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.

.341 e z .. di¡tribució¡ 11.962 RESPT'ESTASAPROBLEMASSI. . 863 INDIGT. f .. co¡ ry gador de 947 Apénd¡ce Percentila¡ 96 y 99 pera t¡...Pás..EMENTARIOS.. 962 T Apéndicel Número¡ale¡torio¡ . .'PI. 345 B l1l U &denad¡¡(y)dcl¡curvanorm¡ltipificadt AÉndice Arearbrjolacurv¡no¡m¡ltipiñcededeO¡z Percenüil¡¡ (úr) de le di¡Hbución t dc Student Apénd¡ce D E F G H a\ con. ... ApóndiceA Temr¡m¡üemático¡ Apóndice A .. liberted . .. gndo¡ de 346 Apéndice Percendla¡ (f) del¡di¡tribuciónchiruedndocon/¡radordeübcrtrd . 944 . liberted ........ 348 Apéndice Logaritmor dccim¡lc¡ con cultro cifta¡ 860 Apéndice Vdores de ¿-r ... 369 .... .

Parte I PROBABILIDAD .

.

I a. A y B no tienen exactamente los mismos elementos. 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. el cual es un subconjunto (propio) del conjunto de todos los resultados posibles {L. El conjunto de las vocales en el alfabeto puede definirse por el método de extensión como { a. 3. i. i. a.6\. Obsérvese que la sola redistribución de los elementos no cambia el conjunto. debemos estar capacitados para determinar si un objeto específico pertenece o no al conjunto. u}.6}. 4. ¡ |¡ es un triángulo en un plano ) es el conjunto de los triángulos en un plano. es decir si B. escribimos de B. A tenemos A C A.1. Al lanza¡ un dado los resultados posibles cuando el resultado es "par" son elementos del conjunto {2.5. EJEMPLO 1. Sinónimos de conjunto son c/cse.e conjunto es un pilar fundamental de la probabilidad y la estadística y de la matemática en general. o. EJEMPLO 1. 4._l 'Cupítulo Coniuntos y probqbilidqd EL CONCEPTO DE CONJUNTO 7 El concepto d. SiA C B pero A + B llamamos aA un subconjunto propio EJEMPLO 1. u ) es un subconjunto propio de {o. describiendo alguna propiedad conservada por todos los miembros y por los no miembros.4. { 4 o. EJEMPLO 1. . de {o. grupo y colección. si esto no es posible. e. e.3. u}. Si o y b pertenecen aC escribimos a. e } es un subconjunto. o. uloporelmétododecomprensióncomo{rlreeunavocal}. como siempre lo supondremos. SUBCONJUNTOS Si cada elemento de un conjunto A también pertenece a un conjunto B llamamos a A un subconjuntodeB.4. 6).2. El conjunto { Obsérvese que el método de extensión no puede utilizarse aquí. e. llamados míembros o elernentos del conjunto. El primero se denomina el método de extensión y el segundo el método de comprensión. B. En este caso AyB tienen A+ Si A no es igual a B. léase"elconjuntodeloselementos¡talesque¡es una vocal" donde la línea vertical I se lee "tal que" o "dado que". puesto que los dos conjuntos son iguales. Un conjunto puede considerarse como una colección de objetos. pero no un subconjunto propio. EJEMPLO 1.escritoAcB6B:Ayleído"AestácontenidoenB"o"BcontieneaA" respectivamente.2. Sic noperteneceaC escribimos a é C. Un conjunto puede definirse haciendo una lista de sus elementos o. y un elemento por una leha minúsculao.5. 2. En general. C. _ Si un elemento a pertenece a un conjunto C escribimos a€ C.6. denotamos un conjunto por una letra mayúscula A.Para que un conjunto seabiendefínido. EJEMPLO 1. 5. u. b e C. mientras no se especifique lo contrario. i.b. o. Se sigue que para todos los conjuntos exactamente los mismos elementos. i. 3. Si Ac B y B CAllamamosa A y B iguales y escribimos A : B.

l-3 Fig. 1-1) se representan por conjuntos de puntos dentro de los círculos. DIAGRAMAS DE VENN Un r¡niverso u puede representarse geométricamente por el conjunto de puntos dentro de un rectángulo. o simp espacio uniuersal y se denota por u. se llamala unión deA yB y se escribe Au B (región sombreada en la Fig. sirven para da¡nos una intuición geométrica respecto a las posibles relaciones entre conjuntos. CONJUNTO UNIVERSAL Y CONJI. o tanto como aB. OPERACIONES ENTRE CONJUNT\OS 1. Tales diagramas denominados diagramas de Venn.8.7. 1-2).T. Los elemenr Es útil considerar un conjunto que no tiene r uacío o el conjunto nulo y se denota por p.JNTO VACI( Para muchos propósitos restringimos nuestra d fico denominado el uniuerso del discurso. l -2 Fig. Intersección. el conjunto de todoe los resultados posibles es el universo {L. 1-4 2. . Si AC B y B CC.3. 1 El teorema siguiente es verdadero para cualesq Teorema I-I.2. El conjunto de loe rcsultados que consisten de las caras 7 u 11 sobre un solo dado es el conjunto nulo. EJEMPLO 1. En tal caso los subconjuntos de zt (como A y B indicados y sombreados en la 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. 6}1. 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 .9. 1-3). Fig. Unión. 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. Si lanzamos un dado.a CONJUNTOS Y PROBABILTDAD lcAP. EJEMPLO 1. es un EJEMPLO 1. El conjunto de todos los elementos (o puntos) que pertenecen a A o a B. entonces AC C. 5.

74). A y B son disjuntos. t-Lzb A YB y 1-13 pueden y 1. entonces A')B' 6 B'c.B (región sombreada en la Fig.4u^B)uC I.{ = A Primera ley De Morgan Segunda ley De Morgan Para cualquier conjunto generalizarse (véanse Problemas 1.11. Diferencia. 1-4). interrecciones por uniones. cyf. l-6 AIGUNOS TEOREMAS RELATIVOS A CONJI.guenotienenelementoscomunes'sella¡¡ran coniuntos disiuntos.'NTIOS AUB = BUA Au(BuC) : (.esdecir. AnU (AuB)' = A'ñB' (AnB)' = A'UB' A = (AnB)u(AnB') Los teoremas L-Lzo.An(BnC) = (¿nB) nC -. l-5 Fig.cAP. L'L. se escribe Fig. El conjunto que consiste en todos los elementos de A qtlle no pertenecen a B llama la diferencia áe A y B. 1'6).4u(anC) = (AuB)n(AuC) A-B = AñB' Si AcB. se B Si A : UB). 3. PRINCIPIO DE DUALIDAI) Cualquier resultado verdadero relativo a conjuntos también es verdadero si remplaz-a¡nosr¡niones -conjuntos por sus complementos y si invertimos los por inteÉecciones. el B y lo escri se llama saXl-B Fig.AnQ=9 AU'al -.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 .69 AUQ-A. En la Fig. 4.. símbolos de inclwión .1l CONJUNTOS Y PROBABILIDAD DosconjuntosáyBtalesqueAnB:p.AñB1C An(BuC) = (AnB)u(AnC') . u el 1/. escrita por A .

1-7 donde. Si elemental o simple.6). Si tiene tantos punl'ig.SC.CONJUNTOS Y PROBABILIDAD [cAP. sedenominaespacio muestral infinito no contable. 0 ú :: 4000. por ejempio. hay experimentos en los cuales los resultados no son esencialmente los mismos a pesar de que las condiciones sean aproximadamente idénticas. se denomina espacio muestral infinito contable. Frecuentemente es útil dibuja-r un espacio muestral gráficamente. el resultado del experimento es que algunos pueden estar defectuosos. Sin embargo. simbolizadaporc(ó1). Si lanzamos un dado.or . Un suceso que consiste de un solo punto de cJ frecuentemente se llama un sueeso .tal como 0 f r: S 1. no defectuoso}. 1. si un resultado es divisible por 3. Tales experimentos se denominan experimentos aleatorios.2. Un principio fundamental es que si efectuamos tales experimentos repetidamenle bajo condiciones aproximadamente idénticas obtenemos resultados que son esencialmente los mismos.11. donde suponemos que ninguna lámpara eléctrica dura más de 4000 horas. Así cuando se produce un tornillo será un miembro del conjunto {defectuoso. g.. 2. es decir SC. = 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. 3.se denomina espacio muestral finito.1 ) representaselloen el primer Ianzamiento y cara en el segundo lanzamien[tr.12) puede dibujarse por puntos en la Fig. etc. . . un espacio o conjunto muestral de todos los resultados posibles se da por {1. es decir es un conjunto de resultados el resultado'de un experimento es un elemento de A decimos que el suceso A ha ocunido. Si un espacio muestrdl tiene un número finito de puntos.esdecirunodeloselementosdelconjuntóíqs)(ó{0. simbolizado por S ( ó 0 ). (0.16. 6 | en tanto que otro es lpar. si lanzamos una moneda dos veces y utilizamos 0 para represenmr sellos y l para representar caras el espacio muestral (véase Ejemplo 1. por ejemplo.elresultadopuedeindicarsepor{CC. o una "cara".14.2.SS) caras.en tanto que uno que es infinito no contable'se llama espacio muestral continuo o no discretoSUCESOS posibles. Unespacio muestral que es finito o infinito contable frecuentemente se denomina espacio muestral discreto..13. como en el Ejemplo 1.dsdecirdos EJEMPLO 1. Silanzamosunamonedadosveces.15.12. EJEMPLO 1.16. entonces el resultado del experimento es el tiempo f en horas que se encuentra en algún intervalo. 1)). 1 EXPERIMENTOS ALEATORIOS Todos estamos familiarizados con Ia importancia de los experimentos en la ciencia y en la ingeniería. 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.3. EJ EMPLO 1 . EJEMPLO 1. Obsérvesé que eJ córresponde al conjunto universal. 4.1 0. cara la primera y sello la segunda. Si tiene tantos puntos como hay en algún intervalo en elejer. EJEMPLO1. EJEMPLO 1. 4. l-? tos como números naturales 1. . es lógico que el último no sería adecuado pan determinar. Los siguientes son aLgunos ejemplos. En tal caso es deseable utilizar números en cambio de letras siempre y cuando sea posible. Un suceso es un subconjunto A del espacio muestral. por ejemplo. Si un experimento consiste en medir "la vida" de las lámparas eléctricas producidas por una compañía. si lanzamos un dado el resultado del experimento es uno de los números en el conjunto {L. 'EJEMPLO 5.CS. Si tenemos una máquina que produce tornillos. impar) Sin embargo.5. Si lanzamos una moneda eI resultado del experimento es un "sello".

razonarno{¡ que la probabilidad requerida es 112. 1) y (1. 0). que se llama el suceso imposible puesto que un elemento de Q no puede ocurrir. SS } así tenemos A U B: {Cg A': {SSl SC. w tloríá de conjuntos e inversamente. Supóngase que deseamos la probabilidad de que resulte una cara en un solo lanzamiento de una moneda. A. donde n es muy gmnde.como frecuencia relativa o a posteriori. perosi estamos regutJs de que'el suceso no ocurriú d_e9. A n B es el suceso'qtanto A como B" 3.'sello" (suponiendo que la moneda no se pierda ni caiga verticalmente). todos igualmente factibles. CC} EL CONCEPTO DE PROBABILIDAD En. 2. simplemente "cara" y . si lanzamos una moneda dos veces. 1-8.cualquier experimento aleatorio siempre hay incertidumb¡e sobre si un suceso específico ocurrirá o no. el suceso que sólo resulte una cara es el subconjunto del espacio muestral que consiste de los puntos (0. diríamos que hay y 26Vo de oportunidad de que ocurra y un 767" de opoitunidad de que no ocurra. si la probabilidád es de 1f4. CC. SC.lm9s que su probabilidad es cero. SilosconjuntosconespondientesalossucesosAyBsondisjuntos. y de estas dos maneras una cara puede aparecer en una sola manera.19.17. B : { CS. Al llegar a este resultado suponemos que la moneda es honrado. 1.18. EJEMPLO 1.ad con la que podemos esperar que un suceso ocurra es conveniente asignar un número enhe 0 y 1. Enfoque.esdecirAñB:Q. nes relativas a sucesos pueden traducirse en el lenguaje de-la Pu-esto que los sucesos son conjuntos es lógico que las particular tenemos página 3. excluyentes. Entonces A : {CS. Si estamos seguros de que el iuceso ocurrirá decjmos que su probabilídad es 100% ó 1. . Esto también se llama laprobabilidad empírica del suceso. Si después de n repeticiones de un experimento. Como sucesos particulares tenemos el suceso en sí mismo. 2. y el conjunto vacío Q. SS) : eJ A-B- Añ B: {CS} {^SC. es decir que no está cargado. AU B es el suceso "Aó B o ambos". Esto quiere decir que no pueden ocunir ambos. como se indica en la Fig. 1l CONJUNTOS Y PROBABILIDAD EJEMPLO 1. EJEMPLO 1. CC}. que es el suceso cíerto o seguro ya que un elemento de eJ debe ocurrii. Equivale adecirque laprobabilidad contrasu ocurrenciaesdel 75% al25vo o de B ai. un suceso ocurre h veces. entonces podemos obtener otros sucesos en cJ.[ proposicio Fig' 1-8 Empleando las operaciones de conjuntos en sucesos en Así si A y B son sucesos.Puesto que hay dos maneras igualmehte factibles del resultado de la moneda. frecuentemente decimos que los sucesos son mutuamente. Enfoque'clásico o a priori Si un suceso puede ocurrir en h maneras diferentes de un número total de n maneras posibles. En ólgebra de sucesos que coffesponde al álgebra de conjuntos indicada en la e. Flxisten dos procedimientos importantes por medio de los cuales podemos obtener estimativos para la probabilidad de un suceso. 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". Como medida de la oportunidád o plobabilid. 1. A' es el suceso "no A".B". Por ejemplo. entonces la probabilidad del suceso es h/n. entonces ta próbauilidad del suceó es h/n. 4.B es el suceso "A pero no .cAP.

