AnB') A : {r I reA) = {. B n C = {}. sirve para euminishar relaciones posibles entre conjuntos que luego pueden probaree por métodos similaree al dado en (o ). Luego At ñ f|' se representa por la región doblemente rayada en donde se encuentran ambos conjuntos de líneas. = (AnB) u (AñB'). y se observa que esta región es igual a la región sombreada de la Fig. (o) Tenemoe págrna 3: (A u Bl : A' n B'.al : (ArtB) u (A^B') : (AñB') u (A¡.8') A = (AnB)u(AnB') El resultado puede generalizane (véase Problema 1.r€B') (b) = A' ^B' El resultado puede extenderse a cualquier número finito de conjuntos (véase Problema 1. Teorema 1-6.reC) @ | reA"'B 6 xeAnC\ {. En Ia Fig.nn. 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. Demostra¡ que para cualquier conjunto A y B tenemos A Método 1. . (c) Demostrar la primera ley De Morgan.8. (A¡C\ u(BnC) : @u {*.69). elconjuntovacío. Sea C:8' en el Problem¿ 1. 1-12.2.reBuC} I re A. En el diagrama de Venn de la Fig. Región sombreada = (AUB)' Región doblemente ¡ÜEÉru¡r qvvrs¡¡¡E¡¡w rayada ]_"7. Demostra¡ laprimeraley distributiva. 1l CONJUNTOS Y PROBABILIDAD Obsérvese que este re¡ultado conjuntamente con Tborema 1-12b. l-12 Obsérveee que un diagrama de Venn no suministra una prueba como la dada en la parte (o).9.neB\ = {r I neA'.7. 13 el de la parte (d) ilustra la segunda ley De Morgan. Ao(BuCl = = = = = l r€A. {r {" (AnB) u (A nC) 1. Sin embargo. Entonces A n (BuB') A r. l-ll Fig. (sl AnC = {-\/-2. Fig. 1.-ll .-¿l = {+. Teorema !-L?tt.0} n {*. (AuB)' = {r I r4Ar-tB} = {" I rCA.cAP. página 3.-4} Entonces t. página3:Tenemoo An(Bu C) = (AnB)U(AnC). l reA¡B 6 neAnB'} M6todo 2.74).8. (b) Ilus- har el resultado de la parüe (c) empleando un diagtama de Venn.xeB 6 reC} I s€A.-¿} [Vóase pa¡te (f)].

10. Se extrae una carta aleatoriamente de una baraja de 52 cartas. .{rey y no trébol}.UB. 1.L4 . Refiriéndose al experimento del Problema 1. . de Teorema 1 era simila¡ todos lo¡ obeervarse de la Fig. de acu gamas Fig. jota. picas.11. (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 ). podemos indica¡ una jota de picas por (11. Emplear la Fig. : (rey o corazón o diamante o pica).4 el suceso {se extrae un rey} o sencillamente {rey} y B el suceso (se extrae un trébol} o sencillamente {trébol}.B -{reyperono trébol} Es lo mismo que A ñ B' . (E) @ nB) U (A ñ B'):{(rey y trébol) o (rey y no trébol)): irey}. . Denotando corazones. por ejemplo.12. Luego el espacio muestral consiste de 52 puntoo indicados en la Fig. (f) A. rey de corazones.CONJUNTOS Y PROBABILIDAD [cAP.nB. 13}. (o) A U B = {o rey o trébol (o ambos.10 sea. (e) A. (b\ A' se 1. . 1 EXPERIMENTOS ALEATORIOS. 3. si . . (d) A. diamanües y tréboles. .(g) (AnqU (AnB.4. . reina.1-14.4 u B. 2. . (q AnB.. ESPACIOS MUESTRALES Y SUCESOS 1. diez. Describir los sucesos (a) AUB. rey. . diamante.. 2.11 com ^ B' . (e) A-8.). . @) AUB'. (o) Si no tenemos en cuenta los pdos el eepacio muestral consiste de as. diamantes y héboles respectivamente por l. I diagrama eden de indicarse A U B. picae. B. es deci¡ rey (ó) 4 n I : {rey y trébol} : {rey de trébol) de trébol)) (c) Puesto que B Luego A U Bt = {trébol}. dos.2). = A..-8.).n(8. puede indicarse como {1. 1. . 1-13 para describi¡ los s sucesos (a). picar. Describir el espacio mueshal (o) no se tiene en consideración el palo (b) si se tiene en cuenta el palo. y (b) Si tenemos en cuenta los paloc el espacio muestral cronsiste del as de corazón. diamantes y tréboles.A.. pica}. También puede considera¡se observando que (A ñ B) U (A n B') : A.B. . 1-13. B': {no trébol} : {corazón. También puede considera¡se observando que A. (n A'-3' :{no rey y no "no trébol") : {no rey y trébot}: (cualquier trébol excepto el rey).

Ar ) - 0 por el Axioma 1.Puesto que P(eJ) sfnp = Q se sigue del Axioma P({)) 3 que s = P(d)+P(Q) 6 = 1.At son mutuamente excluyentee. Para demostrar que observamos que A C et. axioma 3. (c) Teorema 1-16. página 6.P(Ar) Puesto que P(. Encontrar la probabiüdad de . 1-15 (1) AUB: AUIB -(. también ee rigre queP(. Demostrar (a) el Teorema 1-17 y (b) el Teorema 1-19. Entonceepuesto gue. (b) Con anterioridad sabemos que P(A) > 0 por el Arioma 1. Demostra¡ el (c) Teorema 1-14.A¡ ) en donde . Así por el Teorema 1-14 [partc (o)] y el Axiom¿ 2 P(A) < 1 primero P(A)=P(¿)=1 (c) Tenemos eJ : eJuQ.B) son mutuamente excluyentee. Fig. P(Az.42 .^^'rl i' r"u r--' resultado (l ) puede establecerse directarne¡rte (véase Problema 1. página 6. (o) Tenemoe Az : At U (Az . Aunque hemos utilizado el diagrama de Venn el i rlu^') ".15. 1l TEOREMAS SOBRE PROBABILIDAI) 1. l-15 (An CALCULO DE PROBABILIDADES 1. página 6.41 y Az . ñ A' : Qtenemog 1 es decir PIAJA') = P(ó) 6 P(A)*P(A') = P(A') = l-P(A) (b) Tenemos el diagrama de Venn de la Fig.Ar.14.42 ) = P(Al ).4n8)l Entonces puesto que los conjuntos A y B . tenemos usando el Axioma 3 y el Teorema 1-14: P (A u B) | i'. Una carta se extrae aleatoriamente de una barqia de 52 cartas. (b) Teorema 1-15.77).(A ñ .At) = P(Azl . asr que Entonces por el P(42\ = P(ár) * P(A2.13. (o) Tenemos AV A' :s[.cAP.

por ejemplo. # -. P(4'^T')= 4(4 U ")'l: L- P(4 U ?¡ : 1. doo.sz = Lg Tbmbién había sidq posible conseguir este resultado del espacio mueshal del Problema 1. ? para indicar coraz6n. (d) un corazón. Por tanto puede denotarse por P(4' ñ ?'). (c) un tres de tréboles o un seis de diamantes.. (f) un diez o una pica" (g) ni un cuatro ni un trÉbol. P(6 n (o) ") P(1): PG^e ó 1nP ó.* h* . rcy.la probabilidad requerida es 36/52 = 9/13. en tanto que S U C significa tres o corazón. l-r 1.16. P¡ @ Puesto que 10 y P no son mutuamente excluyentes tenemos del Teorema 1-19 UP):P(10) +P(P)-P(10 ñ : 1/13 + rl4 - 7152 : 4lI3 @) La probabilidad de no cuatro no trébol página 9. También se hubiera llegado a este resultado por un razonamiento sencillo de que hay 13 números y así cada uno tiene una probabilidad de ger extraído igual a 1/13. Puesto que este complemento tiene 52 . pica. .10(tr).52. Por simplicidad utiücelnos C. Una bola se extrae aleatoriamente de una caja que contiene 6 bolas rojas. . (b) una jota de corazones.n. Determinar la probabilidad de que sea (c) roja.1l _ 9 . respectivamente. 1. en particular "as" tiene una probabilidad de 1/13.L ñD ó 1 n ") =P((1 n c) +P(1 nP) +P (1 nD) +P(1 n r) 11111 = 52. eeto es 1/4.y 1..16 CONJUNTOS Y PROBABILIDAD [cAP. (e) cualquier palo excepto corazones. (e) P(C') - 1 ... P. a cada punto mue¡hal...13 . 13 pot aa. Asf g n C significa tree de corazoneo. página 6. 4 bolas blancas y 5 bolas azules.P(C) = ! P(L0 Ln = ?uti[zando laparte (d)y elTeorema 1-1?. Empleemoe el espacio muegtral del Problema 1. Así.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. (e) roja o blanca.16 : 36 puntos muestrales en él y cada punto muestral tiene una asignación de probabilidad Il52.. Pero por el Teorem a 1-t2 (a). 1 que sea (g) un as.[P(4) +P(")-P (4 n T)] _.10(o) en donde cad¿ punto mueehal. diarnante.4' ñ T' = (4 U ?)'. trébol. (d) no roja. (b) blanca. .* (d) P(c):P(ln c 62ñc6. 1-16.. D.2. (c) azul.# = 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.lsnc) = #. t (b) P(11 ñC¡= :- (c) I * -I^ 26 ) +P(6 ñD¡: 62 52 = I " . asignando probabilidades iguales de tl52 : L162.

42 ocurren. .) '!' . Entonees L1 (o) P(n)= Mótodo 2.. 6 6 6 en el primer lanzamiento V 1. --6+4+5=1b=s 662 Nuestro espacio muestral corisiste de 6 * 4I 6:15 puntos muestrales.t""i: .R ) : 6/15 : 215. Entonces P(ArnAzl .1?. P(roja o blanca) : P(R u r) : -"""'.H 10 2 6+4 6+4+5 .También i"-or usado P(. Método 2. blanca y azul.4 1) :316 (ya que 4. . Denótese por R. que P(nuB):P(R) +P(B):?*# = ? PROBABILIDAD CONDICIONAL Y SUCESOS INDEPENDIENTES 1. r(RUB)=P(A'): 1-P(A): I .3 6 4 en el segundo lanzamiento. 2. P(AroAr) = P(At)P(A2lAr\ -. 4: 12 maneras en que tanto A1 como . Luego estamos buscando P(Ar ñ A2).P(At)P(A.::"fl'"". Entonces si asignamos probabili' dades iguales Ll15 a cada punto muestral observamos que P(. Puesto que los sucesos R y B son mutuamente excluyentes se deduce de (4).cAP.J. 5 ó 6 son 3 resultados de las 6 probabilidadés igualmente factibles) y P(Az): ltO (ya que 7. Cada una de las 6 maneras en las cuales un dado cae en el primer lanzamiento puede asociarse con cada una 6. 1l CONJUNTOS Y PROBABILIDAD Método 1. . 19 1 .364en elsegundo lanzamiento". Método 1. (b) P(B) = 6i+5 = ft porparte(o) (c) P(A) = 6+j+b = # = i =? (d) P(noroja) = P(R") = 1-P(E) = l-? (e) Método 1. Un dado honesto se Ianza dos veces. norparte(c). Hallar la probabilidad de obtener 4. respectivamenüe.6:36 maneras. B y A los sucesos de extraer una bola roja. de las 6 maneras en que cae en el segundo lanzamiento. Método 2. .5 o blanca También puede resolverse l¡tilizando el espacio muestral como en la parte (c).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). página 6.15 . 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.'"::.3ó 4 son 4resultadosdelasGprobabilida' des igualmente factibles). un total de factibles. debido a que hay 6 puntos muestrales que corresponden a "bola rojatt.á = | Método 3.2. ' SeanAl elsuceso "4rS ó 6 enelprimerlanzamiento" y Az elsuceso "7r2.

todas igualmente factibles. 6) El espacio muestral para cada lanzamiento de los (r.2. 1.2) signitica que el resultado del primer dado es b y el del segundo 2. r'(A. extracción". Puesto que los dados son honestos y hay 36 puntos muestrales asignamos la probabilidad 1/36 para cada uno.2gara indica¡ y 2o. l'ig. 1-17. Entonces P(ArnA.3) (8. aa {) (6. I a a aa (r.' ( #)l#) == # r\ P(A1l:4152. entonces P(A2 | A r) : 4152. = las 51 cartas restantes.6) (2. Método 1. puesto que también hay 4 ases en las ó2 ca¡tas para la segunda extracción. 1-17. Entonces estamos (o) Puesto que para la primera extracción hay 4 ases en las 52 cartas. 6) ({. A. (2.l Método 2. \.18. /. 1 Esto indica directamente que A 1 y A2 son independientes puesto que . p(A.3) (4.tp(A2 A¡\ = (52")(*) = . . de una baraja de 52 cartas. Se extraen dos cartas.6) I (¿. También.3) (3.)(á) = P(ArP\A2l (2. Puesto que se incluyen 8 puntos tenemos que P(A ): 8/36 : 219. dados se muestra en la Fig. l) (3. Encontrar la probabilidad de no obtener un total de 7 u 11 en ningunó de los dos lanzamientos de un par de dados honrados. r) (2. (b) no ambar¡ sean se remplaza. l) (1.1) a Se deduce que la probabiüdad de no dada por ? u 11 está 345 Primer dado P1A'¡ '= | .P(Al -- L 27 -::99 1o. todas igualmente factibles.) = (b) Como en la parte (o). Así que ambas cartas pueden extraerse en (52)(52) maneras.2 a (6. oaa (3."A) = P(A) P(A. Sea A1 buscando suceso ttas en la primera extracciónt' y .2) a a aa (5. 6) a 1.42 suoeso "as en la segunda P(Arñ A2): P(A1) P(A2l A t).18 coNJUNTos y pRoBABILTDAD lcAP. Hallar la probabilidad de que ases si la ca¡ta (c) se remplaza. l-17 Utiüzando subíndices t.3) Si A es el suceso "7 u 11" entonces A se indica por Ia porción sombreada en la Fig.19.6) a (3. 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. . Así ambas cartas pueden extraerse en (52 ) ( 51 ) maneras.2l a a (6.nA") =+:(. P(A¡): 4152. así que P(A2l Ar Sin embargo si ocurre un as en la primera extracción quedarán 3 en ) : 3/51. a (2. Entonces P(A. si la carta se remplaza para la segunda extracción. 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. Por ejemplo (5. {) (5.azamiento la segunda ca¡ta también puede extraerse en una de las 52 maneras posibles."t (ol La primera carta puede extraerse en una de las 52 maner:u¡ posibles y ya que hay rempl.

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

Si se obtiene cara se saca una bola de la caja.23 con A: R. Demostrar el teorema de Bayes (Teorema L-24. página t. Axioma 3 empleando (I8). Asípor P(A) = P(AIA)+P(A^AI') = P(A) P(A i A) + P(42\ P(A I A2) 8. (d) P(BtnBil:P(Br )P(B2lBt):P(Br )P(B) = lt!")/-=) + 5/ = I 4 \4 + 2/ \3 P(B'tñnb:pelp@. An tenemos por el Teorema P(A) = P(AI)P(A Ar) + ' " + P(A. Hallar Ia probabilidad de sacar una bola roja.24.20 CONJUNTOS Y PROBABILIDAD Luego el número de manera¡ en l¡as cuales por lo menos uno de los sucesos 11. hallar la probabilidad de que (¿) ambas sean blancas. SeaB¡ : suceso "bola blanca del primer talego". plear los resultados del Problema 1. Si se extrae una bola de cada talego.. página 8.)("+-ri-r:ri ---r:\ \2/\2+8/ \-/\-.) . j Dor tanto "... Por tanto P(.23. (b) ambas sean negras. La contiene 3 bolas rojas y 2 azules en tanto que la caja II contiene 2 bolas rojas y 8 azules. Az: II. Demostramos el teorema para el c¡¡so n : 2. At : I. I|2 : süc€so "bola blanca del segundo talego".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. 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. si se obtiene sello se saca una bola de la caja /I. fcAP.. Puesto que una bola roja puede resultar al escoger cualquiera de las cajas podemos em.26. Así la probabilidad de sacar una bola roja P(Rt - P(nP@ Il+P\II\P(RIII¡ = /t\/ I \ /r\/ z (. Si el suceso .O*' P(A\'Aki \ P1A¡ A¡ = P(A) P(A I Ak) P\Ak^A) = --PÁt ) P(A¡l P(A' Akl 1.píryina9).2/ 5 z TEOREMA DE BAYES L25. 1 : Ar ó A2 ocurraes- 5 +5+ 1 L.. Supóngase en el Problema 7.I. Puesto queA resulta en uno de lossucesos mutuamenüe excluyentes 1-22 (Problema 1. Demostrar el Teorema 1-23. Se lanza una moneda honrada.23) Ay A2. .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). (c) una sea blanca y una negra. Az entonces A = (AnAr)u(A¡42) PeroA ñAt y Añ Az son mutuamente excluyentes puesto que A1 y A2 lo son.41 U Az): 11/36. otro contiene 3 bolas blancas y 5 bolas negras. Un talego contiene 4 bolas blancas y 2 bolas negras. Extensiones para valores mayores de n se obtienen fácilmente.\P(A:A.4 debe resultar en uno de los dos sucesos mutuamente excluyentes At. pero revela que se sacó una bola .22.

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

Así pues.7. ¿De cuántas formas pueden sentarse? Los hombrcs pueden sentarse de 5P5 formas y las mujeres de 4Pa formas. (c) si el último número ha de ser cero y los números no pueden repetirse? (o) La primera cifra puede ser cualquiera entre 9 (puesto que el 0 no tiene valor). y finalmente sólo 1 manera de llena¡ la última poeición.Pr. Otro métod<¡.4..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.5. Se quieren sentar 5 hombres puede asociarse con cada ordenación de las mujeres. hay 9 formas para ocupar el segundo puesto. es decir hay cinco maneras de llenar la primera posición.1.. (b) si los números no pueden rcpetirse.6 . á maneras de llenar la cuarta posición.. La segunda puede ser cualquiera entre 9 (no puede ser la que ocupó el primer puesto). y 4 mujeres en una fila de modo que las mujeres ocupen los sitios pares. (d) rPr.1 = 6 1.r * l) Esto se conoce como el número de permutaciones de n objetos diferentes tomados de r en r y se denota por P. 8. 3. Obsérvese que cuando | = tr. La primera posición puede ocuparse por cualquiera de las cinco bolas. = 5. 1 Debemos ordena¡ 5 bolas en 5 posiciones así -. (n .8. I . = e 15 (d) ¡P¡ = 3. . 2. Luego hay 3 maneras de llena¡ la tercera posición.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 . persona!¡ tomadasde 4en 4es = tC. g.28.oPo = 514! = (lZO)\24) 2gg0 1. S para ocupar el tercero y 7 para ocuparel cuarto. 120 Elnhmerodeordenacionesdenobjetosdiferentesenunafilaes=n(n-l)(n-2\.. 9 . Cuando esto se haya hechó hay 4 maneras de llenar la segunda posición.2. 1.rP.. Halla¡elvalorde (a) . = r¡ ! como en el Problem a 1.8. .2. Entonces 9' sPs : I .9si(c)los números pueden repetirse.31. 1. L = b! =. puestos). l. 7 : 4586 sonlos númerosque puedenforma¡se..T = - 5040 El número de ordenaciones de n objetos diferentes tomados de r en r ea n = n(n 1) . Cada ordenación de los hombres Elnúmerodeordenacionespedidoes = "Pr. ¿Cuántosnúmerosdecuatrocifraspuedenformarseconlosl0dÍgitos0.22 CONJUNTOS Y PROBABILIDAD [cA?.7: 4536son los númerosque pueden formarse. por tlnto: El número de ordenacionesde lag 5 bolasen una filaes En general.30. cuando esto está hecho. .. (¿) aP¡ = 8. Por tanto: El número de ordenacionesde 10 En general. (b) uPo.29. 4.336 (b) Pq = 6. tercera y cuarüa pueden ser cualquiera de las 10. nPr.32. Entonces I ' 10 ' 10 ' l0 : 9000 son los números que pueden formarse. ¿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. (c) tsPt. puestos). (o) La primera puede ser cualquiera entre g (el 0 no). El primer número puede ser cualquiera entre 9 y los tres restantes pueden elegirse de gPa formas. La segunda.3..3 = 860 (c) .

36. (b) solamente ios libros de matemátitas deben estar juntos? (o) Los libros de matemáticas pueden ordenarse entre ellos de aPa: 4! formas. el número de ordenaciones de 6 person¿N sentadas alrededor de una mesa con 2 determinadas de ellas sentadas juntases de 5! 2! :24O. loslibrosdequímicade2P2:2! formasylostresgruposde3P3:3! formas. . Multiplicando N por el número de ordenaciones (o ) de las 5 bolas rojas entre sí. ¿De cuántas formas pueden sentarse 7 personas alrededor de una (c) (b) mesa. 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. Entoncesel número de ordenacionespedido será = 9l a! - 8 709 120 1. de modo que dos de ellas no estén sentadas juntas es 720 . multiplicando N por 5! 2l 3!) se obtiene el número de ordenaciones de 10 bolas si todas ellas fuesen distintas. Entonces el número de ordenaciones pedido será = 4't. mediante (o).34. Entonces 9 son los números que pueden formarse. . Entonces. I 1.. Pero los libros de matemáticas pueden ordenarse entre ellos de aPa:4! formas.. que lo pueden hacer de 5! formas. Entonces se tienen 9 libros que pueden ordenarse de 9P9 . 1l CONJUNTOS Y PROBABILIDAD La primera cifra puede elegirse entre g. se tiene el número total de formas en que 6 personas pueden sentarse alrededor de una mesa. COMBINACIONES 1.33. Entonces hay 6 personas para sentarse en círculo. Se ordenan en una fila 5 bolas rojas. En todos estos casos los libros de matemáticas están juntos. si (o) pueden sentarse de cualquier forma. 6l 2l3! - 207 360 (b) Considerar los cuatro libros de matemáticas como un solo libro. . son iguales. n#l* 1. ¿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. colocan en un eslante. (b) de las 2 bolas blancas entre sí y (c) de las 3 bolas azules entte sí (es decir. Entonces las 6 restantes pueden sentarse de ?20 formas. . Cuatro libros distintos de matemáticas. ¿De cuántas formas distintas es posibliordena¡los si (c) loslibrosde cada asignatura deben estar todos juntos.35. ll0. Entonces ' 7 : 504 será el nfrmero pedido. la segunda entre 8 y la tercera entre ?.cAP. El primer dígito puede elegirse de 9 maneras y los dos siguientes de gP2 formas.24O: 480 formas. n2 son iguales. n¡ En general el número de ordenaciones diferentes de n objetos de los eue ?r¡ Soriguales* donde. Pero las dos personas consideradas como una sola pueden ordenarse entre sí de 2! formas. (b) si dos personas determinadas no deben estar una al lado de la otra? Considérese una de ellas sentada en cualquier parte. 23 (c) ' 8'7 : 5O4 Otro método. es decir. rt. . 1 n"+ . ePz:9 . g.9 ! formas.PorelProblemal. Así pues. que es el total de car¡os que se dan en la ordenación de 7 personas en un círculo. seis diferentes de física y dos diferentes de química se. + tt¡ = n.34estoes ¡ft - 10'f''8' . los libros de física de 5p5 :6! formas. 6! = Considérense las dos personas que no han de ir juntas como una sola. 10 ! EntonceslSl 2: 3l)N = t0! y N - 101/(5! 2t Bl).

Número total de selecciones posibles = tCz'tCs = 3'35 = 105 L..8.6. Número toüal de selecciones posibles = sCz. 2 físicos restantes de un total de 6 puedtn elegirse de eCz formas. Por tanto El número de ensaladas Otro método. 15 = 150 (c) 2 matemáticoe de un total de 3 pueden elegirse de sCz formas. En general el número de grupos distintos de r objetos que 8e pueden formar con. se forma un corúité de 2 matemáticos y 3 físicos. 3 físicos de un total de 7 dan 7C3 formas. 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). n. _ e! _ \s/-sws-BJ]T- e.4 = l4. 4. (c\ eC+ 7. 3 físicos de un total de 7 pueden elegirse de zCs formas. el número de formas de considerar lias cinco verduras es 25 formas. escarola. es:25 - 1 : 31 Puedeseleccionarseldelassverduras.39.5 71 ^ (ol . ¿De cuántas formas puede formarse. oCz = 10 .6. no teniendo en cuenta el orden de los objetos dentro del grupo.. ae llamanúmerodecorñbinacionesdelosnobjetostomadosderenrysedenotapor.ur . Entonces tC+:I.5. (b) un físico determinado debe pertenecer al comité. si (c) puede pertenecer a él cualquier matemático y físico.6.rl(n-rll n(n-11"'(n-r+1) r! . como si se escoge o como si se rechaza..Entonceselnúmerorequerido de ensaladas es -. (c) dos matemáticos determinados no pueden estar en el comité? (a) 2 matemáticos de un total de 5 pueden elegirse de sCz formas. Hallar el valor de (a) zCq (b) aCs. beno y achicoria? Cada verdura puede tratarse de 2 formas.2delasSverduras. 1.Olf/Vvienedadopor ^ n"r nl /"\ \r / . ¿Cuánt¿s ensaladas pueden preparañ¡e con lechuga. endibia.24 CONJUNTOS Y PROBABILIDAD lcAP..5. 2 matemáticos de un total de 5 pueden elegirse de sCz formas.1 = o'' --ll (b) oCs = 6 ! = 6.C. Pero las 2s forma¡ incluyen el ca¡o de no seleccionar ninguna verdura. lo que es evidentemente 1.4O.objetos dados.. De un total de 5 matemáticos y 7 físicos.b = 126 1.2 = 6. Nfimero total de selecciones posibles = sCz' zCs = l0'35 = 350 (b).SdelasSverduras. b! ?.rl nP' 1. 5. 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. 6 uCt=oC1 =6' 5ú ff (c) +Ca es el número de grupos de 4 objetos que se pueden formar con 4 objetoa. ¿De cuántas formas puede elegirse una comisión de 5 personas de entre 9 personas? /g) = ^c.4!B! = 7.CL-l tC2+5Ca+ sC4+ scs : 5 *10+ 10* 6* 1 : 31 . = #h = I si se define Nótese que formalmente aCa 0! = l.37.38.

de 1.= xau /rz)'. r0.r)'! r! (n .B. Halla¡ el término constan6 en h exDansión de 1r.1¡¡ 1" . obtenemoa Ia distribución conocida como el trióngulo de Poscal: n=l n=2 n=3 n:4 n=5 n=6 et¿.tFV=fr . ¿cuántas palabras pueden formarse. Aeí10:4I6. 10 ' 6040 : 1 ?64 000 COEFICIENTES BINOMIALES 1.*-.43.1). Demostrar q"" Tenemos que 11) \r/ = l" .. 2. De acuerdo al teorema del binomio *'\.42.41.z..r e =4e6 .r)l (n-r)(n-L)l * r(¿-1)! r! (n .cAP.' \"/ ü/ \ El término conetante corresponde a aquel para el cual 3& ."¡ /¿-r\ /"-r\ \ " )-\"-t) El resultado tiene la siguiente aplicación interesante.1l CONJUNTOS Y PROBABILIDAD 26 nCn Engeneral. $ \k /' 3 \& /'. . ee decir k = 4.. ¡raracualquier enteropositivo n. . 1b:10 * 6.. \ r / \r-1l' (n-r*r)(n-1)! r! (n .t) + f" .y por tanto eetá dado por /12\ _ \n/= 12. 4. ee 1. 3 vocales) pueden ordena¡¡e entre sf de zPz : ?! forma¡. que consten 4 consonantes y 3 vocales? No es necesario que las patabras tengan significado. lss 3 vocsles de s0g formac consonantes.eüc. . La¡ 4 coneonantes pueáen elegirse (!e lC+ formas. n0r+ ncz+. Con 7 consonanps y 5-vogaJes diferentes.11. ! = 2r-1. Si escribimos lo¡ coeficientes de la expaneión binomial de (c * U)" púa n :0. 1.!2 = 0. 'xl (**!\" = r-:o (1?).*. Entonces: El nhmero de palabrae y las ? letra¡resultantee (4 q 7C1 ' óCa ' ?! : 35 .1r .Cs+ -.r)l (¿-l)! (¿-1)! .11)"-.+!\". 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.

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

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. Cada eopacio tendr6 lo¡ ¡uce¡oc 6 o 6.á. Análogamente '" . Por ejemplo.\6/ \o/ BITT\6i \6i 8888 nc. reina. Detenninar la probabilidad de tres seises en 5 lanzamientos de Represéntense los lanzamiento¡ del dado por cinco eepacioe no 6 (6'). = .66.4?.p"en-' = (n\o'o'-' sip: P(A) y q:1--p:P(A'\. Hallar el valor de 50! Para n muy grande./r\3/s\2 = =*é)t1l)'= = I 't 'v.6ó. Por tanto aot-t/ffi5oso¿-so:N Para evalua¡ N uüilizamoe logaritmoe de ba¡e 10.{fi. u (c) (d) P(3 diece¡ y 2 jot¡¡) CONruNTOS Y PROBABILIDAD QCslQCzl 1 szcs 108 290 (4cr P(nueve. de que S libros .* = (il'eu)' : 10 de ertor nrceeor y pueeto que suponemoe que lor ¡uoesos ron independientee. (/) P(ningrn *) = # = m.á á *. 2 de otro) = q#@ = ffi = t -.\o/ \o/ para todc lo¡ oEo¡ resultado¡ en los cuale¡ ocuren hec 6 y dos no 6. diez. puesto que hay 4 form¡¡ de eecoger el primer palo y 3 foim¡s de ercoger el regundo. Pero a su vez io¡ 3 libro¡ de matemótica¡ pueden cden¡r¡e enhe ¡f de 3P3 = 3 ! form¡¡.. Un estante tiene 6 übros de matemáticas y 4 de física. eractamenüe 66.lf{| = 'ffi. jota. L¿ probabilidad pedida está dada por 8!3! 10! - 1 15 APROXIMACION DE STIRLING A z! 1.ó En generd. Por tanto la probabilidad pedida e¡ p(666. Arf tenemo¡ un üotd de 8 libroe que pueden orden¡¡se enhe ¡f dc 6Ps = 8 ! formas. Supongamos que lo¡ 3 libro¡ determin¡do¡ de m¡temática¡ ee remplazan por 1.46. Los libros pueden ordenar¡e éntre ef de roPro = 10! formar./L\'/qY .p(6)p(6') .66. etc. Halla¡ la probabiüdad determinados de matemáticas estén juntos.n"¿-¡. rey) x4crx4crxrcr) (rcr) szCs 64 162 496 (e) P(3 de un palo. un dado honrado.4E. Asf logN = los(/lofi¡o5o¿-50) 1f = i los100 I |losr * 60 log60 - 50 log¿ .por elmiamorazonamientoanüeriorlaprobabiüdaddeobtener r vece¡A en n enaayos independientes ea \n/ 1. n7 . Pero hay rCa son mutua¡nente ercluyentes.cAP. LuegoP(al menoa un ar) 1.

4836 N= 3.:. luego B. 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) = (.i :. \a) = n /r\2/<\ (c) P(A y B ganen alternaüvamente) : P(A gane. supuestamente honradoe. A 3 los sucesos " A gana" la 1. luego A.. es 1/6 como se determinó en el Problema 1. (o ) La probabilidad de obtener 7 en un sólo lanzamiento de una pareja de dados.46) 5 /s\ " \í)o'n'-' = t(. un nfimero que tiene 6b dígitos.28 11 CONJUNTOS Y PROBABILIDAD lcAP.P(B no gane ninguna partida) t .:. luego A o B gane. Bz. luego gana A. lanzamiento. 2a..) suponiendo que los resultados de cada partida son independientes de los resultados de la¡ ohas.04 x 100r. (Esta suposición no sería justificable si un jugador fuera influenciad. Az.íll 36 (d) P(B gane al menos una partida) : 1 .':. lallar la probabilidad de que (o) quien lanza primero los dados gane. luego B) == ".49. B gana 4 y 2 tnrmrnan en tablas. Acuerdan jugar un torneo consistente en 3 partidas. 1 = ¿los100 | ¡lor3142 + 11 = i(zl * de donde 50 1og50 - 50 log2?18 .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(B'roBj¡B'r) L .10. lanzamiento. 1á¡ n gane al menos una partida. y 3a. (b) dos partidas terminen en tablas.... partida respectivamenüe.z. ."u j /t\/r\/t\ * /r\/r \/r\ = \r/\5/\r/ \¡i \zi \¡i 5 . Quien obtenga primero un total de 7 q^? el juego.) . (ó) quien lanza segundo los dados gane. partida respectivamente.Asílaprobabilidad.Xt(. Probabiüdad : 1 /6. Denótese por A B t. 1-17.4972) + 50(1. (c) A y B ganen altemativamenie.'J?fi '.P(B') P(B.de2tablasenBpartidases(réase Problema 1. -/¿\/a\1¿\ = le ^ \3/\3/\3/ 27 1. I|3 los sucesos "B gana" la 1a. y 3a.) P@.4343) = 64. t.18 y Fig. Probabiüdad = {¿)(f )($). A pierde en el ler. Hallar la piobabiüdad de que (o) A gane las tres partidas.:'. PROBLEMAS DIVERSOS 1.6990) - 50(0. A y B juegan 12 partidas de ajedrez de las cuales A gana 6.'.^.50 A y B juegan lanzando alternativamente un par de dados. 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. luego pierde B.

8)(0. pierde B. Se extraen dos bolas sucesivamente de la caja sin remplazamiento y se observa.9 respectivamente.(5/6)2 11 . Así la probabilidad de que g. Prqbabilidad = (áX8X8X8X+). : 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) . P(H): (o) P(ambosüvan) = P(H1W) = P(H)P(W) : (0.2)(0. ¿Cuál es la probabilidad de que la primera también sea blanca? Método 1. estén vivos en 20 años.tJ es cero ya Así iríamos 6 a 5 a que el primero que liance gana. Véanse Problemas 1. Hallar la probabilidad de que en 20 años (a) ambos vivan. De 12 000 tornillos. Una caja contiene 5 bolas rojas y 4 blancas. (c) al menos uno viva. que la segunda es blanca.9. Hallar la probabilidad de que de 600 tornillos seleccionados aleatoriamente 12 sean defectuosos. Entonces y lI/ son sucesos independientes. l|/ los sucesos que el esposo 0. Así Probabiüdad pedida = -H*-P 1. el 3'/o 6 360 son defectuosos y 11 640 no lo son. 1l CONJUNTOS Y PROBABILIDAD 29 (3) A pierde en el ler.*/q\'*/q)'* \o/\e/t_' \o/'.8 y 0.151 y 1. estamos buscando P(Br lB2).9) = 032 (ó) P(ningunoviva) = P(H'nW') = P(H'\P(W') = (0. Bl.52.\6/ =5136=5 1 . Las probabilidades de que un esposo y una esposa estén vivos dentro de 20 años están dadas por 0. Nótese que la probabiüdad de un empate que 11 ' 6-5 11 1 Esto no serfa verdadero si el juego fuera limitado. gana A.' \6/\6/\6/\6/ * = /q\/r\T. Este resultado se obtiene así Si P(BJB)='+#=elwq=* Método 2. de tal manera que la probabilidad es 3/8. Una rnáquina produce un total deL2 000 tomillos diarios de los cuales en promedio elSVo son defectuosos. "blanca en la segunda extracción"./l)/q)lq\It\ \6/\6./s\/¡\/o\/s\/r\ * \6/-\6i \6/\u/ \6i \6/\Bi \u/\6i 1l-.cAP.8.02 . pierde A. 1. Sean ÁI. respectivamente.53. (b) ninguno viva.1) = 0.152.51. 1. I|2 son los suceoos "blanca en la primera extracción". gane es /t\ /s\/s\/r\ . pierde B. P(W) : 0. respectivamente. lanzamiento. Suponemos que . Puesto que se sabe que la segunda bola es blanca solamente hay 3 formas de las restantes 8 para que la primera sea blanca. lo cual puede ser o no razonable.F/ y la esposa.

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

"' . si Ia segünda persona tiene un cumpleaños diferente." . Describir A de acuerdo al (o) método de extensión. Suponemos que solamente hay 365 días en el año y que todos loe días de cumpleaños son igualmente probables. debe ocurrir en uno de los otros 364 dlas.-*(n-1)2 - n(n .693.55. por ejemplo n ( 30... 12+22 i-..cAP. suposiciones que no se cumplen genetalmente en la realidad. el segundo término y los términos superiores a la ae 1S¡ son dlespreciables comparados con el primer término.^" --!.).0.693 6 ln 2 = 6 (n .67. (b) método de comprensión.165/\'. SeaA = {r r2-3r*2=0}.-k).. Así la probabilidad de que la segunda persona tenga un cumpleaños diferente de la primera es 364/365.1\:{. Análoga' mente la probabilidad de que l¿ üerce¡a persona üenga un cumpleaños diferente de las dos primetas es 863/365. . Por tanto tenemos es (365 - P(n cumpleaños diferentes) = #* # ffi = \'- ' 365 :-l! + 1 1\/'. Sea A eI conjunto de los números natwales entre 5 y 15 que son pares.l. "'+rn(t-#) ln(1 Pero sabemos de cálculo (Apéndice A. 1.55 para que la probabiüdad cumpleaños distintos sea menor que U2. Problema. D = {t I 12<16). Determinar cuántas personas se necesitan en el Problema 1. tnp = . Enipleando los hechos de que para n . Halla¡ Ia probabilidad de que n personas (n < 365) seleccionadas aleatoriamente tengan n días de cumpleaños diferentes. Entonces.-4\ .. fótmula 7) que -r) -= --c - T- 3 así que (I ) puede escribirse como = ft+z+ : 2.865 ) de 1.DeterminarsiACB o no. .865)"'\'.2 -r¿-506 = 0 = 0. La primera de las n personar¡ tiene lógicamente algún cumpleaños con probabilidad 365/365 : 1. Por tanto tenemos n. 1l CONJUNTOS Y PROBABILIDAD 31 1.n(r-l) i30 para n pequeño comparado con 365. 3.' (Apéndice A' fórmulas 1 y 2) (Ir\ I+2+ "'*(n-1) = @.r)(Zn -r) 6 obtenemos para (3) (5) *::":: 16) rnp = -!!+ñ! ..z\.(.58. la probabilidad de que la n-ésima persona tenga un cumpl'e¡ñoe diferent¿ de las otras n * 1)/365.56. 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. Denotando la probabiüdad dada por p y tomando logaritmos naturales hallamos (r) @\ (3) lnp tnp =t"(r-#) -r'"(.ln p r¿(rr : - -- 1) ?30 .s supletnentarios CONJUNTOS 1. asf que una buena aproximación en este Pa¡a (7) p : L12. Finalmente.23)(n'l 22) = g asf que n : 23.

5}. (Véase Problema 1.ruNTOS. de loe siguientes experimentos aleatorios: (o) 3 lanzamientos de 1. - . (fllanzat una moneda y un dado. 1.(B. (fl (A-B) u (B-A). A tenemo¡ A C A. 1. (d') A-8. (c) A'nB'.60.62.t B = IA-(AnB)] u ÍB-UnB)l 1. DIAGBAMAS DE VENN y TEOREMAS SOBBE CONJUNTOS 1.} ! B = {rlreounnfimeroprimo.0(¡=4) Encontra¡ (a) AvB. =y.2. (o) Si A y B eon dos conjunüos cuáleequiena. página B. en un grupo de 600 hombre¡.32 CONJUNTOS Y PROBABILIDAD Demoeürar que para cualquier conjunto [cAP.61. (e\ B-A. página 3. Tborema 1-120. 0 @uB) .69' 1. Generaliza¡ el recultado del Problema 1.6?. (ó) Sir yy son do¡ númeroereales sr¡alesquierq entonces x1y. 1.76. (s) (AnC)' u B. (c) A'uB. Seaununiver¡o 'Ll:{L.nC. B.?0. (e) A-8. De¡cribir un espacio muestral para cada uno una moneda. 1. (e) el número de partícular nucleare¡ que enhan a un contador Geiger. 1. (Ó) el nhmero de fum¡dore.?f .73. (ü) Teorema l-8.A r.66. y (D) ilustra¡la utilizando un diagrama de Venn. Generdiza¡ las primen y eegunda leyec De Morgan a cualquier número de conjuntos. 1. (ñ) A . ei ¿[e como I Sea ci éeeI' o cl¿se de todos loe conjunüoc que no 8on elementos de eUos mi¡mo¡.1. (c) A)8. ¿EE (A - B)' : A' . (c) Teorema 1-4. Demo¡trarque (á -A)UA =á ¡ólo srBC A e ilugtrarlo utilizando un diagramade Venn.9.2}. (ü) B'. (c) lanzar un¡ moneda hasta que aparezc¿ un sello. 1. EXPEBTMENTOS ALEATOBIOS. C = {4. I-a paradoja descrita se conoce Rusell.B'? Ju¡tificar l¡ ¡olución.64.(AuC). (d\ (AnBlu(AnC).ñ(B. Afirmar -B = @. 15¡(6. Ilustrar el principio de dudidad haciendo referencie a losteoremas de la pfuina 3. (o) Demostrar que (b) Demoetrar que ri p-f Ge[. formule en palabras el (a't A'. (bl AnB.4. L.uC'). Demo¡harque . A)8. Sea'tl el conjunto de todos loi enteros no negativos y conaidérenee loe nrbconjuntoc A = {xl¡e¡unente¡ope¡.68. 1.31.).3. (d) AnB'. oPEBACIONES E¡ITBE CON. (c) Añ(BuC).66. entonce¿A = B.5\ yrupóngarequeloerubconjuntoede'll son A:{1. . (d) el númer.4 u (BnC\ (c) A' n (BuC)' (rt) A .7 o negar: Si A u (Ar\B) eilusha¡loporundiagramadeVenn. 1. 1 1. signifrcadodecadaunadelasoperacionessiguienüee: (f) B A. 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.5.o de llamadas recibida¡ en une ce¡ttrat telefónica. 1.(BnC) (e) A' - (BuC)' 1. Emplear un diagrama de Venn para dibujar ceda uno de loo conjuntoo eiguientec: (¿) A n (Bucl (ü) . ESPACIOS MUESTBALES Y SUCESOS L. (e) A.69. B={2.6 A: falredad de las propoeiciones siguientce. entoncq cJeeJ. Demostra¡el (a) Teorema l-2.68. E¡tudiar la verdad o entonces A CB. x>y O i Demostra¡ que cualquier aubconjunto del conjunto vacfo debe ser el conjunto vacfo.p6gina 3. (b) (AuB)uC.. página (o) Eemortrar la segunda ley De Morgan.72.Encontrar (a) Av(BuCl.?). Un erperimento consiste en el lanzamiento de una moneda y un dado.76. B.

1. (d) sean rojas o blancas o de ambos colores (roja y blanca). Se extraen dos bolas sucesivamente de la caja del Problema 1. 7. para cada uno de Ios sucesos siguientes: (c) La aparición de un rey. p6gina Generalizar los resultados (I0 ) 30. (e) Al menos aparezca una cara en tres lanzamientos de una moneda honrada. 1. . Halla¡ la probabilidad de que (a) ambas sean blancas. Demostrar el resultado (1 1). 20 azules y l5 naranjas. Csonsucesosindependientes. y (I I ). (e) la segunda no sea azul. Si aI menos un hijo en una famiüa con dos hijos es un niño ¿cuál es la probabilidad de que ambos hijos sean niños? Demostrar que la probabilidad condicional definida por (17).90. (e) pl(A1nAr) u (A"nAr)]. (D ) si las cartas (o) se no se remplazan. jota de tréboles o reina de diamantes al extraer una sola carta de una baraja común de 52 ca¡tas. pfuina Demostrar que P(A'uB') = 1 . Hallar la probabilidad de que si dos bolas se extraen aleatoriamenremplazamiento) (o) ambas sean azules. Un experimento consiste en la sucesiva extracción de tres cartas de una baraja. (d) blanca.(A ñ B) son mutuamente excluyentes. Explicar el significado de cada una de las siguientes: (a\ P(AroA!r).8t. (c) una sea roja y la otra azul. (¿) p(A1^A'2ñA\).42 el suceso "rey en la segunda extracción". @) p(A'rr. o un estimador de ella. (c) no azul. Demostrar que si P(A ) >P(B ) entonces P(A I B) Si > P(. 1.7t. (b ) A' es independiente de A es independiente de B demostrar que (o ) A es independiente de B . satisface los axiomas de probabilidad en la página 6 y por tanto todos los teoremas sobre probabilidad. (b) La suma 8 agatezca en un solo lanzamiento de un par de dados honrados. Completar la demostración en el Problema 1.8 I . CALCULO DE PROBABILTDADES 1. (¿) roja. (c) AyBUC. B'. 1. Se exürae una bola aleatoriamente de un caja que contiene 10 bolas rojas. (c)A y B-C.4 ). (b\ p(AluA2\. (b)AyBñC.. y así demostrar eI resultado (l ) del Problema 7.tA'r).1. o azul.77. PBOBABILIDAD CONDICIONAL Y SUCESOS INDEPENDIENTES f .83. 1.91. son inde- . 1.t4.demostrarque pendientes.92. 30 blancas. 1.cAP.?9. Hallar la probabilidad de que sea (c) naranja o roja. (b) la primera sea roja ylasegunda sea blanca.54.página 8.89. 12 defectuosos. blanca 1.86.t1. (g) al menos una sea azul. pfuina ?. Determinar la probabilidad p. (b) ambas sean rojas. L. 1. SiA. Resolver el Problema 1. y A3 el suceso "rey en la tercera extracción". (b) ni roja ni azul. ll CONJUNTOS Y PROBABILIDAD 33 TEOREMAS SOBRE PROBABTLIDAD 1.84 si no hay remplazamiento después de cada extracción.87.82. (i) la primera sea blanca pero la segunda no. (h) máximo una sea roja. (¡) solamente una sea roja. . 1. B. as. üe (sin Una caja contidne 2 bolas rojas y 3 azules.85. (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. (c) ninguna sea naranja.83.80. Hallar la probabilidad de extraer 3 ases aleatoriamente de una ba¡aja de 62 remplazan. cartzs 1. Sea A1 el suceso "reyen la primera extracción".14(b) demostrando (sin emplear el diagrama de Venn) que AUB = AOIB-(AOB)I donde A y B . remplazando la bola extraída después de cada extracción.P(A¡B).

y lrr urna ffl. 1. 4 blancae y I nggra. . AziA2.106. ¿De cuántas formas pueden 5 personas sentarse en un sofá si tiene sol¿mente tres asientos? 1. Hallar el valor de (a) rC3. á3 : "total impa¡ en ambos dados". 3. ¿Cuánto¡ números de cinco cifras pueden formarse con los dÍgitos L.109. suceso "número impar en el primer dado".106. 1.99. CUENTA Y DTAGNAMAI¡ ARBOL 1. 1 1. .101. Demostrar que A¡ .cajas reeulta azul. Hallarelvalor de(a) oP2. (b) doe mujerer determinadas no deben centar¡e juntar. La escoge una bola aleatoriamente de la primera caja y se coloca en la s€gunda c¿ja sin ob¡ervar su color. Atl At.94. L. .104.1O?. ¿De cuántas forma¡ pueden ordena¡se 7 libros en un eEtanüe ei (a) er posible cualquier ordenación. (c) cada mujer debe eetarentre dos hombres? COMBINACIONES 1. (¿) roC¡. abrimos uno de los compartimientoa y hallamos un reloj de plaüa.34 CONJUNTOS Y PROBABILIDAD Sea lcAP. A2 = BuG€so "núme¡o impar en el segundo dado".lO2. . 1. (b) ¡C¡.ent¿nüoquelacajalfcontiene4bola¡rojasy2blancas. (c) 2 libros deüerminados deben ocupar lo¡ exüremos? (o ) 1. (ó) zPs.96. (D) 3 libros determinados deben estar juntos.¿Guál es la probabilidad de haberla exbaído de la primera caja? Ttes joyeros idénticos tienen dos compartimiento¡. Luego ee extrae una bola de la segunda caja. En cada compartimiento del Begundo joyero hay un reloj de plata.43 no son independientec. 1. en tanto que en el oho hay un reloj de piata Si seleccionamos un joyero aleatoriamente. . Una bola extrafda aleatoriamenüe de una de las. 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. Az. Se lanza una moneda tres veces. I monedae diferentes en 2 posiciones diferentes? PERMUTACIONES 1. Se selecciona una urna aleatoriamente la urna II.+tPt = nPtl. (¿) roP¡. ¿cuál es la pobabilidad de que el otro compartimiento tenga un reloj de oro? 1. A ¡: auceao At. ¿Para qué valor de n es . En cada compartimiento del primer joyero hay un reloj de oro. 2. ANALTSIS COMBINATORIO.96. En el tercer joyero eñ un compartimiento hay un reloj de oro.10t. .1O3.1OO. ¿De cuántas maneraa pueden coloca¡se l. ¿De cuántas formas pueden 3 hombres y I mujerec sentarse alrededor de una meea ei (o) no se impone ninguna resüricción. ¿Cuántos números diferentes de 3 cifra¡ pueden formar¡e con 3 cuaEog.9?.4 doeee y 2 tres€s? 1. 3 blancas y 4 negras. (b) las primeras dos cifras de cada número son pa¡es? lor números deben ser 1. A3 lon independientes pero que 1. Hallar la probabiüdad de haber escogido la urna I. y una bola ertraída aleatoriamente e¡ blanca. 9 ¡i impares. La urna I tiene 2 bola¡ blanca¡ y 3 negras.98. caja / contiene 3 bolasrojasy Sblancas. Se extraen tres cartas aleaüoriamente (sin remplazarniento) de una baraja de 62 ca¡tas. Se TEOREMA O REGLA DE BAYES 1. Hallar la probabilidad de que sea blanca. Utiliza¡ un diagrama árbol para determin¡r la¡ diferentes poribilidades que pueden suceder. Resolver el problema anterior si la8 cifreÁ de los números pueden estar repetidas.93. Una caja contiene 3 bolas azules y 2 rojas mienüras que otra caja contiene 2 bola¡ azulee y 5 rojas.

(h) las cartar son frguras o picas o ambas. Hallar la probabilidaddeque (o)laprimera carta no Bea un diez de tréboles o un aa.+ r-''i" 2/ \l )=o \o/ \r/ /"\ * /"\ I 1.119. par. (b) la primera ca¡ta sea un aÁ pero la eegunda no.rnda carta no sea una figura dadoque la primera eí lo es. 3 y 2 personas? y 3 personas.4 mujeres. Hallar el coeficiente de ¡ en lt * ¿)t. (b) tres 1. 1. Si se van a jugar tres juegos ¿cuáles son la¡ apuestac (a) en favor de A de ganar al menoa doc de los tre¡ juegos.117./"\ .C. Calcular. (b) dos estadistas determinados deben estar en el comité.126. (b) /11 \ (r-a)4. (b) deben seleccionarse un hombre y una mujer 1. t"l kCz\QC¿)/DC.113.116. Con 5 estadistas y 6 economistas quiere formarse un comité de 3 estadistas y 2 economistas.120. Si s€ extraen 3 tiquetes de la caja uno a uno' hallar la probabilidad de que alternativamente s€an impar. PROBABILIDAD UTILIZANDO ANALISIS COMBINATORIO 1.. Se extraen dos cartas sucesivamente de una baraja de 52 eartas. (g) la seg. COEFICIENTES BINOMTALES 1.118.121.115. (b) un palo completo. 3 niños y 3 niñas con 6 hombres.""... unavez'(c)dosveces'en 1. Demostrar que (o) É . j=1 = n. 2 héboles. lJna caja contiene 9 tiquetes numerados del 1 al 9. ¿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. (d) (rz*21t. +/"\ \2 / /"\ . Expandir (o) (o+y)6. (b) j=t (-1).. La¡ apuestas en favor de A de ganar un juego de ajedrez contraB son 3:2.122. (c) (t-r t)s. (c) un economista determinado no debe estar en el comité? 1. Hallarlaprobabilidaddeobtenerunasumade?puntos(o)unavez.( ") . 1l 1.2n-1.. 3 corazones y 1 pica.110. reina' rey). En un juego de naipee ee reparte a cada uno de loe 4 jugadores 13 cartas de una baraja de 52 cartae.8 mujeres. ¿Para qué CONruNTOS Y PROBABILIDAD valor de n s€ cumple que 35 3' n+rC¡ : 7' nCzl.e cuántas formas puede un grupo de 10 personas dividirse en (o) dos grupos de 7 grupos de 5. Halla¡ el número de (o) combinacionee y (D) permuüaciones de cuatro letras cada una quepuedenformarse con las letras de la palabra Tennessee.f 23.t24. (c) eC¡. (ó) ( ). (d) las cartas no sean del mismo palo. ¿f). (b) en contra de A de perder los prir4eros dos juegos? 1.-tj(.125.cAP. ¿De cuántas formas pueden seleccionarse 4 niños y 5 niñas si (o) no determinados? 2 hombres. (f) la seErnda carta no sea una figura.111. s€ impone ninguna restricción. Halla¡ la probabilidad de que uno de loe jugadores obtenga (o) ? diamantea.(b)almenoe dos lanzamientos de un par de dados honradoe. (e) no más que una carta sea figura (jota. Demostrar que (c) (b) \r¿l \o/ \r / + 1") * '. \ r/ 1. 1.) = 0.114. . \4 / 1. 1.. (c) al menos una carta sea un diamante. 1. ¿Cuántos comités diferentes pueden formarse si (o) no se impone ninguna restricción. impar o par' impar' par.

. Un espacio muestral consiste de 3 puntos muestrales con probabilidadeg a¡ociadas dadas gor 2p. 1. (b)al menos dos sean ages. l. (c) ca¡tas diferentes.l47. (o) Hallar la probabilidad de obtener la suma 7 en al menos uno de tres lanzamientos de un par de dador honrados.. Az.142.jota. . Una urna contiene 6 bolas rojas y 8 azules. Al lanzar un par de dados la suma puede ser 2.36 CONruNTOS Y PROBABILIDAD lcAP. 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. Halla¡ la probabilidad de que (o) las cartas eean de un palo.129. Hallar porcentaje de enor en la fórmula de Stirling para n : 10. ¿Puede considera¡ee la moneda cómo honrada? Expücar.144.138..5.96? 1. Se extraen cinco bolas aleatoriamente sin remplazamiento. ¿Podríamos asignar probabilidadee de 1/11 a cada uno de esos puntos? Explicar. 1.. 1 1. A-(A nf¡: AñB'.13?. Demostrar que aproximadamente 2nCn - 22"1\/ñ. . hallar la probabilidad de que necesiüe 6 disparos. Se extraen 3 ca¡üas de una baraja de 52.95? 1.145. 12.'. ¿De cuántas formas pueden selecciona¡se 30 individuos de un total de 100? 1.136. - L.143. Hallar la probabilidad de que ocurta 11 por primera vez en el sexto lanzamiento.) + P(A)+ . Cuatro enteros se eligen aleatoriamente entre 0 y 9 inclusive.146. Obüener una aproximación al resultado del Problema 1.131. Si diepara al blanco hastaqueledal¡primera vez. Halla¡ la probabilidad de que 3 sean rojas y 2 azules. 1. ¡rara valores de n grandes.3.132. .130. Demosürarque siACB' entonces AnB:Q. . p2 y 4p Halla¡ el valor de p. (c) todas las letras son diferentes pero dos letras determinadae no puden estar juntas? tes. 1. +P(Á") 1.140. 1.I's probabilidad de que un tirador dé en el blanco eede 213.133.12E. . rey y as del mismo palo.queconsistedediez. APROXIMACION DE STIRLING A n! 1.51. Demostrar que para cualesquiera sucesos Ar. An P(ArvA"u. ¿Cuál es el menor número de lanzamientos necesarios en el hoblema 1. (D) 2 letras son idénticas. 1. Enunjuegodepókerhallarlaprobabiüdaddeobtener(o)unaescaleraflor. (b) máximo dqs sean igualee. Un par de dados se lanzan repetidamente. Demostrarque 1. 1.139.141. (b) tn full que consiste en 3 cartas de un valor y 2 de otro (por ejemplo 3 diecer y 2 jotas.reina. . Halla¡ la probabilídad de que (o) sean diferen1. . Supóngaae que al lanzar una moneda 500 veces hay una secuenci¡ de2(lsnzanientosqueresulüan"carast'.). 1.uAn) < P(4.135.140 para que la probabiüdad de obtener 11 por primera vez sea mayor que (a) 0. ¿Cuántas palabras pueden formaree con 5 letras si (o) lae letras son diferentes. (b) 0. (d) 4 ases.134. etc. (b) ¿Cuántos lanzamientos se necesitan para quela probabilidad en (o) eea mayor que 0. Hallar la probabilidad de que un jugador tenga de 13 cartas g de un mismo palo. 1. 1. 1.127.

1l 1.54 obtenga exacüamente I ¿-c / r\k sobres correctos ".150.' Denoüando la probabilidad deseada comopñ (a). 3.(i)' una interpretación combinatoria. Resolver el Problema 1. 1. que (Sugerencia: Consi¿s¡ar 1. Desea descartar el 8 y remplazarla por otra carüa que espera sea un 5 (err ese caso obtendrá una "escalera").156. 4.ISrí"r"ncia. Este üipo de problema se presenta en física en conexión eonlaestadística Bose-Einstein.152. Demostrar que /"\ = ! 1t'¡¡" . (c) trer cincoe. Hallar la probabilidad de que en un juego de bridge (o) dos jugadores. .541.)va".50 si el juego se ümita a B lanzamientos.6. ¿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.8. 1. Este tipo de problema se presenta en física en conexión con l¡a es tad ísüca Fermi-Diroc. (ü) tres jugadores.148. Un jugador de póker tiene las cartas 2.cAP.151.1ó3.¿De cuántas maneras pueden colocarse 4 bolas idénticas en los compartimientos? (b) Resolver el problema si hay n compartimientos y r bolas. (b) dos cincos.\¡/(. (d) ningfrn 5? ¿Puede resolverse el problema sin saber el número de cincos que tienen los otros jugadores? Expücar. (a) Un estante contiene 6 compartimientos separados. 1.149. 1.11)'-* 1i)'-l \"/ \o/ \t/ .151. una interpretáción combinatoria. 1. ¿Cuál es la probabilidad de que obtenga el 5 suponiendo que los oüro¡ tres jugadores en conjunto tienen (a) un cinco. . CONJUNTOS Y PROBABILIDAD 37 (c) Un estanque contiene 6 compa.t't . . 1.:).155. Demostrar l") . (c) los cuatro jugadores tengan un palo completo. Generaliza¡ el resultado del Problema 1. u¿ fi.154._ \r/ (1 + r¡t (1 + o¡"-t y hallar el coeficiente de ¡j en el producto). demostrar que p"(a) = 1 fipn-o (0) y luego emplear el resultado del Problema 1. "dar ¿ letras en los 1. Demostrar que la probabiüdad para que la secretaria del Problema 1.rtimientos separados.

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

2. 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. o por un histogromo.) +. 2-2. En el ca¡o del hislogama podemos considerar la va¡iable aleatoria X como continua.5 y 1..2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 39 donde la suma en 2 se toma sobre los valores posibles de probabilidad.6. pata vrta donde obtenerse.. es decir . P(X:1) = P(CSuSC) = p(cs)+ p(sc) = i*i P(X=21 = P(CC) Así. como se indica en la Fig.2-2 Histograma FUNCIONES DE DISTRIBUCION PARA VARIABLES ALEATORIAS DISCRETAS varidble aleatoria X se define por La función de distribución acumuhda.. Íz rn entonces la función de distribución está dada por 0 f (r') f(rt\ + f(rü F(r\ = -@<fr1It rt3fr1trz rz3fi1rt : (5) /(r.cAP. (a) Halla¡ la función de probabilidad correepondiente a La variable aleatoria X del Ejemplo 2.1 y construir la gráfica de probabilidad.+/(r") x. Fig. Recíprocamente la función de probabilidad puede obtenerse de la función de dist¡ibución.de la función de probabilidad notando que r es cualquier número rl = F(u) real..)f(u) (0 donde la suma a la derecha se toma para todos los valores de z para los cuales u = x.2-f Eepectro Fíg. (o ) Suponiendo que la moneda es honrada tenemos P(CC) Luego I 4 P(CS) 1 4 P( SC) 1 4 P(SS) 1 4 P(X-0)=P(ss)=. P(X < (8) La función de distribución puede F(rl = P(x=r) -. o simplemente la función de dístribución. por ejemplo X: 1 significa que esüá enüre 0. r/4 =I r/4 la función de probabilidad está dada en la Tabla 2-2. (b) IÁ gráfica de probabilidad puede reprecentarse comoleindica en la Fig. lxla . Tabla 2-2 =I r f(r) 0 I r/2 . r.1 x ( -. 2-1. Una gráfica de f(¡) se llama grdfica de (b ) EJEMPLO 2. En la FA.

El valor de la función én un entero se obtiene del paso superior. la probabilidad de que su estatura X sea precisamente 147 centímetros sería cero. f(r\ > 2. 2-3 frecuentemente se le llama función escalera o función paso. Este hecho permite obtener la función de probabilidad a paftir de la función de distribución. 2. 712. 2 son LlA. Si se selecciona aleatoriamente un individuo de un grupo numeroso de hornbres adultos. Sin embargo hay una probabilidad mayor que cero de que X esté entre 145 y 150 centímetros. Las magnitudes de los saltos en 0" 1. Esto se expresa matemáticamente estableciendo que la función de distribución es continua por la derecha en 0. A medida que procedemos de izquieida a derecha (es decir subiendo la escalera) la función de distribución permanece igual o aumenta.2. 1.@ e -. pagjna 38. 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. Entonces definimos la probabilidad de que X se encuentre entre ¿ y b como P(a<X<b) : Í"' f (n) d. (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.4. 1. DISTRIBUCION DE PROBABILIDAD Si X es una variable aleatoria continu4 la probabilidad de que X tome un valor determinado generalmente es cero. (o) Halar representación gráfica. 2-1. Debido a esto se dice que es vnafunción monotónicamente creciente. deben notan¡e. 3. 2.3. que son verdaderos en general.2 su 2. nos conducen f(r) tal que o a poshrlar la existencia de una función 1.40 EJEMPLO VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD lcAP. 714 corresponden exactanrente a las ordenadas en la Fig. EJEMPLO 2. F(r) se mues- Los aspectos siguientes acerca de la función de distribución anterior. Estas ideas y la analogía de las Propiedades 1 y 2. así el valor en 1 es 314 y no Ll4. Debido a la apariencia de la gráfica de la Fig. Por tanto no podemos definir una función de probabilidad en la misma forma que para una va¡iable aleatoria discreta (págrna 38). . por ejemplo.)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 .n (6) . tomando valores desde 0 hasta 1. la función de distribución para la va¡iable aleatoria X del Ejemplo 2. 2-3.

ru. en el Ejemplo 2.'!. EJEMPLO 2.r) = P(X=r) f(r). = 13 t'n ¡3 . = Í. = # + F(r) = fo" . #f. debe satisfacer la propiedad 2 para ser una función densidad.5. También debe observarse que F(r) en este caso es continua. (a) Hallar resultado de (o) para hallar el signo en (7\ puede remplazarse por la función de distribución para la variable aleatoria del Ejemplo 2. = *-h=:h 7 En el caso de que f(r) sea continua. Entonces de . lo que supondremos al menos se establezca otfa cosa. la probabilidad de que X sea igual a cualquier valor determinado es cero. ou + f"'f@)au = fo'!u. (a) Ya que f(r) satisface la propiedad 1 si c ? 0.au f""oou = 1 Por tanto la función de distribución pedida es r(o [o F(r) .UU ¡( 0 entonces F(.f.tu. 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). En tal caso podemos remplazar cualquiera o ambos de los signos ( en (6) por Así. (b) P(1< p(r<x<z) -.l-*Ít'lol' = )ow2dr ..-g ec y puesto que esto debe ser igual a 1 tenemos c: tl9. . página 39. Una función f(r) que satisface los requisitos anteriores se llama función de probabilidad o distribución de probabilidad para una variable aleatoria continua.CAP. (b) Emplear P(l < r = 2\.t) = 0.'" de otra forma " función de densidad y (b) calcular P(l < X < 2).'U".5.5. (o) HaIIar la constante c para que Ia función f(r¡ = {"^* L0 sea una o. n. pero con mayor frecuencia se denomina función de densidad de probabilidad o simplementn función de densídad. 2] VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 4L Podemos demostrar que esta definición satisface los axiomas de probabilidad dados en la página 6.?1.1é/27 0<'<3 fr Obsérvese que s>s F(r) aumenta monotónicamente desde 0 hasta 1 como lo requiere una función dedistribución. Si 0 f: x 13 entonces F(rl Si¡>Sentonces = ou fo' . : P(. el (o) Tenemos F(r) = Si P(X = r\ = o" Í__.n* =. 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').a1X<r) s = J_-" ¡p¡au f' ( si se desea. V) En los puntos de continuidad de EJEMPLO 2. definimos la función de distribución F(x\ para una uariable leatoria continua por F(.6.

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

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

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

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

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

Y son independientns.. Ír* (fr'f fi = ft* fz * ft+ fs s Estos resultados demuestran gue fr . fr.iw . Teorema 2-6: Sea f(r. l(u. Entonces la función de densidad pan U es la densidad marginal obtenida de la densidad conjunta de U y V tal como se halló en el Teorema 2-4. y) la función de densidad conjunta de X. Cualquiera de los teoremas siguientes es frecuentemente útil para este propósito. Y variables aleatorias continuas y sea U = ót(X. n.cAP. A) u. En la práctica con frecuencia se necesita hallar la distribución de probabüdad de alguna o va¡ias va¡iables aleatorias determinadas. &u 0a DISTRIBUCIONES DE PROBABILIDAD DE FI.2l VARIABLES ALEATORIAS Y DISIR.* fz . f . abreviado f . Teorema2-5: Sean X. Il.IBUCIONES DE PROBABILIDAD 47 Aú Ar (871 J= E(a. Y) se encuenha derivando con respecto a ¿ la función de distribución dada por G(u) = pÍó.@) y (39) se reduce a (t o¡ s@) = f' .ul 6(u. que tengan s(u) = r) itn Í__ .u - (8el En el caso especial donde X. fz = fz+ ft 2.23\ que la suma de dos va¡iables aleatorias continuas X. y distribr''. Las siguientes son algunas propiedades importantes de la convolución: 1...rr.r.o) A1r A. V:X (lasegunda selección es arbitraria). f t* (f z* f t¡ = gt* fz)'f 3.y)<u) = fl . ft. Entonces la función de densidad g(u) de la variable aleatoria U : Qr(X. Y. Un resultado análogo es váüdo para las funciones de probabiüdad de las variables discretas. obedecen las leyes conmutatiuq reociatiua del álgebra con respecto a la operación de la convolución. -6 fr(*)fr(u-r)iln que se conoce como la conuolución de f t y f z.U) = f . y) está dada por Como consecuencia particular de los teoremas anteriores podemos demostra¡ (véase Problema es decir de U : X * n. = ClDNVOLUCIONES 2. como función de densidad conjunta a f(x.(X.(r) f .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.

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

2-8 la suma de las ordenodas es 1 en tanto que en la Fig. así que cada punto muestral tiene probabilidad 1/36.La 2 3 4 5 6 7 8 q l0 3i 36 11 t2 1/36 /(r) 1/36 2t36 3/36 4/36 5/36 6/36 o/. 2-9 la suma de todas las óreos rectangulares es 1. Supóngase que se lanza un par de dados honrados y que la variable aleatoria X denote la suma de-los puntós.2) tenemos X : 5. Utilizando el hecho de que los 36 puntos muestrales son igualmente probables.4). Nótese que en la Fig. Así para (3. (b) Consbuir una gráfica para esta distribución de probabilidad. (3.1) así que la probabilidad asociada es 4/36.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 49 Problerna.2).s restreltos VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD DISCRETAS 2. 2'9.1. Tabla 2-4 'x 1'17'página18.Jo 4/36 2/36 (ó) Podemos emplear un espectro o un histograma como los dados en la Fig.cAP. (a) Obtener la distribución de probabilidad paraX. garaX:5 corresponden los cuaho puntos muestrales (1.Po¡ ejemplo. 2-8 o en la Fig. variable aleatoria X es la suma de las coordenadas para cada punto. obtenemos la Tabla 2-4.3). . (c) LospuntosmuestralesparaloslianzamientosdeunpardedadosestándadosenlaFig. (2. de acuerdo con si deseamos considerar a X como va¡iable discreta o continua. (4.

46 trató el caeo de n intentos mutua¡t¡ente independientes. Enüonces de los resultados del Problema 2.on probabilidadesp y g: 1-prespectivamente. 0123 Número de ¡¡iñoc X = ¡ Fis. La función de probabilidad para X.(.c. dependiendo sobre si deseamos considerar a puede representarse como en la Fig.(i) \-'l /r \3 f(r) r/8 3/8 L/8 (b) La Eráfrca va¡iable X como discreta o continua. suponiendo iguales probabilidades para niños y niñas. 2-10 o en la la FI. 2-11.2.50 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP. Obsérvese que el cero del eje r se ha desplazado. Este re¡ultado se aplica a este problema bajo la suposición de que los nacimientos eucecivos (loe "intentoe") eon independientes en cuanto se refiere al sexo del hijo. tenemos P(eractamente r niños) = P(X = r) = .t-. (a ) EI Problema 1. Por tanto.¿6 2r/36 18/3rt 15/36 12/36 9i 36 6/36 3136 .2 2. Se encontró quelrr probabilidad de obtener eractamente r veoea A en los n intentos es icrp'q. donde cada intento tenfa dos resultados posibles.1 hallamos F(rl = 0 -e 1r<. 2-10 (o) Tenemos que F'(r) = P(X = tl u=x 2 Ífu¡. (a) Hallar la función de distribución F(r) para la variable aleatoria X del Problema 2. (c) Hallar la disgibución de probabilidad de niños y niñas en familias con 3 hijos.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. Fig.) 3 se indica en la Tabla 2-5..2-L2.3. siA e¡eleuceeo"niñott. (Obeérvese que X se define sobre el eepacio muestral de tres inüentos).(. I 3/8 .". c. A y A'.)' Tabla 2-6 fr 0 donde la variable ale¿toria X representa el número de niños en la familia. f(r) = .L y (b\ repr€sentar gráficamente esta función de distribución. (b) Représentar gráficamente la distriUución en (o).)"(t'-' = . F(r) 1 33/36 30/36 27 i36 I 24/'.JNCIONES DE DISTRIBUCION DISCRETA r/t 2. D:3.". 2-ll (b) Véase Fig..

.entonces ó -l < x = -f.\r-. _. t*tantolaprobabilidadpedidaes t(-'lstt oJ-t dn *lft dr IL'rJ¡5.2l VARIABLES ALEATORIAS Y DISIBIBUCIONES DE PROBABILIDAD 51 2. rL t__J = 11h.2V @) (o) Uüilizando la Tabla 2-5 del Problema 2.'= J-. acf que c=Ur.t¿n-r (+)] I = z(z-z\ = 6 6/ "\4 2.-. (b) Hallar la probabilidad de que f(r)=c/(n2+l).2 obtenemo¡ F(rl (ó) L8 gráfica = de la función de distribución de (o) se muestra en la Fig." r¿*l = ?['*-'(1) .. 1 C" F(r) = )_-t{")a" = i)__ n du _ = !l-t. F(¡) I 7t8 6/r 6tE 4/E 3/8 2t8 I UE t Fig.4.6. Hallar la función de distribución conespondient¿ a la función de densidad del Problema 2.ran-l(--)J = l[r*-' " "if = i.<6. (c) Hallar la función de distribución F(*) para la va¡iable aleatoria representar gráfrcamente esta función de dishibución. donde -o(ú.r12*L =zC' oJ6. 2-13. )? estÉ entre 1/3 y 1.itan-rc . la constante c. X del Problema 2. f .rr_rrl. I -u../J f = " =.12 + | = "t"r-rrl r-o = "L. Un (¿) (a) Debemostener aXtienelafuncióndedensidad o".2-13 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 2. z2 = 1 (ü) si* = x2 =t./ -\-'l (* :u..cAP.6.(-. t:_flu)ttr = 1.e¡décir t-.6.r .

fir-\ = dt l-F1. se indican en la Tabla 2-6.A) = c(2r *y). (c) Hallar P(X>l.62 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP.7. (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. (b) la probabilidad de que X > 2.F(-g) = (1 -e-e)-(0) = l-e-B DISTRIBUCIONES CONJUNTAS Y VARIABLES INDEPENDIENTES 2. Y estÁ dada por f(r.. y (c) la probabilidad de que-3<X<4. debe ser igual a 1. = = F(2) = | . Puesto que el gran total.U\ : 0 de otra forma. Y = l). Por tanto. (o) .y f(r. Por defrnición P(X =-21 = )" ze-z"du = -u-r"1. La función de distribución para una variable aleatoria X es (L-e-2" o>0 F(r\ : J^ x1O [u Halla¡ (c) la tunción de densidad. (b) Hallar P(X =2.e-4. )-11. donde r.) 2c 4c 6c 3c DC l4c 22c 42c 7c L5c Tota les+ 9c l2c .¡l = f2"-u l0 r)0 r10 le-1 (ó) P(X>z) Otro método.Y s2\. y pueden tomar todos los valores enteros tales que 0 < n 3 2. y) para los cuales las probabilidades son diferentes a crero se indican en la Fig. tenemos que c : L142.42c.2 2. Tabla 2-6 Y X 0 0 0 I c 2 3 Totales ü I 2c 4c 6c 3c 5c 6c I . P(-3<X<4) = P(X=4) -P(X<-3) = r'(4) . (a) tos puntos muestrales (r. 0 = U < 3.8.du = -e-2"1 = L-e-8 lo l{ Otro método. La función de probabilidad conjunta de dos variables aleatorias discretas X. las probabilidades asociadas con esos puntog dadas por c(2x * y).

8 son dependientes. (o) Debemos tener la probabilidad total igual a 1.r du = I . 2<Y <3). P(X = t.11.Y=l)=5"=a 42 (c) De la Tabla 2-6 determinamos que P(X>t.. La función de densidad conjunta de dos variables aleatorias continuas X.Y=\ = asr que h P(x=4 = # P(Y=l) = I (2x rr y)142.Y : A) = P(X = r\ P(Y = Y¡ Pero. no P(X--2. Y del Problema 2.8.u) d. (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. (b) Hallar P(1< X <2.8 (b) y 2.cAP. De estos vemos que P(Y=Y¡ = verificación:1*3 +!+1 ''7 74'7 t4 fz( =t 2. Y es f (n. es decir | | f@.Y=L) + P(X=21 P(Y=L) E resultado también se deduce del hecho de que la función de probabilidad conjunüa.Y<2\ = t2l (2c g32 * Bc 1'4c) -f (4c*5c!-6c) :-: 'L 42 4 n otcomo se indica por las entradas sombreadas en la tabla. puede expresarse como una fi¡nción de ¡ veces una función de y. 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 son independientes debemos tener.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD De la Tabla 2-6 determinamos que 53 (b) P(X=2. Hallar las funciones de probabilidad marginal (c) de XV (b)de Yparalasvariablesaleatorias del Problema 2. y. Si las variables aleatorias. Demostrar que las variables aleatorias X. Y <2). 1<g<5 de otra forma 1o (c) Hallar P(X>3.9.9. (o) Hallar el valor de la constante c. 2. 2.{. para todo r. 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.u) = lcnU 0(r<4. como se determina de los Problemas 2.10. P(X=2.

= = 1 C' 5r. 7 ñ J"="To' = ln 2.olduclo dudo = P¡re o > ft (s J. 1""=140.o' = "Í.F .'=. Hallar las funciones de distribución marginal (c) de X V(bl de I' del Problema 2.'=r$l'"-.Yl'"=. 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. .Tn' = idt\t/|. 4.12.r=o(ry-.11.=o J"=.o)ctud.'uau)a' = *f. la integral tiene el valor f4 ¡5 J. fv J-"=oJ"'='ffiauao = + .1Í":=. =y( 5 ec Fzful = P(Y <-vl = Í¿t=_@ f1 ¿ú=l f" f@.2<Y ' (c) <3) = Í.:o J"=rcnvilxils ft rrs = " J.54 vARIABLEs ALEAToRIAs y DrsrRIBUcIoNEs DErRoBABTLTDAD -l IcAp. Oo = #Í:=. (ó) Utiliz¿ndo el valor de c hdl¡do en (a) tenemoe P(l <x <2.r.'=. y).(a) = 0.=.2 Empleando la defrnición de /(. = e6c Entonces 96c = 1 y c : 1/96. fi uo = # 1."=. [ Í=.podrfamocremplazarenlaerpreaiónanüerior(por<.r"=. para 5 < 0. (o) L¿ función de di¡t¡ibución marginal para X ¡i 0 < ¡ ( 4 ec Ft@) = p(X=r) = f' ¿u=-4 ¿O=-@ f" fet.)* = "Í:=rr2adr = "tu*)l'_. Por t¡nto Fr(rl = 1. Ft(¡) = 1.* s /rz11z .frarau = * Í'^='lÍ"'="u aafa' = + f"="#l'"='* L f4 Br.¡¡'J. xaau )clx = "!.=oL.Y=z) = í:="í"'=.- ñ E P(x>s.

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

..f . (2) puede Fig. Primero suponemos que a medida que r.. podemos demostrar que u y u también crecen.. esto es.1)llJ duda ("' ("'n.1 .4v. Ju. y : Ju. ' olü au = ¡'tl f ¡¡gqullv'tu:du Esto es válido pr. Análogamente podemos demostrar ('36) para el caso donde . como puede deducirse de la figura.v)dud.z 46. u) ellacobiano.(' 'u2 l3-' '. página 46...=o g6.\: ?u. Demostrar el Teorema 2-3. págir.56 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP.16. Jtl r s(u. Entonces.a).= fu ). Dr P(r1<X1rz. Úz(u.67).r\uti. pá$na 46. Demostxar el Teorema 2-4. donde ry''(u¡ ) 0 (es decir la penCiente es positiva).y) fe2 dr dy Remplazando avanzado que r : Út@.o'tlJ J< que es (3ti)._-.¡. = 2. La función de probabilidad para U está dada por s(u) = P(Lt ") = Plo(x) . 92fu.2fu. Primero considere el caso donde u : ó@) 6 x : tenemos función creciente. | trrr J| s(u. y crecen. u aumenta a medida que r aumenta (Fig. Demostrar el Teorema 2-t. Para el caso donde rlr'(u) -< 0.' ut 12 : ¿ ttt V@) en la integral al lado derecho. esto es. ) O.u11V1o. (r) (t tlt(u) es una P(ut LI 1tt"): P(rtlX1rr\ f¡7 (2) Remplazando x escribirse como /'ü: | t\u) titr 'ul |.fl. 2 lu=rd' CAMBIO DE VARIABLES [r(3-r)z r 'rldr 48 2. Véase Problema 2. "rl "" /{. 2-1'7).16 ó P(ut<Uiu.u).u. Igual que en el Problema 2.17.Ll Plx = gfu)) = f lv@)l En una manera análoga puede demostrarse el Teorema 2-2. también podemos demostrar que (31) se cumple (véase Problema 2. pá4ina 46.páqina 46. 2. es decir g(u) _. 2-17 f .66. Por tanto = fI¡rfu.a) a@'a) donde es d\u.u . para el caso donde J 0. pá$na 46..a todo u1 y u2 solamente si los integ'andos son idénticos.rl duda = f"' (''' Ju. u).15.t'@) Este es un caso especial de (34). L es una función decreciente de ¡.At<Y<Az) = | fre | l(r. u) en la integral de la derecha tenemos por un teorema de cálculo flrrtu. El teorema también se puede demostrar si rl'(u) 0 ó r/'(u) ( 0. .2 1 L (" = J.

o por el Probler¡¿ 2. o el hoblema 2. U: * .16 que la Tbnemosu:tl3(L2-f.cAP.Enüonce¡1. página 46.2-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.. | .2O.. du ¡5 <tz:_su.+ l larelación entre loe valoreedeuyrdela¡variablesale¿torias donde u:2. recfprocamentg.19..'ll = 1 2. Como se obeerva en esta ffuura el intervalo . 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 ¡.Loe valore¡ de u que correrponden a¡= .U<u) = P(-B<X<\fr) = J-s f@lA. UyXqtídadapor y8€hatomadol¡raízrealpositiva.. página 46..I9.3 ( 6 corresponden a los valores para los cualeo 0 S 36 como se muestra en la Fig. HaJlar la densidad de probabüdad de la variable aleatoria U = )? donde X es l¡ va¡iable aleatoria del Problema2. = P(.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD es 67 2. La función de es disüribución para U G(ul = P('tlu') Entonces si 0 Fis. .18. Tenemos tL = tr2 ó r = *\ñ.16. La función de probabilidad de una variable aleatoriaX está dada por f(a) = iL0 (12/81 -3<c<6 de otra forma Halla¡ la densidad de probabilidad pllra la va¡iable aleatoria U : t$2- X).sutz¡21 ].3 ¡e deduc. En este caso no podemos emplear el Teorema 2-4 directamente ¡rero podemor proceder de la manera eiguienüe.2. f(r) = to de otra forma Halla¡ la probabilidad para la va¡iable aleatoria a = X4 + Puesto que l..)óx:L2-3u.3 y* = 6 rcn u = 6 y u -2re¡I¡ectivamente.tt¡¡f".2 = _. de probabilidad pedida para U ea ( z-ni i s("! = 1o utilizando el Teorema 2-1. Puesto que ú'(u) : dx/du : .e por el Teorema 2-3. u= r+11 6 r =n/F1. Los valores de r para los cuales.17.A¡íparacadavalorderhayunoydamenteu¡valordeuy función de densidad para U ee s(ut Verificación: = ilt'. de otra forma ."1:-...!7..E2.¡función u = 2. 2-18. 2.3. La función de ptobabiüdad de una variable aleatoria X (2-' ü=1.82.3 ( ¡ < 3 corresponde a 0 s z s 9 er tanto que 3 (¡( 6 corresponde a 9 ( u ( 36.

Por üa¡¡to la región 0 I r 1 4.2 l*ibníz (12). 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. u : r. 2-19. Entonces la ¡olución ¡imultiinea re¡ulta r : u.11) hallar la Método 1. etcogiendo arbitrariamente l¡r eegunda relación.=. Si las variables aleatorias X.a) (véase Problema 2.58 VARTABLES ALEAT1ORIAS Y DISTR.u 110 que ¡e muesEa eombreada en la Fig. 1 < y ( 5 correeponde a la regiiin 0( u ( 4. 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. = 2. El Jacobiano está dado por Fr 0r J_lr"0o oa lüu la" att lo =l I 1 11 -. 1 tZ _1. ! : ll2(u .r'nu ffr:i:0" 'Sea u = t I 2y.ol =#¿" . = {.1. 2 ea - Fig.<¿<36 de otra forma 21rsrz Verificación: zlb.u). uear¡do la regla de c@l Utiüzando la definición dada de = f(r) eeto se convierte en 0<z<9 9. le * fil2136 z4B l. lo1u114 de otra forma .IBUCIONES DE PROBABILIDAD Pueeüo que la [cAP.21. función de den¡idad g(u) ee l¡ derivada de G(u) tonemos.-ro 0 6<¿<10 f4 afu.2 < u . función de densidad de U = X + ZY. Y tienen función de densidad conjunta r(x.

u = x2 y . Mo ¡oe conducealasolucióneimultánea s=p2/34-r/t.cAP. Si las variables aleatorias & Y tienen la función de densidad conjunta 4' L <s <5 f(r.2-2O Fig.y=y2/3p-rl3.22. De un¿ manera análoga podemoe obtener el Al deriva¡la con respecto a ¿ 8e encuentra (u . IL m de b Flg.2-2L 2.2l como VARHBLES ALEAI"ORIA"S Y DISTBIBUCIONES DE PROBABILIDAD 69 'lar p determina refiriéndo¡e a lae regioner ¡ombreadas I.11) hallar la función de densidad conjunta de U no uu está dada por o<azlgu-r/t<4 gue son equivalentee a . 2. Fíg. Nlétod. [. El Jacobia¡¡o estó dado por .21.' I":".a función de di¡tribución de la variable eleatoria X + 2Y erüá dada por P(x *zY É ut = Íl rr2y 3 t@. 2-19. Al dividir egüa¡ ecúaciones obtenemoe y/r = u/u aef que y = ut/v.L(y(Senelpla' (véase Problema 2.i 1<c<5 Pa¡¿ 21u ( 6 obserraÍros al r€ferirnoo a la Fig."'' gunoo = Í"::'lW-#fo' + 4)t2304.u2 t< 7) uztga-rls < L26'u 6 1 64u 1u2 < Eata región ee muesba eombreada en la Fig. V = )PY. I/aimagende0(x14.ytdrdy " = ÍÍ fta. Considére¡e u : xy2 .au i*Z=.a) : {*''nu de otra forma :':' 0 L = XYz. 2'20 gue la últim¡ integral ee igud a Í"--. eüc.2)2 (u reeultado dd método L para 6 ( u ( 10.o 2. 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.

.IBUCIONES DE PROBABILIDAI) [cAP.u-a)ilo conecponden : X + Y. La función de di¡tribución de U = X + Y es iguql a la integral doble de f(x. donde arbitraria¡nente hemo¡ ag€gado la *gunda ecuación.o) .u-r. A e¡ta¡ ecuaciones u: x i !. que la función de densidad marginal de U c@l = f' f@.r f. El Jacobiano de l¡ tran¡fo¡mación ertá dadopor rSe deduce de (261. 192 d'l l#'úl = l: -l ee -l Arí por el Teo¡ema 2-4. por el Teorema 24.u. V : X. o= Í6 x.:v. Demosbar que la función de densidad de U'= X * Y es s@l Método 1.-t rsu-ual J . la función de deneidad conjunta ile (J y V ea g(ü. 2-22. Sea LI = Íl-rO. Sean X.2 l-lor. cer.60 VAR¡ABLES ALEATORTAS Y DISIR. y). página 46./t=-a f f"-' f' Lnr1¡=-a c@l = ¡1r.. como ¡e indic¡ por la parte ¡ombreada en lrr Fig. -tuznr-trs I -lu-zrso-zrs A¡f la función de densidad conjunta de U y V es. Método 2.u-.l: l= | f.to-t..y¡ay]dr -J La función de den¡idad de U e¡ la derivada de G(u) con re¡pee por ef -a (' l@."u-n.üdrdu .xl = {u--''"o-rtsl288 IO CONVOLUCIONES < ilu' tt 1 u2 < l26tt de otra forma 2.23.o) = {*O=f3-Io ($u-2t3a-2rt') o2161u' tt de otra forma tt-z 1u2 < l26tt c@. c¡üo ec G(ul = (( Í@.i"au Pue¡to que la región eetá por debajo de l¿ lfnea ¡ * y = u.2-22 utilizando la regla de Leibniz (I2) primelo en la integralder y luego en la integral de y. y: u. y) tomada ¡obrc la región definida pbr * f y s u. vemor que G(u) üo a u e¡tá dada = .u-o) págin¡ 46.u-r)ih F's.f(t¡. f variables aleatorias qup tienen una función de densidad conjunta f(x.ld.

(o) Empleando los ¡esultado¡ en los Problema¡ 2. así que por el Problema 2.26. (b) P(Y : 1lX : 2'¡ pan la distribución del Problema 2. de densidad de U: X * Y e¡ y): f t@) fz(yl. pígna 47\" Tenemos Ít* fz = | /r(") fz@-o) Jo=-a Haciendo fa da u)= a.8 y 2. (y) respectivamente.9 t¿nemo¡ ftutrt = arf que con ¡ : 2 ffi:*+#t f(ylz\=g#f=+ P(Y=rlX=2\=/(1l3r=*z (ó) .-*) = 1 2.l) = 6(e-zt .2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD 61 2.to ¡iu>0yg(u):O¡iu(0. Y son variables aleatorias independientes que tienenfunciof. 2.- u de tal maneraque u = u-u. obtenemos (-' Ítrfz = . R'ex.f¿ .u:-dw.f2(u-t:ld.olver el hoblema nes de densidad f t@).rru-u)f2@t)(-d.f 2* f1 (Propiedad 1. halla¡ la función de densidad de su sumao U = X Por el Problema 2.cAP.23 si X. Si X. Por tanto Cful = | JO f! (2e-2ül(ge-sru-u))do (" = 6"-su.27.e-tr¡ f -'. HaJlar (al f(y l2).{olf2(u-olito = f t* fz que es la conuolucidn de h y fz.241a función de den¡idad pedida es la convolución de f t y fz y eetá dada por c@) = ft*fz = f' fr(o.ar@u . Ve¡ific¡ción: ao ifui = 6o.fw=n .8.25.u = (.<0 L0 ü>o * fg"-to a=o " frfu\ '-\e' =1l0 a<0 Y..d.f . 2.24.w) = (" DISTRIBUCIONES CONDICIONALES fz@\lt@-u)dut = fz'ft "/u=-n 2.23 la función s(ul = t'. Y son variables aleatorias independientes que tienen funciones de densidad ft@l =112"-t' . Demostra¡ gue fi t.a J_ú En el integrando f1 se anula cuando u ( 0 y f2 8e anula cuando u ( u.o{üau = tfo'k-r"-"-rv\d. En este caso la función de den¡id¡d eonjunüa et f(x.

Pa¡a los ohos valoree de r. como 8e integrando con reapecto a ¡ desde r = y hasta Í: indica por la franja horizontal en la Fig.rYP* está.2-23.a) = {t^" de otra forma 1=1=. la deneidad marginal de Y se obtiene fijando a y e L.¡.t'o<a<r [0 se muestra Hallar (a) la densidad marginal de X.62 VARIABLES ALEATORTAS Y DISTBIBUCIONES DE PROBABILIDAD lcAP. Si X. : J'(i**r)0..2 2.) = Jt=o Sxydy . Y tienen la función de densidad conjunta r(r. ft@la) (d) = ffi . La función de den¡idad condiciond no está defrnida cuando L8 función de densidad condicional de Y es. ft (¡) = (b) 0. para 0 ( r ( 1. (b) la densidad marginal de Y. /(¡ | y) no ertó (ó) P(Y>l¿l+<x<l*drl = tr*. dada I 16 2.2E.rlrol+)0. (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. La región sobre la cual f(r. (b) P(v > + I + < X <*+d'r). hl. rt*) hallar (a) f(alr).* :". pa¡a 0 ( y ( 1. ¡. y) er diferente a cero sombreada en la Fig.'.4¡s pare 0 ( ¡ ( 1. (c) la densidad condicio nal de X. La función de densidad conjunta de las va¡iables aleatorias X. El resultado es (' Ítu. = t¡*} ftulr\ h¡a oü¡o¡ ralore¡ de = definid¿. El re¡ultado es para 0 (y(r. (d) la densidad de Y.ffr:j:r. 2-23 (c) La función de den¡idad condicional de X ec. !2@) Para = Í' Brydr = 4aÍ-u2'l lo¡ otros valores de y.a) = {i. (o) Para 0kc(1. = Í. 2-23. f2Q): O.i¿¡t\ = {o (2r/(L-azl a=r=l otra¡ O. Análogamente. 2-23.): fz@lr\ = !(u'a'-l = {'u'* h@\ lo La funeión de densidad condicional no está definida cuando JFr o=u=r otray (¡): 0- . Y por f(r.29. Fig.

2-23. La función de deneidad ertá dada por f(r) r_ /r)rl = "Lt . Ít@l = 4r?. Y están dadas respectivamente por (r) f . Determinar si las variables aleatorias del Problema2.31. 2-24).r) = .30.32.)¿.cAP. y a¡í { Y son dependientes. = lo'Ar"d. Determinar la probabilidad Denótense por X Y la¡ va¡iables a¡ociadas con lo¡ puntos dados. Portanto f(r. = t. tenemos ("fr. Puesto que se supone que intenalc igualec tienen probabüdadee iguales. la función de densidad estd dada por . y) : 8ry.ls rbF /"\2-1.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 63 Verificación: fo' .t L \a/ 2.. htotdda -- Ío' 2. 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.G't = lI 0<¡<1 | 0 de oEa forma f zfu) : tf f 1 ofY=1 o de otra forma Entonces ya que X.2-21 Puesto que siempre se hace impacto en el objetivo. Dos puntos se escogen aleatoriamente en el intervalo 0 < de que la suma de sus cuadrados sea menor que 1. y) puede expresarsecomo una función de r por una función de y.r'lúttr = Í"' fo" &or : .(. ¡ < 1.(. R es la dista¡rcia del impacto desde el centro del objetivo. b(Boz-br¡ =. Hallar la probabilidad de pegar en el blanco.30. = . la¡ funcionee de densidad de X. Jo L /r)'lo' = \a/ --) r de lo cual c = 312a. que se supone üene radio b. : T zalo lr-(i) Jl. Eeto ¡e debe a la restricción 0 < y < ¡. f(t. que flr.¡ _.A\ = 8rA. tal conclusión serfa verdadera- APLICACIONES A LA PROBABILIDAD GEOMETRICA 2.29 son independientes. Suponer que siempre se hace impacto en el objetivo. + f t@) Í2fu). Íis.rrrro.21). fot rrror¿a = fo 4A$-u2lda = | 7 f"'r. Y son independientes.)']0" Aquí.U) Debe anota¡se que no puede deducirse a partir de f(x. EnlaregiónsombreadadelaFig. c es r¡na constante y o es el radio del objetivo (véase Fig. Entonces la probabilidad de pegar en el blanco es Jo I rb t(. fz(A) : AaQ-A2').[t . Si ecta ee remplazarí pu alguna reshicción en y no dependiente de r (como en el Problema 2.

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

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

yeatarolucióntienelaepropiedadeodeseadas. Br2 . obtenemos oha erpreción. y). 2. 2.8 elJacobiano eetáda- . Por tanto. i) ¡e encuentra dentro del rectángulo.y) = I 2z2y*xy2-8!-ZV2 420 F(x. 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 |.66 VARIABLES ALEATORIAS Y DISTB. Hallar la función de densidad de U : Método f Sea .3') = g F(z. Lor result¡dos completoe se muestran en la Frg.Entonce. 2-2t (h) Las va¡iable¡ aleatorias aon dependientee ya que f(r. lo que er equivalente F(r.2rs = - 2U8 a = h(r) = ¡fi e8 u¡¡a rolución.al + Fr(r) F2fu).Y es f(.y 1 l. ala¡cuales correcponde u:Í1.¡) = I F(r'Y\ = I F(r. B.84. u: x 6r:u.yl = F(r. P(X = di¡tribución deben ¡er igualee.ntonc€. do por U: XY. F(r. para 0 ( r. etc.1) ó &: a2 6 PortntoY:*tE. V: X.r. Xf si la función de densidad conjunta de X.vl -| F(r.IBUCIONES DE PROBABILIDAD [cAP.36.2 Cuando (¡. o<Y<1 de otra forma Suponemoequelafunciónde¡conoeidahestalqueloeinüervalocXSr.al + ft@lfzfu) o. r): P(ts< yI e¡ decir la¡ funcione¡ de Jo f " au$ - u) ttu = (u Prt(t Jo BAI t)2) d.a\ - o Fig. !: u/u.2-28. Por incpeccióa.yt = d+# F(r.Y=y:l¡(*)üienenuna correrpondencia uno a uno en una forma continu¡.

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

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

47.18. = Determina¡ (o) la función de VABIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 2. 2. Una moneda ¡e lanza tres vece& Si X es l¡ variable aleatoria que indica el número de caras que rerultan. Comparar los re¡ultados con los Ejemplos 2. de digtribución para la variable aleatoria del Problema 2. Hallar la di¡hibución de probabilidad de Z. (a) Construir una üabla que muestre la distribución de probabilidad de X V (ü) FUNCIONES DE DISTBIBUCION DISCBETA 2.4L.41.on remplazamiento. repreeenüar gráficamente la di¡tribución.38.IBUCIONES DE PROBABILIDAI) 69 Problenra.44. (D) Problema 2.38.39. La Tabla 2-8 muestra la función de distribución de la variable aleatoria X.39 si s€ extraen las bolas c.19.1 y 2. (D) P(l < X g).46.4O. Una urna tiene 5 bolas blancas y 3 neg¡a¡. (c) P(X >21. Rnpre*ntar gráfrcamenüe las funciones de densidad y digtribución. (¿) P(X > r. s). (o) Conetrui¡ una tabla que indique l¿ función de dietribución de X y (b) representar gr6ficarnente e¡ta función de distribución. 2. Sea X la yariable ale¿üoria que representa el número de ases extrafdos aleatoriamente en 4 ca¡tas de una baraja de 62 cart¡¡.42.42. (c) Problema 2. (r) P(. La función de probabilidad de una variable aleatoria X ee muestra en la Tabla 2-7. Obtener la función de distribución y su gráfica para el (c) Problema 2. (a) construi¡ una tabla que muestre la distribuci6n de probabilidad de X V (b) representar gráfrcamente la di¡tribución. Resolver el Problema 2. Si se extraen doe bolas aleatoriamente sin remplazamienüo y X denoüa el número de bola¡ blancas. 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 2.41. 2.2. Una variable aleatoria X tiene función de deneidad f(n) = | "r' 1 "r L0 L< aé2 21r13 de otra forma . 2. la con¡tante c. (b) Problema 2.46. (ó) P(1 < X < 2). probabilidad. (o) hallar la di¡tribución de probabilidad para X V (b) repreeentar gráficamente la distribución.cAP.47.48.E¡ suplernenta. Una variable aleatoria X tiene función de den¡idad l(x) Ilallar (o ) = 1o = (ce-g" c)0 rso (d) P(X < 1).rlo s VARIABLES ALEATOBIAS Y DISTRIBUCIONES DE PROBABILIDAD DISCBETAS 2. 2.40. (dl P(X < 3). Obtener l¡ función de dishibución y su gráfica para el (o) Problema 2. Hallar la función 2. describiendo la relación entre ella¡.89.2l VARIABLES ALEATORTAS Y DTSTR. 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. 2.

f(r) = 1o 0=rÉ2 deotraforma Hallar (a) el valor de la constante c. DISTR¡BUCIONES CONDTCIONALES Y FUNCIONES DE DENSIDAD 2.(c)P(|<X<*). (e)siX Ysoninde 2. (b) P(X=2. (D) de Y dada X para la distribución del .2.54. 2 2).(b)P(X<+.64. E)emo¡trar el resultado del Problema 2. Halla¡ la función de distribución para la variable aleatoria X del Problema 2.49. (g) P(Y = 3). Halla¡ las funciones de distribución 2.3. (b) P(1-12< X <312). Y = 2). ¿Puede ser la función (c(I-12) F(r\ = 1o una función de dishibución? Explicar.Y>+). y su función de probabilidad conjunta puede expresarse por el producto de rfna función en ¡ y una función en v. Sean 2. 2. (c) P(I<X< 2. Y son independientes solo si poro todos los uolo¡es de x. DISTRIBUCIONES CONJUNTAS Y VARIABLES INDEPENDIENTES 2. Hallar (o)laconstante c. SiP(X:3):0hallar(o)laconstantec. 0< gr< 1 f(r'u) = 1o deotraforma Determina¡(o)laconstantec.Y = 3).63. (d) la función de dietribución. (fl P(X = r). (c) P(X>l). 2.56 para el caso donde las variables son continuas.3. Y variables aleatorias continuae que tienen función de densidad conjunta (c(r2*a2) 0Ér< 1. (b) P\X'> PROBABILIDAD [CAP. 0= ¡=1 deotraforma 2.56. (cl P(llz < X < 3/2). marginal (a) de X.2.ó8. Hallar las funcionee de probabiüdad marginal de (c) X V (b) (c ) y para las va¡iables aleatorias del Problema 2. (e\ P\Y < 2).(d)P(Y<{). 2.ñ. X.ót. Demostrar que las variablec aleatoúas di¡ctetas X. (d\ P(X > 21. La función de probabiüdad conjunta de dos va¡iablee aleatorias discretae )d Y eet6 dada por f(x. (d) P(l<X<2).52. (b) de Y para la función de dencidad del Problema 2. (b)lafuncióndedensidad. Sea X una variable aleatoria que tiene una función de densidad (r.67.54.!: L. pendientes. La función de distribución de una va¡iable aleatoria X está dada por 2. De'rerminar ¡i X Y son independientes.57. 2.70 VARTABLES ALEATORIAS Y DISTRIBUCIONES DE Hallar (a) la constante c. (c) P(X > 1). Halla¡ la función de probabilidad condicional (o) de Problema 2. X dada Y.56. y): cxy parar: L. cerode otra forma.69.60.

p6gna 46.página46. SiXüienefuncióndedenaidad f(r):(2v)-r/2"-érz. hall¡rladensidadde Y = tan-rX. (b ) Iluatrar el re¡ultado en la parte (a) erco$endo f(rl = i: l0 y verificar la solución.2L e¿ igual a 1. Completar la labor necesa¡ia para hallar gt(u) en el método 2 del Problema2. Sea la den¡idad de X Í@l = Halla¡ l¡ densidad de (¿) 3X (l/2 to -l<r(l deotraforma . 2.(¿) S 0. si f(r. < 5 < @. (e-(r+u) x>0. de otra forma [^ la función de ilen¡idad conjunüa de X.paraloscaso¡ (al g.69. 2. (c) r¿.(ulZ 0. Veúfic¿r que la integral de gr(?r) en el método 1 del Problema 2.57 . Hallar la función de densidad condicional de (c) Xdada Y.66.6t. Si X tiene función de densidad f(r) Hallar la función de den¡idad de l"-. 2. n)0 = to r=o Y: X2.2l VARIABLES ALEATORIAS Y DTSTRIBUCIONES DE PROBABTLIDAD 77 2..6!. -. (bl Xs + 1. Hall¡¡ la densidad condicional de (c) X dada Y. 2. (ü) Y dada X. hal|arlafuncióndedén¡idad deY=*. . (b) Y dada X.cAP.2I y verificar su reapuesta.62. Siladen¡idaddeXes f(r)=U"(r2 *1). para la digtribución del Problema 2.at = 1. (o ) Si la función de den¡idad de X es f(r ) hallar la función de densidad de X3 .2.7O.@) < 0.rl:j"<s<L Hallar la funcióa de den¡id¡d ondicional de (a) X dada Y.72.67.*. DemostrarelTeorema 2-3. 2. 2.ú = { 0 J^ ^¿_.66. 2. 2. -a <a < . Y.71.. (*e-2. y>0 f@.64. Demo¡tra¡ el Teorema 2-2. u >0 n1O 2.63. l. (ü) *. (D) Y CAITIBIO DE VARIABLES 2. 2. Sea dada X.

2.22 pare. y:8 ¡enO demoeEarqne la -@ I e¡ ob\=i ¡r"-tz/2 r=0 r'(0 l0 2. Si la¡ va¡iables aleatorias independienteo X1 y X2 están di¡tribuidas idénticamente con función de den¡id¡d | (t) f te-t t>:0 L0 ú<0 hallar la función de den¡idad de X1 * X2. CONVOLUCIONES 2. . ofrf 1.8E. Y variables aleatorias que tienen función de den¡idad conjunüa Í@. Si X.79. Sea l(n'u) = ){ (1. -e 16 1o.72 VABIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD Verifica¡ por medio de integración directa [cAP. V = X I Y.emosha¡que (a) lt*(fz*fs)=ft*fz*ft*fs' (b)/rt'(lz+fs) =(/rof)*fs' = Z y lttryo utiliz¿ndo convolucione¡ 2.8O.76. Hallar la función de dengidad de Z = XY. para hallar la función de den¡idad de U = X + Z. yz0 deotraforma {o = X/Y.t1. 2. osv51 to deotraform¡ la función de densidad conjunta de Y.halla¡ la función de den¡id¡d de (a) U : XYz.22.77. l¡ función de den¡idad conjunta h¡lloda en el hoblema 2. Sean X. Emplear el Problema 2.a) = (2r\-rs-(r2+Yt). Re¡olver el Problema 2. 2. hallar la fi¡nción de den¡idad conjunta de U y V. 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.R y @¡ott tt. 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. Doc puntor ¡e seleccion¡n aleatoriamente ¡obre un segmento de lfnea cuya longitud a o ) 0.r""""va¡iablesaleatoria¡taleequeX:R co¡O. f.21 primero efectuando la Ea¡rdormacií¡ 2Y 2.2 2. APLICACIONES A LA PROBABILTDAD GEOMETRICA 2.t2. Si. 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.).7t. Sean función de densidad de X. < U < @. Sean X.75. 2.74.76. (bl V = XzY. y tienen función de den¡idad onjunta f(r'u) = y tJ (e-(t+vt r>0.

f(r) = ( cre-22 r >. 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 . (e) H¡tlarP(X > 3)..¡¡ue. (e) HallarP(2 s X< 3).1. 2. Dos variables aleatorias independientee. es la función de densidad para una variable aleatoria 2.9L ¿cuil ea la relación en'tre la¡ rcluciones (c).92. 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.t9. P(l<x<2.ln 2)lZ. M.86.2l VARIABLES ALEATORIA. 2. deotraforma Hallar la función de densidad de la va¡iable aleatoria Y: X2 y verificar ¡u ¡olución.GlP(x+r>1).E4. (d) Hallar P(2 = X ( 5). Halla¡ (o)P(0 < X< 3). (d) P(l <x<21.(d)HallarP(X> 1). En el Problema 2.Y=ll.91.9O. ' PROBLEMAS DIVERSOS 2.E8. Dos segmentoe de línea. Un¡ pcr-na decide 6 minuto¡. (c) Repreeentar gráficamente la función de probabilidad y la función de distribución.t7. y la¡ 3:80 P. (b) Hallar la función de distribución. 8i no lo toma. 2. 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. ¿Cuál es la probabiüdad de que tome el meüro? Se sabe 2. Supóngaee que 2. (c) Representar gráficamente la función de den¡idad y la función dedistribución.u r€.t6. La función de probabilidad de una variable aleatoria X está dada por f(r) dondep es una constante. r :1..cAP.DoopuntosPyQ se escogen aleatoriamente sobre AB y CD reepectivamente. X. . F(rl = 1"0_"_. encontrar c. Supóngase que f(r) : cl3t.t¡. (o) Deüerminar a (b) Hallar la función de di¡tribución. M.. t)o es la (0 rS0 (b ) Determinar P(1 función de distribución para una variable aleatoria X.. AB yCD tienen longitude¡ de 8 y 6unidadesrelpect¡vamente. P(r=1). 2. . tomará el metro. < X < 2). (a) Demostrar que para una constante c apropiada.S Y DISTBIBUCIONES DE PROBABILIDAI) 73 2. 2. (b)P(X> 1).0 {o deotraforma X. Una va¡iable aleatoria X tiene función de densidad l$tr-¡z) o<¡51 f(xl = t. e¡ la función deprobabilidadparaunav¡¡iablcdeaüoriaX (o) Determinar c. (d) y (e)? Jurtifrc¡¡ .

91 halla¡ la funciónde den¡id¿d de (o) X2. (b) X Si -X. 0 os¡=2'o<Y=' de otra forma 2 (o) Determinar ei X. 2. Sean -(_ Y vari¡ble¡ aleatori¿¡ independiente¡ di¡tribuidae idénticamente y con función de densidad (2v)-r/2¿-úr2.L.1. ¿Cull er el análogo del teorema de la convolución para variables aleatorias di¡creta¡? Ilustrarlo usando el hoblema 2. (d) Harlar P(Ll2 2. La función de probabiüdad conjunta para las va¡iable¡ X. Demo¡trar que la función de den¡idad de X s(u) I @# u=0. ¿por qué? +l En el Problema 2. 2. dada en la Tabla 2-9.( tt ( -. Un¡ estaca de longitud . y < g) = p(X > p(y < +. (b) Hallar p(X>tlz). Y son independientes. x. Y son independientes.Y<312). /(z) = 2. * Y es ) 0. Y está.(u) = ¡1e:r donde l..s7.. y > 1). . 2.(d)lafunción Hallar(o)laconstantec.101.1ü1. (d) Hallar 2. Estudia¡ ¡i considerra que eltar oupoeiciones Bon realistas y cómo podrÍa mejorarlas si no lo son. 2.. Hall¡r ta función de densidad de Z .96. Supóngase que la función de probabilidad conjunta de las va¡iables aleatoria¡ X. (c) HallarP(Y = r).98. Generalizar (o) et hoblemz 2..y> 1/B). Sean X.103.(c)lafuncióndedensidad 2. Y variables aleatoria¡ independientes cada una con función de densidad . Y está dada por I r/9 r/6 r(r. En el Problema 2. -.0<U<t de otra forma P(X + (a) Determinar ai Y> rl2r.. (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. 2.(b)P(X>Ll2.y>1).93. nal de X y f..a) = de deruidad (marginal) de Y.L se rompe en dos parües. t2<X< l).78 y (b) el Problema 2.). (b) ttallarP(l S X< 3.79 a tres o má¡ va¡iables.X2 + Y2. (c) Dererminar si X y Yron independienter. X Y va¡iable¡ aleatoria¡ que tienen función de den¡idad conjunta f(r. (c) Iüllar p(x<rlz. + y.2.2 2.ur = {"-'o |.99. u=0.102.2.93 ee cumple que P(X > +.101.74 VARIABLES ALEATORIA"S Y DISTRIBUCIONES DE PROBABILIDAD sean lcAP. (D) Hallarp(1 <x<1. f tienen función de den¡idad conjunta f (r' u) = t o llla 0(¡(U. o<Y <2 | c(2r+Y) o(¿(r' o de otra forma I (marginat)deX.94. ¿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.96.

'"L'. Si es l¿ f (r'a' z) = ( 1 rv2zs 01r11.107 halla¡ la probabiüdad de gue una ¡rarüfcula pegue 8l objetivo entre A = O y0 : Í14. - 2. . c Fis.109. r *"loq. Z.1O5.¿.ri"r" dos de esta¡ va¡iables aleatoria¡ eon independientee.a.IBUCIONES DE PROBABILIDAI) 76 2. Z> $). 2. Ilallar (o) P(X > Y< +r. 0121L o de oha form¡ 1.1O4. dada por Ilemochü que la dirtribución s(o) = lcosa 0<c<n/2 deohaforme {o donde 0 es el ángulo que la línea OP (de. 2. (¿) 2. Demorbar que la probabilidad de que l¡ atuja intersecte al meno¡ un liado.s de radio q e dirige haci¡ un obietivo hemi¡férico ABC co¡ centro en O como ¡e indica en la Fig.J'v 1r' o1z. 2-32.106.1O4 para que la probabilidad de intersección ¡ea mádma? Erpücar ru rcluci6n. 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. Un piso ertá con¡huido de cuadrado¡ de l¡do L Una aguia de lon¡itud o1l a lanza al piro.2l VARIABLES ALEATORIAS Y DIÉ¡IT.1O7.10t. Z tienen función de den¡id¡d conjunüa r(r. la! b€s no son independientes. función de den¡ided conjuata de tres variable¡ aleatoriea X. Y..cAP. Pa¡a una aguja de longitud dada ¿cull debe ¡er el t¡do del cuadrado en el Problena 2.2-32 2. En el Problema 2.ede O a cualquier punto P del objetivo) forma con el eje. P(Z<X+Y).z) Demo¡ka¡ que au¡que = ito-""trtcosracos¡rz :. es decir ¡ur factores funci6n de densidad marginal. Supóngase que la¡ variable¡ aleatoria¡ X Y. er igral a o(4t o\ltf . Un haz cilínüico de partícula. 0< y1l.

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

Y) se obtiene por aleatorias se hacen fácilmente.Entonces Y FTJNCIONES DE VARIABLES ALEATORIAS Sea X una variable : g(X\ también (¡ | s(¡)==y) es una variable aleatoria y se deduce :* 1..cAP.. Els(X. Y son variables aleatorias independientes.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.) = ) i 2.y) r)r d.ables X.r(r)dr = Í.¡0.fo" . Y son variables aleatorias. Así por " -Ur. La función de densidad de una variable aleatoria X está dada por f@l = El varor esperado de X es f*u 1.con función de densidad f(r).y \7) 3. . E6n : E(X) E(Y) (10) Generalizaciones de estos teoremas se hacen fácilmente.f"_rt" -2x'¡f@)dx .(i. Y son dos variables aleatorias continuas con función de densidad conjunta f(r.=+ aleatoria. Si X es la va¡iable aleatoria del Ejemplo 3. y\.'.oO¡f@)dr Generalizaciones a funciones de dos ejemplo si entonces la esperanza de g(X. entonces E(cX) Teorema Si (s) X. Se deduce que el jugador puede esperar una ganancia de $5.3.2.Y)l EJEMPLO " = ¿-. E'ex2_ zx) .2.Jf*f g@.. entonces - E(X+ y) = E(x) + E(y) entonces (e) Teorema Si X.l(ir) a' = * : cE(X) ALGUNOS TEOREMAS SOBRE ESPERANZA Teorema 3-I: 3-2: 3-3: Si c es cualquier constante. Por tanto en un juego honrado es de eeperarse pagar $5 EJEMPLO 3.) /("..= *|. entonces (6) Elsul = f. + g(x")f(n"\ (5) = É' s(r. 0<r12 de otra forma E(xt = Í:_. Si s(r) /(¡) X es una variable aleatoria.rrr-z. = Ío'tro. . Si P(Y=v¡: X es una variable aleatoria discreta con función de probabilidad /(¡).a) f(r. entonces E[s(x)] : g(n)f(r) + s(rz)Í(r"\ +'.

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

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

. ¡ri es la r-ésima derivada de M * (ú) evaluada en ü : 0. = l"L.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. la función generatnz de la suma de va¡iables aleatorias independientes es igual al producto de sus funciones generatrices de momentos. Entonces X. AIfUNOS TEOREMAS Teorema SOBRE LA FUNCION GENER ATR. erf(r\ dr (r) (variables continuas) Podemos demogtra¡ que la expansión en serie de Taylor es [Problema 3.r(t\ Teorema = """'**(l) (33\ 3-9: Si X. f M " son variables aleatorias con funciones generahices de rnomentos M y "(t) (t) respectivamente.'NCION GENERATRIZ DE MOMENTOS (27) - 'i|¡'a I-a. Teorcma 3-I0 (Teorerna de la unicidad): Supóngase queX.r. utilizando pl = p ygb:1.4pip I FI.15 (c)] M*(t') : I + tLt * r. donde i es la unidad imaginaria en la función generatriz de momentos obtenemos una función importante llamada lafunción característíca. (t) respectivamente. De la expansión podemos demostrar que [Problema 3. la justificación del nombre función generatriz de momentos es lógica. Yson variables aleatorias con funciones generatrices de momentos M * (t) y M . IUI y (t\ idénticamente.-" (32) es decir. (r) . Y tienen la misma distribución de probabilidad solo si M. La denotamos por . 2p" 6¡Ir¡12 tt. Donde no exista lugar a confusión escribimos M(ü) por M"(tl..80 ESPERANZA MATEMATICA lcAP.=t eo'f(r¡) = 2 ) _.función generatríz de momentos se define como Mx$) ee decir = E(e'*) er"f (28) (variables discretas) (2el (30) M*(t) = M"(t) ¡ .16(D)l = fi*"Oll. entonces la función generatriz de momentos de (X + a)/b es + Mr*ro.t"2 lrt = t"L-Bp'rtr * l"t : t't. entonces M**"(t) = Mx(t)MtQ) (3 /r) Generalizaciones del Teorema 3-9 a más de dos variables aleatorias independientes se hacen fácilmente.3 Como casos especiales tenemos. En palabras. FUNCIONES CARACTERISTICAS Si remplazamos ú : i<.#l+ "' * r:#+''' ¡"i (r 1) Puesto que los coeficientes en esta expansión nos permiten hallar los momentos.

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

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

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

f(r) es máúma. la desigualdad de Chebyshev. Moda. 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.34). Teorema es una consecuencia interesante de 3. .q en la Fig. .6. Xz.. Algunas veces tenemos dos. Xn. En tales casos decimos que la distribución es bímodal. En tal valor r.25 6 P(lx-pl<2"\ > 0.2. tiende a cero : g.. cada una con media g y varianza o2 finitas.3-2 . también se emplean otras dos medidas de centralizaciiln.pero cuando n '+ @. tres o más valores que tienen relativamente grandes probabilidades de octrrrencia.75.\. 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.ro sería 0. es que p con probabilidad uno. la probabilidad de que X se encuentre dentro de 2 dewiaciones típicas de su media es rnayor que o igual a 0.3 3. . que esperamos sea verdadero. Si h : 2 en la desigualdad de Chebyshev (59 ) vemoo que P(X-pl>2s) í= 0. Aunque la ntedia es la más empleada.. la probabilidad de que X diflera de su media en más de 2 desüaciones típica8 €8 menor que o iEral a 0. r): 1l2. trimodal o multimodcl respectivamente. 3-2 es c.10 6lO% y se Fig. : Xt* Xz+ . Mediana La mediana es el valor de r para el cual P(X = x): P(X. lim + X" (n=L.75 Literalmente.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. equivalente. Con li31 frecuencia este resultado se denomtna ley de los grandes números en forma fuerte. Sean X. y. . Cuando se hace referencia a la "ley de los grandes números" sin ninguna especifrcación.19 (LeV de los gnndes números): Entoncessi S. tiene la mayor probabilidad de ocurrir. =o "( *-" =. realmente es falso. Así por ejemplo el área a la izquierda de la ordenada eD f. Por ejemplo.84 EJEMPLO ESPERANZA MATEMATICA lcAP. Estas son lamoda y lamediana. Un resultado más fuerte. el resultado del Teorema 3-19 se llama ley de los gundes números en forma débil. Los valores que corresponden a tales áreas se llaman uolorcs percentila o simplemente percentíhs./n difiera de su valor esperado ¡¡ por más de e.) Sn/n (60') Puesto que Sn/n es la media a¡itmética de X1 . En el caso de una üstribución discreta puede no existir una mediana única (véase Problema 3. La moda es el valor que con mayor frecuencia ocurtre. en contraste.. . 2. se implica la ley débil.. variables aleatorias mutuamente independientes (discretas o continuas). 1. 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. llamado la ley de los grandes números. . o en otras palabras... .25. el ánea a la izquierda de r. este teorema establece que la probabilidad de que la media aritmética S.

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

. js = !+ | + á + # +.. Tenemog E(x) Entonces. el precio del boleto sería más alto.'(+). .os diferentes valores de X conjuntamente con sue probabilidades se muestran en la Tabla 3-2.(i).002.0005) + (0) (0.(i)" = +.977t D(x): (150) (0. s = . Hallar la esperanza de una variable dada por aleatoria discreta X cuya función de probabilidad está Itrl Tenemos : (i)' (t=r.0005 0 P(X : r\ 0.o\El = t7 \o.002 3000 0.3.. Sean X. Sin embargo una lotería gana dinero. ¿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:.002) + 3000 (0.02 750 0. hágase á.'(*).9?75) : 6.'(*) . - E(Y) ^/t\ = tll) * \o/ "' . El precio justo a pagar por un boleto es 6 peeoo.s resueltos ESPERANZA DE VARIABLES ALEATORIAS 3..02) + 750 (0. Entoncee Restando. que tiene un coeficiente de curtosis igual a 3.ero que se ganará un boleto. Véase también Problema 3.41.2. Comúnmente se compara con la curya nonnal (véase Capítulo 4).. Problerna.1.00 ó 6 pesos.86 ESPERANZA MATEMATICA lcAP./ 'l*)* 7 E(X+Y) = E(X\*E(Y) = 3. 20 premios de $750 y 5 premios de $3000 Suponer que se colocan a la venta 10 000 boletos. Y los puntos que aparecen sobre los dos dados. Es posible definir coeficientes de sesgo y curtosis utilizando otras medidas de centralización y dispersión. 3.z. |s = i .. La esperanz¿ de X en pesos es r (pesos) 150 0. En una lotería hay 200 premios de $150...(+). por el Teorema 3-2. Por ejemplo la probabilidad de obtener uno de los 20 boletos que dan un premio de $ 750 es 20/10 000:0.(*) . pero los definidos anteriormente se emplean con mucha frecuencia... Hallar la esperanza de la suma de puntos al lanza¡ un par de dados honrados.3 que es una cantidad adimensional. = 1 PorüantoS:2.) E(xt = Para halla¡ esta suma.'(#). [.s.

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

y) puede expresarae como una función de r multiplicada por una función I.4 l¿ media de X ee ¡t= E(Xl -. y) la función de probabilidad coniunta de X.3 3. Demoshar el Teorema 3-3. p6g¡na 78. Entonce¡ l¡ varianza e¡ Var (X) = Etá . y): f tG) /2 (y). = Wa"(X+Y) = 1/g v6 3. Además.2. Si la¡ va¡iablec X. E(x2) = E(vz¡ ='.y f t@) fz(a) )1. y. (o) Del Problema 3. var(X) (D) 3. Sea ¡t(¡.7.88 ESPERANZA MATEMATICA [cA".:r:¡:* . con las eumas apropiadae remplazadas por integracioneg. independienteo. VARIAT'IZA Y DESVIACION TIPICA 3. püa todo ¡.)'= i o = tFf-var(x) = \E = t r" : Ot¡o ¡nétodo. tenemos E(X): E(Y)= 7 12.p\zt = '[(* -])'] = l:_ (" _'L)' t*.8. por el Teorema 3-4.1/2. Y rcn E(XY) = 22 Í!J! --t ra f@.9.r. Y ¡on independientes.'/'Q)2afztu) . de ¡i X. Demostra¡ el Teorema L4.\2 ^a = f-('-L)''"-"0' = i = El(x-r)21 E(xz¡-ll(x))2 = t. con¡iderada di¡creta.u) = ) ) . por el Teorema 3.(l) var(X) Var (X * ' . Halla¡ (a) la varianza y (b) la desviación típica de la suma obtenida al lanzar un par de dados honrados.(+)-Fr. puetüo que X. Hallar (¿) la varianz y (b\ la desviación típica para la variable aleatoria del Problema 3.. = Var(Y) = +-(. tenemoe f(x.(. ea decir.4. página 77.7 Y) = Var (X) (Y) = F (b) ox+)." (')no(')l E(X) E(Y) Si cualquier va¡iable e¡ continua la demoetración ee desarrolla de igual manera. Por tanto Y.*(á) # :%1 Entonces.)'= * Var y. Y ron independientee. (o) Como en el Problema 3.10. Por el Teorema 3-4. Pa¡a va¡i¡blee dependientec generalmente no ee cumple. / . o."*' ""'*"' =i'|í'. Tenerno¡ E'(x ^"' * u' -'u. Obsérvese que la validez de eate teorema gira alrededor de si f(.

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

= 2 fo'e<t-z>'d. ffirol.) * .+"-. ¡á=0.t (D)Tenemor hsonce¡ et = e_t t+r+#. g s. 8-18.90 EspERANzA MATEMATToA [cAp.) cn(ú - o)" cn = i.rfr.. cualguier función de X y cualquier función de y son independientes..17.2'. (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 .16. La variable aleatoria X pugd..(á) = |G... p'+=L.16.1 = . Todo¡ los momentos impares 6on cero y los pares Eon uno.-'. Demoshar (o) el resultado (Br ).*#*. -T! \ 12 rg t + tU(x) + ae(xr) +¡a1xa¡ a .*rá#*u.Lf". M(t) = Eletx¡ = f" J eEf(t)dr fo" ""1.-"'ro. página g0. Eltt (o) la función genératriz de momentos y (b) lós primeros-cuatro momentos alrededor del origen.. 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... Apéndice A) tenemoe Mxe) = E(etx¡ = n(t+tX-t2x2. Y ron independiehtee. Pcto Al comperu Mx(\ tenemog t!:0. (o) Eqetx¡ = ..r ze<t-Dt : -T=Tlol@ = z li't<2 z-t. (o) utlliz¡ndo lrr erpaneión en serie de potencia de eu (8. !utt" quc X.. página g0._" 3.*"-. 'r"') \ .. For t¡¡to Mx*vQ) = Elet(x+Yr) = E(etxetv¡ : E(etx) E(¿tv¡ = MxG) My(t) 8... = L*pt*uLr4.ú3x3.I con probabiüdad 1/2 cada uno.*#. (r) (zl (I)V e\ = 1_¿+ r+_#*fr_ .(.* pL=1. = . (b) el resultado (g2).r|r*frr. Demostra¡ el Teorema B-9.e t-oma¡ los valores 1 y .. = L+tlt*uL#*ri#*..'.

r./+b(. "\5/ tt4 y. tenemos ttl t2 = r-(*)'= # = 02 Fr . = .r.\51 .'''-r2)/8r :"=i.216 -r. = .".20. 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 . /t = \. .'.. 2 4 8 p'n 16 Pero M(t) = * tt + uí#* rtfr+ tt^fi+ "' = P¡.\.. p6gin 80.17(o) al remplazar t : i<¿ 3.) = \ -./ \ -/ = cosa coso empleando las fórmulas de Euler ¿io con 0 * isena s-io = cos.*L*!-L*!*. La función característica está dada por Eteiux. para unava¡iable aleatoriaX con función de densidad r(r) (c) = i. (b) alrededor dc la media. = E(X) =#Í""*z¡s-¡z)itr =f pL tt = Elxz¡ = # 1"" *rn - s2) d. = 27-s\s5. tti = *.19. al comparar términos.8?b B6eg 8?50 ztcy q\.'. Jo "ot.". : c¿.(+) * .Lp.21... t = )2.i¡en.". '.*.17. = l(3.216 pi = E(Xr) = .-+e i. = 2 ^f FI. pi (b 12) dr = -51 ) Utiüzando el resultado (27\./!\'_ . Por tanto..(l) -. 3.cAP.. El resultado también puede obtenerse del Problema 3. Hallar los primeros cuaho'momentos (c) alrededor del origen. 3] (b) S¡ lúl ESPERANZA MATEMATICA 91 ( 2 üenemo¡ z_t z L_tlZ 1 I = './!\.'NCIONES CARACTERISTICAS 3." = B t.r)\B/ -t\Ei _ ^.1!) * r/9)' 85 ". Halla¡ la función característica de la variable aleatoria X del Problema 3.

"-*l* = -Alo = I - Entonces c: ol2.pxE(Y) .* npv] = E(XY) . = *t_""^"0.útit¡) l€ lo lo ..¡xXY .pvX.ryttx * pxpv = ElXy).lxtty = E(XY) _ E(X) E(Y) Cov (X.c-atxt d. l:. Puesto que f(r) es una función de densidad tenemog Í).. Y es oxy = Y) = El(X .donde c ) 0 y c es una constante apropiada.22. 3.p*y . + fo* n. Si X. e<o+iarz * Jo ¿-<a-. Demostra¡ el Teorema B-15."r. .io') = _a2 a2 * o2 COVARIANZA Y COEFICIENIE DE CORREIACION 3.20) ceñ d = ao.23 = Cov(X.l*-ei.3 D(etx¡ = f-.92 ESPERANZA MATEMATICA La función ca¡acterfstica está dada por lcAP.o<t> ¿sf ...r = "lÍ:. -oo < Í 1 @.rrrrru.LJ_-e(a+t@)ro" q.6-'l "iar¿-. la función ca¡acterística está dada por E(eiax¡ = .pv)] = E[Xy .E(X)E(ts) = 0 .f(r)dr tlÍ-"eíore-o<-x.pyE(X) * E(pxpvl = E(XYI . por tanto por oxy el problema 8.f?o/. o" = asf que I . = "{lo 4f-o u-n<-. = 2a io l-o = | al@t la ela@ .e-ho 2ia. página 82. Hallar la función característica de la variable aleatoria X con función de densidaa f@) = ee-atEt. Por definición la covarianza de X.24. e-(a-i@)¡ 2 a*io l-" ' . Yl = E(XYI -. y eon independientes entonces E(Xy) : E(Xl E( y) . página 82. úu empleando las fórmulas de Euler (véase problema 3._(a_io) ü a L 2(o* io) 2(a. Por tanto.t an + !o' "-"r. arf 2c O + .23.Fxpy .r'. 3. a. Demostüar el Teorema B-14.o = 8en Cú.

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

\r-. . pág¡na62.g. VARIANZA Y MOMENTOS CONDICIONALES 3. . Hallarlaesperanzacondicionalde(c)YdadaXv(b)XdadaYenelProblema2..28(o).. * a) dr tru = # otr .2g.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. (o) (ó) E(ylX=r) = Í-_afrtuldau = ír'r(rr")* = + E(xly=y¡ = f_-".30.27.27. pág¡na 62. p= oxoy -200l3969 /50s615e6-0 {r6únsn -200 t/zsnr/te zzs = ESPERA}IZA. = var (y) = E(vz¡ _ l'(y))2 = t# _ (#)' = t.pág1na62.rrr.var(X) = E(xz¡-ll(xtl2 = #. f u'. Hallar lavariar¡.(#)' = *tq*$ o2.zlB del Problema 8.28. Esto oru o"oo oo.94 ESPERANZA MATEMATICA fu'=o [cAP.(iu) = ii 3. Si f(r) es la función de densidad de X entonces .# E(xz¡ =h Í.(ui) .=o. [.rrrr. .(rlytdr = í"'"(#*S* El=a\ 3.2g.29.03129 aprox.(#). * v) dx da = cov(x.za condicional de Y dada 2(L-ys¡ 2(l+y*y2) --¡O+7I- x para eI problema 2. La demosbación para variables discretas es semejante si ee remplazan las integralee por sumas. Demostrar la desigualdad de Chebyshev. .y) = E(xy)-E(x\E(y) = ?-(?f)(*t) oxy = -# -0. página 61.(#). Como en el hoblema 2.x=2) = -. DESIGUALDAD DE CHEBYSHEV 3. Hallar la esperanza condicional de Y dada X : 2 en el problema 2. Presentaremoe la demostración para variables aleatorias ecntirruas. X: 2 es E(Y =2) "x = ? r(+) X: donde la suma se toma sobre todo y que corresponde a E(y. la función de probabilidad eondicional de Y dada X : 2 es ftutz) = Entonces la esperanza condicional de Y dada + 2.^:."=. 3 (d) (el u') b) (h') (t oxy =# E(Yz¡ = h f.)\t)* J_- donde hemos utilizado el hecho de que ltz: E(Y lX: r) :2.

página 84. Por tanto P(lX-rl > 6) 3. En la práctica la desigualdad de Chebyshev se emplea para dar estimativos cuando es inconvenientc o imposible obtener valores exactos.). Así por la desigualdad de Chebyshev con Tomando el límite cuando n ) -.'*"') .) así que t'" (+) = 4 var (s") = * X: Sr/n üenemos _/ls" | \ donde hemos empleado el Teorema 3-5 y una extensión del Teorema 3-?. '|. DeI Problema 3.rl > 1) y compararlo con el resultado en (a).. LEY DE LOS GRANDES NUMEROS 3..t)/ = .18. (c) hallar P(lX . Tenemos E(Xrl = E(X2l = .32.¡.cAP. = E(X) = p Var(Xr) = Var(X2\ = "' = Var(Xn\ = o2 Entonces t(*) = "(*'*'.18.(-:. Para la variable aleatoria del Problema 3.x. ". .3l ESPERANZA MATEMATICA 95 02 = EI(x - p)21 (' = J-* @ - p)2 l(r) dr Puesto que el integrando es no negativo. ¿lr-al=e Pero Ia frltima integral es igual a P(lX - pl ? .* .) = ¡toz tt Var(S") = Var(Xr*'.ul=') 02 esto se conviertq.. /ts r|.¡rl > 1). | \ _ ul=_ .) = o . (b) Utilizar la desigualdad de Chebyshev para obtener un límite superior de P(lX .04e?e = plr- = 7/4.+E(x")l = L(nt) = = Var(Xr)*.25 Comparando con (o) observamos que el límite dado por la desigualdad de Chebyshev e¡ ba¡ta¡te crudo.. el valor de la integral solamente puede disminuir cuando el int¿rvalo de integración se reduce. ¡¡ (o) = 1/2.t <1) = "(l*-*l . Entónce¡ P1x ¡.31.18.|) ol ¿l \l \ o = J¡ | f :l/2 Ze-udr = 1 - e-3 Portanto (b) Del Problema 3.*Var(X.'.(l*-*l \t o2 =t)/ = 1-(1-e'r) = p2 e-s = 0. La desigualdad de Chebyshev P|X-pl > f) resulta P(lX¡r] = 1) < oz = 0.|ww.. Demostrar la ley de los grandes números establecida en el Teorema 3-19. como se pide.*X. Por tanto 02 t¡z-ttlZe rlr-yl=.t+.

. La moda.3 OTRAS MEDIDAS DE CENTRALIZACION 3. que ea La moda pedida. .60 = 1. r: 1.36='ñ¿r ze) az de donde o = sli{z- q Por tanto la mediana pedida. P(x<a) Igualando eeta = *. (b) La medianaee 1. la mediana y la media se muestran en la Fig.62 apror. eetá dada por = n-Zr/. Ahorapara0(a ( 3. (b) Hatlar la mediana. 3-6. El máximo relativo de la derivada es cero. Ob¡érvese que este valor da el máximo ya que la -24x 187 . = fr: aegunda derivada."on-r2tdr = #(Y-t) 2aa_36a2 all2 hallamoe que *91 = 0 de donde _ia2 = 36a\436P-4(2X81-) . es Í: L. 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.84. que debe enconharse entre 0 y B. ea negativa para x = 1fá. una va¡iable aleatoria discreta tiene una función de probabilidad f(r) : !12' donde 2. r. (o ) La moda se obtiene hallando donde la densidad f (x) ea máima. (c) ' E(x) = + ('¡z(g-xz\da = !(t*-+)l'= 8l\ 5/lo 8lJo que prácticamente ee igual a la mediana. Halla¡ (a) la moda y (b) la mediana. . para el cual la .?3 aprox.33.9 - -'l 86 - 8l l2r2 = u Entonces .[. (c) Comparar la moda" la mediana y la media. aquel valor deo parael cudlp(X é a): ll2. (a)/ La moda es el valor de 4 asociado con la probabilidad más grande.96 ESPERANZA MATEMATICA lcAP. En este caso probabilidad esLl2. .. y (c) compararlas con la media.¿rL 81 -_l = 'r2) df ar. l(r't 3. e8to e3 f(r ) ocurre dondc .

Del Problema 3.68 aprox. (c) Como se encontró en el Problema 3.10. I.l : 2. (o) Puesto que todos lós valores ¡ ) 3 tienen probabilidad cero.36.33 hallamos que s : 0. Determina¡ (a) el recorrido.P(X=r):l12yP(X. es decü 312. .". (b) La vigésima quinta percentila es el valor de a tal que (L8o2 P\X<a)=#(Y-fl = "# aa -a4¡¡8t \l8L : O. (" .. (b) el recorrido semi-intercuartílico y (c) la desviación media para la distribución del Problema 3. o sea ¿ 0.'"¡)a' = SESGO 0.3l ESPERANZA MATEMATICA 97 (b) Si¡escualquiervalorentrely2.655 apror.1253 3693 8750 (a) Coeficiente de sego -: o. Y CURTOSIS de (a) sesgo 3.l0.19.37.25. :.esdecirlasoluciónde(18a2 : 0. Por tanto el orden de las tres medidac es contrario al del hoblema 3.098 aprox. = - p|) = l_". Por coneecuencia escogemos el punto medio del intervalo.r - pl f (n) dr = l"' l' .. tomamos el uolor mínimo de ¡ : 0. (b) Por el Problema 3..0 : 3.")[#. OTRAS MEDIDAS DE DISPERSION 3.3. a (c) f.33. En forma análoga puesto que todos los valores ¡ ( 0 tienen probabilidad cero.r :: . Por tanto Recorrido semi-intercuartflico = ?121 . : 2. Determinar los valores de la (c) décima. Hallar el coeficiente y (b) curtosis para la distribución del Problema 3. Del hoblema 3. M.a septuagésima quinta percentila es el valor de ¿ tal que (18o2 - a4 ¡¡8t: o @a.? 5.t):ll2.19 tenemos 02 ll 25 It3 oo - 32 8?5 -0.35 los valores de la vigésima quinta y septuagésima quinta percentilae son 1.)[#'n .60 : 8/ó. Empleando el método del Problema 3.Portantacualquie¡númeroentrel y 2 podrfa representar la mediana. tomamoseluolor móximo de ¡: 3.n "¡fa' = Í^" (. PERCENTILAS 3. : 1. (b) vigésima quint4 (c) septuagésima quinta percentilas para la distribución del Problema 3.")] d' + Í.35. Entonces el recorrido es 3 .-1998 0.*l[#.121 reepectivamente.098 y 2.L21 aprox.33(b) tenemos (o) LadécimapercentilaeselvalordeoparaelcualP(X5o):0.33.b1 aprox.o .cAP. (c) Del hoblema 3. Entonces E(lX = D.33.33 la media Desviación media ee lt : 1.

..i)o ¡f." .¡ rru.u-¡ . puesto que f_"n.. Del Problema 3.j . .. Utilizar el Problema 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 -.. tenemos remplazando r : L y r : 2. J.98 ESPERANZA MATEMATICA lcAP.(ar tra -= k =S o*Ja " ¿i{r'. = I#+i:"-o 2¡ tt'' sr(. ¿ k icr_.. . ú"r**:r.. o1_o o. yp¡ los coe¡icietttes tte iour¡"r. remplazaudo j por h. respecto I @ desde 0 hasta 22.rf t1o k+j k---j Por tanto rt ¡ P¡ . n2..Para una variable ¿leatoria continua.n. = 2¡p f -o --n .1.. .. como se indica en la Fig..39 I pt.> ]¡xeik... Sea p.. = o" = M"(0) - lM'10¡12 1. 4¡ J. "" Entonces j f'= " -iia 4.38....' '^'y'.l ¡rt" .tlZ Se deduce que hay un sesgo moderado a la izquierda. y la varianzaes 02 : M"(O)-ÍM'1O¡12.l l''. ti = M'(ol Entonces de (27) tL = M"(o) p = Iú'(0) 3. pk 1 12= T. que tiene una curtosis de 3.. coS c do -e ':.(". es algo menos apunüeada que la 3€..40.1.1.3 (b) Coeficientedecurtosis = et :. .... . . la serie de Fourier se rernplaza por la integral de Fourier (véase página 81).{o) r/o Con frecuencia llamamos Q$. = . Si M(tl es la función generatriz de momentos para una variable aleatoria X demostra¡ que la media €S g : M'(O..r-. X una variable aleatoria que toma los valores t n.39. (b) Mulüiplicar ambos lados de la expresión (r) ....x¡ ¿ior¡ = - i -) r^.39 para obt€ner 14 distribución de probabilidad de una variable aleatoria X cuya función característica es O(<¿ ) : cos . También la distribución distribución normal../" . .Iu-| é(o) E1er. De (32). 3.¿.Z. - I zt.. Qk¡)._ . " t*''L i:.t_ | eú . PROBLEMAS DIVERSOS 3.página 80. f tl' . f-ri". . .r i r)d (¿@ I ¿ir r 1.

= h Í.2. \ Fig." *. 3-? (b) Tenemos p.8.p. con probabiüdad Ll2 con probabilidad Ll2 -r 3.20.x2/2 ¿. 2'\2/ dadas en donde hemos efectuado la transformaciín xz 12 : u y utilizando las propiedader de la función gama (2\V 6\ del Apéndice A... Análogamente obtenemos ti = E(xr¡ = h fl= o.cAP. = Z Jo {i .= -z-rll) . -f rz ¿.2"-22/2¿¡ ¿u = + 'to f'sz¿-x'/z¿. cientc de sesgo es cero. {2¡ or. (r |. 2 2'\2/ = .si.41. 3-7.k:-1hall¡mogp-r=*. (o) f(t)= l¿-"'" l/Zn- -co<n<e l!\ : llt = O y lt\:0..3l ESPERANZA MATEMATICA 99 Si&:lhallamosr'=$.Pa¡alo¡oEdvalore¡dektenemo¡p*=0.\2/ {. # to' '"t2"-'d'o B L 4. . Por simetrÍa. "_. = E(xz¡ = -+ ¿l" l/2r -. Por tanto el coefi- La di¡tribución tiene I¿ apariencia de la Fig. Iülla¡ el coeficiente de (c) sesgo y (b) curtosis con densidad de la distribución defrnida por la curua normal.1"/l) = -{./. 3 Por tanto el coeficiente de curto¡i¡ e¡ -i-ó . (.'\2/ Entonces = EI(X. Por ta¡¡to la va¡iable aleatoria ectá dada por X=) Comó una verificación vúas€ hoblema 3.)21 = E(X2) = pí = ps = qllX -p){] = E(X4) = p'n -o2 'lt4-./g\ = {.1"/1) = r \/.

(b) E(Xz *)a2). (b) E(Xr). Hallar (a) E(XI. (b) E(zX + 6). (c) E(XY).zl \ 'xv\2 "i" "x/ --t-"i = ""*"1-o'*"=-0 ó *=1 '7ní queesequivalenteap2 < "'*"?. (bl E(}X-21. (c\ E(Xt).r\' Para que Ia última cantidad sea mayor o igual que ce¡o para cada valor de c debemo¡ tener 1 ó -1 < p < l. 1/6 X una variable aleatoria definida por la función de den¡idad ( 3n2 O< r=_L /(r) = 1 0 de otra forma Hallar (a) E(X).45. / .100 ESPERANZA MATEMATICA p [cAP. -2"":'\ -" -* \"r* ) -/ = oí+oil"-.46.s suplernent&rio s ESPERANZA DE VARHBLES ALEATORIAS 3.Y = ] 3 prob. (cl E(X21.{) * -.. Sea prob. Una variable aleatoria X tiene la función de den¡idad (e-' r>0 /(r) = {l0 ^ ¡(0 Hallar E(e2x/31. ll2 ."Í\"-.x)(Y- pv)l = + c2al - 2co*. = o?. I 1 3. 3.3 3.zcEl(X.42. (c) E'l(X-1)21. 3.47.¡. Una variable aleatoria X se define | -2 prob. ¿Cuál es el número esperado de puntos que resultan en 3 lanzamienüos sucesivos de un dado honrado? ¿Parece razonable su solución? Explicar.Y El(Y _¡v)21 c(X - Px))21 = 0 / ol. g.49. + n?.( ".44. 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). La función de densidad de una variable aleatoria X es /(r) = (e-r r>0 de oüra forrns 10 Hallar (o) Eo(l.otr ___q__ . Sean X.-". * c2El(Xr ¡x)21 . 9. Demosbar que -1 < s1 (véase página 82).!\'Entonees el lado izquierdo puede escribirse El¡.48. 1/3 por . Para cualquier constante real c tenemo¡ . . I Problerna.

s) = ] : de otra forma |0 Y). .cAP. * Xil.66.53. en el Problema 3... Sean X. 3. Hallar (o) la varianza y (b) la desviación típica del número de puntos que resultan en un EoIo lanzamiento de un d¡do honrado. 3/4 prob. 3. Y va¡iables aleatorias con deneidad conjunta f(r'al = iat' Io o-<:us1' o<tl<1 de otra forma Hallar (o) E(X).50. (f.52? Explicar. E(Y\. Xn n variables aleaüoria8 que están distribuidas idénticamente tal que | 1 Xt. 1/B prob. X2. . (b\ E(XY) : E(X) E'(Y).49. (b) "x. que (o) D(X + Y) = E(X) + E(Y). (b) "x. (b) E(2X2-Y2). Si /(t.XY\ 2 = E(X) E(Y\. + Xn).54. 3. 3. = I Z [ -_r Hallar (o) E(Xt+ prob. Y va¡iables aleatorias con función de densidad conjunta Hallar (o)^E'(X). (c) E(X-rY). Sea X una va¡iable aleatoria con función de den¡idad (1/4 -2f x=2 l(rl = jo deotraforma Hallar (o) Var (X).0=tt<2 lr(t*u) l\x'a) = f deoüraforma 1o (b) E(Y). (b) E(Y).(zr+y) 0<r='I.62. (d)E(XY).55. . (d) E(XY). tc)E(X+Y\. Sea X una variable aleatoria con función de densidad f (e-. ¿Se cumple que (c) E(X + Y) = EIX) + E(yl. 3. . 1/4 Hallar (o) E(3X+2Y).57.51. (b) E(. 1/6 Xzl .'.58. 1/3 \o prob.50? Explicar. Sean X.48? Explicar. (ó) E6?+ X'r+ .0lyf 3. Y variable¡ aleatorias independientes tales que ^ vt || prob. en eI Problema 3. en el Problema 3. VARIAT{ZA Y DESVIACION TIPICA 3. 3.E(X) E(Y). (ft E(xY).2/3 v) | 2 i -a prob. Sean X1 . (x) = io x>-0 de otra forma Hallar (o) Var (X). 0f s<I. ¿Se cumple que (o) E(X + Y) = E(X\ + Sean X. 3. (b) E(Xy) -. . (cl E(XY).69.3l ESPERANZA MATEMATICA ¿Se cumple 101 3. 3.7/2 prob. (d) E(X2t').

7 lxl I a deotraforma 4. Demostra¡ el Teorema 3-11. 3.'(0) ¡f.44. (b ) ox.62. Hallar la función carar:terística de la variable alcatoria X con función de densidad f¡): (x/2 io 05rtZ deotraforma . (á ) Problema 3. g Problema 3. Halla¡ Ia función ca¡acterística de la variable aleatoria (a X = 7 ó I prob.64.65.70. - 1)2] = L0.63.r02 3. MOMENTOS Y FUNCIONES GENERATRICES DE MOMENTOS 3.6 hallar (a) E(X). (b) Problema 3.60. 3.(0) + 6M"(o)lM. 3. Ei6 - .. (b) Var (X).71. demostrar que el 3o. y 4o. momentos al¡ededor de la media están dados por = p1 - ItI"'(. Hallar el hésimo momento alrededor (a) del origer^. 3. Hallar los primeros cuatro momentos alrededor de la media en el Problema 3.. 1/2 prob. (b) de la media. Si X tiene función de densidad ¡t") : -i (l/(b-a\ O a'=r=b de otra forma.43. 3. 3.(0)]2 - 3[M'(0)]4 FUNCIONES CARACTERISTICAS 3.67.72. En el Problema 3. ESPERANZA MATEMATICA Hallar la va¡ianza y la desviación típica para la variable aleatoria X del Una va¡iable aleatoria X tiene (a ) [cAP. 3. 3.43. 2\21 Si una va¡iable aleatoria X es tal que E[(X Demostrar el Teorema 3-1.61. página 81. E(X): 2. página 77. (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. p Prob' g=L-P Hallar la función característica de la variable aleatoria X que tiene función de densidad í'llZa f(r) = 1o 3.01 - 3M"(0) ¡l'(0) + 2lM'(0\13 Ifrivr(Q) 4M. Si M(ú) es la función generatriz F:t de momentos de la variable aleatoria X. Hallar (o) la función generatriz de momentos de la variable aléatoria x = y (b ) los ( U2 1 prob.68. (a) Hallar la función generatriz de momentos de una variable aleatoria con función de densidad f(t) = fe IO y (b ) r r>o de otra forma determinar los primeros cuaho momentos alrededor del origen.67 halla¡ los primeros cuatro momentos alrededor de la media.44.66.73. 3.69. E(X2 ) : 8. Hallar (o ) Var (X ). (a ) 3. (c) o¡. 3. 1/2 -tn primeros cuatro momentos alrededor del origen.

cAP. 3l

ESPERANZA MATEMATICA

103

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

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

aleatoriasindependienres(E=

t,2,...,n).

Demosrrarquelafun-

ción característica de la va¡iable aleatoria

x\+x2+...+x,
\n
es [cos (,,;/1ñ)]".

3.76. I)emostrar que

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

^ "-o2/2.

(Sugerencio:

COVARTANZA Y COEFICIENTE DE CORRELACION

3.71.

Sean

X, Y variables aleatorias con función de densidad conjunta
f

(r'a) =
(c)

(x rA 1o
(rt)

0.*1

r=1,0<U<L

de otra forma

Hhllar (o) Var (X), (ó) Var

(y),

o¡,

oy, (c¡ oy.., (t') p.

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

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

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

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

Hallar (o) Var (-Y),

1ür)

Vat Y, (c) o¡,

ftt) oy-, (e)

"xv,

(/) pt

para las variables aleatorias del Problema 2.5?.

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

3'81. 3'82.

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

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

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

-

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

ESPERANZA, VARIANZA Y MOMENTOS CONDICIONALES

3,83.

Si

X, 1l tienen función de densidad

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

=1
y

fr*u
o

0<¿=I,0ay<1
de otra forma

dada

3.g4.

Resolver el problema 3.g3 si

/(¡, y) (b ) X dada

.f,2e-

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

0

Io

de otra forma

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

) Y dada

{

y,

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

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

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

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

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

104
DESIGUALDAD DE CHEBYSHEV

ESPERANZA MATEMATICA

[cAP.3

g.g¿. Una variable 3.93.

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

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

1

3.95.

,

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

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

-1 <c<1
de otra forma

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

P{ ljl -\l
LEY DE LOS GRANDES NUMEROS

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

|
3ne2

3.96.

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

e interpretarla.

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

/ls-

I

\

=

1

3.9?. SeanX¡ (h:1, ...,n)

n variables aleatoria¡independientes tales que

| \o

(

orob. n prob. q

=L-P
¿qué interpretación

(o) Si X¡

representa

Puede darse

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

)

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

e

interpretar egte resultado.

"trx

"(

/1s.,o1= |

l;-

'

1=

\

o

g.g8.

Sean

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

cada una con función de densidad

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

-@<s<@

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

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

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

(b)

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

de una distribución para que lrr ley de loa gnndes

OTRAS MEDIDAS DE CENTRALIZACION

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

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

le-t {o

r¿0
deotraforma

cAP.3l 3.101. Resolver

ESPERANZA MATEMATICA
el Problema 3.100 si la función de densidad es

105

(at¡-¡z¡ l(r) = 1o ( 2

0<r<1
deotraforma

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

y compararlas con la media.

x = i -t

prob. 1/3 prob. 2/B

3.103. Hallar
media.

(o

) la mediana y

(b

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

la

PERCENTILAS

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

(b ) septuagésima

quinta percentilas para la variable aleatoria con

(2(l-r\ (rl = iu

0.1

x!-L

de otra forma

3,10-5. Hallar los valores de la

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

f

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

-1

.1

r{1

de otra forma

donde c es una coriatante apropiada.

3.106. Una variable aleatoria X tiene fr¡nción

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

(e-, 1n -ln
(1

rl:0
deotraforma
donde 0 = p

-p)

< l.

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

-@

<n ( o.flemostrarqueelvalor

3.108. Hallar (o)

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

!r va¡iable aleatoria

del Problema 3.104.

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

11. g.ll2.
3.1

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

Ll2ln

3.

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

S.1f

3.

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

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

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

3.115.

Sea

/(z) = I| ^ 0

(c(1

-¡t¡

-1 <r:'1

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

c es una constante apropiada, la función de densidad

de

la variable aleatoria

X. Halla¡

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

106

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

[cAP.

B

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

3.117.
3,118.

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

f(r)=1t
curto¡ii.

l"(1
Io

r/

l"l\ -;l

rl=a lr )a

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

3-1i9.

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

fk\={
PBOBLEMAS DTVERSOS

ftr¿-I¡ l0

r>0 ¡(0

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

el tercer momento alrededor de la media.

8.121. Re¡oh¡er

el hoblema 3.120 si

X tiene función de den¡idad

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

o(r(1
de otra forma

8.122.
8.129"

Se

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

(o )

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

Sca

X una variable ¡le¡tcia con función
f

de densidad

(r\ =

cr 1o
f

0=r<2
de otra forma

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

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

eeperado que llegarán al dest¡no

8.12ó.

X, ftienen función de den¡idad conjunta |

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

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

otn forma

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

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

f(r)
y rea

= {j

;;j;;"

Y:

X2. Halla¡ (a)

E(XI,

(b)

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

cAP.3l

ESPERANZA MATEMATICA
paxe

ro7

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

demo¡trar que podemos tener E(XY)

:

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

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

y) la función generatriz de momentot

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

|

|

,tz+ut

f(n,ü dr d.u

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

.

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

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

3.133. Un juego conriste

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

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

3.134.

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

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

entonces (a) K'(0)

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

= p = E(X),

(Ó) /<"(0)

=

o2

= Var (X).

37.

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

t:

0.

3.138. Obtener

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

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

lrl I

a

deotraforma

)

0. Hallar la función ca¡acterfetica de

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

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

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

Supóngase gue tenemos

probabi prueba
Sea

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

pruebas

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

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

f(r) :- p(X:n) = (])r,n"-, = ¡f_;¡

(r)

PIX=2) =

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

_

/r\=/1 'zÁ\!/ \, ¡o-z )

6:

lb
61

puesto que para

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

\q+p)'

= o"

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

+ pn

: á ('1'1r-,,,-,

(2\

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

AIÁI.JNA.S PROPIEDADES DE 4-L.

LA DISTRIBUCION BINOMIAL

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

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

desviación tÍpica es o

: y'jfbo¡rr¡}¡ :

g.

cAP.4l

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

109

!

'np

o2 .. tt'l¡q

o =

ytirytq

Coeficiente de

sesgo

_ q"
|LIft¡

p

v npq

Coeficiente de curt<¡sis Función generatriz de momenCos

l-6pq
y npq

=

ft¡

l- yter)n

Función característica

4,6) = (qIpe,.)"

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

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

Teorema

4-1

(Ley de alealoria proporci
ro positivo,

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

li,

:

Sea

así € es c

l'*"(l

{i_ rl ,.)

:

o

(3)

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

DISTRIBUCION NORMAL

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

f(x) :

-L-¿--r'-r'r2':'2 o¡/2-

-co <'t <

oo

(¿)

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

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

¿-'"-u''/b'd1)

(5)

algunas veces conocida como la curva normal tipificda.6827.27%.9545.2 y 3 desviacionestÍpicasde lamedia(esdecir entue z: -1y * L.u y F(z) : á['.. resultando de f(z) : le-"'" V2" . 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. 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. : . (r) Este resultado se conoce frecuentemente como la iunción o la distribución de densidad normal tipif!eada.-2y I2.451/" y 99. du (s) se Algunas veces llamamos al valor encuentra relacionada con la función enor.110 va¡ianza DIsrRIBucIoNEs DE IRoBABTLTDAD coN NoMBBE pRoplo [cAp. *t(ft)] (e) En la Fig.68. Si hacemos que Z sea la variable normalizada correspondiente a X.-. du = + # fo' . La función F(z) eú(z) = z-frÍr' e-u'd. 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. En esta representación gráfica hemos indicado las áreas dentro de L.96.99?3 (10) ¡$$. P(-3< Z<3) = 0. Tenemos z de la variable tipificada el wlor tipificado.46%.z. 99. Esto quiere decir P(-1<Z=L) = 0. La función de distribución correspondiente está dáda por F(z) = P(Z < z) = I t/2" Í'-"-.z: + . 4 En este caso decirnos que la variable aleatoria X está normalmente distribuida con media g y l.Nl/s-> 96. 4-1 se muestra una representación gráfica de la función de densidad (7)..73% del área total.. En este caso la función panZ puede obtenerseapartir de (4) alremplazar! = 0V o: 1.73% Fig. ert (z). P(-Z=Z<2) = 0.. que es uno.8 yque3) las cuales rcn iguales aJ.".

1. (Véase Problema 4. . . Esta airi¡Uu"iór. .¿r) : L J" f"-u2tz ¿r.cAP... que da los valores de e-r para diferentes valores de ). decimos x -'p . L.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 111 ALGUNAS PROPIEDADES DE LA DISTRIBUCION NORMAL Algunas de las propiedades importantes de la distribución normal general se presentan en la tabla siguiente. .. tal que la función (1g) de probabilidad de f(r) = P(X--x): {] r=0. Poisson. DISTRIBUCION DE POISSON Sea X una variable aleatoria discreta que puede toma¡ X esté dada por los valores 0. La aproximación es tanto mejor conforme aumenta n. ALGUNAS PROPIEDADES DE LA DISTRIBUCION DE FOISSON Algunas de las propiedades importantes de la distribución de Poisson qe presgnf¿rr en la tabla siguiente.. 2. y en el límite es total. n+€ \ vnpq / 1/2n que la variable aleatoria tipificada (X .rup)ll/nfiqes t¡m P(a= (12) normol asintóticamente. En la práctica la aproximación es muy buena si ambos np y nq son superiores a 5. Los valores de f(r) en (13) pueden obtenerse empleando el Apéndice H. El hecho de que la distribución binomial tiende a la distribución normal puede describirse aI escribir Literalmente.D. 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. donde tr es una constante positiva dada.2. se llama la distribucíón dePodsson (en memoria de S.t7). o utilizando logaritmos. Tabla 4-2 Media Varianza Desviación típica 02 o Coeficiente de sesgo Coeficiente de curtosis 0l=0 01 D Función generatriz de momentos Función característica II(t) : ettt+(Ú2t2/2) é(r) = "itto-'{'r2a2/2) RELACION ENTRE LAS DISTRIBUCIONES BINOMIAL Y NORMAL Si n es muy grande y ni p ni q están muy próximas a cero. 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.

+X.ladishibución de Poisson tiende aladistribución normal a medida que n or mal asi n tót i came n te. . (1 4) estoes. En tales casos l¿ distribución de Poisson (I3) con tr : np. 4-2 (Teorema del límite central): Sean X.. T'¿orema . .l-= ('". se deduce que hay también una relación enhe las distribuciones de Poisson y normal.t.. . (15) . entonces En la distribuci sucesoestácercad la práctica conside grande :1- es raro l'* "(" x-r 1A :j ¡r ) : .ó (X. 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. .7/t/i ". . Podemos demostrar que si X es la va¡iable aleatoria de Poisson de (I3) y (X . Efectivamente esto sucede.qN1-yp=OenlaTabla4-1 obtenemoslosresultadosdelaTabla4-3. Xrl-Xr -1... Entonces si S..TL2 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Tabla 4-3 Media Varianza lcAP.1. '.u d.).t* Í"'" '2t't ¿. . . Esto se ve comparando las Tablas 4-7 y 4-3. 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. Coeficiente de curtosis | = 3 + 11/x) Función generatriz de momentosl Il(t\ "rrrr--l) I Función caracteristica I O(") = -- ¿tr(c'(¿-r' RELACION ENTRE LAS DISTRIBUCIONES BINOI\ÍIAL Y DE POISSON mientras que np es menor que 5.r)/V[ es la variable a]eatoria tipificada correspondiente.'.4 a2=tr Desviacióntípica Coeficiente de sesgo I "=rA n¡ -. TEOREMA DE¿ LIMITE CENTRAL l ..r)/V. (r¿ . El extraordinario teorema siguiente revela que realmente una gran clase de distribuciones tienen esta propiedad. ya que al remplazartr:np.f es La semejanza ent¡e (1 2) y (14) naturalmente nos conduce a preguntarnos si existen ohas distribuciones ademas de la binomial y la de Poisson que tengan la distribución normal como c¿lso límite. V2=. = n-ú \m P( \ a s" = -l'¿ o/?? = o) / = .J.2.... Xr.

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

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

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

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

v. Puesto que la distribución es simétrica.. tr-o : -ún.. vr. si se sobreerltiende p. 4-2 (véase Problema 4.45) donde P: 0. Fisher) con v. se dice que iiene la distribución Para la distribución ü tenemos p:0 Y "z:. Para una tabla que da tales valores véase el Apéndice D. r.cAP..> 2) (t*s¡ El teorema siguiente es importante en el estudio posterior. con v grados de libertacl. Entonces la variable aleatoria 11- Y lzt. gados variables aleatorias independientes con distribución chi-cuadrado y vf de libertad respectivamente. 4-7: Sean Vt y V.. o simplemente la dístribución t...n. Teorema *6: Sean Y y Z variables aleatorias independientes. La media y la varianza están dadas respecüvamente por p?ra u.'IJná tabla que da tales valores en el caso z¿<0 grados de libertad se denotan por P : . "2 (r'..4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO LL7 t de Student.>2) &r¡ Los teoremas siguientes son importantes en el estudio posterior. > 30) la gráfica de f(¿) se aproxima estrechamente a la curva de la distribución normal como se indica e_n la Fig.. donde Y está normalmente distribuida con media 0 y varianza L mientras que Z tiene distribución chi-cuadrado con v grados de libertad. por ejemplo ¡f o.gmdos de libertad. Si v es grande (..161).t y uz grados de libertad..95 Y P F. o sencillam (. . (4t) tiene la dishibución ú con . Los valol¡es de lis percentilas de la distribución f para v grados de libertad se denotan pot tr. vr. ) 2) Y O-= (to¡ La distribución tiene una moda única en el valor (t'nt?)(#) Teorema (u.A..:1.. Iibertad si su función de densidad está dada por u)0 Los valores de las Fp. o sencillamente ü. DISTRIBUCION ¡ y v" grados de Una variable aleatoria liene distribución F (en memoria de R..j (. Entonces la variable aleatoria @a¡ tiene distribución f' con ..

-ú <A <6'.CUADRADO. . En el caso de (491esta condición también es suficiente (véase Problema 4. . M(t\: aquella en que el primer éxito ocura. remplazando t = ia. . Y.= + X.rr. r=l ""=# Me)=# r.. (+)' ) /. = (X -t)o'n'-' r :. É¡r p2son las medias de X.Z. : L/4'rr'r.. r. Distribución binomial negativa o de Pascal.118 Teorema DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. = t!-qprzt.o. e incluyendo. Teorcma 4.r *1.. . DISTRIBUCIONES DIVERSAS En las diskibuciones descritas más adelante. Aquí La variable aleatoúa X representa el número de pruebas de Bernoulli hasta. 1. f (r) : P(x = .r. e incluyendo... Y. La función ca¡acterística se obtiene de la función generatriz de momentos. Para cualquier dishibución conjunta la condición p = 0 es necesaria para independencia de las variables aleatorias (véase Teorema 3-15). . El caso especial X representa el número de pruebas de Bemoulli hasta.4 *8: 4-o.r'X?) ..n] (4s¡ donde -o ( t.' {-[(?)' -. a. se considenn positivas al menos que se establezca lo confrario.9: Teorema fYF 4-r.r.. b. lt:po'=p2 r"rq E+S La va¡iable aleatoria aquella en que el r-ésimo éxito ocurra. 410: 4.51). p es la probabilidad de éxito en una sola prueba..ottoz sonlasdesviacionestípicas de X.. Con frecuencia nos referimos a (49) como la distribución normal bidimensio¡ul. p. 1ú.0(* :.u\ : 2rororl/T-p" ". Y está dada DISTRIBUCION NORMAL BTDIMENSIONAL Una generalización de la distribución normal por la función de densidad conjunta a dos va¡iables aleatorias continuas f(r. y p es el coeficiente de correlación entre X y Y. r : 1 da la distribución geomékica. 2. RELACIONES ENTRE LAS DISTRIBUCIONES CHI. Distribución geométrica f(t) = P(X=r) = pq'-' r=t. las constantes o.. donde se da.

(b) 2 sellos y una cara. Distribución exponencial fkl = { lae-"' c)0 n=0 L0 M(t)= q. es decir puntoc muesEalee. Por tanto (o) P(3 cetar) = P{CCC¡ = } (b.(r i) . c. hay untotalde (2X2)(2)= g re¡ultados poeibles.cAP.zar una moneda honrada tres veces resulten (c) 3 caras.b[. 4.1. en el erpacio mue¡tral. ccs. Si C denota "cara" y S denota 'rlellot' y derignamos CSC."(t. Método 1.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 119 3. f(r) lt= )o-l Problerna. Puesto que en ceda lenzamiento pueden ocu¡rir 2 posibilidedec (cara o rello). Hallar la probabilidad de que al lall. 1"1 ¿=j ( f(s) = rL o6*t-r {o 02 "-axt r<o * = o-'. csg css. Estoe lon ccc.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 . (d) no más de un sello.a resueltos DISTRIBUCION BINOMIAL 4. 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.+)] r >0 Í <0 5. (c) al menos 1 cara. DishibuciónWeibull.llo en el regundo y cara en el tercero. para rignificar cara en el primcr lanzamiento.-t fi > O t'=. Distribución Maxweü.'r(r / + |) - a-2. por ejemplo. ssq scq scq sss Para una moneda honrada a e¡to¡ re¡ultado¡ re ler asignan probabilidadee iguales de 1/8.

I2O DISTRIBUCIoNES DE PRoBABILIDAD CON De otra forma. Sea la va¡iable aleatoria honrado.r)\t)\r) . Halla¡ la probabilidad de que en cinco lanzamientos de un dado honrad o aparezca 3 veces.sea la va¡iabié aleatoria que denote el número de caras en los 3 lanzamientos. i 8 P(al menoe 1 cara) : 1 : . NOMBREPROPIO [CAP. 4 P(almenosunacara): |-P(ningunacara):1-P(SSS): t -á = 3 (d) P(no más de un sello) P(0 sellos o 1 sello) = P(0 sellos) * P(l sello) : P(CCC) +P(CCS u CSC U SCC) : : P(CCC) + P(CCS) + P(CSC) +?(SCC) 4l 82 Método 2 (empleando fórmula).\t/\t/ \z/ \z )\zl \zi \3 l\2) \2 / De otra forma.X.)'= P(1 cara) 3 (c) P(aI menos 1 cara): P(1. 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/ . 4.2. cara) = I'(X ¡-- 1) = P(X = 1) + P(X =2\ * P(X: 3) . /l\/tYll\'= . Aeí por ejemplo si seleccionamo.' /'\lrY/l\'. (b) máximo una vez. (c) al menos dos veces.. -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)(. qr" X. ó 3 caras) : * P(2 caras) * P(3 caras) = /'\/l\'/t\'. Usaremos ambos de los enfoques intercambiablemente.á .)'(. (c) puede escribirse P(al menos una /s\/r\'/r\o /s\/rY/r\ = \s/\rl \ü -\.)'(i)'= á (b) p(zserrosunacsra) :: (.2.

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

46e.8)r = ¡.'(\*.6. Si X está'distribuida binomialmente. Si el 20 % de los tornillos producidos por una máquina son defectuosos.rt't0. Médodo 1.46e6 ffi ? ..n" . Para una secuencia de n pruebas de Bernoulli definimos n /n\ '?n ('/tr"')'0"-' (a -l. determinar la probabiüdad de que de 4 tornillos escogidos aleatoriamente (a) 1./ ) _)p.:: =:"0.6.8)a = s.4 Número esperado de familias con 1 ó 2 niñas = tZOOOill) ' '\ 6 / \/ = 125 1250 (d) Nfrmero esperado de famiüas sin niñas = (2000)( i ) = 4... P(al menos un ? en tres lanzamientos) = | .0.. = 1:)l+Y/q\' \"/ \"/ \6/ - r25 216 y 4. HaIIar Ia probabilidad de obtener un total de 7 al menos una vez en tres lanzamientos dé un par de dados honrados.8. Entonces es g : I . sean defectuosos.0. = = Método 2.L22 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.' (0.7.q" .1.r. (c) menos de 2. La probabilidad de un tornillo defectuoso e8 p :0. f (r) P(x = r) = (!\o. \r/ Entonces la función generatriz de momentos está dada por M(t) = E(etx¡ = )etxf(r'¡ n /n\ = ¡=0 .2.n) .l# = fr X que está distribuida Hallar la funCión generatiz de momentos de una variable aleatoria binomialmente. de un tornillo no defectuoso va¡iable aleatoria X el nl¡mero de tornillos defectuosos. página49)..p:0.Entonces P(ningrrn z en B lanzamienros) En un lanzamiento de un par de dados honrados la probabilidad de un 7 es p:1/6 (véase Problema 2. 4. (ü) p(X = 0) = (c) P(x <e) = (fi)to..nba j-ésima si éxito en la prueba j-ésima U=1'2.pet¡" Xi ' |0 {[1 si fracaso en la prr. Sea la (o) P(X: t) = (rn ).. (b) 0.detalmodoquelaprobabilidaddenoTenunsololanzamientoesq:1-p:516..

" *Var(X) = npq donde hemos utilizado el Teorema 3-7 para o2 . 4.) Í+ó \l ?¿ -l = / = 0 El resultado también se deduce directaménte en el Teorema 3-19.38) o direetamente de la función de probabilidád (véace Problcma 4.t y varianza 02 Íini- (r) en tol P(X-11 -ko\ flp.) / \ 14 'l y tornando el límite cuando n -+ @ = 2+ ¡4r.q Entonces o2 p:E(X)=E(X'\+E(X2)+"'+E(X")-np = Var(X) = Var(Xr) *Var(Xz) +.1 ):40. Procediendo como en el Método 2 del Problema 4.e*pet M(t) = M tQ) LI2Q\' ' ' (i=1. LEY DE LOS GRANDES NT. entonces F = P(lX. página 80. v (3 ) se convierte en P(lz -.y (I)rc convierte En particular si X tiene distribución binomial o de Bernoulli. = X.n) (Q Entoncee por el Teorema 3-9. entonces ¡. Pa¡a la función geraeratr:iz Mj(t) = stoqlettp . . como se requiere.la ley de los grandes números (en forma débil) pa¡a las pruebas de Bernoulli..L52\.t/V6d. página 83. . tenemos.7 tenemos para/: L. de Los resultados anteriores también pueden obtenerse (pero con má¡ difrculüad) derivando la función genaetriz momentc (véaee Problema 3.) + (r - p)2p = i)".4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L23 de momento¡ Entonces las X¡ son independientes y tenemos X: Xr * Xz *. .i .8. y1 E(X) = 0q*Ip = var (x. Demostrar el Teorema 4-7. (b) l'Iananza o2 : npq: (400) (0. (o) Medialt:np:(400)(0.1 = . 2. con S.1.. li* Pll{-. tt = flp..9) : 36.'* Xn. si X es cualquier va¡iable aleatoria con media tas... Por tanto la desviación tipifrcada o = y'56 = 6.'EBAS DE BERNOULLI 4.esdeciresperamolque40tornillosesténdefectuo¡os.lro.9.IMEROS PARA LAS PRI.1. o - {-npq. o =. halla¡ (a) la media y (ó) la desviación tipiticada para el número de tornillos defectuosos de un total de 400 tornillos. n.10.)l*.npl > k1/i-npq) < i ó (3) Si hacemos c = k \l T. págirra 84. Si la probabilidad de un tornillo defectuoso es 0. Por la desigualdad de Chebyshev.i)'== . M"(t) - 'f pst¡n 4. Demostra¡ que la media y la varianza de una variable aleatoria distribuida binomialnente son p: np Y o2 : npg respectivamente..2.)(0. :-..cAP.

0.(área enhe z :-0.2L) : (área entre z : O y z : 0.2..+e "-u2t2f.68 y z : 0.21.46 " 1 e-u.46 f ZÉ2. 0. El recultado.!772 + 0. DISTRIBUCION NORMAL 4. Entoncee.2) = | {u ¡rz Jo ¿r. Dar una interpretación de la ley de los grandes números (en forma débil) por la aparición de un 3 en lanzamientos sucesivos de un dado honrado.46 y z : O) * (área ent¡e z : O y z : 2.1828 O yz ) lo mi¡mo que P(0.81 = Z = L.as 0. Por tanto P(-0.6.2910 = 0.68 "- u.2517. Por üanto'.rz¿u (c) ñ J" Area pedida . baje por la columna z basta alcanzar el valor 0. . (d) entre z: 0.2I) : O. proceda a la derecha hasta la columna 8.46) * (área enbe z:0 y z : 2.11.94.3849. represenüa la probabilidad de que Z eaté entre -0.C. [.4738 - : 1. El resultado.ildlt + _= |^2 ¿¡ = O.4964 | t/Zt Js \/2r Jo "-uz/z 1 (d) Area pedida : (área entre z : : E¡to es - (área entrez : 0.0.6636.94) O y z = 0.i77Z + 0.25f ? El área.46 y 2. 4-3 (b) Area pedida : área entte z : O y z: *0.28.gg4g z=O .4 4. \. Por tanto .68 sz=o) = -! l'o {2¡ J = | r' -o.t _o.L (o) Utiüzando la tabla en el Apéndice. baje por la columna ma¡cada con z hasta alcanzar el valor /.46 y z: 2.941. ee el área pedida y representa la probabilid¡d de que Z eté entre -0.a'ley de los grandes números establece en este caso que la probabilidad de la proporción de los 3 en n lanzamientosdiferiendodel/6pormásquecualquiervalor€)0tiendeaceroamedidaquen-+€.4864 : 0.¿ ¿-uzr!¿u = -! Jfo \E = ___1__ -o.12.=12 Fig.(b) entre z:-O.81y z = L.u + t/2" 'lo + ('"' "-u2tz 1¿4 2l 10.Luego proceda a la derecha h¡sta la columna marcada 0. es el área pedida y representa la probabiüdad de que Z estÉ ent¡e O y 7. Halla¡ el área bqio la curva normal tipiñcada (a\ enfte z: Q y z: 1.6636 e-ú'/! clu = 0.68 (por simetría).L24 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. Por tanto P\0=z=r.68 y 0.81 0. (e) a la derecha de z: - L. (c) entre z : -0.2.211 = + (''" {2r . = "-u!/t 0.27. P(-0.

28'y z = O) T 1área a la derecha de z : 0) = 0.16 es otro valor de z.5 y 0 ) .14.5 kg en unidades tipificadas : (71.4332- Entonces el área entre 0 y z es cual e: -1.3??0. suponiendo que se regis' han al valor de kg más próximo.0217.O2l7 : Entonces el á¡ea entre z). Por tanta z: + 1. Entoncec la z pedida es 1.16.4-ll -1. z debe ser positiva.5 )/10 .28).O2l7 + 0.4332- : 0. 4.cAP.4332 :0. (o) Los pesos registrados entre 48 y 7l kg pueden realmente tener cualquier valor entre 47. Area entre 0 y z es 0. z : -1.3621.13.5)/10 68.1 y bajo la columna 6. con menos precisión.8997 Esto es lo mismo que P(Z > -1. 0 y z esO.0.5 y 71.5: 0.4332.5 y z sea 0. (b) Puesto que el área es e-tt/2 du = 0'3770 mayor que 0."O. -1.35. (b) más.L6.5: 0.69.5 kg en unidades tipificadas 68.5. (a) En la tabla en el Apéndice C. z : -t.5 kg y la desviación tipiiicada es de 10 kg.4115 de lo 2: z es negativa pero a Ia izquierda de -1.de 91 kg. El peso medio de 500 estudiantes varones de una universidad es de 68.5 kg.(área entre 0 y z) (área entre 0 y z) 0.694 utilizando interpolación lineal. Area entre -1. 4.5. hdlar el número de estudiantes que pesan (a) entre 48 y 71 kg. de lo cual z:1.8621.5 y z : 0.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROP¡O Area pedida L26 (e) - (área entre z: -t. Caso 1: z es negativa pero a la derecha de -1.0277 (árca entre -1. hallar el valor o los valores de z tales que (a) el área entre 0 y-z sea 0.09. (c) el área enhe - 1.7O ?1.8621 .3997 + 0. El problema es equivalente a resolver para z la ecuación rfz G ). o. Suponiendo que los pesos están dishibuidos normdmente.5 y 0' (c) Si z fuera positiva el área sería mayor que el área entre que es 0.O2L7 : 0.30 47. Caso 0.5:0. Area entre z v -t'5: 9ü. el valor 0'3?70 se encuentra a la derecha de la fila ma¡cada 1.5. (b) el área a la izquierda de e sea 0.5: -2.4549 y z: l'ig. Por simetría. Si "área" se refiere al área bajo la curva nonnal tipifrcada.:1Tí"11u (área entre 0 y O. o. : (47 .4332. por tanto z debe ser negativa.