UA" y tes. Teorema 7-77: Si A' es el complemento de A entonces P(A') Teorema = r-P@) (7) 7-78: Si A = AtUAzU. An son sucesos mutuamente excluyen- P(Al = P(Al) + P(A2) + En particular si A "' + P(A") (8) - et. LOS AXIOMAS DE LA PROBABILIDAI) Supóngase que tenemos un espacio muestral e. Paru el suceso cierto o seguro eJ en la clase C =I At. Bz.) - P(/. si se satisfacen los axiomas siguientes: Axioma 1.. y P(A) la probabílidad del suceso A. eh la clase C (2) 3. 7-14: 1-15: Si ár cA2 entonces P(Ai < P(Az) y P(Az.. el espacio muestral. es decir P es una función de valor real definida en f.:<ioma > 0 (r) Axioma 2. para solo dos sucesos mutuamente excluyentes At. . Si d es di5creto todos los subconjuntos corre6ponden a sucesos y recíprocamente. peto si ef es continuo solamente subconjuntos especiales (llamados medibles) corresponden a sucesos. (5) Para cada suceso es A 0<P(á) <1 P(9) = O decir la probabilidad de un suceso está entre 0 y 1.632.1) + P(A2) + . A cada suceso A en la clase C de sucesos asociamos un número real P (A). entonces . . .CONruNTOS Y PROBABILIDAD EJEMPLO 1.t. . . (d) Teor¡:rna 7-16: es decir el suceso imposible tiene probabilidad cero. Si lanzamos una moneda 1000 veces probabilidad de una cara es 532/1000 = 0. .) = P(42) - P(A).. [cAP. A causa de estas dificultades los matemáticos en los últimos años se han orientado avn enfoque axiomótico utilizando conjuntos.'. el primero debido a la vaguedad de las palabras "igualmente factibles" y el segundo debido a la vaguedad incluida en un "número muy grande". Ar. Az.Á. 1 y hallamoe que 532 veces resultan caras estimamos que la Ambos enfoques el clásico y el de frecuencia prcsentan serias dificultades.iomas anteriores podemos demostrar varios teoremas sobre probabilidad que son importantes en el estudio posterior.20. Para cada suceso A en la clase C P(A) P(eJ) A. . Para cualquier número de sucesos mutuamente excluyentes P(AtuAzu '. Así P se llama la función de probabilidad. (e) En particular. P(AL:AI) = P(Ai+P(Ar) ALGUNOS TEOREMAS IMPORTANTES SOBRE PROBABILIDAD (4) De los Teorema Teorema a-r. entonces At.

EJEMPLO 1.6}.. Az.... como el de la frecuencia relativa de la página 6. entonces P(A:U AzU ¿") : P(. Si asignamosprobabilidades iguales a lospuntos muestrales.+P(4") = 1 (e) 1-19: Si A y B son dos sucesos cualesquier4 entonces P(AuB) = P(A) + P(B) ..An (1+) P(Ai + P(Az) + . Hallar la probabilidad de que resulte 2 ó 5. La asignación de probabilidades provee un modelo matemótico y su éxito debe probarse experimentalmente en forma muy similar a como las teorías en física u otras ciencias deben probarse experimentalmente.P(A. entonces 1 6 .entonces P(A) = P(AnAi + P(AñAz) *'. si suponemos probabilidades iguales para todos los sucesos simples.. + 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). El espacio muestral es e-I: {1... Se lanza solo un dado... si A (10) t.B\ Generalizando. 1l CONJUNTOS Y PROBABILTDAD P(Ar) Teorema +P(A2)+.P(üñAz\ - P(A|¡A.P(AsnA) (rr) + P(Lt\AzñAs) También pueden hacerse generalizaciones a n sucesos.2. Ar.A....4. entonces P(A¿: '!y si A es k=1. á3 son tres sucesos cualesquiera.]) .2.21. En particular.. Podríamos lógicamente emplear otros procedimientos para asignar probabilidades. Véase Problema 1.cAP. Az.79.5..4.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. + P(ánA") (rr) ASIGNACION DE PROBABILIDADES entonces por el Teorema 1-18 Si un espacio muestral el' consiste únicamente de los sucesos elementales Ar..) + P(Ar) + P(As\ . 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.3.. esdecir si suponemos que el dado es honrado.

TambiénP(AñBr:216:1/3.2 6 g observamos por el teorema P(Bl = P(r) + P(2) + P(3') = -+-+-= 6662 1l1l suponiendo probabilidades iguales para los puntoc muestrale¡. El resultado se generaliza fácilmente a n sucesos. Puesto que se sabe que A ha ocurrido.. Denotamos por P(BiA) la probabilidad de B dado que A ha ocurrido. la probabilidad de que At y Az y A3 ocunan es igual a la probabilidad de que z4t ocrura tantas veces la probabilidad de que A2 ocurra dado que . (b)SiAeselsuceso{númeroimpar}observamosqueP(á):316= Entonces 1/2. TEOREMAS SOBRE PROBABILIDAD CONDICIONAL Teotema 1-22: Para tres sucesos cualesquieraAl. 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. 1-9) tales que P(A)> 0.41 ha ocurido tantas veces la probabilidad de que A3 ocura dado que At y Az han ocurido. es decir la probabilidad de que B ocrura dado que A ha ocu¡rido. A3 tenemos P(AtñAzt\ás) = P(A) P(A2l At) P(Asl Atn Az\ (1e) En palabras. . (o) no se da ninguna otra información. Hallar la probabilidad de que en un sólo l¿nzamiento de un dado requlte un número menorque 4.á PROBABILIDAD CONDICIONAL = t 1 Sean A yB dos sucesos (Fig. r-9 EJEMPLO 1. (b) se da que el lanzamiento resultó en un número impar. 1 indica por 2 U 5. ilamamos a P(B I A\laprobabilidad condicio¡wl de B dada A. entonces P(A'.) excluyentes á1. . P(BIA\:"+#=#=? Por tanto. se convierte en el nuevo espacio muestral remplazando el original e-I. el saber que el resultado del lanzarniento es un número iinpar aumenta la probabilidad de Ll2 a 213.Ya queB es la unión de los sucesos 1-18 que 7. 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.CONJUNTOS Y PROBABILIDAD El ¡uceso que resulte 2 ó 5 ee [cAP. A. A2. + p(A")P(AlA") (20) . = P(A)P(A|A. (o) Si B denota el suceso {menor que 4). .) + p(A)P(Al Azl + . . Fácilmente se demuestra que la probabilidad condicional satisface los axiomas en la página 6. AnB Fig.22. Por tanto P(2u5) = P(2)+P(51 = *. Teorema 7-23: Si un suceso A debe resultar en uno de los sucesos mutua[iente Ar. .

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

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

Problenra. Por esta raz6n decimos que el I unaexpansión asíntótica del lado izquierdo.4 por (c) el método de comprensión y (b) el método de extensión.podemosesaibir A: {5.-5). es la base de los logaritmos naturales.s resrreltoa CONJTINTOS 1.28.\s/ . 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.r'2 :25". . El símbolo . se. + . que también puede escribirse como (2e\ ("\ \r/ Fácilmente se demuestra que n(n-L\". escogerse o ¡elecciona¡¡e de un (91') 3 ca¡t¿s pueden total de 8 sc¡ = lt) = 8'J.cAP.1.s! COEFICIENTES BINOMIALES 56 Los númerós de (29) se les llama frecuentemente los coeficientes binomiales puesto que provienen de laexpansión binomiat (r 1- u)^ : * .. U (n Tenemos (véase Problema 1. (a) A:kl* elementos.'6 = . Para un estudio más detallado de la fórmula de Stirüng véase el A¡Éndice A. (l)* = APROXIMACION DE STIRLING A r¿ ! xa+ 4x3y!oxzyz *4xy3 +ya Cuando n es muy grande la evaluación de aproximada n! no es práctica.(t)**. En tales casos se utiliza la fórmula (38) nl . Véase Problema 1.(t¡*" . (|)*-lt * (i)*"-.27.36) ln\ \"/:nt¿r=rl@=T. Indique cómo describir a. r! (30) /n\ ( J=( /n '. y)t = r:{ * (Í)". .s propiedades interesantes.)" (n) Tienen mucha. EI n(¡mero de manera¡ en lae cuales cartas diferentes es nU.yEñn"e-n donde e : 2.(n-r-rr\ r! ó nP. @-l (:.:nC._.48. . :25)que se lee"el conjunto de todosloselementosde¡ talesque.71828. .r/\) \r/ \n EJEMPLO 1.e¡decirA . .describé dando sus (D) Puesto que t2 :25parar:5y x:-S. Sea A el conjunto de todos los números reales cuyos cuadrados son iguales a 25.r.en (33) signifrca que la relación del al lado derecho se aproximá a 1 a medida eü€ /l + o. EJEMPLO 1.

(s) (AnC) e (Bne. 0. 1.-¿}. es decir cada elemento de A eetá en 8.--4} n {+. (d) B' : conjunto de los elementos en t/ quenoestánen g = {0. r.".6}.r).+. pertenecen á.o} u {0.pueotoqueloe elementos 3 y 5 son enterosimpares. Por el Teorema 1-8.-r/2.-fr. Puesto que no hay un númeror tal que x2 :416x:2.-qyC = {+.o. Demostra¡ que si Ac B y B cC.4} utilizando el re¡ultado de (b). Otro método. el conjunto vacfo.+.t.0|. Un conjunto oomo {2} que consiste únic¿mente de un elemenüo algunas veces ae llzna conjunto singulo o unitaio y debe distinguirse del elemento que contiene. se sigue queA: @.. Aeícadaelemenüodeá esunelemento de C y por tanto A C C. (e) A . = {0.5.-4} = {-18.-fr}.5.-4} (c) (AuB) n C = {-{2. AsícadaelementodeB perten. ". (e) A-8.3.. (b) "A es el conjunto de ¡ tal que 12 : 4 y ¡ ) 9'.5.-4}n{+.5. entonces AcC.6. seaA={rl*esunenteroimpar). es deeir B ee un subconjunto de A.sededucequeACB6B)Aylrrpropocición Obaérvese que esto se lee es verdadera- 1.0.-4} = Entonces (BnC\' = {0.'NT\OS 1. Sea r cualquier elemenüo de á. r>g} y B: {fr | r<l}._\E}. Determinar cuáles de las proposiciones siguientes son verdaderas y cor¡egir las que son falsas. si el universo 'u = {}. ) La proposición es falsa. Entonces {x I x * x} : e.+. ee deci¡ ¡ € A. página 3.r.{0.+.2. (o) (b) (o {rln+ü} -.lQ}. Entonces B..4.L2 CONJUNTOS Y PROBABILIDAD lcAP. OPERACIONES ENTRE CONJUNTOS. Entonces ya que AC B. (b) AUB. 2 es wn número re¿l mientras que {2} esw conjunto que consiste del número real 2. El error radica en escribi¡ {@} por @. Si A = {r l r2=4.6.Demostrarque BcA.-rt. r.-{r)._\E} .0}n {5. Asf.-4}.üenemosB:{g. +.r.0.-4}n{0.o. puesto que {9} es un conjunto no voclo que conriste del conjunto vacío.-.o. no hay objeto que no sea igual a sí mismo. entonces B) A. tenemosque¡ € C. (d) B'u C'.-{2. -rt. (c) (AUB)nC.2. C' : conjunto de los elementos en 'll que no están en C : {0.r} {*. Yaque x2 -8x * 15:0 ó (r -3)(¡. üenemoe A-B = AñB'= (f) BñC = {6. 5.5. aA. .o} u {5.8 = {6.. ¿Es cierto que {2} : 2? No.6. 1 L.15:0).r} = {0. (/) (Bn C). -4} = {+. Puesto quetambiénBCC.-tf2.enconhar(a) AnB. n]. DIAGRAMAS DE VENN Y TEOREMAS SOBRE CONJT.u C. Puestoque el conjuntovacloesunsubconjuntodecualquierconjunto. -4} y los subconjuntos de u están dados por A : {-\n.-4} = t-\ñ} (D) .r. tenemos x€ B. Cualquier objeto particular se supone ee igual a sf mismo.5. {*."áÁ y porüantoBC 1.4 u n = {-fr. B: {x I x2 -8r+. (a) AnB = {-12.0.-2ly * )9.5)=0 sólosi x:B6x:6.B: eonjunto de elementos en A que no están en B : [0.

8. (AnB) u(AnB') A : {r I reA) = {. página 3. 1-11. l reA¡B 6 neAnB'} M6todo 2.reBuC} I re A. Región sombreada = (AUB)' Región doblemente ¡ÜEÉru¡r qvvrs¡¡¡E¡¡w rayada ]_"7.nn.69). En Ia Fig. En el diagrama de Venn de la Fig.xeB 6 reC} I s€A. 1l CONJUNTOS Y PROBABILIDAD Obsérvese que este re¡ultado conjuntamente con Tborema 1-12b.-ll . Teorema 1-6. 1-12. (AuB)' = {r I r4Ar-tB} = {" I rCA.0} n {*. Sin embargo. Teorema !-L?tt. Ao(BuCl = = = = = l r€A.cAP. (A¡C\ u(BnC) : @u {*. (b) Ilus- har el resultado de la parüe (c) empleando un diagtama de Venn. y se observa que esta región es igual a la región sombreada de la Fig. = (AnB) u (AñB'). Entonces A n (BuB') A r. sirve para euminishar relaciones posibles entre conjuntos que luego pueden probaree por métodos similaree al dado en (o ). (sl AnC = {-\/-2. Sea C:8' en el Problem¿ 1.neB\ = {r I neA'. 13 el de la parte (d) ilustra la segunda ley De Morgan. l-ll Fig. l-12 Obsérveee que un diagrama de Venn no suministra una prueba como la dada en la parte (o). (o) Tenemoe págrna 3: (A u Bl : A' n B'.al : (ArtB) u (A^B') : (AñB') u (A¡. Fig. 1. Demostra¡ que para cualquier conjunto A y B tenemos A Método 1. Luego At ñ f|' se representa por la región doblemente rayada en donde se encuentran ambos conjuntos de líneas.reC) @ | reA"'B 6 xeAnC\ {.7. página3:Tenemoo An(Bu C) = (AnB)U(AnC). {r {" (AnB) u (A nC) 1.8') A = (AnB)u(AnB') El resultado puede generalizane (véase Problema 1. Demostra¡ laprimeraley distributiva.2.-4} Entonces t. (c) Demostrar la primera ley De Morgan.9.reB 6 r€A. B n C = {}.-¿l = {+. . 1-11 la región sombreada representa (A U B)'.-¿} [Vóase pa¡te (f)].@. elconjuntovacío.r€B') (b) = A' ^B' El resultado puede extenderse a cualquier número finito de conjuntos (véase Problema 1.74).8. 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.

. Emplear la Fig.n(8. dos.nB.). rey.B -{reyperono trébol} Es lo mismo que A ñ B' . .. (f) A.4. 2.11 com ^ B' . reina. (o) A U B = {o rey o trébol (o ambos. picar.2). 13}. .CONJUNTOS Y PROBABILIDAD [cAP. . 2.. (e) A-8.B. si . picas. Describir los sucesos (a) AUB. : (rey o corazón o diamante o pica)..10 sea.1-14.. I diagrama eden de indicarse A U B. 1 EXPERIMENTOS ALEATORIOS. 1.4 u B. 1. . 1-13 para describi¡ los s sucesos (a). = A. .UB. (b\ A' se 1. 1-13. . (e) A. diamante. y (b) Si tenemos en cuenta los paloc el espacio muestral cronsiste del as de corazón. (q AnB.12. ESPACIOS MUESTRALES Y SUCESOS 1. @) AUB'. rey de corazones. por ejemplo. . (E) @ nB) U (A ñ B'):{(rey y trébol) o (rey y no trébol)): irey}. Se extrae una carta aleatoriamente de una baraja de 52 cartas. pica}. podemos indica¡ una jota de picas por (11. Refiriéndose al experimento del Problema 1. .A. Describir el espacio mueshal (o) no se tiene en consideración el palo (b) si se tiene en cuenta el palo.4 el suceso {se extrae un rey} o sencillamente {rey} y B el suceso (se extrae un trébol} o sencillamente {trébol}. 3. diamantes y héboles respectivamente por l. picae.11.L4 . . diamantes y tréboles. También puede considera¡se observando que (A ñ B) U (A n B') : A.-8.10. jota. puede indicarse como {1. diez.(g) (AnqU (AnB. es deci¡ rey (ó) 4 n I : {rey y trébol} : {rey de trébol) de trébol)) (c) Puesto que B Luego A U Bt = {trébol}. (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 ). de acu gamas Fig. B. . También puede considera¡se observando que A.). (o) Si no tenemos en cuenta los pdos el eepacio muestral consiste de as. (n A'-3' :{no rey y no "no trébol") : {no rey y trébot}: (cualquier trébol excepto el rey). B': {no trébol} : {corazón. diamanües y tréboles. Luego el espacio muestral consiste de 52 puntoo indicados en la Fig.{rey y no trébol}. (d) A. de Teorema 1 era simila¡ todos lo¡ obeervarse de la Fig. Denotando corazones. .

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

en particular "as" tiene una probabilidad de 1/13.* (d) P(c):P(ln c 62ñc6. Así. # -.. . eeto es 1/4.16. Determinar la probabilidad de que sea (c) roja. Puesto que este complemento tiene 52 .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.16 : 36 puntos muestrales en él y cada punto muestral tiene una asignación de probabilidad Il52. t (b) P(11 ñC¡= :- (c) I * -I^ 26 ) +P(6 ñD¡: 62 52 = I " . l-r 1.. asignando probabilidades iguales de tl52 : L162.10(tr). Asf g n C significa tree de corazoneo. respectivamente.4' ñ T' = (4 U ?)'. (b) blanca. rcy. (b) una jota de corazones. 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. trébol. ? para indicar coraz6n.y 1. doo. (f) un diez o una pica" (g) ni un cuatro ni un trÉbol. (c) azul.16 CONJUNTOS Y PROBABILIDAD [cAP. Una bola se extrae aleatoriamente de una caja que contiene 6 bolas rojas. P(6 n (o) ") P(1): PG^e ó 1nP ó.P(C) = ! P(L0 Ln = ?uti[zando laparte (d)y elTeorema 1-1?.* h* . Por tanto puede denotarse por P(4' ñ ?'). a cada punto mue¡hal. (e) P(C') - 1 . 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. . por ejemplo. 13 pot aa..52.2. 1.[P(4) +P(")-P (4 n T)] _. pica. Por simplicidad utiücelnos C... diarnante. Empleemoe el espacio muegtral del Problema 1.lsnc) = #. 1-16. página 6. P.L ñD ó 1 n ") =P((1 n c) +P(1 nP) +P (1 nD) +P(1 n r) 11111 = 52. P(4'^T')= 4(4 U ")'l: L- P(4 U ?¡ : 1. (e) cualquier palo excepto corazones. 1 que sea (g) un as.10(o) en donde cad¿ punto mueehal. (c) un tres de tréboles o un seis de diamantes. Pero por el Teorem a 1-t2 (a)..n.13 .sz = Lg Tbmbién había sidq posible conseguir este resultado del espacio mueshal del Problema 1. (d) un corazón. 4 bolas blancas y 5 bolas azules. (d) no roja.# = 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.la probabilidad requerida es 36/52 = 9/13.. . en tanto que S U C significa tres o corazón.1l _ 9 . (e) roja o blanca.. D.

P(At)P(A.) '!' .También i"-or usado P(. Método 2.á = | Método 3. de las 6 maneras en que cae en el segundo lanzamiento.364en elsegundo lanzamiento".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). r(RUB)=P(A'): 1-P(A): I .4 1) :316 (ya que 4. .'"::. Denótese por R. . 19 1 .6:36 maneras. 1l CONJUNTOS Y PROBABILIDAD Método 1. Entonces si asignamos probabili' dades iguales Ll15 a cada punto muestral observamos que P(. respectivamenüe.J. 2. Método 2. debido a que hay 6 puntos muestrales que corresponden a "bola rojatt. .R ) : 6/15 : 215.3 6 4 en el segundo lanzamiento. 5 ó 6 son 3 resultados de las 6 probabilidadés igualmente factibles) y P(Az): ltO (ya que 7. que P(nuB):P(R) +P(B):?*# = ? PROBABILIDAD CONDICIONAL Y SUCESOS INDEPENDIENTES 1. Luego estamos buscando P(Ar ñ A2). 6 6 6 en el primer lanzamiento V 1.5 o blanca También puede resolverse l¡tilizando el espacio muestral como en la parte (c). 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 3.42 ocurren. Entonees L1 (o) P(n)= Mótodo 2. Hallar la probabilidad de obtener 4. Cada una de las 6 maneras en las cuales un dado cae en el primer lanzamiento puede asociarse con cada una 6.2. Entonces P(ArnAzl . Método 1. blanca y azul. B y A los sucesos de extraer una bola roja. (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. norparte(c).15 .3ó 4 son 4resultadosdelasGprobabilida' des igualmente factibles).::"fl'"". P(AroAr) = P(At)P(A2lAr\ -. P(roja o blanca) : P(R u r) : -"""'. Un dado honesto se Ianza dos veces. Puesto que los sucesos R y B son mutuamente excluyentes se deduce de (4).cAP. --6+4+5=1b=s 662 Nuestro espacio muestral corisiste de 6 * 4I 6:15 puntos muestrales.t""i: .1?.. un total de factibles. .H 10 2 6+4 6+4+5 . página 6. 4: 12 maneras en que tanto A1 como . ' SeanAl elsuceso "4rS ó 6 enelprimerlanzamiento" y Az elsuceso "7r2.

todas igualmente factibles. .tp(A2 A¡\ = (52")(*) = . Método 1. lanzamientos de los dadosobservamosquelaprobabilidad de no 7 u 11 en el primero o segundo lanzamientos está dada por empleando el hecho de que los lanzamientos son independientes. entonces P(A2 | A r) : 4152. 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. p(A. También. {) (5. si la carta se remplaza para la segunda extracción. Se extraen dos cartas. I a a aa (r. Puesto que se incluyen 8 puntos tenemos que P(A ): 8/36 : 219.P(Al -- L 27 -::99 1o.18."t (ol La primera carta puede extraerse en una de las 52 maner:u¡ posibles y ya que hay rempl.6) a (3."A) = P(A) P(A. a (2.3) (8. Entonces P(ArnA. l) (1. oaa (3. de una baraja de 52 cartas. /. extracción". 1-17.1) a Se deduce que la probabiüdad de no dada por ? u 11 está 345 Primer dado P1A'¡ '= | . Así que ambas cartas pueden extraerse en (52)(52) maneras. Hallar la probabilidad de que ases si la ca¡ta (c) se remplaza. 1.2. = las 51 cartas restantes. l-17 Utiüzando subíndices t.2) signitica que el resultado del primer dado es b y el del segundo 2. r) (2. Así ambas cartas pueden extraerse en (52 ) ( 51 ) maneras.l Método 2.6) I (¿. (b) no ambar¡ sean se remplaza.nA") =+:(. A. Sea A1 buscando suceso ttas en la primera extracciónt' y .19.3) Si A es el suceso "7 u 11" entonces A se indica por Ia porción sombreada en la Fig.azamiento la segunda ca¡ta también puede extraerse en una de las 52 maneras posibles. puesto que también hay 4 ases en las ó2 ca¡tas para la segunda extracción. todas igualmente factibles. Entonces P(A.3) (4. Por ejemplo (5. dados se muestra en la Fig. aa {) (6.2 a (6. Entonces estamos (o) Puesto que para la primera extracción hay 4 ases en las 52 cartas.2gara indica¡ y 2o. l'ig.2l a a (6.2) a a aa (5. 6) ({. Puesto que los dados son honestos y hay 36 puntos muestrales asignamos la probabilidad 1/36 para cada uno.42 suoeso "as en la segunda P(Arñ A2): P(A1) P(A2l A t). 6) El espacio muestral para cada lanzamiento de los (r.18 coNJUNTos y pRoBABILTDAD lcAP. así que P(A2l Ar Sin embargo si ocurre un as en la primera extracción quedarán 3 en ) : 3/51. 6) a 1.' ( #)l#) == # r\ P(A1l:4152. .6) (2. \. 1 Esto indica directamente que A 1 y A2 son independientes puesto que . (2.)(á) = P(ArP\A2l (2.) = (b) Como en la parte (o). l) (3. P(A¡): 4152.3) (3. r'(A. Encontrar la probabilidad de no obtener un total de 7 u 11 en ningunó de los dos lanzamientos de un par de dados honrados. 1-17.

Se extraen tres bolas sucesivamente de la caja del Problema 1. Si Rl .A2 ocurra pero : no At : 5 5 número de maneras en las que tanto A 1 como . blanca y azul si las bolas (a) se remplazan. número de maneras en las que A 1 ocurra pero no Az nf¡mero de maneras en las que .suceso "roja en la primera extracción". Así Art. : 6. Hallar la-probabilidad de obtener al menos un 4 en dos lanzamientos de un dado honrado. por (1Ol V QI ) = 6'u-\ui\u/ * = * Método 2.21. Requerimos P(Rl ñ 82 n A!\. A3 "azul en la tercera extracción". lanzamiento y no 4 en el 2o. Los sucesos A t I Az no son mutuamente excluyentes.cAP. 4 Az 1. pero Bon independientes. P(A'tuA) = P(A) + P(A) . lanzamiento) = | . : guCe¡o (o) Si cada bola se remplaza. (b) no se remplazan.20. Nfrmero total de maneras igualmente factibles en las que ambos dados pueden caer También. Sea A I: suceso "4 en el primer lanzamiento" y : suceso "4 en el segundo lanzamiento". P(al menos un 4) Entonces P(al menos un 4) P (ningún 4) = 1 : 1 .P(At) P(Az\ 1 r /t\/t\ rr Por üanto. P(ArU Método 1. nar¡ :P(Rr )P(82)P(A1) e \/ n u =(\6+4+5/\6+ 4+5/\/\6+4+5/\=_9_ 225 (b) Si no se remplazan las bolas.P(ALñ42) = P(A) + P(A!) .6 : 36. 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).Rr ) p(82 lnr )p(A3 In. llallar la probabilidad de que se extraigan en el orden roja. 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+ \=.J requerimos A2: : suceso "4 en el prirner lanzamiento o 4 en el segundo lanzamiento o ambos" suceso t'al menos un 4" A2).Rr n 82 ñ At):p(. I}2 : süc€so "blanca en la segunda extracción".P(A'rnA'"\ = | .P(ningún 4) : 1 -P(no 4 en 1er. entonces los sucesos son independientes y p(.P(A')P(A'2| = '! -(8X*) = *" Método 3.42 ocurran : 1 .16. Así la probabilidad pedida es (4X3) (52)(51) I 2 1.

41 U Az): 11/36. página t. página 8. La contiene 3 bolas rojas y 2 azules en tanto que la caja II contiene 2 bolas rojas y 8 azules. Por tanto P(. SeaB¡ : suceso "bola blanca del primer talego".23) Ay A2. 1 : Ar ó A2 ocurraes- 5 +5+ 1 L. si se obtiene sello se saca una bola de la caja /I. Un talego contiene 4 bolas blancas y 2 bolas negras. Asípor P(A) = P(AIA)+P(A^AI') = P(A) P(A i A) + P(42\ P(A I A2) 8.4 debe resultar en uno de los dos sucesos mutuamente excluyentes At.\P(A:A. pero revela que se sacó una bola . hallar la probabilidad de que (¿) ambas sean blancas.23..23 con A: R. Puesto que una bola roja puede resultar al escoger cualquiera de las cajas podemos em. Puesto queA resulta en uno de lossucesos mutuamenüe excluyentes 1-22 (Problema 1. Demostramos el teorema para el c¡¡so n : 2.I. Az entonces A = (AnAr)u(A¡42) PeroA ñAt y Añ Az son mutuamente excluyentes puesto que A1 y A2 lo son.) .píryina9). Si se obtiene cara se saca una bola de la caja. fcAP. Si se extrae una bola de cada talego. Extensiones para valores mayores de n se obtienen fácilmente..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.)("+-ri-r:ri ---r:\ \2/\2+8/ \-/\-. plear los resultados del Problema 1.. (b) ambas sean negras. Axioma 3 empleando (I8). (d) P(BtnBil:P(Br )P(B2lBt):P(Br )P(B) = lt!")/-=) + 5/ = I 4 \4 + 2/ \3 P(B'tñnb:pelp@. Demostrar el Teorema 1-23. Hallar Ia probabilidad de sacar una bola roja. Si el suceso . Así la probabilidad de sacar una bola roja P(Rt - P(nP@ Il+P\II\P(RIII¡ = /t\/ I \ /r\/ z (. Supóngase en el Problema 7.22.20 CONJUNTOS Y PROBABILIDAD Luego el número de manera¡ en l¡as cuales por lo menos uno de los sucesos 11. . j Dor tanto ". otro contiene 3 bolas blancas y 5 bolas negras. (c) una sea blanca y una negra. 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..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). An tenemos por el Teorema P(A) = P(AI)P(A Ar) + ' " + P(A. I|2 : süc€so "bola blanca del segundo talego".2/ 5 z TEOREMA DE BAYES L25.O*' P(A\'Aki \ P1A¡ A¡ = P(A) P(A I Ak) P\Ak^A) = --PÁt ) P(A¡l P(A' Akl 1.. Demostrar el teorema de Bayes (Teorema L-24.24. Az: II. Se lanza una moneda honrada. At : I.26.