30 = 600(0.26 (1. 4. (D) toe e¡tudiantes que pesan más de 91 kg deben pesar al menos 91.(área bajo la curva normal entre z : L.2 .6)/10 : 2.29 cm.29 cm como representando realmente los diámeüros de¡de L. M(tl = E(etx¡ = L= Remplazando (x ot/2r J -- (' ette-(t-tD2/2c2 dtr g.266 a 1.0126: L.5<W<71.16.295 cm.29 en unidades tipificadas : : (1. r.30) 0.3849) = 0. 1.26 a 1.300) 0.2 -77% = 23%. : Z.5)=0. = 300.275 cm y la desviación típica es 0. (área a la derecha a.2 L.26 en unidades tipificadas 1.30) : (área entte z: -2.(área entre z : O y z : 2.68.9tOt 4.275')lO.SO) (área a la derecha de z : 0 ) .11.29 .O]-25: -1.0107 es 2.tt)lo: uenlaintegralde M(tl = -= | \/2r J-14q modo quer:¡¡+ dx: o d4 tenemor dt.91¡ = 6. Hallar la función generatrrz Tenemos de momentos para la distribución normal general. La media del diámetro interior de una muesha de 200 lavadoras producidas por una máquina es 1.2 : -7.010?): $.(dos veces el área enhe z : = 2(0.2) yz Proporción de lavadoras no defectuosas .7698 ó O yz : 77% -1.600) kg. . El propósito prira el cual se han diseñado las lavadoras permite una tolerancia máxima en el diámetro de I.30 Entonces el número de estudiantes que pesa más de 91 kg Fig.10 y z Ol * (área eítte z = O y z : 0. el resultado anterior se modifica ligeramente.L26 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.26 s 1.1179 = kS ee 0.2 Por tanto el porcentaje de lavadoras defectuosaÁ es 10002 Fig. Sin embargo para doe cifrar significativag los resultados son iguales.1.600 P(W -.5 . de otra forma las lavadoras se consideran defectuosas.4893 = 0.4 Proporción pedida de estudiantes : : = (área entre z = -2. 1-14 Obsérvese que si consideranros el intervalo L.275)l O.0125 cm. podemos resumir los resultados anteriores en términos de la probabilidad al escribir P(47. .I.5 Proporción pedida de estudiantes 91'5 kg en unidadee tipificadas: (91. etrt+oot-tu2/2. suponiendo que los diámetros están dishibuidos normalmente.6000 Entonces el nfimero de estudiantes que pesa entre 48 y 7f 500(0.2) .l. Determinar el porcentaje de lavado¡as defectuosas producidas por la máquina.4821 + 0. 4-r3 Si W denota el peso de un estudiante escogido aleatoriamente.5 - 0. d1) = "ut'<o2t2/2t (J-ú "-tr-ort" l/2" .10 y z:0.

Tqqbié"r!g_. Cor¡siderando los datos como conünuoe. 4-16 trata los datos como gi fueran continuog.7734 que se compara muy bien con el valor verdadero superiores de n.5 caras.5 a 6. 4-r5 23{587E Nfrmero de caras Fig.* "á Ar P(X=A) /ro\/fY/r\'_ = \4 /\z/ \z/ P(X=6) = 106 stz /to\/r\o/r\n _ = (.-o) l+Y 5 ll)' : . Entonces p(x=B\ = P(x ('f)(.58.#*¿%*# 03 = # = 0.5)/1.¿*\ / = ewt+(ozt2/2) APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL 4.es la probabilidad pedida es P(B=x<6) = #.4429 + 0. 4-16 y puede aproximarse por el área bajo la correspondiente curva ncrmal. La probabilidad pedida es la suma de las áreas de los rectángulos sombreados en la Fig. (b) la aproximación normal a la distribución binomial.p94!l y la varianza para la distribución binomial están = 1. Hallar la probabilidad de obtener entre 3 y 6 caras inclusive m 10 lanzamientos de una moneda honrada utilizando (c) la distribución binomial.58: 0.E \ /\2/ \2/ =5) = l. obtenido en la parte (o).58 y z : 0.) ffi.17.95) : O. mostrada a trazos.95) (área entre z :-1.7784 Probabilidad 2341678 Nfrmero de caras Fig.cAP.ó8 : -1. se'deduce que 3 a 6 caras pueden considerarse como 2.3289 : 0.5 en unidades tipificadas : (2.5 en unidades tipificadas : (6.95 Probabilidad pedida : : z: -1.)'_ .5)/1.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L27 Entonces sustituyendo u - ot: u hallamoc que ettt+(c2t2/2)( M(t) : + f\t/2" J-* "--.7718 (área entre d.e O..5 . (o ) Sea X la variable aleatoria que da el número de carag en 10 lanzamientos. 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. ro¡ Entonc.. )\.X. en la Fig. Entonces dadas por/r= np=10(4\= 5yo = {nw = y'(10)(+)(+) 2.68 y z = O) * (área entre z : 0 y z : 0.6.58 6.)\. La precisión es aün mejor para valores .

Esta se encuentra exactamente ¡rzo\/f\"i 5\'o' . entre 219.(área entre z : O Y z :-1.5 a 18.5 -.3? (D) Procedemos como en ha parte (o).0. o \ i \6/ \6/ -{.18: .5 en unidades tipificadas: (14.02) .O2 14.' La probabilidad de que resulte un 4 es p: l16 y de que no reeulte esg : 5/6.94 260.02 18..5.3264): 0. suponiendo que el dado es honrado.. 219.5 en unidadee tipificadas :-5.73\ por más de 30.5 en unidades tipificadas hobabiüdad pedida .18.5 y 260.18 (o) Necesitamo¡ la probabilidad de que el número de caras se encuentre enbe 240 y 260. podríamos considerar que la moneda no 4.35) : (á¡ea entre z : O y z : -5. 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. o si consideramos : (219. Entonces -0. .08 .3557 -0.5 .(lX*) : -5.'. Hallar la probabilidad de que el número de caras no difiera de 250 por (a) más de 10.94):2(0.0.02) : : -(área enhe z O Y z : 0.- -1.)(+) = I 1.19."p: . (rzo\/r\/!\'. empleamos la aproximaclón normal. t.02y z: Probabilidad pedida -O.7 3 Probabilidad pedida : (dos veces el á¡ea bajo : 2(0'4968): 0'9936 la eurva normal enb..94) : (dos veces el área enhe z: O y z :0.b. remplazando 18 por 14.18 : -2. pbr (o) Deseamos la probabilidad del número de 4 entre 0 y 18. Hallar la probabilidad de que resulte 4 (c) 18 veces o menos y (b) 14 veces o menos..0.94 ib) Necelitamoe la probabilidad de que el n(¡mero de caras la encuentre entre22O y datos como continuos. ¡ rzo\1¡\''l5_\'o' r8 \.e z: O y z:2.5 en unidades : (área bajo la curva normal entre z: -5.(i) = 250 s '= \/ill = . .5 en unidades tipificadas : 1-0.OB tipificadas : -0..6/ r7 \ /\6/ \6/ \ /\6/ Con¡idenndo los datos como continuos que 0 a También .5 y 280. 239.6 .L28 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP.mr.. Un dado se lanza1-2O veces. (b) por más de 30.OB pero debido a que el habajo involucrado en la computación es excesivo.5 en unidades tipificadas : : (área bajo la curva normal entre z: -0.94 y z: 0. .5 cuatros. o si conslderamos los datos como continuos.5 en unidades tipificadas 28O..20)14.6 - 2O)l4. l8 cuatros pueden tratarse como tt = ttp = Entonces 120( )l = ZO \o/ /t\ y q = 1/-n7tq .311 : (área ent¡e z: O y z: -5.31-i Probabilidad pedida : (área bajo la curva normal enhe z : -5. un 4 debe apariecer 14 vece¡ o menos en aproximadamente la décima parte de estas muestras.7 3 280.250y11.1443: 0.5 se 0.5 - 250 )/11. = . Una moneda honrada se lanza 500 veces.6528 = (239.0885 Se deduce que si fuéramos a tomar muestras repetidas de 120 lanzamientos de un dado.4 4.35) : 0.(....37) -0.5 en unidades tipificadas : 2. entre 239. : 4.02 y 2 : -1..4115 : 0. es decir etabacargoda 280.

.i)-' + m/ \ \ cálculo = €-tr empleando el resultado conocido del .+:: ¡=(l ' ' e-). . obseryamos queP(X: ¡) ) r=0 O para r = 0./ \ --> = (r-\)'1t . Si X está dishibuida binomialmente.-r)" r?. n/\ n/ \ en tanto que ('-+) +.er = 1 y se completa la verificación. (¿-r)(1) /. esto se convierte en (+) [' * rc=t¡" o e¡to tiende a ¿tr(et--l) A medida que n -+ (5) que es la función generahiz de momenüos de la distribución de Poisson. ' . . = "-^. Establecer la validez de la aproximación de Poisson a la distribución binomial. Primero.I \n/ / r \ ¡-¡ ) n1@. La funóión generatriz de momentos para la distribución binomial (3) es (q*pet)" = (1-p+pet)" = [1+p(et-l\]n Si \: np de modo que p : )t/n. que ee la distribución de Poisson. tenemos >{] !a1*="¡ = t=O -.'ir . 1. El reeultado pedido entoncec ¡e deduce utilizando el Teorema 3-10.. Entonces donde E(X) /-\ (I ) se convi'erte en rl Entonces cuando ¡. : rtp de modo que p : I/n. Segundo. dado que ). Otro método.rl ('* i) = Se deduce que cuando n (2') / \¡ eu - pero I permanece frjo (es decir p -+ 9¡ P(X=r) + ¡:q. . página 80. Hilgase ¡.21. Verificar que la función límite (2) del Problema 4.20.cAP. 4. ) 0. 1'-t)/'-?).20 realmente es uná función de probabili' dad.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L29 DISTRIBUCION DE POISSON 4. entonces (f) P(X=r\ = l'"lqrq¡-r \r/ : np.

Denótese por X el número de individuos que sufren una reacción. Entonces de acue¡do con la distribución de Poisson I¡¿- P(x--x) .0"-' . TEOREMA DEL LIMITE CENTRAL 4.24. Entonces de acuerdo con la distribución binomial p(x:zl (b) Tenemos )\: np (tJ )10.1.18 En general la aproximación es buena si p É 0. vC./íil 2 o et't-(. exactamente 2 estén defectuosas. (b) la aproximación de Poisson a la distribución binomial.183e ó 0. Halla¡ la probabilidad de que en una muestra de 10 henamientas seleccionadas aleatoriamente.4 4. pero ya que las reacciones se suponen sucesos raros. Si la probabilidad de que un individuo sufra una reacción por una inyección de un determinado suero.001) :2 _ 0.' .180 (b) P(X>2) = 1-[P(X=0) *P(X:1) +P(X=2)] _ I fzo¿-z. (o) La probabilidad de una herramienta defectuosa es p :0. podemoa suponer que X tiene una distribución de Poisson.r -Lót 1! ) = l-6e-z = 0. (b) más de 2 individuos tengan reacción.tr r/iñ 1o + per/ lliii tvr ll-nw 1n ¡pt e ' tnp.323 Una evaluación exacta de las probabilidades empleando la distribución binomial requeiiría mucho más trabajo. tfi-oa = > ¡=0 |\_. empleando (o) la distribución binomial.. X tiene una distribución de Bernoulli.(d) I¡¿-)\ donde p(x-Bt . t ¡t qn.np)/l/nW y la función generatriz de momentos Eletx'¡ E(et<x-nú/t'/-nil¡ tnnr rliii g 1"txrl noÁ ¡ "" = e-tnpt..2te-z --z! .r¡r1s.- 6 P(X=2) = %: = 0. Diez por ciento de las herramientas producidas en un proceso de fabricación determinado re. _/1t\ para X* es ". determinar la probabilidad de que de un total de 2000 individuos (c) exactamente 3.. La variable tipificada para X es X* = (X .1e37 ó o.t ¡n = le(qe + pet.1# ^:?¡p:(2000)(0.re = (10)(0. es 0.130 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.1 y \ = np 5 5.e¡' = \z/ 0. es decir P(X:x\ -. 4. lioo ¡ln p¿tar liii¡ {ili ¡n .1) - 1.23. e t. sultan defectuosas.22. Denótese por X el número de herramientas defectuosas de las 10 escogidas. )r./)(p".001. Zze-21 -. 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.

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

t i . Una cqia contiene 5 bolas 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. lJna caja contiene 6 bolas blancas y 4 rojas. pero no se remplaza la bola. En forma análoga la probabilidad de escoger 2 bolas blancas e (4ll2l2 y la de escoger 1 bola azul (3/12)t . 2 blancas y 1 azul.4 DISTRIBUCION MULTINOMIAL 4.132 DISTRIBUCIONES DE PROBABILIDAD CON NQMBRE PROPIO lcAP.h(¡r)'(#)'(.27. La probabilidad de escoger cualquier bola roja es 5172.\ [ . El número de formas diferentes de selecciona¡ 3 bolas blancas de 6 blancas * \r/. Halla¡ la probabilidad de que de 6 bolas seleccionadas de esta forma 3 sean rojas. .rt.ri \z ) /ro\ \5. /o\ /r'i \. Hallar la probabilidad de que después de 5 pruebas del experimento se hayan escogido 3 bolas blancas. 2 brancas. y el número de estas formas diferentes 6l 3!2!1! como se expuso en el Capftulo 1.El número de formas diferentes de seleccionar las 2 bolas restantee de las diferenües que contienen 3 bolas blancas /a\ 4 rojas * (. 12. rc 2l .'. 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. P(roja en cualquier extracción) = # P(blanca en cualquier extracción) = h P(azul en cualquier extracción) p(B rojas. ) Por tanto el número de mueshas y 2 rojas ". Entonces la probabilidad de escoger 3 bolas rojas /5tl2\3 . 6t In\"lt\-/:lY z!r!\itl/ \itl \rrl $/ La probabilidad pedida es el término 44p" en la expansión multinomial de (p. Entonces la probabilidad pedida es lr Método 3. Po=' 3/12' Porexpansión se obtiene elresultado anterior. pb = 4/72. 4 blancas y 3 azules.+)' = ffi es es Método 2.26. 2 blancas y 1 azul en ese orden es /s\'/¿\'/rY \tll \.t \A/ Pero la misma selección puede realizarse en otros órdenes diferentes. Método 1 (por fórmula). DISTRIBUCION HIPERGEOMETRICA 4. Método 1. i-paIpo)G donde p.i Entonces r azur) = . Una bola se selecciona aleatoriamente de la caj4 se observa su color y luego se remplaza.

dz T . o > 0.'NIFORME 6 = \/4 }i|j.l \ /10\ \5/ 4.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Método 2 (empleando la fórmula). Oemos- /(a) = ! -L2- .r-n '. Sea @ una va¡iable aleatoria distribuida uniformemente en el intervalo -l=t trarque X: atan @. Jo r. J-. Puede demostrarse que la úlüima intcgral existe y es igual a e-aa (véase hoblema 4.'f-+ = #tl. Í". X con DISTRIBUCION DE CAUCHY 4. PIX=S) DISTRIBUCION T.r! * la cual no existe si ú es real. = n# Í. Demostrar que la media y la varianza de la dishibución uniforme (página 114) están dadas respectivamente por (¿) ¡. tiene unadistribución Cauchy en.cos or = . = ffi= Yt+Y = Entonces la va¡ianza está dada por s2 = E[(X-u¡21 = E(Xzl-uz ry4y_ (+).páginallS.. 4.rr¡ r¡¿n' ("' 2o (" cosor r=.28. (a) La función gerreratriz de momentos de X es -¿. (a) t. de.2+d2dr ' _ donde hemos utilizado el hecho de que los integrandos en el segundo renglón son funciones par e impar respectivamente. i J-6 x'' + a: ""'l' .29." = o 2 . (b) o2 : Ll72(b -a)2. Entonces por(I9). = firo_ot. = E(x) = E(xz\ l"'* = #:af" b2-a2 Z(b-a\ a*b 2 (b) Tenemos = I. Tenemos b 133 =6. r = 3. Esto puede verse al notar por ejemplo que si r ¿ 0. E(erx¡ = g (" -J". . ¿ > 0 e.30..#ruo. -> t!! I y la integral a la derecha diverge.cAP. Demostrar que (a) la función generatnz de momentos para una variable aleatoria distribución de Cauchy no existe pero que (b) la función característica sí existe.' La función de densidad de @ es < j. r= 4. 7+ azctr sin +-ai )-. a f . : Ll2(a + b). n=6.@ 1x1*.laprobabilidadpedidaes ..' 7't|^ou" (b) La función característica de X es E(eiox) = g (¿.modo que = r*tu*lfí*..159).

El segundo momento alrededor del origen es * 0) l'(a + 1) r(B) o I a B E(xz¡ = f(a)f(p) (t . Demostrar que la media y lavananza de la distribución gamma están dadas por (a) p: aP.¡^. r Y dx Íz+a' Entonces por el Teorema 2-3. t. ya que I'(a + 2) = (c * 1) r(c * 1) = (a * 1)a I(a).. Hallar lavarianza de la distribución beta.r ..rÍ".33." ". página 46.o*r"-ro." ffi."-r{r-x)F-tlitr = frffiJ. 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_! . HaJlar la media de la distribución beta.1o" xlQ: t tenemos : f. Por tanto p2 = Bz(aIL)a"2 .4 ¡: a tan 0 tenemog o-t¡¡-L! a .'#0" p2(a*t)a. = Í. . fo"' . l'(a r..+fl Jo * l* _ r(a)I'(p) r(c r'(a + 4)- Jo (t *su+t11 2) l'(B) n)e-r ¿.)*: = ift)"("+z) = n2 Í." "loo"¡.¡a-\d.32. la función de densidad de X está dada por s(r) que es la distribución de Cauchy.z¡ro-r1l. .31.134 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Considerando la baruformación [cAP. (b) o2 (a) = oB2." = ffirt"+f¡ = R RemPlazando p= Bon f' Fe-tdt aB (ó) Remplazando E(Xz¡ = t..t p\ f I sa(r - ¡)e-r fls rt"lrtBl r(a+1+B) I(a + É) dr(d) r(B) r(a) r(B) (" + P) f(4 + p) = 4.19: t tenemos E(xz¡ = ff"*. = r@l#l = :a+-a DISTRIBUCION GAMMA 4..E(X2) - (ap)z - "Bz DISTRIBUCION BETA 4. p = E(x) = ### fo'*¡..lff.

)Eqéx"¡ : 1l-2t¡-'r/2 1l-2t)-vz/2 utiüzando el koblema 4. . do ) función generatriz de momentoo de Z = X. grados de liberta u2 Z:Xt *X. Puesto que Ia correspondenX y Y no es uno a uno no podemoe aplicar el Teorema 2-3 como está.t2r(v/2)Jo " r-2t \r-2t/ : ll .36.v2 gadosde übertad. es con (¿ dA v. ea M(t) : Enet(xr+xü1 : E(etx. Efectuando el cambio de variable x : *t/T en la última integral. colocarz: 1 en (39).'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.2t)-.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 135 Entonces. Sean ¡t y X. t : (1 - N¿¡-Qr+v2t/z (b) Se observa del Problema 4.6. grados de libertad.1 en la última integral hallamos M(tl = 2.36. pero procedemos de :0.B2.cAP. ! X. Al generalizar los resultados anteriores obtenemos una demostración del Teorema 4-4.r2 Al remplazar (l - 2t)n/2 = 7. Demostrar que X2 tiene distribución chi-cuadrado con 1 grado de libertad. a * v. 4.r2.la varianza es 02 = E(xz¡-l'(x)l= _(rro)'= cr6#T_Fn : (1./2dü (-. y utilizar el hecho de que r(á) = V7. utilizando el Problema 4. Sea X una variable aleatoria distribuida normalmente con media 0 y varianza 1. 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. Pa¡a ( 0es lóglco que P(Y SU) y> 0 tenemoe P(Y<u): P(Xz<a) = P(-\/u=X<+\/a) +fr"-. pá4ina 1-1. como se ve al página 116. Esta debe ser la distribución de Z.ztl-v/2 fa u<v/z)-re-udu = (L-zt¡-'rz r'(v/z) )o 4.s(v-2)/2e-<L-2t>r/2 dr =J-r(v/2) )o 2.34 que una distribución cuya funéión generatriz de momentos es (1 2t)-<vt+v2)/2 es la dishibución chi-cuad¡ado con v11. cia entre Paray Deseamos hallar la distribución de la manera siguiente.84.'rz¿s (-fr"-.-rr/2e-. DISTRIBUCION CHI. obtenemos P(Y < ú = -! fs rrrze-uz t/2r Jo d. página g1. por el Teorema B-18. Y: x2 dad.t Pero esta es una distribución chi-cuadrado con 1 grado de libertad.CUADRADO 4.a una distribución normal para X.34.

El resultado general para todos los enteros positivos l.¡r. . Hallar el valor de la mediana de libertad.5 correspondiente a z: 50.Ia cual es igual a 1. Hallar los valores de ¡2 para los cuales el área de la cola 15. como puede observarse de la tabla.10.O. hay muchos valores para los cuales el área totál sombreada : 0.61.x?o¿s. entonces X? V X3 tienen distribución chi-cuadrado con 1 grado de libertad cada una. (Véase las consideraciones sobre notación en la página 116). parav> 10 los valores de la mediana son iguales av . Véase Problema 4. El resultado 11.10.40.01.8.136 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 2..38.831.025. Demostrarel Teorema 4-3. Por ejemplo.04 en tanto que el área a la izquierda es 0.150. x! por los cuales (a) el área sombreada a la derecha: 0. x. (c) 50' Utilizando la tabla en el Apéndice E hallamosenlacolumna ¡2er. en la columna /.05. Sin embargo.esr. los valores: (a)25..3correspondiente av:28. Es de interés notar que los valores de la mediana están muy próximos al número de los grados de libertad' En efecüo.01.O25 representa la percentila 2. búsquese el valor 5.05.. X.05.7.3correspondiente^v :40.0. u"mo. se acostumbra.píryina 116.O5): 0.la cual del Apéndice E es 12. Entonces. x..5. Fig. xz:. y x? (c) Si el área sombreada a la izquierda es 0.0 correspondientear: av:21. La representación gráfica de la dishibución chi-cuadrado con 5 grados de libertad se muestra en la Fig. 4.5. (b) 28 y (c) 40 grados de UtÍIizando la tabla en el Apéndice E.tán distribuidas normalmente con media 0 y variánza 1.95 y xz2 Refiriéndose a la tabla en el Apéndice E.35(b).¡2.0. xl es (1 . (d) el área sombreada a la derecha: 0. (c) 67. para v : Por el Problema 4.¡ se deduce en la misma manera. xi representa la décima percentila.(b) 2T.99 y ¡22 representa la 4. al menos se especifique lo contra¡io.la cual es igual a 0. a! es 0.. 4.1. y Si el área sombreada a la derecha es 0. entonces el á¡ea a la izquierda de representa la nonagésima quinta percentila. (c) S9.025. .025: 0.2-. qi" Z = X?*X2" tiene distribución chi-cuadrado con 1 * 1:2gradosdelibertadsiXr y X2 son independientes. Entonces del Problema 4. (b) 2I. en este caso cada área:0.34correspondienteav:9.05. (d) Si el área sombreada a la derecha es 0.39.05.1 es el valor pedido de 12. (b) 32. ¡! que corresponde a (a) 9. si el número de gndos de liberbad v es igual a (c) 15. lcAP. (b) Puesto que la distribución no es simétrica.9?5 Análogamente.2gs. si el á¡ea sombreada a la izquierda es 0. hallamos en la columna ¡. 4-18.8. escoger las dos áreas iguales. Entonces procédase hacia la derecha hasta la columna x%r.37.01. el área sombreada a la derecha puede ser 0.831 y 12. la cual es igual a 15. X. el átea a la izquierda de percentila 99. 4-18 (o) Si el área sombreada a la derecha es 0. el área a la izquierda de x? es O. Hallar los valores de xf. (c) el área sombreada a la izquierda: 0.026. Por tanto los valores son 0.4 4.36 vemos que si X¡ y X2 es.? conespondiente a la derecha de la distribución ¡2 es 0. el área sombreada a la izquierda de x3 es 1 ¡j iepresenta la percentila 9?. (b) el área total sombreada: 0.¡ (puesto que la mediana es la percentila 50 ) los valores: (o) S.

.."^' + zo+"/2 Í"'=-* d. *^ I' = - *l Í": como z('' .rr-r"-."a']au de acuerdo con lo pedido. DISTRIBUCION ü x3s¡ dado en el Apéndice E. DE STUDENT 4.Elrode donde t6=t = .100 gados de libertad. -/.. '\ z / (..42.64+/199P = 124.(' F(r) = _ tf Jr=-./4 f ( 7<rrz>-r e-<yz+ztrz ¿.2.lt * T ) eeto puede eocribir¡e d. Demostrar el Teorema 4-6. Por tanto tenemos Remplazando F(xl = .va J"' {2r2. .tzl(vl7\ Jz=o = .r/2. er la percentil¡ 10Op de l¡ di¡trlbución nornd tipilicada.tzt'(vl2\ ).u\ . página 117.64+rfss¡z =69.rf ¡"ffi "-r.t' / 2 e. Entonca ti z.. xlgs = \@.rzrl.= . (b) Si r=100.zl ztÍt + <t2 | v>r a")au ( " Susüituyendo F(r) = G. / mayor que 30.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPTO 13? 4.y ¿2 # donde la integral ¡e toma ¡obre la región ( del pleno lz parn l¡ cr¡¡l g ut/ñ.o 6 . Debido a que Y y independientee ¡u función de den¡id¡d coqjunta er 6l producto de (I ) y (2).41. z ) La función de di¡tribución de I = Ylt/ffi e¡ F(u) = P(T=r) = P(Y=er/Zfi) = y@2...es+ftool-t)2= +(1. oon un alüo grado de aprorimación.3).z \f 2nz.er dccir z<v/z)_te_ :|-r+zr/2 para -o 1g 1lo.tz¿ul¿" LJ":_-e A = urfi en la integral entre parénteais rectangulares hall¡mo¡ .6 = f.#. 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. Hallar xlerpm (a) v : 60 y (b) y . tn¡r( z\ Ju= -' .FA = zp I t/Ft x| = *(zo+tffj¡z (o) Si v=50.0(v¡lorre¡l =L24./ . zo/2)-re-z/21ffi e-uzzr2. podemoe ercribir.-j(* . #. himero fijamor r z b = integramos con reepecto a y de¡de .locuale¡tÁde¡cuerdooonelvalor6?.\2/ r\ (l + u2¡'¡<'+t>rz .cAP.ss+rtrOool-t¡z = |(1.u [f=. dud.@ hast¿ rl/z/r.=o"r.Lu€{p integrannr_conrespecto az de¡de 0ha¡t¡o.t¡ e¡tl c¡¡i dbEibuido norm¡lmenüc con medie certr y varianza uno.. podemor utiliza¡ el hecho de que ({Tx2 .(z. Para .

05.26 como el valor pedido de ú. entonc€s por simetría el área sombreada a la derecha es 0. (b) el área total sombreada: 0.99.05. (c) Si el irea total sin eombrear ee 0. La función de densidad conjunta de f '' V¡ y V2 etá.01.4 4.la/2.ú. (d) el área sombreada a la izquierda : 0. Halla¡ el valor de ú1 para el cual de Student con 9 grados de libertad se muesha : 0.05 Refiriéndonos al Apéndice D. ODt=r.005.lL=-=_rü=02 L"a/ ar t'2ú | vl1t2' .) = 6"i.44. t.rl).01/2 : 0.90. r / Ll+ lvt/v)). (d) Si el Área sombreada a la izquierda es 0.'. .025): 0.01. ) 0 y 0 de otra forma.nD\]uJur0. entonces el área total sombreada es (1 . De la tabla hallamos t. t. ú es 0. Por tanto el á¡ea a la izquierda de ú1 es (1 . 4. ) 0. 4-19 tt (a) Si el á¡ea sombreada a la derecha es 0. Sielá¡eaalaizquierdadeú¡ es0.t u(v2/ 2) .95 y úr Refrriéndonos a la tabla en el Apéndice D. entonced el área sombreada a la derecha es 0.css = 3. (c) el área total sin sombrea¡: 0. (b\ 27. entonces el área a la izquierda de ú¡ es (1 repreeenta la percentila 95.138 DTSTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO ú [cAP.05. -1)(v'\/2) "-. vlW v2 .01.01 es (e) -2.645 correepondiente a y: 200. sea 0.025 por simetría. (c) 200. J z t .u) = .5. La representación gráfica de la distribución (c) el área sombreada a la derecha en la Fig.82..entoncesúl correspondealapercentilagO.l4\ -1- f 'pw\"rz'-' ID'-''-"e '"''o'-. De la t¿bla t ss = 2. Deimostrar el Teorema 4-?. (El último e¡ el valor que se obtendría utiüzando la cu¡va normal.. Por tanto el área de t para el cual el área sombreada a la izquierda es 0.2 g(u.43.:: ::'. tenemoe | 1U) t.75 correcpondienteay:16.e.90.DZ=ü l1U7D Entonces el Jacobiano es i'. Efectúe Ia transformación u 1/ v1 . Del Apéndice D hallamoe 2.e0.99. a.O.quedelatablaes igual a 1.0.83 es el valor pedido de t (b) Si el área total ¡ombreada es 0.:. losvalores: (o)L.'') (?ñ rr^ o(vz/2) -| "-'.38. dada por 1 (. hallamos en la columna te.25.r) a\. DISTRIBUCION 4. 4-19.es._tr Fig. Entonceg búequese la c.:"i = l::"'.er5.01 y el área sombreada a la derech¡ es 0.1 ez(vt+ v2)/2 lQl/21 f (u2/2) <t | + ú2)' ri o. En el Apéndice B e¡te valoi corresponde a la enhada en la última fila ma¡cada ó). . búsqueee en Ia columna y el valor 9. (e) el área a la izquierda de ü.[.O5): 0.70 correspondiente a v = 27i (c) 1.gg) = 0. t. ¿.82.9?5 y úr reprecenta la percentila 9?.olumna ¿.45. El resultado 1.05.(b) 1.::l = l"*:" 'u':'" Denotando la densidad como función de u y w por g(u. 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. ú.0.

donde vt -. rr.r. er hkt) = ei u (. \.47. r.o5 en el Apéndice F con e¡a¡ en l¡ distribución ú bajo ú. rr.46.18)2.r' / 2(. ) 2' de (. .t r rz)tz Si tiene un máximo relativo se presentará cuando la derivada sea cero. Pero de Tenemoe (r h(u) / v2\vr/2 4Q 1/'' . la función densidad de la di¡tribución F es r[(t.4l si u DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 139 > 0. i \rn) - 2\ / v' \ si v.i/2)--t (v2:L vru)-(r..\ z /. Verificar que (o) /.96.0 = 4.o.. (d) F.7L = (2. hallamos F. página 118. 11 .. hallamog .. Apéndice A.ul F'.n. u.'.oc. =- 9.r.5 L6l = (72. = 0..9.ss : ".cAP. página 118.50¡2.5. = # = 0.2\/2)-t e-tt+<v{/v2)t(o/2> z(tt ' u2)/2 t0t/21 l.48.'rrr.\z . 15.ss : t?n (b) fl.(vz/2) Jo -tL-!:j!::-:(I5)..t)- tyt ('4fa) (.l¡. Vemos que 18.2* . primera f. > 0 y 0 de otra forma. RELACIONES ENTRE LAS DISTRIBUCIONES F.so.\/2i-r. (a) Comparar ia¡ entradas en la columna de la tabla F.1-2\/ /\.0g (d) Por el Teorema 4-8.ut = t'(P) ap Jo da) ) 0 y 0 ei rt É 0.o.. /..71)2.s.t .\i = /v' I vr\ ) si u ) 0 y 0 ¡i z¿ 5 0.1 = (3.ot. ro. 10. etc.-'1t'"tvp)-uvr\j-:.¿t..ee. 4. (b) Del Apéndice F. : (4. (c) = 10. Demostrar que la distribución F es unimodal en el valol ¡v' ' La moda localiza e! valor máximo de la función de deneidad.1 -.e75.. ro.rt) - (¡'r +t2)/2 - . \ : ¡. ir ua 0. /. donde. es decir (r.t e.TZ) \ (-" se Utilizando el criterio de la segunda derivada podemos demoetra¡ que realmente trata de un máximo. . hallar (¿) F. que es el reeultado pedido. r¿ desde La función de densidad (marginal) de U puede encontraree integrando con recpecto a decir 0 ha¡ta €. 7. (o) DeI Apéndice F.o.78)2. hallamoa \-i.rr.io = F_¡ ..rr.*r.326.l= *. . rs = 3..F' gs.'r2\ ) = 0 ó trt ry = /.- r1u)-¡(.L5. F.au d. Utilizando la tabla para la dist¡ibución F en el Apéndice F.30.. (b) F .ob. A diferencia de una conetante.257..8 = 3. (c) Por el Teorema 4-8.s. ( " *....2* r. 4.+t.+v2't/2r-r = 0 Dividiendo Wt ut|ti2)-2(t2l t¡t)-[("\+t. ¡2 y ú 4.80.\rt.

. P(.*rr.84)2.página 11?].u/2¿-r/2(y + ul-(r1tr/2 ^/. \ : {".. Por tanto ^\ F.)" \/ Com¡rarando con (42)..r( . 34.es el nhmero tal = 7- * t\ "/" .'.4 (b) Comparar la¡ enhadas en la primera columna de la tabla F.4*)___\-.1 = (5. v2 = v en la funeión de densidad para la distribución F f (ul = .'.l / +z\-r¡ \ '/ ¡=. vemos que el lado izquierdo de la última ecuación es igual a z. + r\ r( ol -r- . que puede establecerse simplemente como F r-p = t? ott¡ l(4í).o) r\ \ '/ ll '=2 | '\ .92)2. t { l'-'u-r./" + 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. Demostrar el Teorema 4-9. 4. P. pfuina 116.(4.ee en el Apéndice F conegarenladistribución ú bajo ú.eer./ para u /_u_r.r¡ n'(. Por tanto t-P 2 = Pp<T:.(. tenemos P(T=+tlrno¡ = t -Pi .5 = (9.-¡l r.9 " / +1\ -t'* "" t / vv/21l-12v-(.49.sí generalizar los resultados del Problema 4.140 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP. Entonces y a.P(f 0) = = P(T=+\E|-+ donde hemo¡ usado la simetría de la distribución ú. .l. y que P(U 5 . página 118.+tfttur¡ = P(T s +VFt-p) .'.Ft-o) f(u): 0 para ¿ < 0. Entonces por la definición de un valor de percentila.2 -..60)2.-.66)2. Re¡olviendo.r(l +3!) t r-ru+l)/9 ) O.0 <'T = *t/Ft_o) ú donde ? es una variable aleatoria con distribución de Student con u grados de libertad.t.)" . etc.rtF. 21. Vemos que 4050 : (63. Sea 11 . I ^F.48. '\2/'\2/ "11\ "/r\ t -/. 98.

r y una función solamente en y.r'il ) y y puesto que este es un producto de una función solamente r.95 y (b) p : 0. Demostrar que X.. K (r(r . Y son independientes. por definición.4] DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L4t Pero. la probabilidad pedida es Y/r\ \6i \6/ / s c.ú los valores de = t-+o-.r"?ll--+"-.CAP. se convierte en l@. Análogamente la probabilidad de no obtener un 3 en el segundo lanzamiento ee 5/6.02 = #.. Y variables aleatórias cuya función de densidad conjunta es la distribución normal bidimensional.25 77i6 .50..78 = #. 3. = @) con = "'13. en el Apéndice E..00 =. entonces la función de densidad normal bidimensional (49). + * en la distribución F en DISTRIBUCION NORMAL BIDIMENSIONAL 4. y se deduce que X. Y son independientes solo si su coeficiente de correlación es cero.+.Por tanto la probabiüdad de obtener un 3 en el quinto lanzamiento es 1/6.7 2. lo cual provee la verificación requerida.¡ es el número üal que P(T=tt. que era lo que se querfa demostrar. página 118.145. y este nfimero se determina finicamente. Si el coeficiente de correlación p = 0. Y son independientes. 4. = tt-(p/zt ó Fr-p : tl2t'-tptz'. r por una función solamente en y para todos ser el Inversamente. Hallar la probabilidad que en lanzamientos sucesivos de un dado honrado resulte un 3 por primera vez en el quinto lanzamiento. Entonces vemos que a r': ó) con etc. 4.99. La probabiüdad de no obtener un 3 en el primer lanzamiento es 5/6. (c) Comparar las entradas en Ia última fila de la tabla F o= en el Apéndice F (correspondientes las entradas bajo ¡. Comparar las entradas en la última fila de la tabla . si X.51.21 .. _ 9. ya que la función de densidad de Ia distribución positiva. Entonces la probabilidad de no obtener un 3 en lo¡ primeros cuaho lanzamientos es (5/6)(5/6)(5/6X5/6): (5/6)4. Véase Problema 4. lotll.4!¡ 4 2..1. -..60 -.L . Entonces vemos que 6...il = (4 .94 3. 't7 2. )Lo. Sean X. Verificar el Teorema 4-10.52. lo cual provee la verificación requerida. f(x. y) dada por (49) debe para todos los valoxes de x.. La prueba general del Teorema 4-10 se deduce tomando el límite cuando U2 la prfuina 117. DISTRIBUCIONES DIVERSAS 4.8t (b) -. Méüodo 1. Esto es posible sólo si p : 6.:\/2= en .GB a ¡'.. etc.. 3. Por tanto ú es estrictamente +\/F.¡ !. etc.. Ll . página 118. para (a\ p : a1 0. tt tt¡/z.. s.(p/z\\ = l-?. er el Apéndice F (correspondientes las enhadas bajo x:nn en el Apéndice E.s2 T r. s. producto de una función solaménte en.'.'.F e.

/ du (' = o-r. La probabilidad de que un estudia¡rte que ingrese a la universidad se gradúees 0. i) integral. ó aprorimando 0.64.92. 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. ¿Cuál es la probabilidad de obtener un total de 9 (o) dos lanzamientos de r¡n pa¡ de dados? en veces.2692.p(\ t + +)-l ó/J 4. i7't6 4. - f.ra evaluar la (ü) E(Xz¡ = fo- oOro*r¿-oto¡lg r "b ('/z\r*ttro> e-!:u(t/b)-t = o"o )o \.4)1(0.6)4 = 0. 4.be-! = o-2/br\t + a) Entonce¡ / o\ ¿u 02 = El(X-u¡21 = E(Xz)-uz = PROBLEMAS DIVERSOS o-".977?6. 4 Utilizando la di¡tribución geoméhica. 11. eon p: Ll6. alf hay 6 . 2¡.26 (c) P(al menos uno re gradúe) = 1 -P(ninguno se gradúe) :0-92224.oJs u. 6 = 36 forma¡ en las cuales ambo¡ dadoe pueden caer. etc. (b) la variarrza. se gradúe. (o) t' = E(X) = JO f abrb e-o"o d.4)0(0. ó aproximando O. : atb pa. .4. \i)"-". pedida er pRopro [cAp.6)r : 9.L42 .q:616. de la distribución Weibull. ó aproximando 0. etc.08 (D) P(re gradúe uno) = 5Cr(0. página 118.r I ú ).63. Verifrcar las expresiones dadas para la (a) media.tbr donde hemo¡ ütilizado Lr ¡ustitución u f@ ab ('/"\ du /' (r. (c) al menos uno. (b) uno.55. Determinar la probabilidad de que de 5 estudiantes (a) ninguno. DISTRIBUcIoNEs DE rRoBABTLTDAD coN NoMBRE Método 2 (utilizando fótmula).""tb)-t a-ub I ur/be-! du Jo a_. (a) P(ninguno ee gradúe) = 5Cs(0. (D) al menos dos veces en 6 ¿ead¡¿o¡ por (1. 1 en el primer dado y 2 en el regundo dado. E¡ta¡ ¡on 1 cn el grimer dado y 1 en el regundo dado.of ¡(1 + 3) b/ L\ ..¡ :6 Gzl vemo¡ que la probabilidad /t\/o\' _ \6/ \6 / página 119.

-"^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. Halla¡ los coeficientes de (a) sesgo y (b) curtosis de la distribución en el Problema 4. 3). Véase Fig.9): 36. dependiendo del número de respuestas conectamente solucionadas de un total de 10. . Para aplicar : 6.a di¡tribución ee s+l---^6:q : 3+ff1-6(0'1X0'9) = nuq 3'01 ligeramente má¡ apuntada que la distribución normal.6. Por tanto la de¡üación tfpica = /56 = 6. 5).6 (área entte 0.0 (6.ó6.133 coeficienüedecu¡tosis: l.1): 40. 4.5gr 441 * ss1 441 . eb necesario con¡idcrar los datoe como si fueran continuoe.5 en unidader tipificadar : 5.1. Las calificaciones de un parcial corto en biología fueron 0.5?.2788: .58.0676 : O. (o) P(9 do¡ veces en seis lanzamientos¡ = 6"'\t/ /q\t-' .1XO.2./ * '"'(. (a) la di¡tribución normal a datos discetoe. . == vnpq H = 0.4I DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 143 De estas 86 forma¡ todar igualmente factibles ¡i los dados ¡on honrado¡. P(al menoe 9 doa veco) : 1 - P(9 cero vecer) - P(9 una vez) : ./r\'/e\a. 4-20.2 = -'1. (c) la calificación mínima delL0% más dto de la clase.5Bt 441 = 531 441 441 Otro método.\0/ \e/ \s/ ^/l\'/q\' ffitZü 7268s 4. 4./ \."'\g/ ' ^/rY/s\u. es decir podemoselpemr que 40 tornillo¡ esüén defectuosos. un total de 9 ocurte en 4 cqlos¡ (3.5 en unidadee tipificadar hoporción pedida: á¡ea entre : : . (4. (D) Varianza : npe: (40OXO. (a) (b) Coeficientedeeeego= Puesto que es positivo. (a) Media : np :400(0. L. La calificación media fue 6.7)1L. la distribución está sesgada a la derecha.. 4). ^ /r\ta. (5.2.17 z: -1 y 277o z: O) 0. .er)*P(9cincovecer)*P . ^ /r\'/e\'. ^/r\'/a\'. 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. 10 puntos.56. hallar (c) la media y (b) la desviación típica para la distribución de tornillos defectuosos de un total de 400./ \ó/ * '"'foi ó * '''Gi 72689 1 10240 960 48 61 = 681 440 65f ¿¿T .cAP. Por tanto una calificación de 6 puntos ¡e cor¡sidera como 5.-.17 (5. determinar (c) el porcentaje de estudiantes con 6 puntos.3418 - y e = 0) (áre¡ entre z :{. Si la probabilidad de un tornillo defectuoso es 0. 6).5 .17 z: -1 y z:-4. (b) la calificación máxima del L0% más bajc de la clase.? y la desviación típica fue 1. (6. Suponiendo que las calificaciones están distribuidas normalmente.6 a 6. ^ /r\u = 'c'(o/ \é/ * '"'(.2:{)..7)1L.6u.6.5 puntoe.

zt Enüonces zt = (xt . 4.r) dlu dt = -^po u dP" n 6 = ->'¿t Re¡olviendo (3) por integración obtenemos lnPn = -X¿ + cl PoQ) = ¿¿-Lt Pa¡a determinar c notamoc que si ú = 0. por tanto área. 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. pero no se consideSea P6 (ú) r-----]--l Fig. por simetría : L. 4-22 repteeenta el eje de tiempo c.on O como el origen. Si (b). Si se suponen lar llegadae de lae partícula¡ sucegos independientes.40 : -L. Refi¡iéndose al Problem^ 4.2 ! 22 Eu equivalente en unidades tipificadas.69. Por tanto la probabilidad de no contar en el tiempo At ec 1 .Z:-t.28.28y Ír:6.7)17.x2:8. De la Fig.4-22 o ran si AÍ es pequeño.17 I'ig. a Area entre zt y O: 0. Un contador Geiger se emplea para contar la llegada de partículas radioactivas. = 0. La Fig. La probabilidad de que se cuente una parüfcula en el tiempo Af ee proport t tatr cion¡l a At y puede eecribir¡e como l.I At.I -0. Por tanüo c = I y l¡ probabilidad pedida ee (11 Po(¿) = ¿-^t 4.7)lt. 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. Halla¡ la probabilidad de que en un tiempo f no se cuenten partículas. rin considerar los términoe que incluyen (Aú)2 y término¡ cuperiores. la probabiüdad de no cuenta en el tiempo t Entonces Po (ú + At) es la probabilidad de no cuenta en el üiempo ú + Aú.10.28 (aproximadamente).69 halla¡ la probabilidad de exactamente una cuenta en el tiempo t. Entonces (x2 - 6. Por tanto.que lógicamente e¡ 1. 4-21 (b) Sea r ¡ la calificación máxima pedida ] z¡ !u equivalente en unidadec tipificadas.4-20 Fig. At.P6(0): c e¡ la probabiüdad de no cuenta¡ en elüiempoGrro. Máe precisamente.4 .26 6 aproximando y al entero má¡ cercano. 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 .60.2 u 8 aproximando al entero má¡ cercano.L14 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP.r2 la calificación mínima pedida zz =L. exiatirán término¡ adicionalecqueincluyen a (Aú)'y órdene¡ ruperiores. 4-2L el la izquierda de z¡ eo LOT.28.6. tenemoS (r) De (I ) obüenemos (2) Po(ú+a¿) = lú Ps(Ú)[1 -IAú] = -IPo (¿) At+0 lim Po(¿-f a¿) - PoQ\ e¡ decir (. (c) Sea .

¡e-rtt esto puede escribirse como d.62. .61. X denot¡ el número (d) de caras en un solo !¡nzamiento de 4 monedas. Problerna.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). Hallar fal¡o.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 145 La probabilidad de (i) es P1(ú)(1 . 4. Suponer 4. (b ) menos de 4. @l 6 caras.ar una moneda honrada 6 veces aparezcan (o) 0. (c) 2. 4.P. la probabilidad de acerta¡ correctamente al meno¡ 6 de 10 res¡ruestas en un examen tipo verdadero- .I"(t) = XF'o(¿) - IP1 (¿) ge Tomando el lfmite cuando Af -+ 0 y utilizando la expresión para Pe(ú) obtenida en el Problema 4.t * \P. Por tanto.66. (r) Esto puede escribirse Pl (ú + a¿) = Pr (ú)(1 - r aú) + P0 (¿)r a¿ Pr (¿ + (2) l¿) Lt . con un par de dados? ¿Cuál es la probabilidad de obtener un 9 exactamente una vez en 3 lanzamientos 4. DeSOOfamilia¡con Shijos.59 esto convierte en dP. (b\ P(X <21' (c) P(1<x=3). Por tanto (7') = ¡¿¿ . Si P(X=2). Utilizando e¡to en (6) hallamos Pt (Ú) c2 0. tr¿-At (3) dt = ^Pl o d.64. (d) 3' @l a. ¿@xtPr) = x que al integrar (6) Pr(t) = \¿¿-rú+c2e-\r Si : t:0. Halla¡ la probabilidad de que al lznz. Iülla¡ la probabilidad de (o\ 2 o már honradas. (b ) 1. (c)o2ó3niños? probabilidades iguales para niños y niñas. (n 5.cAP. 4 caras en un solo lanzamiento de 6 monedas hallar (o) P(X = 4. caras. que es cero.67. La probabilidad de (ii) es Po(ú)I at.rlos DISTRIBUCTON BINOMIAL (BERNOULLI) 4.s supletnenta.i que es [a distribución de Poisson. u) Multiplicando por (5) e^¿ d. P1(0) eo la probabilidad de 1 cuenta en el tiempo 0.66. sin coruiderar los té¡minos que incluyen (Aú)2 y ruperiores. 3).69. Hallar la probabilidad de obtener un total de 11 (c) una vez. ¿cuántaseeperaríantener(o)3niños.I a¿). (b) dog vece3' en dos lanzamientos de un par de dados honrados.(b)5niñar.

64).96). (c) coeficiente de sesgo. hallar P(X > S).?O m y desviación típica 10 Si los diámetros de los cojinetes de municiones están normalmente distribuidos con media 0.608 pul.2O y z --2.6 y 1.5722.t ! 2 o.78: Hallar los valores sea 0. (b) desviación típica. llallar el área bajo la curva normal z: 0.!6. Hallar el área bajo la curva normal (o) a la izquierda de z : -1. (b) menos de hes cuartos de desviación típica? Si ¡'t es la media y o la desviación típica de un conjunto de mediciones que están distribuidas normalmente. (e) el áiea en¡e-z y z 4.79.2 o. Demostrar que si una dishibución binomial con n : 100 es siméhica.2266. -0. Evaluar (o) ) (c - p\3 f (r) v (b) > (r .O?30.0314.5 o? 4'83. (b) a la izquierda de z:0. 4.7O.68. ¿cuántos estudiantes tienen estaturas (o) ¡nayores que 1.6 Hallar (o) la media y (b) la desviación tfpica de un examen en el cual los puntajes de ?0 y 88 corresponden a calificaciones tipificadas de -0.?0 m? cm.76. (ó) el área a la izquierda de z sea -0.L46 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.6140 pul y desviación tipificada 0. (d) coeficiente de curto¡is para una dishibución binomial en la cualp : 0.618 pul inclusive.900. (/)ala izquierda de z:-2. 4.85- 4. Si X está distribuida normalmente con media 5 y desviación tipificada 2.23 y z sea O. lt!aosea . (e)correcpondientea-0. (c) solament e 2.45. Demostrar las fórmulas en la página 109 para los coeficienües de seego y curtosis.9.83. todas de edad idéntica y con buena salud. Calcular la (o) media. (d) correspondientea z>:2.71.55 m. DISTRIBUCION NORMAL 4. La calificación media de un examen final fue 72 y la derviación típica g.59 y 1. 4. (c ) mayor que g 1.75.72.61? pul. (d) iguales a 0. haltar (a) P(Z = -1.El m inclusive. Hallar la probabilidad de que en 30 años (o) Ias 5.96 =_ Z < t. 4.e z: -1.0025 pul.610 y 0. (b) menos que o iguales a 1.52 y a la derecha de z: 1. 4.85 m.69. (b) Determinar los puntajes de dos estudiantes cuyas calificaciones tipificadas fueron y 1. El l}'.80' 4. Si (c) P(lzl > r). 0.? y n : 60.b superior de los estudiantes recibirán una calificación A (excelente). Un agente de una compañía de reguros vende pólizas a 5 personas.50. dondeZestádistribuidanor¡nalmenteconmedia0yvarianzal. entre 1.23yz:1. Interpretar los resultados.86. (b) menos que p . (c) a la derecha d. ¿qué porcentaje de las medicione¡ están (o) dentro del recorrido I. ¿qué porcentaje de esas mediciones diferirá de la media por (o ) más de media desviación típica. Hallarz¡ si P(Z-21)= 0.4 respectivamente. Z está distribuida normalmente con media 0 y varianza 1. 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. En un examen la media fue 78 y la desüación típica 10.2 respectivamente.82. (b) por fuera del recorrido ¡t ! 1. 4. (d) igual a 1.615 pul.80< z< !.(b)z=I. z:-I.?8.77.58. 4. 4.r)af(rl para la distribución binomial.15 y z *aO.79' 4. determinar el porcentaje de los cojinetes de municiones con diámetros (a) entre 0. (c) menores que 0. su coeficiente de curtosie es 2. (c)z:-2. 4. (a)Determinarlas calificacionestipificadasdedog estudiantes cuyos puntajes fueron 93 y 62 respectivamente. (c) el área entre de z tales que (a) el área a la derecha de z sea 0. EnelProblema4. (D) mayor que 0.4 4. entre (o) 4.56.85V 4.81' 4. (d) el áreaentre 1. (c) Si las estaturas de 300 estudiantes están distribuidas normalmente c\on media 1. (b) P(-1.82.8{.84. (b ) al menos 3. ¿Cuál es la cslificación mínima que debe obiener un estudiante para recibir una A ? Si un conjunto de mediciories está distribuido normalmente.gShallarlacon¡tanteatalqueelporcentajedelo¡casos(o)dentrodelrecorrido 7 í'.oo ¿ea 22c/a.4O.74.t'c. (dl al menos I persona esté viva.

Según Ia National Office of Vital Statistics of the U. f(r) =. . (c) menos de 85 o más de 116 caras.93. página 113. Un talego contiene una bola roja y siete blancas.cAP. (bl 24 o más de 40 preguntas en un examen tipo verdadero-falso. 36 LO"/o de los cuales son defectuosos. arí generalizando el Problema 4. Education and Welfare. (e) 4. hallar la probabilidad de que en una muestra de 100 lámparas eléctricas (a) 0.(d)8. Xz.(b)2.99.98. hallar la probabilidad de que (of rnís de 5.b. Generalizar el resultado a n variables.10O. TEOREMA DEL LIMITE CENTRAL 4.87. 3 . 4. enunaciudadcuyapoblaciónesde200000ocurran(a)0. Department of Health. 4. Se extrae una bola y se obsen'a su color.(Sugeren- cia: Utiliz. (c) menos de.101. Hallar la probabilidad de que un estudiante pueda acertar eorrectamente lasrespuestas a(a)12 o más de 20.ar la función generatriz de momentos). (d) exactamente 100 cara¡. Demostrar el resultado (l 7). Halla¡ la probabilidad de que 4. <x< @ 4. Demostrar que si respectivostrr X1 ¡l X2 son variables independientes con distribuciones de Poisson con parámetros ytrz. 1/2 prob.(c)6. Explicar por qué se podría esperar que el teorema üengan la distribución de Cauchy. S.1 t\. . (d) 3. Demostra¡ el teorema del límite central para las variables independientes xk = 4. 4. (b)entre 30y 60. Entonces se coloca la bola en el talego. DISTRIBUCION DE POISSON 4. (b) entre 1 y 3.92. ( L 1 prob. Hallar la probabilidad de que en un muestreoaleatorio de 400 tor4illos producidos por estamáquina (a)máximo 30.96.9!. de loe tornillos sean defectuosos. Hallar la probabilidad de que en 200 lanzamientos de una moneda resulten (a) entre 80 y 120 caras inclusive.(n5lámparar sean defectuosas. 4.94. (b) 7. 4. . 4. 1/2 -r -t Demostrar el teorema del límite central para las variables independientes 'Yk donde g = | | 1 prob. el promedio de ahogados en accidentes por año es 3.2. Una máquina produce tornillos.97.t9. (c)entre y 46.90. (b) cada ca¡a una vez. . f.88. Se lanza un dado honrado 6 r¡ece¡. 2 "doses" y .#Tf DISTRIBUCION MULTINOMIAL 4.91.0 de cada 100 000 personas. son independientes y están distribuidas idénticamente con la distribución de Poisson. . o 2lámparas eléctricas sean defectuosas. hallar la probabilidad de que en 8 de tales extracciones se seleccione una bola roja 3 veces. Halla¡ la probabilidad de que el resultado sea: (o ) 1 "uno". del límite central no sea válido en el caso que X¡ . -'. página I 1 1 . Si 3% de las lámparas eléctricas producidas por una compañía son defectuosas. r¡ : L - p. Demostrar el teorema del lfmite central para el caso en q rre X ¡.(f)menosdeS ahogados por año. 4l DISTRIBUCIONES DTSTRTBUCTONES DE PROBABTLTDAD CON NOMBRE PROPTO PROBABILIDAD PROPIO I47 L47 APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL 1. Hallar la probabilidad de obtener más de 25 "sietes" en 100 lanzamientos de un par de dados honradoe.95.(e)entre4y8. En el Problema 4. (c)2. Xz. ( t 3 ). Utilizando (o) la distribución binomial y (b) la aproximación de Poisson a la distribución binomial.entoncesXr+X2 tieneunadistribucióndePoissonconparámetro). 4. p pr. "heses". (d) 55 o más.97. 4. (b) menos que 90 caras. .

cuando N ' e. Demostrar que si X1 y X2 son independientes y tienen la misma distribución {e Cauchy. Demostrar directamente que (22). DISTRIBUCION HIPEBGEOMETRICA 4. Yerificar la (a) función generatriz de momentos dadas por (33 ).109. 4. Verificar que (31 ). entoncel su mdia 4. Emplear la aproximación binomial (18) obtenida. Suponga que X tiene una distribución de Cauchydeacuerdocon(29).115. ó (24\ se para resolver el Problema 4.105.103. (c) al menos una sea roja.112.(b)8 sean rojas y 2 amarillas. Hallar la probabilidad de que de 10 bolasextraída¡: (o) 4 rean rojas. DISTRIBUCION UNIFORME reduce a (I ).111. 4.148 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cA¡. (b) no más de 2. blancas. página 116. S blrncar. hallar la probabilidad de que (o) 10.págin. 4.121. sesgo y (b) curtosis de una di¡tribución uniforme. 4.págrna114. 2 zzulee y l amarilla.fl DISTRIBUCION DE CAUCHY 4. Demostrar que el recorrido semi-intercua¡tílico para la di¡tribución de Cauchyeeo. dad de que (a) 6 sean figuras. De 60 aspirantes a una universidad 40 son del oriente. 4. página 108. (b) P(Xz > r2). (t) P(l = X=2). Determinar el coeficiente de (a) > ll 6/. o:2. y (b) la función caracterfstica de la di¡tribución gamma . 2 ó 3 en cuatro lanzamientoe de un dado honrado. Hallar (a) el tercero y (D) el cuarto momento alrededor de la media de una dishibución uniforme. 4.114. recorrido gemi-intercuartílico es un eustituto de la desviación tfpica? aritmética también tiene esta distribución.Hallat(a) P(X i. tl¡llar(o) P(X= 1).108.107. 4.9: 4. Hallar la probabilidad de no obte4er un 1. Una caja contiene una gran cantidad de bolas rojas. es una función de densidad. Si Xt y Xz son independientes y distribuidas de Cauchy.Hallar(al P(X <1).4 4. Si se seleccionan 20 aspirantes aleatoriamente.120. SiXestádistribuidauniformemente en-2< x=2. normalmente con media 0 y varianza l Demostra¡r que Y: Xt lXz tiene una distribución DISTRIBUCTON GAMMA 4. (b) ninguna sea figura. 4.z 114. Generaliza¡ el resultado del Problema i. (b) P(lX-11 = +). Determinar los valore¡ modales de la distribución gamma.11?. página 115.122.113. Si se seleccionan 13 cartas aleatoriamente (sin remplazamiento) de una baraja de 62 cartas. hallar la probabili4.11E.106. Una caja contiene 5 bolas rojas 5l l0 blancas.119. azules y amarillas en la proporciün 4t 3z 2: L. Si X. Si se seleccionan 8 bola¡aleatoriamente (sinremplazamienüo) determinar la probabilidad de que (a) 4 sean rojar. ¿Porqué en este caso el 4.116.116. hallar P(lX . Hallar la función generatriz de momentos para la di¡tribución uniforme. (b) todas sean blancas. sean del oriente.110.con < 2). 4. 4.102. Una variablealeatoriaX tiene una distribución gamma conQ:3. Y son independientes y ambas eetán distribuidas uniformemente en el intervalo de 0 a 1.104.106 y e¡tudia¡ la precisión 4. Z. 4.

Verificar que la integral desde u lsugerencía: Hágase a : 0 hasta e v2u).50.126. (e) el área entre -f1 f f1 sea 0.128. (c) 28.(c)eláreaaladerechadeú1 eea0. / una buena aprorimación para percentila (100p) de la distribución normal tipificada. (b) 12. Si la variable U tiene distribución chi-puadrado P(u < x?) : 0.55 ! 4. v ) 2. (c) P(x?< U < x2z) = 0. 4..01. si el r. (b) Demostrar que si la suposición de áreae iguales en la parte (o ) no se cumple. (c) P(U = cl = 0'20. - 2). hallar x2.4l DISTRIBUCION BETA DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO t49 4.g.05. v: -f1 sea 0. hallarlaconstantec talque (a\ 0. (b) 19. Resolver el Problemz 4.2\' 4. Demostrar que la distribución beta tiene una moda l¡nica en DISTRIBUCION CHI-CUADBADO r: (a - l)/(a P(lX-+l = +).donde zo hra una distribución f de Student con 15 grados de libertad.125. 4.2gs para r = 150.01. Demostrar que para grandes valores de 4.rs.or. área combinada a la derecha de ú1 y a la izquierda de -f1 4.rzo.01. 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. (b) F. los valo-res de x? y x! no son únicos' 4.131.oo.zoi (. 4.z¿i (d) F. 4.727 si el área de la cola derecha es 0.141. si el número de 4./(.13E.1 de la función de densidad (45'¡.142. (d) 40.%t con y :7.05. Demostrar que (a) E(xz) = DISTRIBUCION ú DE STUDENT 4. = t2ul(v1* . + p . (c ) 25.rales a la derecha de xB y a la izquierda de x!.2. (d) P(U 2 c) = Q.gc. Halla¡ (o) 4. (o) llaltar x! y x? tales que el área bajo la distribución x2 correspondiente a v -. hallar el valor ie . (ó) y (b) x.(b)eláreaalaizquierdadetlsea0.ss. pígirn 117.140. y x! tales que (a) P(U > x?rl = 0'025. \b\ Yar (7zl -. Q) F. grados de libertad DISTRIBUCION x .ol/l'. (c) F. (c) el á¡ea a la derecha de xl sea 0. Hallar el valor de: (a) F.12?. Hallar 4.136.133.ti ti¡l gue (o) el área a derecha de ¡l sea 0.130.¡' 4.10'(d)el sea 0.02'5yv=20'(c)eláxea 16.. Hallar (a) es la x. Demostrar que para 1 grado de libertad la distribución ú es una distribución de Cauchy.cAP.95.136.90.rúmero e. Si una variable Utiene una distribución de Student con ¡. Demostrar que la va¡ianza de la distribución t de Student con t. 250.eo.129.95.i) 4. ¡2o egtá x?ozs y (b) xizs para'r = 4. es una función de densidad.20 91tt: 1i Y_4_.9:2. (d) el área a la derecha de ú1 sea 0.¡. : 6.01.05.valores de grados de libertad I ú para los cuales el á¡ea de la cola derecha de es igual z (a) 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. (D) P(-a= U 3 c) :0.13?. Verificrü que (34).98. (d ) 60.025.os. Hallar los .páSrrra 115. v.123. (e ) 150.' dada Por r * . hallar el valor de ú¡tal que (a) el área a Ia derechadeú1 seaO.or'so'lr-. Para una distribución chi-cuadrado con 12 grados de libertad.90yy:25t (b)eláreaalaizquierdade-ü1 sea0. (b) el área a la izquierda de xi sea 0.132.99. lJnavariablealeatoriaXtieneunadistribuciónbet¿cono:3.:10.rz.124. 4. la distribución ú es 0.? 9:?^5: suponiendo ireae'ig.9¡' P(U>c)= 4.ss.139.01 y ¡. ee la 0. er igual a 1.134. f f.

Generalizar el Problema 4. PROBLEMAS DIVERSOS 4. Demostrar que cuando v "> @ la distribución f de Student tiende a la distribución normal tipificada. Sean las variables independientes n X¡..o2)a(0. 4. Si X está distribuida normalmente con media g y variznza grado de libertad? Véase Problema 4. (Sugerencia: Ilaga la transformación u : 1/u).. b.156. Demosha¡ el teorema del límite central para el caso donde Xt..A) = ke-(!¡z+2bra+"v'l donde a. 4.15E.4 4.0r. k=1.. página I44.144. (a > o' o .I Y T' 4. É^ ¡=o .157.. 4. 4.150 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.pfuinal77.. Demostrar el Teorema 4-8.. libertad respectivamente.16O..149. son independientes pero no necesaria.161. Y tienen la función de densidad conjunta f(r. Si Xr.prgradoe X¡ + .153. Demostrar el Teorema 4-5.147. + Xn.n. (véase página cada unacondistribucióngeométrica. y varianza 1. Hallar la función generatriz de momentos de la di¡tribución hipergeométrica.. 4. Halia¡ el valor aproximado de (t3o). ento'nces ) Xf ti"tt" 51. Demostrar el Teorema 4-10.X.146.154.Porevaluacióndelasseries dos del Problema (") 4. . . mente tienen una distribución idéntica.6O. Y mnjuntamente tienen la distribución bidimensional (19)... hallar la función de distribución de lonva¡iablesaleatoúasindependientescon di¡tribuciónchi-cuadradoypr.145. demostrardirectamentelosresulta- 4. 4.X. Xz.36.7ffi1.143.162.... página 114.150. página LL8. Si X.37 demost¡ando que si buidas normalmente con media 0 grados de 4. c. Verificar que estas constantes son l¿¡s dadas en (19).r.0. página 118. 4.0. prfuina 118. página 116. . k=l son variablee aleatoria¡ independiente¡ disürluna distribución chi-cuadrado con y libertad.e8¡zsa \z /' * (tlu)to. ¿tiene X2 una distribución chi-cuadrado con 1 X1.' o) 4. Demostrar que 2u (... 4. Suponer que X. Completar la demostración de la ecuación (8) del Problema 4. constantes y b2 < ¿c.e8)2ez \3 /' y dar una interpretación de probabiüdad. Demostrarque k=l ) X* tiene distribución de Pascal 118). mente con varianzas h aon 4.c<ts -. RELACIONES ENTRE LAS DISTRIBUCIONES CHI-CUADRADO... de 4. . (ó) io ".155. DISTBIBUCION NORMAL BIDIMENSIONAL 4. Demostrar el resultado (46). .14E. .^h.159. Demostrar los resultados (20) y (23).r. 4. ¿Puede deducirse la ley de los grandes números en forma débil del teorema del límite central? JuEtificar su solución. rj +n'r l¡ = ¡'oof 4.8.. demostrar que e8t6n distribuidas marginal- "? y oi respectivamente..1 o2 .

(d) la velocidad efectiva(rme.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 4. (c) la velocidad más probable.cAP.F' f. Determinar (a ) la conetante c. página 119. . (b ) la velocidad media. Estudiar qué le sucede a la varianza de l¿ distribución t 4. y varianza de la distribución gas para loc casos (o) (b\ v2= 4.164.163.162. (b) v = 2. Estudiar qué le sucede a la media ¡i (o) r = . (c) v1* 4. Comparar sus resultados con l¡ entrada 5.esdecirlarafzcuadradade la velocidad media al cuadrado). La probabilidad de que una molécula de un ideal terga una velocidad enhe u y u I du está dada por cuze-mv2lzkT du donde k e¡! la consúon te de Boltzmann y T es la üemperatura Kelvin del gas.

.

Farte tl ESTADIST¡CA .

.

mientras que si cada miembro no puede seleccionarse más de una vezwllamamuestreo sin remplazamiento. 1 . la palabra población no tiene necesariamente el mismo significado como en el lenguaje común. N : L2 000. EJEMPLO 5.1 podemos hablar de la población de 12 000 estaturas (o pesos) en tanto que en el Ejemplo 5. Segundo. la palabra poblacíón se utiliza para denota¡ la. comítnmente denotado por N. un proceso conocido como inferencia estodística. En el Ejemplo 5. Desea¡íamos extraer conclusiones reapecto a las estaturas (o pesoe ) de 12 000 estudiantes (la población ) examinando solamentc 100 estudiantes (la muertra ) seleccionados de esta población. La población consiste en iodos lc lanzamientos poeibles de l¿ moneda. En cambio de examinar un grupo entero. El muesbeo donde cada miembro de una población puede seleccionarre más de una vez se llama muestreo con rempla. INFERENCIA ESTADISTICA Con frecuencia en la pÉctica estamos interesados en extraer conclusiones válidas respecto a un grupo grande de individuos u objetos. En este caso los tornillos producidos durante la ¡emana conforman la población.4.3. llamado la población. mienhgs que en el segundo caso solamente puede seleccionarse una vez. MUESTREO CON. en tanto que los 120 tornillos escogidos constituyen la muesha. 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. que se llarna la muestra.c.1.4 podemos hablar de Ia población de todos los 200 colores en la urna (algunos de los cuales pueden ser iguales).lo cual puede resultar difícil o imposible. por ejemplo. Desearíamos extraer conch¡siones respecto al porcentaje de tornillo¡ defectuosos producidosen una fábrica durante una semana de 6 dfas examinando 20 tornillog diariamente producidos en tiempos diferentes du¡anté el día.s observaciones o medida. Así en el Ejemplo 5. como en "la población de determinada ciudad es de 180 000".Capítulo 5 Teorío de muestreo POBLACION Y MUESTRAS.2. EJEMPLO 5.S. Desearfamos ertraer conclusiones respecto a la honradez de una moneda deüerminada al lanzarla repetidamente. El-proceso de obtener muestras se llama muestreo. En el primer caso un objeto determinado puede seleccionarse una y otra vez.s y no los individuos u objetos. denotada pot n. generalmente finito. loa primeros 60 lanzamientos de la moneda y notar los porcentqiea de caras y sellos. 155 . donde cada bola seleccionada se regresa luego de observar su color. Esto se hace con el propósito de inferir cieitos hechos respecto de la población de los resultados hallados en la muestra. En forma semejante el número en la muestra se llama el tamóño de la muestr.n: 60. Primero. Se podría obtener una muestra al examinar. el número se llama el tamaño de Ia población. la población puede ser finita o infinita. puede llegarse a la idea de examinar solamente una parte pequeña de esta población. EJ EMPLO 5.Nesinfinito.Y SIN REMPLAZAMIENT\O Si extraemos un objeto de una urna. Deben nota¡se varias cosas. n = 100 mientras que enelEjemplo S. Tercero. tenemos la alternativa de colocarlo o no en la uma antes de una segunda extracción. EJEMPLO 5.

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

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

que se llama la distribución muestral para h media de la muestm o la distribución muestrcl de medias. Si una muestra de tamaño 5 resulta en los valores muestrales 7. (s) El Teorema 5-5 es una consecuencia del teorema del límite central. denotada por oi.(¡¿ -n\ -f / en tanto eue ¡r* aún se da por (4).¡ n lcAP. De otra forma Io anterior es conecto si remplazamos o/l/-n en (7\ por o* como se da en (6). y si el tamaño de la muestra es n S N. entonces la varianza de la distribución 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. la media de la población. 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. . página 112. 1. está dada por E(X) = donde ¡. dada por Z: es x-r "/\n es (7) normal reintóticamente. oft = . = t' es la media de la (l) población.-. Se supone aquí que la población es infinita o que el muestreo es con rernplazamiento.ux. entonces (5) se remplaza por o2/N . 5 (3) EJEMPLO 5. Los teoremas siguientes son importantes en este sentido. Teorema 5'1: La media de la disbibución muestral de medias. estn lim P(Z -z z) = -= f = J 1 vzr -* "-uztz ¿r. Entonces la variable tipificada asociada con X. Entonces es natuml buscar la distribución de probabilidad del estadístico muestral X. est.6. 9.158 TEORIA DE MUESTREO Jrf ll |"'Fi. denotada por .r es F*. 2 entonces la media muestral . si el muestreo es sin remplazamiento. = ll s_t_1_t_gl" 5 5 DISTRIBUCION MUESTRAL DE MEDIAS Sea /(r) la disbibución de probabilidad de alguna población dada de lia cual extraemos una muestra de tamaño n. Teorema (5) 5-3: Si la población es de tamaño N.á dada por E[(X-ti'l: "l = ¿ n donde o2 es la va¡ianza de la población. Nótese que (6) se reduce a (5) cuando N .5.. Teorema (6) 5-4: p y vaianza o2 entonces la media muestral p y vananza é/n.

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

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

que ? tiene una distribución de Student con n Teorema demuestra en el Problema 5.1 grados de libertad.Si. Establecemos esto en el teorema siguiente. En cambio de hallar la distribución muestral de S' ó S' es conveniente hallar la distribución muestral de la variable aleatoria relacionada nS! . Es natural preguntar qué sucedería si no conocemos la varianza poblacional. Una mejor idea es remplazar la o e-n (21) por la variable aleatoria S dando la desviación típica muestral'e investigar la distribución del estadístico correspondiente que designamos por ft1 X-t. Sin embargo. en tanto que es normal asintóticamente si la población no es normal dado que n >: 30. resulta ir¡ ande o e un bien complicada. En cambio. Se encuentra que el Teorema 5-7 es válido aun cuando las muestras se tomen de poblaciones que no son normales p-ero que tengan distribuciones en forma de campana como la distribución normal. 5-7: DISTRIBUCION MUESTRAL DE RELACIONES DE VARIANZAS En la página 159 indicamos cómo pueden obtenerse distribuciones muestrales de diferencias.cAP. Para una demostra- CASO DONDE LA VARIANZA POBLACIONAL SE DESCONOCE En los Teoremas 5-4 y 5-5 hallamos que. en muesa la particular diferencias de medias. 5l TEORIA DEMUESTREO 161 DISTRIBUCION MUESTRAI.24. Una posibilidad es estimar la varianzá poblacional utilizando una o más varianzas muestrales y luego colocar la corespondiente^ desviación típica en (21). denota con frecuetlcia por ¡2. .grados'de libertad. 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 . 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. UtilizAndo la misma idea po es más buci ¿" diferencias de varianzas. Si. 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. (21) está normalmente distribuida si la población de donde se toma¡on Ias muestras de tamaño n está normalmente distribuida. podemos considera¡ él estadísü próxima a 1 indicaría una pequeña pequeña indicaría una gr¿rn áiierencia mientras que una relación diferencia. S/\n X-t' slltn'- (22) r ü Podemos entonces demostra¡ utilizando el Teorema 4-6. se Debido al Teorema 5-6 la variable en (20\ ción de este teorema véase Problema 5.la variable tipificada Z= X-¡t "/yñ.22.i2 o2 (20) o- La distribución de esta variable aleatoria se describe en el'teorema siguiente. 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. En (2I ) hemos supuesto lógicamente que se conoce la varianza poblacional o2 . - 1. pagjna 117.

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

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

fl lt f.. Véase Problema 5.3u.L64 TEORIA DE MUESTREO lcAP. (2Ir) Análogamente la varianza está dada por (25) IL Nótese Ia analogía de (24) y (25) con los resultados (2). fk Puesto que hay f. 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. pagina 78. es decir ¡¡ . s tll f¡ números iguales ? rp. o distribución de frecuencia relatiua acumulada. COMPUTO DE LA MEDIA. Ya que las frecuencias relativas pueden considerarse como probabilidades empíricas (véase página 6). La frecuencia total es n. podemos considerar a las distribuciones de frecuencia relativa como distribuciones de probabilidad empírica.5 Podemos c<¡nsiderar una distribución de frecuencia relativa como una distribución de probabilidad en la que las probabilidades se remplazan por frecuencias relativas.r¡ TOTAI. pagina 76. corresponde a probabilidades empíricas.. P<. 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. 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. fr I /:* "'-l. fz números iguales a xr. cuyas representaciones gráficas asociadas se conocen como ojiuas u ojiuas porcentuales respectivamente.. y (13).r _ 1 lt-_+-[291:-'' _l/1. números iguales d media está dada por xt. l3 .¡r analogía podemos asocia¡ con cualquier distribución de frecuencia una distribución de frecuencia acumulada.. 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. = I/ Tabla 5-3 Frecuencia de clase Marca de clase .1 n.l : .

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

\ N _irl.5 5.0. ¡'. 8).0 otr 3.2) (6.5 + 4.D 6. El resultado final es . o: 3.to oue el sesundo miembro ^^ .0 + 7..5 .. (6. 6) (8. se considera la misma que (8.5. nuesto que segundo -:^-L-^ "" (. 6) (3.11) (6.8) (11.2t (3."\.3) (6. 4 135 : -. 3) (3.40.11) (1r.2.0 4.* . 10'8/5 . 11). 5. de tamaño dos que pueden extraerse sin remplazamiento (esto significa que se extraerá un número y después otro número diferente del primero) de la población. (2.0 -('25-10 - c. de la distribución muestral de medias se obtiene restando el valor de la media 6 de c¿da número de (1 ). elevando al cuadrado cada diferencia.29.40 de modo que o.5 = 6.0¡:: -f -' . ¡r: 6 y o2 :10.5 I.* 2.5.3). 11). de acuerdo con el valor anterior.5 + 9.1-¡ .0 y la media de la distribución muestral de medias .0 -i.0 O. Para una demostración general véase Problema 5.4.0)2 = 4.2) (11.-.puestoqueel segundo miembro es 10.0 9. (o) y (ó) como en el Problema 5. Estas so r (2.5 + 10 /r.1.11) 4. éstas son (2.2\ Esto pone de manifiestrque '' .b - 6. 7.0 es 8.0 5. (3.11) (8.5.5 11. 11) La selección (2.0r 6.0. Las correspondientes medias muestrales son 2.0 5.6) \2.8). + (9.8.5. + l:1. 3) (2. 4.!lr_115.8) \3. Para una demostración general de este resultado véase hoblema I .5 7. 7.5 1 4. 8).5+ 5. de la distribución muestral de medias x es 6. l'I1!11-q9-"'-lgl-99'":'I9't3ls 25 comprobándose que ) 150 tt - o'' t{' -.2) 12.5 6. Para una demostración general véase Problema 5. 2) (8.5 (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). (3.?.0 8. Lo mismo que en el Problema 5.2. rj). (8..3) 111.05.40 = 2'32 Esto pone de manifiesto el hecho de que para poblaciones finitas en las que se efectúa muestreo con remplazamiento (o poblaciones infinitas).01..0 (2.05 Y ox r.0.47. 5. (c) Hay iC-. (2.5. 4.6) (6. (3. que es el valor obtenido anteriormente. por ejemplo.11) (3.2). or".8) (6.166 TEORIA DE MUESTREO lcAP.r' = 16. 5. 5.1 para el caso de muestreo sin remplazamiento. ) "l .r ) 4. _Í ) .0)..6) (tt.o2/ N .8) Las correspondientes medias muestrales son 2.5 7.0 poniendo de manifiesto el hecho de que tÍ - (d) La varianza.5 ¿" (l 8.0 7. 7."2*= o2/r.6). y la media de la distribución muestral de medias es 9. 6.1¡ muestras (2.8. 3) (rl. ll ).0 : itO + 6.6. (6.8/2 = 5.8) (8.f. (d) I'a varianza o{.O.0 6.U t< (.5 9. 8.3)..6. sumando los 25 números así obtenidos y dividiendo por 25.

3.0 pulgadas.3 pulg.1915 : 0.5.8 en unidades tipificadas 68.4.6687 Entonces el número de muestras esperado es (80)(0. Quinientos onzas. ¿cuál será la media y'la desviación típica esperada de la distribución muestral de medias resultante si el muestreo se hizo (o) con remplazamiento.25 -1 que es ligeramente menor que 0.6 : -2. Si se toman 80 muestras de 25 estudiantes cada una.8 y 68. que son muchas más de 80.8 y 68.6 (68.0pulgadas o vn N-n _3 N-1 \/% .3 cabría esperar una media (o) entre 66.02 onzas y una desviación típica de 0. : (área bajo la curva normal entre z : -2.4962 : -2.67 0. la media y desviación típica esperadas serán muy próximas a las de la distribución teórica. Fig.30 500 /ioo 500-1 - 100 0.5\ :(áreaentree:-2yz:O) * (área entre z : O y z : 0.6 : -2. (b) de más de 510 Pa¡a La distribución muestral de medias ox- o yn !* = p = N-n N-1 5.02 ? . = tL = 68.0)/0.0)/0.68.4 - 68.cAP.0 pulgadas y desviación típica 0. pues. (b) 66.4 pulgadas .30 onzas. \a) p*.0 pulgadas y dewiación típica 3.6 pulgadas 3000 3000 (b) p* = p - 68.0098): 0.4 en unidades tipificadas: (66.6 pulgadas.5 - 0. puesto que el número de muestras es grande. (b) menor de 66. De aquí que con 80 no se obtenga realmente una distribución muestral de medias.304 o cero.3 La media X de una muestra en unidades tipificadas viene dada por Z X-p* aX X-68. pulgadas. considerarse la misma que en el muestreo con remplazamiento. habría mucha aproximación entre las dos disbibuciones muestrales. Por ello. Supóngase que las estaturas de 3000 estudiantes de una universidad se distribuyen normalmente con media 68. cabría esperar que la distribución muestral experimental de medias se distribuya aproximadamente normal con media 68. 5-3 5.0 0.5) : O.6682) ó 59.(área entre z : 0. Así. (b) sin remplazamiento? El número de muestras de tamaño 25 que teóricamente pueden obtenerse de un grupo de 3000 estudiantes con y sin remplazamiento son (3000)2s V aoooCzs.6 (o) 66.6 pulgadas y puede.0 : 0.4772 + 0. para todo propósito práctico.(área a la izquierda de z : -2. 5.3 .0 y z : O. Sin embargo.0 pulgadas y Yox=- ox = o=3 \/n {zs = 0.67) : : (área a la izquierda de z : 0) y z : O) .4 pulgadas? ¿En cuántas muestras del Problema 5.02 onzas. por tanto. sino solamente una distribución muestral experimenú¿1.67 Proporción de muestras con medias menores de 66. Así se tiene. 0.8 . cojinetes de bolas tienen un peso medio de 5.5l TEORIA DE MUESTREO r67 5.0038 -2 A7 Entonces el nhmero de mueshas esperado es : (80)(0.3 en unidades tipificadas : : (66.0)/0. Hallar la probabilidad de que una muestra af azar de 100 cojinetes elegidos entre este grupo tenga un peso total (c) comprendido entre 496 y 500 onzas.5 Proporción de muestras con medias entre 66.68.

0015 : (área a la derecha de z Así. Puesto que X1. solamente se darán 3 casos cada 2000 de obtener una muestra de 100 cojinetes con un peso total superior a 510 onzas.5.8.96) :0.96 Probabilidad pedida : 2.5 y 72.O2\10.96 ) El peso total se éncontra¡á entre 496 y 500 onzas si la media de los 100 cojinetes y 5.00 onzas.216-1 (área entre z : : 222 -074 Fie. tenemos por los Teoremas 3-5 y Var (X) -f vu.+"'") =.. 3-7 " x.2704 : 0.6.. Puesto que el número de caras es una variable discreta. tenemos l¿-12 E(X¡) = * Entonces ya que la media muestral se define como -Y='' x. Se consideran los 120 lanzamientos de la moneda como una muestra da la población infinita de todos los posibles lanzamientos de la moneda.22 : --0. 4. '1-. X2.5-5 5.7 4 y z : O) = 0. son ina"p"nl'i"nt".7. 6 72. Tenemos .96 en unidades tipificadas: (4. página 158. Demostrar el Teorema 5-2.7 4 : -2..O27 : 2.(área entre z : -4. Se procede como en el Capítulo 4.5-4 (ó) El peso total excederá de 510 onzas si el peso medio de los 100 cpjinetes sobrepasa las 5. F'ie. la cual tiene media ¡1.10 .96 5. X.168 (o TEORIA DE MUESTREO lcAP.7 4) (áre^ entte z : -2. DISTRIBUCION MUESTRAL DE PROPORCIONES 5. mediante la aproxlmación normal a la binomial. y 6Ol/" de l2O.) - .5 . ..E6)) = L(rr\ = t! 6.t - .22 y z : O\ ..(.+ "' + -' Entonces puesto que X¡.10 onzas. Hallar la probabilidad de que en 120lanzanientos de una moneda el número de ca¡as (o) esté comprendido entre el 40% y el60%.pues.4985: 0.O27 : -2.0..ttr rr"rr"n Var uuri^X. se pide Ia probabilidad de que el número de caras se encuentre entre 47..10 en unidades tipificadas: (5. En esta población la probabilidad de cara es p : I12 y la probabilidad de sello es C :1P : l12.48(i8 . (a) ' pide ra probabilidad de que el número de caras en los 12Q lanzamientos se encuentre ent¡e 4O(/o de 6 48.22 y z : -0.96\ (área a la derecha de z:0) .+-\1L tenemos como se requiere l E(X) = ]lEtX. son variables aleatorias que tienen la misma distribución que la población.00 en unidades Probabilidad pedida tipificadas : (5.02)lO.(área entre z : O y z = 2.00 - 5. (x1) r rI (x.02)lO.. (b) sea 5/8 o más del número de lanzamientos.ruo2.5 se encuentra entre 4. Se 1-2O. página 158. Demostrar el Teorema 5-1. 5.5.027 5.0.

6250.86 : (área bajo la curya normal a la derecha de z : 2.5 en unidades tipificadas = - 60 72.40 y se Buma .0041 7. no concuerda exactamente.4887 ) : O.np = rzo(!) = oo o= 47 \/"pq 47.977 4 ttp=P:i=o.28 _ y 0.65) : 0. Adviértase que (0.5/120 y (b) Empleando el segundo método de (o) se tiene. 0. puesto que no se ha utilizado el hecho de que la proporción es realmente una r¡ariable discreta.117 l1 a 0.60 5.4857) : Aunquees:cresultadotiene dos cifras significativas.9.0041?-0.28) 2(O.idad pedida = 2.cAP. = . de 0.0.I9 : -2.5 5.1. (b) 518 o más de sus lanzamientos resulten cara? Este problema está estrechamente ligado al Problema 5. (área bajo la curva normal entrez=-2.74% de ellas con porcentaje de ca¡as entte AOVI y el . i:abe esperar el encontrar un97. = 2.0040 -_ 0'6250 5.8.(áreaentre z : 0 y z : 2.0456 40Vo enunidades tipificadas 60o1c -2.971.0r56 - 0.00417) en unidades tipificadas Probabilidad pedida .50 0.40 72.0456 = 2.=1p= ^FY = 120 = 0.28 : : : Otro método.s los posiblea l¿nzamientos de una moneda.5 .00417) corresponden a las proporciones 47.60 + 0.40 0.48 . Teniendo esto en cuenta se resta 11 Z" = Al¡.00417) y (0.48 Probai¡ .60.0'60 = 2. 5l TEORIA DE MUESTREO ¡r: núrnero de ca¡ae esperado .uo ".8 se ha obtenido que todas las posibles muestras de 120 lanZamientos de una moneda. de la población infinita de todo.6250 - 0.51720 del primer método.5 . Así pues.50 = _2.fn ficadas son.65\ : (área a la derecha de z : 0) .I9 en unidades tipificadx: ffip z sí la probabilidad pedida es el área bajo la curva normal entre 0.0456 (0.t9 yz : 2. las proporciones pedidas en unidades tip! 0. - 0.4960 : 0. Aquí se consideran S00muestras.28) 2(área errtre z : O y z : 2. ¿En cuántos individuos cabe esperar que (o) el númoro de caras se encuentre entre eI 40% y el 60% desuslanzamientos.detamaño 120 cada una. puesto que L1240: 0. que 0'00417 0.28y2:2. puesto que 5/8: - 0.28 que concuerda con lo obtenido por el primer método. (o) En el apartado (o) del Problema 5.5 en unidades tipificadas = 72.00.19 : 2(0.60+0. Cada persona de un grupo de 500 lanza una moneda 120 veces.

={-= . hubiese obtenido 0.50 + 0. 12 o más significa 11.0'02 -: 0.02 (o) y oP=tE= : 1/ 0.a es .25 y como antes la probabilidad pedida (b) {0. : 2 personas se esperará que los 5/8 o más 5. (b) Razonando como en (o).02 I 0. p0.0352 L12n: ll40O: 0. 1/800 0.8 : - 1.) Entonces. se concluye que en (500X0.0025 : 0. Tales individuos pueden razonablemente sospechar que sus monedas no están bien hechas aunque sí lo estén. Los resultados de una elección demostraron que un cierto candidato obtuvo el 46% de los votos. Determinar la probabilidad de que de (a) 200.1056 Si no se hubiese aplicado la conección se hubiese obtenido 0.5 y'1+oo)1onz)¡rsg : 2.0362: 1.7 4% de 500.57L4 Si no se hubiese aplicado la corrección.25 hobabilidad pedida : (área bajo la cu¡va normal a la derecha de z : I.-' 0.5025 o más. Este tipo de error es un rresgo que se presenta siempre que se trata con probabilidades. Es interesante advertir que en 500 .11.0025.18) 0.5000 - 0. 0.00125. En ó00 muestras se puede esperar 97 . Se ha encontrado que el 2% de las piezas producidas por cierta máquina son defectuosas. (a) Puesüo que I.0040) de sus lanzamientos sean caras. sería 100.o3_o. como variable continua. se tiene (o. Otro méüodo. También puede utilizarse el aegundo 5. (Esta proporción puede también obtenerse dándose cuenta que 101 o más indica mayoría.5000 + 0.170 TEORIA DE MUESTREO lcAP.0. una mayoría se obtendría en la muestra si la proporción en favor del candidato fuese 0.26): 0. ó 489 muestras con esta propiedad.21 (área bajo la curva nonnal a la derecha de z : l.2t) : 0.5 y así la proporción sería 100. (b) 2% o menos? PP'=P=0. Se sigue que en 489 individuos se esperaría que su número de caras se encontras€ entre eI 4O% y el 6O%.8)12.489 : 1I individuos cabe esper:ü que su número de caras no se encuentre entre el 4O% y el 6O% de los lanzamientos.5 en unidades tipificadas : " : {"w : (11. (2()'o de 400) = 3 Entonces 11.18 Probabilidad pedida : : (área bajo la curra normal a La izguierda de z 0.46)/0.p = :p = 0.00125) en unidades tipificadas 0'02 r 010q1?5 .14 = 20 0.5 6OVo.1131 . (3% de 400 ) : 12 piezas defectuosas.10.007 Mediante la corrección para variables discretas. L/2tt.5025 en unidades tipificadas : (0. pero ésta. ¿Cuál es la probabilidad de que en una partida de 400 piezas sean defectuosa.oo125)enunidadestipificadas=W=|.3869 :0. método del apartado (o).4G y ".5/200 = 0..98) v = 400 _ 0. (b) 1000 individuos elegidos aI azarde entre la población votante se hubiese obtenido una mayoría de votos para dicho candidato.0714 se : O.02(0.5025 Probabilidad pedida : .5 o más.1056. En concepto continuo.s (o) 3% o más.5025.5000.0764..