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

La primera posición puede ocuparse por cualquiera de las cinco bolas.. 1.4. (b) uPo.2. y 4 mujeres en una fila de modo que las mujeres ocupen los sitios pares. (n . hay 9 formas para ocupar el segundo puesto. Obsérvese que cuando | = tr.. puestos). 9 . Luego hay 3 maneras de llena¡ la tercera posición.6 .8. (b) si los números no pueden rcpetirse.oPo = 514! = (lZO)\24) 2gg0 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. Así pues.3. Se quieren sentar 5 hombres puede asociarse con cada ordenación de las mujeres.3 = 860 (c) . persona!¡ tomadasde 4en 4es = tC. nPr.28. L = b! =. La segunda puede ser cualquiera entre 9 (no puede ser la que ocupó el primer puesto).. (o) La primera puede ser cualquiera entre g (el 0 no). ¿Cuántosnúmerosdecuatrocifraspuedenformarseconlosl0dÍgitos0. I . Otro métod<¡. Cuando esto se haya hechó hay 4 maneras de llenar la segunda posición.22 CONJUNTOS Y PROBABILIDAD [cA?. = 5.5. La segunda. Halla¡elvalorde (a) . 4. g.7. á maneras de llenar la cuarta posición. = e 15 (d) ¡P¡ = 3. 8. 120 Elnhmerodeordenacionesdenobjetosdiferentesenunafilaes=n(n-l)(n-2\.29.rP. 1 Debemos ordena¡ 5 bolas en 5 posiciones así -. 7 : 4586 sonlos númerosque puedenforma¡se. por tlnto: El número de ordenacionesde lag 5 bolasen una filaes En general...2. l. . y finalmente sólo 1 manera de llena¡ la última poeición. S para ocupar el tercero y 7 para ocuparel cuarto. cuando esto está hecho. 2.. Entonces 9' sPs : I . (¿) aP¡ = 8.32. es decir hay cinco maneras de llenar la primera posición. Entonces I ' 10 ' 10 ' l0 : 9000 son los números que pueden formarse.30.9si(c)los números pueden repetirse. (c) si el último número ha de ser cero y los números no pueden repetirse? (o) La primera cifra puede ser cualquiera entre 9 (puesto que el 0 no tiene valor).1 = 6 1. .Pr. 1.1. tercera y cuarüa pueden ser cualquiera de las 10.8. Cada ordenación de los hombres Elnúmerodeordenacionespedidoes = "Pr.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. puestos).T = - 5040 El número de ordenaciones de n objetos diferentes tomados de r en r ea n = n(n 1) .. ¿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. El primer número puede ser cualquiera entre 9 y los tres restantes pueden elegirse de gPa formas.31. (d) rPr. ¿De cuántas formas pueden sentarse? Los hombrcs pueden sentarse de 5P5 formas y las mujeres de 4Pa formas.. = r¡ ! como en el Problem a 1.a tercera puede ser cualquiera entre 8 (no pueden ser ninguna de las que ocupan los dos prifneros La cuarta puede ser cualquiera entre 7 (no pueden ser ninguna de las que ocupan los tres primeros Entonces 9 .7: 4536son los númerosque pueden formarse.336 (b) Pq = 6. Por tanto: El número de ordenacionesde 10 En general. . (c) tsPt. 3.

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

38. 6 uCt=oC1 =6' 5ú ff (c) +Ca es el número de grupos de 4 objetos que se pueden formar con 4 objetoa. oCz = 10 .objetos dados.6.2 = 6.Entonceselnúmerorequerido de ensaladas es -.39. 3 físicos de un total de 7 dan 7C3 formas.1 = o'' --ll (b) oCs = 6 ! = 6. 3 físicos de un total de 7 pueden elegirse de zCs formas. Pero las 2s forma¡ incluyen el ca¡o de no seleccionar ninguna verdura.ur . (c) dos matemáticos determinados no pueden estar en el comité? (a) 2 matemáticos de un total de 5 pueden elegirse de sCz formas. Número total de selecciones posibles = tCz'tCs = 3'35 = 105 L. 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. ¿De cuántas formas puede elegirse una comisión de 5 personas de entre 9 personas? /g) = ^c. ¿Cuánt¿s ensaladas pueden preparañ¡e con lechuga.b = 126 1.4!B! = 7. 2 matemáticos de un total de 5 pueden elegirse de sCz formas.rl(n-rll n(n-11"'(n-r+1) r! . 1.CL-l tC2+5Ca+ sC4+ scs : 5 *10+ 10* 6* 1 : 31 . 15 = 150 (c) 2 matemáticoe de un total de 3 pueden elegirse de sCz formas. no teniendo en cuenta el orden de los objetos dentro del grupo. si (c) puede pertenecer a él cualquier matemático y físico. = #h = I si se define Nótese que formalmente aCa 0! = l. escarola..C. De un total de 5 matemáticos y 7 físicos. beno y achicoria? Cada verdura puede tratarse de 2 formas. el número de formas de considerar lias cinco verduras es 25 formas. 5. (c\ eC+ 7.. b! ?. Entonces tC+:I. n.4 = l4.8.5.6. lo que es evidentemente 1. ¿De cuántas formas puede formarse.24 CONJUNTOS Y PROBABILIDAD lcAP.. se forma un corúité de 2 matemáticos y 3 físicos.rl nP' 1. Hallar el valor de (a) zCq (b) aCs. endibia. 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). 4. Número toüal de selecciones posibles = sCz. ae llamanúmerodecorñbinacionesdelosnobjetostomadosderenrysedenotapor.5.6. Nfimero total de selecciones posibles = sCz' zCs = l0'35 = 350 (b).Olf/Vvienedadopor ^ n"r nl /"\ \r / . es:25 - 1 : 31 Puedeseleccionarseldelassverduras... 2 físicos restantes de un total de 6 puedtn elegirse de eCz formas.4O. En general el número de grupos distintos de r objetos que 8e pueden formar con.SdelasSverduras.2delasSverduras.5 71 ^ (ol . como si se escoge o como si se rechaza. _ e! _ \s/-sws-BJ]T- e. Por tanto El número de ensaladas Otro método. (b) un físico determinado debe pertenecer al comité.37.

'xl (**!\" = r-:o (1?). Con 7 consonanps y 5-vogaJes diferentes. . De acuerdo al teorema del binomio *'\.r e =4e6 .43. 3 vocales) pueden ordena¡¡e entre sf de zPz : ?! forma¡.r)l (¿-l)! (¿-1)! .!2 = 0.cAP.r)l (n-r)(n-L)l * r(¿-1)! r! (n . Halla¡ el término constan6 en h exDansión de 1r.+!\".' \"/ ü/ \ El término conetante corresponde a aquel para el cual 3& . 4. Aeí10:4I6.= xau /rz)'. ¿cuántas palabras pueden formarse.*.tFV=fr .z. r0.. n0r+ ncz+.B.*-.r)'! r! (n .11)"-. ee decir k = 4. Entonces: El nhmero de palabrae y las ? letra¡resultantee (4 q 7C1 ' óCa ' ?! : 35 . 1 L 1 | I 1 6 4 3 6 2 1 1 3 4 1 1 5 10 10 5 15 20 15 6 1 1 Un resultado en cualquier renglón puede obtenerse sumando los dc coeficiente¡ del renglón anterior que encuenüreninmediatamentealaizquierdayaladerecha.. ! = 2r-1.41..42. 10 ' 6040 : 1 ?64 000 COEFICIENTES BINOMIALES 1. que consten 4 consonantes y 3 vocales? No es necesario que las patabras tengan significado. La¡ 4 coneonantes pueáen elegirse (!e lC+ formas.t) + f" . $ \k /' 3 \& /'. . ¡raracualquier enteropositivo n.1). 1b:10 * 6. .eüc.Cs+ -. 1.y por tanto eetá dado por /12\ _ \n/= 12.. Si escribimos lo¡ coeficientes de la expaneión binomial de (c * U)" púa n :0. lss 3 vocsles de s0g formac consonantes.1r . ee 1.11.1¡¡ 1" . Demostrar q"" Tenemos que 11) \r/ = l" . \ r / \r-1l' (n-r*r)(n-1)! r! (n ."¡ /¿-r\ /"-r\ \ " )-\"-t) El resultado tiene la siguiente aplicación interesante. de 1.1l CONJUNTOS Y PROBABILIDAD 26 nCn Engeneral. obtenemoa Ia distribución conocida como el trióngulo de Poscal: n=l n=2 n=3 n:4 n=5 n=6 et¿. 2.

Si se extraen 3 bolas aleatoriamente sin renplazamiento. (e) se extraiga una de cada color. Bz. azul. (d) un 9.er orden.a roja en la aegunda extracción". reinq rey en cualqui. (f) las bolas sean extraídas en el orden rojo. determinar la probabüdad de que (c) las 3 bolas sean rojas. rerpectivarnente. =g=i| zocs t9. jota. (c) 2 sean rojas y 1 blanca. Se extraen 6 cartas de r¡na barqia de 62 cartas..44. P(almenol blance) (¿) P(tdecadacolor.* "O de cada color) = Ot¡o método. blanco. A¡f . 1 PROBABILIDAD T.[l2 ñ R3 reprerenta el guceso "la¡ 3 "bola bola¡ exhafda¡ con rojEr". (li) 4 ases y un rey. (f) al menos 1 as. t'bol. 10.45.B1nR2) .ocro de ¡rupoe de 3 bola¡ entre 20 =-=-zocs (d) P(ningu¡ablanca) = (¡CzX¡Cr) 7 96 #= ff. (cl P(2 bolar rojar y 1 blanca) = (gupoc de 2 entre 8 bol¡¡ rojar)(grupoo de 1 entre 3 bola¡ blancas) afir. (o) Método 1. ezut) .TTEIZA}TDO ANALISIS COMBINATORIO 1. Rc lol auceecr "bola roja en la primera erhaccióntt.B Probabiüdadp€did¡: (D) Empleando el re¡undo método i¡dicado en la parte (o).Rt n . (e) 3 de un palo y 2 de otro.26 CONruNTOS Y PROBABILTDAD [cAP. 14 Za. =t-# =# = !9lff9 = *g (f) P(ertraer l¡¡ bola¡ en o¡den rojo. 3 blancas y 9 azules. @) pedc) = (b') W# = # = u¡fuo P(4eroylrey) = ry . (c) 3 dieces y 2 jotas.= 1140 = zous j_ 296 P(3 bolú blurcas) ' Tambión puede utilizarre el priraer m6todo indic¡do en la parta (o). blanco. roja en L¡ te¡cer¡ ettracciónt'. Una cqia contiene 8 bolas rojas. De e¡ta mar¡era tenemo¡ Sean i¡. Eotoo"". 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 ./e\/ z\/o\ \20l\i0l\18/ Método 2. Halla¡ la probabilidad de extraet (a) 4 ases. P(8rnP2nBJ = P(Fr) P(^R2 | A1) P(¿s l. . (d) al menos 1 eea blanca. (b) las 3 bolas sean blancas.

diez. Supongamos que lo¡ 3 libro¡ determin¡do¡ de m¡temática¡ ee remplazan por 1.* = (il'eu)' : 10 de ertor nrceeor y pueeto que suponemoe que lor ¡uoesos ron independientee. LuegoP(al menoa un ar) 1.4?. etc.cAP.p(6)p(6') . n7 .n"¿-¡.66. Asf logN = los(/lofi¡o5o¿-50) 1f = i los100 I |losr * 60 log60 - 50 log¿ . Análogamente '" .6ó. eractamenüe 66.p"en-' = (n\o'o'-' sip: P(A) y q:1--p:P(A'\. jota./L\'/qY . Pero hay rCa son mutua¡nente ercluyentes. Detenninar la probabilidad de tres seises en 5 lanzamientos de Represéntense los lanzamiento¡ del dado por cinco eepacioe no 6 (6'). 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.lf{| = 'ffi.ó En generd. Halla¡ la probabiüdad determinados de matemáticas estén juntos. reina.66. Pero a su vez io¡ 3 libro¡ de matemótica¡ pueden cden¡r¡e enhe ¡f de 3P3 = 3 ! form¡¡. de que S libros . rey) x4crx4crxrcr) (rcr) szCs 64 162 496 (e) P(3 de un palo. Por ejemplo. (/) P(ningrn *) = # = m. Los libros pueden ordenar¡e éntre ef de roPro = 10! formar. 2 de otro) = q#@ = ffi = t -. Hallar el valor de 50! Para n muy grande.por elmiamorazonamientoanüeriorlaprobabiüdaddeobtener r vece¡A en n enaayos independientes ea \n/ 1.\6/ \o/ BITT\6i \6i 8888 nc. L¿ probabilidad pedida está dada por 8!3! 10! - 1 15 APROXIMACION DE STIRLING A z! 1.4E.á á *..á./r\3/s\2 = =*é)t1l)'= = I 't 'v. Cada eopacio tendr6 lo¡ ¡uce¡oc 6 o 6.\o/ \o/ para todc lo¡ oEo¡ resultado¡ en los cuale¡ ocuren hec 6 y dos no 6. Arf tenemo¡ un üotd de 8 libroe que pueden orden¡¡se enhe ¡f dc 6Ps = 8 ! formas. puesto que hay 4 form¡¡ de eecoger el primer palo y 3 foim¡s de ercoger el regundo. Un estante tiene 6 übros de matemáticas y 4 de física.{fi. Por tanto la probabilidad pedida e¡ p(666. Por tanto aot-t/ffi5oso¿-so:N Para evalua¡ N uüilizamoe logaritmoe de ba¡e 10.46. u (c) (d) P(3 diece¡ y 2 jot¡¡) CONruNTOS Y PROBABILIDAD QCslQCzl 1 szcs 108 290 (4cr P(nueve. = . un dado honrado.

Az.^. -/¿\/a\1¿\ = le ^ \3/\3/\3/ 27 1.4836 N= 3. es 1/6 como se determinó en el Problema 1.) suponiendo que los resultados de cada partida son independientes de los resultados de la¡ ohas. partida respectivamente.04 x 100r. luego gana A.íll 36 (d) P(B gane al menos una partida) : 1 .. (Esta suposición no sería justificable si un jugador fuera influenciad.de2tablasenBpartidases(réase Problema 1. supuestamente honradoe. luego A o B gane.Asílaprobabilidad.. Probabiüdad = {¿)(f )($). luego B.28 11 CONJUNTOS Y PROBABILIDAD lcAP.'J?fi '.. A pierde en el ler.'. I|3 los sucesos "B gana" la 1a.46) 5 /s\ " \í)o'n'-' = t(. (o ) La probabilidad de obtener 7 en un sólo lanzamiento de una pareja de dados. (ó) quien lanza segundo los dados gane. A 3 los sucesos " A gana" la 1. Quien obtenga primero un total de 7 q^? el juego. Probabiüdad : 1 /6. 1á¡ n gane al menos una partida.i :. PROBLEMAS DIVERSOS 1.':. Hallar la piobabiüdad de que (o) A gane las tres partidas. luego A. 1 = ¿los100 | ¡lor3142 + 11 = i(zl * de donde 50 1og50 - 50 log2?18 .:'. 2a. \a) = n /r\2/<\ (c) P(A y B ganen alternaüvamente) : P(A gane. 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.P(B'roBj¡B'r) L . (c) A y B ganen altemativamenie.Xt(. 1-17. lanzamiento. Atendiendo a la experiencia que han tenido (probabilidad empírica) suponemos que P(Aganeunapartida) = #=+ P(Bganeunapartida) = #=+ =I (o) P(Aganelashespartidas) - P(AtnAroA3') = p(At)p(A2)p(As) = (.. lanzamiento.. A y B juegan 12 partidas de ajedrez de las cuales A gana 6.4972) + 50(1.P(B no gane ninguna partida) t .10. 2a. Denótese por A B t. partida respectivamenüe.) P@.4343) = 64. lallar la probabilidad de que (o) quien lanza primero los dados gane.6990) - 50(0. (b) dos partidas terminen en tablas.50 A y B juegan lanzando alternativamente un par de dados.18 y Fig.:. B gana 4 y 2 tnrmrnan en tablas. Acuerdan jugar un torneo consistente en 3 partidas."u j /t\/r\/t\ * /r\/r \/r\ = \r/\5/\r/ \¡i \zi \¡i 5 .z.) . y 3a. y 3a.:. Bz. t.49. . luego pierde B. luego B) == "..P(B') P(B.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. un nfimero que tiene 6b dígitos.

el 3'/o 6 360 son defectuosos y 11 640 no lo son. pierde A. : 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) . Hallar la probabilidad de que en 20 años (a) ambos vivan.\6/ =5136=5 1 . Así la probabilidad de que g.51. Así Probabiüdad pedida = -H*-P 1. Entonces y lI/ son sucesos independientes.52.8. estén vivos en 20 años.tJ es cero ya Así iríamos 6 a 5 a que el primero que liance gana. de tal manera que la probabilidad es 3/8. pierde B. estamos buscando P(Br lB2). (b) ninguno viva.cAP. 1. respectivamente. Véanse Problemas 1.9. De 12 000 tornillos. Se extraen dos bolas sucesivamente de la caja sin remplazamiento y se observa. Una rnáquina produce un total deL2 000 tomillos diarios de los cuales en promedio elSVo son defectuosos. Nótese que la probabiüdad de un empate que 11 ' 6-5 11 1 Esto no serfa verdadero si el juego fuera limitado. (c) al menos uno viva.151 y 1.53. Puesto que se sabe que la segunda bola es blanca solamente hay 3 formas de las restantes 8 para que la primera sea blanca. Suponemos que . lanzamiento. I|2 son los suceoos "blanca en la primera extracción"./l)/q)lq\It\ \6/\6. Una caja contiene 5 bolas rojas y 4 blancas./s\/¡\/o\/s\/r\ * \6/-\6i \6/\u/ \6i \6/\Bi \u/\6i 1l-.(5/6)2 11 . Este resultado se obtiene así Si P(BJB)='+#=elwq=* Método 2.1) = 0. Sean ÁI. respectivamente. l|/ los sucesos que el esposo 0. que la segunda es blanca. gana A.02 . Prqbabilidad = (áX8X8X8X+). gane es /t\ /s\/s\/r\ .2)(0. Las probabilidades de que un esposo y una esposa estén vivos dentro de 20 años están dadas por 0.9 respectivamente.8)(0. P(H): (o) P(ambosüvan) = P(H1W) = P(H)P(W) : (0. 1.9) = 032 (ó) P(ningunoviva) = P(H'nW') = P(H'\P(W') = (0. ¿Cuál es la probabilidad de que la primera también sea blanca? Método 1.*/q\'*/q)'* \o/\e/t_' \o/'. pierde B. Bl.' \6/\6/\6/\6/ * = /q\/r\T. 1l CONJUNTOS Y PROBABILIDAD 29 (3) A pierde en el ler. "blanca en la segunda extracción". P(W) : 0. lo cual puede ser o no razonable.F/ y la esposa.152. Hallar la probabilidad de que de 600 tornillos seleccionados aleatoriamente 12 sean defectuosos.8 y 0.

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

2 -r¿-506 = 0 = 0. Enipleando los hechos de que para n .z\. Problema. Sea A eI conjunto de los números natwales entre 5 y 15 que son pares. 12+22 i-... Describir A de acuerdo al (o) método de extensión.56.-k). D = {t I 12<16). 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. por ejemplo n ( 30. Finalmente. 3. "'+rn(t-#) ln(1 Pero sabemos de cálculo (Apéndice A.-*(n-1)2 - n(n . debe ocurrir en uno de los otros 364 dlas. .693 6 ln 2 = 6 (n .865)"'\'. Análoga' mente la probabilidad de que l¿ üerce¡a persona üenga un cumpleaños diferente de las dos primetas es 863/365.55 para que la probabiüdad cumpleaños distintos sea menor que U2. si Ia segünda persona tiene un cumpleaños diferente.r)(Zn -r) 6 obtenemos para (3) (5) *::":: 16) rnp = -!!+ñ! .23)(n'l 22) = g asf que n : 23.55. la probabilidad de que la n-ésima persona tenga un cumpl'e¡ñoe diferent¿ de las otras n * 1)/365. 1.67.. .-4\ .0.865 ) de 1. asf que una buena aproximación en este Pa¡a (7) p : L12.DeterminarsiACB o no. 1l CONJUNTOS Y PROBABILIDAD 31 1. Halla¡ Ia probabilidad de que n personas (n < 365) seleccionadas aleatoriamente tengan n días de cumpleaños diferentes. el segundo término y los términos superiores a la ae 1S¡ son dlespreciables comparados con el primer término. SeaA = {r r2-3r*2=0}.^" --!. Suponemos que solamente hay 365 días en el año y que todos loe días de cumpleaños son igualmente probables. suposiciones que no se cumplen genetalmente en la realidad."' .693.58.).1\:{. Entonces. fótmula 7) que -r) -= --c - T- 3 así que (I ) puede escribirse como = ft+z+ : 2.. Por tanto tenemos es (365 - P(n cumpleaños diferentes) = #* # ffi = \'- ' 365 :-l! + 1 1\/'.l. Determinar cuántas personas se necesitan en el Problema 1. Por tanto tenemos n.' (Apéndice A' fórmulas 1 y 2) (Ir\ I+2+ "'*(n-1) = @.165/\'..cAP. (b) método de comprensión.(. La primera de las n personar¡ tiene lógicamente algún cumpleaños con probabilidad 365/365 : 1.ln p r¿(rr : - -- 1) ?30 .n(r-l) i30 para n pequeño comparado con 365.. Denotando la probabiüdad dada por p y tomando logaritmos naturales hallamos (r) @\ (3) lnp tnp =t"(r-#) -r'"(.s supletnentarios CONJUNTOS 1. tnp = . Así la probabilidad de que la segunda persona tenga un cumpleaños diferente de la primera es 364/365." .

69' 1. EXPEBTMENTOS ALEATOBIOS. (d') A-8.3. Generaliza¡ el recultado del Problema 1. Demo¡harque .. (c) Teorema 1-4. 1. (b) (AuB)uC. (bl AnB. (e) A. (Véase Problema 1.6 A: falredad de las propoeiciones siguientce.4. signifrcadodecadaunadelasoperacionessiguienüee: (f) B A. - .60. 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. 1. entoncq cJeeJ. x>y O i Demostra¡ que cualquier aubconjunto del conjunto vacfo debe ser el conjunto vacfo.uC').68. A tenemo¡ A C A. (e\ B-A.69.62. B.5}.66. 15¡(6.2}.76. 0 @uB) . C = {4. 1. A)8. y (D) ilustra¡la utilizando un diagrama de Venn. L.(BnC) (e) A' - (BuC)' 1.31. (c) A'nB'. Demo¡trarque (á -A)UA =á ¡ólo srBC A e ilugtrarlo utilizando un diagramade Venn.66. 1.64. Emplear un diagrama de Venn para dibujar ceda uno de loo conjuntoo eiguientec: (¿) A n (Bucl (ü) . (e) el número de partícular nucleare¡ que enhan a un contador Geiger. (d) el númer. B. (Ó) el nhmero de fum¡dore. 1. Un erperimento consiste en el lanzamiento de una moneda y un dado. (c) A'uB. (d) AnB'. 1.5\ yrupóngarequeloerubconjuntoede'll son A:{1.5. (ó) Sir yy son do¡ númeroereales sr¡alesquierq entonces x1y. 1. 1.?f . oPEBACIONES E¡ITBE CON. página (o) Eemortrar la segunda ley De Morgan. =y.p6gina 3. página 3. (o) Demostrar que (b) Demoetrar que ri p-f Ge[. (c) lanzar un¡ moneda hasta que aparezc¿ un sello. I-a paradoja descrita se conoce Rusell.61. página B.nC. Generdiza¡ las primen y eegunda leyec De Morgan a cualquier número de conjuntos.32 CONJUNTOS Y PROBABILIDAD Demoeürar que para cualquier conjunto [cAP. de loe siguientes experimentos aleatorios: (o) 3 lanzamientos de 1. Sea'tl el conjunto de todos loi enteros no negativos y conaidérenee loe nrbconjuntoc A = {xl¡e¡unente¡ope¡.9. ESPACIOS MUESTBALES Y SUCESOS L.1. . (o) Si A y B eon dos conjunüos cuáleequiena. Ilustrar el principio de dudidad haciendo referencie a losteoremas de la pfuina 3. DIAGBAMAS DE VENN y TEOREMAS SOBBE CONJUNTOS 1. ¿EE (A - B)' : A' .(B. De¡cribir un espacio muestral para cada uno una moneda. (fl (A-B) u (B-A). (d\ (AnBlu(AnC). formule en palabras el (a't A'.Encontrar (a) Av(BuCl. (c) A)8. 1. ei ¿[e como I Sea ci éeeI' o cl¿se de todos loe conjunüoc que no 8on elementos de eUos mi¡mo¡. Demostra¡el (a) Teorema l-2. Seaununiver¡o 'Ll:{L. (s) (AnC)' u B.7 o negar: Si A u (Ar\B) eilusha¡loporundiagramadeVenn. B={2. (fllanzat una moneda y un dado. en un grupo de 600 hombre¡.0(¡=4) Encontra¡ (a) AvB. (e) A-8.o de llamadas recibida¡ en une ce¡ttrat telefónica. entonce¿A = B.t B = IA-(AnB)] u ÍB-UnB)l 1. (ñ) A .A r. (c) Añ(BuC). (ü) Teorema l-8.73.76.(AuC). Tborema 1-120.).} ! B = {rlreounnfimeroprimo.?0.ñ(B. 1.?).B'? Ju¡tificar l¡ ¡olución.72. Afirmar -B = @.2.68.6?. E¡tudiar la verdad o entonces A CB.4 u (BnC\ (c) A' n (BuC)' (rt) A .ruNTOS. 1 1. (ü) B'.

. 1. (¿) roja. (h) máximo una sea roja. jota de tréboles o reina de diamantes al extraer una sola carta de una baraja común de 52 ca¡tas. 1. (c) no azul.8t. (e) pl(A1nAr) u (A"nAr)]. ll CONJUNTOS Y PROBABILIDAD 33 TEOREMAS SOBRE PROBABTLIDAD 1. Hallar la probabilidad de extraer 3 ases aleatoriamente de una ba¡aja de 62 remplazan. (e) la segunda no sea azul.86. (b) ni roja ni azul.1.42 el suceso "rey en la segunda extracción". SiA. (d) sean rojas o blancas o de ambos colores (roja y blanca). Hallar la probabilidad de que si dos bolas se extraen aleatoriamenremplazamiento) (o) ambas sean azules. p6gina Generalizar los resultados (I0 ) 30. blanca 1.t4. as. (¿) p(A1^A'2ñA\). 1. (i) la primera sea blanca pero la segunda no.54. (b ) A' es independiente de A es independiente de B demostrar que (o ) A es independiente de B . (d) blanca.demostrarque pendientes. satisface los axiomas de probabilidad en la página 6 y por tanto todos los teoremas sobre probabilidad. Halla¡ la probabilidad de que (a) ambas sean blancas.7t.80.cAP. Explicar el significado de cada una de las siguientes: (a\ P(AroA!r). (c) ninguna sea naranja.77. (¡) solamente una sea roja..82. o azul.91. o un estimador de ella. Se exürae una bola aleatoriamente de un caja que contiene 10 bolas rojas. Se extraen dos bolas sucesivamente de la caja del Problema 1. (c)A y B-C. y A3 el suceso "rey en la tercera extracción".?9.89. Resolver el Problema 1. Csonsucesosindependientes.83. (b) La suma 8 agatezca en un solo lanzamiento de un par de dados honrados.14(b) demostrando (sin emplear el diagrama de Venn) que AUB = AOIB-(AOB)I donde A y B .87. (D ) si las cartas (o) se no se remplazan.página 8. Hallar la probabilidad de que sea (c) naranja o roja. (c) una sea roja y la otra azul.84 si no hay remplazamiento después de cada extracción. Determinar la probabilidad p. (e) Al menos aparezca una cara en tres lanzamientos de una moneda honrada. 1.tA'r). (c) Encontrar un tornillo defectuoso si después de examina¡ 600 tornillos se han encontrado (d) Un 7 u 11 reeulte en un solo lanzamiento de un par de dados honrados.P(A¡B). 12 defectuosos. Demostrar el resultado (1 1). 20 azules y l5 naranjas.85. pfuina Demostrar que P(A'uB') = 1 . 1.83. 1. B. 1. y así demostrar eI resultado (l ) del Problema 7. . üe (sin Una caja contidne 2 bolas rojas y 3 azules. y (I I ). 1. Completar la demostración en el Problema 1. para cada uno de Ios sucesos siguientes: (c) La aparición de un rey. B'. Un experimento consiste en la sucesiva extracción de tres cartas de una baraja.4 ). (b\ p(AluA2\. remplazando la bola extraída después de cada extracción.92.8 I . 7. (b) ambas sean rojas. 30 blancas. 1. Si aI menos un hijo en una famiüa con dos hijos es un niño ¿cuál es la probabilidad de que ambos hijos sean niños? Demostrar que la probabilidad condicional definida por (17). (c) AyBUC. pfuina ?. (g) al menos una sea azul. @) p(A'rr. Sea A1 el suceso "reyen la primera extracción". (b)AyBñC. CALCULO DE PROBABILTDADES 1. cartzs 1. Demostrar que si P(A ) >P(B ) entonces P(A I B) Si > P(.(A ñ B) son mutuamente excluyentes. L. son inde- . (b) la primera sea roja ylasegunda sea blanca.90.t1. PBOBABILIDAD CONDICIONAL Y SUCESOS INDEPENDIENTES f .