6g) = 0.0036 = 2. sacado de (o) esto concuerda con el resultado general FLtr_uz= y (b). Sea Ut la variable de los elementos de la población 3. o. 8 y U2 lavariable de los elementos de lapoblaciín2.= \Ej7r-.cAP.) nu.5025 en unidades tipificadas = ff*s : 0.. ou.. 14 (d..-(e) ou".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. (b) 250 hóras más que las bombilhjde B? . -3)2 + (3-3)2 + (4-3'¡z b L7 3 Eeto concuerda con el reeulüado general para muestras independient"" ou.46. = varianza de la población I/' (3-6)2 + (7-6)2 + (8-6)z _ 33 a2u. (f.12. (t) vr.5000 - 0.7 g ._ri. 6 r¿..13.0158. (f) n'u r- u" = mrianza de la población (U 1- U 2) (1-3¡z + (5-3)2 + Oo. Las bombillas eléctricas de ün fabricante á tienen una duración Lned.. rnientras que las de otro fabricante B tienen una duración media de 1200 horas con una desviación típica de 100 horas.) o (e) .' ¡ecado dc 5.q/n = y'd. Calcular (a) *u. Si se toman muestras al aza¡ de 125 bombillas de-cada fabricante.ia de 1400 horas con una desviación típica de 2OO horas. ¿cuál es la probabilidad de que las bombillas deA tengan una du¡ación media que sea al menos (a) 160 horas.j ut-v2 (6-3)21(-.. = FLrt = 4Lrr. (o) (b) (c) Éy. (d) V @ ). [. y 0. = varianzadelzpoblación U._u...4964 DISTRIBUCIONES MT._u"..m=!T. = mediadelapoblaciónU..' Éiinz. (b\ pu.6l (b) pp TEORIA DEMUESTREO = p: 0.]ESTRALES DE DIFERENCIAS Y SUMAS 5.69 Probabiliüd pedida : (área bajo la curva normal a la derech¿ de z = 2. = t/f. ofi.Ur) Fur-u.a demostración del resultado general se deduce del Teorema g-7 . = (2-3)2 * (4-3)2 =l ó ou"= l.iu. 7.46@Ba)/1000= 0.4. = media de La ]{S*?*8) = l. @). = població n lJn = f.

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.

aparece para todos estos valores (indicado por la línea horizontal). dos 3.32. VARIANZA Y MOMENTOS PARA MUESTRAS 5. 5-9 y 5-10 de la parte (a).23 caras.3 + 4 + 5+ 4 + 8 1 2+ 5+ 4 20 =ñ:n'" Método 2. 1.5.2.0 3. 5. 5-12 Fig. 153 y 140 libras. formados por 76.56 ó 1.31.4. Hay seis 5. Hallar el peso medio de todos los estudiantes. 2x It 5 qA +3 | fi + 5 + 4 + 5 + 2 + 8 + 6+ 5+ 4 + 8l. La Fig. 5-12. dos 6.8 5. Hallar la media aritmética de los números 5. cinco 4.4. así por ejemplo.5-ll (c) La representación gráfica puede indicarse como en la Fig.4. de modo que eI mismo porcentaje l8.2. L48.. 20.5 100.0 o o É o C t{0 6 N^^ Eou o O . . Cuatro grupos de estudiantes. La Fig.8. 5-11 es Ia más lógica para representar datos discretos.6.5.10 Hzo o lzo A 0123456 Número de caras 6 0123. Método l. Entonces _ )/¡ n . 5-12 muestra el polígono de frecuencias acumuladas u ojiva de los datos y los trata como si en esencia fuesen continuos.10 N-^ EOU G' o :! .75.6. Nótese que las Figs.3.1 Número de caras Fig.4.2 52.TEORIA DE MUESTREO Nfimero de lanzamientos Nfrmero de caras (frecuencia acumulada ) 0 Porcentaje de lanzamientos (frecuencias acumuladas porcentuales) 0. 5-11 y 5-12 corresponden a las Figs.3.4. 5-11 o en la Fig.10 y 18 individuos registran una media de pesos de 162.4 81 .8.5. el porcentaje de lanzamientos en los que haya menos de 2 caras es igual aI porcentaje en las que haya menos de 1.6. CALCULO DE LA MEDIA.8 18.1 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?.2ol.8.(6)(5) +(2)(3) +(2)(6) + r5)(4) I (2)(2) +(3)(8) 6+21-2+5+2+3 96 20 = 4. respectivamente. dos 2 y tres 8.

o.45 pulgadas Los cálculos involucrados pueden conveitirse en tediosos. La media está dada por fi _ 2f¡r¡ = = nnnn. 5 = 150 libras 5. etc. 67.33. se consideran como teniendo estaturasde 61. Utilizar la distribución de frecuencias de estaturas en la Tabla 5-2. especialmente para los casos en los que los números son grandes y hay muchas clases.r¡ con respec[o a alguna marca de clase determinada a. pulgadas. = a*c! )/'rr' . Tabla 5-9 Estatura (pulgadas) Ma¡ca de clase (c) 61 Frecuencia (/) 5 fr 305 60-62 63-65 66-68 69--71 64 67 70 18 AO rt52 28t4 r890 584 27 8 72-7 4 ¿-)/-100 2 fr = 6745 2lr >/ - + . es igual al tamaño de intervalo de clase c multiplicado por algún entero u¡. 18 tienen una estatura de 64 pulgadas. para hallar tatura media de los 100 estudiantes de la Universidad. para la media aritmética. La solución puede ordenarse como se indica en la Tabla 5-10.64. etc. Técnicas breves se encuentran disponibles para disminuir el trabajo en tales casos. Derivar la fórmula clave (27). por ejemplo.. alcú" 2f¡u.)" = 67+ (i%).. Entonces la desviación de.página 164. la es La solución se indica en la Tabla 5-9. 5.t yaque n=2f¡. Véase Problema 5. Adviértase que todos los estudiantes con estaturas de 60--62 pulgadas.34 para hallar la estatura media de los 100 estudiantes de la Universidad XYZ (véase Problema 5-33). El método se denomina el método claue y debe emplearse siempre que sea posible. )fu = l5 u = "*(?t. pígina 163. XYZ.ffiq = 6?. es decir r¡ -o:cltj óx¡: a *cu. -. T abla 5-lO 5.45 pulgadas .35. si 5 tienen una estatura de 61 pulgadas. etc.rj.180 sfn TEORIA DE MUESTREO lcAP. 63-65 pulgadas. Denótese la clave de marca j-ésima por . )/'(o*crr¡) = o>f. Utilizar la fórmula clave del Problema 5..35.34..¡ (tambiénescrito brevementecomor =a I cui. xj . Elproblema entonces se reduce a encontrar la estatura media de 100 estudiantes.

2025 6.31 tenemos ú = 4. Hallar (c) la varianza y (b\ la desviación típica para los números en el Problema 5.8025 72-74 246.10 libras.11 Estatura (pulgadas) Ma¡ca de clase 61 r r- r-r = 67.7500 f(r TL n\z 852.34 tenemos ri = a + cui y ft = a*c'" 2f. " 2f(r-r\2 _ n 6(5 .45 4t.7500 100 = {dEfB = 2. x: 67. = a*cú' t¿ .96 y "-rfzs6=1.36.45 -0.5025 30.5050 I¡D.0L25 214.8)2 _ (b) De (o\.20 20 2.u. = +:q = 65'6 en unidades libras cuad¡adas o (libras)2 . : y'Gb. Derivar la fórmula clave (28). Como en el Problema 5.6025 11.36.45 lr - fr)¿ Frecuencia 5 / f(r ñ\2 60-62 63-65 66-68 69-71 -6.45 2.4. 5.a solución puede ordenarse como se indica en la Tabla 5'11.37.55 o.92 pulgadas 5.rlgadas.20 .cAP.8. Como en el Problema 5.z - 2 f(r . Tabla 5. [.8):¿ + 3(8 - 4.2460 8.8)2 = 2QA (2_20 4. HaIIar Ia desviación típica de los pesos de los estudiantes del Problema 5.DO'O 64 67 70 73 -3.r\2 n 15(162. para lavarianza.33.150)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.39. Entonces n20 _ 59. .4200 n=)/=100 2 2f(r-ñlz= 852. 5l TEORIA DE MUESTREO 181 5. aír 20 Méüodo 2.33.32. donde hemos utilizado el hecho de que las 5. página 164.38.9025 208.6 (libras)2 : \6bS libras : 8. (o) Método 1. Del Problema 5.31.45 pr. s2 = 59.Do 18 42 27 8 0. Hallar la desviación típica de las estaturas de los 100 estudiantes de la Universidad XYZ Véase Problema 5.

u? -t t - C2[ /2f.1"u.jú. + tlz) 2xt = *2 : t.39 para hallar la dewiación típica de las estaturas en el Problema 5.L82 Entonces s2 TEoBTADEMUEsTREo [cAp.> f . Tabla 5-13 fi u f o 18 42 27 8 Íu -10 -18 0 fu2 fux fua 80 18 0 6t 64 67 70 73 -2 -1 0 1 '20 18 0 -40 -18 0 27 16 27 32 27 64 27 2 L28 2 fu+ z= )/: 100 2fu=16 2fu2:97 I/aa:33 -- 253 . Esto nos permite halla¡ 6. = ¿2. De la frltima columna tenemos ¡ como en el Problema a2 = "rfL>l!'.- o¡./¡¿)'l = ¿21¿ . La solución puede ordenarse como se indica en ta Tabla 6:12.u._ "o¡.40. cr¡atro momentos con respecto a la media para la distribución de estatu¡as Continuando el método del Problema 5. b = f.92 pulgadas.az¡ n \n /l = ta)'f-re? / rs Vl = Ltoo-\t*/J ^ ó'b-275 y s: 2.33."? -'#2 2ú2c2 r¡u.33.-a¡z i) = "i 2 ¡ .f ¡@.'r". 2 't t f. 2lu=75 )fqz = 97 lalEr lo-s primeros del Problema 5.41.u? = ¿2 ¿2 * .f!n'LN c2[u2 (. : }> f . Utilizat la fórmula clave del Problema 5. + c2úz *> r.40 obtenemos la Tabla 5-13.o.\t 't t l = = ".35.<"? . Tabla 5-12 r 61 u t D fu -10 -18 0 fuz 20 18 0 64 +67 70 73 -2 -1 0 1 18 42 27 8 27 8 27 32 2 z=)/=100 5.{r.'1 \fu/J _ ú2]l 5.

5275 rttt Coeficiente de cu¡tosis as=E = : 199. . cada uno de los cuales determina la estatu¡a de un eetudiante determinado.1s)2] = ca(ML-gLI|Mi+ zM'Lz) = 2?[0..97 M.(0.14 m+ Entonces = 199. En forma semejante 77.15X0.EO notación de la página 165. lttt = ffi2= ffi3= 0 0.6932 a3 Coeficiente de eesgo = a.3?59 5. Así 51 conesponde a un estudiante con estatura 66-68 pulgadas.15)(0.cAP.15)2(0.53-4(0. OL.3759 ffiz:s2=8. Hallar los coeficientes de (o) sesgo y (b) curtosis para la dishibución de estaturas del Problema 5. tenemoe 183 M] = >fu n = 0.15)41 : 199.5275)3 (b) Del Problema 5. PROBLEMAS DIVERSOS 5.. 7'1.88 "z1ML- 8.43.6l Entoncee.5275 Entonces mB = -2.6275 B(0.53 M'r') = 9[0. 46 resultan en'estatu¡as de 70. etc. 40. -0.1b)B] = -2. fflg = p: { (8. ffi2=s2=8. 99 (véase Tabla 5-14). De (D) yemos que e8 menoc apuntada que la dishibución normal (que tiene un coeficiente de curtosir: 3). que tomamos como n(¡meros muestrales aleatorios.41. que tomamos como 67 pulgadas (la marca de elase). Del primer renglón hallamos la secuencia 5I.3759 qa-szrgy _ 6 al = z't+ De (o) vemos que la distribución está modetadamente sesgada a la izquierda. Asf los 5 estudiantes con esüaturas 60-{2 Tabl¡ 6-14 pulgadas s€ numeran 00-{4.15 ML=Zy = o.4MiML+ 6M'r2ML- BMin) 81[2. (o) Emplear dos dígitoe para numerar a cada uno de los 100 estudianües: 00. (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. 02.6982 . (b) Hallar la media y la desviación típica de la distribución muestral de medias en (o). (o) DeI Problema 5. los 18 eetudiantes con estaturas 63-65 pulgadas se numeran 05-22. (c) Comparar los resultados de (b) con los valores teóricos. 27.. Cada Nf¡mero Estatura n(rmero de estudiantes se denomina número'muestral.97) -3(0.BB Mí= >fu2 n y de (32). etc. ..42.33) + 6(0.9?) + z(0. utilizando La TEORIA DE MUESTB. 46. explicando cualquier discrepancia.67 pulgadas respectivamente. 67. Entonces extraeremo8 nl¡meros muestrales de la tabl¡ de nf¡meros aleaüorios (Apéndice I). (pulgadae ) Frecuencia 5 muestral 60-62 63-65 66-68 69-71 72-74 00-04 18 42 27 8 05-22 23-64 65-91 92-99 27.9? .33.^=>+=2.41.nL¡ = ca(M't.

67 23. 15. 43 1f. 67. 67 Ír¡f¡f media 66. 1t.62 4.'7L. 18 70.00 67.91. 67. 67. 67 67. T¡bh 6-ró Nf¡meros muesFale¡ Est¡twr¡ o- E¡la+ Nfrmeros muestralea extrafdo¡ rrcqrondieatcc 67. 67 29. 70. 67. 73. 64.79.f = n 30 4 ). 21.25 64.6r. 70.54 2:2.75 65.00 64. 64.74. 64. 06. 19. 70 64. 46 2.64.22. 73 67. 56. 70 6L.25 70.77.67 67. 67. 03. 63.50 68.57. 67. 64. 70.70. 12 3. 64 70. 51.00 -4 -3 -2 -1 0 1 -4 0 -4 -6 0 0 4 / 28 45 16 23 d D .58 9.50 79.96. 64.99 23. 67.50 67. 67 67.93 27.50 68.97.64.08 12.76) = 1.2L 10.28.25 67.52 13.25 66.64.50 68.25 68.25 67.36 08. 67.79 70. 64 67. 67.00 (0'75)(23\ = * 'ñ- 67'58 Pulgadaa 2fuz />1"\' n -\ i " (0.50 66'. 6? 15.30 58.67 64. L2.25 68. 67. 45.70. 53.75 66. 76. 70.50 1.75 67.64. 19.82. 64.41 pulgadar . 65.64. 61. 70 67.27. 67 70. = 2 fuz = 123 (b) IÁ Tabla 5-16 da I¿ di¡tribuci6n de ftecuc¡rci¡¡ dc I¡ media muestral de las estaturas obtenidas en (o). 58. Medi¡ = a*cú Derviación = o*c2fu típicr = = e - 6?.54. 67 70.8s 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.33.58.0L. 98. 6L. 67.5 Por eete proceso obtencmo¡ l¡ T¡blr Fló quc rnue¡tra lo¡ n(¡mcro¡ mue¡trale¡ extrafdor.50 66.ón dc l¡ trbl¡ de nl¡rncro¡ dcatoiio¡ h¡brfrmo¡ podido inici¡¡ en eualquier parte y escoger cualquicr patrón dctetmindo.60 67.73.25 Cl¡enta Í 1 u fu fu2 16 0 8 6 0 2 ñ( /t/t )#{ 6 4 A a+67.64.2L. 39 13. 67. 81. 21. 73.50 68.31.83. 67 70.184 TEORIA DE MUESTREO lcAP.04.98. 70.00 66. 73 67.00 extnfdo¡ Estatr¡¡as corespondientec 64. 70.09.fu. 67 . Esta ee una distribución mucet¡al de mediu. 07. 56. 67. g8 25. 67. 58 70.75 68.25 69.70 70.25 69.00 66.00 68. 67.93 14.70 Trbl¡ 6-16 Media muestral 64.00 67.28.25 69.32 8.41. 34.24. 3 14 16 4 I l.73 67.42.69. 86 6. 70.87 26. 51. 70. 60. 73. 73.02. 59.64 73. 20. 67. 13. 70 64. 67. 73. 87 fl. 70.75 69. 75. 30.70. l.75 69. tt. ?1. 45.74.70.08.50 69.73 73. 64 67. 93. 05.96. 56. 16. 67.67. 67. 70 73.70 7. 67.6L. 55. 67. 07. 42.25 65. 67 70. 67 64.25 67. 68. 64. 73.93 5. 67.64. 67. 10.00 70.46.93.50 65.84 64. 33 m. 11.23. L¡ medi¡ y la derviación tfpica ee obtienen como es usual por los métodos claves delcrito¡ anterbrmeuüe.70 medi¡ 67.03. 67.91.44. 96.91. 10. 67 64. 40. 70. 90.24 64.97 24. 31.

a la media poblacional ¡r que 67.50 : 2.0 es (0.g2/fi = 1. por tanto el porcentaje pedido ec 0. esto es Q\ (r) f" sean .1 aJ. 5.4. 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) .45.0 lb ( lr) \/2" + = 0.0 . de acuerdo. es ig¡ual.0 libras.44. dada por o*.0 libra¡ en unidades típicas: (11.40) y el tamaño de la muestra n : 4. .0 libras y desviación típica 0.0.8libras? La distribución mueetral de desviaciones típicas es aproximadamente normal con media 10.0.r. ¡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 €.4918) : 0. por tanto el porcentaje pedido es 2. dada por a¡.33). La desviación típica de los pesos de una población muy grande de estudiantes es de 10. Hallar (c) la media y (b) la dewiación típica de la distribución muestral de las dewiaciones típicas. (b) menores que 8.t J. Las discrepancias se deben a que solamente 30 muestras fueron seleccionadae y el tamaño de la muestra fue pequeño. La desviación típica teórica (error típico) de la distribución muestral de medias. El área bajo la curva normal a la izquierda z : -2... pfuina 162.r .5 .0082. estamos de acuerdo con el valor de 1.41 pulgadas de la parte (b).l' ra. /(r) tr.8 . de (b) 8.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.cAP.92 pulgadas (véase hoblema 6.0)/0. ¿Qué porcentaje de las muestras del Problema 6.58 pulgadas de la parte (b). El área bajo la curva normal a la derecha de z 2.10.f 'LJ" f t@ta*l'/t.a a.44 tendrían dewiaciones típicas (o) mayores que 11. tenemos: ( ¿[.t.". Puesto que o/t6':2.50 : -2.45 pulgadas (vóase hoblema 5. Una muestra de Por 6 observaciones se hace aleatoriamente de una población. De la Tabla 5-1.8%.) ps: o = ts=-' o 10.8 libras en unidades típicas : (8. Se escogen muestras de 200 estudiantes de esta población y se calculan las dewiaciones típicas de las estaturas de cada muestra.5l (c TEORIA DE MUESTREO 185 ) es t a media teórica de la distribución muestral de medias. 5.' ¡p¡ a*)"lJ'"-r.10.5 . (a) : 11.3'/'.0y0. Podemos considera¡ que el muestreo es o de una población infinita o con remplazamiento de una población finita.0228. es igual a o/y'[.0 libras. Entonces la probabilidad de que las primeras 4 sean rnayores que ü y las 2 últimas 6ean menores que u es decir - nc..4772) = 0.?d L -r.con el valor de 67.4 es (0.) au . ¿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.50Ib v400 5.46.0.50 libras.46 pulgadas. Í:-lÍ. ) ea el producto de (1 ) y (2). donde la dewiación típica poblacional o = 2.

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

39 onzas. obtenemos var(x) = Sv^." +a¡v = a N 02.p) = -Noz r \ -2 'r' X¡) = .(-r¿_ i)] = Lfr-"-rf = 4(N-"\ nl. (d) la dewiación típica de la distribución muestral de media¡.4L . (c) la media de la digtribución mueshal de medias..LL.á var(X¡) * .47 están dadas respectivamente por t*= (o) E6) = "1 =*"(x=) /X' +.a7 @). y el Problema 6-4?. Demostrar que (c) la media y (b) la varianza de la media muestral del Problema6. Por tanto I+v:l Cov (X¡.( rr-:--r l(-.53. 5. Si se erüraen 300 mueetras de tamaño 36 de e¡üa población.42 onzae.(. NÉ y la primera suma en el lado derecho er igual por definición.f x"\ D p (.48.49. . ¿en cuántae de lag mue¡tras aleatoria¡ cabe ecperar que sus medias (a) ertén enl'l.7.40 onzas y dearriación tfpica 0.N\N-rl' 't/ 5. adecu¡das.1'".Ét suplernenta. remplirzamiento.¡ = .51 si la población 5e compone de 22 cojineter. (c) sean menor de 22.38 o mayor de 22. cov(x¡. Resolver el Problema 5.37 onzaa.) = #[. determir¡ar la media y la dewiación típica eeperada¡ de la di¡tribución mue¡tral de medias si el muestreo se hace (o ) con remplazamiento.rlo s 6. Una población est6 formada por los cuatro nfrmeros 3.6l TEORIA DE MUESTREO En esta ecuación. ó.62. (b ) sin 6. = p (b) Uüilizando loe Teoremar 3-5 y 3-16 (generalizadoe).4L onzas? y 22. g (o¡ - p)(o.50.' " ) = . En el Problema 5. (b ) la dewiación típica poblacional.51.N-1 ^' . ya que por definición a1 187 -la2+'. Encontrar (c) v (d) directamente de (c) y (b) mediante las fórmula¡ 5. el lado izquierdo e8 cero. (b) sean rnayor de 22.(n_'.iE(x)+"'+E(x")l 1 =1 n (p -r "'+p) donde hemoe empleado el Problema 6.048 onza¡. 15..49 si el muestreo fuese sin remplazamiento. Hallar (o ) la media poblacional. Considerar toda¡ lae posibleamuestrasde tamaño dos que pueden extraers€ de esta población con remplazamiento.á. Loa peeos de 1600 cojinetes de bolas se distribuyen normalmente con medla 22. (d) ¡ean menor de 22. Resolver el Problema 6.51.cAP.Ét ".x¡)] = #ú* *.e 22.N-1J '¿\N-1/ Problern DISTRIBUCION MUESTRAL DE MEDIAS a..

54. y explic. 6.62. Lo mismo del Problema 5.65. rojas? 5. que tienén unas registencias .64.63. Se extraen dos cotecciones de 30 bolas cada una con remplazamiento y s€ anotan sus colores. 5.nedias a larotura de 4000 y 4500 libras con desviaciones típicas de 300 y 200 libras. ¿Cuál es la probabilidad de que las dos coleccionee difieran en 8 o más bolag Resolver el Problema 5. 5. En una prueba de aptitud puntos? la puntuación media de lo¡ estudiantes es de ?2 puntos y la dewiación típica de 8 puntos. Los pesgs de los paquetes recibidos én un departamento de almacenamiento tienen una media de 300 libras y una desviación típica de 5O libras. Ciertos tubos fabricados por una compañía tienen una duración media de 800 horas y una dewiaeión típica de 60 horas. Explica¡ la diferencia.6?. En lugar de bolas rojas y blancas. ¿en cuántos lotes cabe esperar (o) menos de g0 bombillas buenas. 5. 5. (c) entre 2 y 5 Una urna tiene 60 bolas rojas y 40 blancas. comprobar que .63 si se comprueban 100 cables de cada fabricante? Explicar las diferencias. Los resultados de una elección mostraron que un cierto candidato recibió el 65% de los votos. ¿Cuáles son las probabilidades del Problema 5.60.66 si las exüracciones son sin remplazamiento al obtener cada colección. (ó) al menos 450 libras más que A? 5.60.el 4Oi'o sean niños. Hallar la probabilidad de que en dos muestras aleatorias compuesta cada una de 200 votantec.69. 6. ¿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. (b) 98 o más bombillas buenas? 5. Hallar la probabilidad de que una muestra aleatoria de 16 tubos.R o I en las proporciones adecuadas. (ó ) entre el 43% y el 57% sean niñas. difieran en su puntuación media en (o) 3 o más puntos. (c) más del 640/o sean niños. A y B fabticzn dos tipos de cables.54 si la muestra extraída ee de 64 tubos.5t. respectivamente.61. 5.6t. tomada de entre ellos tenga una duración media de (a) entre 790 y 810 horas.' ¿Cuál es la probabilidad de que dos grupos de estudiantes. (b) 6 o más puntos. (b ) entre el 4O% y el 60% sean niñas.55. ¿en cuántas cabe esperar (a) igual número de bolas rojas y blancas.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. (c) mayor de 820 horas.66. (b) l2 bolas rojas y 8 blancas. ¿Qué enores pueden introducirse al utilizar dos conjuntos diferentes de monedas? lotes de 100 bombillas cada uno. (d) 10 o más bolas blancas? Dseña¡ un experimento que ponga de manifiesto los resultadoe del Problema 5. haya una diferencia superior al1^o"k en las proporciones que votaron por dicho candidato. (c ) el 63"h o más sean niñas? Resolver el Problema 5.59.188 TEORIA DE MUESTREO lcAP. 5.57. De un total de 1000 muestras de 200 niños cada una. sob¡e las que se escrriba la inicial . (d) enhe ??0 y 830 horas. (b) menor de 785. 5. se pueden usar hojas de papel. ¿en cuántas cabe esperar que (o) menos del 4OVo sean niños.57 si se consideran 100 en lugar de 200 niños resultados. Supónganse iguales las probabilidades de nacimientoe de niño y niña.6 6. formados de 28 y 36 eetudiantes. sacadas de la urna con rempliazamiento. Si U¡ y U2 son los co¡r¡\ntos de nhmeros del Problema 5. Un fabricante despacha 1000 DISTRIBUCIONES MUESTRALES DE DIFERENCIAS Y ST'MAS 5.12.56. respectivamente. 5. (c) 8 bolas rojas y 12 blancas. Si se comprueban 100 cablesdeA y 50 cablesde B' ¿cuál es la probabilidad de que Ia media de resistencia a b rotura sea de (a) al menos 600 libras más que A. Si normalmente el 6Vo de las bombillas es defectuoso. que es de 8200 libras? DISTRTBUCION MUESTRAL DE PROPORCIONES 5. llallar Ia probabilidad de que de los próximos 200 niños nacidoe (o ) menos d.

E0.899 900 .75. (c) Marca de clase de la séptima clase. Si se extraen muestrae de tamaño 5 de esta población. (b) se encuentre enüre 50 y 70 horas. para diseñar una tabla de distribución f de Student como la dada en el Apéndice D.35.2 voltios.72 ei el muestreo es sin remplazamiento.73. Explicar cómo podría utilizar el Teorema 5-7. ¿Es la probabilidad de que una ttarianza sea mayor que 1.60. 6. Dos muestras de tamaños 4 y 8 se extraen de una población distribuida normalmente. La Tabla 5-17 rmuestra una distribución de frecuencias de la duración de 400 tubos de radio comprobados en la L & M Tube Company.0. I 6. ¿qué porcentaje puede tener varianzas (a) menores que 10. La duración parz A tiene una desviación de 40 horas la duración de B tiene una desviación típica de 50 horas.05 y 0.78. Se pesan tres cantidades dando 20. Verificar si los resultados del Problema 5.599 600 . (h) Porcentaje de tubos cuya duración no sobrepasa . DISTRIBUCION MUESTRAL DE RELACIONES DE VARIANZAS 5. (g) Flecuencia relatir¡a de la sexta clase. A y B fabrican bombillas. Con referencia a esta tabla determinar: (¿) f 'ímite superior de la quinta clase. y Se halla que CASO DONDE SE DESCONOCE LA VARIANZA POBLACTONAL 5. respectivamente.399 400 .48. (d) Límites reales de la última clase. 6 Frecuencia de Ia cua¡ta clase. página 161.21.5I TEORIA DE IIIUESTREO ttur2 189 (a) 4.8 o másvoltios? DISTRIBUCION MUESTRAL DE VARIANZAS 6.2 veces. = 1.999 300 1000-1099 1100-1199 las 600 horas.97 y 62.77. hallar (o) Ia media de la distribución muestral de varianzas. Con 6. entie 0.799 800 .3?6 < ? 1. TOTAL 400 .0 voltios y la dewiación tfpica 0. = 5. (b) Límite inferior de la octava clase.cAP. referencia al Problema 6. Una población normal tiene una vari¿nza de 15.376) .50.54 libras.699 700 . (b) 7. DISTRIBUCION DE FRECUENCIA 5. (c) entre 5 y 10? la duración de tubos de televisión fabricados por una compañía tienen una media de 2000 horas una dewiación de 60 horas. donde ? tiene.49 se confi¡man utilizando (a) P(-1 < f < 1) = 0.49. ?s 6. la de la segunda.79. Reeolver el Problema 6.70.50.82.i se confirman por este valor y explicar cualquier diferencia. De acuerdo con la tabla de distribución ú de Student para 1 grado de libertad (Apéndice D) tenemos P(-1 < 1) : 0.499 500 . Hallar (o ) la media y (b ) la desviación típica de la suma de las cantidades. o menor que 0. 5.74.8f .46 y 0.5 veces la otra mayor que 0. ¿Cuál er la probabilidad de que cuatro de estas baterfas conectadae en serie tengan un voltaje conjunto de 60. El voltaje medio de una baterfa e¡ de 15.01. (b) ambas b0 horas.71.?6. (ó) P(1.01? Dos compañías.0.05.tr*Lrr: ru. Número de tubos L4 46 58 76 68 62 48 22 6 Solueionar el Problema 5.54 libras con dewiacionee típicar de 0. Una en tanto que muestra de 8 bombillas se toma de A y 16 de 8.tubos aleatoriamente hallar la probabilidad de que la dewiación tfpica muestral (o) no exceda a 50 horas. Si se seleccionan 10 . (b) el error tfpico de varianzas. Tabla 5-17 Duración (horas) 5. Verificar si los resultados del Problema 5. 6.72. (e) Tamaño del intervalo de clase.80 si las desviaciones típicas de las duraciones son (o) ambas 40 horas. (b) mayores que 20. Determinar la probabilidad de que la varianza de la primera muestra sea mayor que (o) dos veces. ó. una distribución ú de Student con r. (b) ou1+ur = \Grtr.

740 una 5.732 0.82.82 construir (o ) una distribución de frecuencias reliativas o porcentual.?30 y 0. (g) una distribución acumuhdá porcentual.44 los.731 0. Comparar estos resultados con los obtenidos directamente de la colección de datos de la Tabla á-18.735 0. "de"*- Tabla 5-18 0. 5.740 0.83.735 0. O.735 0.0. 93.t4. (e) un polígono de frecuencias relativas.82. 0.730 0.330.93.87. 6.732 0.190 (i) (j) TEoRTA DE MUEsTREo Porcentaje de tubos cuya duración es mayor o igual a 900 horas.732 0. (b) no superioree a 0.?38 pulgadar.736 0. Con los datos del Problema 5. 0. Con log resultados del Problema 5.734 0.743 0. Una 6. Deüerminar el tiempo medio de reacción del individuo a los estÍmu- 6. Los tiempos de reacción de un individuo a determinadoe estímulos fueron 0.89 para los dato¡ del hoblema 5. 0.86.55 segundos.731 0.738 0.89 determinar el porcentaje de cojinetes de bolas que tienen diámetros (o) superiores a 0.321. (b) un polígono de frecuencias. Construir una distribución de frecuencias de los diámetros utilizando intervalos de clase 5. (i) una ojiva porcentual.96.728 0. Tles profesore¡ de economfa regieünron una ealificación media en sus eiámenes de 79. La Tabla dos. (c) entre 0.733 0.733 0.735 0. 5-18 niuestra los diámetros en pulgadae de una muestra de 60 cojinetes de bolas fabricados por una compañía.?30 0.46.91. Si las marcas de clase de gna distribución de fiecuenciaa de estoe diámetros vienen dadas en pulgadas por los números 0.90.741 0. (c) una ojiva.78 y 89.128 0. Construir (a) un histograma y (á) un polígono de frecuenciae ciaa del hoblema 5.72t 0. (c) los límite¡ de clase.725 0.732 0. (b) los límites reales de clase.49.734 0.327. sue clasee .?36 0.(a) el tamaño de intervalo de clase. ee¡ie de nfimeros está formada a¡itmética ? por seis 6. hallar. Para los datos del Problema 5.63.736 0. respectivamente.738 0.734 0.?30 0. correspondientes a la distribución de frecuen- 5.E5' Para los datos del Problema 5. Porcenüaje de tubos cuya duración es al menos de 500 horae pero menor de 1000 horas.82 con duraciones de (o) menos de 560 horas.735 0. siete 7. (d) una ojiva porcentual. ó. horas.92.736 0.50. 82 y 96.?39 0.0.732 pulgadas.737 0. ¿cuál es el promedio adecuado para sus calificaciones? (b ) ¿Cuál sería si todas las ponderaciones son iguales? 6.94. respectivamente. CALCULO DE LA MEDIA. 0.89.746 0.324.738 0. (b un ) histograma de frecuencias relativas. 5.741 0.733 0.0.736 0.737 0.735 0.333 y 0.63.742 0.95. DESVIACION TIPICA Y MOMENTOS PARA MUESTRAS 6.739 0. 0. ó.727 0. ocho 8. (c) di¡tribución de frecuencias relativas. (b) 9?0 o mág Los diámetros interiores de las arandelas producidas por una compañÍa pueden medirse con aproximación de milésimas de pulgada.52. (c) entre 620 y 890 horas. Resolve¡ el Problema 5.5 5.744 0. (b) una distribución acumulada relativa o porcentual. lcAP. (d) un histograma de frecuenoias relativas.732 0. 5. Hallar la media a¡itmética de dichas calificaciones.74 y 82.726 0.740 0. y 0. 4 y 6.729 0.88.739 0.734 0.742 0. (h) una ojiva. (c) Si las ponderaciones asignadas a cada asignatura rcn 2.735 0.386. (f) una distribución de frecuencias acumuladas. nueve 9 y diez 10.88 consüruir (o) un histograma. Estimar el porcentaje de tubos del Problema 5.729 0. ¿Cuál es ¡u media Las calificaciones de un estudiante en las tres asignaturas del curso fueron 77.746 0. (c ) un polígono de frecuencia¡ relativas.724 0. ?6.82 construir (o) una distribución de frecuenci¿s acr¡muladas.735 0. 0.?36 pulgadas.736 0.737 0. Las calificacione¡ de un estudiante en cinco aeignaturaa fueron 85.

7250-0.8-10.7 10. 15. El salario medio anual pagado a todos los empleados de una compañía fue de $6000. ' 164. Log salarios medios anuales pagados a hombies y mujeres de la compañía fueron $á200 y $4200. ¿Cómo están relacionadas las medias? (b) Multiplicandocadaunodelosnúmeros3. L.7280-0.2. (b) el méto' do clave.7255 0.8-r2. 2.7271-0. 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) 0.7247-0.0. 19. Tabla 5-21 60 ó.7274-0.6por2ydespuéssumando6seobtienelaseriell.2.6.5.7264 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 0.7 .7.cAP. Hallar la dewiación típica de la serie de nl¡meros de la progreeión a¡iümética 4. Calcular la media de los datos de la Tabla 6'22.7279 0. ó. Hallar la desviación típica de los número¡: (a) 3.3-10. 1' 1' 5. Determinar la media de la carga máxima empleando (a) el "método latgo". . 11 .7270 0.5. TEORIA DEMUESTREO 191 y 11 estudiantes. pero diferentes medias. Determinar lacalific¿ciónmediaparatoda8 5. Calcular el diámetro medio. 7.103.4.g?.7252 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.8.7268-0.8-11.2. tlalla¡ la dewiación üípica para las distribuciones del (o) hoblema 6.7258 0.2 10.7256-0.5l estaban formadas por 32.22.. (b) el método clave.1. 1.6 se obtiene la s€rie 8.6. Demostrar que ¡as dos series tienen lae mismas desviaciones tfpicas. para los daüos de la Tabla 6'20 empleando (o) el "méüodo largo".104. (o) Sumando 5 a cada uno de los nl¡meros de la serie 3. 1.4.0.106.3- 9.102.7265-0.7253-0. .262-0.2. Halla¡ i 9.2.7267 0.2 TOTAL Í 98 75 56 42 30 21 15 11 6 compañía. reqrectivamente. (c) 0.7 L2. Determinar el porcentaje de hombres y mujeres empleados en la compañía.8-L3. (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. .9. 10.3-11. Tabla 6-19 Carga móxima Nl¡mero de cableg (toneladas cortas) 9.1273 0.99.7. 12. 10' L6.7249 0.7.0.7282 TOTAL de de Sfmenos de 36-menos de 40-menos de 16 L2 30 36 40 45 I o 2 TOTAL 54 250 6.726L 0.98' (b) 6.6. 6. 25 las clases.98. 5.?.2 11.?276 0.99. (b) 3. respectivamente.6. L7.7259-0.100. i) 5.0.7 t2 17 l4 6 3 1 Tabla 6-2O fr 11.6.7.3-L2.101.7277-0.2 624 2 462 480 498 516 534 552 570 588 606 12.4.

17. (b típica. 5. (b) segundo.L22. (o) Hallar la desviación típica s de los diámetros de los remaches del Problema b. Hallar los momentos de (o) primero. . = nt.10. (c) tercero y (d) cuarto orden respecto al punto ? para los números del Problema 5.li. Calcular los cuatro primeros momentos con respecto a la media para la distribución del Prol¡lema 5. (b) ¿eué porcentaje de diámetros se encuentra entre (r1 . 5. (a) De un total de n números. Los momentos de segundo orden con respecto a la media de dos distribuciones son g y 16. I 4 o 10 7 5. ¿Qué distribución se aproxima más a la distribución normal desde el punto de vista de (a) apuntamiento. 5. 20 22 2 AI. 5. la fracción p son unos mientras que la fracción q : 1 p son ceros.125. Con los resultados de los hoblemas 5. Hallar (o) m t . Hallar (a) ntr.llE. 5. t¡l F.119.109.30explicandoelsignificado 5. Hallar los momentos de (a) primero.-Btnini l2m'rs. S. ¿Qué distribución está más sesgada a la izquierda? 6. De un total de n números. 30 5. (t t 2s).f f O.127.(b)curtosisparaladistribucióndelProblema5. k) ¡¡. teóiicos esperados. 1. mientras que los momentos de tercer orden con respecto a la media son -8.111. tt. a la media de 5. 5. 5'121.-2bybO.1 . Los momentos de cuarto orden respecto a la media de las dos distribuciones del Problema6. 3.117. Hallarelcoeficientede(c)sesgo. tlallar los momentos de (o) primero. y comentar las diferencias observadas. (a) Demostrar que .111 y 5. Si loscuatroprimerosmomentosdeunaseriedenúmerosrespectoalpunto3sonigualesa-2. l.nl_ thnirni+6ml2rn.+.102(c).8 respectivamente. (b) mz.722. 11. Comparar con el problema b. Si el momento de primer orden con respecto al punto 2 es igual a 5. 5. y (i) (i+ rFpara 5.1 y -12. (b) segundo. @¡. la distribución del Problema 5. (b) segundo. (D ) Derivar una fórmula análoga par^rns.. Hallarloscuatroprimerosmomentosconrespectoalamediadelosnúmeros0. (c) respecto al origen. 5.11g. 5 5. Hallar (a) la media y (b) la desviación típicaparaladistribucióndelProblema de los resultados obtenidos. Hallar los cuatro primeros momentos con respecto a la media de los números de la progresión aritmética 2. ¿cuál es la media? 5.. (c) lrq .124.g. (b) rr. Véase Problema 5.0. la fracciónp son unos mient:'as que la fracción q : 1 -p son ceros. (c) nt3.114. Aplicar el resultado de (o) al Problema b.g. (b) respecto al punto 5.2_ Bm. (b) curtosis para la distribución del Problema 5.L92 TEORIA DE MUESTREO lcAP. (b) m..108 para los datos del problema 5.mt.gg.126..98. Demostrar que la desviación típica de La serie de números es fi.123. ) Construir una distribución de frecuencias para los datos y hallar la desviación (c) Comparar el resultado de (b) con el de (a).111. "on 5.1!2.1o6. l.¡nz = ml- 5'115.101.2g.r5. (a) Hallar la media y desviación típica para los datos del problema 5. (f) s. (l). Calcular los primeros cuatro momentos con respecto a la media para la distribución de la Tabla 5-23.121. comprobar las relaciones entre momentos (a) mi2. (c) tercero y (d) cuarto orden con respecto los números del Problema 5.98. 5. (t l3s)? (c) Comparar los porcettajes'de (b) lo. 6. 14. determinar los correspondientes momentos (o) respecto a Ia media.l F.r5 1.126 son 230y 780 respectivamente..116.lOO. Hallar el coeficiente de (o) sesgo.120. 5.111. Lo mismo del Problema 5.113. @') mt y (d) ma para los números. - ?n: - 1m'rm! * l}m'r2nt!. (b) asimetría? .1.t s). Tabla 5-23 f t2 t4 16 18 5.108. (c) tercero y (d) cuarto orden de los números 4. 5'112.5. - l}rnlstn" * 4n.0. 8. si la distribución fuese normal.f 07.

En el Problema 5.cAP.. mz = i. página 175.134.128.1 (b)Emplear(a)enel 6. 1z+22+32+". Una población de 7 números tiene una media de 40 y una desviación típica de 3.129. (b) sin remplazamiento. Determinado¡ tubos producidos por una compañfa tienen una duración de 900 horar y una dewiación típica de 80 horas.fsugerencio: Utilizar - l+2+3+.22. (b) la dewirrción tfpica de la duración exceda 96 hora¡? ¿Qué ruporicioner deben hacerse? 6.104... a * d. Demoetrar que Vt y Vz definidas en el hoblema 5. hoblema 6.. (n-1)d (eadecirun¿ 6. En un exarnen las calificaciones fueron normalmente disüribuidas con media 72 y dewiación típica 8..+(n-l\z=fn(n-Il(2n-1)..aI progresión aritmética con primer término o y raz6n d) erlt6 dada por tl1-2 (n2 Dd2 .129(o) y explicar ous reeultados. son independientes. mt = 0. 6. tno = ñ(n2-l\3n2-7'td4 CompararconelProblema 5..1 5.129 si la medi¿na de duración es de 900 horas.133.136. 5.131.@z-L)dz.. ¿En cuántos lotee cabe esperar que (o) la duración exceda 910 horar. halla¡ la media de la distribución muestral de varianzae si el muestreo ee (o) con remplazamiento. 5. ¿en cuántos lotes cabe eErerar que la mediana de duración exceda a 910 horaa? Comparar ¡u solución con el hoblema 5..a*d. (b) Hallar la probabilidad de que en una muestra aleatoria de 100 eetudianües la calificación mínima del 2O% superior Eea menor que 76.115. Demostrar el resultado (I9). (o) Hallar la calificación mfnim¿ del 2O% superior de los eetudianües.a|(n-l)dson 11 ffit = 0. La compañfa envfa 1000 lotes de 100 tubo¡ cada uno.130. ¿Cuál es la probabilidad de que lae primeras tres obgervaciones sean mayores que las'últimas cinco? ó.* (n . Si muestras de tamaño 5 se ertraen de esta población y se calcula la varianza de cada muestra.al2d.1)a = $n(n-l)(2n-ll8n2-Bn1 ). Demoshar que los primeros cuatfo momentos con respecto a la media de progresión a¡itmética a.'*(n-1)=in(n-1). a * 2d. (a) Demostrarquelarvarianzasdelconjuntoden nfrmerol a..135.132. pfuina 160.6l PBOBLEMAS DIVEBSOS TEORIA DE MUESTREO 193 5. . Una mueetra de 8 obeervacione¡ se hace aleatoriamente de una población. fSugerencia: 14+24 +34+' .

la media poblacional' Sin embargo. pero esto no siempre es posible. Entonces.que es cierto para muchos estadísticos. se está dando una estima de punto. ya que en general Z(3) + o. &s-2o"EFsl%a'" ó ¡r.46% y 99.. la media provee una estima más eficiente que la mediana. EJEMPLO 6. DE PARAMETROS POBI.2. L94 .28 + 0. Lógicamente se prefiere tener estimas que sean eficientes e insesgadas.ACIONALES Sean ¡rs y o" la media y la desviación típica (error tÍpico) de la distribución muestral de un estadístico S. en las páginas 157 y 160 son estimadores insesgados de la media poblacional ¡r y de la varianza poblacional 02.28 pies.2_5 y 5.03 pies. Si se dice que una distancia viene dada por 5. La precisión o conocimiento del error de una estima se conoce también como su seguridad. Sin embargo.27 % .Capítulo 6 rF I | . si la distribución muestral de S es aproximadamente normal (lo que se ha visto-. SEGURIDAD La estima de un parámetro poblacional dada por un número se llama estima de punto de. ambas tienen la misma media. S realmente es un estimador sesgado de o. cabe esperar que el estadísticoSseencuentreenlosintervalos&s o^s8Í. si el tamaño de muestra es n > 30). 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. eonq de esttmocton : . puesto que E'(X) = u.. Véase Tabla 5-1. Si las distribuciones muestrales de dos estadísticos tienen la misma media.1. En la práctica se ellas pueden obtenerse. U 13 t) = o2.s*o. La media X y la varianza 3' d"finid". El valor correspondiente del estadístico se llama estima insesgada del parámetro.3.73% de las veces. se dice que la distancia es 5. la va¡ianza de Ia distribución muestral de medias es más pequeña que la distribución muestral de medianas. es decir. €l 68. el estadístico con la menor varianza se llama estimador eficiente de la media. La distribución muestral de la media y la mediana.s. respectivaménte.95. Si. EJEMPLO 6. 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. Por tanto. por otra parte. EJEMPLO 6.31 pies. u-¡r"* 3o" . utilizan estimas sesgadas o no eficientes. la distancia real se encuentra entre 5. Los valo^res i y 3 z se llaman estimas insesgadas. El valor correspondiente del estadístico eficiente se llama estima eficiente.r--Bo. por la relativa facilidad con que algunas de ESTIMAS POR PUNTOS Y ESTIMAS POR INTERVALOS. página 162.l parámetro. se está dando una estima de intervalo. ESTIMAS POR INTERVALOS DE CONFIANZA.

en el caso de un S insesgado).33 2.Grandes muestras (n > 30). .96 o7 Y X + 2.46% y 99.58 o. En general.96 o.. obtenidos en el Capítulo 5. son los límites de confianza del96% V 99% (ó 0.. Utilizando los valores de o. la desviación típica poblacional o es desconoc^ida. para estima¡ el parámetro poblacional. como otras veces sé conocen. En este caso utilizamos la distribución t para obtener los niveles de confianza.68 2. se puede ver que los límites de confianza para la media póblacional vienen dados por Xtz"* vn N-tt.99) para p". Los números 1.respectivamenllama¡ a estoé intervalos los interualos de confianza del68.96 1. entonces los límites de confianza d'el95% y 99% para la estimación de la media poblacional ¡. & S*Sorenel 68.27 %. En la Tabla 6-1 se dan los valores de z" que corresponden a distintos niveles de confianza utilizados en la práctica.58 ox respectivamente. los valores de z" pueden sacarse de las tablas de la cuwa normal en el Apéndice C. Los números extremos de estos intervalos (S i o5.. Tabla 6-1 Nivel de confianza zc e9.96.00 1.F') se hacen fácilmente modificaciones apropiadas para obtener los intervalos de confianza.00 2. $ I 3or) son llamados los límites de confianza del 68.6746 En los casos donde un estadístico tiene una distribución muestral que es diferente de la distribución normal (como chi-cuadrado. Poi estos se 99. a S * o' delasveces.95. INTERVALOS DE CONFIANZA PARA MEDIAS 1.1. se utiliza la estima muestral S o S. El porcentaje áe confianza se"llama también nivel de confíanza.645 r. los límites de confianza eslán dados por X * z"o* donde z" depende del nivel de confianza que en cada caso se desee y puede obtenerse de la tabla anterior.27% 60% 3. 95.srs .szs son los valores de ? para los que el 2.r. De los niveles de confianza se pueden obtener los coeficientes de confianza y recíprocamente. 2. etn.o.1."\\ñ s (3) . ps er los intervalos S .6l TEORIA DE ESTIMACION 195 Análogaménte cabe esperar o se puede confiar en encontrar. Iímites fiduciales.46% 95% 90% 80% 68.28 1.00 0. t 6 .27%.46%y99.45%y te.73% para la estima de ¡rs (es decir.szs y ú.27%. S-2o" a S+2o" ó S-3o.9q -V 0. S -+ 2o. Para niveles de confianza que no se encuentran en Ia tabla. y S -r 2. vienen dados por X r.73% o. Más generalmente. 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.6% del área se encuentra en cada "cola" de la distribución ü. de los límites de confianza se llaman coeficientes de confianza o ualores críticos y se denotan por zc.73% "pueden Análogamente. Pequeñas muestras (z < 30). S +. de modo que para obtener los límites de confianza anteriores.73% s9% s8% s6% s5. si el muestreo es sin remplazamiento én una población 2.68.96. Por ejemplo si -t.05 2. entonces un intervalo de confianza para ? está dado por (véase pagina 161) (N -t.cAP. Si el estadístico S es la media muestral X.

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

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

Dar ejemplos de estimadores (o estimas) que sean (c) insesgados no eficientes. puesto que la media de sus dishibuciones muestrales es la media poblacional. . h desviación media y el reconido . d ). --LtSz son dos de tales ejemplos.f(r¡?\ f(n2. Pa¡a obtener el "mejor" de tales estimadores. la función de densidad puede denotarse por f (x. Problerna. Por tanto. f(r". empleamos una técnica conocida como el estímador de móxima uerosimilifud.0). página 118. Así para el caso donde existan varios parámetros tomamos las derivadas parciales con respecto a cada uno de los parámetros. xn. Para este propósito es conveniente tomar primero el logaritmo y luego la derivada. El valor de F.ee con los grados de libertad para el numerador y el denominador inyertidos.31 $z o-n o-t - I' .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. Esto vendría dado por r F. . El método puede generalizarse. los igualamos a cero y resolvemos las ecuaciones resultantes simultáneamente. por ejemplo g. La¡ruíxima uerosimilitud puede obtenerse tomando la derivada deZ con respecto a 0 e igualándola a cero. De una manera semejante podríamos hallar un inten¡alo de confianza del g0% empleando la tabla apropiada en el Apéndice F.ss se obtiene de la tabla del Apéndice F. Los dos son estimadores insesgadoe de la media poblacio- nal.198 TEORIA DE ESTMACION lcAP.F. semi-intercuartílico son cr¡atro de tales ejemplos. . (¿) La media muestral X y Ia varianz. (b) insesgados y 3t = .or €s el inverso de . (b) La mediana muestral y el estadístico muegtral *(Qt + Qs). de acuerdo con el Teorema 4-8.. (c) fa desviación típica muestral g la desviación típica modificada . Sin embargo ambo¡ no son eficientes si se les compara con X. De esta manera hallamos f@.0) (1e) que se llama la uerosimilitud.ss . . Para ilustrar el método suponemos que la población tiene una función de densidad que contiene d-eterminado. debida a Fisher.zmuestral modificadas f eficientes.ütr I af(rt|) + 1 0f(r".01 "'+ fl*. .e\ffi = o (20) De aquí podemos obtener 0 en términos de r¡. que se va a estimar por un estadístico L .s resueltos ESTIMAS INSESGADAS Y EFICIENTES 6. Suponiendo que hay n obsen¡aciones independientes x1 . la función de densidad conjunta para estas obsen¡aciones es un parámetro poblacional.6 Adviértase que F. donde Qr y @¡ ¡on las cuartilas muestrale¡ inferior y superior.. (c) sesgados y no eficientes.3.1. son dos de talee ejemplos.

35)2 2(n-ñ\2 - n-l = = es insesgada + (6.2.45 -- 0. = n . 95Vc ó 0. decir que ia probabilidad de que la estatura media de la población se encuentre entre 66.32 6. n-1" (6. por tanto. ESTIMAS POR INTERVALOS DE CONFIANZA PARA MEDIAS (GRANDES MUESTRAS} 6.2. (a) Los límites de confianza del 95% son X t I.93/V100) ó 67.as y i : 2. pues. 6.02 pulgadas es.6136 : y.45 ¡ + z.57 pulgadas.cAP.33: Estima insesgada y eficiente dé la verdadera altura Del Problema 5. 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. Se puede.37.iroentre s yG.TG pulgadas . 6.336.93.023 es una estima de la verdadera desviación típica pero esta estima no ni eficiente.35)2 F (6.35)2 5-1 0. 6. (b) Los lfmites de confianza del 99% son X 2. = i2 = .3?-6. Para las cinco medidas puestas en orden de magnitud la mediana es 6. En símbolos se escribirá P(66.3?-6.96"/\f. Hallar los intervalos de confianza del (a) 95% y (b\ 99% para estimar la estatura media de los estudiantes de la Universidad XYZ del Problema 6.38: Estima insesgada y eficiente de la verdaderava¡ianza media: t : 67.35)2 + (6.46 pulgadas.33.saa = tln ! 2.96(2. Adviértase que puesto que n es grande.88 y 68.95. Una muestra de cinco medidas del diámetro de una esfera se registraron como 6.36-6.6136 s2 Así . los lí¡nites de confianza son 6?.45 ! 1.37 centímetros.93 pr¡]Éadas como una estima de o (véase Problema 6.3.36 cm.02 pulgadas.6l TEORIA DE ESTIMACION 199 6. Determinar unas estimas insesgadas y eficientes de (c) la verdadera media.? = /8.5275) = 8. 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. no hay esencialmente diferencia entre 6. (b) la verdadera varianza. Determinar unas estimas insesgadas y eficientes de (o) la verdadera media.3.88 a 68. (o ) Estima insesgada y eficiente de la verdadera media (es decir.88 y 68.58o/tñ. Utilizando n : 67.36.JDani (b) Estima insesgada y eficiente de la verdadera varianza (es decir.35)2+ (6.!1t.. 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. JC = .3).96.02 pulgadas.02.4. Así. 4er. de la media poblacional). de la varianza poblacional).45 pulgad. 2. 6. (b) la verdaderavarianza.88 < p < ti8. - iT $. que puede denotarse por 66. (o) Del Problema (b) ó.88 < tt<68.45 ! 0. = S tr.58-?+ = V100 67. el intervalo de confianza del 95% para la media poblacional ¡t es 66.00055 cm2 Nótese que 0 = /0"00055 = 0. Dar una estima insesgada Problema 6. Para la muestra dada 67.ó.02): 0.32 y 6.

6.b6 y 0. z:zc Puesüo que el área total bajo la curva es 1.73V.824! 0.i :.O42 pulgadas.96ry = \/200 0.49.824 t 1. los límites de confianz¿ del 98% son r ! 23g+ = \/7i Asi 0. respectivamente.4í.0069 pulgadas Fig.0U89pulgadas.96? como 1.008 pulgadas.645a (c) . para n > 30 se puede asumir que s y 3 son prácticamente iguales. pues.824 0. 6. 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. se utilizaría t.{ñ= 0. : t. (o ) Los límites de confianza del g5% son 6 (b) x t 1. ñ!3+ \ñ - 0.00b8 pulgadas Los límites de confianza d.73% para el diámetro medio de G.21. En general. los límites de confianza anteriores se convie:rten en 67.645.ss9 = 0. el área desde z eE 0.824tSL93 = \/zoo .el 99o/.824 t 0. los cojinetes del Problema Hallar los límites de confianza del (a) 98%.73 pulgadas.45 t utiliza¡lo. v (bl99% para el diámetro medio de todos los cojinetes.33.semana dieron una mdia de 0.824:r0. se puede considerar el factor es necesario = 0.006 Pulgadas .45 1 0. es total.el 99.' o^. los límites de confianza del90ak son n!I. puee. que puede denotarse por 66. el intervalo de confianza del 997o para la media poblacional ¡r e¡ 66.E8y. 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.69 a 68.G.6.69 (¡¡ < 68.= vn Vn V200 ó 0.7.824 pulgadas y uná desviación típica de O.Hallar los límites de confianza del (o) 55"1. se habría empleado ?: \/n/@4s = y'200[99s que puede tomarse como i para todos los propósitos prácticos. r. (a) " lok.6 Asf. (b) 9O% y (c'¡ 99. son xtz.sa| = r*z. Los límites de confianza d. Oa z : zc ea O. Adviértase que se ha supuesto que la desviación típica dada es la desviación típiez modific¿d¿ i Si la desviación típica dada fuese S. : O es Asi pues. de modo gue no 6?.21 pulgadas.00??putgadas t 0.6-l (b) S" busca z" tal que el á¡ea desde z : entonces z. Lad medidas de los diámehos de una muestra de 200 cojinetes de bolas hechos por una determinada máquina durante una..200 TEORIA DE ESTIMACION lcAP.82¿!L.gg9!9 = \/zo0 0. Si se utiliza. de aquí que z":2.824t0. el área a la izquierda de z:-zce8 también lVo.6450'942 = 0.0049oulgadas t/-zoo sn 0.so! = Vn 0.824 ! 0.824 * 2. srn embargo.0. Para obtener los intervalos de confianza.824=z. Entonces por simetría.g6a = Vn 0-824:t 0. lugar de Para y muestreo sin remplazamiento.

04.X+r"L ..4. : 166.9Tolfi.051/\/n = 0.01 segundos? 0. (o) ¿Cuáles sonloslímitesdeconfianzadel9Ú% para la estima de la media de las 200 calificaciones? (b) ¿Con qué grado de confianza poüá . Una muestra aleatoria de 50 calificaciones de matemáticas de un total de 200. 6-3 6.Entonce¡ utilizando ¡ : 4. Eláreabajolacurvanormal : O t z: 0.01 si (1.96. pues.58o/{i. Puegtoque¡.2910.06)/0. Entonces (2.9.01.01 ¡i n e¡ 97 o mayor.38 y c : 0. Fig. <í n. 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.38 + 0.6 : 0.Entonces los coeficientes de confianza pedidos son tú.i=r.cAP.8 ó n : 96.goo*.r¿ -. 1fi = (1.58')(0. Halla¡ los límites de confianza para el diámetro verdadero del (o) 96% y (b) 99%.04.Ze. Una muestra de 10 medidas del diámetro de una esfera dio una media ñ: 4. (b).29lO):0. Para lo¡ valores de v dados egtos son (a) t Z.26 &- Vlo-1 = 4.2S z"=L6 z"=0.setienequel. de aquf que el grado de confianza pedido *162(O. (o) Los llmitee de confianza delglovo están dados por.38 pulgadas y una desviación típica s : 0. ¿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. pues. (d) t= 60? Pa¡a los coeficientes de confi¡nza del 96% ("doble cola") el área total en la Fig.05 segundos.50 2oo-L = 76!2. un sicólogo estima que la dewiación típica del mismo (c) .hallamoat. (b) Loe límite¡ de confianza del 99% son X t 2.:n-L:10-1:g.21o.26fvéaeet¿mbiénProblema6.n r1s/t/Á¡. 6-8 debe ser 0.38 t 2.4 60 límitee de confianza pueden repreaentarse por Ítz"ox deede z 68.81 es 0. er decir.11.05. AsÍ.81. = * t1. : 20.05 segundoe. debe emplearse la fórroul¿ para poblaciones finitas con muestreo sin remplazamiento. (ó) +2. lo¡ límitee de confianza del96% pedidos eon 4.09.06.q'-: 200 v50 200-1 = 75 + 1.96+ v50 (10) 200 .10. Asf el área ¡ombreada en la col¿ derecha es 0.10(c)].g6ol{n.*. 6. . TEORIA DE ESTIMACION 20L es de Al medir el tiempo de reacción.r.t = t.05)/\.682ó ESTIMAS POR INTERVALOS DE CONFTANZA PARA MEDTAS (PEQUEñAS MITESTRAS) 6.orr.23 zc h¡estoqueestodebeserigualaTSll. 8e tiene la confianza del99% de que el error de la e¡tima eerá menor de 0.96X0.01. Aef. se tiene que el error ser6 igual a 0.01 soliamente ¡i n es 167 o mayor.026 y el valor crítico correepondiente es ú. Entonces los lfmite¡ de confianza del 964o eon . Los coeficientes de confianza del 96Vo ("d.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.9df (b) tos vn N-n A¡-1 = N-n N-1 75 t 1. (c) v : 30. ¿Cuáles son los coeficientes correspondientes pala la distribución úsi (a) v = 9.oble cola") para la distribución normal vienen dados por i1.f I l.96)(0.8. (c'¡ t2.06 pulgadas. (d) =2.Tomando o = la estima eerá menor de 0.gzs:2.e?'.00.7I 6. arrojó una media de 75 y una desviación típica de 10.siendo 0.01 : 9.0452 pulgadaa .

55 2. (a grandes ) Mediante loe métodos de Ia teoría de grandes muestras los límites de confianza del 95% son X t 1.96. (b) 99%y (c) 99.l)6or.qq /lo - 4.58ú6:5EXb:¡BtTdd = Los lfmites de confianza del 99. (b) Comparar los resulüados de los dos métodos.b0 Entonces.335 pulgadas y 4.55.15.ssr(S/tñ-l.13.315 a 4. Esto era de esperarse dada la menor precisión que r¡e obtiene en pequeñas muestras con relación a Las grandes ESTIMAS POR TNTERVALOS DE CONFIANZA DE PROPORCIONES 6.06/y'10 .18. y para tener una confianza del g5% de su elección necesitamos : 0.-'\ r1/pg-p)/n / rB I l-r'-tt'/z¿y t/2.1. Hallar los límites de confianza del (a) 95%. Análogamente.045 : 4. 0.O37pulgadas ? donde se ha utilizado la desviación típica muestral 0.9ó utilizando el Apéndice C indica que e-Bt/fi-fl/n:0.55 + 0. indicó que el 55% de ellos estaban a favor de un determinado candidato. (b) En cada caso.06) /\t1.Z5(0.045 TEORIA DE ESTIMACION lcAP.se5 - (b) Para v = 9.426 pulgadas.14.38 4. (b) Los límites de confianza del99% parap son 0.96-9.50) Prob( que hob / J--ct t)_p .6a5y'i6lBB)Io-75j7i : 0. 0D > 0.95.L2. t 3ú058)16:¡8 10d 0. - ó Prob(p > e-Bt/p6-ffi¡ = + J(t t/2r -.25.l = 4.55 t 0.pV" es normal asintóticamente.50./e(l -p) ¡? V = 0.88 i g.55 del Problema 6.446 pr'lgadas. 6. Puesto que (P .f) = 4.27.p')/\/p(l .73% parap son 0.06b0 pulgadas y el inüervalo de confianza del99% e¡ 4. los límites de confianza del 99% son 4. pues.38 + 0.58)(0. = 3.0 = 4.55 para estimarp. los intervalos de confianza mues¡ras.06 como estima de o.= v-n 4. Una muestra de 100 votantes elegidos aleatoriamente entre todos los de un distrito dado. utilizando P donde B = : 0. tenemoe 0. t.38 * (2.049 pulgadas.202 Asf.55 = o'55t0'10 donde se ha tomado la proporción muestral 0."-.50 ó n= 27r .6 : se puede estar en la confianza del 96a/o de que el valor ve¡dadero se encuentra entre 4.88 + g.38 t 0. (c) 6.11 suponiendo válidos los métodos de la teoría de muestras.50): 0.88 r 1. = P t 1. véase Problema 6. J_.55 '^^ I(0'55)(0'45) :r 1'e6!ff : = 0.el95o/o para la población p son P : l.88 + 0. (a ) Los límites de confianza d.. Entonces loe límites de confianza del 99lo rcn i t ú.13 para que la confianza de que el candidato sea elegido sea del g5% z El candidato se elige si p ) 0. ¿Qr'é tamaño de muestra debe toma¡se en el Problema 6.96-0-.2/z¿y L645 Al comparar con Prob(p > 0.13. obtenidos mediante ios métodos de pequeñas muestras o teoría exacta del muestreo son más anchos que los obtenidos por los métodoe de grandes muestras.55 y la estima p : 0. Para hacer este problema de una fo¡ma más exacta.73% para la proporción de todos los votantes que estaban a favor de este candidato. (a) Soluciona¡ el hoblema 6.

50 encuentre entre 0. esperar con confianza d. [-os límites de confianza para la diferencia de medias de.tr 7. z" = 3. Hallar los límites de confianza del (a) 95% y 99% para la diferencia de las vidas medias de las poblaciones A y B.75.el 99% son: 1400 - 1200 12. Una muestra de 100 bombillas del fabricante B dieron una vida media de 1200 horas y una desviación típica de 80 horas./i120)r/15¡+-G0)r400 = 200 + 82.50 ! Pz : 100/400 : 0.96/il2OtG0I80)2/100 Así.25 = 0.Zb + 1. se puede esperar con el encuentre entre 175 y 225 horas.. gt= Ptz" t z¡/F(=ffi. se puede esperar con confianza d.Xn-. 100 adultos y 300 adolescentes dijeron que lei gustaba.60 + 15.?4 y el INTERVALOS DE CONFIANZA PARA DIFERENCIAS Y SUMAS 6. Así. dando. 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.?9. En 40 lanzamientos de una moneda.45 a 0. se Así.73% para la proporción de caras que se obtendrían en un ilimitado número de lanzamientos de la moneda. (a) Al nivel del g5o.15. pues.6.respectivamente. Una muestra de 150 bombillas del fabricante A dieron una vida media de 1400 horas yuna desviación típica de 120 horas.33. En una muestra aleatoria de 400 adultos y 600 adolescentes que veían un cierto programa de televisión.25 = 0.BZ a 0.el 96% que diferencia de proporciones (ó) Los límites de confianza d.27 da el intervalo de confianza del 95'ib como 0.25 ! Z.23.t 1. pues.il3li.g.73% como 0. se puede esperar con el 994n de confianza que la diferencia de las medias de las poblaciones se encuentre entre 167 y 233 horas. se tienep : 0. (a) Los lÍmites de eonfianza del 95Va son 0. 95"/o de = 200 t 24. Mediante la fórmula aproximada p = P + 0. SustituyendolosvaloresP:24140 = 0.31.60 La fórmula más exacta del Problema 6..45 a 0. (b) Al nivel del 99.6V n:40 enlafórmula \tF(l=A/. -loi*o'o -"1/"o-"" Los límites de confianza del 9b7o son: 1400 1200 .96 La verdadera = 0. se As( pues.83.cAP.06.50 - 0.el ggVoson 0. PtQt .6l TEORIA DE ESTMACION 203 6.37 a 0.96.el 99Vo que la verdadera diferencia de proporciones . 6.AquíPr:300/600:0.16. dando el intervalo 0. se obtuvieron 24 ca¡as.4 y B son dados por (a) *o..5B = 0. ae confianza que Ia diferencia'de las medias de las poblrcionee (b) Los límites de confianza d. Hallar los límites de confianza d9l (c) 96% y (b) 99. se puede encuentre entre 0. se tienep = 0.17 y 0. PzQz el - O.19 y 0. intervalo de confianza del 99. z" = 1. pues. pues.25 son las proporciones respectivas de adolescentes y adultos a quienes les gusta programa. el intervalo 0.0g.58\./. Los límites de confianza para la diferencia de proporciones de los dos grupoe están dados por 'll1 1t2 dondelossubíndicesly2serefierenaadolescentesyadultos.

Hallar los límites de confranza del (c) 95% y (b) 99"/. Se utiliza la dewiación típica muestral para estima¡ o. utilizando s como una estima de o.1 voltioE y dc. Si se conectan 4 baterías en serie.x {2n 300//t = 5. Hall¿rr los límites de confianza del (a) 95% y (b) 99% para la desviación típica de la población de tales bombillas. Así. se puede esperar con confianz¿ entre 90.4O pulgadas. ¿Qué tamaño de muestra en el Problema 6.f8.[4: "'rJ o'r. pues.16 voltios. El valor de 0.6?45(0. La desviación típica de las duraciones de una muestra de 200 bombillas fue de 100 horas. los límites de confianza del 99.08)=180.73% y (d) 5O% para el voltaje total.204 TEORIA DE ESTIMACION [cm. (o) Alniveldel 95".e75 y st/n/x.1 y 112.19 deberá tomarse para que con confianza del 99. (b) Si }OO/\E : Aei pues.ozs. Y t¡. puesto que /¿rr = lLEt lr'.4 t de confi¿nza del 99. el tamaño de la muestra deberá ser 1800 o más.4:t0. o 6. 6. * l'a.0b4voltios. donde 2.2L..* o". 6. (c) 99.. FfJ voltaje medio de las baterías producidas por una compañía es de 45.r-= oE.19. Así. La desviación típica de las estaturas de 16 estudiantes seleccionados aleatoriamente en un colegio de 1000 estudiantes es 2.4 + 1. de la desviación típica para todos los estudiantes del colegio. Entonces. ee puede esperar con confianza del 99'y'" que la deerüeión típica de la población se encuentre entre 87.4 t 3(0.2 y 109.08) 0. 46O.= lr'. INTERVALOS DE CONFIANZA PARA VARIANZAS 6. oE.24 ) Los lfmites (c) Loc lÍmites (d) toslfmitesdeconfianzadel voltios. Así.o/yEi.8 horas.19. 82.04 V. * uotr* l'a. En este caso se aplica la teoría de grandee muestras.96(100)i/200 = 100:tg.t+ti.g.08) = 180. (b) 99%.08) = 180. pues. (b)LO%? De igual forma que en el Problema 6.73% la verdadera desviación típica de la población ::o difiera de la desviación típica muestral en más del (c) 6%.21 voltios. = 0. . 0.73"/o para o son S . página 162)loslímites de confianza para la dewiación típica de la población son dados por S * z. = 1la1ffiy : 0.9./nloslímitesdeconfianzason:100 11. (a) Loslímites de confianza delgSv" están dados por sy'7/x.96(0.08 ÉEr+nz+E¡+Eo = 4(45. pues.9 horas. se tiene ltlt+Ez+at+¿o = Fu.4 V r de confianza del 99% son: 180.1) = 180. hallar lós límites de confianladel (a) g5%.r+r 2+Er+84 = . (b d. = 45.1 V y la desviación típica 0.4 (o) (b Los límites de confianza del95% son: 180. Entonceg el error porcentual de la desviación es 3s/t/-at (¿) Si 300 _ = s.054 voltios se llama error probable..04 volüios.4 + 2.4 t = 180.58(0. = orr.4i0. 0.el 95Vo que la desviación típica de la población se encuentre ) Al nivel del 99% los límites de confianza son: 100 * 2. osr* Ez+t:. 5O%son:180.r Bo/l-zn Ss/\/Zn.73% con: 180. entonces n : = 10. Por tanto (véase Tabla 5-1.58(100)/r/Zbd = 100 r 12. el tamaño de la muestra deberá ser 450 o más. Es y Eq representan los voltajes de las 4 baterías. entonces n 1800..20. indica el nivel de confianza. Si Er.

= r\ri= (f. hallamos como en el Problema 4.o .9 y 1001800/t2.n25 = 2. (b) tos lÍmites de confianza del 99\i..sor-79.6l Para o TEORIA DE ESTIMACION 206 x?ozs = 16- 1 = 15 gradoode libertad." x%os 1_l .oos = 72. (o) Los límites de confianza d. 6.84 pulgadas.40Vf 6 /1.9 y x. : 200 - 1 : 199 g¡ados de libertad.3 horas. s! = 20.5 = 91'2 y 100y'200/12'1 = 111'3 horas respectivamente.68 y 4.40\R/2.24 y = 6.11.7.SO+19.sa+19.15.73 y 2.24 y 2.14._. x2nzs de donde ¡¡.23.26 6 7.5 6 x.40\f-I6/5.oos:4.9 y 115.el99% están dados por Sy'-nl¡. . ee decir. x?szs = 27. Si se encuentra que sus varianzas son 24 y (b\ 90% para la relación de varianzas. Este resultado debe compararse con eI del Problema 6.68 y 4.19 utilizando la teoría de pequeñas muestras. esto es.2 y 111.s¡5=2.. x1.50.14.83 y 3.8 ó ¡.1 : 199 grados de libertad.. y St/T/x.)rto = \/ 2o.83 y 3'84 pulgadas.19(a). y 18 respectivamente halla¡ los límites (o) Tenemos nt = l(t. 1.g = 88.9 horas respectivamente. Solucionar el Problema 6.40\f-16/2. Este resultado debe compararse con el del Problema 6.?3 y xz. 3? = t=r"i = (lf)rznl = "? = 18 de modo qrre 26.el95')h están dados por Sy'-n.2= 115. rz = 10.!75= 5. Por tanto se tiene la confianza del 95% de que la desviación típica poblacional se encuentra entre 91.¡¡5.cAP. están dados por Sy'-nlx ors y Sl-n/y.ee5 Para v y Sy/i/7./x Para v : sr.92)2 = 253 lL6.2 a.n.5 y Entonces los límites de confianza del 95o/. (b) Los lÍmites de confianza d.22.. Entonces los límites de confianza del 997o son 2. Entonces los límites de confianza del 99% son 100/Eñ6 de donde X sq¡ INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS 6. Paray:16-1:lSgradosdelibertad. = 15.9 horas.9212 : 239 161 = olz02s+V2(199)-1)e =. 200 . Dos muestras de tamaños 16 y 10 respectivamente de confianza del (c) 98% se extraen aleatoriamente de dos poblacio- nes normales.oe5=5. it.ozs l-l Vz(rssl -r)z = itt.19(b).s¡5.o75 = |{zsrr.49 pulgadas. Entonces los límites de confianza del 95% son 2.' son 100y'2b-0 115.2. Por tanto se tiene la confianza del 95% de que la dewiación típica poblacional se encuentra entre 1.ozs. X.t.r+l/Z[I6Ef-T¡z = jtz.92)2 = : \2.50. Por tanto se tiene la confianza del 99/o de que la dewiación típica poblacion¡l se encuentra entre 1.¡]oor=32. Por tanto se tiene la confianza del 99% de gue la desviación típica poblacional se encuentra entre 88. 1. pfuina 137' x.49 pulgadas.60 ó y.t-t..

Si n obsewaciones Xr & se toman de una población distribuida normalmente de la cual se desconoce la media y se conoce la varianza. (#)(ffi3) o.59.6 Del Problema 4. ü = \/2ro2 -J- r-<x¡-ü2rzoz L = f(nt.47(b).96 parapl : 16 1 : 15 ! U2 =LO-1 =9 grados de libertad.25.sg<!=z.os : 1t2. Halla¡ la estima de máxima verosimilitud de la media. v Q) 90% para la relación de las desviaciones de las desigualdades del Problema 6.) Obsérvese que el intervalo de confianza del9O% e¡ mucho más pequeño que el intervalo de eonfianza del 98Vo.e5 2.206 IEORIA DE ESTIMACION [cAP.84 V F.23.0.. Hallar los límites de confianza del (al 98% típicas del hoblema. . Al tomar la raíz cuadrada 98% v el9o%. gue tenemos (I) Puesto Por tanto l(rx. tenemos pataUl: 15 y ez:9 grado¡ de libertad f or : 1/3.6?=1=r. = 3)@*-Pl reeulta Q. pfui¡1g 19?.zt oz 0.e¡ = 3. Por tanto el intervalo de #(ffi) s += 6 0. página 13p.#>@t-pl2 Tomando Ia derivada parcial con re4ecto raL 1:' fr.89.89 de modo que l/F.tn1z.eg oz 6. También del Problema 4.eo = ".z8a =# : = rsee. reculta .(ffi) 4.4437 oí = * ('z'6'g)(?q¿. Entonce¡ utilizando (171. tenemos F ge = 4. pl" 'f (r. 6. como lógicamente era de eryerarse. 6. 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.'or¡ g. = (b) Como en (o) hallamos del Apéndice F que confianza del g0% es F. pl = (2to2)-tt2¿-zbk-r)2t2o2 (z') (r) Fijando íLldp = 0 t¡L = a -f.24.47(d). hallrrmoe para el intervalo de confianza del 98%.23 hallamos los lfmitec de confianza para el (¿) (ó) ESTIMAS DE MAXIMA VEROSIMILITUD o.

En estos valores extremos. se tiene P-P Elevando al cuadrado los dos miembros.0 hallamos Vé¿se Problema 6.TS% delProblema 6. tenemos ee i'# Fijando aLl0o2 .L n - pl pz-2pp*p2: (nI nes para zp\p2 "?P# z?lp Multiplicando los dos miembros por ¿ y simplificando. Entonces tomando la derivada parcial con reqrecto a 02. - (2nP I * nPz = 0 Si o=n+z!.) Dividiendo numerador y denominador por 2n. z7 n -4ü r+4 n o P (b) Utilizar la fórmula de (¿) para obtener los límites de confianzadel99.13. se tiene e+ flt "" P(L-PI . Si escribimos f (rx.e f(x¡. b--(2nP+"7) y c=nP2.6l TEORIA DE ESTMACION 207 6. {P(L = *2" p(.ca p= _6 + 1/@=lo" 2a z"P+27=W 2(n* z7\ 2nP I 22" * ""t/6F(L1VlT7" 2(nI zf.25 se conoce la media pero se desconoce la varianza. queda.25 ha¡ta la ecuación (2) aplica."2) en cambio d.26.p).27.63. . todo lo efectuado en el hoblem¡ 6. (a) como la utilizada en el Problema 6. por tanto. Si en el Problema 6. zi n -4nz | +! .13. (c) Mostrar que p¿üa grandes valores de n la fórmula de (c) se reduce a p=P¡2" \FF -nn. 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) .cAP.cuyassoluciop son dadas por La fórmula cuadráti. La proporción muestral P en unidades tipificadas . estaecuaciónsereduceaafi*bp*c:0. donde z" deüermins el nivel de confianza.P)/n Los valores mayor y menor de esüa variable tipificada son tzc.p oP = -1. halla¡ la estima de máxima verosimilitud de la va¡ia¡rza. = -fi+ uár> @t-r)2 02= 2 (rr - pl2 PROBLEMAS DIVERSOS 6. (a) Si P es la proporción observada de éxitos en una muesha de tamaño n.

2g.9 110. cuya amplitud sea menor que la del Problema 6. En la Tabla 6-2 se indican varios valores críticos y los conespondientes intetwalos de confianza del 95%. Determinar estimae insesgadas y eficientee de (o) la media de la población v (b) la varianza de la población.rlos ESTIMAS INSESGADAS Y EFICIENTES 6.6%. la disminueión en el intervalo que 8e obtiene es comúnmente despreciable y no Probletn.22(a) fueron obtenidos escogiendo valores críticos de y2 de tal manera que las áreas en cada cola fueran 2. Las medidas de pesos de una muestra fueron registradas como 8.=B. La media y la desviación típica de las cargas máximas soportadas por 60 cables (véase Problema 5.32 92.a. (b) 98Vo.0 a 110.e6 : 15.54 ¡.00058 pulgadas. y 0. La media y la desviación típica de los diámetros de una muestra de 250 remaches fabricados per una compañía gon O./zn.8. (c) Comparar la desviación típica muestral con la desviación típicÁ de la población estimada.z.8.Entonces. (c) 95% y (d) 90% para el dirimetro medio de todos los remaches fabricados por la compañía. de amplitud sol.¡amente 19. respectivamente. Sin embargo.2 19.28.09 ton.44.98) están dadas por 11.208 TEORIA DE ESTIMACION (b) Paraloslímitesdeconfianzadelgg.?3 ton.8. de forma 6.69 en acuerdo con el problema 6. Hallar los límites de confianza del (o) 951/. ó 0..7s7=15.8 ¡.?3 20.TSVo.31.29. 8. .6. dieron una du¡ación media de 1200 y una desviación típica de 100 horas. es de g1.O a 110. Hallar los límites de confianza del (o ) 99%.85.utilizando de (a).. entonces zf.72642 pulgadas y 0.a los cuales la suma de las áreas en l¡as colas sea61. ¡es=15.2 y 9.8. respectivamente.4 libras. etc.6 p=0.8 89.'. 10..64. empleando t¡alores críticos tales como justifica el trabajo involucrado.0 = 12. Valores Crítico¡ Tabl¡ 6-2 Intervelo de confianza d. 10. (o) Solucionar el Problema 6. zf.e4 91.r De la tabla se observa que un intervalo del95%. X. (c) Si n es gtande.30 si se obtienen los mismos resultados para 30. 6'33.13(a).32. 6.el 95"tb Ampütud 2r.7 7.40 y 0. 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. g.05.Es posible haltar otros límitee de confianza escogiendo valores críticos de X2 gar.s sr¡plernenta. X 032 y X 1¡2.4 20.7 a Lt3.o¡r y x e8l.9 7. Un intervalo con amplitud af¡n menor puede hallaree continuando el mismo método de aproximación x.42 a a 111.100).30. Estimar (o) la media y (b) la desviación tÍpica de la población de todos los tubos de televisión producidos por esta compañía.55yn:100enlafórmula y 22"/nson despreciables y pueden sustituirsepor cero.6 = 12. pero de tal manera que las áreas en cada cola no sean iguales. respectivamente (véase Problema 5.$=12'76. 6. horas Una muestra de 10 tubos de televisión producidoe por una compañía./Anz que se obtiene la fórmula pedida. se tienep : 0.22(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. lcAP.s2=12.3 91. en general. y (b)99dto para la media de las cargas máximas de todos los cables producidos por la compañía.ge = 15.7.

respectivamente. Dar los resultados utilizando la fórmula aproximada y la más exacta del Problema 6'27. y (b) el error probable para la media de los diámetros del 6. 0. 6. (b ) del 99%.7 Bdn pá. Hallar los límites de confiánza (a) del 95% Una compañía fabrica cojinetes de bolas que tienen un peso medio de 0.012 libras. al primero le fue dado un nuevo tipo de somnífero y al segundo un tipo convencional.g?. 6. Una r¡rna contiene una proporción desconocida de bolas rojas y blancas. ¿qué tamaño de muestra deberá tomarse puüa que sea del (a\96%. mientras que de 100 cerrojos de otra máquina 12 eran defectuosos. De dos grupos análogos de enfermos A y B formados de 50 y 100 individuos. Si la desviación típica de la duración de los tubos de televisión se estima en 100 horas. Para los pacientes del primer grupo el número medio de horas de sueño fue 7. Hallar los límites de confianza del (a) 95%' (b)99o/oy (c) gg .2?.80. Se cree que una elección resultará muy reñida entre dos candidatos. 6. Hallar los límites de confianza del (c) g5%. (b)g|%t (c)997oV @)59.44. dio el 7O% de bolas rojas. respectivamente.a h diferencü de proporciones de cerrojos defrctuosos de las dos máquinas' Estudiar los resultados obtenidos. La desviación típica de resistencia a la rotura de 100 cables producidos por una compañía fue de 180 libras.38 onzas los límites de confianza del (c) 95% y (b) 997o para la resistencia real' desviación típica de 1.ParalosdelgrupoB fueron 6. (c) del 99.41. 6. (b\ 99% y G\ gg.2[horas.(b\95%'(c\99% deladecisiónen favor de uno de los candidatos? INTERVALOS DE CONFIANZA PARA DfFERENCIAS Y SUMAS 6. Halla¡ los límites de confianza del (a) 96%V @)99% para la diferencia del número medio de horas de sueño inducidas por los dos tipos de somníferos.6l' TEORIA DE ESTIMACION límites de confianza del 5O% 209 6.g5.43. y una Una muestra de 12 medias de resistencia a la rotura de hebras de algodón dio una media de 7.73V"? 6.36 si el error en la duración media estimada superar las 10 horas? ESTTMAS POR INTERVALO DE CONTIANZA DE MEDIAS (PEQUEÑAS MUESTRAS) 6. Hallar los límites de confianza del (a) 95% y (bl99% para el tiempo reacción.g9.94" Hallar (¿) los Problema 6. o. 6.3? suponiendo aplicables los métodos de la teoría de los resultados obtenidos. 6.7g% para la proporción real de bolas rojas en la urna.76 y 0.33.24 onzze.30 horas.g1 sfoundos. 0.46. Hallar grandes muestras y comparar Solucionar el problema 6.3g. INTEBVALOS DE CONFIANZA PARA VARIANZAS Y DESVIACIONES TIPICAS 6.40 verdadera no difiera de la proporción muestral en más del 6Vo sea (a) del 95Vo.82 con una desviación típica deO. ESTIMAS POR INTERVALO DE CONFIANZA PARA PROPORCIONES 6. ¿Cuál será el número mínimo de voranües que se deberá mue\trear para quelaeonfianza sea del (a) 8O%. 6. Hallar eI error probable de la desviación típica del Problema 6'46' . Cinco medidas del tiempo de reacción de un individuo a un cierto estímulo fueron registradas real de 0. para que la confianza de que la proporción ¿Qué tamaño de muestra se debería tomar en el Problema 6. Una muestra de 200 cerrojos producidos por una máquina mostró que 15 eran defectuosos.41. (b)gg%y (c)99J37" para la dewiación típica de todoslos cables producidos por la compañía.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. como 0'28. 0. HaIIar los límites de confianza del (o) g5%.cAP. Una muestra aleatoriade 60 bolas extraídas con remplazamiento de la urna.638 libras y una desviación típica de y (b) del 99Vo pata los pesos de lotes de 100 cojinetes cada uno.86.42.45.40.gg.

TEORIA DE ESTIMACION [cAP. Xn de esta población.26? Explicar. . Hallar Ios intervalos de confianza del (a) 98% y (b) 90% para la relación de Ias varianzas. 6.e 11. Xn de una población distribuida normalmente con media ¡l y varianza ¿Pueden determinarse estimas de máxima verosimilitud de ¡t y o2 en términos d. Si se toman n observaciones.e 24OO libras y una dewiación típica de 150 libras.63. 02 desconocidas. X1.54 si las muestras tienen tamaño 120 cada una. [(A'+t)st 0<¡:<1 de otra forma Xn de esta población hallar la estima de máxima verosimilitud de h.49 si 25 bombillas tienen la misma desviación tÍpica de 120 horas.51 que tiene la menor amplitud? 6. . 6. 6. ¿Considera que las dos muestras del hoblema 6. . 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. del Problema 6. Hallar el estiniador de máxima verosimilitud de ). . Si n observaciones 6. hallar la estim-a de máxima verosimilitud de z. 6.52 y (b) Problema 6. .62.? ¿Son lc mismos a los dados en los hoblemas 6.48.50.(d)v : 30' (¿) v: 40? Una compañía tiene 500 cables. . .49. . -t 1 r ( -..61.49 utilizando la distribuciíny2 si una muestra de 100 bombillas tiene la misma desviación típica de 120 horas.55. de la du¡ación de 10 bombillas fabricadas por una compañía es 120 horas. Las desviaciones típicas de los diárnetros de los cojinetes de bolas producidos por dos máquinas son 0. . . 6. r.56.25 y 6. PBOBLEMAS DIVERSOS 6. Hallar los igr la 6. Los coeficientes de confianza del 999á ("doble cola") para la distribución normal están dados por 12. Una población tiene una función de densidad dada por 8e toman n observaciones l(r) = l^0 [ Si se toman n observaciones X1 .58. .60.(c)v:25. ¿Cuáles son los coeficientes correspondientes para la distribución f si (o) v = 4. Una población tiene una función de densidad dada por i@l = 2rt/r/" ¡2s-v*. límites de confianza del (o) 96'/o y (b)99Eb pa¡a la desviación típica de todas las bombillas fabricadas Solucionar el Problema 6.6 ¿Qué tamaño de muestra deberá tomarse para que la confianza sea del (a) 95%. . . ESTIMAS DE MAXIMA VEROSIMILITUD 6. . Solucionar el Problema 6.54 fueron extraídas de la misma población? Justificar su solución. .59.58. Hallar los intervalos de confianza del (o) 98% y (b)907. 6.7T% de que la desviación típica de una población no difiera de la desviación típica muestral en más del 2%? 6. . X¡. Xn se toman de una distribución de Poisson con parámetro tr desconocido. Solucionar el (o) Problema 6. (b) gg% y (c) gg..042 cm y 0.(b)v:12. Determinar los intervalos de confianza del (o) 98%v @\gOVapara larelacióndelasdesviacionestípicasdel Dos muestras de tamaños 6 y E respectivamente tienen la misma varianza. INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS 6. La desviación típica compañía. .2to 6. Si Xr. En una prueba de 40 cables seleccionados aleatoriamente resulta una media de la resistencia de rotura d. . para la relación de las varianzas de las poblaciones de donde se exhajeron. .57.54. hoblema 6. .035 cm respectivamente. .52. basados en muestras de tamaño 10 cada una.62. Comparar los resultados con los obtenidos empleando la distribución normal.51. 6.53.

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

un intento de disminuir un tipo de error.96 ó z 1. y así se tiende a conseguir poner una limitación al error de mayor importancia. por ejemplo se elige un nivel de significación del O. se dice que la hipótesis se rechaza al niuel de significación del0.05 6 6"/.O5. varianza 1) y se muestra en la Fig.96 podía entonces llama¡se región de aceptación de h hipótesis o región de no significación. Si. Representa la probabilidad de rumeter error al recbazar la hipótesis es decir.96 (es decir.212 error del Tipo da.)/o. es una normal tipificada (media 0. ? II.El conjunto de lasz que se encuentran dentro del recorrido .05. z > I.95).96 a 1. . al diseñar un ensayo de hipótesis.96 a 1. se está con un 95% de confianza de que se toma la decisión adecuada. si la hipótesis es cierta. La única forma de reducir al tiempo ambos tipos de error es incrementar el tamaño de la muestra. 7-1. de modo que los resultados obtenidos no influyen en la elección.1.05.1. va generalmente acompañádo por un incremento en el otro tipo de error. debe diseñarse de forma que minimice los errores de decisión. Esta probabilidad se denota frecuentemente por o. En la práctica. ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.96 a 1. aunque igualmente pueden emplearse otros valores..05 ó 0. generalmente se fija antes de la extracción de las muestras.96 y 1.96. 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. lo que quiere decir que es un suceso con probabilidad de solamente 0. ENSAYOS REFERENTES A LA DISTRIBUCION NORMAL Pa¡a aclarar las ideas anteriores.05 es el nivel de significación del ensayo.1.96 (puesto que el área bajo la curva normal entre estos valores es 0. ¡--lglj .1.O6El conjunto de las z que se encuentran fuera del rango -1..=lD6 I'ig.lo que significa que se puede cometer error con una probabilidad de 0. Entonces puede decirse que esta z difiere signifícatiuamente de la que cabía esperar bajo esta hipótesis y se estaría inclinado a rechazar la hipótesis. Como se indica en la figura. se puede estar con el 957o de confianza de que. entonces hay aproximadamente 5 ocasiones en 100 en que se rechazaría la hipótesis cuando debería ser aceptada. En la práctica se acostumbra a utilizar niveles de significación del 0. supóngase que con una hipótesis dada.96 constituyen lo que se llama región crítica o región de rechace de Ia hipótes¡'s o región de significación. es decir.96). se puede formula¡ la siguiente regla de decisión o ensayo de hipótesis o signi{icación: (o) Se rechaza la hipótesis al nivel de significación del0.7-l Sin embargo. De acuerdo con lo dicho hasta ahora. Esto no es tah sencillo como pueda parecer puesto que para un tamaño de muestra dado.05 o que la z obtenida del estadístico muestral dado es significatiua al niuel de significación del 0. lo cual puede ser o no ser posible. la distribución muestral de un estadístico S es una distribución normal con media p" y desviación típica o". Entonces la distribución de la variable tipificada dada por Z : (S ¡.01. El área total sombreada 0. 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. Así pues.05 (área sombreada de la figura) si la hipótesis fuese verdadera. En tal caso se dice que la hipótesis ha sido rechazada aI niuel de significación del O. Esto equivale a decir que el estadístico muestral observado es significativo al nivel del 0.. el valor de e obtenido de una muestra real para el estadístico S se encontrará entre 1.96 a 1. la probabilidad de cometer error del Tipo I. un tipo de error puede tener más importancia que el otro.05 si la z obtenida para el estadístico S se encuentra fuera del recorrido . si al elegir una muestra aleatoria se encuentra que z para ese estadístico se halla fuera del recorrido .

-: ú1V11.10 0. o.33 -2. La Tabla 6-1.. 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.7l / ENSAYOS DE HIPOTESIS Y SIGNIFICACION 2L3 (b) Se acepta Ia hipótesis (o si se desea no se toma decisión alguna) en caso conhario.8I -3. Cuando es necesário se utiliza la desviación muestral observada s (ó G). Debe ponerse de manifiesto que puedgn igualmente emplearse otros niveles de significación. donde o es la desviación típica poblacional y n es el tamaño de la muestra. Los co. 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). se pueden encontrar utilizando la tabla que da las áreas bajo la curva normal. Por ejemplo. Valores críticos de z para otros nivelei de significación. aceptaríamos -EI6 de que la media poblacional es p : o utiliza¡íamos el estadísti-EÍe (o al menos no lo . Tales ensayos se llaman ensayos de una cola o ensayos unilaterales. Ia región crítica es una región a un lado de la distribución. los resultados son para poblaciones infinitas o para muestreo con remplazamiento' Para muestreo sin remplazamiento de poblaciones finitas los resultados deberán modificarse. 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. Tabla 7-1 Nivel de significación o Valores críticos de z para ensayos unilaterales Valores críticos de z para ensayos bilaterales 0.88 y -1. página 195.01 se sustituiría 1.96 y -2.81 2.002 ó -t. Entonces. que da los valores críticos de z para ensayos de una y dos colas a distintos niveles de significación. 1. con área igual al nivel de significación.96 1.645 1. Medias.58 2.la X-. es decir.05 001 45 0. En cada caso.28 1. es decir. utilizando un ensayo de dos colas. Si4 embargo. En tales casos. tss =. puesto que la suma del nivel de significación y el nivel de confianza es L00%. con frecuencia se puede estar solamente interesado en los valores extremos a un solo lado de Iá media.005 0.645 y 1. como por ejemplo.08 ENSAYOS ESPECIALES DE SIGNIFICACION PARA GRANDES MUESTRAS Para muestras grandes.6 1.58 ó -2.58 2.58 y -2. media muestral. media poblacional.28 ó -1. en una "cola" de la distribución. Z = -. si se utilizase el nivel del 0.645 cí 2.33 ó -2. para estimar o. será de utitidad para propósitos de referencia.08 y 3. La Tabla 7-1. = op: o/1/i.i: ¡t. Por esta raz6n.58 (véase Tabla 7-L).96 en todo lo visto anteriormente por 2.cAP..88 2. Véanse páginas 158 y 160. Para ensayar la hipótesis nula (f) co (I ). tales ensayos se llaman ensayos de dos colns o ensayos bilaterales. puede también emplearse. en las dos "colas" de la distribución. La variable tipificada viene dada por Aquí S : X.

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

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

01 u y la rechazaríamos de otra forma. provienen o no de la misma población normal. (rz' . y después utilizar como estima de o2 la media ponderada (n.05 (y por tanto concluiríamos que f/..3¿ son estimas insesgadas de oi combinar los datos. es correcta) si la varianza muestral específi- ca.t. Esta es la uarianza 3.2L6 ENsAyos DE HrporEsrs y srcNrFrcAcroN / Se'tt.1)^ii + fn. Por tanto rechazaríamos Hs. 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.0.. primero anotamos que F en (16) tiene la distribución F con fr . n . por ejemplo. El empleo de (12) está plenamente justificado al hacer o. aceptaríamos. Si ¡/o denota la hipótesis nula de que no hay diferencia entre las varianzas poblacionales.t n. 4. Un resultado otro nivel. es decir = o3.EIo (o no la rechazarí4mos) en el nivel 0. de que la varíanza poblacional es mayor que o2 emplearíamos la hipótesis rilo .1. cuyas varianzas medidas son sl y sr2. en el nivel 0.. . utilizando un ensayo de dos colas. * n. En algunos problemas deseamos decidir si dos muestras de tamaños m y n respectivamente. En este caso utilizamos el estadístico (véase página 161) F= donde (16) fi. t La distribución de ? es una distribución de Student conv: n. Varianzas. . pero entonces emplearíamos un ensayo de una cola.05 si X. página 159. sí sí = F'o.s'. Entonces si una muestra aleatoria de tamaño n tiene varianza s2 aceptaríamos flo . Bajo esta hipótesis (16) se convierte en "! F::-l q2 q2 \.) (17) Para ensayar esta hipótesis al nivel 0. basados en el ensayo de dos colas.10 si Fo. 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 .oz : o en(12). fuera tal que nsz t2 y aceptaríamos IIo (o al menos no la rechazaríamos) de otra forma. Entonces. combinada obtenida al donde ^31 t .1 grados de libertad. (/8) y lo rechazaríamos en el caso contrario. fi son las varianzas de las dos poblaciones normales de donde se extraen las muestras. s2.1 grados de libertad. -2 gradosde'libertad. .s? + + n. (o al menos no la rechazaríamos) en el nivel 0.'oz¡ o<nsz< (14) semejante puede obtenerse para el nivel 0. .J)9j 1) + (nz -1)-- l' n. Para ensayar la hipótesis H. Relaciones de varianzas. y o!.

GRAFICOS DE CONTROL DE CALIDAD importante conocer cuándo un proceso ha cambiado suficientemente. es posible frecuenten llamadas "modelos" o distribuciones "esperadas") tras de la población. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 2t7 R.29).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. se describe más adelante. como a veces se le llama (véase Problema 7. r a¡ la bondad d.14).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. .33.cAP. el enmyo chi-cuadrado. Los gróficos de control suministran un método útil y sencillo para tratar tales problemas (véase Problema 1. El método utilizado general: típica de la muestra para estimar la media y des 7. POTENCIA DE UN ENSAYO Se ha visto cómo el error del Tipo I pued.elo vn vn Por tanto. la si de modo que puedan darse los pasos rápid ejemplo en control de calidad. A pesar de que la necesidad de tales intervalos es rara' es posible definirlos (véase Problema 7. significación.32 y 7. etc. CURVAS CARACTERISTICAS DE OPERACION. (/ ) en la (1e) ñ _ L.7. por ejemplo. en muchos casos utilizan a menudo curuos característícas de Ia opet las probabilidades de errores del Tipo II bajo dife cómo en ensayos dados se logra minimizar los errt ensayo para evitar el toma¡ decisiones equivoci mostrar. Un resultado semejante para_ ensayos de una cola requeriría intervaloi de confianza unilateralás. conviene utllizar papel grófico de curua normal o papel grófico de probabilidad. poüíamos realmente emplear el intervalo de confiaíza del Capítulo 6 para e¡¡sayar ttipótesir. 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.31). El problema de ensay En un intento para determina¡ si una distribución normal representa un buen ajuste para datos dados.30. Útt "trrayo ajuste de distribuciones teóric as. donde s camb se deben simplemente a fluctuaciones causa de deterioro en las máquinas. qué tamaños de muestras deben emplearse. Sin embargo.05 es eq pigtm 195 conducente al intervalo de confianzadel96"/o se puede obsenrar que existe u eoría de ejemplo.136 y también Problema 6. érrores de los empleados. Es posible evitar el riesgo de error < nunca la hipótesis. al menos en el caso de los ensayos de dos colias.

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

En la práctica. las frecuencias observadas y esperadas concuerdan exactamente.L . . la prueba chi-cuadrado puede-ser empleada para determinar de qué forma distribuciones teóricas talés como la normal. por (21) se muestral a Como se demuestra en el elección de or tanto. mayores son las discrepancias entre las frecuencias obsen¡adas y esperadas. se calcula el estadístico (2tt\ x2 = ?g#a donde la suma se extiende a todas las casillas de la tabla de contingencia.05 a 0.| si las frecuencras esperadas pueden calcularse sin tener que estimar parrámelros poblacionales con los estadísticós muestrales. La suma de todas las frecuencias obsenadas se denota por n y es igual a la suma de todas las frecuencias esperadas [comparar con la ecuación (22)1. TABLAS DE CONTINGENCIA (léase "1por h"). c aproxima muy estrechamente ción mejora iguales a simbolo en (-21) si las frecuen para los valores superiores. mientras que si ¡z. contiene hh térmnos. aq con cierto recelo. las frecuencias esperadas se calculan de acuórdo con una hipótesis flo. rechaza llo al nivel de significación correspondienl rechazará. hay un-a y según las reglas de probabilidad' o esperada gue se calcula bajo ncia se llaman frecuencías elemen' q.-Este procedimiento se llama ensayo o prueba de ehi-cuadrado de la hipótesis. d. El número de gradosrde libertad z está dado por (a) v : h . aquellas que se obtienen de los datos muestrdes. en cuyos casos se decide que i" concordancia es bastante buena a los niveles de significación de 0. los símbolos X¡ Y nP¡ representan respectivarnente las frecuencias obsenradas y esperadas en la casilla i. ó Xl.ENSAYOS DE HIPOTESIS Y SIGNIFICACION Si v2 : 0. no toinciden exactamente.44.01 respectivamente.) 0. etc.Si bajo esta hipótesis el valor calculado de x' como xf.r.1 de las frecuencias esperadas. es decir.. Esta suma que es análoga a (21).re ócupan ias corliilas de uná t tales.j*h a distribuciones empíricas. cero debe mirarse demasiado bien con ncias obiervadas concuerden en que x2 estÉ muy próximo Además de aplicarse a la distribución multinomial. de Poisson.. A valores mayores de y2.m si las frecuencias esperadas solamente pueden calcularse estimando m parámetros de la población a paftir de los estadísticos muestrales. en las que las fre tabla de clasifict¡' tabhs gencia.. La frecuenciá total de cada fila o columna es la llamada frecuencin marginalPara estudia¡ el acuerdo entre las frecuencias observadas y esperadas.e contin- Correspondiéndose con cada fiecuencia obsen¡ada en una tabla de contingenciahX k. las esperadas. ó ¡f. que son los valores crít -se deduce que las frecuencias mente). Adviértase que el restar 1 a k es a causa de la óondición restrictiva (221 que denota que si son conocidas k . pu-esto queDebe advertirse que en a. paíá examfuia¡ tales situaciones se puede determinar si el valor calculado 4" I' ": -"noi eue ¡2". (blv : k . la fiecuencia restante puede ser determinada. Véase Problema 7. se .

Las tablas de contingencia pueden extenderse a un número mayor de dimensiones.L)(k .L\q 1) si las frecuencias-. como se ha visto en capítulos ant-eriores. ejemplo.t.*!4t_"p_4. (h . ión muestral muy próxima a la distribución no sean demasiaáo pequeñas.ü nPr En general.62.rtt" pr.1F nz si las frecuencias observadas pueden solamente calcularse estimando m parámetros poblacionares con los estadísticos muestrales. Et númeró áé É dado para h > l. la corrección se hace solamente cuando el @s) se conoce frecuentemente como corrección de Yates.48.. .L27\. Así por CORRECCION DE YATES PARA LA CONTINUIDAD .6g y 1. k il por (b) u : (h. el máximo valor de c viene dado por 1frn .ráU" de esto véase el Problema 7. que no es nunca superior a uno. .rytc (véanse problemas 7.220 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP.7 . Si el número de filas y columnas de una tabla de contingencia es ilrrh ah. se pueden tener tablas h X h X I donde estén presentes 3 chsúicaciones. También existe una modificación análoga de (24).Los ensayos de significación para tablas h x h son análogos a los de las tablas 1 X k. Para.. El número de filas y columnas de la tabla dg contingencia determina el valor rñáximo de C. La corrección consiste en poner (21) coimo sigue "r "pii""uié ¡2 (corregida) = tL\-g!)- !'5Y * !4-grP +. asociación o dependencia de las clasificaciones en una tabla de contingencia está dada por (26) que se llama coeficiente de contingencia. ? I estad de Y de es tal (a) v :. Una tripótesis normalmente supuesta es la de que las dos clasificaciones son independientes enhe si..Cuando se aplican a datos discretos los resultados para distribuciones continuas deben hacerse ciertas correcciones. número de grados de libertad es z : 1.esperadas pueden calcularse sin tener que estimar -parámetros ooblacionales con los estadísticos muestrales. A mayor valor de Q mayor es el grado de asociación. Una corrección análoga cuando se utiliza la distribución chicuadrado-. En COEFICIENTE DE CONTINGENCIA Una medida del grado de relación. Las frecuencias esperadas-son halladgf bajo una determinada hipóteiis llo.

En una escala continua. entre 40 y 60 caras inclusive es lo mismo que entre 39. 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. cuando en realidad es cierta.0358..en unidadee tipificadas = 60.lO 2. Hallar la probabilidad de obtener entre 40 y 60 caras inclusive en 100 lanzamientos de una moneda.5..) =. se dirá que esta z difiere significatiuamente de lia que cabría esperar si la hipótesis fuese cierta. probabilidad de error del Tipo I) se llama níuel de significación d. ambos inclusive. La regla de decisión se ve gráficamente en la Fig. (c) ¿Qué conclusiones se sacarían si en la muestra de 100 lanzamientos se obtuviesen caras? ¿60 caras? (d) ¿Podían ser erróneas las conclusiones de (c)? Explicar.5 y 60. Según la distribución binomial. está representado por el área total sombreada de Ia figura.'lóJ /1Yo .7-2 z (60. uo Pueeto que np o-{ffi=['r{ffi=' = _2.0. \ql .2./lY' (. Entonces la probabilidad de rechazar la hipótesis cuando es correcta : 0. .-210 caras) FiE.1.58%. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION 22r Problema.. /1Y.10) 7.s resueltos ENSAYOS DE MEDIAS Y PROPORCIONES UTILIZANDO DISTRIBUCIONES NORMALES 7. Para ensayar (c) Hallar la probabilidad de rechazar la hipótesis. 53 (o) (b) Por el Problema 7. Región de recbace ? El error que se puede cometer de rechazar la hipótesis (39. se acepta la hipótesis.0358.e la regla de decisión y es igual a 0. se rechaza.CAP.5 en unidades tipificadas = q9'5-:-E 60.0358 en este casc. el área total sombreada (es decir.5 caras.5 - 50 = 2..9642 : 0. Si en una serie de 100 lanzamientos sg obtiene una z entre -2.1. la probabilidad de no obtener entre 40 y 60 caras inclusive si la moneda está bien hecha 1 .10 y nq son ambas mayores de 5. (2) de otro modo.L0 y 210. de otro modo se rechaza y se decide que la moneda no está bien hecha. pues se habla de rechazar la hipótesis a un nivel de significación de 0. puede utilizarse para la er¡aluación de la suma anteriqr la aproximación normal a la distribución binomial. Por esta razón.tp = 1oo(. (b) Interpretar gráficamente la regla de decisión y el resultado del apartado (c).) +'noc.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. 39. Así. la probabilidad pedida es /1\'t0 'oocoo( i) /r \6r' . la hipótesis de que una moneda está bien hecha.0358 del apartado (o).0358 6 3.1O y z: 2.I0 Probabilidad pedida : : área bajo la curva normal e¡tíe z: 2(áreaentre z: O y z: -2. . cuando debería aceptarse q el error del Tipo.5 .'| rrx'ti'\r/ /tY' \-/ \-/ \-/ \-/ \-/ La media y la desvi¿ción típica del nf¡mero de ca¡as en 100 hnzamientos vienen dadas por t.I de la regla de decisión y la probabilidad de cometer este error es igual a 0. -. 7-2./ 1" (.que muestra la distribución de probabilidad de caras en 100 Ianzamientos de una moneda bien hecha.

960. sería el caso cuando la probabilidad de cara fuese realmente 0. SiZ:1.1.960 y ¡J + l.76y 32+ -1.96_ (2) Rechazar la hipótesis en cualquier otro caso.222 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.01 . caras se encuentra entre (2) es Se rechazá la hipótesis en caso contrario. entre 25 y 39 ambos inclusive.5000 0. es decir.? en lugar de 0. Entonces.95. 24. (2) Rechazarla en cualquier otro caso.96.58o.84. 89. . 2.bg (másexacüarnente 2.á bien hecha si en una muestra de 64lanzamientos de la moneda se toma un nivel de significación de {c) 0.7-B 2r Los valores críticos la Tabla 7-1- -1. se ve que con probabilidad 0. Así. Entonces. cada6rea sombreada en la Fig.01. ? (c) Según la regla de decisión.96(4)< (x6 32.96 equivale a .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.5i2:-1. Tercer método: y np+1.t6. Esto es lo que se debe afrontar cuando para tomar decisiones se toma cualquier línea de división. (d) Si. Siguiendo el mismo procedimiento del método segundo del apartado (o ). Entonces el área entre 0 y zr = 0.23-7.(X-32)14:-1.32.96. Diseñar una regla de decisión para ensayar la hipótesis de que una moneda est. -zr Fis.que también conducea ) obtenerse de la Tabla ?-1.96(4) la regla de decisión anüerior. es decir.96 y 1.96 < z < 1.1.O.58o y pt*.58(4):21.16 y 39.y z¡ : 1.84. es decir.Asípues.96{npq o entre 32 - 1.0050 :0.96 pueden ser también sacados de Para expresar esta regla de decisión en términos del número de ca¡ae a obtenerse en los 64 lanzamientos de la moneda.96(4): 1.1.25. 7.4950 ! zt = 2. (i ) Se acepta la hipótesis de que la moneda está bien hecha si el número de 24. Para mayor discusión véanse Problemas 7 rechazarse ea error del Tipo 1I de la . una posible regla de decisión es: (I ) Aceptar la hipótesis de que la moneda est:á bien hecha si Z está entre -1.96yñpq lleva a Ia regla de decisión anterior. pues.96 y 1. np.99 .5000 .575).84que 32) < 1.96(4) :24.3.96 <(x-gz)l¿.966X=24.96.16<X< 39. en ambos casos se aceptaría la hipótesis de que la moneda está bien hecha.96.96(4).32 y o -= t/iw = y'6llos)(05) = = (X p)/o 4 bajo Ia hipótesis de que la moneda está bien hecha.05.025 por simetría. nótese que la media y la desviación típica de la distribución binomial exacta de caras están dadas por ! .O25O : O-4750.005. Segundo método: Con probabilidad 0. El error que se comete al aceptar la hipótesis cuando debería decisión. Se puede argüir que con solo una cara más que se hubiese obtenido.np: 64(0.5) .5. el número de ca¡as se encontrará entre ¡¡ decir.05 y (b) 0. Se puede aceptar la hipótesis cuando realmente debería rechazarse como. Estopuedetambién - el número de ca¡as se encontrará entre lr 2. por ejemplo.2. el área entre 0 y zr es 0. g2-2. (b -1. Si el nivel de signilicación es 0.96(4)< X< 32 + 1. 7-3 es 0.58(4\: 42. Entonces Z la regla de decisión resulta: = (X - 32\14.84.(X-32)l¿:1-96óX:39.< 1.1. se habría rechazado la hipótesis. (o) Primer método: Si el nivel de significación es 0. cada área sombreada en la figura anterior es 0.

645. la media y la desviación tfpica del número de cartas identificad¿c correcüamente 3.np = 50(0. Algunos estadísticos adoptan la terminología de que lios resultados significativos al nivel del 0.6.05 pero no al nivel del 0.01.Puestoque32(ó 31. Fig. Y zr : 1. Esto puede también eacarse de la Tabla 7-1. la decisión rnantiene es decir. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 223 7.01 ¡on altomente significatiuos. Rechazar Ia hipótesis en ca6o contraúo. la regla de decisión del Problema 7.01. es decir.omete al aceptar una hipótesis que debería ser rectrazada.S. Asfrpues.P. Entonces el área enüre O y zt = 0.05 y el indiüduo tiene fue¡za de E. 7-4 de modo que el área sombreada en la región crítica de r¡alores alüos sea 0. ¿Cómo se podría diseña¡ una regla de decisión en el Problema ?. puesüo que 32 en una eecala continua está entre 31-5 y 32.25\15.3(b) serfa: (I ) (2) No recltzz.645 los resultados Be deben a la casualidad. Seglrn la üerminologfa. en lugar de aceptar la hipótesis. Para evitar este etlor. se concluye que al nivel del 0. Es desconocido-para el zujeto cuántas cartas rojas o azules hay en el lote.98 es mayor que 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. se concluye que los resultados del experimento anterior wn probablemente significatiuos.98 (ó 1.05.4900Y2r:2. los resultados son significativos al nivel del 0.5 y el sujeto tiene fuerza de E.5) = zb ! o=\/wq = /86(05)(-05) = ¡/Es = (a) Para un ensayo de una cola al nivel de significación de 0.ar la hipótesis si el número de caras se encuentra e¡fte 22 y 42 inclusive.P.33.64: 1.05 y (b) 0. Si la hipótesis está dado por ff6 es cierta. de modo que posteriores investigaciones del fenómeno están probablemente justificadas. sino en la facultad de obtener aciertos numerooos.84) que es menor que 2. 7-4 Puesto que 32 unidades tipifrcadas (32 .33.4. Sin embargo. Si el zujeto identifica conectamente 32 cartas' determinar si los resultados son significativos al nivel de significación de (c) 0. la regla de decisión o enaayo de significación es: (f ) Si la z observada es mayor que 1.S. 7.5. es decir.entonceseláreaent¡eOyzt:0.645.P. Una completa discusión de tales casos requiere l¿ consideración de errores del fipo II (véanee hoblem¿s 7. los resultados significativos al nivel del 0.54 p=.P.05.645.01.26)13. se deduce que los reeultado¡ no son significaüuos al nivel de 0. (I) ee Adüértase que tealmente debería aplicarse una conección de continuidad.84 llegándose a Ia misma conclusión anterio¡.5) en unidades tipificadas es 1.3 que evite el enor del Tipo T? El error del Tipo I[ se c. mientras que los resulüados significativos a niveles superriores al 0.4500.26'). Sin embargo.S. . Así por ejemplo. lo que se hace es simplemente no rechazarla.05 el individuo tiene fuerza de E. p es la ptobabilidad de que el sujeto elija conectamente el color de una catta. no significativos al nivel del 0. en muchos ejemplos prácticos es importante decidir si una hipótesis debe eer aceptada o rech¡zada. 31. Se elige un ensayo de una cola.01 son probablemente significotiuos.23-7. entonces se tiene que decidir entre las dos hipótesis siguientes: Si Hoi p: 0. lo que efnificarfa que ee rehuaa cualquier decisión en este caso.5 .64:1.06 se debe elegit z1 en la Pig.06 son no significatiws.5 üiene un valor tipificado de (31. puesto que no se está interesado en la facultad de obtener valoree bajos.5 V el sujeto está simplemente adivinando. zl (2) Si z es menor de 1. En un experimento sobre percepción extrasensorial (E.cAP. (D) Sielniveldesignificaciónes0. los resultado¡ son totalmente casuales Ht: p ) 0.S.

\/"pq = /?2ooxo. con una desviación típica de 120 horas.9)(o.7. El fabricante de una patente médica sostiene qu€ la misma tien'e un 9O% de efectividad en el alivio de una aler_gia.r es la duración media de todos los tubos producidos por la compañía. entoncegz¡ : -2. (2) En caso contrario. (2) Se acepta l/6 (o no se toma decisión alguna) en caso contrario.viacióntípicaop:s/1/i.En una muestra de 200 individuos que tenían la alergia la medicina suministrada alivió a 160 personas.dondegvoscnlamediayladesviacióntípicadelapoblación de todos los tubos producidos por la compañía. lt:1600 hora. .96 a 1. que es mucho menor de -2.5).33.01. puesto que Ee esüá interesado en determinar si la proporción de gente aliviada por la medicina es demasiado baja. (a) Paraunensayobilateralalniveldesignificaciónde0. si el área sombreada en la Fig.9 y la aseveración Se elige un ensayo unilateral. es decir. 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. Si ¡. . Asípues. algunos estadísticos citan las probabilidades reales inherentes.r¡ = a.s. El estadístico bajo consideración es la media muestral X.5(b). 3. Se tiene que decidir entre las dos hipótesis: Ho. Determinar si la aseveiación del fabricante es cierta. 7-5 es 0. 7-5 toma como regla de decisión: (1) La aseveración no es legítima si Z es menor de -2.6. o de la Tabla 7-1.23: -4.224 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP. altamente significatiuos (véase final del Problema ?. Entonces tre las dos hipótesis: se debe decidir Ho: p: 0..23. por un período de 8 horas. como puede deducirse del koblema 7.$) : 1AO y " - 7.33. Si se toma el nivel de significación del 0. comprobar la hipótesis ¡¡ : 1600 horas contra la hipótesis altemativa r¡ # 1600 horas con un nivel de significación de (a) 0.01 .05 y (b) 0.P. ta probabilidad citada en-este caso 0.9 y la aseveración es correcta es falsa Hy: p10.l8O)14. La duración media de una muestra de 100 tubos fluorescentesproducidosporuna compañía resulta ser 15?0 horas. Denótese porp la posibilidad de obtener alivio de la alergia utilizando la medicina. mediante la simetría de la curva. Por ejemplo. es sobre el 3 por 100.01. en este problemapuesto quep(Z > 1. se llama a veces niuel de significación erperimental o descriptiuo. La distribución muestral de X tiene una media r¿x-Éyunades.84):0.S.96.0322. 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.Ossetienelasiguienteregladedecisión: (/) Se rec}raza 116 si la z de la media muestral está fuera del rango .1. 7 Puesto que los niveles de significación sirven de guía en la toma de decisiones. Se zl Fig. H1: ¡t* 1600horas Un ensayo bilateral debe utilizarse aquí puesto que g * 1600 incluye valores mayores y menores de 1600.33 (en cuyo caso se rechaza H¡). la aseveración es legítima y los resultados obtenidos se deben a la casualidad (en cuyo caso Si se acepta 116 ). Ahora 16O en unidades tipificadas (160 .

33 los resultados son significativos al nivel de 0.645.cAP.9.T-Stieneunáreade0. Las decisiones concernientes a hipótesis'lfe dadas.7 Como en el Problema de significación del 0.645.96 a 1. 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.05.01? Se tiene que decidir entre las dos hipótesis: Ho: lJ: Ht: lt > 1800 libras. (1 Hs si Z es menor de -1.33.9 6. que es menor de -1 .01. laregiónsombreadadelaFig.50 se encuentra dentro de este rango. se tiene X-p ol\n 1850 . puesto que z -2.s frente a la alternativa horas. (2) S. el rango -1. Al nivel de significación del 0. (a).7.1800 -------------ó. se ensaya una muestra de 50 cables y se encuentra que su resistencia media es de 1850 libras. el valor de e es -2.0Sysetieneque zt : Se adopta.05.96 en la regla de decisión del apartado (c) se sustituye por -2.33. Bajo la hipótesis de que (I es rechazada. basadas en ensayos de una o dos colas. el valor de z es -2. ' (b) Si el nivel de significación es 0.33. y realmente no hay cambio en la resistencia 1800 libras.1600)/12 : (L570 .01. Como en el Problema 7. Adviértase que esta decisión es la misma que la obtenida en el Problema 7. ¡. se rechaza /16 al nivel de significación del 0. que es menor de -2. Adviértase que esta decisión es idéntica a la obtenida en el Problema 7. naturalmente esperarse.50 se -l . Se ¡ecltaza 7 . Mediante una nueva técnica en el proceso de fabricación se aspira a que esta resistencia pueda ser incrementada. acepta H6 (o no se toma ninguna decisión) en caso contrario. Entonces. ) (2) Se acepta.50. 7-4).05 y (b) 0. y hay un cambio en la resistencia Aquí debe emplearse un ensayo unilateral (véase Fig.F/0 (2) De otro modo. Debe aquí utilizarse un ens¿ryo unilateral (véase Fig. Para ensayar esta aspiración. en efecto. 7-5). no están siempre en concordancia. De aquí se deduce que los resultados son olúamente significatiuos y Ia aspiración de mejora debe ser admitida. Esto cabe.01 eI valor de z1 en la Fig. ensayar la hipótesis p : 1600 hora.01. con los niveles de significación de (¿) 0. Puesto que / : (X .7(a) mediante un ensayo bilateral.8. (a) Sielniveldesignificaciónes0. . II1: ¡t{ 1600 horas. Ilo es aceptada (o no se toma decisión alguna).96 a 1 .58.7(a).05. I/e es cierta. /ls al nivel de significación del 0. 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. utilizando la desviación típica muestral como una estima de o.01 y. se rechaza pues. por tanto la regla de decisión: -L.645.58 a 2. se tiene g : 1600 y o* = a/t/n = 120/\/L00 = 12. hay un aumento de resistencia al nivel de significación del 0. En el Problema 7. De aquí que se adopte la regla de decisión: (I ) Se rechaza H¡ si Z es menor de -2.¿ 7. fle al nivel (b) Si el nivel de significación es de 0.01 la regla de decisión es: ) Si eI valor de z es mayor que 2.01.1600y12 : -2. ¿Puede mantenerse que. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 226 eneuentra fuera del rango Bajo la hipótesis I/6. 7-5 es -2.50.oo loo/v5o que es mayor de 2.33. Se debe < 1600 decidir entre las dos hipótesis: Ho: lJ: 1600 horas. 7.Ff6 (o no se toma ninguna decisión) en caso contrario.7(b) mediante un ensayo bilateral. se rechaza pues.

z ENSAYOS RELACIONADOS CON DIFERENCIAS DE MEDIAS Y PROPORCIONES 7. = o*r-fr. n2 = 0.645.96 a 1.11. se rechaza la hipótesis lls si el valor de z fuese mayor de 1.10. Para un ensayo bilateral. Así pues.58.05 pero no al de 0. !40*50 = 1. p2 .5 pulgadas.lp. no se puede rechazar la hipótesis a este nivel de significación. (b) 0. 7. ¿Hay una diferencia significativa entre el restfltado de las dos ciases al nivel de significación de (a) 0. se tiene que Supóngase que las dos clases provienen de dos poblaciones que tienen de medias respectivas decidir entre las hipótesis: l\ y tJz.05.10 si se está dispuesto a correr el riesgo de tomar una decisión errónea con una probabilidad de 0. Debe sin embargo ponerse de manifiesto que la hipótesis puede rechazarse al nivel de 0.8 pulgadas. ambas clases provienen de la misma población. es decir. La estatura media de 50 estudiantes de un colegio que tomaban parte en las pruebas atléticas fue de 68. se deduce que los resultados son probablementesignificatiuos. =o n*r-rr"= "? . = 1# = -2. Se debe decidir entre las hipótesis: Ho: llt : H t: Ft ) Bajo la hipótesis.la estatura media del primer gtupo ^o hay diferencia entre las estaturas mediases mayor que la del segundo ur?.0ó hay una diferencia significativa entre las dos clases y la segunda es probablemente mejor. "Z= l8r. Se hizo un examen p dos clases formadas por 40 y 50 estudiantes respectivamente.05.96. La media y la desviación típica de la di- uir-i.01 no hay diferencias significativas entre ambas clases. Entonces z= (a) (ó) Pata un ensayo bilaüeral. Enton- Bajo ferencia de medias están dadas por Ho: ltt : llz..58 y 2.01. mientras que en la segunda clase la puntuación media fue de 78 con una desviación típica de 7.01? ces.01 si Z se encuentra fuera del iritervalo -2.2 pulgadas con desviación típica d.El6 .hay una diferencia significativa entre las dos clases la hipótesis lls.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. mientras que 50 estudiantes que no mostraban interés en tal participación tenían una estatura media de 67.-*.05 si Z se encuentra fuera del recorrido -1.e o1 y o2.4s Puesto que los resultados scin significativos al nivel de 0. = o n*r-'^" = !t-". de acuerdo con la terminología utilizada al final del Problema 7. . Ensayar la hipótesis de que los estudiantes que participan en las pruebas atléticas son más altos que los otros.226 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [g.606 donde se han utilizado las desviaciones típicas muestrales como estimas d.e 2.5. ltz . De aquí se deduce que al nivel de 0. I vez cada 10. los resultados son significativos al nivel de 0. De aquí se deduce que al nivel de 0. los resultados son significativos al nivel de 0. ?. ! la diferencia se debe simplemente al azar H t : Pt * ¡t2 .5 pulgadas con desviación típica de 2. ft1 "8. En la primera clase la puntuáción media fue de 74 con una desviación típica de 8. - l"? .10.

siendo en todo lo demás los dos grupos tratados idénticamente. = 0 V p". se r*}lrazaría lahipótesis1116 solamente si z fuese mayor de 2.75/\n 0.ir_*.zt. al nivel de significación del 0.09 3. (b) 0. padecen una enfermedad.?50 - = 1.05 si Yif-t'uou (b) La diferencia observada ó 1/-n=8. = p de curas 0. (ó) De acuerdo con un ensayo unilateral (c) Si se utilizase un ensayo unilateral al nivel de significación de 0. . Puesto que el valor de z es 1.10.5¡z ¡ ". respectivamente se han recuperado de la enfermedad.CAP.y el suero es efectivo Bajo la hipótesis 116."2 nn (2. (b) 0.30.01? Supóngase que el tamaño muestral de cada grupo eB n y qLe las desviaciones típicas manecen iguales a las de antes."io" dos grupos per- o*r- *. se rechazaría la hipótesis IIs solamente si z fuese mayor de 1. respectivamente las proporciones poblacionales curadas ( I ) utilizando el suero .#) = 0.ebr(-#.54.tt d \/a>r2.r-r. Entonces.75 y 65 individuos.650 0. se tiene .05. se deduciría que el suero es efectivo al nivel de significación de 0. Puesto que esta condición es satisfecha. Se administra un suero al grupo A.zorro.0648 ro.o*r-*. Entonces ry- en los dos grupos muestrales el valor (?5 * P.7 3. Se encuentra que en los grupos Ay 8.10 se rechazaría f/e solamente si el valor de z fuese superior a 1. Dos grupos A y B fo¡mados cada uno de 100 individuos. (c) 0:10.II para que la diferencia observada de 0.5 ó t57 n>1b? 50 De aquí que se debería incrementar cada muestra en al menos : lO7 .01.xz 4 . Se debe r! p2.r. el suero no es efecüivo Ho: Pt : Pz. Denótese por P utiliza¡ suero. Ensayar la hipótesis de que el suero ayuda a curar la enfermedad al nivel de significación del (a) 0. 7._P" orr. ¿En cuánto deberíán incrementarse los tamaños de muestra de cada uno de los dos grupos en el Problema 7.54 (c) De acuerdo con un ensayo unilateral al nivel de significación del 0.13. deberá incrementarse el tamaño de cada grupo en ?8 será significativa al nivel de 0. pero no al grupo B (que se llama gtupo control).L2. H t : pt ) pz. 0. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION 227 7. (a) o.28.75 n .7 pulgadas en las estaturas medias sea significativa al nivel de significación (o) 0.33. se debe deducir que los resultados se deben al azar a este nivel de significación.0648 donde se ha utilizado como estima de la proporción 65)1200 : 0.70 y donde q : 1 p : 0.01. 14. De donde se deduce que a este nivel tambiénlas diferencias se deben al azgt.645. urr-r'. = o o. bajo la hipótesis tiI6.7 observada en las estaturas medias se tiene xt . (2 ) sin decidir entre las dos hipótesis: es decir.05..l las diferencias observadas son debidas al az.05.8 í¡ n>78 50 Así pues.7\n 3'75 La diferencia observada será significativa al nivel de 0. ui'!!=r.01 si : 28 al menos.t. = o?./" Para la diferencia de 0.

_ 1. 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. Solucionar el Problema 7.528 = z - P.750 = ro. Por otro lado. En tales casos. en muchos casos es imposible el aumentar el tamaño de la muestra. Puesto que éste es el caso. decir.48)(200)l/500:0.33.zt y 195 del grupo B.-t'r= se ú'G. Este es un riesgo que nb siempre deseamos suponer. se debe decidir entre la hipótesis (Ho : P t : pz\ y (Ht : P t * pz). Denótese por pr y p2 las proporciones de todos los votantes de los distritos A y B.228 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. Al nivel de significación del 0. .01 de equivocación. 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. l'pr-pz = donde (225 0 ú¡'.P" = rrar.14.01. Bajo la hipótesis ^FIe.6b0 respectivamente.67 es puesto que el valor de z es mayor de 2. ?. Esto muestra cómo al incrementarse el tamaño de la muestra aumenta la seguridad de las decisiones.sol( r*-L * r*-L ) : 0. se rechaza É16 a este nivel y se deduce que el candidato es preferido en el dis' trito A .56)(300) 0. . Una muestra de 300 votant€s del distrito A y 2O0 del distrito B mostró que el 66% y el 48% respectivamente.195y600:0.528 l'75 y 1-0." 0. respectivamente. que se estudia con un ensayo unilateral. z Adüértase que las conclusiones anteriores dependen de lo que se esté dispuesto a arriesgar de tomar una decisión erróneá.750 y 195/300 Adviértase que en este caso la proporción de gente curada en los dos grupos son 225/300 : 0.05 se rechaza H¡ si Z fuese mayor de 1.Puesto queZ:1. Si los resultados se deben realmente aL azar y se toma la decisión de que son debidos al suero (error del Tipo I). se debe decidir entre la hipótesis (f/e ). que son las mismas del problema anterior.96a1.560 dondesehautilizadocomoestimadepyqlosvalores +(0. Bajo la hipótesis (Ho: pt:pr ) se tiene l¡. (¿) Si solamente se desea determinar si hay diferencia entre los distritos..zol ro. se está forzado a toma¡ decisiones en acuerdo con la información utilizable y asÍ se tendrá que correr mayor riesgo de tomar decisiones erróneas.13 si cada grupo dividuos del Grupo. que se estudia con un ensayo bilateralCon un ensayo bilateral y al nivel de significación del 0. se compone de 300 individuos y si se curan 225 i* : 0.0. = ú(¡D=@=00456 f(0. se deduce que el suero es efectivo con solo una probabilidad de 0.?S..0374 ..70 utiliza como estima dep. se puede rechazar la hipótesis al nivel de significación del 0. Entonces 0. estaban a favor de un candidato dado.96.480 = -0^0456== nivel.15.-P.472. se puede proceder a dar el'suero a grandes grrlpos de gente solamente para obtener entonces que realmente es inefectivo.05. se rechazaría Hs si Z estuviese fuera del in' tervalo-1 .t 0. Sin embargo. z=ñ= - = 2.encontrándosedentrodelintervalonosepuedetechazatH¡ a este (b .650 0. Entonces = 0 or. Co¡r un ensayo unilateral y al nivel de significación del 0. es decir.05 ensayir la hipótesis de que (o) haya diferencia entre los distritos. ?. (b) el candidato sea preferido en el distrito A.0374 P. que están a favor del candidat<¡.645.

36. -1:5 gradosdelibertad da ?) -2.25.17. ) Para un ens¿ryo bilateral al nivel de significación del 0. que para 10-1 tad es el intervalo -3.F/6 eri caso contrario.050. que resulta tener un grosor medio de 0. En el pasado una máquina ha producido arandelas con un grosor de 0.F/s. se rechaza Puesto que ?: 3.05 se adopta la regla de decisión: (I) (2) (ó) Se acepta fle si f se encuentra dentro del intervalo-f cz¡ a f e75. Se desea decidir entre las hipótesis Ho: lt:0.6).cAP.25 a 3. = 4---f.05. Puesto que T = -3. Se rechaza.00. se dice que lamuestraresultaproboblemente significatiua (véaee la terminología del final del Problema 7 .05. y la máquina Ht: P + 0. se encuentra en buenas condiciones no se encuentra en buenas condiciones Bajo la hipótesis (o H¡ se tiene . Ya que se rechaza lls al nivel 0. se toma una muestra de 10 arandelas. y la afirmación del fabricante está justificada es falsa 1 : ¡t 1 8000 libras. Para determinar si la máquina sigue en buenas condiciones de producción. Se rechaza -1 :9 gradosde lls en caso contrario.. se acepta. Se deduce que la afirmación del fabricante es extremadamente improbable que esté justificada.01.un.01 se adopta Ia regla de decisión: (I ) (9) Se acepta .16. Se rechaza. Para un ensayo bilateral aI nivel de significación del 0. que para 5 grados de libertad da 7') -3. se adopta Ia regla de decisión (l) (2) (b Seacepta116 si ?esmayorde -ú. : ) Para un et¡sayo unilateral al nivel de significación del 0.i6= = -8. : 9 grados de liber- Puesto que ?: 3. lo cual para 10 libertad es eI intervalo -2. á ú.F/6 si ? se encuentra dentro del intervalo --f. (b) 0.00. y la afirmación del fabricante de modo que se requiere un ensayo unilateral.4!9 ú0 -t -_. se adopta la regla de decisión (1) (2) Se acepta f/¡ : si ? es mayor de -f. (b) 0.o. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION Ú ENSAYOS RELACIONADOS CON LA DISTRIBUCION DE STUDENT 7. I/6 al nivel de 0.053 pulgadas y una desviación típica de 0.05 .ee.ee5.86.F/e en caso contrario.01? Se tiene que decidir entre las hipótesis Ho:. se rechaza ffs . H lJ: 8000 libras. ABI sería aconsejable comprobar la máquina o al menos toma¡ otra muesha.86. 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.Efs al nivel 0.01.01 .00.003 pulgadas.86 .01 . que para 6 Se rechaza.g.05. se rechaza .050 pulgadas. Bajo la hipótesisae se tiene (o .26 a 2.L7¡"- 1= ?l|'!-_99rnJ . -t/n- t = 9!$-. Ensayar la hipótesis de que la máquina está en buenas condiciones de producción al nivel de significación del (o) 0.05 pero no al nivel 0.f. . : ) Para un ensayo unilateral al nivel de significación del 0. y la máquina de modo que se requiere un ensayo bilateral.01. ¿Se puede admitir la afirmación del fabricante aI nivel de significación del (a) 0.050. 7. .26.É16 elr cáso contrario. Puesto que ? -B .

ffi + 12(0-36)2 t/".01. de los dos grupos.76. "t/U"t+ Y"2 donde o - n.05.16 + 74 . Para ello.01.4012 =o'397 v T= 5.01.1 fanegadas con una desviación típica de 0.ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. y ¡r2 las medias poblacionales del decidir entre las hipótesis I. La media de trigo conseguida en las parcelas no tratadas fue de 4. se tiene que Ho: lt : ltz ! no hay diferencia esencial entre los grupos Hti ltt =* tlr.05. ? ?.1 - 4. no se puede rechazar É16 al nivel de significación del 0.y el fertilizante incrementa la producción Bajo la hipótesis I/6.2 : 72 + t2 . lo cualpara n1 * nz . mientras que la media en las parcelas tratadas fue de 5. 7. se rechazará la hipótesisl{6 si ?se encuentra fuera del recorrido --t r¡g¡. En una estación agrícola se deseaba ensayar el efecto deun determinado fertilizantn sobrela producción de trigo. Así pues. (cociente de inteligencia) de 16 estudiantes de una zona de una ciudad dio una media de 107 con una desviación típica de 10. de los estudiantes de las dos zonas. n1*n2-2 "=!ffi (a) I 12(0. hay diferencia significativa entre el I.40 fanegadas. Así pues.O5 a 2.ee5.05.01. a ú. El I. T- xt-x.. Así pues. se rechazará Hs si T se encuentra fuera del recorrido -t. Todas las demás condiciones fueron las mismas.2: 28 grados de libertad es el recorrido -2. . Q. de los dos grupos al nivel de significación del (o) 0. eue para 28 grados de libertad es el recorrido -2. eue para n¡ I nz .y hay diferencia esencial entre los grupos Bajo la hipótesis lls.ctsa ú e75. (b) Con un ensayo bilateral aI nivel de significación del 0. de 14 estudiantes de otrazona de la ciudad dio una media de 112 con desviación típica de 8.36 fanegadas.85 Con un ensayo unilateral aI nivel de significación del 0. y (b) 0. Q. Q. Q. ¿Puede deducirse que hay un incremento significativo en la producción de trigo por el empleo del fertilizante al nivel de significación del (a\ 7% V Q) 6%? Si ¡¡r y pt2 son las producciones poblacionales medias en los suelos tratados y no tratados.18. mientras que el L Q.2 : 22gradosde libertad es 2.44\/ l/16 + l/t4 = 1. respectivamente. no se puede rechazar Se deduce que no 116 al nivel de significación del 0.45 (¿) Con r¡n ensayo bilateral al nivel de significación del 0.3s7\n/12 + Urz = 1.S! + nrS! n1 -ln2-2 Entonces t6+L4-2 =9.Ef6 al nivel de significación del 0.?6 a 2.19.8 fanegadas con una desviación típica de 0.01. no se puede rechazar. tiene que decidir entre las hipótesis se Ho: lt : ltz. se eligieron 24 parcelas de terreno de igual superficie. T= Entonces xt- X. "tf.ee. la mitad de ellas fueron tratadas con el fertilizante y la otra mitad no (grupo control). sé rechazará Ia hipótesis f16 si ? fuese mayor que ú. donde nrsl + n252. ¿Hay diferencia significativa entre el I.y la diferencia se debe al azar H t: pt ) tt1.2:.44 y T= ltz - t07 9.8 0.05? Si se denota por ¡l-.51.

aunque no hubo diferencia significativa en medias de las calificaciones. y la variabilidad se ha incrementado El valot de 12 para la muestra €8 X2 : nsz/sz :20(0.74 eí Entonces.1 : 19 grados de libertad.01. ¿Podemos concluir al nivel d-e significación del (c) 0. y los resultado¡ observados se deben alazar H 1 : o > O .05.tá h. f ( F.É16 al ni- Se deduce que la variabilitlad se ha.er:z.05 que la variabilidad de la clase B es mayor que la de la clase A? (o) Tenemos.Alnivel 0.cAP. se rechazará.sr.05 y (b) 0.Ffs al nivel de significación del 0.01 paraZ¡ = L5. Y deberá efectua¡se una revisión en la máquina. 24 grados de libertad (véase Apéndice F). no se rechaza. LaclaseA tiene lGestudiantes en tanto que la clase B tiene 25 estudiantei. En el mismo examen. Así..la clase A tuvo una desviaóión típica de 9 en tanto que la clase B tuvo una desviación típica de1'2.8g. lo cual para22 grados de libertad esL.máqlLlina era de 0.01 si el valor muestral de pues. F. que ás igual a 36. muestras en cuestión. llenados por una. El número de grados de libertad para las clases son respectivamente rr¡ :16-1:lb. ya que Ad F( F .?0. en una asignatura específica. Así puee. Una muestra aleatoria de 20 paquetes dio una desviación tipica de 0.06. empleando eubíndices 1 y 2 para las clasee A y B respectivamente. 4 = . (b) Ya que f'.Por tanto .ee : 2.01? Hay que decidir entre las dos hipótesis: Ho: o :0. sería deseable tener alguna prueba más. pues.2 para 19 grados sig de I O. A y B. Se deduce que el incremento en la producción de trigo alttilizar el fertilizante es probablemente significoúiuo.01.32)2/(O.1 para v : 20 .25 onzas. que es igual a 30. (o) (b) Mediante un ensayo unilateral.y la variabilidad de la claseA es mayor que la de la B La decisión debe por tanto baearse en un ensayo unilateral de la dietribución F.05.serechazarálahipótesisfl6si?fuesemayor que ú. (b) 0.oz.!4 = '*rrrr'= 1Eo Hay que decidi¡ entre las dos hipótesis : o ¡ = o2. sr g.LL para 15. y cualquier va¡iabilidad observada se debe al azol Íi1: o1>.01. probablemente incrementado. . p.v2 = 24 tenemos del Apéndice F. vemos que tampoco podemos rechazar. En el pasado la desviación típica de los pesos de ciertos paquetes de 40.ltle al nivel 0._Lr'? = if Itr¡ (e)2 = 86.4. sz :12 de modo -que G? = . = E = *n@ = r. ENSAYOS RELACIONADOS CON LA DISTRIBUCION CHI-CUADRADO 7.25 onzas. Sin embargo antes de sacar conclusiones definitivas referentes a la conveniencia del fertilizante.72. se rechaza.EI6 al nivel de significación del 0. se rechaza .8. ENSAYOS RELACIONADOS CON LA DISTRIBUCION ¡' 7-2L. Un instructor tiene dos clases. 9tt" 4'rn.Z5l2 = 82.0 onzas. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 237 (ü) Conunensayounilateralalniveldesignificacióndel 0.05 Si el valor de X2 muestral fuese mayor 9ue x?gs.EIe al nivel de vel de significación del 0.nn no podemos techazar ff6 al nivel 0. Entonces.05. Vz:26-L=24.25 onzas. se rechaza ^Ef6 al nivel de significación del 0. ¿Es el aparente incremento de va¡iabilidadsignificativa al nivel de signifióación del (a) 0.32 on?T. ¡12 fuese mayor- Mediante un enaayo unilateral.e5.

58 = 70 y'6oo)(oJ)(0.8. y después se calcula p.7 (es decir.102 -4. CURVAS CARACTERISTICAS DE OPERACION 7.5 4.6. número de caras en 100 lanzamienüos se encuentra entre 39. sino solamente si hay una variabilidad en las calificaciones.? .5 p=o.4) = 4.18 Entonces 9: área bajo la curva normal entre z : -4.18 yz : O. probabilidad de error del Tipo I) viene: dada por el área toüd c de la región sombreada ba.5 caras Fig. La probabilidad de rechazar Ffe cuando debería aceptarse (es decir. esta á¡ea d.jo la curva normal de La izquierda en la Fig. (c)p :0. En la práctica se pue' den presentar otras dos posibilidades: (I ) Se decide sobre c (tal como O.2L si existe una diferencia significativaenla media de las calificaciones de las clases? Justificar su solución. ?-6.5 en unidades ' = : r/"pq 60.232 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP.6)=60 ú = lnpq = 60.5 en unidades 39.5 39.7-6 Si la probabilidad de cara es p : 0.90 4. Puesto que la media real de las calificaciones no se usó para nada en el Problema 7 .5.¡O tn Entonces I: áteabajo la curva normal entre z --6'66 y z -2-O7 : 0.7 39 5 caras 60.90 V(100)(0.6)(0.24.Efs cuando realmente p : 0. .6. pues. ¿Canbiarían sus conclusiones en eI ProblemaT. Para calcular esta área se obeerva que la distribución bajo la hipótesisp : 0.7)=70 60. Con referencia al Problema 7 .58 tipificadas = üipificadas - = = : -2.? tiene una media y una desviación típica que Bon dadas por p=np=(100)(0.0192 Así. entonces la distribución de carag en 100 lanzamientos eetá representada por la curva normal de la derecha en la Fig. ?.66 to'l.J? neda está bien La hipótesis ff6 de que la moneda está bien hecha. es igual a 0.O1).0358. Adviértase que en este problema se tenía la regla de decisión de la que se obtenfa c y p.2L no inüeiresa su¡ valoree.5 4. rOalculada en el Problema 7. (a) Sip : 0. con la regla de decisión dada hay muy poco riesgo de aceptar la hipótesis de que la moneda eetd bien hecha.7.5 en unidades tipificadas = 39. 7-6. está dada por el área rayada p de la iigura. ¿cu6l es la probabilidad de aceptar la hipótesis de que la mohecha cuando la probabilidad real de ca¡a es p : Q. Esto es de esperarse ya que no estamos tratando de decidi¡ si hay una diferencia en las medias de las calificaciones.99 60.07 -6.5405 Asi pues.5 en unidades tipificadas = - 60 60 = = 0.6 p-0.7 7.2(ol. que representa el nivel de significación del ensayo de lfe. (b)p : 0. se acepta cuando el p = 0.3) = 4.2 es decir.tO2: 0.23. probabilidad de error del Tipo II). con la regla de decisión dada hay un gran riesgo de aceptar la hipótesis de que la moneda está bien hecha cuando realmente P : 0.22.ó y 60. cuando realmente P : 0.9' (d) P : O-4.6. En el diagtama se ve claramente que la probabilidad de acepLr . Solucionar el Problema 7. la media y la desviación típica de la distribución de caras vienen dadas por !=np=(100X0.23 si (a)p:0. llegando a una regla de decigión (2) Se decide sobre Q y P y después se llega a una regla de decisión.O5 ó O.

8. 7-1. 7-z (o) El gráfico p.9 0.1 0 0 (a) (D) Fig.5405 0.4 da el miemo valor deÉq. 1c) Comparando con (b) o por cálculo. Representar gráficamente los resultados de los Problemas 7./nW= 60. 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 : 0.88 -10.(a).6. p ee muestra en la Fig.eedecir. La Tabla 7-3 muestra los valores de p correspondientes a valores dados dep.9 1.se gla de la decisión o enoayo de hipótesis.25. el apuntamiento mayor de la curva OC es la mejor regla de decisión pa¡a techazar hipótesis que no son válidas.6 0.p:0.? 0.8 0.0 0.9642 y ha eido introducida en - L-p 1. Sin embargo.5 cuando realmente p tiene un valor distinto a 0.09ó8 al nivel de significa- En general. Esta probabilidad es igual a 1 0.t"p:0. .8 0.12 p: área bajo la curva normal entre z : -10. comolorobtenidosenlosProTabla 7-3 p B 0.6 0. (b) ( 1 p ) y p.23y7.2 0.7 0.8 0. Nótese que p representa la probabilidad de aceptar la hipótesis p : 0. Be ve que sip = 9.23y 7.5 0.5 en unidades tipificadaa 39. 7.2 0.enüoncea p=np = (100)(0.1 06 0{ 0.0192 0.9.3 02 0.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION y'(100X0-S)(0¿) 233 =¿.6 en unidadeb tipificadas Entonces = ry = q9? : = = -4. (d) Porsimetríap = 0.5.0000 0.0000 0.8) = 80 y o=.5405.0 0.24.12 y z -4.cAP.4 0.0000 muy aproximadamenüe.9642 0.0000 0. si realmente'p : 0.5 se puede interpretar p como la probabilidad de acepoar p : 0'5 cuando debiera ser aceptado.4 0.0000 la Tabla 7-3.6 0. blemas7.5405 0.6 0.0358 :0.0192 0. Interpreta¡ los gráficos obtenidos. (b) Sip=0.88 = 0.24 construyendo un gráfico cuyos ejes sean (a\ I y p..3 0.3 0.9 0.9: 0 pa¡a todos los propóeitos prácticoe.1 0.

de modo que realmente ambos gráficoe aon equivalenüee. que debieran ser rechazadas.26. (c) Diseñar una regla de decisión para rechazar el proceso primitivo al nivel de significación del 0. Para hallar su valor nótese que 307.33.310 libras? Supóngase que la desviación típica se mantiene en z4libras. tt: 300 li- Ia probabilidad de aceptar el proceeo primitivo cuando la nueva resistencia media sea realmente 310 libras se representa por el área É de la Fig.33) =30?. (2) Se'aceptqlfq pue¡to 'que z = cessi Z>2.0 libras en unidade¡ tipificadas : 300 (307. 7 -7 (b).e potencia. ?-8): (t ) Se rechaza lle si la e de la media de resistencia muest¡al es riayor que 2. suponiendo que la desviación típica de las ¡esistencias se mantiene en z4libras. *r.234 (D ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.P).01 si se pone dé manifiesto qu¿ debe rechazarse al ensayar 64 cuerdas. y el nuevo proceso es igud que el primitivo 300 libras. la regla de decisión anterior se convierte en: (I ) (2) (ó) Se rechaza 116 si la reeistencia media de 64 cuerdae excede a 30?. ae quiere decidir enhe las hipótesis: Ho: U: Ht: ! ) Pa¡a 300 libra¡. X>300+3(2.27.J = 't. y (Ht: tt: 310 libras).00. de aquí que A - 310)/3 = Fig. Una compañía fabúca cuerdas cuyas resistencias a la rotura tienen un valor medio de 300 li bry" y una desviación típica de 24libras. H t : ! -. Constmir (a) una curva OC v (b) una cun¡a de potencira para ei Problema 7. : -1. respectivamente con las distribuciones normales de la izquierda y de la derecha de la Fig.158?. se puede hdla¡ p para loe caeor en que el . es decir. i 800 *sz. en caso contrario. tiene la siguiente regla de decigión (referenüe eon la Fig.26(br. Esta curva ae obtiene ¡encillamente invirtiendo la curva OC.Enton= "lr/ñ 24/\/u Así. 7-9.33.0 tb 307 tb 3r0 lb -1. ¿cuál es la probabilidad de aceptar el proceso primitivo cuando en efecto el nuevo proceso incremente la resistencia media a.p) ¡e llama a menudo función d. (b) Bajo la regla de decisión adoptada en (a). Si ción (a) ! es la resistencia media. y el nuevo p¡oceso es mejor que el primitivo se un ensayo unilateral d nivel de significación del 0.00 = 0. es 7. Se acepta ^Éfs en caeo contra¡io. puesto que indica la aptitud o potencb de un ensyo para rechazar hipóüesie que son falsas.01.7-9 = iren. p ¡e muestra en la Fig. La cantidad p se llama tambiénfunción caructerístico de operoción de un ensayo.26. Razonando análogamente a como se hizo en el Problem¿ 7. Esta es Ia probabilidad de aceptar Ho: ! : 300 libras cuando realmente es la probabilidad de comeüer error del Tipo II. 7-9. Se cree que mediante un nuevo proceso de fabrica- puede inc¡ementarse la resistencia media.310 libras es cierta. Considérense las doe hipótesis (Ho: bras) Las distribuciones de las resistencias medias correspondiente¡ a estas dos hipóteeis se repreeentan. 7.9qo. bajo la curva normal de la derecha a la izquierda de z dect. I¡ cantidad (l . ? ) E gráfico (1 . ¡e llama curua de potencio de la regla de decición o ensayo de hipótesis.0 lb.0 libras.

9 0. se desea imponer las siguientes restricciones: (A) la probabilidad de rechazar la hipótesis cuando sea realmente conecta debe ser a lo sumo 0. la curva baia ró- pidamente hacia cero.5 0. AquÍ y Tipo II. La eituación planüeada se ve gtáficamente en la Fig.0000 296 1.0 . Eeepués.7 0.5.5) mediante un número de lanzamientos de la moneda. es piácticamente.6 6 p f 0.1 p (lb) 300 300 3to 3t5 (o) (ó) Fig.cAP.?4Eo De esüa forma se obtiene la Tabla 7-4.2 0. se ha puesto Denótese por n el tamaño de muestra pedido y por ¡ el número de caras en los n lanzamientos. ?-10(o).5 en 0. por encima del cual se rechaza la hipótesis de que p : 0. Para ensayar la hipótesis de que una moneda está bien hecha (es decir. sepuedenobtenerdeellalaomismasinterpretacionesque de la curva OC.4) debe ser á lo sumo 0.6?. de modo que no hay probabilidad de aeguir con el proceeo primitivo cuando la media de resistencia es mayor de 316 libras.05. p : 0. 7. 7-11 se tiene: .7-11.7486 3r0 0. la restricción (A) impuesta requiere que la probabilidad de error del Tipo I sea a lo sumo c : 0. ya que lae dog curvag eon esencialmente equivalentes. en- 9: i¡ea bajo la curva normal de la derech¡ a la izquienda de z :0. si el nuevo da una resistencia menor de 300 librar. ri ¡r tonces 307. (¡) U probabilidad de aceptar la hipótesis cuando realmentep difiera de 0.l (excepto para el nivel de significación del 0. mientras que la restricción (B) requiere que la probabilidad de error del Tipo II eea a lo sumo 0 : 0.6 0. Determinar el tama¡1o mínimo de muestra necesario y enunciar la regla de decisión resultante.0 libra¡ en unidades tipificadas: (307. Por ejemplo.01 cuando el nuevo proceeo da una media de 800 librar).28. 315 librae.05.9900 L1.. Tabla 7-4 tt 290 1.1 o más (es decir.1 0.0 B 0. etc.8 o. En esta curva 6e ve que la probabilidad de seguir con el proce' so primitivo.05.7-r0 (¿) La curva OC se muestra en la Fig.305y9 = 0. límite al riesgo de error del Tipo I Por ejemplo.0000 p 0. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 235 nuevo proceco da un¡ resistencia media ¡r igual a 306 librar. y de aquí - 396 librae.05.7-10(b).1687 316 0.¡ o.0000 300 305 0. p > 0. De la Fig. (b) La curva de potencia se ve en la Fig.6? : 0.0038 320 0.

7 3% se puede decir que la media muestral X debe estar denüro del intervalo (p¡ entre cae a m p ¡t:0.645 ó (t) o.564 y 0.5. es 0. Los límites de control determinadog anteriormente se llaman límites de confianza del gg.29. Se construye una máquina que pr-oducfuá cojinet€s de bolas teniendo un diámetro medio de una desviación típica de 0. la moneda al menos B1g veces.4r rtñ- (n.014l\/6\ y (0.73% de O.6. pueden igualmente determlnarse otros lfmiües de confianza.5\/n De 0. (o) Diseñar una.9801fa- e'¡ 9-.05. La elección en cada caso depende de la¡ circunetancias particulares del tnismo.6 n Y x - 0.6.0.5n = 1.0.r) - 0.236 ENsAyos DE Hrpornsls y sIGNIFrcAcroN lcAP.05.5.ít/n Vnpq= "- :0.6n 0.584 pulgadas.9É!= -r. 7'l2.564 a 0.llamado grófico de control de colidad.5 en caso contrario.seeigueque I se encontrará entre (0. Por tanto un promedio ponderado de todas estas probabilidades.5. En tanto que los punüoe se encuentran entre los límites 0. e¡ decir.008 pulgadas.o:0.egla de decisión mediante la cual se puede estar razonablemente cierto de qúe la calidad del producto esüá de acuerdo con las noÍnas requeridas.0'6n Realmente el área entre -f.49\/n n = o.49{n vnpq = '--. L7 . tales como los límitee d'el 99% o d. Sin embargo. Cada vez que se observa una media muestral se representá por un punto en el gráfico.806y'-n es De (3) y (4). Se sigue que el tamaño de la muestra debe ser al menos 31g.Haciendo n : 319 en (3) o (4).025. Así pues. .6 n- 0. se adopta la riguiente regla de decisión: (o) Se acepta la hipótesiep:0.05 o menos cuando p tiene cualquier otro valor por fuera del recorrido 0.Saladerecha a" 7 (9) El área bajo la curva normalp 09" O. se debe lanzar p - 0.05 en el "peor de loc casos". 7 0.574 . que representan la probabilidad de error del tipo II. (b) S€ rechaza la hipótesis + 17 .. Para decir.x :177.05 o menoa.n: 318. (2) es una cantidad muy aproximada.. muestrales puede tlevarse por medio de un gráfico tal como ee muestra én la Fig. hay la posibilidad de que falle algo y se precisa una invesüigación del posible fallo.6 r¿ * 0. la máquina (b) Un registro de las medias no s€rú adecuada y habrá que buscar la razón de su ineptitud.. también s€rá 0. es 0. GRAFICOS DE CONTROL DE CALIDAD 7.6 a la izquierda ae es 0. . (b) Mostrar cómo se. Para determinar si la máquina esconstruida para el fin que se destina. y se obsen¡a el diámetro medio de la muestra.O\4\'\/E) o Con confianza del 99 .el 95V". automáticamente tomarÍamos como 0.5.524 * Puestoque De aquí que la regla de decición eea como sigue: (l ) Si la media muestral decuada para el trabajo pedido.674. = 0. se toma una muestra de 6 cojinetes ejemplo. el procelo está bajo control.96 r ó (Sl u.re'presentaría grárticamente la regla de decisión de (a). ? (f. p = 0.4 a 0.) Eláreabajolacurvanorrnalp:0. Cuando un punt'o se rale de estoe límite¡ control (tal como en la tercera muestra tomada el jueves). dentro del intervalo 0.008yn=6. enfte 742 y 177 si el número de carac en Slg lanzamientos está dentro del recorrido 159. (o ) 3o¡) a (p¡*3o¡) con el 9€.7 BVo o brevemente lfmite¡ 3o.4s 1/A 0.5 : . Obeérvese que tomando la probabilidad de aceptación como De(/) x .98. ¡- np :1-77 - 159.584 pulgadasi ee supone que la máquina es a- (2) De otro modo.

cAP.1: np : 6p. Así pues.¿94)¡(0.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 297 Lunes Martes Miércoles Jueves Viernes $ € bD osal 1} a a t ü {.0332 0.9 ó 162 316. Ajustar una distribución binomial pectivas de cara a los datos del Problema 5.494.1507 0.4 6 29 33. x F a os74 a a a t I a : o 0 s64 o Fis.0294 5 6 33 161.30. El ajuste se observa que es bueno.3162 0. La media del número de caras es ¡.. Para la distribución de frecuencias observada.7 ó 309 150. la media del número de caras es 2fr_ / _2470=2.506)5-¡. Tabla 7-5 Número de caras (r caras) Frecuencia esperada Frecuencia observada 38 0 1 0.7 ó 151 29. . página 178.C. : 2. Se tiene P(x caras en una serie de 5 lanzamientos) : f(¡) = sCrprqs-". página 163 puede ajustarse a una distribución normal.1619 0.31.2 t44 342 287 164 25 7. Utilizar papel gráfico de probabilidad para determinar si la dist¡ibución de frecuencias de la Tabla 5-2.2 ó 316 308.43.30. la distribución binomial ajusta- En la Tabla 7-5 se han obtenido estas probabilidades así como las f¡ecuencias esperadas (teóricas) y las observadag.47 rooo Igualando las medias teóricas y real se tiene 5p da viene dada por /(r) = . dondep y q son las probabilidades resy sello en un solo lanzamiento de la moneda. La bondad del ajuste se estudia en eI ProblemaT. 7-12 AJUSTE DE DATOS A DISTRIBUCIONES TÉORICAS 7.(0.47 6 p :0.3087 2 3 ^ 0.

? 76 Frecuenei¡¡ Estatun (pulgad¡¡) menor que 61. 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).44. Par:a.tlls.5 7t. Véase o a I É to 5 o a d E 62.4177 0.46 pulgadar.70 -0. Multiplicando lo¡ valores de la quinta columna (que representan las frecuencias relativas) por la frecuencia total n (en e¡te ceso n = 100).5 oD. página 163.36 1.40 respectiva- La cua¡ta columna.2068 6L65 6&68 69-71 68. 7.6 menor que 64.6 Rcl¡tiv¡¡ Acumulada¡ (%) 6. como se muestra en la Tabla 7-6. Tabla ?-7 Lfmite¡ realee Estatura de clase z pan los límites reales de clas€ Area bajo la cuna normal desde 0 ha¡ta z Area para cada cl¡ee Flecuencia eeperada Frecuencia observada (pulgdas) 60-62 r 59. ?-r3 hoblema ?.238 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla [cAP.0 23.41 0.3892 0. la distribución de frecuencia¡ dada se convierte en una di¡tribución de frecuencia¡ relativas acumuladas.2771 0.6 menor que 73. como se ve en la Fig.0 Io a E ql € ó a () 95 90 80 70 Q0 a (t 6 .6 &tatura (pulgada¡) Fis. Y se pone de manifiesto que ee ajuetan ba¡tante bien con las frecuencias observadas realmente.32.39 2. La¡az6¡ de esto se ve claramente con un diagrama.6 menor que 67. De aquÍ se sacan las áreas bajo la curva normal entre los valores sucesivos de ¿. se obtienen lae frecuencias esperadas de la sexta columna.E 50 40 30 20 Primero. donde la media i y la desviación típica 6 se han obtenido en los Problemas 5.5 62.6 74.72 -1.7L 6 28 7.6 68. anotadas en la última eolumna. s = 2. 7-13.grófico de probabilidad eepecial.5 7L. Después.5 66.0 92.35 y 5.5 7¡. son pasadas sobre los límites reales superiores de clase.0743 72-74 6 4 20.5 menor que 70.6 ¡¡+ 0. .32. las frecuencias relativa¡ acumuladas expreeadar en porcentajes. Ajustar una cunra nonnal a los datos de la Tabla 5-2.0 100. caicular e de los límites reales de clase.a -2.6? 0. en un papel. La "bondad {el ajuste" de la distribución qe congidera en el Problema ?. determina la bondad de ajuste de la distribución dada a la distribución normal. dadas en la quinta columna. = 61.68 6 2l 38.0413 0. El grado en que los puntoe así dibujados ee encuentran sobre una lÍnea recta.z z = .t3 D 18 42 27 8 ñ.0 65.43 ít 7 4. que da las áreas bajo la curva normal de 0 a z se obtiene con la tabla del Apéndice C. se rutiliz.4920 0.92 ó 39 27. se observa que hay una distribución normal que se ajusta e¡trechamente a los daüos.92 pulgadas (x mente El trabajo puede organiza¡se como en la Tabla 7 -7 . Por lo anterior.

Ajustar los datos a una distribución de Poisson.1647 espeado 20. puede ser esto un indicio de la adaptabilidad de la distribución de Poison a la muestra de datos. a¡í com.05.33 I 2 3 18. durante los cuales r autos tuvieron accidentes en una ciudad.05. Las frecuencias de caras vamente.CAP. El cálculo de la varianza de la distribución da' da.. la varianza d : L.50 pótesis de que la moneda está bien hecha al nivel de significaeión del 0. 313 {11 = Iq"+ill En l¿ T¿ble ?-9 aparecen lae probabilidadee para 0.01. Entonces. En 200 lanzamientos de una moneda se obsen'aron 115 caral¡ y 85 sellos. puesto que 4.* : P(r accidentes) 1118 2 7 o.3659 0.rj días. respectivamente rr = 115. (b) 0. Para conveniencia de la comparación.36.50 . de acuerdo con la distribución de Poisson.eo Entonces.30 8. 100 sellos) es h:2.4066 0. la euarta columna que da los números de días observados se ha repetido.v: + (85:!00)2 = 100 h 4. respecti- xz = (o) El valor crítico (b @t:lptlz -(rz:. La Tabla 7-8 muestra el número de días f durante un período de 50 días.0494 0. Las frecuencias de caras y sellos observadas son.84. Comparando con el valor de \ : 0. Para una verdadera distribución de Poisson.60 hipótesis de que la moneda está bien hecha al nivel de significación del 0. no se rechaza Se deduce de los resultado¡ observados que aon probablemente significotivos y la moneda no estó probaPara una comparación de este método con los métodos utilizadog anteriormente.'12 ¡ 85.1.63. El número medio de accidentes es Número de I Número de accidentes.CUADRADO ?.90 hallado. ?] ENSAYOS DE HTPOTbSIS Y SIGNIFTCACION Tabla 239 7-t 7.0111 4 6 6 ó Nótese que el ajuste de los datos dados a una distribución de Poiseon es bueno.47 0.7:2 -L = l.3 y 4 accidentes de esta distribución de Poisson.o loe números teóricos de días en los que ee presentarán ¡ accidentes (obtenidos multiplicando las correspondientes probabilidades por 50). blemente bíen heclu.f 0l2r + : (21)(0) '50 (18X1) + (7X2) + (?liQ_l q)(a) = .63. véaee método 1 del Pro" blema 7. Entonces y eeüos esperadas si la moneda está bien hecha son np : 100. > 3. 0 r N(rmero de dÍasr Número de días obsen¡ado 2L 18 7 3 1 {r accidentes) 0. se rechaza la xlo¡ para 1 grado de libertad es 3. LA PRUEBA CHI. Entonces.9?.56 6 ó 20 18 8 2 1 0. Tabla 7-9 Número de accidentes.24 2.01. da 0. . puesto que 4.34. < 6. hi' la ) El valor crítico xlso para 1 grado de libertad = 6.np)z npt npz - (115__100)2 Pueeto que el número de categorías o clases (caras.84. Ensayar la hipótesis de que la moneda está bien hecha con un nivel de significación del (c) 0. np2 : tOO.33.2.

no se puede rechazar Para 5 grados de libertad x%s: 1.2o5 < 6.b8 a2. Solucionar el Problema 7.05)2 7 -37.5.00 la hipótesis de que el dado está bien hecho.07. Método 2.5)2 . x2 (conegida) = = (lzt - nptl nPt 1001 0'5)z + !1""- np2l npz - 0'5\2 (1115 - 100 _ 0.5)z _ . Entonces. (ZJ2)2 : 4.05.S¡(0f)--7.0. (16_20¡z _ *--lO-+ +ñ=5. ^-------::-:-.)z .06. de modo que X2 : 5.84 y 4.63 se deducen las mismas conclusiones que en el Problema ?. (185 _ __ 1001 Í4. 7.1. se rechaza la hipótesis de que la moneda eetá bien hecha. 7.96 a 1. Con la corrección para la continuidad.86.36. Ensayar la hipótesis de que el dado esté bien hecho al nivel de significación del 0. solucionar el Problema 7.v:h-1-:6-1:b. 115 o más caras equivale a 114. dades tipifica¿¿5 : 4. ? 7.5) =100yo=1fipq=/IZOO¡O. El valor crítico a2e5 para 5 gados de libertad es 11.93_4)' _(15-20\2 .86.00 > 1. Pa¡a una comparación con los métodos a4teriores.15. Nótese que el cuadrado del valor anterior. (24-20\2.6)esh:6.34 mediante la aproximación normal respectivamente. 115 caras en unidades tipificadas Bajo la hipótesis de que la moneda está bien hecha.60.O7 : 2. Con un nivel de 0. es el mismo valor de X2 obtenido en el probl. Nótese que el cuadrado de este valor. (2.s)z = 100_ 100 tt q^< 4. (rz-npzl2 . Se sigue como en el Problema 7.15.-nps)2 (ra-npe)2 < 11.01. Método 1.07 :2. la media y la desviación tÍpica del número de caras espe- : (l1b -lOO)t7.4.35.5 .05 y un ensayo bilateral.01 el intervalo sería -2.1.05 pero no al de 0.34 utilizando la corrección de yates.96. (rs-np¡. Véase Problema 4.g. La Tabla 7-10 muestra las frecuencias observadas y esperadas allanzat un dado 120 veces.L2. véase método 2 del Problema 2. si el valor de z está fuera del intervato -1.npr o _ (rt-np)2 .zvb Puesto que 4'205 > 3.5 o más caras. Entonces 114. Esto se cumple siempre que la prueba de chiruadrado eomprende dos categorías y se aplica la corrección de Yates.20. radasen200 lanzamientosdelamonedason¡r=np=(200)(0. a la distribución binomial. (rt-nptl2 .240 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.00 20-+ n 20 Puestoqueelnúmerodecategoríasoclases(carasl. puesto que 5. .2. de nuevo en consecuencia del Problema 4. Esto conduce a las mismas conclusiones que por el primer método.86. Tabla 7-10 C¡ra Frecuencia obaervada I 25 2 3 15 4 23 5 24 6 t7 20 l6 20 Frecuencia eeperada 20 20 20 20 np2 np| np4 np| np6 _ (25-20)2.5)z = _100 )_ (L[.7OO)17 . (rr.58.ema se cumple siempre que la prueba de chi-cuadrado comprende dos categoiías.84.34 que la hipótesis se rechaza al nivel de 0.34' Esto Con un nivel de significación del 0.5 en uni: (114. De ello se sigue que la concordancia entre ambas frecuencias no es tan buena como para no dudar de Io deducido. (23-20)2 +--lO . es igual al valor de ¡2 corregido con la corrección de Yates p¡ra la continuidad del Problema7.35.

¿Hay alguna evidencia que permitadudarde su teoría al nivel de significación del (a) 0.Qe-2512 try+ .40. teoría y los reeultados del experimento están de acuerdo. que la Nótese que para 3 gtados de libertad.ss= = 3.g El valor crítico d" x.cAP.39. . Se deduce que cabe sospechar alguna tendencia no aleatoria en dicha tabla de números. Bajo la hipótesie de que la urna contiene proporciones iguales de los cuatro colores. Una muestra de 12 bolas extraída aleatoriamente de la urna dio 2 rojas.7. estos números deberían presentarse en la proporción 9:3:3:1. . Una uma contiene un gran número de bolas de cuatro eolores dife¡entes: rojo.76 *W = 0. r ry = 2s. naranja.2.01.se esperarían fttssel = -- 312. x2. .01.05? El número total de guisantes es 315 + 108 + 101 + 32:556. : 3.81.zb rugosoe y verdes ft Entonces tssol = x2= (o) (b) Para v Para v (3L5 3L2.352.75lisosy amarillos tol.. Puesto que eetos números esperados Bon menores de 5.7I ENSAYOS DE HIPOTESIS Y SIGNIFICACION 241 7. .01.352 y X2 :0.L. De acuerdo con su teoría. 7. .38. Para evitar esto se agrupan las categorías de modo que los núme¡os esperados en cada categoría sea al menos 5.470 Puestoquehaycuatrocategorías.zS lisos y verdes Struol = frtssol 104.05.76\2 3t2.3 >2!3 sededucequeladistribución observada dífiere significativamente de la esperada al nivel de significación del 0. Se deduce pues. 4 amarillas y 1 verde. En los erperimentos de Mendel con guisantes.'nr parav: h -1:9 gradosdelibertad es21-.h=4yelnúmerodegradosdelibertadesv=4-1=3. (b) 0. obseryó 315 lisos y amarillos.26 rugosos y amarilloe B4.3. 108lisos y verdes. 101 rugosos y amarillos y 32 rugosos y verdes. de modo que no se puede rechazar la teoría al nivel de 0. ?. amari'llo y verde. De modo que aunque el acuerdo es bueno. ¡$5: 0. de modo que no se puede rechazar la teoría al nivel de 0. loe resultados obtenidoe están sujetoe a unh razonable influencia de error muestral.. ¿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. cabría esperar 3 bolas de cada clase en la muestra de 12 bola¡. 9 que se da en la Tabla 7-11.como 23. Ensayar la hipótesis de que la urna contenga proporciones iguales de los diferentes colores. Puesto que los números esperados están en la proporción 9:3:3:1 (y 9 * 3 + 3 + 1 : 16).4?O > 0. x?ss: 11. 5 naranjas. la aproximación de chi-cuadrado será errónea. Una tabla de números aleatorios de 250 dígitos mostró la distribución delosdígitos 0. ?.

10). para las que la muestra dio 3 y 9 bolas.1.5)2 #-g*): = 3.rP. Ento¡-.Asínosepuedetechazrlahipótesisalniveldesignificacióndel 0. "Siete" se puede presentar de 6 formas y "once" de 2 formas.05. = - 60l 60 - . de modo que (74-60)2 . se obtendría ¡2 a pesar de que las frecuencias sean dema- (2-3¡z .r que conduce a las mismas conclusiones anteriores. aun Otro método: Utilizando la corrección de Yates. se agrupan las categorías de forma que la evidencia en contra de Ia hipótesis se muestre claramente.84. z..xjr¡.ces P("siete") : 1/6(360):60 veces 6/36 : 1/6 y P("once") :2136: 1/18.0. (4--3)2 .:?.:-:_+r::__-::_:sis de que los dados estén X¿ 4. se tiene x: = 0qj:_6Fo. empleando la corrección de Yates.81 sellegaríaalasmismasconclusionesqueantes. En tales casos. Un par de dados puede caer de 36 formas.05.tz. .10). ? Si se desea rechazar la hipótesis. Así pues. respectivamente.Desgraciadamente.242 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. en 360 lanzamientos cabría esperar "siete" y 1/18(360):20 veces "once". Los resultados observados pueden imaginablemente deberse al azar.84seestaríainclinandoarechazarlahipótebien.) x2 _ = -6-. Esto cabía esperarse puesto que la corrección de Yates Debe ponerse de manifiesto que si se emplea la aproximación de siado pequeñas. 7.84. Sin embargo.5)2 (124 - 2ol - 0. Ensayar la hipótesis de que el dado esté bien hecho al nivel de significación de 0. Sin embargo.puestoque4. la aproximación ¡' para frecuencias pequeñas es pobre. no se rechazaría la hipótesis al nivel de 0. lo mejor quizá sea incrementar el tamaño muestral haciendo más observaciones si se está interesado de una manera especial por alguna razó¡en el nivel de 0. Puesto que el número esperado en cada categoría bajo la hipótesis de iguales proporciones es 6. Esto se consigue en nuestro caso considerando las categorías "roja o verde" y "naranja o amarilla".ü. = siempre reduce el valor de ¡2 . pues con la X2 corregida. De otro modo. En general. los resultados que se obtienen utilizando la correc- ción de Yates son más dignos de confianza que los resultados no corregidos. se duda acerca de la decisión que se debe tomar. ¿Es el resultado consistente con la hipótesis de que el nacimiento de varón y hembra son igualmente probables? .05.(ig:lf-!éE.-ss:3. (24-20\2 . x' _ (1 -3¡:r ooo Puestoqueparav=4-1:3.05(aunque sí se puede al nivel de 0. = ry.0?>3.42.x2l)s==3. En 360 lanzamientos de un par de dados. para grandes muestras tales como las de aquí. (5-e)z .65 De acuerdo. 7.07 Parav:2-1:7. de aquí que cuando no sea aconsejable agrupar frecuencias se debe recurrir a los métodos exactos de probabilidad incluyendo la distribución multinomial. - e¡z -9 Parav:2-l:1. se tiene (9 ^cuando las proporciones de los colores sean iguales. l)na encuesta sobre 320 familias con 5 niños dio la distribución que aparece en la Tabla ?-12.Entonces.41. se tiene (174 (correglda. se rechazaría la hipótesis a algún otro nivel (tal como 0. puesto que incluso el valor corregido de y2 se encuentra cerca del valor crítico. se observaron 74 veces "siete" y 24 veces "once".

Así se deduce que los reeultados son probablemente significativos y el nacimiento de varón y hembra no son probablemente iguales. Determina¡ la bondad de ajuste de los datos del Problema 7. Entonces. (88_100)2.--lóo:t- . puesto que X2 = 0. v : k .?11.43 20.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. x2.1y0 niño¡seobtienemultiplicandolasres' (40-50)2.12 243 Número de niños y niñas 5 niños 0 niñas 18 4 niños 1 niña 56 3 niños 2 niñas 110 2 niños 3 niñas 88 I niño 0 niños 4 niñas 5 niñas 40 8 TOTAL s20 Número de f¿milias .L .1 .4.30. 7.2)2 .13 utilizando la prueba chi-cuadrado. Asf'puesto que X2 = 7 . Para V 1 (que er el pará- los datos es muy bueno. pectivas probabilidades anteriores por 320. X?ss = 9. es decir. .1 para y:61:6gtadosdelibertad.=--_a6---_Eñ-----Jó¡-----i6b--_-Ed.(287_308..--I¡Ié- .". Solucionar el Problema 7.x2. .serechazarálahipótesisalnivel de significación del 0.959 7. .!. Se deduce que el ajuste de los datos es muy bueno.-El: .^ _ (18_10)2 (56_60)2. el ajuate no es tan bueno como pudiera = 4..05.1 . cabría esperar que 70 individuos de cada uno de los grupos Be recuperase y 30 en cada grupo no se recuperase. Seap:probabilidaddenacimientodevarón. como 8e indica en la Tabla ?-14. lag cla¡ificaciones 8on independientes.99. Utilizar la pmeba chi-cuad¡ado para determinar la bondad de ajuste de los datos del Problema 7. x.32.1 : 4.(L44_161. .45. (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:t12.68 38.sss:15. 50.103.(342_316.---T08J.z = 6 4.?)2 . Para v : 2 (que son la me- = 2.-.212.?11.412_ -58:t-- . La¡ condiciones del problema se presentan en la Tabla ?-13.3.m : 5 .2 : 2.m : 6 . el ajuste no es "demaiido bueno". 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla ?.44.103. BONDAD DE AJUSTE ?. 2. .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).01. xL¡s:0.U Puesto que x:e5:11. 50.os= 5. x.-r3)2 .. 10.1 y x.--_-16-_¡&. (164-150.. "!ü Puesto que el número de parámetros utilizados para estimar las frecuencias esperads e8 m metro p de la dietribución binomial).yg:1-p:probabilidaddenacimientodehembra. v = k .?)2. (4 niños y 1 niña).43. .9)2 . y los reaultados son 10.cA¡.(26-29. TABLAS DE CONTINGENCIA 7. . pero no al 0.Entonpiobabilidadee de (5 niños).---r¡If..64 > O.i".= (s8_33.os:0. Para y : 4. (110_100)2.92 27. Bajo la hipóteeis nula lfq de que el suero no tie' ne efecto. 100.49. Pa¡a rr = 2.:z .1 .13 *(18-2-0:68)2 *(a2:^-39=92\2-(27:3ft7rl2 *(8:?'j13)z:0.959 > 0. De aquf queel ajuste de creerse. 100. Adviértaoe que ¡fo es equiyalente a afirma¡ que la recuperación eeindependie¿úe del empleo del suero. De aquí (8_10)2 _.