94. Atl At. .10t. Utiliza¡ un diagrama árbol para determin¡r la¡ diferentes poribilidades que pueden suceder.9?. 2. ¿Para qué valor de n es . á3 : "total impa¡ en ambos dados". (b) ¡C¡. Demostrar que A¡ .99. (c) 2 libros deüerminados deben ocupar lo¡ exüremos? (o ) 1.1O?. (¿) roC¡. La urna I tiene 2 bola¡ blanca¡ y 3 negras. En el tercer joyero eñ un compartimiento hay un reloj de oro.98.34 CONJUNTOS Y PROBABILIDAD Sea lcAP. . ANALTSIS COMBINATORIO. ¿De cuántas maneraa pueden coloca¡se l.106. Resolver el problema anterior si la8 cifreÁ de los números pueden estar repetidas. Luego ee extrae una bola de la segunda caja.¿Guál es la probabilidad de haberla exbaído de la primera caja? Ttes joyeros idénticos tienen dos compartimiento¡.43 no son independientec. 1. A ¡: auceao At.96. ¿De cuántas forma¡ pueden ordena¡se 7 libros en un eEtanüe ei (a) er posible cualquier ordenación.104. (¿) roP¡. 3 blancas y 4 negras. ¿Cuánto¡ números de cinco cifras pueden formarse con los dÍgitos L. 1. Uüilizar un diagrama á¡bol pa¡a determinar el nf¡mero de maneras en las que se puede exhaer (o) un diamante y un trébol y un corazón en secuencia (b) dos corazones y luego un trébol o una pica. En cada compartimiento del Begundo joyero hay un reloj de plata. (c) cada mujer debe eetarentre dos hombres? COMBINACIONES 1. L. I monedae diferentes en 2 posiciones diferentes? PERMUTACIONES 1.ent¿nüoquelacajalfcontiene4bola¡rojasy2blancas.4 doeee y 2 tres€s? 1.106. 4 blancae y I nggra. 9 ¡i impares. ¿De cuántas formas pueden 5 personas sentarse en un sofá si tiene sol¿mente tres asientos? 1.1O3. Se lanza una moneda tres veces. . Una bola extrafda aleatoriamenüe de una de las. A3 lon independientes pero que 1. Az.93. 1. Hallar la probabilidad de que sea blanca. AziA2. A2 = BuG€so "núme¡o impar en el segundo dado".+tPt = nPtl. . En cada compartimiento del primer joyero hay un reloj de oro. Hallar el valor de (a) rC3. CUENTA Y DTAGNAMAI¡ ARBOL 1. suceso "número impar en el primer dado". Se TEOREMA O REGLA DE BAYES 1. Hallarelvalor de(a) oP2. ¿De cuántas formas pueden 3 hombres y I mujerec sentarse alrededor de una meea ei (o) no se impone ninguna resüricción. y lrr urna ffl. (b) doe mujerer determinadas no deben centar¡e juntar. (ó) zPs. abrimos uno de los compartimientoa y hallamos un reloj de plaüa. en tanto que en el oho hay un reloj de piata Si seleccionamos un joyero aleatoriamente.96. Una caja contiene 3 bolas azules y 2 rojas mienüras que otra caja contiene 2 bola¡ azulee y 5 rojas. (D) 3 libros determinados deben estar juntos. 3. 1. caja / contiene 3 bolasrojasy Sblancas. .cajas reeulta azul.101. Se selecciona una urna aleatoriamente la urna II. ¿cuál es la pobabilidad de que el otro compartimiento tenga un reloj de oro? 1. ¿Cuántos números diferentes de 3 cifra¡ pueden formar¡e con 3 cuaEog. .1OO. y una bola ertraída aleatoriamente e¡ blanca.lO2. Se extraen tres cartas aleaüoriamente (sin remplazarniento) de una baraja de 62 ca¡tas.109. Hallar la probabiüdad de haber escogido la urna I. La escoge una bola aleatoriamente de la primera caja y se coloca en la s€gunda c¿ja sin ob¡ervar su color. 1 1. (b) las primeras dos cifras de cada número son pa¡es? lor números deben ser 1.

(b) /11 \ (r-a)4. Expandir (o) (o+y)6. 1. 1."".cAP.f 23.125.121. .e cuántas formas puede un grupo de 10 personas dividirse en (o) dos grupos de 7 grupos de 5.( ") . j=1 = n. (c) un economista determinado no debe estar en el comité? 1.C. par. s€ impone ninguna restricción. (c) eC¡. (d) (rz*21t. Hallar el coeficiente de ¡ en lt * ¿)t. Demostrar que (o) É . +/"\ \2 / /"\ . Hallarlaprobabilidaddeobtenerunasumade?puntos(o)unavez.-tj(. Si s€ extraen 3 tiquetes de la caja uno a uno' hallar la probabilidad de que alternativamente s€an impar. (b) j=t (-1).120. (ó) ( ). (h) las cartar son frguras o picas o ambas.. 2 héboles. (b) un palo completo. COEFICIENTES BINOMTALES 1../"\ . (e) no más que una carta sea figura (jota.+ r-''i" 2/ \l )=o \o/ \r/ /"\ * /"\ I 1. Halla¡ la probabilidad de que uno de loe jugadores obtenga (o) ? diamantea. \4 / 1.. (b) la primera ca¡ta sea un aÁ pero la eegunda no. Hallar la probabilidaddeque (o)laprimera carta no Bea un diez de tréboles o un aa. 1. (d) las cartas no sean del mismo palo.t24. ¿Para qué CONruNTOS Y PROBABILIDAD valor de n s€ cumple que 35 3' n+rC¡ : 7' nCzl. En un juego de naipee ee reparte a cada uno de loe 4 jugadores 13 cartas de una baraja de 52 cartae. Calcular. ¿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. ¿De cuántas formas pueden seleccionarse 4 niños y 5 niñas si (o) no determinados? 2 hombres. Demostrar que (c) (b) \r¿l \o/ \r / + 1") * '. (f) la seErnda carta no sea una figura.118.. 3 y 2 personas? y 3 personas. ¿f).114.) = 0. (c) al menos una carta sea un diamante. t"l kCz\QC¿)/DC. (b) dos estadistas determinados deben estar en el comité.115.113. Con 5 estadistas y 6 economistas quiere formarse un comité de 3 estadistas y 2 economistas. (b) en contra de A de perder los prir4eros dos juegos? 1. (b) deben seleccionarse un hombre y una mujer 1. 1.2n-1.110.8 mujeres. Se extraen dos cartas sucesivamente de una baraja de 52 eartas. (c) (t-r t)s.111.126.119. unavez'(c)dosveces'en 1.(b)almenoe dos lanzamientos de un par de dados honradoe. lJna caja contiene 9 tiquetes numerados del 1 al 9. (b) tres 1.116. ¿Cuántos comités diferentes pueden formarse si (o) no se impone ninguna restricción. impar o par' impar' par. PROBABILIDAD UTILIZANDO ANALISIS COMBINATORIO 1.117. 1l 1.rnda carta no sea una figura dadoque la primera eí lo es. (g) la seg.. 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. \ r/ 1..122. La¡ apuestas en favor de A de ganar un juego de ajedrez contraB son 3:2. reina' rey). Halla¡ el número de (o) combinacionee y (D) permuüaciones de cuatro letras cada una quepuedenformarse con las letras de la palabra Tennessee.4 mujeres. 3 corazones y 1 pica. 3 niños y 3 niñas con 6 hombres.

An P(ArvA"u. PROBLEMAS DIVERSOS 1. A-(A nf¡: AñB'.. Az.I's probabilidad de que un tirador dé en el blanco eede 213. .129. (o) Hallar la probabilidad de obtener la suma 7 en al menos uno de tres lanzamientos de un par de dador honrados.140 para que la probabiüdad de obtener 11 por primera vez sea mayor que (a) 0.5.13?. Al lanzar un par de dados la suma puede ser 2. . Se extraen 3 ca¡üas de una baraja de 52. ¿Podríamos asignar probabilidadee de 1/11 a cada uno de esos puntos? Explicar.143. Demosürarque siACB' entonces AnB:Q. (b) tn full que consiste en 3 cartas de un valor y 2 de otro (por ejemplo 3 diecer y 2 jotas. 1.130.146. Un espacio muestral consiste de 3 puntos muestrales con probabilidadeg a¡ociadas dadas gor 2p. 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. ¡rara valores de n grandes. l.139. Enunjuegodepókerhallarlaprobabiüdaddeobtener(o)unaescaleraflor. ¿Puede considera¡ee la moneda cómo honrada? Expücar. Demostrar que aproximadamente 2nCn - 22"1\/ñ.. . Hallar porcentaje de enor en la fórmula de Stirling para n : 10. p2 y 4p Halla¡ el valor de p. Si diepara al blanco hastaqueledal¡primera vez. Halla¡ la probabilidad de que (o) las cartas eean de un palo. .uAn) < P(4.140.133. Se extraen cinco bolas aleatoriamente sin remplazamiento.131.96? 1. 1.132. Cuatro enteros se eligen aleatoriamente entre 0 y 9 inclusive.12E. Halla¡ la probabilídad de que (o) sean diferen1.127. (b) máximo dqs sean igualee. Supóngaae que al lanzar una moneda 500 veces hay una secuenci¡ de2(lsnzanientosqueresulüan"carast'.136. ¿De cuántas formas pueden selecciona¡se 30 individuos de un total de 100? 1.145. (b)al menos dos sean ages. (d) 4 ases.141. ¿Cuántas palabras pueden formaree con 5 letras si (o) lae letras son diferentes. +P(Á") 1. 1. Halla¡ la probabilidad de que 3 sean rojas y 2 azules.36 CONruNTOS Y PROBABILIDAD lcAP.jota.) + P(A)+ . 12. 1. . ¿Cuál es el menor número de lanzamientos necesarios en el hoblema 1.95? 1.l47. Un par de dados se lanzan repetidamente. .51. - L. Hallar la probabilidad de que ocurta 11 por primera vez en el sexto lanzamiento. Una urna contiene 6 bolas rojas y 8 azules. 1. . 1. Demostrar que para cualesquiera sucesos Ar. Obüener una aproximación al resultado del Problema 1. 1. (b) ¿Cuántos lanzamientos se necesitan para quela probabilidad en (o) eea mayor que 0.142. etc. APROXIMACION DE STIRLING A n! 1. .. hallar la probabilidad de que necesiüe 6 disparos. 1.144.'. rey y as del mismo palo. Hallar la probabilidad de que un jugador tenga de 13 cartas g de un mismo palo.134. (D) 2 letras son idénticas. Demostrarque 1.queconsistedediez. 1 1. (c) ca¡tas diferentes.). 1. 1. 1. (c) todas las letras son diferentes pero dos letras determinadae no puden estar juntas? tes. (b) 0.135.138.reina.3.

.rtimientos separados. (c) los cuatro jugadores tengan un palo completo. Demostrar que la probabiüdad para que la secretaria del Problema 1. una interpretáción combinatoria.1ó3.6.151.:). Demostrar que /"\ = ! 1t'¡¡" . 1.ISrí"r"ncia.' Denoüando la probabilidad deseada comopñ (a). Este üipo de problema se presenta en física en conexión eonlaestadística Bose-Einstein. CONJUNTOS Y PROBABILIDAD 37 (c) Un estanque contiene 6 compa.cAP. demostrar que p"(a) = 1 fipn-o (0) y luego emplear el resultado del Problema 1. (b) dos cincos.t't .11)'-* 1i)'-l \"/ \o/ \t/ . 1. que (Sugerencia: Consi¿s¡ar 1. . (d) ningfrn 5? ¿Puede resolverse el problema sin saber el número de cincos que tienen los otros jugadores? Expücar. Generaliza¡ el resultado del Problema 1. u¿ fi. Resolver el Problema 1. Este tipo de problema se presenta en física en conexión con l¡a es tad ísüca Fermi-Diroc._ \r/ (1 + r¡t (1 + o¡"-t y hallar el coeficiente de ¡j en el producto). ¿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. "dar ¿ letras en los 1. Hallar la probabilidad de que en un juego de bridge (o) dos jugadores.148.155.¿De cuántas maneras pueden colocarse 4 bolas idénticas en los compartimientos? (b) Resolver el problema si hay n compartimientos y r bolas.541. .)va".151. 1.\¡/(.152.150. (a) Un estante contiene 6 compartimientos separados.54 obtenga exacüamente I ¿-c / r\k sobres correctos ". 4. Desea descartar el 8 y remplazarla por otra carüa que espera sea un 5 (err ese caso obtendrá una "escalera"). 3. 1l 1. 1.149.50 si el juego se ümita a B lanzamientos.156. ¿Cuál es la probabilidad de que obtenga el 5 suponiendo que los oüro¡ tres jugadores en conjunto tienen (a) un cinco. (c) trer cincoe. 1. Un jugador de póker tiene las cartas 2. 1.(i)' una interpretación combinatoria.8. (ü) tres jugadores.154. Demostrar l") .