Tabla ?-16 FRECUENCIAS OBSIERVADAS Sr. 7.84 para 1 grado de libertad y puesto que ¡2 = 2.45 son también válidas aquí.-.38 < 3. Se No ¡e recuperan recuperan TOTAL 100 100 Grupo. Z.30\2 (36 *ffi = 2'38 Tabla 7-16 Para determinar el número de grados de libertad.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. conaidérese la Tabla 7-15. 200 140 30)2 o _ (75 x-1rc-?o70)2 - 70)2 . Esto podría haberse visto rápidamente.46.84. que es igual a la¡ dos dadas anteriormente. Sr.profesores son iguales.^se sigue que X er lo mismo que z en este caso.No ee recuperan cupetan TOTAL [cAP. Está claro que solamente se tiene libertad lara colocar un número en una de las cuatro casillas vacías. or^_.45 aplicando la corrección de Yates. En la Tabla 7-16 se indican los estudiantes aprobados y suspendidos por 3 profesores: Sr. ? Tabl¡ 7-14 FRECUENCTAS ESPEBADAS BAJO Ho Se re. ya que la corrección de Yates siempre disminuye el valor de ¡¿".54.Xz egelcua- Nótese también que yn ensayo unilateral utiliaando ¡12 equivale a un enEayo bilateral utilizando.51). (125-301 -0.47.5)2 * ----?O- (i65-701 -0. pero en la que solamente se han puesto los totales. al rechaza¡ una hipótesis al nivel de 0. Y 47 L4 61 Sr.5)2 .0.Z 56 8 64 TOTAL 153 27 180 Aprobados Suspendidos TOTAL 50 D Bajo la hipótesis H¡ de que las proporciones de estudiantes suspendidos por los tres profesores son las mismas.13. habrían suspendido 27 lL80 : Iíc/o de los estudiantes y DO . (35-301 -0.5)2 * ----TO* ?O S0 _ . 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.05 utilizando X" equivale a rechazar esta hipótesis con un ensayo unilateral al nivel de 0. drado Cel valor de z. X Sr.13 FRECUENCIAS OBSERVADAS Se re. En general.¡. obtenido en el Problema ?. Y y Sr. x2)x2ss correrpondea x>x. porejemplo. Solucionar el Problema 7.--. De modo que hay un grado de libertad.244 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla 7. ya que. 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.e5óx{-x. Asf pues.!t_. ^. se deduce que lob resultados no son significativos al nivel de 0.05.gs.ss : 3. pueeto que una vez hecho esto loq números de las restantes casiüas vienen obligados por los üotales ya indicados.5)r . X.10 uüilizando z.vó Obteniéndose que las conclusiones del Problema 7.38 es el cuadrado del valor de z : 1. como en la página 215 (véase Problema ?. = I. Ensayar la hipótesis de que las proporciones de estudiantes suspendidos por los tres .A Grupo B TOTAL 140 60 200 Puesto eue X. 7. Nótese que X2 : 2. _ ¡¡ (corre(rda) = (i75 -70\.Puestoqueparalastablas2Xz.

15 61 15% de 64 8.n"n¡ln\z' nrnn/n ntftl.1Xk . hay en este caso dos grados de libertad.r"/" a1b2 (o.85 85V" d.40)2 (5-8. Í4-9. sin embargo. Hay h (fz > 1. X ¿IO Tabla 7-18 Sr.10 si se está dispuesto a correr el riesgo de estar equivocado 1 vez de cada 10.e 64 54. Entonce8 *. . Nótese que este resultado es válido si se conocen los parámetros poblacionales necegarios para obtener las fr. 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.(h+Ic-l) = (h-lx/ú- 1) como se requería. Pero : (ar- nrnn/n)z (a".zs¡ : 5. Nótese. Sr.ó+ Pa¡a determinar el número de grados de libertad.99. Tabla 7-17 ITRECUENCIAS ESPERADAS RAJO Sr. Z TOTAI.25 OD : didos TOTAL 55 61 9. después de lo cual.85)2 (56-54.núnR/n "r'. Mostrar que para una tabla de contingenciah X h tad es (h .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 7-45.60 64 180 64 180 Entonces o x-.5135-547ó-----d25 9J5 --. Así pues. Y 85% de S¡. * ó1)(o1 * o2) o1*óq*a21b2 n a2b. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION habrían aprobado el 86Vo de los estudiantes.51. no se puede rechazar I/e al nivel de 0. 153 qn X Sr. (47.49. 7. Puesto que x.CAP. pá.1).60-=4. Las frecuencias esperadas bajo FI¡ se muestran en la Tabla 7-17. todos los números restantes vienen obligados por lo8 totales. se puede rechazar lfs aI nivel de 0.L5% de 55 : I5% de 6t 9.-.48.61. Z TOTAL 153 27 Aprobair¡c didos TOTAL 85% de 55 : 6l 4G. Se deduce que el número de gtados de libertad hk .40 : Aprobados Suapen- Suspen.75\2 .60)2 4175 -. los resultados esperados bajo la hipótesis nula aparecen en la Tabla 7-20.25)2 .ecuencias teóiicas. Está claro que como cada fila y cada columna han decumplir con loü totales. considérese la Tabla 7-18.n2nslnl2 .05. at__n_ = -nrrxJn (ór nrnsln)2 (b2. k > 1) el número de grados de libereg * & - 1 totales independientes de un total hÉ. 7. de otra forma se necesitan ajustes como los descritos en ( b ).15)2 (8-9._ (50-46. Demostrar que -pa¡a la tabla de contingencia 2 X 2 que se muestra en la Tabla 7-L9 x2= Tabla 7-19 n(arb2- azbt\2 Tabla ?-20 TL\lLzlL¡fl's RESULTADOS OBSERVADOS I A B TOTAL at br RESULTADOS ESPERADO. que es igual que la Tabla 7-L7 pero en la que solamente se han puesto los totales. Y St.gina 22O .75 = = 51. que puesto que x:eg : 4.

Prl .. a1 =75. = #.46 ¡2 (corregida) = ---ñ^"" - = - (25X65)l (140)(60X100X100) . - O2 l¿z' fL¡ tl' ó. se puede escribir az-ry = ur-ry = Í2fts . ür : 'tL¡ = flP. r¿r(1 - Pr). Con referencia al Pro- (r) (2') P. C= vra = {*#fu : r/d'6112e = 0'1084 . P. bz:35. 7 Análogamenta Así.52. Sise aplica la corrección de Yates. 1-Pr . COEFICIENTE DE CONTINGENCIA ?. de modo que (r) (4) ú1 = nlPy az = nzPz.P)2 que es el cuadrado del estadístico Z. nt=140.tn)z = 200il(?5x35) 2. da x' : D'- n(a. yn:2OO.ozbr\2 n /orbz-ozót\2 ml?¿B\ n n nzn¡\ n n¡r¡\ / / / n fatbr-tzDt\2 n ?zrs\ / que al simplificar. ns = 100. ¡e tiene del Problema 7.azbtl . el resulüado eg el mismo que en el Problema 7.n2P2n{l .49 paralos datos del Problem^I.bq - aqb'12 donde A:&tbz-azbt. se tiene p la proporción poblacional.4S.45. f.49.49 x2= n(ap2.. entonces riI ) del Problema 7.246 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP. .P)2 nWtPrA$ . frA=úr*az.45. (/ ) se remplaza por (21 "rr"r"^"" : nL2 nrnznAnB x2 (conegida¡ n(ltl. EnelProblemaT.50. n2:60.=&r*a2*b1*b2.a2b)2 -T nrn2nAnB nrn2(Pr. dado en (IO) en la página 215. n1=at*b¡ nz=a2*b2. 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).51..49 da x2 = n(1aft2.93 7. Denótese por P1 y P2 las dos proporciones muestrales y blema 7.=. ^ (t) n /otbr-ozbt\2 n lotbr.10012 = 1. Or--m arb2 = - a2b. -flg L-p l-P2 = bc -= = q = -. r¿¡ = 100. ns = ür*ó2.Pr)]2 nrnínpnq = nfri\+LlllrJ (Ya que n = nt+tt2l (Pt. Halla¡ el coeficiente de contingencia para los datos de la tabla de contingencia del Problema 7. bz = nz(l- Pz) tlg = flq Utilizando (3) y (4). Ilustrar el resultado del Problema 7. Dr = 65.ln)? = -"r!rrrñr" 7. a2=26.38 : Empleando la corrección de Yates.

(á) = 0.".1?19.13. la probabiüdad de decidi¡ que el eetudiante no reeponde al aza¡ cuando es que si. En el Problema 7.(g)p : O.t.? Bajo la hipótesis p P(menoc de 7 corectas) : - 1 -P(7 o mác conectas) 1 .. C.L27).7)8(0. Para taleo ca¡os.o.3504 7.618 . (ii) en caso contrario. adopta la siguiente regla de decisión: (i) si 7 o más respuestas son acertadas el estudiante no las acierta por casualidad. (b)P : 0.(.5 (ee decir.54. . Un instructor hace un cuestionario forurado por 10 preguntas falso-verdadero.5 cuando realmente (a) p : 0.?1e Asi ee que ésta pues.3)10] = 0.".3)3+ r0Cs(0. (d) p : O.¡* .6 la probabilidad pedida será 1 - [P(? conectas) * P(8 correctas) + P(9 cotrectas) + P(10 correctas)] =|- ho0?(0. (Véase Problema 7 . do¡ clasificaciones son perfectamente dependiente¡ o a¡ociadas. (e) p : 0.7)7(0.X.----80Entonceg el valor máximo de C e¡ . (100 . el estudiante está adivinando. = 1/@-ffi.9.?0?1. en la gue el número de fil¡s y columnas eon ambas iguales a &.i ..64.cAP.56.[roOi(0. hallar la probabilidad de aceptar la hipótesisp = 0. " x. Esta tabla de contingencia aparece en la Tabla 7-21.-60 ... = 0.= (100 zw En general. 7l ENSAYOS DE HIPOTESIS Y STGNIFICACION 24V 7. hallar la probabilidad de aceptar la hipótesis p P : 0. suponiendo independencia total. Hallar la probabilidad de rechazar la hipótesis cuando es corTecta. ee 0.4) + 10010(0.5 cuando realmente = O'7' : O.4)2+ ro0a(0. 7. para la dependencia total en uua tabla de conüingencia.54.0o)z (0 .3) + r0Cr0(0. En tal caso.a 7.ueno) TOTAL 100 (irupo ó 0 100 100 100 100 200 . donde g =L- p.(+Xá) * .4)3+ roOs(0.6)101 = 0. son todas igualea a 50..55. Nótees la probabilidad de error del fipo I. P(7 o más correctas) : P(7 correctas) * P(8 conectas) + P(9 corectae) * P(10 correctae) = .2. PROBLEMAS DIVERSOS 7.21 valor máximo de C ee presenta cuando la¡ Se recuperan No se recuperan 0 TOTAL 100 GrupoA (utilizando auero) (no utilizando .6.(iX.7)e(0.. En el problema 7. Seap la probabilidad de que una pregunta sea contestada correctamente.8.60)2 50 . (c)p : 0.3)2+ r0Ca(0. (a) Sip : 0.6)e(0.6)?(0. La probabilidad de conteetar correctamenté Bajo la hipótesisp r pregunta¡ de las 10 será rcCrqqto-'. todor loe que tomen el suero 8e recuperarán y todor lor que no se lo tomen no Be recuperarán./Zt(xz + n'l = t/ñl@6T 2oo-) = 0.50)2 (0 .".". (f) p : 0.ro)¿ .. Hallar el valor máximo de C para la tabla 2X 2 del Problema 7.3. el e¡tudiante acierta alazar). Pueeto que las frecueneias eeperadas. las únicas frecuenci¡¡ de casillas que no Eon cero aparecen en la diagonal que baja de izquierda a derecha de la tabla. Para ensaya¡ la hipótesis de que el estudiante acierte por car¡udidad.6)8(0.---80. D Tabl.4.53.

se habría obtenido la curvo de potencia de la regla de decisión.t v i.5).1094.7 0. 0.828 del Problema 7.5 0. Puesto queP(0 ó no ee puede rec}ntzar H¡ al nivel de 1ó 5 ó 6 caras) = 2(t) = 0.Ele al nivel 0. ee puede rechazar ñfe Ensayo bilateral: al nivel 0. **.000 0. Ad- la curva OC del 06 Si se hubiese dibujado (1 -p) yp. por #.121 0.618 0.54.01. ¿Puede deducirse que al nivel de significación (c) 0.248 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. 7-15.05.Puesto queP(6 caras): f¡ :0.01 (es decir. viértase la semejanza con Problema 7-27. . +i. (g) pueden hallar¡e análogamente y se indican en la Tabla 7-22 junto con el valor correspondiente a p : 4.trf6 llnivelde .56 para construir el gráfico de É y p obteniendo así la cun¡a característica de operación de la regla de decisión del Problema.01662 y P(6 ó 6 carad) = * +-# : 0. Ensayo unilateral: Aquí se deeea decidi¡ entre las hipótesis (Ho: p: 0.1. 1. respectivamente. 7.6) y (Ht: p > 0. 0.01. Se ha irrcluido también el valor para p : 0.5). 4.5 cuando realmente p > 0.01 la moneda no está bien hecha? Considerar ensayos de una y dos colas.05 ó 0.!¡. si en la moneda sale 5 veces cara.5 dado por p : 1 . ? Loa resultados de (b). pero no d 0.1 El grafico indica que la regla de decisión dada ee muy odecuado para rechazat p:0. Puesto que P(0 ó 6 carar): t'o+* = 0.¡qn.945 0.1094.3 0. 03 02 0.013 0 828 7. p + 0.05 y (b) 0.6 y 6 caras son dadas.65. Sea p la probabilidad de ca¡a en un solo lanzamiento de la moneda. pero no al 0. .t+. (c). Utilizar el Problema 7. no se puederechazar.350 0.5)(ee decir. como se muestra gráficamente en la di¡tribución de probabilidad de la Fig.999 0.59.6 0. 7-14.7 hallado en el Problema 7 . .8 0.01). $oluciona¡ el Problema 7. pero no al 0. 7.8.1?19 : 0.68. caraa en 6 f(x\ = P(x lanzamientos) = Entonces lae probabilidsdes de 0. Bajo la hipótesis (Ho: p: 0.57. . Aquí se desea decidir entre la¡ hipótesir (Ho: p : 0. 2.4 0.05 ó 0. 3. la moneda está bien hecha). Ensayo bilateral.0. el resultado observbdo es significativo al nivel 0. Pueeto que P(6 ó 6 earar): * + # = éa:0.05. Nótese que la probabilidad se denota por p (probabilidad de error del Tipo II). se puede rechazar.2 0.9 0.2188.64.01.ó) y (Ht:.58. Tabl¡ ?-22 p B 01 1.06. l0 09 08 0? El gráfico pedido es el de la Fig. Una moneda que se lanza 6 veces da 6 veces cara. Ensayo u¡ilateral.03125.989 0.

..'. .+ph=L.l\z : npz trr : zpr respectivamente. con frecuencias esperadas flPt. Tabl¡ ?.. por definición. .¡p_r¡rll*l)q/ = '' \P Pq = (P-. de (I ).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.cAP. página 14?.. . . que Yr + Y.aL. yx= ax) = 19#)1-+gj... y2= u2. Sean f.Yz=Az.*/t'-^'\' \Vrr. el numerador en (2) tiene. Asl el denominador tiene el valor "":.L tu¿cione¡ por medio de la Tabla 7-23.62.. iYr... Xz X¡ tienen una distribución multinomial.p)z = ..Yz=U2r . Demostra¡ que la dist¡ibución condicional de las f dado que Yt*Yz+ "'+Yx = es precisamente la distribución multinomial de las X..nPz. página 118]..6t pa¡a demostrar que ¡2. (5) de la página 214. Por t¿nto reeecribimo¡ (2/ ) como (r) x2 = /t'=^')'*f"'=^'\'*. Pa¡a la función de probabüdad conjunta de ft l¡¡ Y tenemos (r) (21 p(y. *Y¡r= n¡ PlYr=At. Mostrrir que una prueba en chi-cuadrado que comprende dos categorías es equivalente al ensayo especial de significación para proporciones (pagina 214). npp respectivamente.61..págtna 218. i npn: n. Enüoncec. Epplear el resultado del ProblemaT. busc¿ndo está dada por Iadi¡üribucióncondicionalqueeetamos P(Yt. de acuerdo con la resüricción (221.... como se define por (21). p I Frecuencb observada Frecuencia esperada nP np II n(l.endientec.:í-^*f e-^ dondehemo¡uuiüzadoelhechodequept*pz+.96.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 249 7.= ut. el valor En cuanto aI denojminador. Sin embargo. .. ^#--"Jpltpf2"'plk 7. Yr + ). + ' ' ' + Y¡ es en sí migma una va¡l¡ble de Poi¡eon con parámetro np¡ * np2 + .60. . ce pueden describir las ei- ría I. n(P.. / \V^r/ \Vrzl .23 Si P es la proporción mue¡tral para La categoes la proporción poblacional y n eo la frecuencia total..61 demuestra que podemos remplaza¡ las X por lae Y independienúes con dietribución de Poisson ai ae cumple que Y¡ + Y2 + " '* Y¡": ¡.1'"'-.... Tal como oe establece.Y¡=Ur I Yz* .Pl n(l-p)=nq TOTAL n ..Y2=U2.tYx=at I Yr* Yz-1. *Y¡= n¡ = que ee la distribución multinomial de la¡ X [compárese (I6).¡Yt=Ur Y Yt+Yz+ "' *Y¡r= P(Yr+ Yz| "' * Y¡ = n¡ e-n n¡ Entonces. . el Problema 7.. sabemos del hoblema 4..p)2 PQI'I¿ 7." Por tanüo (2) ee conüerte en P(Yr=Ur. (21) ea diffcil de manipular ya gue las X di¡üribuidas multinomialmenüe son dep. Suponga que Xt. tiene aproximadamente una distribución chi-cuadrado. = (nP .Yt va¡iablesmutuaÍienteiñdependientes con dist¡ibución de Poisson y parámetros tr¡ : npt..

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

93 onzas. Comentar la significación de este resultado al nivel de 0. Una urna contiene bolar roja. yos. no cargados.e) = p(lWl < e) - e4(0)(Z€) = 7. Supóngase que en el Problema ?. En un examen dado a un gtan número de estudiantes de muchas escuelas distintas.1 y la desviación típica fue 8. proporción d.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. * p¡(1) = de den¡idad paraW es p(rr) : (Zr)-r/2e-u2/2. Discutir las razones de las posibles preferencias de uno de estoe ensayos sobre el otro.9. se quiere un nivel de significación del 0.0ó? (d) ¿Cuál sería la regla de decisión si el nivel de significación fuera del 0.ebolac rojas que de azules.67. Ensayar la afirmación del fabricante al nivel de aignificación del (o) O.63 se desea eneayar la hipóüeeis de que hay moyo.0. normal (puesto que e8 una combinación lineal de la¡ variablee Z normaies e independientee). es decir. (o) ¿Qué regla de decisión ?.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 26L Para evaluar el denominador de (5) notamos que la variable aleato¡ia W = lptZl * es l-p222 + .05? 7.63 si ee quisiera que la probabitidad de rechazar la hipótesis siendo realmente conecta sea a lo sumo 0.. ee decir.Of O.. se adoptarÍa en el Problema 7. + V!f. Var (W) = pr(l) * pz$) * . 7. (ó) Interpretar gráficamente la regla de decisión y el resultado obtenido en (o).OO.01? Se lanza un par de dado¡ 100 veces y se observa que un total de ('siete" apa¡sce 23 veces.01. En una escuela determinada con 200 estudiantes el mismo examen dio una puntuación media de 75.entarios ENSAYOS DE MEDIAS Y PROPORCIONES UTILIZANDO DISTRIBUCIONES NOBMALES ?'63. La "demostración" anterior (que puede hacerse rigurosa) muestra incidentalmente que cada restricción lineal colocada alas Z. . (¿) ¿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.40 onzas.cAP. y por tanto a la¡ Y o a las X reduce el número de grados de libertaá en X2 en 1.64. donde z : h - las bases para las reglas dadas en la página 219. (Zr)-t/2(ze) Al dividir (8) por (9) obtenemos el resultado deseado.66. Solucionar el Problema 7.05 y (ó) 0. erplicando las conclusiones sacadas con estos ensa- ... la puntuación medi¡ fue de 74. y que E\W\ = VE(O) + \/p2(o)+ . ¿Se puede deducir al nivel de signüicación del (o) 0..66 ei el nivel de significación es del 0.trLtroyo uniiateral y un nivel de significación del 0.65. Un examen sobre una muegtra de 200 de talee equipos reveló que 18 eran defectuosos. Para ensayar la hipóteeis de proporciones iguales de e¡to¡ colores. + {pt Zt..01 que el es ahora peor? hilo 7 . y Denominado¡ (. Enaayar la hipóteaie de que los dados esüén bien hechos..69. 7'68.e y azules. Recientemente. 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.05 desde el punto de vista de (o) un ensayo unilateral y (b) un ensayo bilateral.01.1i¡ ee rechaza en caso co¡rtra¡io. 7.lO¡ La experiencia ha demostrado que la media de resistencia a la rotura de una determinada clase de hilo e¡ de 9-72 onzas con uria desviación típica de 1.(o¡ : 1 s Por tanto la función . (o) Hallar la probabilidad de rechazar la hipótesis cuando en realidad aea correcta. una muestra de 36 piezas de hilo dieron una resistencia media de 8. Esüo provee Problernas suplem.7 o. mediante (of un ensayobilateralyla¡.05. 7. Un fabricante sostiené que al menos el 95% de los equipos que Euministra a una fábrica eetá de acuerdo con las especificaciones requeridas.

73. 0.01.5% y una desviación típica de 0. .252 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Solucionar el Problema 7. con los niveles de significación de (o) 0.70 si el nivel de significación es del 0. ? 7. Muestras al azar de 200 tuercas fabricadas por la máquina A y de 100 tuercas fabricadas por la máquina B dieron 19 y 5 tuercas defectuosas.05. 7.80. etc. [.a media y desviación tfpica correspondientes a los otros cuadrados fueron 17. la puntuación media de 32 niños fue de 72 con una desviación típica de 8.7 8.01 y (ó) 0./o con una desviación típica de 0.024. Utilizar el nivel de significación del 7. todos ellos tenían idénticas características de suelo.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.05 y (b) del 0. exposción a la luz del sol. 7 .2% de cobre. Utilizando un nivel de significación del (a) 0.24%.05 y (b) 0. Análisis de 6 muestras de A dieron un pH medio de 7.05. Ensayar la hipótesis de que a los niveles de significación (a) del 0.01. Explicar las diferencias entre esto y lo que se pedía en el problema anterior.7 7 ensayar la hipótesis ¡¡ : 1120 horas contra la hipótesis alternativa tt diante un nivel de significación del (o) 0. En seis pruebas de este tipo se obtuvo un decrecimiento en eI tiempo de producciónde 8. 1 .52 con una desviación típica de 0.01.54 fanegadas. A y B fueron ensayadas pa¡a ver su pH (grado de acidez de la solución). Ensayar la hipótesis de que (o) las dos máquinas tengan diferente calidad de fabricación y (b) la máquina B sea mejor que A. me- 7. En el Problem a 7 .O7o laintroducciónde tales máquinas en eI proceso resulta antieconómico. Ensayar la hipótesis de que la duración media de las bombillas no ha cambiado. 7. una parcela de terreno se dividió en 60 cuadrados de áreas iguales. 7. ¿Hay diferencias entre las duraciones medias de las bombillas de los dos fabricantes al nivel de significación del (o) 0. respectivamente. El número medio de fanegadas de trigo cosechadas por cuadrado en los que se utilizó el fertilizante nuevo fue de 18. Las especificaciones para Ia producción de una cierta aleación piden el 23.05 y (b) 0. mediante un nivel de significación del (a) 0. Una muestra de 100 bombillas de un fabricante A dio una duración media de 1190 horas y una desviación típica de 90 horas. ?.01? En el Problema 7 .77. mientras que 15 estudiantes de otra clase tuvieron una puntuación media de 74 con una des- .05. lcAP.05. ¿Puede deducirse al nivel de significación del (c) 0. Para ensayar los efectos de un nuevo fertilizante sobre la producción de trigo. Una muestra de 8 bombillasdelaproducciónactualdiouna du¡aciónmedia de 10?0 horas. (b) 0.05 ensayar la hipótesis de que las máquinas deben ser introducidas.01. A causa de lo costoso del mantenimiento de estas máquinas resulta que a menos que el tiempo 4e producción ee disminuyaen un8. El nuevo fertilizante se aplicó a 30 de estos cuadrados y el antiguo fertilizante a los restantes.05 y (b) 0. mientras que la puntuación media de 36 niñas fue de 75 con una desviación tÍpica de 6.032.7L.76. respectivamente.4a. < 1-t2O horas. En un examen de psicología de 12 estudiantes de una clase hubo una puntuación media de 78 con una desvia- 7. ¿Se contradicen los resultados con los del problema anterior? En un examen de ortografía en una escuela elemental. determinar si los dos tipos de soluciones tienen diferentes valores de pH. Dos tipos de soluciones químicas.32%.83. Análisis de 5 muestras de B dieron un pH medio de ?. ensayar la hipótesis de que el nuevo fertilizante sea mejor que el antiguo. Con un nivel de significación del (a) 0. Un experto efieiente mantiene que introduciendo un nuevo tipo de maquinaria en un proceso de producción se puede disminuir sustancialmente el tiempo de producción.01 las niñastengan mejor ortografía que los niños.76.63 fanegadas.01 y (b) 0.05 que el producto presenta las especificaciones requeridas? ?.01 V (b) 0.a2. Unamuestrade 10 análisis dio una media de contenido en cobre de 23.2 con una desviación típica de 0.72.8 y 0.8f En el Problema 7. Una muestra de 75 bombillas de otro fabricante B dio una duración media de 1230 horas con una desviación típica de 120 horas.72 ensayar Ia hipótesis de que las bombillas del fabricante B sean mejores a las del fabricante A utilizando un nivel de significación del (o) 0. ción típica de 6.49 con una desviación típica de 0.79 ensayar la hipótesis de que el contenido medio de cobre sea más alto que el que marcan las especificaciones. Mediante unniveldesignificación del 0.7 4.05 y (b) 0. ENSAYOS REFERENTES A DIFERENCIAS DEMEDIAS Y PROPORCIONES 7.19. ENSAYOS EN RELACION CON LA DISTRIBUCION ú DE STUDENT 7.

Hallar los límites de control del (a) 99. Comparar estos gráficos con los del Problema ?.CUADRADO 7. cuando la proporción real p de bolas rojas sea (o) 0.01? CUBVAS CARACTERISTICAS DE OPEBACION ?.25 considerando Ia analogía de bolas rojas y azules con caras y sellos respectivamente.27 si se eru¡ayan 400 cuerdas. En el Problema 7. se toma cada 3 horas una muestra de 16 piezas de hilo y se determina la resistencia media.65. Con la temperatura media del día 15 de cada mes. La resistencia a la rotura de una muestra de 8 cables dio una desviación típica de 300 libras. . Con un nivel de significación del 0. ENSAYOS EN RELACION CON 7 LA DISTBIBUCION F .93. (b ) 0. ?. mediante un nivel de significación del (a ) 0.63. t¿ ?.05 determinar si el primer grupo do. En el pasado. Ensayar la hipótesis de que las temperaturas en esta ciudad presentan ahora menos variabilidad que en el pasado. Ensayar la hipótesis de que la primera varianza poblacional es mayor que la de la segunda a un nivel de significación del (o ) 0.ores. Determinar los Iímites de control del (a ) 99% y (b)95% pam el número de tuercas defectuosas de cada muestra.05. Para determinar si el producto está de acuerdo a estas normas.01 . un cierto tipo de hilo producido por un fabricante tenía una resistencia media de roüura de 8. En relación con el Problema 7. (c) 0. (b ) ¿Qué conclusiones pueden sacarse de acuerdo con Ios riesgos de error del Tipo II cuando se incrementan los támaños muestrales? 7 . (b ) 0.91.05 y (b ) 0.28 onzas. Adviértase que en esüe caso solo son necesarios los límiúes de control super. (d) 0.94.E8.81 .85.6.01. al nivel de significación del (a) 0.9. Para mantener esta calidad de producción. ?. Alrededor del lVo de las tuercas producidas por una compañía son defectuosas. durante los 15 últimos años.95. Investigar la significación del aparente incremento enla variabilidad.cAP.7. determinar Ia probabilidad de aceptar la hipótesis de que haya igual proporción de bolas rojas y azules. Después de introducir un cambio en el proceso de producción de estos cables. tienen varianzas dadas por s? : 16 y s2 : 8 respectivamente. Ia desviación típica de las temperaturas anuales fue calculada como de 10o Fahrenheit. ?.92. (b) 0.8.05. ¿Concluiría que esto no es común? Explicar.77 una muestra de 20 bombilta¡ reveló una desviación típica en la duración de 150 horas. ¿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. (b) (1 -p) y p. ?.26 y 7 . Construir (a) unacurva OC y (ó) .86. (e ) 0. Dos muestras consisten de 21 y 9 observaciones. En el Problema 7.90. ?. desviación típica de las temperatwas anu¡legde una ciudad en un período de 100 años fue de 16" Fahrenheit. Comparar estas curvas con las del ProblenaT . ENSAYOS EN RELACION CON LA DISTBIBI'CION CHI.89.731o ó 3o. se toma una muestra cada 4 horas de 200 de las tuercas producidas. 7.3.27 GBAFICOS DE CONTROL DE CALIDAD 7.87 si las dos mueetras con¡i¡ten de 60 y 120 observaciones respectivamente. La desviación típica de resistencia a la rotura de ciertos cables producidos por una compañía viene dada por 240 libras. (b) 99% sobre un gráfico de control de calidad y explicar sus aplicac¡o- nes. Representar gráficamente los resultados del Problema ?.84. Solucionar el Problema 7.64 onzas y una desviación típica de 1. una curva de potencia correspondientes al Problema 7.82.0f .90 construyendo un gráfico de (c)p V p. (o ) Solucionar los Problemas 7 . 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION es 263 superior al segun- viación típica de 8.

Ajustar una distribución de Poiss<¡n a los datos.1'04. 7. Tabla 0 ? -25 I ?-101.l 1 cara 108 bien hechas. Un profesor nr¡evo da durante dos se_ mestres 22 A. 6l ?.0r . Una urna contienc 6 bolas rojas y B blancas. 114 Vier. Ajustar una distribución normal a los datos del problema 5. el número de muertos por unidad y año debido a coz de caballo se dan en la Tabla ?-2b. 108 Mierc. I 65 22 a l 10!¡ I LA PRUEBA CHI.40% C.96.105. de probabilidad para determinar si los datos del Problema 5.05. Mar. (b) Determinar al nivel de significación del 0. El número de libros sacados de una biblioteca pública durante una semana determinada viene dado en la Tabla ?-22. Se Tabla 7-28 0 rojo 2 blanco 1 rojo 1 blanco 53 si los extraen aleatoriamente dos bolas de la urna. resultados obtenidos son consistentes (.99.g8 pueden ser aproximados estrechamente a una distribución normal. Determinar si existe entre las máquinas una diferencia significativa al nivel dc significación del 0. .05 2 rojo 0 blanco Número de extracciones con Ios esperados.254 ENSAYOS DE HIPOTESTS Y SIGNIFICACION Tabla f 0 [car.106. En 10 unidades del ejército prusiano y en un período de 20 años 1875-1894. Se lanzaron tres monedas un total de 240 vese observó cada vez el número de caras obtenido. 7. 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.gg.e 12% A.0b. Ensayar la hipótesis de que la moneda está bien hecha utilizando un nivel de significación del (o) 0. con un nivel de significación del (o ) 0. Este proceso se repite un total de 120 veces y los resultados obtenidos.96 y comparar con el ajuste obtenido utilizando la distribución binomial. solucionar el Problema 7. Ensayar esta hipótesis al nivel de significación del 0. (b ) 0. Ensayar la hipótesis de que el número de libros sacados no dependa del día de la semana.100. Ajustar una distribución de poisson a los datos del hoblema 2.r02 utirizando la corrección de yates.05. 7.103.66 C' 16 D y 12 F. (o) Determinar las frecuencias esperadas.108. las puntuaciones dadas por un grupo de profesores en un determinado curso dieron un promedio d. 3.05. Ajustar una distribución normal a los datos del problema 5. 10.05 si el profesor nuevo sigue las mismas nornns de puntuación que los otros.01. Número de libros sacados Tabla 7 -27 Lun.100. El número de defectuosas ""d" fueron 2.CUADRADO 7'102' En 60 lanzamientos de una moneda se observaron 37 caras y 23 sellos.rrru de 4 máquinas.98. . utilizar papel gráfico 30 62 16 l0 . 7 z AJUSTE DE DATOS A DISTRIBUCIONES TEORICAS -24 2 7.107. (á) 0. Durante un largo período de tiempo. 7. 9. 7. 3 4 . 7 '97 Ajustar una distribución binomial a los datos dela Tabla 7 _24. Se eligieron aleatoriamente tuercas de la producción de .34 8.se muestran en la Tabla ?-2g.^ 30 Frecuencia esperada )0 90 3() ?. 7. 146 t20 7. Juev.LB% B. Delerminar al nivel de significación de 0. se anota su color y se vuelven a la urna.Lg?o D y 12% F.

96.ensayarlahipótesis de que no hay diferencia entre las píldoras de dormir y las de aziucar al nivel de significación del 0. Dott.cAP.111. 7l BONDAD DE AJUSTE ENSAYOS DE HIPOTESIS Y SIGNIFICACION 265 7.98. a unos se les dio pfldoraspa¡adormi¡.01. ¿Qué poeiblee dificultades en las t&nicas de muestreo como en otras consideraciones pueden afect¿r las conclusiones? . Sobre una decisión de importancia nacional. 7. Utilizar el nivel de significación del 0.101.ensayarlahipóteois de que no hay diferencia entre ambos partidos en lo que a esta decisión se refiere. De un grupo de enfermos que se quejaban de que no dormían bien. A un nivel de significación de (a) 0. Solucionar el Problema 7.LOg? TABLAS DE CONTINGENCIA 7 Tabla 7-29 Se . Suponiendo que todos los pacientes dijeron la verdad. 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. IA Tabla 7 -29 muestra el resultado de un erperimenüo para investigar el efecto de vacunación de animales de laboraüorio contra una determinada enfermedad.la Tabla 7-32.112.113. (a) Utiliza¡ la prueba chi-cuadrado para determinar la bondad de ajuste de los datos del Problema?.05 y (b) 0. Hacer el problema con y sin la corrección de Yates. A 72 64 t7 23 Clase B 7. (b) Problema 7. 7.05 V (b) 0. 7. las dos claees.(b) ¿Es el ajuste "bastante bueno"? Emplear el nivel de significación del 0.01 ensayarlahipóteaisdequeelnúmerodeaccidentes es independiente de la edad del conductor. Tabla ?-30 Aprobados Clase 7. ¿Es consistente el resultado de (o ) con el del problema 7 .f09.0ó. Ensayar la hipótesis de que las notas de física sean independientes de lás obtenidas en matemáticas. Mediante un nivel de significación del (o) 0. Mediante un nivel de significación del (o) 0.118. N nivel de significación del (a)0. El resultado de sus respuestas se muestra en la Tabla 7-31. ensayar la hipótesis de que no haya diferencia entre.31 DurmieTabla 7-32 ron bien Tomaron píldoras para dormir 44 No durmieron bien Demócratas 10 A favor 85 118 En contra Abstencionistas 78 61 37 Republicanos 25 Tomaron pfldoras de azúcar 81 35 7. Tabla 7. 7.01.01 y (b) 0.116. Mediante la prueba chicuadrado determinar la bondad de ajuste de los datos de (c) Problema ?.05 v (b) 0. la vacunación y esta enfermedad son independientes. (b)hoblema 7.05 y en cada caso determinar si el ajuste es "bastante bue. se Ies preguntó si las pastillas habían surtido efecto o no. Ia Tabla 7-33 da la relación entre las notas de los estudiantes en matemáticas y física. tiene su efecto en el número de accidentes de automóvil (incluyendo todo tipo de accidentes) se indican en la Tabla 7-34.L17. enfer No se maron 'enferma¡on Vacun¡dos No Vacunados I L7 42 28 ?.05.112 introduciendo la corrección de Yates. Los resultados de una encuesta hecha para determinar si la edad de los conducüores a partir de los 21 añoe.01 y (b)0. es decir.06.99. Mediante la prueba chi+uadrado determinar la bondad de ajuste de los datosde (o)Problem¡ 7.114. mientras que a otros se les dio píldoras de azúcar (aunque todoselloscreíonque suspíldoraseranparadormir).110.115.100. medianüe un nivel de significación del (o) 0. Posteriormente. los votos de los demócratas y republicanos registraron los resultados que se observan en. ensayar la hipótesis de que no haya diferencia entre los grupos vacunados y no vacunados.06.

se toma una muestra de 50 bolas con remplazamiento de cada una de las urnas. es JUS:0.LL4.L23.1 . 7. Dos urnas A y I contienen igual número de bolas.8165aproximada- 7. Si nI y n! denotan. (o) Demostrar eu€ ¡2 = 2@l/np. pero se desconocen las proporciones de boias rojas y blancas en cada una de las urnas. Por similitud con las ideas desanolladas para tablas de contingencia h X &. Demostrar que el coeficiente de contingencia máximo para una tabla 3 X 3 mente. 7'. ?.119.127. (b) Con el resultado de (c) hacer el Problema 7. 20. diantes.128.122. la suma de frecuencias en la fila ¡ y en la columna j de una tabla de contingencia (frecuencias marginales)./n. donde n es la frecuencia total de todas las casillas.125. Hallar el coeficiente de contingencia sin y con la corrección de Yates para los datos de (o) problema 7. (b) el coeficiente COLOR DE PELO Rubio No rubio 25 96 7. COEFICIENTE DE CONTINGENCIA 7. respecüivamente. donde n és la frecuencia total de todas las casillag.117. ( sin y con coeficiente de n de yates. .121. mostrar que la frecuencia esperada para la casilla perteneciente a la fila i y a la columna j es n¡n. señalando las posibles aplicaciones que pueden_tener.11?. Xu) r¡ñY Azules No azules 49 30 8-ó 7. Demostrar el resultado (2) det Problema 7. ? MATEMATICAS Notas altas Notas altas O CA Notas medias 71 Notas bajas L2 Dt) AO Notas medias Notas bajaa 163 42 38 85 T4 Tabl¡ 7-34 EDAD DEL CONDUCTOR 21-30 31-40 41-50 78s 51 51-60 720 66 16 5 61-70 672 50 RH HE< 0 748 74 82r 60 26 10 oz ÉE I 2 Bg z< 3l 22 6 ID 7 lMásde2 I 7.266 ENSAYOS DE HIPOTESIS Y SIGNIFICACIOD¡ Tabla 7-33 lcAP.?r para toda tabla de contingencia. Hallar el coefieiente de contingencia para los datos del Problema ?.126.¡¡¡. 7. discutir las tablas de contingencia h X k X I. 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.1L2 y (b) Problema 7.) 7.49.121. Demostrar que el coeficiente de contingencia máximo para una tabla fr X k es 1/1t¡ PROBLEMAS DTVERSOS .

134. ?.001' (d) 0. ?. ?.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 267 dando la de A 32 bolas rojas y la de B 23 bolas rojas. Generalizar el resultado del Problema 7.10.54 ?. es ahora 8.132 empleando un ensayo unilateral. Al nivel de significacióndel 0. (b) 0. ?. En eI Problema ?. (c) 0.142.138 ¿hay mayor variabilidad en millas por galón utilizando la marca B que utilizando la marca A? Explicar.23 pzra el Problema 7. (b) 0'01. ¿Se puede rechazar la hipótesis de que la moneda está bien hecha al nivel de significación del (o) 0. 7.05.06 de que el estudiante no está contestando al azar. Con otra marca B. Solucionar el Problema 7.0ó.13?.48. ?.140.133. el número medio de millas por galón consumido en 5 automóviles análogos bajo idénticas condiciones fue de 22. Con una determinada marca A de gasolina.54. Durante un período particular hubo 40 calificaciones A en un grupo de 300 estudiantes.01.54.140. Construir gráficos análogos a los del Problema 7.136.0Sinvestigarsila marca A realmente es mejor que B proporcionando mayor recorrido por galón. Con referencia al Problema ?. Mediante un nivel de significación del 0.132 si salen 6 caras. ?. Comentar los resultados. 7.4?. ?. Comentar cómo puede utilizarse la teoría del muestreo para investigar las proporciones de diferentes tipos de pescado presentes en un lago.138.131. 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. ?. (b) 0. El porcentaje de calificaciones A dadas en un curso de física en una universidad determinada durante mucho tiempo fte L0%. el número medio fue de 21. A B Tabla 7-36 I &1 II A2 III dg ó3 'tLg TOTALES ?. 2. Demostrar que para la Tabla ?-36 y2 " n = o(l+ú+"?\ * 2a (u" +ú+ rt2 'tL2 ns/ rr o?) ns ¡\ ?t I \t¿r / -.6 con una desviación típica de 0.4 con una desviación típica de 0. 7 n¡ ng üt fl1 b2 . Solucionar el Problema 7.l4O para obtener el valor de TOTALES lr2 n . Solucionar los Problemas 7.01? Utilizar un ensayo bilateral. (c) 0.13g. Explicar cómo podría definir interualos de confianza unilateroles y dar una posible aplicación.56 si el 7 en la regla de decisión del Problema 7. Una moneda se lanza 8 veces y se obtienen ? caras.130. 7.135.05 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 8.129.141.05. Utiliza¡ el resultado del Problema 12 para el Problema ?.cAP.64-7.55. Ensayar la significación de este resultado a un nivel de (a) 0.132.

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

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

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

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

llamadas las ecuaciones normales correspondientes a (20).23. por ejemplo. c en (20) de modo que que (20) lz = tmtb)r+ "2a 2*. como se emtodas la. . Genetalizaciones a más variables. entón". x. (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. n¿viértase qúe pueden obtenerse formalmente de (20) multiplicando por L. la cun¡a de o de la estima.8 REGRESION MULTIPLE Las una ces busc hay ás variables. Si r es la variable dependiente una ecuación semejante se llamarú ecuación de regresión de x sobre y. ' Estas ecuaciones.r)2 (22) r.: 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". tenga la forma (20) z = a*br+cy Esta se denomina ecuación de regresión de z sobre r.. Por ejemplo.s curvas de regreéión posible. y respectivamente y sumando. debemos hallar si n es lo suficientemente grande para que estén rectas alrededor del 68%. tenemos (23) (24) También podemos expres¿u s. 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 < 1.96% y 97% de los puntos muestrales res. : a* br."t)z = 2¿2. = o2r +b>12*c)ry 2u" : "2u + b> ry 1. puesto que >(A U. y.' : f"(L-r') Í l..2. obtenido de la curva de regresión de y sobre r. con a y b dados por (4). si creemos que dos variables inaependi"áfus y. REGRESION Y CORRELACTON lcAP. se hacán fácilmente.262 CURVA DE AruSTE. si construimos p¿ües de rectas paralelas a la recta de iegresión de y sobre r a distancias vertióales te.-' perficies de regresión en espacios tridimensionales y superiores. entonces una medida de la dispersión con respecto a la curva de regresión está suministrada por la cantidad sg. incluyendo ecuaciones lineales y no lineales conducentes a s¿.r €l valor estimado de y para un valor dado de ¡. por la recta de mínimos cuadrados en términos de la varianza v del coeficiente de correlación como s?. ó.c)y2 (21) tado de aplicar una definición análoga a la de la página 2sg. se obtienen como resul- ERROR TIPICO DE LA ESTIMA Si.denotamos por U". z.

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

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

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

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

Véase Problema 8. es decir. Aquí utilizamos el hecho de que el estadístico z =*r"(i+) = r.49 y 8.m (ao- úor\Ñ @a¡ tiene una distribución de Student con n . fo = E(YIX = co)]. Ensayo de la hipótesis p = 0. En el caso de que p = O esta distribución es simétrica y se puede utiliza¡ un estadístico con distribución de Student.48. Í : Ís para la población. 1. Aquí utilizamos el hecho de que el estadístico f = rl/n-z \/fr (+s¡ tiene distribución de Student con n - 2 grados de libertad. Véanse Problemas 8. Para p + Ola distribución es sesgada.8l CURVA DE A'USTE. En ese caso una transformación debida a Fisher produce un estadístico que aproximadamente tiene una dishibución normal. Denótese por üp elvalormedb predichodey correspondiente a x = Ío para la población [esto es.'\[+Fi.2 grados de libertad. Denótese Por Jp el valor predicho de y conespondiente 2.(i#J aproximadamente tiene una distribución normal con media y desviación típica dadas por (50) -Zt" /1+p\ *. Véanse Problemas 8. Ensayo de la hipótesis p * 0.43 y 8. Entonces el estadístico t- ú- ru. Ensayo de hipótesis para valores predichos.ffi @o- a"\{n-2 Urr¡ tiene una distribución de Student con n . 2.2 grados de libertad. 2. lo = a * bxs. Entonces el estadístico t- su.8 : to estimado de la ecuación de regresión muestral.. = ffi - (51) Z de Fish.Para este propósito debemos conocer la distribución muestral de r.2 grados de libertad.cAP.46. La transformación (60) se llama transformación /1+p\ I o/' ". Los ensayos siguientes resumen los procedimientos involucrados. (i=/ : 1'1513 tos'o(1 Estos hechos pueden también utilizarse para hallar los límites de confianza para los coeficientes de correlación.45. Véase Problema 8.. De esta ecuación se pueden ha' llar límites de confianza para valores de población predichos. Esto también puede utiliza¡se para hallar inten¡alos de confianza p¿ua coeficientes de regresión poblacionales de los valores muestrales. . 3.er.47 y 8.1618"".50.44. lími TEORIA MUESTRAL DE CORRELACION Con frecuencia tenemos que estimar el coeficiente de correlación poblacional p a partir del coeficiente de correlación muestral r o ensayar la hipótesis relacionando a p. Denótese por ¡lo el valor predicho de y conespondiente i f : ts estimado de la ecu¡ción de regtesión muestral. REGRESION Y COBRELACION 267 tiene una distribución de Student con n . = 1. Véanse Problemas 8. Ensayo de hipótesis para valores medios predichos. lo : a * bxs. De aquí pueden hallarse los tes de confianza para valores medios poblacionales predichos. es decir. Denótese por Jo eI valor predicho de y correspondiente o.

La consüante b : (yz .268 CURVA DE AJUSTE.yt)lfz .@ se mueetra en la Fig. y2 ) son puntos sobre la recta yt = a+bn1.Zrpzr-2. y 22 conespondientes a y rz utilizando (50). eI coeficiente de correlación puede eer diferenüe de cero y podríamos halla¡ una ecuación de regreeión prediciendo una variable de la otra. diente de la recta. Se¿n X.51.a*br)-(a*br1l = b(r2-r1l Obteniendo que b : (yz . ozr-2.1.)w-. REGRESION Y CORRELACION [cAP. Demostrar = que la ecuación de la recta es U-Ut tenemoe (Ty. calculamos Z. = Y nr- n^ = nt-3' nz-B (53') disbibuye norma[mente. Y tienen un coeficiente de correlación diferente a cero.2. EJEMPLO 8. Luego utilizamos el hecho de que el estadístico Zr. Entonces ya que (¡r. Por tanto (1) A2 = aibr2 u-a1 = @*br)-(a+b*t) (2\ .b(r-r-1\ Í2trt Uz-Ut .lLzr. podemos utilizar una ecuación de la forma de (39) pata predecir el valor de Y a partfu del valor de X.a ecuación de una recta es ! : a * b*. y. Si X representa los s¿larios anuales de los profesores en tanüo que Y representa la cantidad de crímenes. Una recta pasa por los puntos (xr. cuando p + O. página 82) que son dependientes en el sentido de probabilidad (esto es. 8 3. ). ozr-2. La gÉfre de la recüa .1. Es importante acla¡a¡ que "correlación" y "dependencia" en el sentido anterior no necesariamente implica una independencia causal di¡ecta de X y Y. el resulüado se deduce.¡r ) es la pen- . lt ) y ( rr.t [. Véase Problema 8. su distribución conjunta no se factoriza en sus distribuciones marginales). Pero diffcilmente diríamos que hay interdependencia düecta entre X y Y.(. Esto se demuestra en los ejemplos siguientes. (521 donde se Itzr-|. Significado de una diferencia entre coeficientes de conelacion.s resueltos NECTA DE MINIMOS CUADROS 8. EJEMPLO 8. yr ) V @2.yt)l@z . 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. = Pzr. Además. Y variables aleatoria¡ que representsn eetaturas y pesos de individuos. 8-5.11 ) de (2) y (l pedido sustituyendo en ). sabemos (Teorema 3-15.. Aquí hay una independencia directa enüre X Y. Problerna. CORRELACION Y DEPENDENCIA Si dos variables aleatorias X.

dz: albr2-9"...61. f.tl' a-r =ffiO-l. recta de mínimos cuadrados conespondientes a 11. albnn Las dewi¡¡ciones verticales correapondientes son dt = a*br1-yt.rfnSOn a*bry albr2. 8-?. aFlab = 0.3. 4).. 3 2 4 6 4 891114 o a t).. para la recta de mínimps cuadrados.. 12. (b) Para obtener la ecuación de la recta construida en (o). (11.1 ) y (72.g¡2.(4. Refiriéndonoa a la Fig. Ya que # = >f.os valores de y sobre la.7 . por ejemplo.4. 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. dn = a*bxn-yn Fis. CURVA DE AJUSTE. Las coordenadas de e¡tos puntoa tomadoc de la gráfica eon aproximadamente (0.t"*br-y\z = # = I$r" *br-y)z : obtenemos )2(a+br-ul 2zr(a*br-al 0 )("+ br-y) 2a = an*b)n 0 )r(o* bx-ul - es decir.b) = l(o * br . (b) Í como variable dependiente. 8. (6. REGRESION Y CORRELACION Tabl¿ 8-1 ü u 1 269 (c) Construir una recta que se aproxime a los datos de la Tabla 8-1.542r ó¡ U=l+0. (3. 8-6 . 6 y-l=0. F(a. Puede demostrarse que eetas realmente resultan en un mínimo. (o) Dibujar loe puntos (1.2 utilizando a (c) variable independiente. tales como P y 8.cAP. Derivar las ecuaciones nonnales (4). 8) y (14. es decir. escójarrse dos puntoe cualesquiera sobre la recta. Entonces el Problema 8.8l 8. r como . (9. ..rA' ")t)'6"' Fig. 2ra = a2r*b2r2 como 8e pedfa. página 260. 8-6. 6).642r. I 4 8 I Una rect¿ que se aproxime a los datoc se dibuja a mono olzada en la figura. vé¡ee Problema 8'4 que emplea el método de mfnimos cuadrados. Para un método que eümine la ne' eecidad de juicio individual. Una condición ó mfnimo (o un máximo) es necesaria para que esto sea un que aFlaa = O. Ajustar una recta de mínimos cuadrados a los datos del Problema 8. 9) sobre un ¡istema de coordena' das rectangulares corno se muesha en l¡ Fig. (b) Hallar una ecuación para esta recta. (8. 8.4\.1 . 2). 7).2.

y. la ecuación de la la recta de mínimos cuadrados es ¡ : c * dy. Nótese que esta no es la recta obtenida en el hoblema 8.50 d- - = 1.2 utiPuesto que hay 8 pares de valores de.546 + 0.636.sz El trabajo involucrado en el crilculo de las sumas puede ordenarse como ae indica en lá Tabla 8-2. d=9 ó 1. b=+ ó0.50.r. yla rectade mínimoecuadradoopedida es S t + lrx 6 U = 0. se ha agregado a la tabla para emplearla en la parte (b). a = ()y)()r2) . Aunque la última columna no se necesita para esta parte del problema. 8c*40d = 56 40ci256d = 364 Estos valoree también pueden obtenerse de ()rx)sz¡ . las ecuacionee normales se convie¡ten en dedonde c=-* ó -0.(56X364) lt ó0'545 = 6 --lE f8-i6 g=w =qffiffiá#l )c = cnld)y = frao. t¿s ecuaciones normalee son )Y: 2ru: an*b)r a)r*b).8 (o) La ecuación de la recta es y : o * b¡.)ru) c=ffi==-0.60 .()r)()ry) = (40)(524\ .545.oso (b) Si se considera a r como la variable dependiente y a y como la variable independienüe.636 r. REGRESION Y CORRELACION [cAP. Otro método.CURVA DE AJUSTE. las ecuaciones normales son 2ru = c2y*d2a2 Entonces utilizando la Tabla 8-2.Ga)(. 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. n lizando el método a mano alzadt.50.

= tllu-úl Nótese que en general. (b) Estimar el valor de y cuando x: L2. Ot¡o método.546 * 0.8l CURVA DE AJUSTE. r-ñ f).546 f 0. 0. ti).úr.Resolviendoeimultánesmente. pero ¡e intergectan en (a.6. (b) Al remplazar x.cAP. ¡ = 7 . 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 ).fi). y E=-t+*y.9.546 + 0. remplazando las constantes o. y es la varirrble independiente.4. U = 0'646 + 0'636(12) = g'Z' (c) Al remplazary:3 enlarectaderegresiónde¡ sobre a. 6) se encuentra en la recta U = 0.ha*+É.60+1.60y t2 10 = y= e.Elpunto(?. Caso 1. Nótese quelas dos rectas en e¡te caso prácüicamente coinciden.6)seencuenhasobrelarerfar=-++$y. se indican en la Fig. las rectas (¿) V (S) no coinciden. es (7.636 ¡ 2 0 6tl012 Fig. se utiliza para estimar r para valores dados de y.pue¡üoque7=-*+*(6). [¡secuacionee delaedosrectassona= llamos 8.! :5. F = -0. lo cual es un¡ indicación de que los datos están muy bien descritos po¡ una relación lineal. - 0.333 * 0.7.. pueeto eue6=*+t(?). hallamos que la recta de (5) que indica que la recta pasa por el punto (4. 2.60 * 1. llamedo el centroide. b por c.E. Lar gróficas de l¡s dos rectat. (c) Estimar el valor de ¡ cuan' doY: 3' -2a40 a=T=¡-=o Luego el punto (6. (o) El punto (?. Representar gráficamente las dos rectas obtenidas en el hoblema 8.500*1. Por üanto la¡ rectas se interceptan en el punto (?.50y.4 intersectan en el punto (.66? r 8 6 1 u= 0.8.ú). y : 0.636¡.50(3) = {. {. ¡ es la variable independiente.636 r o. (o) Demostrar que las dos rectas de mínimos cuadrados obtenidas en el Problema 8.8-8 8. ¡ ¡=-0.: L2 en la recta de regresión de y sobre n. Demostrar que una recta de mínimos cuadrados siempre pasa por el punto (i. . la recta de mínimos cuadrados puede escribirse como Q) Caso que muestra que la recta pas¿ por el punto (á. y.333 + 0'667 ¡' que no ee l¡ mi¡m¡ rect¡ 8.Í.60 y.6. La recta obtenida en la parte (b) se llama la recto de regreeión de x eobre y. Nótese que al solucionar esta ecuación para y obtenemos y obtenida en la parte (o). más exactamente. ú). REGRESION Y CORRELACION Por tanto la ecuación pedida de la recta de mínimos cuadrados es r = 0.60 + 1. d respectiremen' üe.5). mfnimos cuadrados puede eecribirs€ como hocediendo como en el c¿¡o 1 intercambiando r. 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.6).

= n8ru-(2rl()ü _ n2xz _ (2r)z Entonces ti ú = út I h. j[n2ra Por tanto (I ) oe conüerte cn 2rU t (>¿X>y)] de donde ¡e obtie¡e el resultado (S ).. demostrar que D--i# .n2r'a' . u=7+tc Por üanto . 8.)(2g.272 CT'RVA DE AJUSTE.9.8. re rigue intercambiando D - >(z::elfu.Demosharque . .úl = 2(rs-i:y-ir*efrl 2ra-ñ2u-ú2n1'2eú 2rU-nEú-nfrE*nitfi . U .y. De la segunda ecuación en (5).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.ú = b(x.n8z 2r2 I Entonces . r puede escribirse en la (l).(2x')(2y'l n)s'2 .-.(>.10 Si en el Problema 8.t). h_ v- dondeh n2uU yk son constantes.9. y. + k.(2r.()¿X)y) n)¡z .12).1 -ñF-trú. Tónemo¡ de 11) [eAP.=-Ep=Ts¡t Del Problem¡ 8. Ir 2(a . g 8. sean c = d *h.pdgina 261. tenemos D_ 2(r n2xy . Problema 8.(2rlz 2(¡z-2nr*12) 2r2-2ñ2r*2i:z 2r2-2n82 lniz 2s2 . página 260. h = f. y (véa¡e problema g.al r.t¡z = - t )(>x)2 |ín2rz .nEú (I¡X)z) ¿ru .tenemos .8 tenemos f.7 .(Ic)z¡ También >(r - t)(v . U - g. pdgina 260.e¡z demo¡tración de (12). ¿ = ñ. u=u'*k.=7+h. REORESION Y CORRELACION Demostr^ar que la tecta de regresión de mínimos cuadrados de y sobre forma (8). 8.(2r)(2r'l n2r.

ae sumas se muestran en la Tabla 8. REGRESION Y CORRELACION 273 Se deduce inmediatamente del Problema 8.a2n*b2n2 [.82 + O. .418b = 64. La gráfica de esta ecuación ¡e muest¡a en la Fig. 72 de dispersión se obtiene dibujando los r = _8./ €70 6 !a 2a'= an * ólr 2ra . 8-9.L07 de donde hallamoe o : 36. y ) sobre un sistema de coordenadas rectangulares como se muestra en la Fig. 62 62 6{ 66 Fig.849 .88+r. (c) Construir un diagrama de dispersión. de modo que lae ecuaciones normales se convierten en 9oe 2? 666 864 É¡ E 12o*800ó:811 800o*63. (c) Hallar la ¡ecta de regresión de mínimos cuadrados de r sobre y.197 )92 = 64. &11 La Tabla 8-3 muestra las respectivas estaturas lc.a recta de regresión de y sobre r está dada por y = a + b*.cAF.4. 8-9.82 y b = 0.8l CURVA DE AJUSTE.y deuna muestra de L2 padres y sus hijos mayores.476x. de modo que y :96.476.086/___V (b) f.418 Zny = 54. (b) Hallar la recta de regresión de mínimos cuadrados de y sobre r. Tabla 8-3 Estatura r del padre (pulgadas) 65 63 67 64 68 62 70 66 68 67 69 7L Büatu¡a y del hijo (pulgadas) 68 66 68 65 69 66 68 65 7t 67 68 70 (o) El diagrama puntor (r. 6t E-9 ?0 72 Estatura del padro (pulgadas) Tabla E-4 g t)o a 68 66 68 65 69 66 68 65 t2 4225 3969 4489 4096 üa 4420 4158 4624 4356 63 67 64 68 62 70 66 68 67 69 7L 4566 4160 4624 4225 4624 3844 4900 4356 4624 4489 4761 6041 4692 4092 4760 476L 4356 4624 4226 6041 4489 4290 4828 4489 7l 67 68 70 4692 4970 4624 4900 )c = 800 ly=8u lcz = 63. donde o y b se obtienen resolyiendo las ecuaciones normales.9 ya que 2fr' = l(c-t) y análogamente = 2r-nñ = 0 ly' = 6.

67.274 Otro método.11 utilizando el método del Problema 8. = ú - 68. 8 "= (c) ecuaciones normales I]4ff de¡ sobrey viene = 85.476u u .07) 6 ecueción de regreeión pedida de y sobre x ea a .12.58 n I¡ =7*68 = -**68 = 66.476(n-66. CURVA DE AJUSTE. y. Solucionar el Problema 8.()y)2 1.68. se convierten en -f SLld = 800 64. REGRESION Y CORRELACION lcAP.5) - (10)z = 0.asfque¡:-3.38*1. y ( los números restados de r tee). (12X106) (-16)f. de r. ¿ = n>r!: (>!)l?nl = n2a2 . - (>¡XI=y2l. 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).9. aparte de los enores de redondeo.68.dondecydseobtienensolucionandolas 2a = cntd.4?6 Larectaderegresión x:c* dy. .82. u =7*68 = -**68 = IZ-LZ = b(u. - 68 tenemos r.036. = delascualeshallamosc:-3. esto ee a = 36.849d muestr¿ en la Fig.476 También ya que &' = ú . 8-9. Esto nos conduce a la Tabla 8-5.á). .(lyX>ay) n2yz . b = dada por ry# = 0.d=1.86 * 0. por ejemplo 68.L07 E1lc#54.036y.12s¡z _ _s.086 8. De una manera análoga podemos obtener l¡ ecuación de regreaión de r sobre y.68 = 0.2y 2uY = c2Y*d2Y2 L2c Utilizando las sumae en la Tabla 8-4. Por tanto 6?.g8.11.ú de acuerdo con el Problema 8.Iagráficadeestaecuaciónse Otro método. = ñ .38. Réstese un valor apropiado.6?.

y conespondientes a los valores de V.1 Presión P (lb/pul2 ) Ya que 6r. P de Ia Tabla 8-6 y también indica los (l ) son 2a = on*ü)¡ de las cuales 2ry .7910 1.2833 1.40=-y.to = 16. y y= logP=4. Tabl¿ 8-7 s = logV L.9479 2.7348 1.3 61.0043 12 ra 3.0997 3. n.ffi¡af'=-1.8 49.20=logCy (b) Pvt.2 PVt = C.7943 4. r=logV:2 25.0 pulgadas cúbicas. tenemos tomando logaritmos de base 10 cálculos involucrados en eI cómputo de la recta de mínimos cuadrados (l ).6762 1.log P : y. Tabla 8-6 Volumen V (pul3 ) 54.66L7 2.4685 3. Solucionar el Problema 8.3019 6. a = ()y)()rz)-(>rX:g¿l _ n2"2-1>n\z .4 118. La Tabla 8-? da los valores ¡.000.7 28. (c) EstimarPcuando V = 100.40 Luego Y = 4. Para cada pareja de valoree de la presión P y el volumen V en la Tabla 8-6.7858 1. De acuerdo con los principios de la termodinámica una relación de la forma PV.859? A = logP 1.20-1.cAP. (c) Hallar elvalorde y y C.6 88.2878 2.13.2077 3.9294 2.0 10.40.(b) Escribirlasecuacidnes que¡elacionan aPy V.60X104 y y=1.40= lb/pulg2.0095 3.40(21 =1.8l CURVA DE AruSTE.4 37. = C.8543 =-1. REGRESION Y CORRELACION 276 ECUACIONES NO LINEALES REDUCIBLES A FORMA LINEAL 8.40. (c) CuandoT=100.0059 2xa - 16.2976 )r = 11.8309 t.1 lu = 8'7975 b )12 = 23.6953 (o) Puestoqueo=4.4Ou. La tabla 8-6 da valores experimentales de la presión P de una masa de gas dada correspondiente a varios valores del volumen V. Las ecuaciones normales qorrespondientes a la recta de mínimos cuadrados logP = logC-ylogV logC ó logP*ylogV: Tomando log I/: x.0350 3.2ry .5 72. 8-10.20.b:-'1.a2r*b2r2 4. Entonces P=antilog1. la última ecuación puede escribirse (r) U = oibr donde¿:logC.6946 1.074L 2. debe existir entre las variables.2 t9. obtenemos un punto que se dibuja en el popel log-log construido especialmente como se muestra en la Fig. .()rX>u) 6=-ffi.6 194. C=1.2340 2.13 dibujando los datos en un papel logJog.4533 1. donde y y C son constantes.14. 8.20-l.

U = a*ba*crz l¡ pa¡óbol¡ de mfni- Se¡n lo¡ puntos mue¡t¡alec (a¡Ittl. e2. m 60 so r00 Volumen Y '{l Fig. que er negatlva en e¡te ce!o. prigina 261. 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..a)(2) = de modo que logP* 1. [¡ medida en este e¡¡o indica que D = -1.o*blogV ó g = o*bn Ie pendiente D.Ut U2.?"-al' dc = o*bu21-cú-!2. .4.2.a*(1.2.!nl. 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 . .) d^ = o*üc"lorl-t^ y lrr ruma de lo¡ cuadrado¡ de le¡ de¡viacionee eotá dada por )¿t = )(o+ bxlca2-t)1 . ..1rn ¡on olbr¡lcu!. Enton4. para la parábola de mínimos cu¿dradoo.2 a = logP-ülog7 = lo926*1. y PVtl = 16O00 PARABOLA DE MINIMOS CUAI)BAI)OS E. Deriva¡ las ecuaciones nomales (I9)..276 CURVA DE AJUSTE.. . P: 26 de la g¡lfic¿. REOBESION Y COBRELACION [cAP.16.4 logV = 4. Por ejemplo cua¡do V: 100.4. . (r*uzl.4 los100 = l. re de numéric¡rnente por l¡ relación-de la longitud AB a le longitud AC. (nn.8-r0 150 ¡00 ú t00 También ¡e indica un¡ rect¿r (dibujada a mano alzada) que re aprorima a eeto¡ puntos. . of bur*wl l¡¡ de¡vir¡cionee de. . . .¡ U¡ ertfa dadar por dt = qtbx¡Ic¡.8 l0 ú' 3o {0 ü. logPTlle . Por t¡nto albn2*ct/.

28 233.O.42 - - 1449.16.42 291.2 1.20 18.24 9.ólcs*clra H trabajn involucrado en computa¡ la¡ ¡uma¡ puede ordenarce qomo 8e mue¡ha en la Tabla 8-9. b = : 2.cAP.8l E¡t¡ ec CURVA DE A¡UsTE. c.6 2A = an*óI¡*c2n2 [¡s (r) ecuacionec normales son 2ry = o)¡*b2r9*c2rs 2n2a = o.971. e¡ decir 277 F(o.8 7.o3to*óc*cr2-a)2 = )2(o+br*crr-a) k = )*a{o*br]-cnz-u)2 = 2Zr(a*brtcü2-a) aF :d.61 24.19 2.06 941.2b + 291.27 1.6 a I bx * cr2 a los datos de la t€ D.66 259.2 6.7 12 n3 xy 6.28 38.8r 2n2g I¿= 42.' 7.0 7.8 r87.22 rzy 6.36 2ua = Zxu 291.1 8.44 3.cl = )(o I Para minimizar esta función debemo¡ tener bx * cx2 - U)z Ti=o' .62 21.1 12.360 + 18971.9 9.t=o' *=o Enüonces # = ).2r2].19 36?.49 60.OI 32.12 67.79 s32. c = {).2 )u= 46.1 : 8.96 96.36 5?6.0 ?.6 2.2 1.91 636.00 2.75 117.2a*2SL.92c : 1449.41 73.58 4.6 5. 8.20 o + 2276.7 4. T¡bb ü u 1.2ll0rt .46 254t.82 4t.8 4.588 de mfnimoq cuadrado¡ pedida tiene l¡ ecr¡¡- .8 3. lar ecurciorÉ¡ norm¡ler (I ) rc convierten en 8a I 42.93 342.065 t .4E 1065.2 6.8 7.066.70 38.688.4 2r2 - Ic3 = 2276.40 10.73 5.1 t€ 14 a 4.9 7.t2 9223. = + 2. Tabl¡ u 1.8 4. REGRESION Y CORRELACION función de o.8 3.36c = 230.83 29.70 26.b.6 9.7 4.2Ob+2275.20 c = 48. págin¡ 261.04 1.04 48.L6 6470.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).8 2.49 92.5 6. b.65 185.48 19.7 7. Ajustar una parábola de mínimos cuadrados de la forma ! Tabla 8-8. o ción = 8.9 5. ? = )f.9 7.00 Puecto que n (2) Reolviendo.92 230.08 10.2110¡ arí la parábola 2.

y por medio de una ecuación de regresión de a ! bx * cy.zn\... Demostrar que la ecuación de regresión de mínimos cuadrados se obtiene al determinar a.588 + 2. z. [. Tabl¡ 8-10 Uest 4. 8. pág¡na 262.z¡ dt = a* br1 * cUt. las ecuaciones normales pedidas (21) en la página 262 se obtienen. Utilizar parábola de mínimos cuadrados del Problema 8. y. .zt. . all.18 la forma z r.9 6. (c) Hallar la ecuación de regresión de mínimos cuadrados de z sobre x. b.962 7. .2)2 = 4.19.. 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. Análogamente se obtienen otros valores estimados.613 6. c de modo que satisfaga (21.17.278 CURVA DE AJUSTE. Pata r = 1. b y c a cero. vienen dadas por (f) 2z = na*b2r*c2y 2rz : a2a * b2r2 * c2rg 2gz : a2y * b2rg -f c2yz El trabajo involucrádo en computar las sumas puede otdenarse como se indica en la Tabla 8-12.7 u REGRESION MULTIPLE 8.8 7.).Un.741 4. y puede escribirse z: albnlcy Las ecuaciones normales (21). ..página 262. b.762.5 2.An) son respectivamenüe a*br1*ey¡ Por tanto las desviaciones de z¡. 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..2) . . . Se desea estimar una variable z de las variables : Sean los puntos muestrales (ryUyzr). (b) Determina¡ los valores estimados de e de los valores dados de r. (c) Estimar el peso de un muchacho de 9 años y 54 pulgadas de estatura.2 6. vienen dadas por a*bnr*cyn dn = a* bnr* cUr. (ün.8 4.8 8.56L 2. las estaturas x. .0 7. lcAP.os resultados se muestran en la Tbbla 8-10 junto con los valores reales de y.065(1.0. c e igualando las derivadas parciales con respecto za.2110(I. Ue"¡ = 2.640 7. La Tabla 8-11 muestra los pesos z ala libra más cercana. (rn. Entonces los valores de z sobre el plano de regresión de mínimos cuadrados correspondientes a (r1. ala pulgada más cercana y las edades y al año más cercano de 12 muchachos. y.503 7. REGRESION Y CORRELACION la.2.16 para estimarlos valores de y de los valores dados de r. .762 4.5 5.621 5.

"r)2 2afu 2fu-o-brlz o.136 64.206 69..8l CT¡RVA DE AruSTE.356. REGRESION Y CORRELACION Tabla t-12 fi 64 Df 59 49 62 51 a 8 10 6 11 z.926 66.682 ?8.168 48. denoüado8 pot valoreg Tabl¡ 8-13 2est 2 64. Si la recta de regtesión de mínimos cuadrados de y sobre que el error típico de la estima sy.20. ü = 0. el peeo estimado es zest : 63.e resultado¡ ¡e dan en la Tabla 8-18 junto con lo¡ mueshaleg de z. ERROR TIPICO DE LA ESTIMA 8.66+0.¡ €stá dado por r viene dada por ! : a * b*.606u zesb al susti- ) tui¡ los valores correspondientes de x.4t4 69.cAP.920 64 7l 63 67 DD 68 77 67 66 61 76 68 (c) Remplazando ¡ : 54. c = 1. las ecuaciones normales (I ) ee convierüen en l2a1-643b *106c (2) 643¿ = 769 * 34.! : 9 en (3).= v. Utilizando la ecu¿ción de regreción (3) obtenemos log valores egtimados de z. 2a'- a2g n - b2rY por Ueet Loe valoreg de y ectimadoa a partir de la recta de regrerión vieneÍ'r dados = @ * ü¡.664 78. a = 6796 = 3.8436 * 6779c = 40.b2r(u -a-br) .225 68.6612.286 66.-brl - o-bu) . 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 = 40.880 106o*67?9b+976o Rerolviendo.830 2yz = 6796 2uy = 6779 48. Entonces ^.86? 65.2(Ufl -a.139 34. demos- s'?.6068. o aprorimadamente 63 lb. la ecuación de regrerión pedida es (t) (b z = 3. Ír.8646.7r7 68. y.865r+1.843 Utilizando esta tabla.r=n= = 2(a-a. =í.

b2rtgt * nú(ú ..bñl = 2O'' . REGREsIoN Y coRRELAcIoN lcAP.!* e!\ = 2a'2 + 2y29' * nú2 . como se obtienen de la recta de regresión.20 se obtiene el re¡ult¿do pedido.76.24)2+(0.280 Pero CURvA DE AJUSTE. Demostrar que el resultado del Problema 8.UpotA-ú. 2(a .28 pulgadac.y..24 68 67 67 67. 8.6? 70 68 69.a2r * = b2u2 Entonces sí.19 0.b2(r' * ñl@' * úl = 2(y'2*2ytfi*¡z¡ . E.r9)z:l-.b2(r.20 N3' = 2u2-o'2a-b2xy = 2(a' + ú)2 .11(b ) la recta de regresión de y cobre x ea ! : 36.21.xpot¿-á.¡ Método 1. Por ejemplo.66 7l 70 69.7L 64 66 66. cotrespondiendo a ¡ = 65 tenemotgest:36.28 68 69 68. Entonce¡ del hoblema 8.")z = "1.81 62 66 66. En la Tbbla 8-14 ee listan los valores reales de y (de la Tabla 8-3) y los valorec estimado¡ de y.33 0.a)2 .476(66) : 66.ana . güe ¡e neceaitan para el cálculo de oy.r.11.b2r'Y' = 2(a .19 2.66 >(u-u.14 ü a Uesl 65 68 66.81 0. También ¡e indican lor valorea y - Uest. g = A'+ ú.o2(g' * fil . Sabemo¡ que la recta de regreeión puede eecribiroe oomo blem¿ 8. Erto demueetra el resultado pedido.76 L..47 6r. Tabl¡ t.2y-an-óIr = 0 2r(a-a-br) .o.bnü! = 2U'2 + nú2 .bi2r' .98)2 12 = L64z .2O puede escribirse como ^z üu.29 -1.b2r'g' .al@ .ú = b(r .2¡ pará Del hoblema 8. 8 2(A-a-bn) .62 0.a(2U.x = lTiltr= 1.ó)(a ." y 8t. (1.2na-o.+(0.14 66 65 67.19 67 68 67.71 -0. Método 2.á).ú)'- b)(c n - ¡)(u - ú'l Si ¡ = r' * A. Catcular el error típico de la estima¡ 8¡.úl donde hemooutilizadolo¡re¡ultedot2r'=0. = 2a@-a-bt\ nll 2a2-a2a-b2ra Este ¡esultado puede extender¡e a ecuaciones de regresión no lineal.24 63 66 65.71 69 68 68.anÚ .38 7l 68. 2u'=0 y ú = o*bt (que re deducen aldiüdiramboslado¡ de l¡ ecuación normal 2A = an * b)r por n¡.bn.22.€2 + O.bt2y' . que corteeponde a empezar con l--o+bryremplazando:oporcero.ú = 2u'2 . I üyt * r.81 U - Aest 0.*nú') . / .28 -1. denotados por lresr.82 + 0.14 -2.2r-b2rz = 2A = on * ó)c 0 puesüo que de las ecuaciones normales 2ru .b2t'g' .Cuandoeehacenestoeremplazo¡enelProlos datos del Problema 8.24 -0.

tenemos 2(u-ú)2 .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. ú>@ - a - bn) puesto que de las ecuaciones normales 2(a = 0.. = 19..11.28 (véase hoblema 8. '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..11 se muestra sólida en la Fig. Del último renglón de la Tabla 8-14. = 1.y""t) * (Uost .58 del Problema 8. (¿) Construir dos rectas paralelas a la recta de regresión del Problema 8. Tenemos Uest de ú : 67 .22.a) = =Q :y.0t¡z . = 1/@ se tomaron las estaturas vie- COEFICIENTE DE CORRELACION LINEAL 8. parecen estar sobre las rectas. Tabla..25. Uir examen poste- 66 6l 62 Otro método.A)'. del Problema 8.23. 8-11. se encüentra entre -1..nrr.22). y-gfo".U""t)2 . = )(U .77 )(U".13 -1.08 2.28 (es decir.04 (a) Variación explicada = (b) Variación no explicada -ú)2 = (-0. + (2.[t = (y .56 -0... la teoría predice que alrededor d. Entonces el porcentaje pedido es 9l12 : 7 5d. Este hubiera sido el caso aproximado si el tamaño fuera más grande.. 8-11. Calcular (a) la variación explicada. 8l CURVA DE AJUSTE.) para 9 puntos (¡.g) sumando.82¡z+.40 pulgadas.82 -t. .13 1. (b) Determinar el porcentaje de puntos de datos que se encuentren enhe estas dos rectas.24.28) = 1. Si los puntos están distribuidos normalmente respecto a la recta de regresión. Il .t-ti) - A)" = 2(A - El resultado pedido se deduce si podemos mostrar que la última suma este es eI caso. Las dos rectas paralelas. = tpiLo (1.S-15 Uest : 8]-LlL2: 67..un"J(v.12 (o de la Tbbla 8-4. cada una a una distancia vertical su. y).:'.brt Q. se muestrana trazos en la Fig.30 0. (b) la variación no explicada y (c) la variación total para los datos del Problema 8.'. NOTA: Una mejor estima del error tfpico de Ia estima de la población de la cual so.?0. En el caso de regresión lineal )(v - Y'"'¡)(v" "r . :: :.cAP. 2r(u .11 a una distancia vertical sy.ne?. Entonces el porcentaje pedido es 9lL2: 7 5%.34 0. (o) ta recta de regresión y : 35.476¡ obtenida en el hoblema 8... ts. de datos. REGRESION Y CORRELACION 28L 8.58).el 6812 de los puntos se encuentra entre las rectas.25 1.)(y-uu.rr.61 -2.abn) a .rn. ya qve ú la Thbla 8-14 podemos construir la Tabla 8-15.:: . Demostrar que >(g Elevando al cuadrado A"'r)'* 2(U*r..r 0.t)2* )(yn"t-ú)2+ z>fu.82 * 0.61 0.28 y 1.::. ya que es cero. Utilizando los valores - a -0. ne dada por 6r. 8.

16 2.09 7.= EF. prágina263.02 1.y = EP. E.34 2a'2 = 38.11.26. página 264.aumenta.7027.7 0. ¡o )¿ = 800 i.donde ¡2= variación explicada va¡iación no explicada 2b2r. trt =r- E.69 0.4 a'= tr'2 2. aumenta a medida que r aumenta.68 5.3 2.09 5.16 o.6 L.49 -2.28. .92. utilizando A.36 68 il 'l .7027 o con dos cifrar significativas r : 0.4 2.42 -1. la expresión para r tiene automáticamente el signo conecüo asociado. REGRESION Y CORRELACION lcAP. en el caso de regresión lineal.4 ' 0.'.7 -3.26(b). Entonces 2r'a' 40.6 0.[bb tt 62 70 66 68 67 69 -4.16 6.7 )y = 811 a = 8LUl2 2rt2 = 84..8 (c) Variación total : 2(a .4F7q de acuerdo con el Problema 8.34 \/G. Utiliza¡ los resultados del Problema 8. (D) coeficiente de conelación = r : tVñ7d58.3 -2. derivarel resultado (34).69 u'a' a'2 0.49 1.89 0. (la fórmula producto momento).o.32 7t 0.3 -2.s¿.92 0.4 7l 67 68 70 -0.76 11. obtener el coeficiente de correlación lineal para los datos del Problema 8.)z \/ñtrW Sin embargo.4e88.18 0.6 0. Utilizando la fórmula producto-momento.96 2.82 7.f.66 0.29 1.l2at2. (a) coeficientededetermir¡ación = t = '1Hi1iáf*1"io" =m= 0. Los resultados (b) y (c) pueden obtenerse por cálculo di¡ecto de la suma de los cuadrados. 8. y Ulst = U.24.3 a-v 0.7027 u 65 63 67 B4 a 68 66 68 66 69 66 68 66 r-t -t.4 -0.282 CURVA DE AJUSTE.3 0.11.56 0.))' l) n'\ ¡ \) '\il t' jó -0.-0v t'.6 3.4 .?0.66 -0.68 2trtg'= 40.7 1. Entoncee.82 4.y.6 0.= \Eá/ /rorl = \r¡. La recüa de regreeión de mínimos cuadrado¡ de y sobrer puedeescribfuse 1lest= b = 2r.32 1.= !0. = y -f.25.7 3. del Problema 8..:800/lZ = 66.6 . Halla¡ (o) el coeficiente de determinación y (b) el coeficiente de correlación pa¡a los datos del Problema 8.22 + 19.89 13.3 4.z b22r. /i84s8)?58-3t Tabla E-16 = 0. tenemoa &*br 6 Ulr¡= bx.' .7 1.92 10.69 22.29 18. El trabajo involucrado en la computación puede organizarse como se indica en la Tabla 8-16. Por tanto se sigue el reeultado pedido.16 6.4 0. 8.76 1. pero negativa cuando /est disminuye a medida que r.2 /?r. para el coeficiente de conelación. la conelación ec poeitiva y por tanto escribimo¡ r : O.3 -1.27.) asír--*2r'a' ffi (2x.A)z = 19.70 = 38. Puesto que la varirable yn". puesto que la'gt'es positiva cuando 3/ss¡ autnentá a medida que r aumenta.L2 7.62 1.A.09 10. A partir del resultado general (30).92 = 67.

/ 8.29. REGRESION Y CORRELACION 288 8.036 Enroncec rz = bd. [. Del Problema 8.>IY w@ : n2rA-(2r'l(2A) . Demostrar que el coeficiente de correlación lineal viene dado por f= En el hoblema 8.11.11(c) respectivamente 484 ' ó=10fr=0.8l CURVA DE A.476 d=ffi =1.26(D) y 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. .29 para halla¡ el coeficiente de correlación lineal para los datos del hoblema 8. donde ¿=? rz r sobre y er =a*ilu 8y Entonces b¿t = 1g\ 1g) = \c"/\oy. la recta de regresión de donde A=?I. 2(a-nlz = 2(rz-2rt*r2) = 2s2 .TUSTE.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 . Utilizar el resultado del hoblema 8. 8. págrna 261.28.a recta de regresión de y aobre r es u=olbx Análogamente.2ñ2r 4 ntz (2112 2(2nl' ()r)2 = 2rz = 2r2 .30.(>aXIY) n :E Puesto que = (2rlln V'ú = (2Alln" Arúlogamente.11 (b) y 8.31.cAP. Demostrar el resultado (17).

y? (a ) Utilizando los cálculos de la Tabla 8-9 y agregando que 2tt2 = 290.636 ó 1.tal =ffi=0'9822 (c) El hecho de que la parte (a) muestra un coeficienüe de correlación de solo 4. (c) Hallar el coeficiente de correlación lineal entre las variables r.11.n¡zi = -0.78%de la variación total permanece no explicada.218 6 o. Entonces la desviación típica de y es 8u= 2(u - ú\2 21. (b) Hallar el coeficiente de correlación no lineal entre estas variables. y. Ubtlizar la fórmula del Problema 8. Sin embargo. y (b) sr.16. 8.33 (b). 8.ilz = variación explicada 21. i = (2U)/n = (46.42) [(8)(2e1.33 (b).30. 8 8..33.40 8 = 1. y r =0'9911 var6eió. paralos datos del Problema 8.2g y g.20) - (42.ú)2 = 21.21(46.16.4)/8 = 5.32. como lo indica el hecho de que el coeficiente de conelación en (b) está muy cercano a 1. variación no explicada va¡iación total (d) = l-r2 = L-0. (o) Del Problema 8.2z .2)r][(8X2e0. I del Problema 8.1 ¡. COEFICIENTE DE CORRELACION GENERALTZADO 8.62. 2(A . hay una muy buena relación no lineal dada por la parábola del hoblema 8. hallamos r= n2ru - ()¡X)r¿) (8X230.n parabólic a entre x.) (42.. (c) Explicar la diferencia entre los coeficientes de correlación obtenidos en (c) y (b).40.26(b). REGRESION Y CORBELACION [cAP.34.80.L071 = 0. Hallar (a) s. Utilizando (a) y el Problema 8.31 para obtener el coeficiente de correlación lineal para los datos del Problema 8. supóniendo la relación parabólica obtenida en eI Problema 8.52) - (40.64 (á) Primer método.16.01?g Por tanto 7.Oz variación explicada .4'.636y'i-(0. (d) ¿Qué porcentaje de la variación total permanece como no explicada por la suposición de la relacii. Esto puede deberse a fluctuaciones aleatorias o a una variable adicional que no se ha considerado. De la Tabla 8-4 r= n2ru ." = ss\/T=F = 1.4O De la Tabla 8-10 Por tanto t-= = l(g""t-Al2 = 2l. Entonces variación total = 2(A .3?43 (b) De Ia Tabla 8-9.()¡X)z) (8oo)(811) (r2)(54.3743 indica prácticamente ninguna relación lineal entre r.7027 como en los P¡oblemas 8.9922 = 0.16.99r1)2 = 0. el error típico de la estima de y sobre I es B!.284 CURVA DE AJUSTE.

Derivar la fórmula de correlación gradual de Spearman (36). Sea rr: el grado dado al j{simo valor de x. y. *n2 n n(n*r)(2n*11/6 2 n2-l t2 utilizando los reeultados 1 y 2 del Apéndice A.88 = 629. pág¡na 264. y estamos interesados en el coeficiente de cor¡elaeíón múltiple de z sobre x.cAP. Explicar córno determina¡ía un coeficiente de correlación múltiple para las variables en el Problema 8.52. y I va. tenemos 2a2-a2a-b2ra-c2n2a = 0.36.139 .16 y el cálculo adicional 2gz 8y.19. ss t+2+.l'ciñexptñat. = 12-82 = 12+22*. vemos del Problema 8.I i son las desviaciones entre las graduaciones.-.37 Coeficiente de correlación múltiple de z sobre x.19 Variación no explicada = 2(z - zo"tl2 (64-64.22 8.L2(62. al y el coeficiente de correlación entre grados por * - s2¿.4L4\2 + "'+(68-65'920)2 = 258.pl. AquÍ estamos considerando n valores de r (por ejemplo pesos) y n valores correspondientes de y (por ejem. que Para obtenerlo. Ya que z se determina de ¡. esbturas).76)z = 888'26 = 888. [¿ media de r.222-n22 48. ¡ sobre y.33' variación no explicada = 0. z gería en general diferente del valor anterior. Análogamenüe. dada en térrninos de e2r. el coeficiente de correlación de ¡ CORRELACION GRADUAL 8.88 Va¡iación total 2(z-2\2 ..218 ó 0. Entonces si d¡ : r i .35.*n @l_ryz n*l En = mientras que la varianza es sf.8l Segundo método. z.22 Tercer méüodo.@ "" = 0'8418 = !ffi = thffia Debe mencionarse que si fuéramos a considera¡ la regresión de eobre y.25 Variación explicada Enüonces - 258. la varianza de las desviaciones.218 6 0.. la mediaú ylavarianzasf sonigualesa(n l)12 y (n2 L)ll2 respectivamente. Utilizando el Problema 8. REGRESION Y CORRELACION 286 Utilizando el Problema 8.os grados son enteros de 1 a n.a = = 299. viene a3: s?+r?-2rs¡ads"sv . ! ¡ el grado dado al j'ésimo valor de y ' [. CURVA DE AJUSTE.

5. lac estaüuras de loe hijos ordenadas en gentido creciente son 66. 66. la Tabla 8-B se convierte en Tabla E-19 Graduación del padre Graduación del hijo 4 2 6. 1. 6g. 69.6. 6. 6?.6. 69. 6. 9. 6g.6 1. a las e¡tatura¡ de loe padres ee les aaigna los órdenes (2) (3) dio de 7 . 11. 64.66. 8.6 3 8. 63.6 t2 5 7. d d2 -1 -2 -1 1 1-1 I 1 3 I I I 2-L 4 1 -1 1 4 2d.286 Entoncee cuRvA DE AJUsrE.(2d2)/n = L-nfu2] 8. 11.6. 67. 70. 6. %.37.5. 3. Análogamente. 3.rz)/n y (l ) ge convierte en 7')/12 W @2 - * (nz 6>d2 . le. 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.6 3.6 1 11 6 8.5 l.6 11 . 69.7. Tabla 8-18 Diferencias de puntuacionee. Calcular el coeficiente de correlación gradual para los datos del Problema 8. 10.11 y compararfos rezultados con el coeficiente de correlación obtenido por otros métodos.2 24 = Entonces rgrad= t-#!T = t-ir#?u = 0. REeRESIoN y coRRELAcIoN lcAP.5. 6?. 10. 66.6. ?. 3.5. 2. a los lugares 8 y 9 ae les asigna el orden 8. las estatura¡ de los padres eon (r) 62. ordenadas en forma a¡cendenüe de magnitud.(J) y (4). 66. tor \-"rttd- "3 - e¿. 12 De igual forma.8s45 indicando que hay una relación entre el rendimiento en laboratorio y teorfa.6 7. 7l y puesto que los lugares 6. les asignamo¿ w orden meg [(6 + z + + 9) / 4 . 6. 9.l\ltZ . 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. 70. 71 Puesto que en esta ordenación loe lugares sexto y r*éptimo represenüan la misma estatura (6? pulgadas).6 10 3. 69.6.7.6. AsÍ. por tanto las estatu¡as de los hijos quedan ordenadas @ Con las correspondencias 1. 1¡ (t) y (2).6 10 t2 7. 4. 8 (r) h¡ecüo que 7 = fgrad = eZ+sT-af. 69. 66. Hallar el coeficiente de correlación gradual. 66. Tbmbién se incluyen dz y 2dz.c asignamos a estos doe lugares un orden medío de 6. 8 y 9 repreeentan la migma estatura (68 pulgadas). 69.s" 0.6.6.6 7.6 1. 7.6.5.38.7.

px\ ^t u\ox) | Debe notarse la semejanza de la demostraeión anterior para poblaciones. Derivar (39) a partir de (37).0 ü 12.60 rgrad = t-#!T: .o*t¡ .26 1.26 L2. halla- tv = ol Ftx Por tanto si g . Y es l\r'a) : (a | f. los cómputos de d2 y I¡ )d se mue¡tran en la Tabla 8-20.00 d Entonces 2iP = 72. lo cud es una condición necesa¡ia para que F(q.2Boyy r (py .P¡x.5 -1.26 L2.Fpx.25 2. los resultados para muestras tienen resultados análo- gos para poblaciones e inversamenüe.8l CURVA DE AJUSTE.P(X . .5 1. íE = dF Denotando la última expresión por F(c. E(Y . utilizando sumas. Suponga que la ecuación de regresión Para la recta de regresión de es ! = E(YlX=r) = a*Fr mínimos cuadrados debemos considera¡ E{lY (a+ px)12} bóo¿r¡"-or utilizado = E{I(Y .0=Y<L {o deotraforma Hallar la curva de regtesión de (c) Y sobre X.26 6. .cAP.40.26(b). utilizando esperanzas. ) La función de densidad marginal de X es f{r) = [.ol. p) tenemos AF u = mos -2(pv zBoi - 2oxv - 2px(pv . 20.6 2.}j'2l.9px. REGRESION Y CORRELACION diferencia en graduacionec d.6 1.25 2.26 12.pvl .25 2.px) .6 3.a) ó Fok = o*v a-tly="4tr-u*) A-Py - /'.?466 que concuerda muy bien con el valor r = 0. INTERPRETACION PROBABILISTICA DE REGRESION Y CORRELACION 8.r. (b) X sobre Y.5 -1.39.F) sea un mínimo.a* pr entonces A .v)l + Gv-Ft'x-o)2 = "? * F2oI .00 2. con la correspondiente para muestras.6 -1."l Igualando estas ecuaciones a cero.7027 obtenido en el Problema 8.5 -2.Fpx. En general.zBEl(X-pi(Y -¡. Tabla 8-20 -3. lo+zo¡a.6 -3. = f.5 3.0 1. La función de densidad conjunta de las variables aleatorias X.px) * (pv .dlz} = El(y -pv)21 + BzEl(X-r.0.(r+2y) 0<n<7.ú2 E(X .25 6. 8.-ffi!\ = 0.25 1.rv) = 0.Fy = p(r .

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

2 : 10 grados de libertad..28..8I 6. sr.cAP. . ot : ". (¿) La recta de regresión de Y sobre X es + oXY "+@ .81 para L2 . (+) ó a -i : - ür I x) ó -.o1f.476x.-. Escribir las rectas de regresión de mínimos cuadrados de (a) Y sobre X.22)y 1. sx: 2. Por tanto no podemos rechazar la hiPótesis.2\ o.B4o confianza del 95% de que 6 se encuentra entre 0.t / ó (b) La recta de regresión de. En el Problema 8.X sobre Y es u-X = '\ av sX "('-i\ r-i( =$<a-rt oi ó r-Í = -#(r-#) TEORIA MUESTRAL DE LA REGRESION N E.136 y 0.nfi162\/28/Bz4 -0.44...11. ¡rara ias estaturas yos padres tienen unas estaturas de (o) 65.05 rechazaríamos Ia hipótesis de que el coeficiente es tan bajo como 0.180 si ú ) ú.47G :t ' +('!!) t" / = 0. = {".los Ií¡:rites de conftanza del 95oy' para --j:lq--.. Hallar los límites de confianza del 95'.Of Ae que el coeficiente de regtesión de la ecuación de regtesión poblacional es tan bajo como 0.0 y lb) 70. 8l CURVA DE AJUSTE. r8fl .476B-b t=r.'lW\" . 8.9b Con un ensayo unilateral de Ia flistribucirin de Student a un nivel 0.2g para 12 .r: L.43)' y n: !2 1 r/o t r--- .66 del Problema 8'11' 8.4?6 t Vlo\' t/tz.- = . REGRESION Y CORRELACION 289 (e) xY = Entonces Í.11 se halló que la ecuación de regresión de y sobre x eray: 35. 1/ . En eI Problema 8.42. hallar los límites de confianza d-ei 95'7.o+zul)arav =1 3 . Ensayar la hipótgsis al nivel d-e significación del O.- 2.0 pulgadas' puesto qu€ t s7.0818 Nótese que el coeficiente de correlación lineal es pequeño Fsto es de esperarse al observar las rectas de regresión de mínimos cuadrados obtenidos en el Problema 8. Loslímitesdeconfianzadcl F = b-+f+) ' \ñ4\82 I para 12 .40.45.180.szs=!2.4?6 r6 (Problema 8. 0.r: L.66 (Problema 8.23 h es decir.28 (calculcda en el Problem a 8.:2.xY p = n-xÍ oxY oxoy = *-(s)(i*) = = - 1 162 0 -l/162 .q\I a.e5: 1. se está en la ryHt\ = 0.2U'L66 0'19916¡= = ya que eo.losaleolocar t=lt.2 = l0 grados de libertad) vienen dados por 95?iparap(obteni.11 = -l/162/.11). Y ltr-2 donde 37e : 85.43. (b) X sobre Y para el Problema 8..43.82 + O.'=o Í"'=o.42.-- .lrv1l_z=-.82 + 0.á para el coeficiente de regresión del Problema 8..2: LO grados de libertad. de los hijos cuyp son 8.

de confianza del g5% son (ro . se puede esta¡ en la confianza d.09 pulgadas.76 1 1. (o) Si.82 + 0.05 utilizando un ensayo unilateral de la distribución que de Student.476 r6 (Problema 8.0 y ?0.01 que el coeficiente de corréhción poblacional es apreciablemente mayor que cero? Deseamos decidir entre las hipótesis (Ho: g :0) y (llr t = .7 y 70. 35.2 pulgadas.01 8.48./i=@0.14 + 5. o. Entonces 66. Por tanto no podemosrechaza¡I/6 al nivel 0.t)2 : (65 .8 pulgadas. (o) (ó) Puesto que no podemos rechazar ) 0).45(ó)] los límites de confianza del 95%. rechazaríamosI/e si ú ) ú.290 CURVA DE AJUSTE.0 pulgadas.11). TEORIA MUESTRAL DE LA CORRELACION 8.80 pulgadas (b) Si 16 : 70.rcontalquero -ñnoseademasiadogrande.SOO112)2 : 11.2óy6!2so. En el problema 8. y¡ : 66. el valor mÍnimo de n debe ser 032{n - 2 r/i -to.0. los límites de confianza del 95% para Uo fo son = 2.16 :65. se puede tener confianza de 95Vo que la estatura media de todos los hijos cuyas estaturas de los padres son 65.07 pulgadas.0.78.66.05? A un nivel 0. hallamos [comparar con el hoblema 8. Tarnbién. los límites de conñanza del 95% están dados aproximadamente 8.0 pulgadas se encontra¡án entre 67.69.0.o¡ para n - 2 grados de libertad . Ya que t.? y 6?.05.47.i¡z : (?O.14 f es decir.O . Porlo +1.75 para 18 -2: L6 grados de libertad.sz\/ra-z : p l. hallamos [comparar con el Problema 8.45 pulgadas.?6 a 2'23 es decir. 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.ss :7.6 pulgadas.11.05. Nótese que para grandes valores de n.1 y 7 4.Bb Sobre la base de un ensayo unilateral de la distribución de Student a un nivel 0. También (x¡ .11.Los métodos de este problema son válidos independiente del tamaño de n ó to . REGRESION Y CORRELACION lcAP.05 y (b) 0. los métodos muestrales son exactos para una población normal.32 sea considerablemente mayor que cero al nivel 0. es decir. es decir.?6 pulgadas.sz).elgbVo de que las estaturas de los hijos están entre 64.s1t : 2. Un coeficiente de correlación basado en una muestra de tamaño 18 resultó ser 0.45(c)] los límites de confianza delg1l". ¿Puede concluirse a un nivel de significación del (a) 0. hallar los límites de confianza del96% para las estaturas'medias de los hijos cuyas estaturas de los padres son (a) 65.46.?6 t 3.96sy.23 donde y¡ : ffisv. ¿Cuál es el tamaño mínimo tal de una muestra para que podamos concluir que un coeficiente de correlación de 0.05.6 pulgadas úo 0.E. 7.8 los límites (o) Si 16 : 65. ciertamente no podemos rechazarla al nivel 0. t/6 al nivel 0.14 pulgadas.0 y (b) ?0.0.": 2.0 pulgadas se encontrarán entre 65.' sr. es decir.48). Entonces los límites de confianza del 96Vo so¡ 69.66 (Problema 8. ' (b) Si re :70. /e : 69.Estoconcuerdaconlosresultados aproximados mencionados en la página 262.8OOtl2r2 : 2.23 para 1 0 grados de libertad.za\ = 66. = t. se puede estar en la confianza del 96Vo de que las estaturas de los hijos están entre 63.32.1/l-z = = .

!613*(=.2182 = 1./ 0.64.7L.s2\/ñ/\Flfu2p. Entonces el tamaño mínimo de la mueetra ean:28.CURVA DE AruSTE.7L.sz\/rLtt/l-(u32Y = 1.92.r¡rlb*'.rsr3 loc\t -.28 A un nivel de significación del 0.tJ2:1. t--032\r26^tr=@ = 1. Puesto que r : 0. n=26.5493y2:(0.94.51. L {zt - = Z-pz oZ 0.6932 0.96oz = 1.5606.50.e155.(-) \r P.4620 Entonces ¡t2 tiene el intervalo de confianza del9SVo.80 y n = 21.b4es. ¿Hay una diferencia considerable entre los dos coeficientes a un nivel de 0. v =24.L613 logS:0.28z (ff3*3) = o. para n=27. t .5366 a 1.9730 0.el 95Vo püa pz vienen dados por Z=L. los límites de confianza d.75. t.50 a un nivel de significación del 0.s0(-/l1 \ \y'n_B/ = 1. (b) p : 0.Portantopodemos rechazar la hipótesis de que el coeficiente de correlación poblacional sea üan pequeño como p: 0.64 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. (Hs p2r= Fzrl I (Hi Fzr* .unrr. a un nivel de significación del 0.s|= l. t. 8.) 0. t. Un coeficiente de correlación basado en una muestra de tamaño 24 se calculó era r : 0.0e86 10.6.:) = oz= La variable tipificada ee Fz = r. 8.60. 8. v=26.0.L6rt*(=.72. t=0.05? zr = r.5493)/O.Hallarloslímitesdeconfianzadel96% paraeste coeficiente.r5tz'""(+l-&.r6r3t"" o. pa¡a n=2g.80.9730-0.s|= 1. = Deseamos decidir entre las hipótesis = 0.?1.s5=1. REGRESION Y CORRELACION Para un número Pa¡a infinito de grados de libertad.49.69.2182:L.66. Dos coeficientes de correlación obtenidos de muestras de tamaños nt : 28Y rtz:35 se cdcularon como rr : 0.16131og(++*) /r r-\ \r-'l / *t.05.B0eb #*#= Fzrl.266e = 0.rrro. p : 0.50.5366' p = = L.5606. Por tanto los límites de confianza del 95Vo para p son 0. ú.9r : 1. si Si pz Fz /r +"\ = l.o. v =26. (b) Sip:0.05 utilizando un ensayo unilateral de la distribución normal rechazaría' mos la hipótesis solamente si z fuera mayor a 1.30 respectivamente.50 y tz : 0. ¿Podemos rechazrir la hipótesis de que el coeficiente de conelación poblacional sea tan pequeño como (a) p (o) : 0.05? o./ = 0.4904- = 1.) nzr-2.50. Por tanto no podemos rechaza¡ la hipótesie de que el coeficiente de correlación sea tan pequeño como 0.60. zz: r. z = t.49 y 0.=L.

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-(#)(#)] =

Tenemoe 8"".0) x-?0.20 G&r'-áiÉfutB = o'7686 que concuerda con r hallado en el Problema 8. Calcular los ertores típicos de la estima (c) er. = ¿yt/Ti-rz = = a"t/T7rz = f¿.61. ParalosdatosdelProblemaS.0 y 14. para obtener las ecuaciones de las rectas de regtesión (¿) ó a-u='!w-nt..rlos RECTA DE MINIMOS CUADRADOS Tabla 8-31 8.5+E#9 = ú . Entonces utilizamos ( I 6 ).2.0). 0.hallar(o)losvalore$deycuenda x=6..9 = 8. 8y r-70. (b) Í sobre y para los datos rr+qW = 64.65 utiliza¡rdo el resultado de la parte (c)' .966.e).x=L2.926 y r = 0.62. r a 3 6 6 8 911 234668 8.7t9(u-69. página 261 . (b) SolucionarelProblema 8. 8xv 160. Ajustar una recta de mínimos cuadrados a los datos de la Tabla 8-31 utilizando a (a\ x como la variable independiente.v ts. r. en tanto que su covari¡nza es 160. E.5¿8 8.0=q9ff##q(v-6e.uo+qY: 145+q'qfrEq = u= De los resulüado¡ del Problema ?o. REGRESION Y CORRELACION 299 Por tanto las desviaciones típicas de las calificaciones de matemáticas y fÍsica son 14. para los datos del Problema 8.gZfy'f - (OfOg6P = = 9. 0.?686. Representar gráficamente los datos y las rectas de mínimos cuadrados utilizando el mismq conjunto de ejes coordenados.cAP.61 a.60. = L4.s6oy'1:107686)á Problerrra... (b) sr..60.(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. De la Tabla 8-30 tenemos. a y-6e. s!. Escribir las ecuaciones de las rectas de regtesión de (c) y sobre del Problema 8.66 8.9 respectivamente.934 s. (b ) r como Ia va¡i¿ble dependiente. = 13.64. (a) (bl Ey.64. 8l CURVA DE AruSTE.64.821(o-70.60.o 8.e Ge. Utilizar los resultados del Problema 8.0=A+##€?!)@-70.66.a guplementa.0 = (b) 6 r-ü='?o-o¡.9) -69.63.

(b) Ajustar una parábola de mínimoscuadradosdelaformad:oIbu*cuzalosdatos. (c) Comparar los valores de y obtenidos de esta ecuación con los valores reales. t.6 9. u (mi/h) Distancia de parada d(p) 20 54 30 40 138 50 60 70 90 206 292 396 E.73. (d) Estimar el valor de y cuando r : J.(c)Estimardcuandou:45mi/hy80mi/h. o^ 2.3 14. 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. utilizando a y como la variable independiente. y : t 8. (d) Si un estudiante obtiene una calificación de ?5 en álgebra.I 3.a los datos. (b) Hallar la recta de regresión de mínimos cuadrados de y sobre r.(b)Ajustarunacurvademínimoscuadradosdelaforma !=abxalosdatosyexplicarporqué esta ecuación específica da buenos resultados.74.71 rrcstrar c6mo una gráfica en papel semilogarítmico puede utilizarse para obtener la ecuación pedida sin emplear el método de los mínimos cuadrados.8?. (D) Hallar la recta de mínimos cuadrados que se ajuste.u. Alustar una parábola de mínimog cuadrados. Escribir las ecueciones normales para la curr¡a cúbica de mínimos cuadrados dada por dx3 .70. I : o t bx * cx2 I Tabla 8-37 REGRESION MULTIPLE E. z. ¿cuál es su puntuación esperada en física? (e) Si un estudiante obtiene una puntuación de 95 en físice.2 5. En el Problema 8. y. utilizando a r como la variable independiente. (b\ Estimar z cuando a to 90 10 72 . y. 54 42 30 . El número y de bacterias por unidad de volumen pres€ntes en un cultivo después de ¡ horas viene dado en la Tabla 8-36. 8 t. 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. 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.a Tabla 8-37 muestra los 3 6 o n 8 t? o t4 valores correspondientes de tres variables x. (a) Representar gráficamente d. (c) Hallar la recta de regresión de írínimos cuadrados de ¡ sobre y.y:6.ID 80 ?8 93 86 65 72 87 91 7L 98 95 68 84 89 tt 82 80 72 74 E. ¿cuál es su puntuación eeperada en álgebra? Tabla 8-32 Algebra (c) Física (y) .300 CURVA DE AJUSTE. (o) Representa¡ loe datos en papel semi-Iogaritmo.t--10.68.72. (o) Construir un diagrama de díspersión. (o) Representar gráficamente los datoe. con Ia escala logarítmica para yr la escala ariü- méticaparar. (c) Hallar la recta de mínimos cuadradoe que se ajuste a los daüos. (d) Representar gráfioamente las dos recta¡ de regresión de (b) y (c) sobre el diagrama de dispersión de (o). Con referencia a Ia Tabla 8-33. Tabla 8-36 Velocidad. REGRESION Y CORRELACION [cAP.6 21.?1. (o) Hallar la ecuación de regresión lineal de mínimos cuadrados de e sobre x. 12 .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. o + bx r a 0 1 2 ó A 5 t) ¿x?alos datos de Ia Tabla 8-3¡t. [.

60.68 (a) dircctamente.50. Calcular (a) la variación total en y.7t.E4. (b) utilizando la fórmula s¡s = rs¡sÍ y el resultado del Problema 8. .cAP. 8l CURVA DE AJUSTE.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. (b) sr.t3.76. 8.00.38 lación entre muestra las edades r y la presión sanguínea y d. Utilizar los resultados del Problema 8.81.68 utilizando la fórtnula producto-momento y comparar con el resultado del Problema 8. La Tabla 8. Tabla 8.68.EO.64. y.8f . (ó) Determinar la recta de regtesión de mínimos cuadradoe de y sobre r.z . (c) la variación explicada en y para los 8. (b) $.79.= E. Multiplicar todos los valores de y por 3 y restarles 15. Tabla 8-39 x a 2 4 5 6 811 18t210875 .! .r.. Calcular (o) sv.8?. (o) Hallar el coeficiente de corre' r.7 7 a(r-¿l+b(u-úl o. Hallar (o) sy ". 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. y.86. Utilizar 8. Demostrer que la ecuación para regresión lineal de z sobre r. El 8. ú=20.86. (b) Obtener eI coeficiente de correlación directamente de las pendientes de las rectas de regresíón del Problema 8. ¿Hay al' t. (c) Estimar la pre- sión sanguínea de una mujer de 45 años. (o) Calcular el coeficiente de correlación entre los valores correspondientes de r. ¿qué porcenüaje de la varfación total pennanece no explicada por la ecuación de regresión? 8. sr:2. REGRESION Y CORRELACION 301 8.67. (b) r sobre y.82. y es 0. 8. Hallar la covarianza para los datos del Problema 8. ERROR TIPICO DE LA ESTIMA Y COEFICIENTE DE CORRELACION LTNEAL E.75 para solucionar el Problema 8. 8. r.68(b) v (c ).88. y obtener exptesiones para los coeficientes de regresión de mfnimos cuadradoe el resultado del hoblema 8. " para los datos en el Problema 8. Hallar el coeficiente de correlación entre los dos nuevos conjuntos de valores. coeficiente de correlaciónentredos variables¡.60. Si sv. en E. (b) Multiplicar todos los valores de ¡ por 2 y sumarles 6.= 3y ss : 5. y puede escribirse como z-2.90.80 para hallar el coeficiente de correlación entre los dos conjuntos de calificaciones de los exámenes del Problema 8. y dados en la Tabla 8-39.eL2 mujeres.81 u 8.y para los datos del Problema 8. (b) la va¡iación no explicada datos del Problema 8. (o) Hallar elcoef¡cientede correlación entre E.E2. D.85.74.¡. y tiene la form¿ z = A 1. Hallar los coeficientesde correlación para los datos del (o) Problema 8. 8. E.76. Si el coeficiente de correlación entre.Br * Ca I Dr2 * Ery * Fyz Obtener las ecuaciones normales para los eoeficientes de regresión de mínimos cuadrados.68. (b) Problema 8.Sis"=1. ballar las ecuaciones de la recta de regresión de (o) y sobre x. yesr:0.89. explicar por qué se obüiene o no el mismo resultado que en la parte (a).i=10.68. los dos conjuntos de calificaciones de los exámenes del Problema 8. halla¡ r.

t. 8.93.74.página 263. D. página t.84. I COEFICIENTE DE CORBELACION GENEBALIZADO E'91. y para lo¡ daüo¡ del Problema 8. 8. (o) Hallar el coef¡ciente de correlabión gradual para los datos del Problema 8. Y con E. t. t. Da¡ un ejemplo para demostrarcómo hallaría (a) el error típico de leestima. (b) X cobre Y para Ios datos del hoblema 2.102. t.paraelca¡odeunaauperficiederegresiónlinealparazsobrer. Hallar el coeficiente 264.96.gus observaciones en (o). de conelación para las variabie¡ en el hoblem" g. INTERPBETACION PROBABILTSTICA DE LA REGRESION Y LA CORRELACION E. página 52.104.96. t.lOS. (c) el coeficiente de conelación generalizado. t.99. (b) De. H de acuerdo con sus preferencias. estudiar una posible deeventaja del método de conelación gradual.68 v (b) Problema 8.97. t.s.99.(b)XaobreYparalosdatosdelhoblema2.98. B. COBRELACION GRADUAL E. variación toüal es erplicada por la ruperficie de regreeión? (b) ¿Quéporcenüajedela Demostra¡elresultado (27). Halla¡ la recüa de regesión de mínimoe cuadrados de (a) Y sobre X. Y viene dada por f(r. Doa juecec en una competencia debían clasifica¡ a 8 candidato¿ A.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.90.¡ 8. Hallar el error típico de la estima de z ¡obre ¡. F.302 CURVA DE AJUSTE.y. el coeficiente de correlación gradual para loa datos del (a) Problema 8. tls[a¡ la recta de régresión de mínimos cuadrados de (a) Y robre X. en el ca¡o de do¡ variablee aleatorias X. Il¡llar t. G. Halla¡ el coeficiente de conelación gradual y decidir eobre el acuerdo de loe jueces en su8 eleccioneg.5g ufilizando el resultado (35). ¿Ocurren algunae simplificaciones en la¡ curvas de regresión Ce Y sobre X ó X sobre Y para el caso de varia- . C.92. ble¡ aleatoriac independientes? Explicar. Mostra¡ cómo se puede diseñar un coeficiente de correlación múltiple. (D) X eobre Y para el hoblema 8. REGRESION Y CORRELACION [cAP.lo6' función de densidad conjunta (o función de probabilidad conjuñta) f(x.lol.74.págirra52.8.96gina 52.8. H¿ll¡rlacurvaderegreeiónde(a)YsobreX. Tabl.rOO.(D)larvariacionee explicaday no erplicada. Hallar el coeficiente de conel¡ción lineal para la¡ variableg aleatoria¡ del Problema 2. La función de den¡idad conjunta de las variables aleatorias X.a) = [2r+3a Io o(c(L'o<Y<2 de otra form¡ Ilalla¡ la curva de regresión de (a) Y sobre X.106. (b) X eobre y. Obtener el coeficiente de correlación lineal para el hoblema 8. lo¡ resultados se mueshan en la Tabla 8140. E. y\. (o) Calcular el coeficiente de conelación múltiple pars los datos del hoblema 8.99.94.

Solucionar el Problema 8. (b) 0.el(o)95%.el 95% para el coeficiente de correlación calculado en el hoblema 8. que hay una diferencia significativa en' tre los dos coeficientes? RESULTADOS DryERSOS 8. Hallar los límites de confianza del (a) 957o.d'. .c2 soll constantes arbitrarias.* : 8. 8. Verificar los coeficientes (5).5a = 3. TEORIA MUESTRAL DE LA CORRELACION 8. 5r .109. Las rectas de regresión muestrales de mínimos cuadrados para un conjunto de datos involucrando X. 8l CURVA DE AJUSTE.l19. demuestre que el coeficiente de correlación entre r'.(b\ 99% para y cuando ¡ : 6. Un coeficiente de correlación basado sobre una muestra de tamaño 35 se calculó como 0.01.60 de una muestra de tamaño 28. Demostrar que el ángulo entre dos rectas de regresión muestrales de mínimos cuadrados viene dado por . Sobre la base de una muestra de tamaño 27 se encontró que la ecuación de regresión de y sobre r era t = 25.hallarloslímitesdeconfianzadel 9fleparafo)elcoeficientederegresiónde y sobre r.8.(b)997oparu un coeficiente de correlación que se calculócomo 0.cAP. REGRESION Y CORRELACION 303 TEORIA MUESTRAL DE LA REGRESTON 8.S4.10? ensayar la hipótesis de que el coeficiente de regresión poblacional 1.114. Un coeficiente de correlación basado sobre una muestra de tamaño 27 se calculó como 0. donde r¡¡ !/6¡ cl¡.10?.211Ú 8. y).11?.!l = 2.(b)99%paralamedia'detodoslosvaloresde y correspondientesa¡ = 6. Demostrar que el cóeficiente de correlación - g. 8. ¿Podemos concluir a un nivel del (o) 0. (b) tan alto como 2.05. EnelProblemaS.00.1 "l$- c2) 20. E.50. En el Problema 8.60.113. Si sr.110.tu] tan-'L rfti + si) -l E. hallar los límites de confianza del (c) 95%. . Hallar los límites de confianza d.?0. 8. 8. (b) 0.70.40.112.115. Demostrarqueelcoeficientedecorrelaciónentre¡.sx = 3. ¿Podemos concluir a un nivel de significación del (o) 0.123.ypuedeexpresarsecomo il2 -:. Yvie' nen dadas por 2:r . (b) tan grande como p : 0.114 si el tamaño de Ia muestra es 52. (b) ta presión sanguínea de las mujeres de 45 años.05.121. (Sugerencia: Suponga quer' = noi c1r.84.00 ¡.108.\ es independiente de Ia elección del origen de las variables o de Ias unidades en que se expresan.111.50' ¿Podemosre' chazar la hipótesis de que eI coeficiente de correlación poblacional es (o) tan pequeño como p : 0.95 respectivamente. página 260. para la recta de mlnimos cuadrados. que el correspondiente coeficiente de correlación poblacional es considerablemente mayor que cero? E.01.30. a un nivel de significación del 0.80 y 0. 8. Dos coeficientes de correlación obtenidos de muestras de tamaños 23 y 28 se calcula¡on como 0.00 y ñ = 7.20. utilizando un nivel de significación del 0'05? 8.0 + 2.f-(1 -r2)s.(b\99% pra el coeficiente de regresión.00. (c) la media de lae presioñes sanguíneas de las mujeres de 45 años." = 1. y'es eI mismo que el entre. 8. Hallar el coeficiente de correlación lineal.116. ConreferenciaalProblema8. 8.10? hallar los lÍmites de confianza del (o) 957o. En el Problema 8. DemostrarqueparaelcasoderegresiónlinealelvalormÍnimodeE'{[]'-(o*¡lX)lz.01.tes t?.118. es (o) tan bajo como 8. A' = llo * c2y.I22.l0?hallarloslímitesdeconfianza d.

3 I 10. Demostrar que para regresión lineal 4 = +.2 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 101. (d) Predecir el Índice de precio para la asistencia médic¿ durante 1958 y compararlo con el valor verdadero (L44.129.r.1 114. REGRESION Y CORRELACION [cAP.L24.3 1r 7.8 8.126. Ilalla¡ el coeficiente de correlación entre las estaturas y pesos de 300 adultos dados en la tabla de frecuencias siguiente.8 111. (o)HallarlarectaderegrecióndemínimoscuadradosdeysobrerparalosdatosdelProblemaS. Hallar (o) s".l2S.5 por mayor 103. 8. 8ü 8É ¿Es el resultado válido para regresión no lineal? 8.304 CURVA DE AJUSTE. f¡¡ 32 20 t2 q .128. (c) Calcular los valores de tendencia y compararlos con los valores reales.130. Tabla 8.6 L19.2 Fuente: Bureau of Labor Statistics 8.127.4). (e) ¿En qué año podemos esperar que el índice de costos médicos doble el del 194?1949.L25.6 I 10.41 ESTATURAS .2 r20.7 114. 8.1 t 10.125.8 102. El período base es de L94? 1949 : 100.y para loa daios del hoblema 8.4 I14.0 113. (ó) Hallar la recta de mínimos cuadrados que se ajusta a los datos y construir su gráfica. 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. 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 (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) .8 114. - Tabla 8-42 Año Indice de precios al consumidor Indice de precios al 99. 8.2 t23.(ó)Estimar los pesos de doe hombres cuyas estaturas son 64 y ?2 pulgadas respectivamente.1 25.8 111. E. (b) Br.5 r14. Hallar los límites de confianza del 96% pára el coeficiente de correlación calculado en el hoblema 8.5 116. 210-225 I . Con referencia a la Tabla 8-43: (o) Representar gráficamente los datos. 19 5 o (t) e.

136. E.7 21.3 16. REGRESION Y CORRELACION 305 8. y).9 Welfaie 19. Education 8.8l CURVA DE AJUSTE.6 Fuentet Department of Health.cAP. Estudiar la relación.0 1030 18. 8.132 para variaciones explicadas y no explicadas. (d) Explicar por qué la ecuación en (b) no es útil para propósitos de extrapolación.¿(r) es cualquier función de r para el cual estas esperanzas existen.6 23.9 ¿ind 1935 1940 1945 1950 1955 24. 8.5 23.133.¿) donde . Demostrar que si 9(r) = E(Y \ X = c) entonces EUY - É(x)1'!) = E{LI'- o(xl¡z¡ + Ells(x) - q(x)l. 8.página265.9 17. Demostrar el Teorema 8-1. Demostrar el Teorema 8-2. si Ia hay. página 265.131. del Problema 8. Con referencia a la Tbbla 8-44. Tabla 8-44 Año Natalidad por cada 1000 habitantes 1915 1920 7925 25. (a) Representar gráficamente los datos. . En el Teorema 8-1. (b) Hallar la parábola de mÍnimos cuadrados que se ajuste a Ios datos.134. (c) Calcular los valores de tendencia y compararlos con los valores reales. (Sugerencia.l35. ¿es g(r) única? Explicar. Sean X. Y variables a|s3fs¡i¡s con función de densidad conjunta (o función de probabilidad) f(x.132.' Utilizar el Problema 8.132).

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

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

..2.El6 escierta. Podemos demostrar que (véase Problema 9. distribuidas normalmentp con media cero y varianza o2. X. i=1. x¡2.a-l ¿'(Si) v ab-L (I6) (22) proveerá estimas insesgadas de o2. La constante o¡ puede considera¡se como eI efecto especial del tratamiento j. mutuamente independientes con medias pi y varianza común l.19) ' De (17) se deduce que E(Vt) = (a-l-)o2 + b> E(V. y la variación total V son va¡iables aleatorias que respectivamente toman los valores t)b.*= p*a.? (23) . Cada una de las X¡n suma de su valor esperado y un término de "error": (h: L. 2. Si.y u de acuerdo con las definiciones (8). la variación dentro de tratamientos V. ai k : l.ta¡¡ donde P".. . ..19) de modo que (20) es siempre la mejor estima (insesgada) de I independiente de si.7o "b .T L¡r Los A.. tienen una media común como también una varianza común. =O (15).o1o en forma equivalente por (I1o: Fi= pi i =t. puedentomarsecomo variables aleatorias independientes (relativas ai y h). .l)o2 E(V'. De otra parte. _ o?r. (7\ y (3). . Íjb respectivamente. .) = a(b .É[s es cierta tendremos ^/ I¡u E\fr)\ = J de modo que solamente en ese caso n(ffi)= a Qr- (21) Qz. de (I6) V (/8) vemos que sólo si..Efo es cierta o no.. La hipótesis nula de que todas las medias de tratamiento son iguales viene dada por (Ifo: ot= 0. .n = F.. e . Entonces (I4) puede escribirse como (véase Problema 9.E[6 no es cierta.. VALORES ESPERADOS DE LAS VARIACIONES La variación entre tratamientos V6 . t). si .2.308 x¡1 ANALI$S DE VARIANZA [cAP. .) : (ab-l)o2 + "1 (16) (17) b> a? (r8) (. Esto equivale a suponer que las X* (i : L. . Sin embargo. Definamos la constante ¡r por tL 1s. que por suposición son normáles.2. . .2.r--Lr}. b) puede expresarse como la (14\ X. las poblaciones de tratamiento..¡.9). . Podemos interpretar a p como la media pÍüa una clase de gran población que comprende todas las poblaciones de tratamiento. b) son va¡iables normales.18). entonces tenemos de = '"+. Por tanto solamente hay una población de tratamiento y todos los tratamientos son estad ísticamente idénticos.

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

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

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

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

1 grados de libertad./S.V"/n2 tiene la distribución chi-cuadrado con b -1grados de libertad.'alor ccrrespondiente a un tratamiento dado y a un bloque dado. Teorema 9-6: Bajo la hipótesis ll[.*-r)! EXPER.1) (b . niveles de significación especificados. Bajo la hipótesis H[. como en el caso de factor uno. L'. (¿ -l)(¿r-t) grados de libertad Entre bloques.lc (ú - l)(ü --1) rt1 ar* u" = )(r./S3 ti"n" la distribución F con s . * .!'. Por conveniencia.1.V/o')tiene la distribución chi-cuadrado con ab . s c-ls . V. El modelo viene dado por X ¡xt = ¡. uc = (t>(tA-j)r b.1) grados de libertad.1 grados de libertad.1) grados de libertad.I y (c .!') 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.r * Fr * 7.e. página 312. la columna o bloque h y ala repetición /.l.tt y Ht2'.1 y (c . Tabla 9-5 Entre tratamientos.. ti"n" la distribución Fcon b .u I' lir. . . una tabla ^ análisis de varianza puede construirse code mo se muestra en la Tabla 9-5. Debido a la repetición debe utilizarse un modelo apropiado para remplazar el dado por (35). 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. Bajo la hipótesis H'oz'el estadístico 3. En tal caso habrá más de un valor correspondiente a un tratamiento dado y a un bloque clado. Análogamente para ensayar la hipótesis I1[!) consideramos el estadístico ^3ySg. El teorema nos permite aceptar o rechazar H3" 6 H3'. Supondrerfios que hay c valores para cada posición. Las distribuciones ¿" . (a-1)(l¡-l) con grados de libertad Residual o aleatoria. > (J'j - :L)2 a-l i | 3l ' -ra--1 con cr . Para ensayar la hipótesis I1./o2 tiene la distribución chi-cuadrado con c . Bajo ambas hipótesis HÍ.cAP. ¿. Pa¡a obtener esto denotemos por X¡o¡ la variable aleatoria correspondiente a la fila o tratamiento j.l¡^i¡l v ^3yS: vienen dados en el teorema siguiente análogo al Teorema 9-3. 'L' - u. proceso conocido como repetición. úe = l'Total.IMENTOS DE DOS FACTORES CON REPETICION En la Tabla 9-4 sol¿rmente hay un '. Más información considerando los factores puede a veces obtenerse repitiendo el experimento.1) (b .r) el estadístico si.

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

1. Luego podemos ensay4r H. 9-1 por cuadrados. etc. Esto se denomina a veces como diseíw del experimento. 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. 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. esto es l3*= 0 I{:}): No hay interacciones entre tratamientos y bloques.1.4.r A B c A C B A c C" Dr Au B6 Cuadrado Compleüa aleatoliedad Bloquee aleato¡ios Cuadrado latino Fis.cAP. D. En este caso podemos concluir que las interacciones no son muy g¡ánAes. Dos casos poóibles se presentan.F de 33/0? V GfBi en cambio de esas dadas en la Tabla 9-6. utilizando hs íelaciones F de G?liZ v 3:63 reópectivamente como se muestra enlaTabla9-6. (a .l) + ab(c . para ganar tanta información como sea posible. En este caso podemos concluir que las interacciones son considerabtemente grandes. En lo que sigue damos algunos ejemplos importantes de diseño de experimentos. Il[3) puede rechazarse. B. Esto produce una tabla factor dos con valores singulares.o) y-H<2. DISEÑO E)GERIMENTAL Las técnicas de análisis de varianza discutidas anterionnente se emplean despuós de que se han obtenido los resultados de un experimento. Sin embargo.1).9-l . y utilizando este valor para remplazar el denominador 3! en el ensayo F.6. Las diferencias en los factores serían impgrtantes solamente si fueran grandes comparadas con tales interacciones. indicados por . página 306. Caso II.9-l Fig. Completa aleatoriedad. Il[r) no puede rechazarse. El procedimiento se ilustra en el Problema 9-tr3. y l/. Caso I. esto es oj = 0 I{2): Todas las medias de bloque (columna) son iguales.2 Fig. a cuatro bloques escogidos completamente al aza¡.los detalles de un experimento deben planearse cuidadosamente con anterioridad.F' de 3?/S3 de la Tabla 9. 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. El propósito de la aleatoriedad es la de eliminar varias fuentes de enor tal como fertilidad del suelo. 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 . Utilizaremos este procedimiento alterno. C.1) (b . 9. Supóngase que tenemos un experimento agrícola como en el Ejemplo 9. Por esta razón muchos estadísticos recomiendan que se ensayen I/é'.j'z) utilizando las relaciones . aunque físicamente cualquier forma puede utilizarse) y asignar cada tratamiento. Pa¡a üseña¡ tal experimento podríamos dividir el teneno en 4 X 4 = L6 parcelas (indicadas en la Fig. que pueden analiza¡se como en la Tabla 9-5.9-3 grecoJatino Fig. Algunos estadísticos recomiendan combinar las va¡iaciones en este caso tomando el total u¡ * u" y dividiéndolo por el üotal correspondiente de los grados de libertad.

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

t) = )(¡.u ó un -.(c) ?'.-!+abEz -* í.utilízandolanotaciónenlapágina307. (b) (c) Puesto que 7j. = 't)61't).oi-ziri+ñ2) utilizando el Problema 9.¡. (b) la gran media para todos los tratamientos.18 49 48 50 49 51 50 . B.It - 1'b' Tabla 9-? 9.j=lk=l 'i ) )'¿r.k )(rji-zx.) r:r tenemos K por Ia parte (c).'*\ u u.2(o) en el último renglón.k abúz )"i = j. el ANALISIS DE VARIANZA 317 g..]. (d) la variación entre tratamientos y (e) la va¡iación dentro de tratamientos.18 49 50 47 19 . (c) la va¡iación total. + abú2 i.D6 I ab¡z s-? -4 ab =.k .r-r): i. Verificar las fórmulas cortas (10)-(12).cAP. riedad de trigo cultivado en un tipo particular de suelo tratado con químicos A. o C.k .k 2r@br\ aü*: )"'n = j. Hallar (c) el rendimiento medio para los diferentes tratamientos. )1rc = ))*r* r = abt 9. La Tabla 9-7 muestra los rendimientos en hl/ha de una cierta va- A B C .-¿)t )¿i = i. i'k f¡*" .. -'#(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. Análogamente = )(¿. .r b bI 1.=brj.zr>ti. Verificarque(o) (d) r: úbÍt(b). Tenemos página 307.k / r'\2 rl rS/rl-zrJ.2(b) en el tercer renglón y el Problema 9.3.2. .2x)r¡¡ I i.2(o) en el tercero y último renglones anteriores.k = )rr¡. : abñ.ijk+ñ2\ = i.4. Utilizar el método largo.. )r¡.

. = lae+A+3*B) = 5 3..4)! + (3 . 48 y 50 hl/ha para A. Por tanto los rendimientos medios.5)r + (d--5)! -l (5-5)r + (5-5)r 412 9.4.6. [cAP.1): 3(4-1) : I grados delibertad. Tabla 9-E e (a) por Las medias de tratamiento (fila) para la Tabla 9-8 vienen dados respectivamente rr. 4l(4 . =. (a) (b) ? 3 9.26. = !4(B+4+ 5+4..4.95:4.)2 t. -¿). 1 = 4.4)2 + (4- + (2 -3)2 + (4-3)2 + (:J-U + (5-4¡r + (4-4): 3)2 + (3 .5. ¡r.96podemos techazar la hipóüesis nula de medias iguales al nivel 0. Con referencia al Problema 9. Variacióntotal 4 =. eon 49.4)2 + (4-4): + (3 .Tabla 9-8. 3 0.u = 14-8 = 6 (cl.: i(4+6+5*5) = respectivamente.4)2 + (2 . = i(B+4-f b+4+2t.¡. = b)) (é) Variacióndentrodetratamientos Otro método. (b) 0. = o. B. ¿podemos rechazar la hipótesis nula de medias iguales al nivel - 1 : F=$=h = 3 6 - L : 2ya(b .05.4)2 + (5 -.05. C (b) (c) . de todos los datos sin afectar los valoree de las variaciones. (o) ConreferenciaalApéndiceF. Entonces obtenemoe los datos de la. hallar una estima insesgada de la varianza poblacional oz de (c) la variación entre tratamientos bajo la hipótesis nula de igual medias de hatamiento.yemosqueF.4¡:: * (3 .¿): + (4 -4):¿ + (6-4)2 + (5.01? Tenemos con-o Con referencia al hoblema 9.f B+4+6+b+b¡ = Así la gran media para el conjunto original de datos es 45 * 4 : 49 hl/ha.¿. por ejemplo 45. obtenidog al sumar 45 a éstos.4): + (5-4¡: =14 ((l ) Variaciónentretratamientos = tr.Puesüoque^F :6)F.¡. i.g)r + (4.conut:2yu2:9.4)'.@ir-E)2 = (3-4)r + (4-4)x + (6-¿)¿ + (4. de significación del (c) 0.k = (3. (b) la variación dentro de tratamientos. = ) @¡¡-E¡.:l = = r'.318 ANALrsrs DE vARTANZA Para simplificar la aritmética podemos restar algún número apropiado.41-B.

.9no podemos techazar la hipótesir nula de medias iguales al nivel 0.=2+4+3*3:12 rt. (o) Tenemos 2r¡?r=9+16+26+16 t'k +4+16+9+9 +16+56+26+26 También = 206 = 3+4+5+4 +2+4+3+3 +4+6+6+6 =48 1) Por tanto = a"?--# : . .6:8.06-S8t = (b) Los totdes de las filas ¡on 206-rsz = 14 También rl.O1. Utilizar las fórmulas cortas (101-(12) para obtener los resultados del Problema 9. Tabla 9-9 Gg=f.?.02.a&-6 .Pue8toqucF=6(F. = 3+4+6*4 = 16 tz.vemoaqueF.4 ba'i ab 1 i062+t22+202) 0w: (^8\: te. = 4 +6+5*5 = 20 r = 16+12+20 = 48 Luego D6 1s-.6 ¡e muestran en la Tabla 9-9. el ANALIS$ DE VARIANZA 319 (b) ConreferenciaalApéndiceF.4-9.9 o(b-1)=(3)(3)=9 gradoe de =14-8=6 libertad 9.cAP.= Dentro de t¡ata 0w=0-0b a -63 ^' .n) = : 2oo 6 _ tg2 = E (c) D-Qb:14-8 .conur:2!uz:9.2/3 n con 2.4. I¿ tabla de aDáli¡is de va¡ianza para loe hoblemss 9. .

?¡ Entonces = 2356 r. = lrsoor --. cinco operadores experimentados trabajan con las máquinas durante intervalos iguales.(¡ti)] : ! Los resultados concuerdan con los obtenidos en el Problem a 9. 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. de las máqui nas.'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. por ejemplo 60.ffi : - 245 := . = t4 800 7) = (zoe)r-9q): = u¡. =48 ?t. 16= = zs56-246 soo = zrrL (i55 I t. de todos los datos para obtener la Tebla 9-12.4 y a partir de este punto el análisis proce- 9'8' máquinas didiseñado para .ab6-1#¿. de como antes. Tabla 9-12 J Í: ). e t T: A B C 3454 2433 4655 16 256 t2 20 r14 400 ) s.rooo¡ .320 Es conveniente ordenar los datoe ANALISIS DE VARIANZA como en la Tabla 9-10. Tabla 9-10 T [cAP. La Tabla 9-11 muestra de unid s.

. u.-i)z -3(9 ' - 7\2 36 ! 5(7 + 4(8 -- 7)! = 36 .1 .18-512: rl¡--5rr .9.)rr¡(.87 .l-5rr -. La Tabla 9-14 muestra la duración en horas de las muestras de tres tipos diferentes de tubos de televisión fabricados por uná compañía.(8 _ 8l: - .01.u-1) = 5(4) rA = I l "u ?'.108 406 408 un número apropiado. 7):+(11 -?)2+. las medias de grupo o muestrales y la gran media.^. ?t¡ = 655 tratamientos.-i. ensayar al nivel de significación del (c) 0..ru r También podémos obtener 72 -- 36 ..)! ¿'. Tabla 9-13 Entre tratamientos. .".. ANALISIS DE VARIANZA 321.1456 =ZO I | =..r.102 410 . y obtener la Tabla 9-15.(i -5r2 .fti'k ¿rr. Es conveniente restar Tabla 9-14 Muestra 1 . 20 grados de libertad tenemos F . por ejemplg 400. (b) 0. Entonces tenemos .ss: 2.(10 8r: I í8 __ 8)r -i rG 8): -1.01 si hay una diferencia en los tres tipos.-¡. Utilizando el método largo.i = Gran 8 media = 84 1t En esta tabla hemos indicado los totales de fila. el Formamosla Tabla 9-13.t0i Muestra 2 Muestra 3 11 409 401 406 408 405 .u¡.f)r!-i tÍf -f)): r t.cAP. .8 (5X4) t: Pata 4.2lIl I ab-I=24 I W = tz.¡r .05. Tabla 9-15 Total Muestra 1 Media 9 7trI 4 27 8 5 2 Muestra 2 Muestra 3 6 25 32 5 10868 .-+(8-7)z = 5): 72 -= J'K )(t.r (2 5):r -l. Por tanto no podemos rechazar la hipótesis nula a un nivel 0. ".. MODIFICACIONES PARA NUMEROS DESIGUALES DE OBSERVACIONES 9.)(r.05. directamente observando que es igual a (7--9):r-(11. lógicamente tampoco la podemos rechazar al'nivel 0.

5 Enüonces para 2 y 9 grados de übertad hallamos del Apéndice F que F.05 pero no al nivel 0.(32)2 s-5-4 -W = s6 'l)ú = I-Ub Utilizando estos re¡ultados el análisis de va¡ianza procede como en el Problema 9.8 6. ninguna diferencia en los tres tipos de tubos) al nivel 0. las medias de columna y la gran media. Tabla 9-16 [cAP.01. I 5. so:. F. 12t nB=4. De la Tabla 9-15. ensayar al nivel de significación de 0.2 Calculamos los totales de fila y medias de fila. 9.6 7. como se indica en la Tabla 9-18. Soluciona¡ eI Problema 9.2 7. rg.322 ANALISIS DE VARIANZA f. La Tabla 9-17 muestra los rendimientos por acre de cuatro go.4 7. (b) hay una diferencia significativa en rendimiento por acre debido a las cosechas.96 : 4. = = 36 (27)2.0 5.11. = 19= 1g 5. CLASIFICACION DOBLE O EXPERIMENTOS DE DOS FACTORES 9. Por tanto ! = n2=5..-.2 ñ"¡'.99 : 8.=32.=27.9 6. Rt=3.(25)2. n=12..9 utilizando las fórmulas cortas incluidas en (24).9. 72 t1.8 9. ¡=84 = + iL2 + .os datos pueden resumirse en la tabla de análisis de varianza. Tabla 9-1? Cosecha cosechas de plantas diferentes culparcelas tratadas con tres tipos diferentes de fertilizantes.:25. Tabla 9-16. 12. . Por tanto podemos rechaza¡ la hipótesis de medias iguales (esto es.10. e Variación Grados de libertad Media de cuadrados F D¡=36 a-7=2 n-a=9 io.7 45 8.?.02. Utilizando el método lartivadas en Cosecha I Fertilizante A Fertilizante B Fertilizante C u Cosecha III Cosecha IV 6. como también los totales de columna.01 si (a) hay una diferencia significativa en rendimiento por acre debida a los fertilizantes.26.8 o. + 62 +8r-Q|2 = 72 a6 = ?t-. (25) V Q6l.4 uru so'- 18 = 36 G1=?9=4 = 4.

6.9 .7 8.8 : Variación de medias de fila con respecto a la gran media = 4U6.r.8)2 + (?.0 Gran total 22.:5.6.4¡z * (7.ocz Al nivel de significación de 0.8)2 -1 (9.8)2 + (6.4-6.4-6.8 Media de fila 6.14. (7.5 6.86 gl: 3.6 .8)2 + (5.3 5.05 hay una diferencia significaüiva en el rendimienüo debida a los fstilizantes.8¡r+ (7.5-6.6.4¡z a (6.S¡z a (7.8 .9 -6.24> 5.8)2 + (5.8 9.2 .58 F =G?/C?: a.8 .6.r. Tabla 9-19 6.14. Fq.5 6.32 U: Va¡iación total (4. : Esto conduce al análisis de varianza en la Thbla 9-19.7-6.9 = = 81.8)2 + (8. 64 7.cAP.6 7.5 -6.8)2 + (6.8)2 + (5.68 u" : Variación de medias de columna con respecto a la gran media = 3[(6.5 18.3 Gran media 6.2 2t.zt gl: 2.8)2 + (6.2 6.6 oi = t. 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.05 con 2.0 7.0-6. el ANALISIS DE VARIANZA Tabla 9-18 Cosecha 323 I Cosecha II Cosecha III losecha IV Totales de fila 24.8)2 = 23.6. .2 -6.0 33.2 8.9 68 5.8)2 + (8.8)2 + (5.0 .2 Fertilizante A Fertilizante B Fertiüzante C Totales de 4.podemos rechazar la hipótesis de que las medias de fila son iguales y concluir que al nivel 0. Entonces. .6 ¡'=0"2/i3=0.9 columna Medias de 19.6.2-6.8)21 = 13.4 7.7 5.6 5.yaque 6.8 7.3 .6.7 -6.8 -6.3-6.08 ue : Variación aleatoria = Lt .S12 -'.6 columna u.8)z] = 2.2 23.6 grados de libertad.

5)2 + (18. Utlizar Tenemos de la Tabla 9-18 i.13.24 ¡ (22. (b) una diferencia en los turnos.96 bj'j.10 Entonces s-2 j* tt'r^ 12 ab = vr 1s-r-t' 577. Nótese que para cada máquina se han indicado dos turnos.9)2 = 1673.88 = = 18.2)2 81. .G8 = *>t-"ti = |trozs. B. Efectuar un análisis de varianza para ensayar al nivel de significación del 0. 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. e 9.82 = 6.t2.324 ANALISIS DE VARIANZA las fórmulas cortas para obtener los resultados del Problema 9.zu 'üc bb4. + 24.. En esta tabla se indican los dos factores principales.2. - 13. 554.58 EXPERTMENTOS DE DOS FACTORES CON REPETICION 9.6)¿ = 2274.rol rt .82 11 = = 23. móquina y lurno. D en la producción de tornillos..96 S-z Sro (24.(23. Un productor desea determinar la efectividad de cuatro tipos de máquinas A. 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 9-21.88 2.08 = uc Lnezln.2+23.8+33.68 . Los días de la semana se pueden considerar conro réplicas o repeticiones del rendimiento de cada máquina para los dos turnos.88 ab = 23.6 = (4.08 de acuerdo con el Problema 9.11.ut - bb4.2)2 (27-O'¡z r.S¡z a (6. Los resultados se indican en la Tabla 9-20.11.05 si hay (c) una diferencia en las máquinas.6 : 577.n¡z (5.2¡z (19. C.k )"i T a .2)2 ¡ + (33. : lcAP.

b .-.S .4 variación total para la Tabla g-22. variación debida alasinteroccion¿s entre las filas y columnas..6 = 1b0.5 . (31)2.ro ro 10 La va¡iación entre columnas viene dada por (zgq)' 40 = 1846. (44)2. (38)2 ""--6-5 .0 'tt" = --ñ. + 72 +L02-W = 1946- 1?95.)' + qq -ld.0-8.?_1?e5. (119)r_eqq\2 ? 40 - _ 180s.4 Para considera¡ los dos factores principales..6-51. (30)2.5 = 1861.6 - 1?9b.(41)2. que llamaremos variación subtotal u". concentremos nuestra atención al üotal de los valores de repetición correspondiente a cada combinación de factores. _124)2.cAP.6 = 51.. (32)2.S . viene dada por -.0c = 65. ZO - (126\2.1795.b --5 .2 .6 : 66.3.1 Si reetamos de la variación subtotal u. Estos se ordenan en la Tabla 9-22.6 rov = 8. que es una tabla de dos factores con valores simples. móquino y turno.¡2912. Esta viene dada por * u" ) obtenemos la 0i = 0"-D¡.1 = 6. 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+ . 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 La variación enhe filas üene dada por (zee¡z 40 a' = (54)2 (85)2t' (6. la suma de las variaciones entre filas y columnas (u.

Puesto que . Esto es equivalente a decir que al nivel 0.61.entantoquelavarirrcióndebidaalae 2columnastiene 2-L= Estas va¡iacionee se indican en el análisis de varianza. - libertad cottespondientes a cada tipo de variación.90 para B.5 G? = zltt Aleatoda o residual. no podemos techazt la hipóteeio l/[zt ¿" que las columna¡ tengan medias igualee.8 : 91. que conduce a unava¡ianzacombinadade gL. 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).06 no hay diferencia iignificativa entre turnos. .o Columnas (turnos).: 4. 32 grados de liberüad Fn. B2 grados de libertad podemos rechazar la hipóüesis ll. De la Tabla 9-23 vemos que pa¡a interacción F : 0.6 : 84. u¡ = 6.o" : 150.F nl: 2. I¡iabla también da el número de grados de Tabla 9-23 Filas (mÁquinas). 0' = 51'0 i? = tt. Entoncee ya que F calcul¡do para lascolumna¡es 8.05 podemos conclui¡ que las-máquinas no son igualmente efectivas. e Finalmente la variación reaidual. vemos que F para las fila¡ e¿ 6. Eeto resulta en a" = Q-(or*o"*o¡l = 7). ce debe a interacción. lo cual indica que la interacción no ee significante.81?.SfSe:2.4-65. Por tanüo los grados de libertad debidos a l¡ va¡iación residual o aleatoria ee 39 7 : 32.16.6 + 84. Al usar este valor en cambio de 2.3 y 3 + 32: 36 respectivamenüe.06. u= 150.65 para el denominador de F en la Tbbla 9-23 no afectan las conclusiones alcanzadas anteriormente..:6. se halla reetando la suma de variaciones füa. eeto es.4 Para continuar debemos determinar primero si hay alguna inüeracción significaüiva entre los facüores básicos (es decir.326 ANALISIS DE VARIANZA lcAP. podemos rechaza¡ |a hipótesis flllr ¿" la pógina 315. ya que hay 4 filas en la Tabla g-22La variación debida a l¡s fila¡ tiene 4 . filas y columnas de la Tabla 9-22). 0c = 8'1 Interacción. columna e interacción (ee decir. Esto esequivalenüe a decir que al nivel 0.42. Aef. Para hallar loe grados de übertad debidos a la interacción obeervamoe que hay 8 valores en la Tabla 9-22. Po¡ tanto el total de gtadoe de libertad es 8 I : 7. hallamos para la va¡iación combinada y grados de libertad combinados u¡* u.8 1 grado de liberüad. Para l.Ya que hay 40 valores en la üabla original 9-2i el total de gradoe de libertad es 40 1 = 39.tr ¿" que lar fila¡ tienen ¡¡sdi¡¡ igualee. Si decidimos analizar los resultados combinando las variaciones residual e interacción como lo recomiendan algunos estadísticos. Puesto que 3 de esos 8e deben a filas y 1 a columna¡. D" = 84'8 Total. Siguiendo lae reglas de la página 315. el reeto.! : Sgradosdelibertad. Tabla 9-23. 7 (3 + 1): 3. la va¡iación subtotal) ¿L U variaóiOn tot¿l u.

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.lá.At-ril.r.06 . Ya que ¡'. podemos concluir que aún al nivel 0. el ANALISIS DE VARIANZA 327 9. 32 grados oe libertad y puesto que F para filas es 6.14.4 .15. donde los números indican rendimientos en dkl por unidad de área. 4 : 5443. Un hacendado desea ensaya¡ los efectos de cuatro fertilizantes A.4 -.5439.25 *9'{ -(fftr = 284.01 las máquinas no 6on igualmente efectivas. CUADRADOS LATINOS Tabla 9-24 9. D en el rendimiento de trigo.06 : 329. C.69 16 variaciónenrretratamienros = .06 : va¡iación entre (77\2 (74\2 (78\2 (71\2 columru lS=?rc= 4 .01 no hay diferencia significativa en los turnos. Efectuar un análisis de varianza para determinar si hay una diferencia significativa entre los fertilizantes a niveles de significación de (c) 0.1)¡ ff +ff + ff -5468. Solucionar el Problema 9.49.Ia variación üotal y las va¡i¡ciones para filas. Ya que F . Hdlamos Va¡iacióntotal : o= (18)? + (21)2 + (25)2+'. = T*ry*ry 5723.19 - 5439.51 para 1.25 + ry .' + (10¡z * (lT2 -@5Y 16 5769 - 6439.05. 29.e0 = 7. A este nivel aún no hay interacción apreciable.13 si se utiliza el nivel 0.01.19 (2eS1z - 5439.94 Variación entre filas . concluimos que al nivel 0. 32 grados de libertad y puesto que F para columnas es 3.47 para 3. B.05 y (b) 0.l cAP. 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.t: 4. También obtenemos el total de rendimientos para cada uno de loe fertilizantes como g€ muestra en la Tabla 9-26.. de modo que podemos proceder más al.01. columnas y üratamientos se obtienen común y corrienüe.06 = 4.75 .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.

F para tratamientos es 4?. sujetos a los mismos requisitos impuestos a las letras latinas.76. conductores.8? (o) Puesto que F er. Puesto que el valor F para columnas es menor que 1. podemos concluir que hay diferencia entre fertilizantes. Supóngase que los diferentes autos se representan por las filas y los diferentes conduetores por las columnas. 6. i I}¡ 9. 4. LATTNOS 9.o :4. denotados por o. Se deduce que al nivel 0. 4. 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). Tabla 9-28 CONDUCTORES 1234 B.' I A. B.9 > 4.05. e Filas. rechazamos al nivel 0.. D aleatoriamente a filas y columnas. C.05 hay diferencia en la fertilidad del suelo de una fila a orra. Asignamos las diferentes gasolinas A.78.0 : 9. (b) Ya que Fgo. Un aneglo posible es el dado en la Tabla 9-28. de modo que cada letra apatezca solamente una vez en cada fila y solamente una vez en cada columna. 11. Tabla 9-2? lcAP. C. 7. podemos aceptar la hipótesis que no hay diferencia enla fertilidad del suelo en las filas (o las columnas) al nivel de significación del 0.lJtiliza¡ el análisis de varianza para determinar si hay alguna diferencia significativa al nivel 0. Sin embargo. . Puesto que se incluye igual número (cuatro) de gasolinas. p. 29. autos y caminos podemos emplear un cuadrado grecolotino. Es de interés determinar si hay alguna diferencia en el kilometraje por galón entre las gasolinas A.01.19 Columnas. B.69 Tlatamientos. Así cada conductor tendrá la oportunidad de conducir a lo largo de cada uno de los caminos.01.76. debemosconcluirquehay una diferencia entre fertilizantes al nivel 0.05Ia hipótesis de que hay medias de fila iguales.19 Residuales. cuatro autos y cuatro caminos diferentes.16.¡. Suponga que en el desarrollo del expeúmento del Problema 9-16 el número de kilómetros por galón es el dado en la Tabla 9-29. Ya que el valor de. concluimos que no hay diferencia en la fertilidad del suelo en las columnas.r.17. como se indica en la Tabla 9-28. Diseñar un experimento utilizando cuatro conductores.328 ANALISIS DE VARIANZA El análisis de va¡ianza s€ muestra en la Tabla 9-27. Asignamos aleatoriamente los cuatro caminos que van a emplearse. 284.. CUADRADOS GRECO. D.

(59)2 . Tabla 9-29 CONDUCTORES Tabla 9-80 TOTALES Bf 19 ae Bc 16 1g 11 16 61 D6 16 cq 1¿ 65 69 62 70 By 19 ap 16 D6 16 cd 14 A6 t6 Ds cB TOTALES 14 L6 64 82 E{ cr lL BB 2l DB t6 A6 15 Bo 18 cy ll Bs 2r ao 15 De t6 c6 Af 86 16 23 68 Do 14 L6 c6 lL Dr L6 Ar 86 L6 23 Df As L6 63 cF 266 Entonces obtenemos los totale¡ para cada letra l¡tina y para cada letra griega. como eigue: Atotal: 15+16+15+16 = Btotal: 19+18+2I+ 23 = Ototal: .60 (A.4 .00 deliberüad. Tabla 9-31.1 para un cuadrado de n X n. Las filas.60 - 4096 = = 16.60 -4096 = 111.60 Columnas: .00 de modo que la variación debida al e¡ror e¡ 148.50 - 7. columnaE. C. B.00 - 6-50 - 11r.cAP. el ANALISIS DE VARIANZA 329 Prirpero obtenemos totdes fila y columna como ¡e indica en la Tabla 9-30. (68)2 4 . Dl Caminos: (o' P.60 ry*ff+ff+ry-ry 4 (16)'z = 4ros.50 4244-4096 = 148. 7. leüras laüinas y letras griegas cada una tienern 1 grados : 4. E número total de gados de übertad es n2 . (61)2 .os resultados se mueshan en el análi¡i¡ de varianza. (62\2 -. 4 - (70)2 (256\2 16 Q6A)z 16 QAA¡z = 4112. utilizando el método corto.50 La variación total ee (1S¡z * (le¡z + "' + (16)2 + (2s\2 -e66\2 =' 'I | \-vt 16 16.60 = 6.4-T 4 . (63)2 .60 I 4096 6.Ennueetro . ó) Ga¡olinas: (62)2 4267.6o-40e6 = ?. Filas: a----l---4 (64)2 . (61)2 4-4-4-4-16 4102. (52)2 .Portantolosgradosdelibertadparaelerroresn2 caso n f. -1--4(n-1)=(n-lXn-3). (81)2 . 16+11 +11+ L4 = Dtotal: 14+16+16+16 = ctotal: 14+18+15+14 = /3 total: 16 + 16 + 2l + 15 = ytotal: 19+16+11+16 = Stotal: 15+11+16+23 = (65)2 62 81 62 61 61 68 62 66 Entonces calculamos ¡ug va¡iaciones conespondientes.

(o) Poi definición tenemos v. = 9.28 V F.} .s : 29.60 Gasolinas. (b) la ecuación (I6).26 Tenemos F. ya E(v.l)oz - . página 308].50 2.18. Demostrar que > oj = 0 [(15). Se deduce que t=L )¡t* )"t j:r ' donde hemos utilizado la definición p )a.a:9. b 3 (¿'-1"'\ -i---t\ b / = a(b .-¡b-l ¡ es la varianza muestral para el tratamiento jr como que el tamaño de la muestra es b.¡z > + ) (x. e Columnas (conductores). El tratamiento medias de la población viene dado por p¡ Por tanto ac = 9.= .-*.500 :?*33=t. 7.C.01.".so.) = bj¿E(Si) utilizando (I6) del Capftulo 5. Por tanto podemos rqchazar lahipótesisdequelasgasolinasson igualee al nivel 0.*-i.5..tz = b j=r |Lo rEr' " ' ) = ¿!s? j=1 d. 5u.. donde Sf é define por (15). (4.s. de Ia página 308. Capítulo 5. B. 111.3u*3" = op+\'¡ t=L i=l !:t' = (2p)/a. Derivar (c) la ecuación (17).. = F* e¡. Entonces. 6).19.05 pero no al nivel 0. PROBLEMAS DIVERSOS 9. J=r - =.50 Caminos (o' É' 7. 6.330 ANATISIS DE VARIANZA Tabla 9-31 lcAP.r.or.D).

) (d) (7) E(Xj.Enloncex. en (I ) tenemos E(va) = b>[+*(¡.+*i):-l -"ufLab J !+rr) " '' ) -LD aoz * b ) (p+ a¡)2 - o2 - s'b.) = pj = p+ai Utilizando los resultsdos (2>(7). los diferentes días de la semana. = 84. ¿Podemos sostener esta conclusión al nivel de signifi cación del (c) 0. tenemos dd Teoreme 6-4.20. (b) 0.05.18. En el Problema 9. ¡úgina 161. üenemos E(val = b>86?) var(i¡.-ab*z j=1 a.bgQ7z) Entoncee para cualquier variable aleaüoria U. obteniendo u" . Como ¡e indica en el Problema 9.P = (a-l)o2 * abp2 + zbp> ". bSJ/o2 tiene drado con b . E(U2) = Var (U) + lE(U)12. que V-/o2 tiene dishibución chi-cuaüado cón o(b - 1) 9.13 supusimos que no existían diferencias significativas en las repeticiones. puesto que las varianza¡ S! bn indep el Teorema 4-4. Por tanto lv(x.\12 lBlx¡12 E(xil : E(Xz) = Var (Í) + Pero ya que las poblaciones de traüamiento son normales.) + a. 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. Demostt'ar el Teorema $1.t) X = ( )It.p6gitn 116. página 158: ( tr) var (5) =r Var(X) = # E(X) = p (i¡..19(o). página 309..1 gradoe de libotad.8.2 9. más el reeulüado dd hoblema 9.) / \ // /\/ ' = b>*?.-x¡z t=r aa a o = b>*i-2bx)x.cAP. esto es. con medias ¡t¡ y varianza común 02. Entonceo. en la Tabla 9-23. omitiendo el fndice de la euma. P¡ra hallar la variación debida a larepeticiónutilizamoslostoüalegdecolumna cn la Thbla 9-21.+auxz l=r t=L ya que (f) (21 (. + > al - ob¡P (c--t)62 * b ) a.21. . Por el Teorema 5-6.01? Si existe alguna variación debida a las repeticionee se incluye en lo que ae llama el ertor re¡idual o aleatorio. el ANALISIS DE VARIANZA Por 331 (b) definición vt' = a ) 1*r.

denotadospor ejemplo. . o.Elvalorú¡¡. e 1t=-+'re¡ (57\2 g (51)2 g . es la Tabla 9-32.. Las siete variaciones en las que se puede dividir (1 ) vienen dadas por u = DA+ürJ+uc lTIAB *.767 | -=0. C.06 (y por tanto al nivel 0.u¡6. Estas variaciones son entre clases del mismo tipo y entre clases de diferentes tipos (inúerccciones). 0' = 0c 51'0 Columnas (turnos). Tabla 9.ú¡n< . los días de la semana no eon significativos. Reproduzca la tabla de análisis de varianza a emplearse en tal caso.2g grados de libertad. 8r. La tabla final de análisis de varianza. g - (268)2 40 = 1807 ..86.. l---g 6.32 Filas (máquinas). como se indica en la Tabla 9-33. (47)2 (50¡z -.332 ANALISIS DE VARIANZA [cAP.C{luposdenotadosporC¡. Finalmente d Existirá una uarioción total dada por (l) 1) = t. denotados pot 41.0g. denota la media de valores en la clase C cuando A¡ y B:p se maitienen fijos. La interacción entre todas las clases se denomina como antes la uariación aleotoria o residuol. Ias conclusiones reliacionando máquinas y turnos son las mismas a las obtenida¡ en el Problema 9.C".827 = 73.4 De la tabla vemos que el F calculado para repeticiones es 1. Suponemos que la clasificación se hace en A grupos.18. El valor f.4 3 Aleatoria o residual a'" | 2.8¡r. teniendo en cuenta las repeticiones. = 8'1 Repeticiones (días de la semana).. el número de grados de libertad asociados con esta variación es b 1 : 4. .4)2 .. Las otras variaciones son las mismas a las de la Tabla 9-23. T.6 = 11. es decir.22..t 2 @¡rt- ú)z que puede dividirse en siete variaciones. . sedenotaporxjkl. Describir cómo se pueden utilizar las técnicas de análisis de varianza para clasificación triple o experimentos con los tres factores (con factores simples).8 114: ?8.7! parz 4. 9.rpor denota la gran media. .¡r.4 Puesto que hay 5 repeticiones. Sigñificados análógos se dan a E¡ ¡ ! r .01) debi- da a las repeticiones. es la media de valores para las clases Il y C cuando Ar es constante... I-a variación residual después de restar la variación debida a la repetición ea ue : 84.k."o = 11.1795. Ao) Barupos. Pero ya que Fe5: 2.4..*ucA-..EIvalorenA¡. podetnos concluir que no hay variación significativa al nivel de 0.

.+ ¿.'uc c-1. E.Bc -1) 3. (fr. Suponiendo que las parcelas eon de fertilidad semejante y que las variedades se asignan aleatoriamente a las parcelas.s suplernerirta... (o - 1)(b - 1)(c - 1) sl u¿ (entre gr¡r- posCyA) (entre grupos (c - 1)(o .05.rlos CLASIFICACION STMPLE O EXPERIMENTOS DE UN FACTOR Tabla 9-34 A B C 9.. (b) 0." = uesc (o-l)(ü-lXc-1) Probletna.* ñ.k. Se efectúa un experimento para determinar el rendimiento de 5 variedades de trigo A.új.r+ ñ)z !ct = b > (ñ¡t.BC gl 0¡s (entre grupos AvB) (o-1)(b-1) (b-lXc-1) (o - 1)(b - L).ri.tt+ ñt.BlSA.c . B.4ñ sA.Bc b-r.ñ j*.Bzcl.(a-1Xb-lXc-1) AÓ. .34.ñ."" a a-l - 7.n\r..1Xó - l)(c - 1) gl os (entre grupos B) ó-1 c Ao og s "B .2r@i*t.ñ.01.23. variedad y los rendimientos (en hl/ha) son los mostrados en la Tabla 9.t . determinar si hay una diferencia significativa en rendimientos a los niveles de significación del (a) 0.+ i)\2 E)2 aABc = .+ 0nc = "..- ñ¡.% (c 1)(a 1).A^o 8ó^tsA. (a - 1Xó - 1)(c - 1) gl trac (entre gru- posByC) o¿ =o=ffi= (c-1X¿-1) acA .ñ.cAP.c)i.(a-1)(b-1Xc-1) Añ. (a.ñ.. Dc ñ\2 : ab 2 @. D..¿).4ñ s gl t.-. Q¡n rB = = . (o 1)(b 1)(c 1) gl 1) ¡ A.ú.kc (b - 1)(c - 1).rt. 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 ..k. el donde U¡ ANALISIS DE VARIANZA 333 - . C. ? (E¡.ByC) u (total) (o-1)(ó-l)(c-1) abc-7 9?.I ót s.ó I Dg n rA^ Ét s^.r.n.t.rTabla 9-3$ Media de cuadrados r¡ Ao -q¿=-A o-l Varíación o¿ (entre grupos A) Grados de libertad F ?1. ce' ) (¿..J- er" (ñ¡¡1.c (entre grupos C) -'l Añ "c ..

Determinar al nivel de (o) 0. Demo¡tra¡ el resultado (30). B. 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 9.24. para el caso en que los 4úmeror de oba¿rvaciones dean CLASIFICACTON DOBLE O EXPERIMENTOS DE DOS FACTOBES 9. (b) 0. e 9. página 310. página 311.06. vienen dadas (en miles de millae) en l¡ Tabla 9-36. (b) entre máquinas. Para lleva¡lo a cabo.30.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. Tabla 9-37 I\[atca.28. loa resultados se dan en la Tabla 9-39. 9. tres grupos de 5 estudiantes se escogen aleatoriamente. Demostra¡ la¡ fórmulas cortae (3I fl34). II1.01 si hay diferencia en lo¡ neumáticos.85 Tabla 9-86 9.05. diferentes.29. Una compañfa deeea ensayar 4 tipos de neumáticoe A. Tabla 9.27. 9. Ensayar a loe niveles (o) 0. C.05.25. y a cada grupo se le enseña por un método diferente. D. Dar la informaci6n deseada utilizando un nivel de oignifi' cación del 0. (b) 0. (b) 0. 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 .26. El fabricante desea determinar ei hay una düerencia (o) entre operarior. Se efectúa un erperimento para determinar el número de artículos diarios producidoe por cada operario utilizando cada una de lac máquinas.06. Un profesor desea eneayar treg métodos de en¡eñanza I. determinada de sus fibras. Ensayar al nivel de (o) 0.01 si hay una diferencia significativa en los métodos de enseñanza.O1 si hay una diierencia significativa en sus calificaciones entre Ssas asignaturas. (D) O.os a¡tículo¡ fabricados por una compañfa se producen por 3 operarios utilizando 3 máquinas diferente¡. 9. Demostrar los resultadoe (24). donde cada tipo ¡e ha tratado en 6 automóviles semejantes asignando los neumÁtico¡ aleatoriamente. [. Ensayar a loe niveleg de (o) 0.334 ANALISIS DE VARTANZA [cAP. I'z duración de log neum6ticor. prÁgina 311. La Tabla 9-37 da los números de mill¡s al galón obtenido por autornóviles semejantes utilizando 5 ma¡cas de gasolinas.01 si hay alguna diferencia significativa en las marcas. II. Durante un semestre un estudiante obtuvo las calificaciones indicadas en Ia Tabl.06.81. (25) V Q6).a 9-38. Luego se da el mismo examen a todoe los estudiantes y oe obtienen las calificacionee indicadae en la Tabla 9-36.

33 utilizando el nivel de significación del 0'01.12.38 al nivel 0. Suponer que el experimentg del hoblema 9.06 si hay diferrencia en (o) los tipos de neumáticos. 9. roy"t al nivel de 0. varfan significati- aleatoriamen' 5 .36. la eegunda observación empleando una segunda clase especffica. Ensayar al nivel 0. y así sucesiva-E mente. Soluoiona¡ el Problema 9. Solucionar el hoblema 9. Tabla 9-41 9. Se efectú¿ un experimento para ensayar ei el color del pelo y las estaturas de esür¡diante¡ adultos üienen algu' na incidencia en el rendimiento escoló¡tico. B C 16 18 20 15 L7 16 2l 19 18 23 19 2l 23 20 D 9. \4 9. doñde los números in' dican 10 en el tope de los graduados. dUrante díae diferentee.01. (b) las máquinas.41.01. y así sucesivamente. Ensayqr la hipótesis al nivel 0. (b) las diferencias en el tipo de maí2. Suponer que en el Prpblema g.g2. E 18 22 2L l7 18 24 g. Ios réeultados se dan en la Tabla 9'41.24ltprirnera observación para cada tipo de neumático se hace empleando una claee espeiífica de automóvil.3ó r¡tilizando el nivel de significación del 0. (b) la localización. 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. (b) las clases de automóviles. Suponer que en el Problema 9. a ^ B {amente con (o) las diferencias del terreno (esdecir. los bloques). el segundo a un estudiante de otro planüel.39.38. g. en tanto que en un experimento semejante efectuado en el oe¡te da los resultados en la Tabla 9'42.33. Tabla 9'4O TIPOS DE MAIZ bloque te a los hl/ha.8?. (b ) en los planteles. 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.40.g6.05 ¡i lo¡ rendirnienüos en bla 9-40.05 si hay diferencias signifiéativas en (c) loe operarios. EXPERIMENTOS DE DOS FACTORES CON BEPETICION T¡bla 9-42 A 9. Solucionar el hoblema 9.06 de que hay diferencia en (a ) d método de en¡eñanza.01.05. Solucionar el hoblema 9.26 el primer valor para cada método de enseñanza corresponde a un estudiante de un plantel especffico.34. el ANALISIS DE VARIANZA 335 g.01.40 utilizando un nivel 0. 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 .06 ¡i hay una diferencia en (o) lor ferüilizantes. Solucionar el Problema 9-31 utilizando el nivel de significación del 0. 9.cAP. Analizar el ex' pelinojo rubio Alto Mediano Pequeño 76 81 73 78 76 castaño 80 79 perimento al nivel de 0. c Semill¡s de 5 tipos de mafz ee siembran en 5 bloques' Cada ue se asignan 0. Determinar al nivel de 0. ts Tabla 9-43 da el número de artículos produeidos por 4 operarios diferentes trabajando en dos tipoe de máquinas. / y II.

T3 T4 c6 t7l D.05. Tabla 9-4t Alto Pequeño Mediano 110 95 Tabl¡ 9. Sz S¡. c16 9. .a diferencias en (o) ertatura. 9.05. eetableciendo cualquier conclueión a que pueda llegarse.C1 .1. Tabla 9. T¡¡ fq¡talezas promedio obtenidas se dan en el cuadrado greco-latino de la Tabla 9-4?. (b) colo¡ de pelo.05 ¡i hay una diferencia significaüiva en rendimiento académico de los e¡rudiantes debida. 6. Para producir un tipo superior de alimenüo pnra pollos.49 105 103 118 A B 3544 4233 6465 Lt2 10? 90 115 c 108 lr2 93 104 96 L02 . Det¿rmina¡ a un nivel de 0. É.6 .as cantidades diferentes del primer compuecto se indican por A. Ensayar la hipótesis a un nivel del 0. D y las del cegundo por ü. B.r 198 D. (c) lugar de nacimiento. Tabla 9.45. B o C. C.Tz. El aliñento se da a los pollitos ordenados en grupos de acuerdo con 4 peeos ini- Cr8 464 Dp6 D66 S" ce7 865 BrB c D3 Av6 cr6 9.44. miden las fortaleza¡ de los cable¡. Efectu¡r un análisis de la varianza del experimento al nivel de significación del 0.47. Wz. Cuatrotiposdecable?¡.LATINOS wr ^S.43. Determinar al nivel (o) 0.Tc. 7. 4 cantidades diferentes de dos compuestoc químicos se agregan a los ingredientes bási co¡.05. eetableciendo cualquier conclusión a que pueda llegaree.43 utilizando un nivel 0. B. w2 BB6 Dog ws Ao5 9. Se obtiene el cuadrado latino. respectivamente. Ca. q D.38 euponer que introducimos un factor 876 c81 o73 Tabla 9-46 o78 E'76 c80 o79 c76 877 w4 CUADRADOS GRECO.336 CUADRADOS LATINOS ANALTSIS DE VARIANZA IcAP. [.01 de que no hay diferenci¿ en (o) los fertilizanSe C8 At4 D10 Á10 c12 BL4 D16 D12 B11 811 Dt5 Á10 tee.Cz.S4 Sr. como se muestra en la Tabla g-46.4? c. o. Efectua¡ un análisiÉ de varianza al nivel Q.Cuatro operarior A. donde lo¡ números indican rendimiento de maÍz por unidail de á¡ea.46. Soluciona¡ el hoblema 9.48.05. (D) lae variaciones del terreno. Wt. St. B. Tabla 9-44 efectúa un experimento para ensayar el efecto sobre el rendiniiento de 4 tratamientoe de fertilizanües A. Wc y 4 especies d-iferentes . B7 At4 Tabla 9-4ó c12 adicironal dando la sección donde naci6 el estudiante Eete. t¡ Tabla 9-48 contiene los datos sobre el moho acumulado en hierro tratado con químicos A. D usando cuatro máquinas diferentes. Oes: te. y de variaciones del teneno en dos direcciones perpendiculares. BoG Dy l0 Ap8 c6 10 cialee.Ct. 9.01 si hay una diferencia significativa en los tratamientoc. e 9. ?a sefabricanporcadaunadecuatrocompañfas. Tr AB 164 c2 Bf 181 c3 ca Ay 193 193 207 166 c4 D6 160 T. El aumento en peso por unidad de tiempo 6e da en el cuadrado greco-latino de la Tabla 9-46. C. Centro.44. Con referencia al Problema 9. (ó) 0. L62 BB L45 cB 2t2 A6 112 86 Do An 188 Bq 167 c7 136 PROBLEMAS DIVERSOS 9. W¡ .

página 309. .60. 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. Tabla 9-50 Alto I. en tanto que los resultados correspondientes para el oeste se dan en la Tabla 9-52.5?. (b) la ecuación (38).53.52 utilizando un nivel 0'01. Bajo I. 70 En el Problema 9-42. Solucionar el koblema 9. Este Oeste Sur 88 84 86 Medio 80 78 82 Bajo 72 ¿o 9. Demostrar el Teorema 9-3. (3) y ( ). Demostrar el Teorema 9-2.Q' 9. Se realiza un examen para determinar si los veteranos o los no veteranos de diferentes I. Demostra¡ (o) la ecuación (37).Q.54.Q.ó6.62. página 372. medias y pequeñas. 9. t¿ Tabla 9-51 muestra los puntajes para una muestra de estudiantes universitarios de diferentes partes del país con diferentes I. 9. de estudiantes adultos de estaturas altas. Demostrar (o)la ecuación (39). (b) la localización.Q.01. ¿puede determinar si hay una diferencia significativa en el número de artículos producidos en los diferentes días de la semana? Explicar.05 y establecer sus conclusiones. rinden mejor' Los puntajes obtenidos se muestran en la Thbla 9-50.Q. página 309.23 y 9. Un experimento mide el L Q. Ensayar al nivel 0. Con referencia a los Problemas 9. Determinar eI nivel de 0.01 si hay alguna diferencia significativa en los I.05 si hay una diferencia en los puntajes debido a diferencias en (o) el estado veterano. Solucionar el Problema 9.05 si hay diferencias debido a (o) los químicos. Los resultados se indican en la Tabla 9-49.Q. (b)la ecuación@0).4g. Determina¡ al nivel de 0. 9. Tabla 9-51 Alto 9.40 suponer que un experimento adicional realizado en el noroeste produce los resultados de Ia Tabla 9-53. (b) los tres lugares.05. página 312.62. Suponer que los resultados en la Tabla 9-48 del Problema 9-48 son válidos para el noroeste.59. Veterano No veterano 90 85 Medio ril 78 I. página 312.05 si hay diferencia en (o) fertilizantes.55. ¿Es ésto cierto si cada valor se multiplica o divide por una constante apro' piada? Justificar su resPuesta. (b) I. 70 9. Norte y centro 80 ¡D 79 g. Derivar los resultados 9.cAP. 9.50.5E.51. (b) 0. el ANALISIS DE VARIANZA 337 g. En los cálculos de análisis de varianza se sabe que puede sumarse o restarse una constante apropiada dp cada valor sin afectar las conclusiones.61. 9.54 al nivel 0. 9. Determinar al nivel (o) 0. relativo a diferencia de estaturas.Q. Analizar la tabla al nivel de 0.

e 9.05 y eetablecer conclusiones. Suponer que en el hobleme 9.64.68. 9.7 16 D66 Br7 Haga el montaje de un experimento que conduzca al cuadrado greco-latino de la Tbbla 9-55.71.65. En ln práctica.69.01. 9.69. 9. 2X 2? (D) ¿un cuadrado greco-latino de 3 X 3? . las repeticionec. 9. Tabla $65 1 FACTOR ar6 863 FACTOR 2 BB L2 C64 Df 15 P" 18 Ae8 cs t4 De t6 cr 20 Bog Ae t7 466 co 9. ¿es¡rer¡rf¡ encont¡ar un (o) curdrado latino de Explicar. Efectua¡ un análisis de va4ianza en el cu¿drado latino de la Tabla 9-64 a un nivel 0.13? Justificar sus conclusione¡. 0. 9. ¿Deberíen modific¡r¡e la¡ conclu¡iones obtenidas en el hoblema 9. Efectuar un análisig de va¡ianza en el cuadrado greco-latino de la Tabla 9-65 a un nivel 0.62 utilizando un niyol 0.67. es decir. De¡cribir cómo emplear las técnica¡ de análisi¡ de varianza para experimentos de tres factore¡ con repetición. 9.06 y establecer conclusione8. Montar y solucionar un problema que iluetre el procedimiento en el Problema 9. lcAP. 816 FACTOB 2 c2r 823 416 AL8 ct4 Bt2 ct5 l á18 9.21 hallamos una diferencia significaüiva en los días de la semana.66. Haga el montai dc un erpcrimenüo que conduzca al cuadrado latino Tabl¡ 9-64 FACTOR 1 de la Tabla 9-54.338 ANALISIS DE VARTANZA Solucion¡¡ el hoblema 9.63.

Apéndices .

.

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

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

o-'"-* o" -fa-f= Y 16. fr' .APENDICE A 343 14.0=W m)0.-. Ío'"-*senbc O" = ¿ft6 a)0 c)0. = hÍ""c-tdr a')o.l L-e(b'-1oc't4o I "VA tT.or)o denomina."md*=*or"' lg. to' . lB. Í. Ío"''""n'^-rtcos2¡-¡0d. p)0 o) 0 16.n)0 . J_n c-<"¿*o'+c> dÍ =t1.o*rot+ü fl¡ = i{:e<b'-4dc''t1o """(#) o ) 0 donde erfc(u) se = r-erf(z) = t-U*f""-sa.lafunción complementarb de enor.