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

.. (a) Halla¡ la función de probabilidad correepondiente a La variable aleatoria X del Ejemplo 2. P(X:1) = P(CSuSC) = p(cs)+ p(sc) = i*i P(X=21 = P(CC) Así. como se indica en la Fig. pata vrta donde obtenerse. Íz rn entonces la función de distribución está dada por 0 f (r') f(rt\ + f(rü F(r\ = -@<fr1It rt3fr1trz rz3fi1rt : (5) /(r. P(X < (8) La función de distribución puede F(rl = P(x=r) -.) +. (o ) Suponiendo que la moneda es honrada tenemos P(CC) Luego I 4 P(CS) 1 4 P( SC) 1 4 P(SS) 1 4 P(X-0)=P(ss)=.2. o simplemente la función de dístribución. (b) IÁ gráfica de probabilidad puede reprecentarse comoleindica en la Fig. o por un histogromo.+/(r") x.2-f Eepectro Fíg.cAP. r/4 =I r/4 la función de probabilidad está dada en la Tabla 2-2. Una gráfica de f(¡) se llama grdfica de (b ) EJEMPLO 2. 2-1. En la FA.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 39 donde la suma en 2 se toma sobre los valores posibles de probabilidad. lxla . En el ca¡o del hislogama podemos considerar la va¡iable aleatoria X como continua.de la función de probabilidad notando que r es cualquier número rl = F(u) real.. por ejemplo X: 1 significa que esüá enüre 0. Recíprocamente la función de probabilidad puede obtenerse de la función de dist¡ibución.6. r.1 x ( -. Si X únicamente toma un número finito de valores lct. Tabla 2-2 =I r f(r) 0 I r/2 . 2-2.)f(u) (0 donde la suma a la derecha se toma para todos los valores de z para los cuales u = x.2-2 Histograma FUNCIONES DE DISTRIBUCION PARA VARIABLES ALEATORIAS DISCRETAS varidble aleatoria X se define por La función de distribución acumuhda. es decir .5 y 1.1 y construir la gráfica de probabilidad. 2-1 la suma de las ordenadas es 1 mientras que en el histograma la suma de l¡¡ áreas rectangulares es 1.. Fig.

A medida que procedemos de izquieida a derecha (es decir subiendo la escalera) la función de distribución permanece igual o aumenta. Por tanto no podemos definir una función de probabilidad en la misma forma que para una va¡iable aleatoria discreta (págrna 38). f(r\ > 2. (o) Halar representación gráfica. 2 son LlA. Las magnitudes de los saltos en 0" 1. nos conducen f(r) tal que o a poshrlar la existencia de una función 1. 2. El valor de la función én un entero se obtiene del paso superior.)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 . EJEMPLO 2.3. DISTRIBUCION DE PROBABILIDAD Si X es una variable aleatoria continu4 la probabilidad de que X tome un valor determinado generalmente es cero. pagjna 38. así el valor en 1 es 314 y no Ll4. 2-3. 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. la función de distribución para la va¡iable aleatoria X del Ejemplo 2. Debido a la apariencia de la gráfica de la Fig. F(r) se mues- Los aspectos siguientes acerca de la función de distribución anterior. 2-3 frecuentemente se le llama función escalera o función paso.2 su 2. 714 corresponden exactanrente a las ordenadas en la Fig.n (6) . 3. (b) Obtener (a) f'a función de distribución es lo F(r) = ll ln la ln [1 I -o(¡(0 0<r--l l<r12 2<r1de (D) Larepresentación gráfica tra en la Fig. Esto se expresa matemáticamente estableciendo que la función de distribución es continua por la derecha en 0. 1.4. Este hecho permite obtener la función de probabilidad a paftir de la función de distribución.40 EJEMPLO VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD lcAP. Sin embargo hay una probabilidad mayor que cero de que X esté entre 145 y 150 centímetros. Debido a esto se dice que es vnafunción monotónicamente creciente. 2. Entonces definimos la probabilidad de que X se encuentre entre ¿ y b como P(a<X<b) : Í"' f (n) d.2. Si se selecciona aleatoriamente un individuo de un grupo numeroso de hornbres adultos. Estas ideas y la analogía de las Propiedades 1 y 2. 712. la probabilidad de que su estatura X sea precisamente 147 centímetros sería cero. 1. deben notan¡e. por ejemplo.@ e -. . que son verdaderos en general. tomando valores desde 0 hasta 1. 2-1.

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

2s137 n La probabilidad de que X se encuentr€ entre r yxt Ax está dada por (8) p(r= xtn+ta) así que si = . 2-l .'r(u.i. : f(x) Si f(r) Fig. es deci¡ P(a 1 X < b).ü# (121 at. Geométricamente la probabilidad de que X esté enhe a y b. (10) es la /(¡) es continu4 es decir la derivada de función de distribución REGLA DE LEIBNIZ Pa¡a obtener (101hemos empleado el hecho familiar del cálculo de que $ !"' tlu) ou = Este es un caso especial de f (s) (11) h regla de Leibniz para diferencbción de una integral: *Í"".'. la cunra no puede caer por debajo del eje r.'. 2-4. INTERPRETACIONES GRAFICAS es la función de densidad para una variable aleatoria X entonces podemos reptesentar y gráficamente por una curva como en la Fig.2-4. Puesto que f(r) Z 0.2 (ó) Tenemoa P(r<x<2) P(X=21 - P(X=1) f(2) - F(1) n-n como en el Ejemplo 2..r. se representa por el área sombreada de laFig.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.F@t(n).6.x)itu donde = f""jl. El área total limitada por la cuwa y el eje ¡ debe ser 1 debido a la propiedad 2 en la págna 40.a# .42 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD [cAP. az y F se suponen derivables con respecto a.' T*0" + F(az(a).

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

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

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

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

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

Entonces es razonable suponer que la probabilidad de pegar a la región de área K. Lógicamente pueden plantearse ohas suposiciones.Definimos '(r) y fr(r) es la función de f@tr) = y la llamamc y8 ## es ('t g) función de probabilidad condícional de Y dada probabilidad condicional de X dada Y es X. /. Fis.2-7 .AP. Y. la función de densidad condicional de Y dada X ¡1xlu) y f(alr)porfr(rla) I fr@lr)respectiva¡rente. entonces (42) P(Y=ulX=r) : f\*'') f donde f(x. Y : y) es la fi:nción de probabilidad conjunta probabilidad discreta para X. Por ejemplo. yl = P(X : Í. y) es la función de densidad conjunta de X. El tipo de suposición empleado define la función de dishibución de probabilidad. etc. es pre porcional a K¡. Análogamente la función de r(rlut = Algunasvecesdenota¡emosa @+¡ Estas ideas se amplían ejemplo.48 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD IC. puede ser menos probable pegar a áreas externas. supóngase que tenemos un objetivo en la forma de una región plana de área K y una porción de ella con á¡ea K1 . Y son variables aleatorias continuas. APLICACIONES A LA PROBABILIDAD GEOMETRICA Varios problemas en probabilidad surgen de las consideraciones geométricas o tienen interpretaciones geométricas. 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 1.2 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). fácilmente al caso en que X. Por fe1ü = dadoquerlX(r*dres Ll++ r(r¡ I &s¡ donde f(x. (r) es la función de densidad marginal de X. 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).

de acuerdo con si deseamos considerar a X como va¡iable discreta o continua.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/. (2.2) tenemos X : 5. Así para (3.Jo 4/36 2/36 (ó) Podemos emplear un espectro o un histograma como los dados en la Fig. obtenemos la Tabla 2-4. (4. (c) LospuntosmuestralesparaloslianzamientosdeunpardedadosestándadosenlaFig. 2-9 la suma de todas las óreos rectangulares es 1. garaX:5 corresponden los cuaho puntos muestrales (1.Po¡ ejemplo.4). (a) Obtener la distribución de probabilidad paraX.cAP. Tabla 2-4 'x 1'17'página18.3). así que cada punto muestral tiene probabilidad 1/36. 2-8 la suma de las ordenodas es 1 en tanto que en la Fig. 2-8 o en la Fig. (b) Consbuir una gráfica para esta distribución de probabilidad. variable aleatoria X es la suma de las coordenadas para cada punto. Nótese que en la Fig. Utilizando el hecho de que los 36 puntos muestrales son igualmente probables.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 49 Problerna. Supóngase que se lanza un par de dados honrados y que la variable aleatoria X denote la suma de-los puntós.1. (3.1) así que la probabilidad asociada es 4/36. .2). 2'9.s restreltos VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD DISCRETAS 2.

tenemos P(eractamente r niños) = P(X = r) = .¿6 2r/36 18/3rt 15/36 12/36 9i 36 6/36 3136 . A y A'. (c) Hallar la disgibución de probabilidad de niños y niñas en familias con 3 hijos.(i) \-'l /r \3 f(r) r/8 3/8 L/8 (b) La Eráfrca va¡iable X como discreta o continua. dependiendo sobre si deseamos considerar a puede representarse como en la Fig.3. 2-ll (b) Véase Fig.on probabilidadesp y g: 1-prespectivamente.(.c. (a ) EI Problema 1. Por tanto. Obsérvese que el cero del eje r se ha desplazado. 0123 Número de ¡¡iñoc X = ¡ Fis. (b) Représentar gráficamente la distriUución en (o). 2-11. La función de probabilidad para X.2 2.. Enüonces de los resultados del Problema 2.".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. I 3/8 . 2-10 o en la la FI.. F(r) 1 33/36 30/36 27 i36 I 24/'. ip=q:L12.2-L2.)' Tabla 2-6 fr 0 donde la variable ale¿toria X representa el número de niños en la familia. Fig.)"(t'-' = .50 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP. (a) Hallar la función de distribución F(r) para la variable aleatoria X del Problema 2. Se encontró quelrr probabilidad de obtener eractamente r veoea A en los n intentos es icrp'q.L y (b\ repr€sentar gráficamente esta función de distribución.) 3 se indica en la Tabla 2-5. suponiendo iguales probabilidades para niños y niñas.".46 trató el caeo de n intentos mutua¡t¡ente independientes.t-. D:3.(.2. 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. siA e¡eleuceeo"niñott. f(r) = . 2-10 (o) Tenemos que F'(r) = P(X = tl u=x 2 Ífu¡. c.JNCIONES DE DISTRIBUCION DISCRETA r/t 2.1 hallamos F(rl = 0 -e 1r<. donde cada intento tenfa dos resultados posibles. (Obeérvese que X se define sobre el eepacio muestral de tres inüentos).

z2 = 1 (ü) si* = x2 =t.ran-l(--)J = l[r*-' " "if = i. t*tantolaprobabilidadpedidaes t(-'lstt oJ-t dn *lft dr IL'rJ¡5. I -u.4.6. acf que c=Ur.t¿n-r (+)] I = z(z-z\ = 6 6/ "\4 2...r12*L =zC' oJ6.e¡décir t-. Hallar la función de distribución conespondient¿ a la función de densidad del Problema 2.\r-.2-13 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 2.itan-rc .rr_rrl.2l VARIABLES ALEATORIAS Y DISIBIBUCIONES DE PROBABILIDAD 51 2. f . 2-13. t:_flu)ttr = 1." r¿*l = ?['*-'(1) .2V @) (o) Uüilizando la Tabla 2-5 del Problema 2. 1 C" F(r) = )_-t{")a" = i)__ n du _ = !l-t. la constante c. (b) Hallar la probabilidad de que f(r)=c/(n2+l).6.cAP. Un (¿) (a) Debemostener aXtienelafuncióndedensidad o". X del Problema 2..2 obtenemo¡ F(rl (ó) L8 gráfica = de la función de distribución de (o) se muestra en la Fig.<6. rL t__J = 11h.(-. F(¡) I 7t8 6/r 6tE 4/E 3/8 2t8 I UE t Fig.6. _. (c) Hallar la función de distribución F(*) para la va¡iable aleatoria representar gráfrcamente esta función de dishibución.'= J-./ -\-'l (* :u.r .. )? estÉ entre 1/3 y 1.12 + | = "t"r-rrl r-o = "L./J f = " =.-. donde -o(ú.entonces ó -l < x = -f.

F(-g) = (1 -e-e)-(0) = l-e-B DISTRIBUCIONES CONJUNTAS Y VARIABLES INDEPENDIENTES 2. donde r. tenemos que c : L142. (c) Hallar P(X>l. )-11.. 0 = U < 3. (o) . y (c) la probabilidad de que-3<X<4. P(-3<X<4) = P(X=4) -P(X<-3) = r'(4) .62 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP.Y s2\. y) para los cuales las probabilidades son diferentes a crero se indican en la Fig.A) = c(2r *y).) 2c 4c 6c 3c DC l4c 22c 42c 7c L5c Tota les+ 9c l2c . Por defrnición P(X =-21 = )" ze-z"du = -u-r"1. las probabilidades asociadas con esos puntog dadas por c(2x * y).7.2 2. = = F(2) = | . Y = l). debe ser igual a 1. (a) tos puntos muestrales (r.U\ : 0 de otra forma. Puesto que el gran total.¡l = f2"-u l0 r)0 r10 le-1 (ó) P(X>z) Otro método. fir-\ = dt l-F1. se indican en la Tabla 2-6. y pueden tomar todos los valores enteros tales que 0 < n 3 2. (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. La función de distribución para una variable aleatoria X es (L-e-2" o>0 F(r\ : J^ x1O [u Halla¡ (c) la tunción de densidad.8. Tabla 2-6 Y X 0 0 0 I c 2 3 Totales ü I 2c 4c 6c 3c 5c 6c I .e-4.42c. La función de probabilidad conjunta de dos variables aleatorias discretas X.du = -e-2"1 = L-e-8 lo l{ Otro método. (b) Hallar P(X =2.y f(r. Y estÁ dada por f(r. Por tanto.