0003 .0014 .3079 .0002 .07.2803 .0213 .0573 .3857 .0775 .0119 .2827 .0468 .0339 oe OA .3209 .3876 .0252 .0681 .3939 .3989 .1539 .0036 .0005 .u077 .24!r2 .3668 .0091 .0010 .0061 .1771 .0139 .4 0.0099 .0761 .2083 .3945 .016:l .2 3.0508 .0189 .0063 .0i21 .0002 .156 .0046 .0270 .0540 .3187 .3697 .0224 .0075 .0431 .1 0.0488 .3605 .0088 .2444 .r295 .0258 .:1825 .3902 .2396 .3885 .0371 .l 2.0 .0009 .0734 .72i6 .2059 .0008 .0151 .0989 .3 0.0283 .3?65 .225I .1736 .0019 .0006 .3637 .3372 .0003 .0167 .13 .3802 .1.1127 .0007 .2850 .9 .2780 .0562 .9 .0069 .0940 .0 1.0.000? .39?3 .3988 .6 o.0014 .2072 .1057 .1 .0277 .0004 .0016 .0093 .0459 .0030 -0022 .3056 .0310 .3778 .0008 .0036 . ¡ .1989 .2323 .3965 .0325 .01.0006 .1669 .3918 .1040 .0015 .0632 .0003 .0132 .3230 .0002 .0004 .0001 .0009 .0007 .2709 .0071 .9 3.0002 .5 1.0264 .3961 .0006 .0010 .0363 .0669 .0229 .0029 .3448 .0015 .0116 .010? .0008 .3739 .0620 .5 2.0067 .0002 .6 ¿.0011 .0818 .8 0.0032 .0043 .1.06{4 .1895 .0048 .7 0.0081 .1781 .0608 .3 IA .5 3.0002 .0010 .3712 .0498 200 .2295 .0379 .2966 .0113 .0317 .237r .0028 .I942 .0073 .0154 .3980 .0246 .0027 .0519 2.0047 .058.0957 .3984 .0018 .3485 .0973 .1 tQ .3910 .0297 .3867 .0042 .1 .r374 .2203 .3836 .1 .1006 .0241 .3956 .1849 .6 l.1315 .3790 .0023 .0203 .0126 .254r .2637 .0 3.0003 .0001 344 .0086 .0ri56 .0101 .28i1 .3166 .7 2.327L .0050 .0003 .0013 .l lJf]4 .3683 .0055 .0290 .0848 .0863 .3572 .1 7.3429 .2516 .1 109 092 1.0003 .3101 .3034 .1 .2897 .0022 .2 .0198 .3011 .0012 .0020 .0396 .0031 3.0878 .0387 .0122 .3725 .0004 .3555 .381 4 .0219 .1758 .0790 .0005 .0017 .0110 .10?4 .Apéndice B Ordenadas (E) de la curva normal t ipif icada enz 0 I .3538 .l 163 .0158 .1919 .0551 1.0004 .0003 .1415 38 .2756 .1182 .3352 .002I .1 .0002 .2t31 .0707 .3391 .3970 .óooó .0925 .1 804 .0012 .2685 .0084 .0129 .0012 .1518 .0003 .0005 .3621 .8 .0007 .0449 .0208 .1 .0180 .1 561 604 .0005 .1965 .3951 .0004 .0694 .3292 .3332 .0235 .0065 .0026 .3251 .0002 .0039 .0006 0004 .2920 .2565 .8 2.2 1.o024 .0096 .0005 .0034 .0005 .2317 .0893 .6 2.1334 .3410 .2613 .¡ 3.3977 .2227 .1626 .034? .3925 .0020 .0422 .3989 .7257 .12 .0060 .0044 .22i5 .0002 .3752 .3 DA .1872 .0038 .00I7 .0058 .331 2 3 4 D 6 7 8 o 0.0002 .2420 .3467 .3144 I .0025 .0051 .3986 .1219 .0037 .3932 .3894 .2732 .8 I.16'17 .0002 3.0355 .0413 .5 0.0909 .8 3.1354 1.0 0.0002 .0040 .0018 .2589 .0033 .0r 36 .140 .1435 .01?5 .0002 .2989 .0303 .0053 .0171 .266I .3589 .Dl éo .0004 .0016 .r1f)7 691 .9 2.0804 .0833 .24G8 .00r1 .0104 .3521 .1826 .0478 .0013 .3989 .1582 .0025 .oI47 .1145 .0056 2.r023 .3503 .0194 .2t55 .2 0.0596 .0079 .0332 .2036 .3982 .0184 .0404 .2513 .0008 .0529 .0003 .0009 .3847 .2t07 .

4998 .4931 2.4599 .4997 .4977 .4963 4973 .4767 .0871 .6000 .3485 .5000 3.4998 .2910 .4992 .3272 .4706 .1026 .4991 .4993 .0987 .3849 .4573 .1 .4382 .2422 .4032 .4968 .4726 .3 0.4998 .4918 .4998 .4999 .tzt7 .4 0.4222 .4949 .4082 .4099 r.07L4 .4834 .43?0 .4925 .4948 .4525 .4999 .4998 .4394 .4986 .1628 .4991 .3599 .1 .3790 .4932 .4591 .26L2 .4978 .4999 .3 1.2 ¿-D .4974 .4977 .4750 .3106 .25t8 .48L2 .2088 .4997 .4938 .4955 .4066 .3531 .4972 .1?00 .4984 .3830 .4997 .2881 .4999 .1844 .5 0.4545 :4633 .0478 .1960 .2996 .467L .3962 .1 .4997 .4962 .5000 .3665 .44t8 .7 3.0120 .3907 .1517 .4875 .2454 .L265 .4664 .7 0.485? .{o9t .0948 .4936 .2580 .4985 .4911 .4906 .4999 .4015 .1480 .476t .4265 .5000 .48(.1736 .9 2.0832 .4495 .5000 .4345 .3289 .4979 .4625 .0000 .4793 .4535 .4319 .4868 .4738 .2823 .6 2.5000 .8 .1141 .4994 .3365 .7 2.2324 .4969 .4975 .4967 .4994 .4236 .4678 .4967 .1915 .4357 .1591 .1331 .4192 .4463 .0279 .0 1.4916 .0696 .4582 .4999 .4999 .4989 .2 1.4996 .4554 .2 D') 2.4778 .0319 .4896 .4999 .3238 .4998 .9 346 .4998 .3810 .4922 .2734 .4564 .4913 .4616 .1 0.4505 .4117 .497L .4997 .6000 3.3051 .2190 .4953 .3340 .4997 .Apéndice C Areas baio la curva normal tipificada de0az 0 0.4986 .1L62 .4131 .4981 .2642 .4999 .3926 .)( 2.6 0.4996 .0517 .3461 .4940 .4732 .2064 .4406 1.4993 .2852 .4893 .6 3.4994 .4887 .1554 .4649 .0 0.4999 .4929 .1368 .3869 .4999 .4998 .4842 .4292 A25L .4999 .4989 .4983 .4452 .4279 .4961 .4984 .4951 .4982 .5000 .4999 .4981 .() 3.4976 .0199 .4817 .4993 .4999 .4970 .3708 .2389 .8 1.4830 .4960 .4854 .3170 .5000 .3413 .4998 .4998 .4987 .4988 .487L .1406 .1 1 2 3 4 6 6 7 8 I .4999 .4656 .4996 .4693 .4995 .4945 .4898 .4783 .4878 .4999 .4946 .1772 .4719 .5 1.45L5 .2t23 .0910 .4803 .3315 .2764 .4964 .4999 ..4429 .4884 .1103 .4996 .0080 .4999 .4993 .4959 .4996 .4996 .0398 .4788 .0636 .4901 .4846 .0675 .4999 .4999 .3264 .5000 .4990 .4838 .4927 .1664 .1293 .4484 .4962 .4966 .9 1.0438 .4956 .4049 .4999 .0160 .4995 .4998 .4608 .4920 .4821 .0 3.t443 .4744 .7 1.8 0.3023 .3133 .4980 .4850 .4997 .0 2.3554 .4988 .4999 .2486 .4904 .3389 .4997 .4990 .1808 .2t57 .3621 .2939 .4999 .4989 .4943 .1987 .4995 .2704 .3944 .4909 .1179 .3129 .3r 59 .4998 .4995 .4890 .4992 .4934 .4965 .4306 .4991 .4999 .4207 .5 3.2549 .2794 .8 3.4992 .3508 .4995 .4998 .4982 .066? .229r .0793 .3438 .4994 .2967 .2019 .4699 .1ts26 .1879 .4 .4992 .6 L.0239 .4773 .3980 .3078 .1985 .4999 .0040 .2224 .4798 .4332 .4997 .4756 .4686 .4990 .4999 .4772 .4987 .2 0.4941 .1064 .4999 .3686 .4 .4115 .3888 .3186 .4995 .4864 .4974 .4t47 .3577 .2258 .4474 .3749 .3643 .4986 .4881 .3997 .0359 .4994 .4997 .2357 .4808 .444L .4979 .4999 .0754 .2673 .

8?0 .90 1.30 L.856 .854 .765 .256 . publicado por l.73 1.72 2.86 1.255 .258 .t42 .L32 .32 L.649 .64 1.02 2.34 1.256 .34 1.130 .90 2.896 .630 .r27 .856 .130 .32 1.727 .74 1.546 .31 .68 L. con permieo dé lo¡ autores y editorea.536 .856 .692 .92 2.531 .08 2.25 3.864 .256 .L28 .62 2.71 L.862 ..94 1.000 .128 .35 1.98 2.569 .90 2.05 2.88 2.48 2.260 t.83 2.96 2.L27 .70 2.260 .865 .38 1.266 .531 .60 4.09 2.32 L.60 2.82 2.3?6 1.54 3.33 1.727 .534 .30 1.sgs I .t27 .686 .78 2.266 .96 I7 18 19 .876 .32 L.36 t2.70 1.32 L.34 1.920 .76 2.?l 1.256 .624 .76 2.72 1.50 3.84 2.L26 .t27 .A.36 3.531 .56 2.L27 .277 .258 .48 úes t.257 16 2. (previamente pubücado por Oliver y Boyd.64 2.66 2.626 .256 .584 .44 1.66 t.28 t20 € .98 1.257 .842 Fuente: R.31 1.76 3.76 1.27L .978 .846 20 I.530 .866 .879 .t3 2.677 2.61? .Apéndice D Percentilrr de (tr) l¡ di¡tribsción f de Student con z grador de libertad v úss ¿oo t.08 1.L27 .82 6.683 .77 1.629 .66 2.863 6.57 2.539 .76 2.t6 2.537 .532 .727 .869 .256 .73 1.259 .58 2.63 1.861 .77 2.84 4.563 .861 .14 3. Stotistícal T¿bles for Bíological.46 2.33 1.7L 1.681 .30 3.683 . Fistrer y F.81 1.76 2.684 .856 .06 2.t2 2.L27 .254 .45 2.267 2.688 .256 .533 t2 13 14 15 .691 .L29 10 11 .50 2.02 1.627 1.42 2.941 .131 .858 .711 .s.72 1.72 2.906 .26 2.126 .18 63.83 1. Edinburgh).532 .80 1.689 . Yate.ongman Group Ltd.67 1.535 .?8 .80 2.690 .06 3.257 .zo t.32 1.696 .36 2.256 .L0 2.7L 4. 3 .889 .70 1.68 .89 1.03 3.47 2.szs tse 31.36 3.674 .46 2.07 2.261 .848 .534 .48 2.70 1.531 t.00 2.39 2.31 1.00 1.49 2.78 2.32 2l 22 23 24 25 26 oa 28 29 30 40 60 .36 1.134 .L28 .86 2.860 .71 t.532 .92 6.687 .71 3.75 L.694 4 6 6 .255 .684 .686 .325 .29 L.96 4.06 2.62 2.37 1.158 .?18 .L27 .06 2.630 .66 1.684 .5L 2.669 .6?9 .540 .47 2.31 2.76 L.128 .70 1.643 1.11 3.263 .r28 .04 2.33 .81 2.L27 .262 .r29 .40 1.t26 .L27 .061 .685 .686 .74L .538 .873 .883 .688 .683 .31 1.254 .82 2.3L 2.07 2.t2s .18 2.858 .t27 .67 2.20 2.11 2.06 2. .257 . AgriculturalondMedícol Recearch.14 .66 9.09 2.697 .92 2.263 .L26 .62 2.79 2.700 .137 .33 8 9 .703 .128 .868 .258 r.68 2.633 .r3 2.L27 .zs üeo tso 3.23 2.53 2.542 .01 2.857 .04 2.42 1.17 3.706 .289 .36 1.257 .816 1.645 t.

472 .gg x?rn y2 ^-00e .1 31.7 23.3 26.E 42.8 9.3 69.81 6.455 1..6 36.8 30.3 I 1.9 34. con permieo de lol autore¡ y editoree.57 7.02 7.3 29.8 67.6 16.6 33.2 37.7 66.8 14.35 5.0 26.6 38.5 96.3 42.7 16.3 82.7 14..3 49.3 61.1 13.2 38.2 28.5 20. t3.4 35.9 t8.9 2t.2 66.7 76.7 33.6 22.9 39.tl 4.59 10.0 16.6 46.35 6.9 40.1 16.9 12.70 3.7 38.9 23.1 t2.2 12.01 5.89 6.2 59.3 49.2 6t.2 94.2L6 .4 40.74 7.6 14. x?no X.3 13.831 .34 9.3 22.t7 4.8 38.9 26.0 14.8 14.26 6.6 19.2 74.1 ttz r26 13? 64.6 15.25 7.61 2.06 1.8 26.554 .3 13.8 20.79 t4.684 1.33 3.6 109 1r8 130 t28 140 t24 149 Fuente: E.291 .2 46.7 39.2L 1.69 2.3 .92 2.Apéndice E Percontilas (¡f) de l¡ di¡tribución chi-cuadrado con u grados de libertad v x.6 92.3 16.7 16.3 71.L6 2.6 14.7 2.0 48.6 32.2 10.87 6.3 2L.4 42.3 49.49 11.0 x2ot x'"0 .1 .4 83.5 33.6 56.9 63.0 33.L 2l.58 6.94 4.3 23..? 42.8 28.63 6.6 40.2 36.L 30.6 r3.6 32.3 27.6 88.6 12.3 89.8 43.0 36.8 48.6 36.6 22.39 10.7 99.3 12.9 68.3 X.9 35.07 4.O' X.31 10.E4 6 .9 11.5 16.57 6. .8 70.8 20. Vol.56 9.63 8.6 74.4 12.0 4L.6 L2..3 49.7 60.8 24.5 43.32 2.4 13.0 11.09 2.4 86. 3 4 o I .04 10.8 13.2 26.3 79.4 85.4 63.7 34.3 99.6 90.7 37.88 10.r7 2.96 8 I 10 11 4.8 40.5 24.2t 11.0000 .o 22. Hartley.6 31.6 32.5 20. páginas 187 y 188. 1(1966)' Tabla 8.3 17.3 r6.6 61.8 55.2 35.6 13.6 23 24 25 26 27 28 29 30 40 60 60 70 80 90 100 41.484 .20 2.2 11.6 47.43 8.1 DD.0 t2 13 18.30 7.4 31.70 6.3 67.73 3.63 ?.6 61.L 80.06 3.2 62.01 7.23 5.3 2L.4 29.90 27.102 .18 2.9 20.0 27.6 12.3 16.4 40.60 3.l 22.4 34.8 36.8 63.0? 5.0158 .3 46.3 t6.1 45.0100 .4 16.6 19.24 1.34 8.6 43.4 43.3 59.0 L07 6.S.37 3.1 27.1 28.3 10.91 9.6t 6.23 5.6 .8 18.8 34.3 14.4 23.989 1.2 11.3 32.2tL .90 6.3 16.9 29.8 67.66 8.7 12.54 L0.2 44.6 28.81 9.5 16.8 16.6 24.04 7.44 9.0 22.3 24.0 71.0 62.1 19.3 22.07 3.23 8.6 36.2 14.O.11 5.6 tt.O tt.6 50.49 2.6 29.86 11.6 4.0010 .1 77.7 18.3 23.6 46.9 18.84 9.0 17.3 69.45 4.58 8.26 7.25 5.3 73.6 108 118 8.57 4.6 24.7 26.63 7.1 37.3 18.1 10.1 13.4 100 t2.3 32.1 12.9 13.66 2.2 18.t 31.83 3.6 9.3 18.3 61.6?6 .1 90.7 25.41 ?.73 2.39 6.26 8.4 16.2 88.6 26.0 20.8 16.0 23.0 13.8 24.7 23.84 5.7 37.8 14.1 10.24 10.7 29.78 9.0201 . 347 .07L7 .2 '19.60 5. Biomelr:iha Tobles fo¡ Stotitticíane.2 61.207 .5 34.3 17.36 4.7 14.7 28.6 25.3 5.67 3.6 24.D'ID r.82 4.7 46.1 39.89 10.24 1.2 11.6 20.8 t7.2 29.3 28. xlo.9 40.0 r 7.8 14.8 45.2 67.8 44..66 5.4 37.7 2t.0 19.116 .64 9.39 2.1 37.3 11.26 9.8 t7 18 19 20 2L 8.3 13.6 54. x?o".1 12.7 26..64 .872 L.9 1t.57 t.40 6.7Ll 1.8 79.3 61.9 17.6 30.6 46.1 16.6 79.362 l.26 6.3 19.9 19.7 7.8 26.8 t9.0506 .3 18.2 29.4 20.3 29.38 9.9 11.8 32:0 33.3 96.1 40.91 7.34 1.0039 .35 7.34 10.6 21.0 17.2 t3.1 52.6 28.7 22.03 t.9 48.15 1.3 20.6 66rB 56.9 43.0 44.99 7.? 37.7 18.0002 .6 48.77 4.2 24.3 15.3 45.1 27.3 30.8 13.7r 4.4 3. x'.67 9.4 32.103 x?.6 2L.56 3.26 3.3 39.7 7L.4 69.8 12.9 34.2 16.L4 6.30 r6.1 8.9 30.2oo¡ xlo.4 32..0 69.4 L02 113 rt2 t24 136 98.3 27.3 53.7 47.9 L6.0 27.6 17.3 26.3 35.6 43.1 41.7 28.0 104 116 l4 16 16 to.2 31. Pear¡on y H.6 41.7 73.

37 2.58 2.4 19.76 4.18 2.84 4.31 2.80 2.68 2.07 3.53 2.55 2.27 2.2r 2.74 2.5L 2.24 2.4 19. O.1 7.58 2.17 3.83 2.85 6.?3 3.LL 2.86 5.42 2.01 1.29 3.41 2.20 2.38 2.5 19.44 3.36 2.85 2.79 1 a^ 1.55 8.64 2.28 4.35 2.97 3.34 2.60 2.96 1.82 2.37 2.77 L.29 2.57 2.59 8.0Q 2.60 3.39 4.89 1.91 3.13 2.85 1.t0 | 4.63 6.79 L.02 r.8L 2.37 2.04 1.49 2.l I D.L2 3.46 2.43 2.76 1.70 2.83 t.05 4.34 2.64 3.63 2.35 3.92 1.90 2.18 2.25 2.84 1.95 1.01 2.44 3.23 2.07 3.47 2.25 2.08 4.35 2.96 1.98 2.65 1.28 3.00 2 Fuente: E.57 2.01 1.96 2.07 1.73 2.88 4.03 1.01 2.30 2.61 2.12 2.30 2.L9 2.66 1.92 1.70 2.48 3.79 2.30 2.77 2.11 2.43 2.62 8.15 4.t5 2.76 2.75 1.77 t.98 1.28 9.92 1.81 1.21 4.7l 1.69 1.04 1.81 t.97 2.58 1.84 1.23 2.74 2.06 2.57 3.r2 2.07 3.02 1.95 4.86 1.59 2.84 3.43 1.24 3.34 3.16 6. Eiom etriho Toblec for Stotíaticianc.5 19.07 3.93 5.73 1.44 2.24 2.66 2.05 4.69 3.05 2.99 1.L3 2.89 2.26 2.32 1.46 2.67 4.93 2.83 2.40 2.09 6.97 1.06 2.16 2.35 7.23 2.33 2.09 2.66 2.42 2.2r 2. parr le di¡tribución F u1 grados de libertad en el numerador /2 gfados de libertad en el denominador ><.59 2.86 2.53 2.56 2.27 2.46 4.06 t.38 2.89 1.7l 2.55 2.54 2.98 2.96 4.40 2.74 4. ¡O 5.t9 2.07 2.96 1.70 1.38 3.42 2.01 2.89 1.39 t.r7 4.19 4.03 2.t0 2.54 4.r5 2.65 2.62 2.0s 1.78 2.84 3.53 2.01 2.15 3. .82 4.40 2.21 4.37 3.01 1.08 2.03 ¿.34 2.61 I.70 I 2.37 2.76 2.t6 2.27 2.50 1.6? 3.99 1.22 3.27 3.46 2.85 1.75 2.68 t.40 4.53 2.68 2.90 2.56 4.54 2.86 3.01 1.18 3.34 2.94 8.91 1.L8 2.14 3.89 8.30 3.78 t.58 3.?0 8.00 3.81 8.67 2.2q 3.04 1.32 4.1L 2.87 3.96 t.49 2.03 1.31 2.09 2.95 1.92 1.84 1.2 19.32 2.94 2.88 1.38 3.29 2.35 2.09 3.08 2.69 2.31 2.53 3.05 2.23 4.96 2.87 3:70 3.60 4.50 3.2L 2. página 178.45 2.93 1.25 2.45 8 I l0 11 5.61 2.46 2.68 3.07 4.3 4 o 6 I 19.83 2.93 2.78 2.7r 2.95 2.66 5.19 2.79 2.?0 1.91 1. con perrniro de los autoreo y eütorea.6L 2.tl 2.62 4.2 19.7 4 2:28 2.22 3.L0 2.51 2.75 1.99 1.42 2.4 19.4 19.80 2.94 1.99 2.69 5. (1972).85 2.72 5.41 3.75 1.96 1.rL 2.64 2.49 2.64 2.32 2.6 10.7L 6.64 1.35 2.23 2.50 4.13 3.04 6.84 1.63 3.20 2.45 2.L2 9.75 4.(}51.18 2.84 1.00 I. S.99 5.92 3.77 4.34 3.r9 2.30 4.25 2.87 t.69 4.7L 2.96 4.5 19.62 2.L5 2.92 2.60 2.65 2.r8 2.53 4.59 6.53 2.66 8.42 2.03 4.36 3.27 2.77 2.64 2.80 a.12 3.L8 2.01 8.3L 2.45 2.lL 2.39 6.62 2.59 1.95 2.49 2.66 2.92 4.26 6.47 3.22 2.5 19.93 1.07 2.23 3.8z r.4e 3.66 2.0L 1.46 1.40 2.01 4.54 2.76 1.25 2.24 2.67 t.L6 2.94 1.84 1.92 2.79 8.61 2.79 t.g¡.69 1.54 2.76 1.88 1.06 2.22 2.44 3.90 1.0r I | 4.28 3.71 2.5L 2.46 2.14 3.16 2.39 2.08 3.84 40 60 t20 t. Vol.90 2.42 3.53 r.88 4.79 3.35 3.46 2.94 1.87 3.15 2.34 2. Pear¡on y H.11 3.39 2.71 3.28 2.28 2.90 1.06 2.4E 2.28 2.51 3.49 3.34 2.59 5.38 2.02 2.33 2.74 2.4 19.45 2.29 2.71 2.47 1.62 1.74 8.97 r.76 2.81 3.6? 2. Hartley.94 3.18 3.84 3.35 2I 22 23 24 25 26 27 28 29 30 3.85 2.32 2.76 2.48 3.27 2.57 r.26 3.30 L2 13 14 15 16 L7 18 19 20 2.60 2.74 4.61 19.24 2.39 3.60 2.94 1.70 2.00 5.33 3.41 3.91 5.59 3.41 3.98 2.81 2.63 5.46 2.73 4.87 2.98 1.04 3.4 19.57 2.77 2.Apéndice F Porcentila 95 (nivele¡ 0.43 4.96 5.16 2.64 8.87 1.53 2.74 1.35 4.52 j 3.91 1.5 9. l'.66 2.85 8.00 3.87 r.90 1.r3 2.47 2.20 4.32 2. I 2 3 1 2 s 2L6 4 b 6 7 8 9 10 L2 16 20 24 30 40 60 t20 @ 161 225 230 234 237 239 24L 242 244 246 248 249 250 26t 252 253 254 18.L5 2.6L 2.12 2.20 2.DD 1.3 19.06 4.79 3.25 2.10 2.49 4.L2 2.01 2.10 2.9L 2.?9 r.L0 2. Tabla 5.22 2.rL 2.90 2.10 4.93 1.20 3.56 2.t2 4.r7 2.37 2.68 4.41 5.82 t.48 2.69 3.22 1.20 2.84 2.42 2.26 3.20 2.62 2.57 8.49 2.09 2.38 2.84 2.96 2.5 19.80 t.36 2.29 3.85 2.4 19.26 2.

L4 4.50 4.6 9.03 3.49 5.29 6.92 2.17 3.86 2.22 3. Vol.84 2.82 4.43 3. Pearron y H.16 3.5 9.72 6.89 3.84 6.80 5.29 3.88 2.86 8.10 L2 16 20 24 30 40 60 L20 @ 4062 6000 5403 6625 5764 5859 99.94 3.7 10.60 4.56 5.5 10.65 3.54 3.42 3.06 2.64 7.2'.6 5981 6023 6066 6106 615? 6209 6235 6261 6287 99.72 4.46 3.26 3.28 4.63 3.40 4.oD 8 ?.75 2.33 2.60 3.59 3.66 6.31 2l 22 23 24 26 26 27 28 29 30 40 fó 4.63 8.93 6.46 2.80 2.46 6.37 4.88 2.00 2.3 13.75 2.O.94 3.20 4.33 3.2L 6.28 4.09 3.t7 2.72 2.54 2.01 3.44 4.40 4. para ls di¡tribución F v.2 9.26 4.93 4.9 9.78 2.40 2.37 2.l 11.70 6.94 4.96 4.43 4. F.2L 3.19 2.54 t7 18 19 4.5 26.70 2.23 6.5 26.08 3.31 3.93 2.60 3.2 14.01 .se.47 3.36 4.96 I 10 11 .81 6.66 2.7 27.44 2.1 6.3L 2.67 4.18 3.4 13.0 15.95 7.15 8.47 6.00 3.10 8.66 2.4 27.01 5.5 13.65 2.56 4.51 s.3? 3.41 2.4L 4.4.09 3.68 3.86 4.96 2.50 2.66 3.29 2.80 3.83 2.42 4.99 6.0 9.30 3.39 3.34 3.31 4.7 14.46 2.07 5.65 8.L7 4.58' 2.56 6.51 3.APENDTCE F 349 Percentila 99 (niveles 0.68 99.70 2.91 6.40 8.10 3.6 14.41 9.76 4.55 8.96 3. 3 4 o oot 28.72 7.sz 2.33 4.5 26.25 4.18 3.46 7.76 3.r3 2.92 2.ó9 3.99 3.07 2.85 2.83 3.10 6.6? 3.45 s.16 3.89 3.04 3.95 1.03 2.81 3.41 3.9 99.42 3.66 2. 3.38 9.90 3.04 4.23 2.63 2.Ll 2.67 2.19 l0 99.?9 3.10 4.85 7.98 6.53 3.5 26.71 3.87 2.07 3.59 3.45 7.76 1.26 2.31 4.84 2.üb D.60 '7.8 10.91 .49 12 13 6.?5 8.66 4.61 6339 6366 99.78 2.22 5.62 4.15 2.21 3.66 2.7 13.4r 5.72 5.97 6.01 6.02 7.4 99.45 3.32 3.26 4.89 4.4 26.72 7.42 2.36 3.3 8.13 3.74 6.35 2.85 4.18 4.18 3.t4 5.37 3.22 4.20 2.70 3.81 4.82 7.00 t20 Fuente: E.72 5.40 3.23 5.96 2.60 4.5 34.42 6.02 7.31 3.69 3.63 3.30 3.03 3.20 4.60 2.38 2.66 99.70 8.87 3.19 11.46 3.78 3.8 99.20 2.03 2.49 2.4 9.94 3.0 30.74 4.08 6.58 4.43 3.ó 16.b8 2.95 4.10 2.11 2t.60 6.01 1.12 3. página 180.62 5. 8.19 5.98 2.oo 7.31 7.55 3.06 4.13 3.50 4.67 6.74 2.10 3.02 3.60 1.00 2.4 27.1 13.59 6.69 2.6 13.3 14.25 3.71 3. con permirc de lo¡ autoree y editoree.63 5.7 16.61 o.2 13.65 3.26 6.1 7.08 3.7 99.46 5. Hartley.30 3.51 3.56 2.35 4.36 3.30 7.01 3.68 8.02 7.32 5.18 8.2 9.25 4.47 5.49 2.03 2.7 10.86 3.3 28.61 6.04 3.36 6.23.09 3.00 2.16 3.6 10.17 4.011.3? 3.75 3.73 7.66 2.30 4.7? 7.47 2.61 4.2 ?.80 3.29 8..84 2.95 5.94 3.46 3.12 3.89 4.09 2.67 2.78 9.07 4.54 3.52 3.93 z.67 3.38 1.39 6.l 8 I 99.63 6.64 3.4 99.56 3.06 6.54 20 9.35 4.32 2.18 5.2 99.12 4.82 4.35 3.78 3.11 6.3 27.89 3.26 3.29 7.4L 2.0 16.0s 1.1 a.51 3. gFados de libertad en el numerador v2 grados de libertad en el denominador x1 I 98.87 4.00 2.39 4.13 2.86 4.82 4.66 4.23 3.74 4.40 6.10 4.30 3.68 2.54 4.59 1.65 6 .62 3.3L 6.80 6.65 9.78 3.99 5.02 2.84 9.36 3.92 2.02 6.00 3.r 26.54 5.9 99.63 4. l4 15 16 4.88 7.5 26.07 4.64 6.L4 5.68 7.62 4.4 11.64 2.67 5.52 3.L2 2.2r 5.68 4.7r 4.4 27.07 6.69 3.39 4.48 3.20 4.67 9.17 3.t4 4.70 3.29 2.86 1.79 60 2.99 2.56 4.76 2.36 2.33 8.37 5.36 2.17 3.21 2.2 16.64 4.2 18.06 4.99 5. 3 4 o 6 .11 6.2 29.tL 3.94 2.43 3.0 9. .S.87 6.21 3.94 1.34 4.62 2.03 1.88 5.47 t4.5 14.90 2.8 99.31 9.57 t2.L2 1.39 2.16 5.64 4. 2 (1972).16 3.59 3.78 3.0 10.3 10.42 5.32 4.26 4.86 3.86 3.56 6.r7 3.91 5.72 2. Biomeúiho Toblec for Statbücbnc..55 7.?0 1.77 4.57 2.52 2.78 3.3 L2.64 3.89 4. Tbbla 6.26 3.41 3.31 3.99 b.93 3.89 7.42 2.86 6.03 5.63 4.o J 2.44 4.52 4.

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

(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. 3.68. 3. i¿l p4=230718960 2a 3. 3.61. Fz:5. 3. (o) 1 (b) (o) Var(X)=5. nx=lE (al (a\ (ü) Var(X)=3/80. 3.66. ps: -5. 3.E4.7 3. pí=1. Fz:3/80.46.72. 3.E0. 3. 1e/10 (¡t') 6/6 a/3 @ 1 \Ng 3.48. 3.6E. pi= Al=0. 7/0 (ó) 6/5 3. ú= (a) h=0. (c) 315 3. 3.ezt\/zt2 (D) p = 4/3. o*=1/t5/ZO 4 (b) 2 (c) .64. 3. yí= 6. pí=0. 3/2 n (b) -2e/6 Lla !4 3.43.50.65.E1.45. 3.55./m/L8 (d' \rzssñ8 (e) -9L/32a (Í) -sr/235 4 tb) 4/\/35 -t/tst¿. (a) (a) 2/3 (b) 2/3 G) aB 7/a (c) @\ Als 3. (e2ia-Zie2ia-ll/"2 (a) (¿) (¿) Lr/144 (bl rr/L44 1c¡ t/iJttz (¿) (¿t) \/-LUr2 (e\ -L/L4a 0 -!rr 1 .47. 3. pá: t6/5. <1 (ó) p = l. (a) (3r +2\/(6r*3)para0 5 ¡<i t¿l lsu+Z)/(6u*3)para 0 = a = | 3. 3.79.5e.\klzk+t(k+ll I qeiab co)/ao 3.57.'PLEMENTARIOS CAPITULO 3 3.60. 3. 3.69.62.83'. (o) (f + 2te2t .74. pn=33 (c) (bk+r'st<+r)/(k* 1Xb-o) peiaa (sen (ó) [1+(-1)k](ó -a./3s12 3. (o) (a) 1 (b) I (c) rla (c) 3. pi= 2. p3 =-L2lll60.(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) \.62. 3.44. (c) 1/(1¿). 3. pl:L L6/3 3.ó6. (a) 1 lb) 7 (c) 6 3. 3.78.\ +(et/2+e-t/2) = cosht (ó) p=0. 10.RESPUESTAS A PIOBLEMAS SI.54. 3/2 (bl 3e/4 (a. pz=7-. pí= 2.67. p¿=35 (b) pr = 0. (a\ l/2 parae>O (b) lParay>0 .5 3 (b) r3n/6 (a) 35112 @\ (ü \Elm. 3.82. Ft=2.77.

3. ffiParao rle (b) 1 6x2*6n*L s r:< I .[o ) 3.ze-t (D) no existe (al 2(\F-Ll/3 (b) L6t7 2 0 2 7/3 r/3 2t/2 (b) e 3. (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 3.358 RESPUESTA"S A PROBLEMAS SUPLEMENTARIOS 3. (o) 0.127. (o) (c) 8/16 1-+y'3 (bl v2 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. (d) 1- (1/\. (b) 2415o (ü) e (al (a) (b) 6/e (b) 1/18 (c) (et * 2e2t + Sezt)16 (d) (d) (eto + 2e2to + 3e3.o)/6 (a) -7/27 (c) 2(et-l-t¡¡¿z -Z(e--l-ü¡¡"2 (e) r/136 3.eziarlznl u) 12/6 3.05r 3. (o) 3.17 (c) 0.###parao < nr 5r 3.91.105.90. (a) 3.5 02.f 6/9 7lr2 o 3.r/r-tsnflo) (ó) \F@i @ tlfr. (a) (b) r/4 (b) 0.126.100.118. (o) (c) 3 (ü) 3 3. 3.89.85. (a\ L 3.123.103.121 . (o) 1 3.116. (o) no eriste (ó) (c) 3 -1 (c) e-z *0 3.119. (o) (ó) ln 2 (D) I 3.8/2 (ü) 1/3 (c) 0 .L22.e2. (al 3..114. t"l . (¿) 1/y'5 3. (¿) 3.10E.109.113. (o) (a) 3.94.125. (bl 3614 (1 @l atg (b) 2/e L (c) * 2te2t - e2')/2t2 (el -2\/fr/r6 (d) -(1 + zibe2ia . (o) 1 I (ü) (ó) (y'3.120. (a) r 2 0 (ó) 8(21/2-r)/L6 (D \. (o) 3.10a. .1or.1)/4 (c) 16/81 3.124. (a) 3.

049?e (ó) 0.78.9962 (b) 0.86 (c) 2. 4. 4.6 (b) e (b) 72.E1.E8.E3.4 (¿) 0.93. 4.05610 (b) 0. 4.1342 0.3% (a) (o) (a) (o) 1.5976 (c) 0.87.2241 (d) 0.0658 4. 4.66.67.0567 (b) 0.68. -0.626 ó 0. 4.66. 4. 4.0% (c\ 93.61.995 0.0668 (a\ 20 (b) 36 (cl 227 (cl (d) 40 @) 15% 4. 4.63.7t. 4. 57/6a Q\ 2r/32 (b) (ó) 4. 4.9198 (c) 0.1494 0. 4. (a't (a) r/64 Ua 250 (b\ 3/32 (c) l5/6a @\ 5/L6 (e\ 15/64 (l) 3/32 (g) Ll6a (b) 11324 4. (a'¡ 6L. 4.0687 0.G¿s 4. 4.85.1680 (/) 0.t9.a7% 4. 4. (o) 0.76.91.7% (b\ 54.2991 (c) (o) 0.80.0089 (o) (o) 0.03eb .5.7% (al e5.0838 (b) 0.9500 0.06131 .0?86 (c) 0.9495 (b) (ó) 0. 0.77 (a) npq(q (o) 1.0154 (e\ 0.E6.4232 (o) 0.73.8?67 (b) 0.69. 641243 25 (c) 500 4.74. (c) (p) 0.08 (d) r.t"/o 0.0286 (d) 0.e265 (d) 0.s27 1. 11/16 (dl 518 (a\ r7lL62 (a\ (a) 5/16 (c) 4. 4.89.550 (c) -0. 359 CAPITULO 4 4.77 (c) 0.1127 (dl2.2511 (b) 0.76.4% (bt 23. 4.224r (e) 0. (a') pl (b'l npq(l - 6ps\ * 3n2p2q2 -1.6826 4. 84 (bl 8.1008 (c) o. (al93% 4.I RESPUESTAS A PROBLEMAS ST'PLEMENTARIOS . 4. L93t5t2 (a\ @) 32/243 (bl re2l243 k\ a01243 (dl 2421243 42 (b) 3.726t (/) 0.90.0079 0.03?5 0.75 (b) -1.92. 4.62.6404 (d) 0.849 (e) tt.84.64.82.15 (b) 0.90 75.7123 0.

0 (d\ 2.000948 (ó) 0. (a) (d) (el 2.? 3/4 16.48 4.4972 (ó) 0.0918 (d) 0. (a) 4. o* = 0.2 (c) (c) (c) 2B. (o) e.s? 4.829 1.130.L4L.0620 4.73 -0.58 5.0228 (c) 0.0000 .136.76 1.008 oz oz (ó) (b) pX pX = 22.1033 (c) 0. (a) 0 4.00J8 (d) 1.008 = oz.55.1b82 (c) 0.4O 0. (a) L22.r03. (o) 5/3888 (b) 5/324 4.r2o. (a) 1.5 (b\ 4. - 2. Ll4 aJLa. (a) 2.l 86.ro2.62 (b) CAPITULO 5 (c) 0.0 (b\ 4.40 o¡ ligeramente menor que 0. ¡2.L27.128 (d) -1.005? (b) 2 (c) ninguna (dl 24 6.68 2. (¿) 4. (a\ 3/4 .60 3.40 oz.s 20.rr3.16 5.35 L7e. (o) sx = 22.Lo4.s a8. (Q 4.53.360 RESPUESTAS A PROBLEMAS SUPLEIVTANTARIOS 4.t : 5. 82S\fe (b) (ü) (b) 2(b-al4/6 e/5 113 6. @\ 4. (a) 9.00248 (b) 0.0 (b) 4.40 oz. ('f) (l?)/(l?) (iSX?SXtt) sla 0 (b) (ó) (ó) (ü) l(¿ocoxzoc2ol+(4oc'l(nctsl* (qoc)(ncnl)taoczo 4. @) 2.4 ft\ *e-tn -1"-. (o) 0.101.49.50.2 (c) suponiendo áreas iguales en las dos colas.ro9. (a) ?0/429 (b) l/143 (c\ L42|L4B 4105 (.r?r.0e (c) (c) (c) (c) 1.000295 4.8164 (ó) 0.84 (d) 4.1? v 7!r= !4.71 (ó) (b) (b) 1.0 (d) 8.34 2.62.136.gs (e) z. (a) 237 22. oi : 6.BB (d) -0. (a) 0.3 (d) (d) 55. (a) 0. o* = 0.51..138.04462 (c) 0. (a) (ile)/Q?) . (c) p.) 4'106' (c) 4.0 (b) (b) 4. (a) 4.8 68.03 (¿tl 2.2 2s6.861 (.. 22.2 zr.L29. (a) r 4.2 4l.LB 4.111. (o) B0.L32.166 6.13?.47 (c) e.00g oz oz oz.81 (bl2.L26. 0.75 2.B 4.9544 5.s5 z.64.tr2.47 (c) 9.r y 26.3/8 4.o rí. (a) 0.6e64 (/) 0.7 (b\ 4.128.1 4. (a) e.8b2 (e) 0.b9 84.75 1.94. (a) 201.160? (d) 0.

59.t7. .6 (d) 10995.0136 0. (o) 0.47 (ó) e = 5. 1199.00?? (ó) 0. (o) 0. 0.94.0316 5.t1 5.01?9 5.5E.LL2. (a) menor que 0.2160 (b) 0. .49 (c) 0'28 5. 5. 6 0 -1 (ü) 40 4 6 (c) (c) 288 (d) (d) 2188 (b) 0 26. (a) ?99 (ü) 1000 (e) (c) 949. 6. (a) 24% (b\ rL% 5.6% (il 0't ts.?33 (c) 0. (@) 0.33?6 pulg. (o) ñ = 2.3196.56. 78 á.?9 0'0228 lb (b) 0. 46 (@) 0.326-0:328.0028 (b) 0.62.322.26 5.1%.76% S. (a) 5.166 ó 16. 0..111.113. (a) 82 6Jo2.36 (ü) (ü) 0'17 0. 5.01.00 6.6% = 0.60. (¿) 0. 5.101.65.e5. 8.09 tons.67 0.323-0. 86 5.60 5. .96. (c) 146.7o.10 5. 5. 80Eo.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 5. (b) 0. .60 1'.3%' 99.0019 (ó) 0.a84 5.99. (o) (o) (ó) (ó) 11.33? 6.8664 (c) 0. 5.01 (b) entre 0.0 s ?9 5. (c) 0.105.6. 5. (o) 0. (ó) 38. (o) 10. (¿) (o) (¿) (b) (b) 0. 0.68.97.01 (b) menor que 0. 11. 5.6 (fl @) a6% 100 (horas) (s) 62/a00 (h) 25.E6.106. 6.01 y 0. .1o9.9 lb 5. 6.06 pero máe cerca a 0.76. 501.tO.33f0.93.1.L6 (ü) 0.8 lb..9t. 0.7349 pulg.92. 0.0026 6. 5.91?2 6. O.003 pulg. (a\ 2. 5.50?.7L.49 0.01 (c) menor que 0.72642 pulgadas 26. (c) 0. (o) 5.0482 .1841 (cl (o) 118.63.60 0..3226. (c) 0.20% ton.90 5.326. 5.73. (al 4018 6.3265.100.108.0006?6 pulgadas (b) 72. 12. .81.9596 (c) 0'1161 .66. (a) 2 6 6 (b) 996 (b) (c) 218 12 5.00496 pulg.3204.74.0. 99.11 5.104.0.2 6.86 (ó) (c) -e1 (d) 63 . 0.0064 (c) 0'4504 5.72.0% 76 5.o% 78.8869 28. (ó) 0.82.?4 lb I 2 (d) 126 0. (o) 0.

0. (¿) ffiz: 0. (a) 11. (bl 0.74 5.2 (d) 7158. 1193.126.4 4 (i) (il 706. m1 = 0.72ti42 t 0.96 onzas t t I 0.11 (ó) 0.12 hr t 0.0696 r¡¿o 560 (c\ r.68 a 0.24 lb2 (c) 0.09 t 0. rn2= 5. (ó) 11.7. 5. (o) 1. 6.97.049 segundoe 6. 0.70 t 6. 6. 6.09? (c) 0.117. (o) 0.Se (ó) ?.2344.129. ms = 0.62 r 0.31.127.073 i 0.72642 + 0.38 384 (b) al menos 221 (c) al menos 666 (d) al menos a 1.0090 CAPITULO 6 e.28 (b) (s) ?8e.2 106 (ü) (b) 8. (c) 0.000025 pulC.131.0ab t 0.35 (e) 26.69 I 0. (o) al menos 96 (ó) al menos 68 (c) al menos 16? (d) al menos 225 900 (o) al menos (o) 7. (o) 0.?3 onzas onzae (ó) Z. 6. (o) 0. 0.36. = -3.72642 + 0.e5 5.29.33. m1- 89. (d) 032642 a 0. (q') (c) e2.125.4 hr Las estimas de las desviacionee típicas de la población para los tamaños de muestra 30. 6.045 6.0 y 100.07 t 6. Las estimas de las media¡ de la población son 1200 hora¡ en todos los casos.20 (f) 7. (b) -4.r5 (c) 0.38. 6. -0. 60 y 100 tuboc son respectivamenüe.112 .86 lb reepectivamente 6.362 ó.18.53743.298 0. 6.25.428 24.40. (a) 6.36.000085 pulg. (o) 9.045 0.241 7.39.128.94 Laprimeradistribución (a) la aegunda (b) la primera 5. 0.L2.5 horas.18 tons. 26.124.09 t 0. (o) (b) 105.38 I (a) 0. L9. (a) 0.?0 * o.84914 6.030 eegundoa (D) 0. 2.115. (a) 5. n4= 0 -0.09 t 0.6.118.22 0. (o) ?8.24 tons.72642 t 0.41.43. (b) 0.38 (hl 22.41. (a) 0. tb9 5.0586. 0.130. (o) 0.5 lb (b) 0. -1r7.¡'TARTOS 5. 0.82 0.546 2. 6.000060 pulg. m1 :0.3?.38 (a) ?.1 ó.22.tu.12t. 101.7. 0.u (o) al menos 323 hr (b) al menos 560 (c) al menos ?66 (b) 1. 0.493e (b) 5.0? (b) 0.123.88. 7 RESPUESTAS A PROBLEMAS ST'PLEMEI.36206.000072 pulg.16 onzas 0.34. (a) 1200 hr 6.2 (b) 0. 0.9?.298 t 0.?0 r 0.30.116. 42 5.82.2464 (b) 52.?8 y 0. 101.122.00002b pulg.62 6.. ó.000095 pulg.

02 (a) 0. (c) Rechazar 116 si se extraen más de 39 bolasrojasy acept:ula en caso contrario (o no tomar decisión alguna).250 6. (a) 63.64.01 en (o) ni en (b). (o) No se puede rechaza¡ Ia hipótesis al nivel de 0.5 (ü) 102.1 a 148.r.6% 105.9a1 a 2. (a) 95. (c) 106.24 249 onzas lb (ó) 63.1 a 288.Bb 6. 6.51. 6. (a) 0.1 a 140. rechazarla en caso contrario.79 kl) t2.5). y se acepta en ceso contrario (o no se toma ninguna decisión).?41 a l.05. 7.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 363 6.1 horas 6.8 horas 6..00 (ó) 13. mediante un ensayo unilateral en ambos caso8.63. (b) Ensayo unilateral.52.58.06 (c) t2.63. (b) Se puede rechazar la hipótesis d nivel de 0. (c) Aceptar la hipóterie ¡i las bola¡ rojac extrafdas esüán ent.8 t 0.67. .69.lre 24 y 40. (a) 1800 t 6.138 a 10..99.519 a 7. 139.46.5).62. kt') 0.20.4E.60. (d) Rechazar lfe ei se extraen más de 41 bolasrojas.9 6.9 1?0.654 a 1.ó4.) (e) t2.. 2400 t 45 librs¡. es 7. 0. -= 3' 2tritl "'+r3l 6.78 (b) 0.944 (b) 0. (o) t¿. Se puede rechazer la afirmación a ambos nivele¡ mediante un enaayo unilateral.6 ¡ a 1g0.ó2.58. (a) Aceptarlahipóteeissilasbolasrojarextrafdasestánent¡e22y42 rcchazarlaencasocontrario.70 6.259 a 5.17.8 (b) 0.05.2606 7.15 6.0 4802 (ó) al menos 8321 (c) al menos 11. Sí. 6. 7.70 (b) 0. (a) al menos 87. 1. ?.49.269 (o) 0. (a) 6.45. r = .5 horas (b) 88.69. El re¡ulüado significativo al nivel de 0.50.5 a CAPITULO 7 7.7O.56.68.14 (a) 0. 86 lb (b) 1800 t 328 lb (c) 1800 t S82 lb 6. (a) (IIe: p=0. .05 en ambos en!¡ayos.458 a 4.58 e 2.4 horas hora¡ horas (b) 78.65. (o) a 230.673 a 2.31 onzas 6. (Hi p> 0. I _ ()rr)/r¿ 6.6 horas 2400 ! 59 libree (b) 87. 7 No se puede rechaza¡ la hipóteric al nivel de 0.66.(b)0.8 l: 0. 7.06? a 1. en ambos nivelea.61. k = -lln - (ct.

23.t9.5.?.77.0.7. 7. (o) 6 (D) 4 7. pero debe introducirse si el nivel de eignificación adoptado e¡ 0.82. Un enrayo unilatetal a ar¡bos niveles de aignificación muesha que la marca B es superior a la marca A.36. 14. 7. 3. Un enrayo unilateral indica que no disminuye la media a ninguno de loo do¡ niveles.2.71. 7.05.E3. 7. 43. 4.6.72. la¡ frecuenciae esperadar son 32. ?. Un ensayo unilateral muestra que el nuevo fertiliz¡¡¡¿ superior a ambos niveles de significación.64 + 0. 7.96.96 onzas (D) 8. Concluirfamos que el resultado no común al nivel 0. pero no lo e¡ con un ensayo bilateral.2.05.3rL2 8. No podemos concluir que la primera varianza 8e¡ mayor que la segunda a ningún nivel.87.RESPUESTAS A PROBLEMAS ST'PLEMENTARIOS 7.94.05. Un ensayo cambisdo. 0. 7.0.7 y 0. 7.64 1 0. 7.7. Un ensayo unilateral rnuestra que a ambos niveles el contenido -nedio en cobre es más alto que el señalado en las especificaciones.1O0.99.9.7ó. 4.86. Mediante un ensayo unilateral al nivel de eignificación de 0.76. 7. es ?. (a) 0.8E. 13 y 2 respectivamente. (b) Un ensayo unilateral muestra que I no ee mejor que A al nivel de 0. E resultado es significativo a este nivel con un enar¡yo unilateral. es 7.84. 7.7 Un ensayo unilaüeral muegtra quc la diferencirr e eignifrcaüive eB al nivel 0.05 pero lo es al nivel 0. 7. 50. 21. 9. [. 7 . 7.7 respectivamente.3. 7. concluimos que el primer grupo no es superior . 5.64 (ü) 0.32)r(0.1.1 y 1.01. Las frecuenciae esperadac 8on 1.81 ln 7. Podemos conclui¡ que la primera varianza es mayor que la regunda a ambos niveles. 7 (a) si (ó) no .06.?.0118 (c) 0 (d) 0 (e) 0.98.1. no ¡e deduce que haya diferencia de acidez.34.2.7 respectivamente.73. ?. (o) Un ensayo bilateral indica que no hay diferencia en la calidad de fabricación al nivel de 0. Las frecuenciae eeperadas son 41.2. 66.9. .83 onzae (c) 8.1.ae frecuenciae esperadas eon 1.4.l0l. 15. (o) t 0. y 4. no 7.tO.06.63 onzas 7. al eegundo.6t)l-r.E5.01.79. Mediante un ensayo bilateral al nivel de aignificación de 0. 53.4.01.6 respectiVamente.A1 \¡¿ - lar frecuencias esperadas con 108. 49.El' 7 Un ensayo unilateral muestra que el proceso no debe inhoduci¡se si el nivel de significación adoptado es 0. 13.0118 7.0 respectivamente. pero no al nivel 0. 12.78.e5.6. El aparente incremento en la vai'iabilidad no es significativo a ninguno de loe dos niveles.0. f (x) = T.e0.4.20.6.6.05 pero no al nivel 0. 60. 39. Un ensayo bilateral a ambos niveles muertra que el producto no cumple con las especificaciones. 11.05. f (r) = aC"(0.1 y 0.01 . E aparente decrecimiento significativo al nivel 0. bilate¡al muestra que no hay eúdencia s ni¡guno de los do¡ nivdes de que la duración media haya 7. 7.

(o) El ajuste 7. .104. (o) 7.RESPUESTAS A PROBLEMAS SI'PLEMENTARIOS 365 7.3179 (con conección de Yatea) 7 .10? . No puede concluirse que la marca A 7. ?.05.05 indica que á tiene una mayor proporción de bolas rojas que B. La hipótesis puede rechaza¡se a ambos niveles.05. No al nivel 0.108.109. La hipótesis no puede rechaza¡se a ninguno de lo¡ nivdes.465t 7 .06 pero no al nivel 0'01. 7.06. 7. ) Un ensayo unilateial al nivel 0. tul e no (b) 10 si (c) 10 (d) 8 7. ? . (a) 0.2205.05 pero no al nivel 0. (a) (b) (c) no ?.134. (b) El ajuste es pobre al nivel 0.05.L23. 7 . No hay razón para rechazar la hipóteeis a ningún nivel. La hipótesis puede rechaza¡se a ambog niveles.115.133. La hipótesis no puede rechazarse a ningfin nivel.139. La diferencia ?.0. 7. (b) El ajuste es bueno pero no "muy bueno". Igual conclusión. 0.118.t25: 0. 7. 1.01' 7. el re¡ultado er significativo al nivel 0. (a) Un ensayo bilateral al nivel 0.3863. La hipótesis no puede rechaza¡se a ninguno de los niveles. (c) si no si no (c) no (c) no ?. (o) El ajuste es muy pobre al nivel 0.103.11f es es significante al nivel 0. 7 .114. 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.LO2.05. ?. 0. Mediante un ensayo unilateral. . La hipótesis puede rechazarse al nivel 0.129.13?. 7. (a) 0.124. La hipótesis no puede rechazar¡e al nivel 0.1985 (conegida) (D) 0. ?.138.05 no rechaza la hipóteris (b de proporcioneo igudes. 7.109.0872. bueno (b) no (o) El ajuste es "muy bueno". No hay razón para rechazar la hipótesis de que las monedas ¡ean hon¡adas.728.106. 60. sea mejor que la B d nivel 0.0738 (corregida) 7. La conclusión es la misma.110.L72. (o ) 10.06.05. 7. (El hecho de que las puntuacionea sean mejores que el promedio puede ser debido a un mejnr acierüó en las en¡eñanzaa o normaa de puntuación menos exi' gentesoaambascosas).113. ?.105. (b) (b) 7.132.116. esto es consistente con el Problema ?. Puesüo que la dietribuciónbinomialdaunbuenajustedelosdaüos.1L7 . El proferor nuevo no sigue las miemas nortnas que los otroe.

89 * L.14¿0. (a) 8.427Y 61. (o) (ü) t.00*1.70.85.4 si no no si E.8961 (b) u = 8. (o) 1.7l4r (b) "=t*lu 10.1 E.8r*12 (b) r= 0.66r * 2.661¡ (c) r = -14. (c) 37.188 ¡ (c) r32 8. (a\ 0. u = 6.80 E. (b) a = 29.0 t 5. (o) 1.2 (c\ 182.81. 37.64.?600 y 0.87.ss56' 8. ft (d) Bg? (b') A=32.s912 (ó) 0.rz 8.24 (b) 8.) 1.00 6 r= (¿) 1.000 + 0.8.00 8.0 8.71.366 CAPITULO 8 RESPUESTAS A PROBLEMAS SUPLEMENTARTOS 15o 8.9 2.E6. - 1. (b) d 8.113. 2.99.96.08?86 o¿ (ó) (c) t?0 ft.60 (ó) 1.?801 y .00 (c) ?. (a) 24.60 (ó) 17.398 (ó) 192. (o) (ó) 2.szos 8.0 a (b) B?.115.1r4. (o) E.77 y -.60 8.r1y (d) 7g 95 t.0 t 8.107. (o) v=0.14(L. 0.00 t _1. Mediante un ensayo unilateral no puede rechazarse la hipótesie.9818 8.84.6t-t.IBB72 616 8.E0.28 (o) (ó) Mediante un er¡rayo unilateral puede rechazaree la hipóteaia. (a\ u=-i+í" 6 u=.r10.968 (b.96.108. 75/p 8. (a) z = 3.64y 8.gBB+o.Z.448 8.304 (ü) 1. =0.8861 1 t. -0.21 0.5 (b) (ó) g?.2928 y 0.66.40 6 A:32.6tly E.20 E. 0.24.r3.9927 8.151{" ¿O ó U -92. (a) 0.6633 1.111.109.?961 y (ó) 0.6 1.408 + 0. (¿) 0. (a) 3. r¡o¿ = fi -o. (a) 0.69.13 + 0.67.500a (cl r = 2.92.79.112.90. (¿) t 3.46¡r*l 8.?3S(n-B)2 6 41.096 o * 0.0 4. (cr.6606 (ü) 0. E. B.0 a 19. (o) 8. (a) 0.s72 80.91¿6 y y 0.?8 + 1.5t*3.21r*O. (o) 0.29y 8.oooo t 0.74.14(10)0.20(r-B) +0.88.9?.6 E.89. (bl u = 4.138 t a 0.68.126s 'y 0.

No hay diferencia significativa en operarios o máquinas.43. 9. 0.0.11?.6158 E.38x E. 9.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 367 8. 9. 9.l31.05.01. llay 9.¡es5añosconorigenen julio de 1935. 0.01. 8.33. (b)y:18. 9.44.31.7 y 173.38.42. Hay una diferencia significativa en los sitios pero no en los fertilizantes aI nivel 0.4653¡z. 9. 9. 9.125.120.27. Igual al hoblema 9.6402 si la unidad 8.4f. una diferencia significativa en operarios pero no en máquinas.4547 8. Hay una diferencia significativa en el tipo de maíz pero no en los suelos al nivel 0.1083¡*0. No hay diferencia significativa en el tipo demaíz o suelosal nivel 0.01. (a\ 20.35.25.23. una diferencia significativa en sus calificaciones a ambos niveles.(b)y:722.9*4. .9254 y 0. 9. 9. No hay diferencia significativa en fertilizantes o suelos.39. tlay 9. una diferencia significativa en marcas al nivel 0.lgxsilaunidadxesLl2añoyelorigenesel ¡ es un año y el origen es el 1o. flay 9. 9.05 pero no al nivel 0. 415 8. No hay diferencia significativa en neumáüicos a ningún nivel.38.05.dondeyeslanatalidadpor1000habitantes.24.130.L27. 9.01 . No hay diferencia significativa en el color del pelo o estatura.01.128.05.36.116. una diferencia significativa en rendimiento a ambos niveles. 9. 9.36 lb 3. llay una diferencia significativa en neumáticos y automóviles al nivel 0.deenerode1954. No hay diferencia significativa en los métodos de enseñanza o plantelesal nivel 0.66.32.05.4 libras 8.oy:107. (o) u = 3. Igual al hoblema 9.42*2. No hay diferencia significativa en los sitios o fertilizantes al nivel 0.9653 (D) 8. No hay diferencia significativa en operarios o máquinas. (c) si no (ó) 8. Flay una diferencia significativa en los métodos de enseñanza al nivel 0-05 pero no al nivel 0. de julio de 1950 (d) 142.7 (e)1977 1o.30 pulg. Ilay 9. CAPITULO 9 9.34. 0.33 r .4 (b) 116.43.126.3?.129.40: No hay diferencia significativa en neumáticos o automóüles al nivel 0.7096 y 0.26.16-0.

9. color del pelo o Iugar de nacimiento. ltray diferencias signifrcatiyas en especies renciag signif icat ivas.Q. No hay diferencias significativas debido a los químicos o s¡tios.Q. al nivel 0.4E. Al nivel 0.49.01 las diferencias en los puntajes del examen debidas al estado veterano no son significativas. máquinas o fortaleza de cables. 9. FIay diferencias significativas debidas al factor 1 pero no al factor 2 o tratamienLos A. . 9.52. 9. No hay diferencia significatirra en tratamientos a cualquier nivel. 9.66.64.05.62. 9. llay diferencias 9. 9. pero hay diferencias debidas al I. 9.55. 9. 9.63. sílo son. pero no otras dife- ' ltray diferencias significativas en tipos de cables pero no en operarios. No hafl diferencias significativas debidas a los factores o tratamientos. y canüidades del primer compuesüo químico.61. 9. No hay diferencias significativas debido a sitios o fertilizantes. No hay diferencia significativa en los puntajes de I. B.368 RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 9. C.47 No hay una diferencia significativa en rendimiento escolástico debido a diferencias en estatura.54. significativas debido a los sitios pero no a los fertilizantes. fuual al hoblema 9. No ha! diferencias significativas en los puntajes de los estudiantes de diferentes partes del país. llay diferencias 9.46. pero las debidas al LQ.ó. significativas en los puntajes de los exámenes debido al estado veterano y al I.3.54.45.Q.

321.293. 31O. 2a5'247. reglas de. r97. 11. 82.78. 284. 47. 81. 316. 234. 1 18 distribución chi-cuadrado. 239 propiedades de la. 143.118 propiedades de la. 2a6-2a7 . 100. conelación y reg¡esión üneal perfecta.297 teo¡ía muest¡al de.lndice Ajuste de datos po¡ distribuciones üeóricar. 85. 133 . 9. 2ll.11-13 teoremas sobre. 24O. Só. 29G 292 correlación gradual. 177. 1 77 combinaciones. 138. 23. 267. 25-2 7 análisis de v xianza. 11. lO. 46. 2ó8 94. 332. 10.97 dist¡ibución binomial. | (uéase también conjuntos) columna de conteo. 163. 213.263 covuianza. 258 relación de la a la distribución norrnaI. 108. 224. 94. 263. 4 conjunto vacÍo o nulo. 26 4 coeficientes de confianza. 315. 5 completa aleatorledad. 26+ 246 püa datos agrupados. 232-236. 112 de Ia distribución normal.26l múltiple. 3 264. 230 coeflcientes binomiales. 254. 119 distribución ¡'. 11O á¡eas bajo la. 219. 135 distribución bimodal.L28 relación de la a la distribución de Poisson.37 Cambio de variables. 129. 1O8. 264. ' dife¡encia de conjuntos. 116. 316 diseño experimental. 31 curtosis. 130. 316 püa de tres factores. 40 control de caüdad. 246.310.86. 217. 2L7. problema. 306-338 fórmulas cortas en el. 345 ordenadas de la. 311.118 distribución hipergeométrica. James. 3O7. 12. 217. 99 (uéase tombién distri' bución normal) áreas bajo la. 112 relación de la a la distribución binomial. 136.129 distribución exponencial. 2 (uéose deteminación. 163 decilas.135-137. 27. 85. 114. 183 de la distribución binomial. 47 para el caso disc¡eto. 115. 117. 88. 349 distribuciones gamma. 116. 116 cuenta. 268.28l-244 fórmula p¡oducto-momento para el. 161. 247 332.2L6 área bajo la. l. 316. 2 constante de Boltzmann. 117 ¡elación con la chi-cuad¡ado y t. 118. 168. 30. 1 (uéos¿ también conjuntos) clases y frecuencias de clase. 321. 264. 3 1 5 altamente significativos. 220. 109 de la distribución de Poison. 217 convoluciones. 115.322 para experimentos de dos factotes. 133. 316. 225 análisis combinato¡io. 269 ensyo chi-cuadrado Pua la. 1 conjuntos disjuntos 3. 268 generalizando. 266. 89 282 diagramas á¡bol. 184 categorías. 297 poblacioml. 328.163 centroide o centro de gravedad de los datos. 83. 134 cuilas cdacterÍsticas de operación. 316 27 distribución binomial negativa. 248 decisiones estadlsticas. 6 conección de Yates para la continuidad. 258-3O5 gradual. principio fundameotal de. 345 tipificada. cumplemos.145 ajuste de datos por.3f6 bloques aleatorios. I29 aproximación normal a la. 319. 92-94 teoremas sobre la. 296 independencia y. 309 media y varimza de la. 1O9 relación de la a la distribución normal. lO9 (véase tomb i¿n distribución no¡mal) distribución geomét¡ica. 19ó coeficientes de correlación múltiple. 117. 47. 33O cuadrados latinos. 127. 3f6-321 clasificación tríp¡e o factor tres expedmentos.2A2. 21 1 desigualdad de Chebyshev. 84 ajuste dé datos por la. 92- curua cuadrática. 315. 317. 9. 118 valores de Ias percentilas de Ia. 344. 11. 1 17 moda de la. 26O clase. 244 264. 118. 6 conjunto nulo. 258. colección. 342 axiomas de probabilidad. completa. 1 13. 246 muestral. 264 curyas OC. 164. 291 26r.311 aleatorios. 232-236. 221-226. 116 reJación de la a la dist¡ibución normal. 97 también varianza) dewiación tÍpica.333 para experimentos de un factor. 2. 263. 115. 135 teoremas sob¡e la. 112. 144 cont¡ngencia. 24 complemento de un conjunto. 306. 56-60 pua el caso continuo. 347 como caso especial de la distribución gamma. 1 conjuntos medibles. 265-267 coeficiente de correlación lineal. 259 típica (uéose desviación tíPica) desiación media. 118 distribución de Poisson. 25 coeficiente de conelacion. 78 diseño de experimentos. 23A. L27. 13 conjuntos bien definidos. 46 casillas.269 cunas de regresión no lineal. 1 51 contado¡ Geiger. 6O. 82 cuadrados greco-latinos. 177. 3 dimensiones o unidades.316-321 aproxirración de Stirling a nl. 267. 78.324 el.244 cuwa nomal. 82. Bernoulli.294 generalización del. 115. E4. cuenteo.320. dewiación.125. 316 bondad del ajuste. 295. 83.213 Bridae. coeficiente de.243. 61 disÉibución beta. 217. 13 2. 21 diagramas de Venn.281-289 tabla. 112 clasificación simple o experimentos de un factor. 139. 218. 1l uti¡izando p¡obabilidad. coeficientes de.246 Datos agrupados. 297 distribución de Bernoulli (uéose distribución binomial) distribución de Cauchy. 263. 119- 310. 216. 109. 306- continua a la derecha.324 cuadrados ortogonales.315. 197.242. 264. 266 (véose tom' bi¿n conelación y reg¡esión) curva de potencia. L28. 333 cociente de inteligencia. L24. 7L. 296 Poisson a la. ó conjuntos iguales.112.97-99. 139'141 teoremas sobre la. distribución gaussiana. 112. 11. 11O. 108 bloques. 8ó decisión. curua de ajuste.244 conelación.348. 118. 344 curua parabólica. 9. 46. 111 r34 distribución de Pascal. 22O. 117.169 negativa.2 conjunto universal. 28L-284 ensayo de tripótesis y significación para el. 268 r23 aproximación de la dist¡ibución de interl¡retación probabilfstica de la. 26 4. 142 relación de la con la binomiál negativa. 237 dispe¡sión. 134. 248 curuas de aproximación. 295. 34ó cu¡va normal tipificada. 118. 198.112 219. 31ó álgeb¡a de sucesos.237-239 aleatoriedad. número desigual de obseryaciones en 312-315 experimentos conjuntos. 263.

267 3-2L5. l6 3 frecuencia relativa. 287. 162 de difetencias y sumas.249 distribución nonnalr 109-1 11. L4l 11 8. 186 estadlsticos muestra¡es. 296 derivación de la. 111 teo¡ema de la unicidad para le. 260 elementos o miemb¡os de los conjuntos. 42. 35 estadfstico no puamétrico. 162. 290 estima. 162. 77 espermza condiciona!. 196. 99 de la distribución binomial. 157 función de densidad normal tipificada.lores medios predichos. 29A espacios muestrales infiniio no conta- fumión complementaria de error.ent. 110 espermza matemática. 113. 213.139-141 ¡elación de la a la distribución normal. 237. 44. 133 distribución Weibuü.267 formas igualmente factibles. 262. 198. 44. 194. 156.244. éxito. 118. 4 esperanzar 76.179 distribuciones de frecuencia ¡elativa. 212. 6.370 media y vaxi^nza de la. 238 bidimensional. 1O8 expamión multinomial. 119 distribución muestral. 142 distribuciones condicionales. 14. 91. 47 interpretación gráfica de la. 38.160. 269. 26ó también esperanza) estadfstica Bose-Einstein. 2I9. 94. 2ó9. 286-287 . pua variables aleatorias contfuruas. óó estatura de padres e hijos. en téminos de varimzas y del coeficiente de conelación. 113 distribución Maxwell. 265 77 38.201 esti¡nas insesgadas. 137. 4 espacios muestrales inflDitos contables. 39 (uéase tambíén funciones de distribución) función de distribución conjunte. fó8. 81. estadfstica.229-231 2L con repeticiooes. 117 teoremas sobre la. 22L- experimentos de un factor. 98. 262. 1 de proporciones. 2L4. 1O8 . 276. t7l enfoque a posteriori de Drobabilidad.214 püa pequeñs muestras. 43 teoremas sobre la. (pe¡cepción ext¡as€nsorizlr. 214.215. 160. 168- de ¡elaciones de vuiauas.pua el coeficiente de correlación. 267 pua valores predlchos. 341 fracaso. 222 escalera flor. 178. zLl. 343 función de densidad. 36 función aleatoria (uécse vuiable aleatoria) función beta.279- 164.47 disc¡etas. 40. principio de. 164 acumulada. 44. 342 función característica. 218. 2t6. 163. ó1. 2L9. 113 experirnentos aleatorios. 52-56 continuas. 111 distribución nomal bidimensional. 1ó7. 194-2LO. 164 acumulada. 162. 223.6 286. 194 estimas.282. 138.39. 306-31O. 261. 198. 117 relación de la a la chl-cuadrado y F. 119.263. 279 efectos de bloques. t¡ansformación Z de. 118. 112 de la distribución normal.226-22a mediaate la distribución chi<uadrado. 25. 84 distibución uniforme. 27 O. ó3. 4ó para valiables aleatorias dlscrets. 312 Einstein-Bose. 4 espacios muestrales no disretos. 295. 310. 17?179 acumulada. 116.2La.178. 161. 216 para coeficientes de regresión. 267. 36 E. 297. 28t.293. 213 ensayos de una cola. 39. 198. 2L6. error típico de la (véose ettot tfpico de la estima) estimación. 243 ensayo de bipótesis y significación. 236 mediante la distribución normal. 194 estimas sesgadas. 273. 83.226-228 mediante diferencias de proporciones. 92. 141 probabilidad. 262. 13ó función de densidad para la. óo conti¡uas. 313-315. 213 para va.177 enfoque de la frecuencia relativa de 308. 41 conjunta. 212. 80. 84 distribución multinomial. 231. estadfstica (uéose estadís- tica Bose-Einstein) e1e x. 115. 43-46. 82 distribuciones de frecuencias. distribución f de Stud. 3O8 error tfpico. 220. 41 de funcit¡nes de vadables aleatorias. 16-321 225 la.277 para el plaao de regreslón de mfnimos cuadrados. 4O. 44 va¡ianza pa¡a. 164. traslación de. 4 espacios muesfales discretos.294 fómulm de Euler. 286 fórmula producto-momento para el coeficiente de cor¡elación lineal.171173 de medias. 263. 266 para vrimzas. 290 . 117. 109 propiedades de Ia. 194 (uéate estimas insesgadas) toñbién mediante diferencias de medias. 4 46. 1O8 expansión binomial. 211267 estimas no eficientes. 314. 216. 94. 157 de dewiaciones típicas.268 pua grar¡des muestras. dualidad. 2L9. 1ó espacio muest¡a] finito. 61-63 distribuciones co¡iuntas. probabilidad de. 164 distribuciones de fiecuencia acumulada.. 312 efectos de lnteracción.A.318 de vuianzas. 4ó. 297 f¡ecuencia observada. 156. áreas bajo mediante relaciones de varianzas. 4. 184 de medianas. 164 f¡ecuencias elementales. 194 e¡aor tfpico de la estima. 5 enfoque uiomático de ptobabiüdad. 199. 52 distribuciones de probabilidad condicional. 216 Fermi-Di¡ac. probabilidad de. 81. 43. 83. 14.61. experimentos de dos faetores. 113.2A6 224 espacio muestral. 293. 346 media y vaianza de la. 16ó. 114.312. 76. 266.274. 311 notación paa. R. 114 relación de la a la disEibución binomial. 3 Ecuaciones norraales pua la recta de mfnimos cuad¡ados. 324-327 variaciones pa¡a. 92. 158. 4 espacids muestrales continuos. 221-226 mediante proporciones. 5. 194 estimas por intenralos. 1Og de la distribución de Poisson.196. 48. 289. 1ó chi-cuadrado y. 194-210 eficiente.294 pa¡a la püábola de mlnimos cuad¡a- teoremas sobre. ó2 de funciones de vuiables aleatorias.266. 64 293. 54 de sumas de variables aleatorias. 163.22L. I76.2t6 ¡elación con la teorÍa de estimación. 6 enfoque a priori de p¡obabilidad.¡ecuencia marginal. 44 dis¡etas. 285. 86-E8 condicionel. 218 frecuencia porcentual. 326 función de distribución acumulada. 194 estimas po¡ puntos. 261. 263. 266. 45 función de densidad conjunta. 198. Futl. 311 distribución t Student) 163 acumulada. 164 distribuciones de probabilidad. 161. 264. 163. 206. 8l totales. 5. 157. 44 . 2 interacción en el. 124-127 ajuste de datos por la. 77 (uéose dos. mediante la disúribuclón F.S. 231 experimentos de clasificación doble (uCose experimentos de dos facúores. 138. 63.4. ?7 muginal. 81 ble. 199 insesgada (u¿ose estima iDsesgada) estimas de máxlma verosimilitud. 132. 159. 178 (uéo¿e 213 mediante la distribución f de Student. 159. distribución de 2t6. 6 fórmula de inve¡sión. 16ó-168. 162 INDICE efectos de tratarniento. 31 1 experimentos de Mendel. 259 estimador insesgado. 289. 217 ensayos de dos colas. 260 ejes. 16G162.) distribución porcentual de frecuencias. 117 disribución trimodal. 6 enfoque clásico de probabilidad. 241 3 mediante medias. 117. 278. 163.P. 179 relativa. 260. 41 distribuciones de probabilidad discret¿. 81 fórmula de Spe¡man pa¡a la cor¡elación gradual. 77. definicid¡ de la. 297 e¡rb¡ o residuo. 306 Fistre¡. 49. 38.216. 2r9. 6 ensayo chi-cuadrado para bondad del ajuste. 1?3-176 de varios estadísticos. 160. 299 er¡ores del tipo I y del tipo II. 3 7 Fisher. 162 distribución multimodal. 215.

lnteÁ. 38 marginal. ensayos de. 264. 184 teorÍa de correlación y regresión. 69 para datos agrupados. 89'91. 95 para las pruebas de Bernoulli. 1ól momentosr 79. 211 (uéase tombián ensayos de hipótesis y significación) hipótesis nulas. 98 integr¿les especiales.249-292 n factorial. 1ó6. 3.165. (cociente de inteligencia). 112 de la distribución normal. á1 lÍnea real.5 probabilidad condicional. 13ó de la distribución d€ Poisson. 259 para curvas. 48 probabilidad de causas (uéos(f teorema teoremas de la. ó4. L78 I paradoja de Russell. 212. 97 medidas de dispersión.293 medidas de centralización. 156. 186. 84. (uéqs¿ rectas de mÍnitnos cuadrados) método y fórmula clave. 269. 42 para variables aleatorias discretas. ró9 población infinita. 36.97 (véase tanrbién esperanza) pados. 1 7-2O función de la.Q. 1O9. 83. 32 parámetros poblacionales. 96. 158 I.312. 5ó. 123 la distribución de Poisson. 342 27. 55. 47. potencia de un ensayo. ó8. 204 para medias. t71.45.50. 350. 6r 3 ley de los grandes números. 164. 199-201 grupo. 156 población multinomial. 15ó. 94 moneda cargada. 79 alrededor del origen. 41.268 funciones de probabilidad marginrl. 178 moda. 1ó8. 6 muestras.98 de la dist¡ibución binomial. 81.234 pare propo¡ciones. 163. 96. 39. 85. 343 central. 1 56 partículas radioactivas. 156 tamaño de la. 79 intenalos geml-abiertos o dos. 243 pua paábolas. 44. 155. funciones de densidad marginal. 96 de la dist¡ibución beta. 198. poker. 163. 195 (uéose tambíén lÍmites de confianza) IÍmites reales de clase.S. 61-63 conjunta. 171. 76 de una muestra. teorema de la unicidad pea la. 2 pea vErian¿as. 27-23 población. 45 funciones de distribución. lO9. 165. 97. 224 tabla de. 112 la distribución F. 2. 8. 114. 47. 1ó8. 3O6 medias de tratamiento.5ó marginal. ó3 niveles de confianza.313 ? probabilidad. 26L. 19ó nivel de significación. 196 muestras aleatorias. para el análisis de la varianza.INDICE función de probabilidad. 206 semi-cerra2dO. 99 pe¡cepción extransesorial (udase E. 241 tabla de. 306. 37 Poisson.¡los abierto y cetrado. 195. 84. 308. 200 número. 155 población binonial. 3. 205. pea conjuntos. 163. 183. 86 Marca de clase. 45. 159. 83. 342 fórmula asintótica de Stirling pa¡a la. 96. 342. 3O6 de de de de medias de grupo. 164. 198 dist¡ibución de muestreo de la. 164 operaciones de coniuntos. 1ó1 grados de libe¡tad. 311. 162 no unicidad de la. 40. 21 hipótesis. 79 momentos condicionales. 49. 194-206 para diferenciás y sumasr 196. 8O. 217 259 236. 1á6 con o sin remPlazamiento. 84. 17? niedia. 196. 214 histograma.179 ojivas porcentuales. 6 moneda b-omada. 76. 227. 126. 269.P. 179-183 la distribución binomial. 2 logúitmos comunesr tabla de. 1ó5. 13 Iey distributiva. 213 números rleato¡ios. 13 en los zucesos. 194. 111 de la distribución ú o de Student. 196 población finita.22O. ó6. 277. f16. 1ló de la distribución F. Ojivas. 45. r23. 3 inteivalo de clase. 54. 177. 164. 136 gráficos de control. 40.342 función gene¡atriz de momentos.312 ordenadas. 97 medias de fila. 27 . 123 de la distribución chi-cuadrado. 352 números complejos. 195 lÍmites fiduciales. 196. 308. 2. 266. 97 mejor cuwa o recta de ajuste. 117. 86. 3. 84. 156. 2t3. 43 4O 268. 44 g¡andes muestras.164. para la convolución. 184. 46. 48. gran media. 221 experimental o descdptivo. 11 método de mínimos cuadrados. 63 función de Drobabilldad coqiuDts. 312 g¡an total. 84. 171. 110 eomplementaria. 89-91. 199. 206 modelos matemáticos. 156 parámetros de la. grupo control. LS7.44. 276. 117 modelo matemático lineal pua el análisis de va¡ianza.84 Papel gráfico de curya normal. 85. 155 aleatorias.297 miembros o elementos de un coqiunto.241 hipótesis estadísticas. 1O9. 2 lntcnalos de confianza. 11? de un conjunto de números. 1. 183. 2+2. 177. 203. 44 371 molécula de gas ideal. aproximación de Sti¡ling a. 1 método de expansión. L21 Jacobiano. 117 la distribución normal. 6. \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. S. 26O intetsección de cotiuntos. 1 56 independientes. 18O- población normal. 39 condicional. 313 polÍgono de frecuencias 179. para la convolución. 84 (véose también media) media muestral. ll. 43. 197. 211. f96-202 L44. 197.2O3 para relaciones de vuianzas. 1O función paso. 76. 351 loterm. 341. 217 gráficos de control de caüdad. 292. L22. 13 lÍmites de confianza. 342 función gamma. 259 ir¡tetcepto.179183 momelltos centüales. 163. 177 muestreo. 159 normal. para la convolución. 158.166.237. 1r6. l2 computación de la. f 56 alrededor de la media. 224 niveles de significación. 111 21 E inte¡ralo semi-intercuütÍlico. 1óó. 3Oo funciones de distribución marginal. 4O función factorial. 309. 8 3O7. 80 teoremas sob¡e la.272 función error. 8O función monotónicamente creciente. invuianza baio üanstotmacióD. 157 media total. 259 método de comprensión. lf l.23O Herencia. 2O2. 156. 113. 84. 2 núme¡os ¡eales. 23O inferencia estadística. 11ó. 85. 311 mediana. 3O7. 163. 312. 39. 1^O. 79 condicional.49.) mÍniinos cuadrados.D. 268 para vuiables aleatorias continuas. 157 media ditmética. 342 fórmula de recunencia ptala. 1 polÍgono de frecuencia. 1 44 pe¡centil¿s o valores percentüa. . 76. 12.297 198 para rectas. 166-167.. 156 196 Ley asociativa. 6 suma de los pa¡a la distribución chicuad¡ado.266 pe¡mutaciones. 19ó. 1 (véase también conjuntos) prábola. 94 función escalera. acumulado.221 experimental o descriptiva. 266- 4t. 26. 306. 159. 96. 80. 3 ¡ey conmutativa. 47 Pata conjuntos. para datos agru- Gas ideal. 2O4. 47 para conjuntos. 164.219. débil ros) (ué¿se muestras independientes. 179 acumuladas. 21?. I 55 integrales de Fourier. 217. 44.

86. 26O.experimentos de dos factores. 46 scesos mutuamente excluyentes. variación total. 317. 3O9 regresión múltiple. 7. pa¡a la función ca- vaiables aleatorias independientes. 97. 22O. 131 teorema o ¡egla de Bayes. 21 variación. 31O.245 en análisis de varianza. 15-17 p¡obablemente significativos. 3O7 para . 161. 262. 5 condicional. 83.161 veiables aleatorir nomalizadas.161:171 prueba de Bernoulli. 131 prueba del. 63 no conelacionadas.318 múltiple.287-289 transformada inversa de Fourier. 262. 289 ecuación. 266. 281. 264. 6 suceso seguro.38 discretas. 264. 89. 43 t¿blas de clasificaclón doble. 130. 48 función de densidad de. 3O7.262 27 a. región de. 26I intersección de. 48.4 Recorrido.39 vaiables aleatorias continuas. 266. 262. 17-2O. 266. 151 82 seguridad. 242. f91. ó sucesos.lores esperados de las.88. 1O8 vuiables aleatorias distribuidas de a- cuerdo con la dist¡ibución Poisson. 164 probabilidad geométrica. 15 utilizando el análisis combinatorio. 291) universo del discurso. 6. 123 de la distribución de Poisson. I 18 tablas y distribuciones de frecwncias de doble v&iación. 50 dist¡ibuidas unifomemente. 226 . 322-327 tabla de c. 5O con distribución dg Poisson.110 vüiables dependientes. 4. 6.114. 31 1 entre y dentro de tratamientos. 8O ¡acte¡Ística. ó. 160 esperanza de Ia. 259. 117 muestral. 46. 212 regla de Leibniz para la de¡ivación de una integral. 114 1ó8. 78. 49. 26A. 3O6 triángulo de Pascal.2ó9 coeficiente. dist¡ibución muestral de. 8 cálculo de las. 48. 8O dist¡ibuidas binomialmente. 8O sesgada a Ia derecha o a la izquierda.244 representación gráfica.lasificación simple.273 en términos de varianza muestral v teoría de muestreo exacto.49. 1O9.81. 265. 324-321 residuo. 212 ensayos de. 266. 3O7. 89. 262. 352 293. 79. I O8 distribuidas normalmente. 63. 23a como una función de valor real. 260 variaciones. 58. 79 pados.284 relaciones no lineales. 111 de la dist¡ibución t. 26-27 231. 326 diag¡ama. 266. 108 pruebas de Bernoulü. 312 regresión. para un conjunto de números. 1Og de la distribución de Poisson. 112 de la dist¡ibución normal.115 vtianza poblacional.63 vüiables aleatorias no relacionadas. Valores críticos. 1O8 variables aleatorias dependientes (uéose variables aleatorias independieDtes) vaiables aleatorias discretas. 195 valo¡es de tendencia. 258. pda la función generat¡iz tos.284. 111 vuiable estocástica (véase vuiables valores exponenciales. Tabla de probabilidad coniunta. 311. 115 cuadrado. 164. 261. 158. 242. 219. 1 14 independientes. aleatorias) 2 2 241. 26 2 teoría muestral de. 1ó8. 25 Unidades o dimensiones. 311. 49. 78 va¡ianza combinada. ? sucesos independientes. 289. 81 transformación Z de Fishe¡. S2 sin dimensiones. 46. caso donde s . 81. 259.3il1 Taylor. 64 probabilidades.115 variables aleatoiias con distribución chi- ta. 194. 29O curva. 263. 254. 292-294 cov^rianza. 2a7.94 de la distribución binomial.82 de momen- mente.27l uperf icies. 2a9. 45. 143. 3Og pua las.266. 38. 6 algunos teoremas importantes sobre la.260 pua vriables aleato¡ias distribuidas binomialmente. 156 temperatura Kelvin. 14. 131.317.111. 112 de la distribución f'. 297 tammo de la muestra. ó-7 sumas es¡reciales. 213 región de rechace. 2ó9 Sec¡etaria. 79 distribución de las.2a4. 2AL. 26? traslación de ejes. 42.159. asignación de las. 29. 97-99.294 vaianza. 30. 27 8. 164 dist¡ibuciones de la. 37 serie de Fourier. 306. 37 subconjuntos. (véase v atianza muesüral) continuas.6O teorema del límite central. 38 variables aleatorias de la distribución de Bernoulli. 270 va¡iables aleatorias. 117 de la distribución muestral de medias. 223. 219 en anáUsis de varianzas. 269. 13O. 260. 266. grados de libertad 311 métodos cortos paa obtener las. explicadas y no explicadas. 2ll (véase tombién ensayos de hipótesis y significación) vaiables aleatorias con dist¡ibución Cauchy. 1 I O región crltica. 269 vdiables-transf o¡madas. I7 -2O. 22O tablas de con¿ingencia. 85. 243246 tablas de frecuencia (uéose ta¡nbién distribuciones de frecuencia) variables aleatorim distribuidas binomia¡mente.78. 216 como segundo momento. 271 referencias tipificadas. 258 punto muestral. 78 unidades tipificadas. 217. 9. 266. 262. 30. 161. 263. plano.124 las. 264. 67. 113. 266. 158 de la distribución no¡mal. 1?9-183 vriable independiente. entre columnas o bloques.2a4. problema de la. 311. 3f 3-3f 5. 9. ó2-56. 20. 1 subconjuntos p¡oFiós.239 problema de la aguja de Buffon. 81 transfomación. 82 veiables aleatorias normales asintótica- ley de los grandes números paa 109. 27 I relación fineal. 1lO va¡iables aleatorias adimensionales. 237 . 269. 3O9 ent¡e filas o tratamienúos. 3O9. 85. 38. 3O8. 29. 41 INDICE sobres. 79. 50 papel gráfico. 196 tigmpo de reacción.249 computación de la.2O2 interpretación probabilística de. 176 velocidad efectiva (¡ms). 68 proporciones. va. 311 tratamientos. 8. 79 tipificadas de. 11 1. 264-27 4. LIL.97 semi-intercuartr-lico. probabilidad empírica. 195 desconoce la.98 serie de Taylor. 85 sesgo. 112.259. 4.2a5 vatiación residual o aleatoria. 183 de la distribución binomial. 242. 289. 3 significación. 79.81. 49 ¡éplicas. 165.37. 259. 26O. 216 var\anza muestral.2a2.2a5 vaiación no explicada. I 1 O pila distribuciones conjuntas. 284. 45. 64 gráfica. 263. 38.272 318 grados de libertad para. 108.158. 195. invarianza bajo.285 recta. 39. 5. tabla de. 263. 2O1 t¡ansformación de Fourie¡. para datos agrucondicional. 15 sucesos elementales. 279 unión de conjuntos.116 función (uéose función de probabilidad) geométrica. 7. l94 sÍmbolos de inclusión. 63.123. 212. 198 rectas de mÍnimos cuadrados.262 vüiación explicada. 1 ilceso imposible. 151 teorema de unicidad.85. 11O v&iables aleato¡ias dist¡ibuidas uniformemente. 281.372 o ¡egla de Bayes) concepto de la. problema de los. 341 ¡elación con las dist¡ibuciones t y F va¡iables aleatorias con dist¡ibución Gamma. 52-56. 79 vriables aleatorias con distribución Be- serie". 249 de vaiables aleatorias distribuidas normalmente.89 combinada. 2t9.

.

.

l .

.

.

ico Análisis'.I$ROS DE LA SERIE SCHAI. 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 ..ren ierDs Circuitos eléctricos üi rcu itos e lectrón icos Contabi! uad I Co¡tabilidad ll Cr:ntabiliciad interrnedia | (en prensa) ContaOilidac' intermedia ii íen prensa) Contabilidaü de costos (en preirsa) Dinám .ar ía Ecuaciones diferenciales Ecuaciones diferenciales rnoder¡las Espacio de estadn .:a de tos fluidos Dinárn'ca de Lagrange Diseñ.'M PUBLICADOS EN ESPANOL Acústica Algebra eiementai Algebra elemental rnoderna Algebra lineal Algebra superior Análisis estructural Análisis estructural avanzado Análisis de Fourier Análrsii numc..dad Probabilidad y estadística co.l. Genética t/lecánica de los flurdos e hidráuiica Mecánica del medio continuo [!lecánica técnica Meclnica teórica Métodos cuantitativos pdi:.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. i-rásicas de las ciencias de la .ceri. adrni nistración de empresas (en prensa) Macroeconom ía Micrc¡econom ía óptica Probabil.¡ sist¡ma lineai Estad ística F ísica gcnera I Fundamenrol de matemáticas superio.: cie concretc a¡'rnado Diseño cr.i.i cilculo Programación BASIC Ouir¡ica f ísica (en prensa) Ouímica qener¿l Resistencii-. máquinas Economía internacional (en prensa) Ecuac'rine..

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->