De estos vemos que P(Y=Y¡ = verificación:1*3 +!+1 ''7 74'7 t4 fz( =t 2.u) = lcnU 0(r<4. (o) Debemos tener la probabilidad total igual a 1.8 son dependientes. Hallar las funciones de probabilidad marginal (c) de XV (b)de Yparalasvariablesaleatorias del Problema 2. La función de densidad conjunta de dos variables aleatorias continuas X. 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=L) + P(X=21 P(Y=L) E resultado también se deduce del hecho de que la función de probabilidad conjunüa. Y son independientes debemos tener. Si las variables aleatorias. y. (o) Hallar el valor de la constante c.9. Y del Problema 2.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD De la Tabla 2-6 determinamos que 53 (b) P(X=2. (b) Hallar P(1< X <2. (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. 2.. como se determina de los Problemas 2.Y=\ = asr que h P(x=4 = # P(Y=l) = I (2x rr y)142.Y=l)=5"=a 42 (c) De la Tabla 2-6 determinamos que P(X>t.8. puede expresarse como una fi¡nción de ¡ veces una función de y. 2.Y : A) = P(X = r\ P(Y = Y¡ Pero. Demostrar que las variables aleatorias X.cAP. no P(X--2. 1<g<5 de otra forma 1o (c) Hallar P(X>3.11.{. para todo r.9.8 (b) y 2.10. Y es f (n. 2<Y <3). es decir | | f@. Y <2). P(X = t.u) d.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.r du = I . 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. P(X=2.

xaau )clx = "!.olduclo dudo = P¡re o > ft (s J. (o) L¿ función de di¡t¡ibución marginal para X ¡i 0 < ¡ ( 4 ec Ft@) = p(X=r) = f' ¿u=-4 ¿O=-@ f" fet.'uau)a' = *f.frarau = * Í'^='lÍ"'="u aafa' = + f"="#l'"='* L f4 Br.Yl'"=.r.Y=z) = í:="í"'=.)* = "Í:=rr2adr = "tu*)l'_."=. 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. 4.podrfamocremplazarenlaerpreaiónanüerior(por<.Tn' = idt\t/|. = = 1 C' 5r.11.=. =y( 5 ec Fzful = P(Y <-vl = Í¿t=_@ f1 ¿ú=l f" f@.r=o(ry-.(a) = 0.=o J"=. Ft(¡) = 1.- ñ E P(x>s.F . (ó) Utiliz¿ndo el valor de c hdl¡do en (a) tenemoe P(l <x <2.=oL.2 Empleando la defrnición de /(.* s /rz11z .'=.:o J"=rcnvilxils ft rrs = " J.o)ctud.¡¡'J. fv J-"=oJ"'='ffiauao = + . Por t¡nto Fr(rl = 1. Oo = #Í:=.12. y). fi uo = # 1. 1""=140.54 vARIABLEs ALEAToRIAs y DrsrRIBUcIoNEs DErRoBABTLTDAD -l IcAp. Hallar las funciones de distribución marginal (c) de X V(bl de I' del Problema 2.'=r$l'"-.r"=. = e6c Entonces 96c = 1 y c : 1/96.1Í":=. 7 ñ J"="To' = ln 2. . la integral tiene el valor f4 ¡5 J. [ Í=.2<Y ' (c) <3) = Í.o' = "Í.'=. para 5 < 0.

1 < y ( 5 dentro de la cual la función de densidad X.F ¡ (r) V Fzp) se determina¡on en el Problema 2.cAP.14. En el Problema 2. la Fig. Halla¡ la función de distribución conjunta para las variables aleatorias X. 2-15 muesha la definición por trazos de . F{A) = 0. ! c(t = c : F(r.. o 0 ( ¡<4 f de otra forma . Por tanto Fzfu) Puesto que F2 (y) es continua en y = 4@r-t)tz+ tfy<b a=6 l.F(r. esta probabilidad está dada por 'í Í"'=. l\¡.t : 5. av = ut-[:. J ( por < . 2-16. 2.| l rr. Puesto que f(x.2l Para y VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD OD = 5.' *u au)a* Fig. t = 1.¡ ryl96 sobre fi.(ul = { (. 3. donde J tt. 2-15 2. Del Problema 2. La probabilidad rc. Para U < l.L2. de tal manera que su función de distribución conjunta eetá dada por F(r.n ffia. Las distribuciones marginales . Y puede escúbirse como el producto de una función en r veces una función en y.y)dxdy pedida está dada por p(x+y<s) = ff r*a-B donde ft es la parte del cuadrado sobre el cual r * y ( 3.11 hallar P(X+ y < conjunta de 3).¿v I < Y < 5 [ 0 de otra forma L/96.11.LL se observa que la función de densidád conjunta para X. En la Fig.Yl = rz(az . Y son independientes.l\ (r6)(24) Fig. y) resultante. Se deduce que X.Y es diferente de cero. En efecto.ul = fr(r) f2(y). y) : Fr G\ Fz@). Y del Problema 2.13. !""=. región sombreada en la Fig. 2-I6 . podríamos remplazar en la expresión anterior [o u<r : 1. 2-16 hemos indicado la región cuadrada 0 ( ¡ ( 4. Fz@) = 1. [f=.

15.a). también podemos demostrar que (31) se cumple (véase Problema 2. Entonces. 2-17 f . Demostrar el Teorema 2-t. u) en la integral de la derecha tenemos por un teorema de cálculo flrrtu. Véase Problema 2.u11V1o. es decir g(u) _.(' 'u2 l3-' '.z 46. página 46. para el caso donde J 0. u). 2-1'7).1)llJ duda ("' ("'n. .o'tlJ J< que es (3ti). Igual que en el Problema 2.v)dud. (r) (t tlt(u) es una P(ut LI 1tt"): P(rtlX1rr\ f¡7 (2) Remplazando x escribirse como /'ü: | t\u) titr 'ul |.4v. podemos demostrar que u y u también crecen.. El teorema también se puede demostrar si rl'(u) 0 ó r/'(u) ( 0.. "rl "" /{. u aumenta a medida que r aumenta (Fig._-.56 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP.Ll Plx = gfu)) = f lv@)l En una manera análoga puede demostrarse el Teorema 2-2.rl duda = f"' (''' Ju. donde ry''(u¡ ) 0 (es decir la penCiente es positiva). pá4ina 46.17. La función de probabilidad para U está dada por s(u) = P(Lt ") = Plo(x) .f . Demostxar el Teorema 2-4. Por tanto = fI¡rfu. L es una función decreciente de ¡. y : Ju. ) O. Primero considere el caso donde u : ó@) 6 x : tenemos función creciente..2 1 L (" = J. Dr P(r1<X1rz. como puede deducirse de la figura.y) fe2 dr dy Remplazando avanzado que r : Út@. 2.2fu.¡.r\uti. esto es. Ju. Úz(u.a todo u1 y u2 solamente si los integ'andos son idénticos. u) ellacobiano. esto es. pá$na 46. 2 lu=rd' CAMBIO DE VARIABLES [r(3-r)z r 'rldr 48 2.t'@) Este es un caso especial de (34).' ut 12 : ¿ ttt V@) en la integral al lado derecho. (2) puede Fig. ' olü au = ¡'tl f ¡¡gqullv'tu:du Esto es válido pr..=o g6.fl. | trrr J| s(u. y crecen. 92fu.67). Demostrar el Teorema 2-3.66.páqina 46. pá$na 46.a) a@'a) donde es d\u..16.u.u ... = 2. págir.\: ?u.1 . Primero suponemos que a medida que r.16 ó P(ut<Uiu.= fu ). Jtl r s(u.At<Y<Az) = | fre | l(r. Para el caso donde rlr'(u) -< 0.u). Análogamente podemos demostrar ('36) para el caso donde .

HaJlar la densidad de probabüdad de la variable aleatoria U = )? donde X es l¡ va¡iable aleatoria del Problema2.tt¡¡f".16..sutz¡21 ]. La función de es disüribución para U G(ul = P('tlu') Entonces si 0 Fis..e por el Teorema 2-3.18. o el hoblema 2.cAP. du ¡5 <tz:_su.Loe valore¡ de u que correrponden a¡= .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. 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 ¡. En este caso no podemos emplear el Teorema 2-4 directamente ¡rero podemor proceder de la manera eiguienüe. UyXqtídadapor y8€hatomadol¡raízrealpositiva. 2-18.I9.82. u= r+11 6 r =n/F1. La función de ptobabiüdad de una variable aleatoria X (2-' ü=1.!7.3 ( 6 corresponden a los valores para los cualeo 0 S 36 como se muestra en la Fig.. f(r) = to de otra forma Halla¡ la probabilidad para la va¡iable aleatoria a = X4 + Puesto que l.3.Enüonce¡1. de otra forma .+ l larelación entre loe valoreedeuyrdela¡variablesale¿torias donde u:2.U<u) = P(-B<X<\fr) = J-s f@lA. .2. Puesto que ú'(u) : dx/du : .2 = _..)óx:L2-3u.3 ¡e deduc. Como se obeerva en esta ffuura el intervalo .16 que la Tbnemosu:tl3(L2-f."1:-..17.'ll = 1 2. Tenemos tL = tr2 ó r = *\ñ.. 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).¡función u = 2.. recfprocamentg. página 46. 2.2O.3 y* = 6 rcn u = 6 y u -2re¡I¡ectivamente. página 46. | .2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD es 67 2.19. = P(.. o por el Probler¡¿ 2.3 ( ¡ < 3 corresponde a 0 s z s 9 er tanto que 3 (¡( 6 corresponde a 9 ( u ( 36. de probabilidad pedida para U ea ( z-ni i s("! = 1o utilizando el Teorema 2-1..E2. U: * . Los valores de r para los cuales.A¡íparacadavalorderhayunoydamenteu¡valordeuy función de densidad para U ee s(ut Verificación: = ilt'.

11) hallar la Método 1.u 110 que ¡e muesEa eombreada en la Fig. = {. ! : ll2(u .21.a) (véase Problema 2. etcogiendo arbitrariamente l¡r eegunda relación.r'nu ffr:i:0" 'Sea u = t I 2y. función de den¡idad g(u) ee l¡ derivada de G(u) tonemos.-ro 0 6<¿<10 f4 afu. le * fil2136 z4B l. 2-19.2 l*ibníz (12).u). Por üa¡¡to la región 0 I r 1 4. u : r. Si las variables aleatorias X. = 2. 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. 1 tZ _1. 1 < y ( 5 correeponde a la regiiin 0( u ( 4. Entonces la ¡olución ¡imultiinea re¡ulta r : u. función de densidad de U = X + ZY.<¿<36 de otra forma 21rsrz Verificación: zlb. 2 ea - Fig. 0 < a < 4 g(u'al = de oEa forma {o La función de den¡idad marginal de U está dada por 21u<6 ctfu) = f"^=oWo' J. uear¡do la regla de c@l Utiüzando la definición dada de = f(r) eeto se convierte en 0<z<9 9.2 < u .1.58 VARTABLES ALEAT1ORIAS Y DISTR.=.ol =#¿" . El Jacobiano está dado por Fr 0r J_lr"0o oa lüu la" att lo =l I 1 11 -. lo1u114 de otra forma . Y tienen función de densidad conjunta r(x.IBUCIONES DE PROBABILIDAD Pueeüo que la [cAP.

V = )PY. Considére¡e u : xy2 . De un¿ manera análoga podemoe obtener el Al deriva¡la con respecto a ¿ 8e encuentra (u .11) hallar la función de densidad conjunta de U no uu está dada por o<azlgu-r/t<4 gue son equivalentee a .ytdrdy " = ÍÍ fta.a) : {*''nu de otra forma :':' 0 L = XYz.2l como VARHBLES ALEAI"ORIA"S Y DISTBIBUCIONES DE PROBABILIDAD 69 'lar p determina refiriéndo¡e a lae regioner ¡ombreadas I. Nlétod. IL m de b Flg."'' gunoo = Í"::'lW-#fo' + 4)t2304. Fíg.a función de di¡tribución de la variable eleatoria X + 2Y erüá dada por P(x *zY É ut = Íl rr2y 3 t@. 2. I/aimagende0(x14. 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. u = x2 y . eüc.o 2. [. El Jacobia¡¡o estó dado por .u2 t< 7) uztga-rls < L26'u 6 1 64u 1u2 < Eata región ee muesba eombreada en la Fig.' I":". Al dividir egüa¡ ecúaciones obtenemoe y/r = u/u aef que y = ut/v. Mo ¡oe conducealasolucióneimultánea s=p2/34-r/t.2-2O Fig. 2'20 gue la últim¡ integral ee igud a Í"--.cAP.y=y2/3p-rl3.i 1<c<5 Pa¡¿ 21u ( 6 obserraÍros al r€ferirnoo a la Fig.L(y(Senelpla' (véase Problema 2.au i*Z=. 2-19. Si las variables aleatorias & Y tienen la función de densidad conjunta 4' L <s <5 f(r.2-2L 2.22.21.2)2 (u reeultado dd método L para 6 ( u ( 10.

f variables aleatorias qup tienen una función de densidad conjunta f(x. Demosbar que la función de densidad de U'= X * Y es s@l Método 1. y). que la función de densidad marginal de U c@l = f' f@./t=-a f f"-' f' Lnr1¡=-a c@l = ¡1r.2-22 utilizando la regla de Leibniz (I2) primelo en la integralder y luego en la integral de y.u-.i"au Pue¡to que la región eetá por debajo de l¿ lfnea ¡ * y = u. y: u. -tuznr-trs I -lu-zrso-zrs A¡f la función de densidad conjunta de U y V es. o= Í6 x. página 46."u-n.u.u-o) págin¡ 46.ld.23.u-r.y¡ay]dr -J La función de den¡idad de U e¡ la derivada de G(u) con re¡pee por ef -a (' l@. El Jacobiano de l¡ tran¡fo¡mación ertá dadopor rSe deduce de (261. La función de di¡tribución de U = X + Y es iguql a la integral doble de f(x. c¡üo ec G(ul = (( Í@.-t rsu-ual J . por el Teorema 24.to-t. 192 d'l l#'úl = l: -l ee -l Arí por el Teo¡ema 2-4.r f. donde arbitraria¡nente hemo¡ ag€gado la *gunda ecuación.:v. .u-a)ilo conecponden : X + Y. A e¡ta¡ ecuaciones u: x i !. cer. Método 2. Sea LI = Íl-rO. y) tomada ¡obrc la región definida pbr * f y s u. 2-22.f(t¡.o) = {*O=f3-Io ($u-2t3a-2rt') o2161u' tt de otra forma tt-z 1u2 < l26tt c@. vemor que G(u) üo a u e¡tá dada = .l: l= | f..üdrdu ..u-r)ih F's. la función de deneidad conjunta ile (J y V ea g(ü. como ¡e indic¡ por la parte ¡ombreada en lrr Fig.IBUCIONES DE PROBABILIDAI) [cAP.o) . Sean X.60 VAR¡ABLES ALEATORTAS Y DISIR. V : X.xl = {u--''"o-rtsl288 IO CONVOLUCIONES < ilu' tt 1 u2 < l26tt de otra forma 2.2 l-lor.

27.ar@u .241a función de den¡idad pedida es la convolución de f t y fz y eetá dada por c@) = ft*fz = f' fr(o. (y) respectivamente.8.o{üau = tfo'k-r"-"-rv\d. Y son variables aleatorias independientes que tienen funciones de densidad ft@l =112"-t' .<0 L0 ü>o * fg"-to a=o " frfu\ '-\e' =1l0 a<0 Y. (b) P(Y : 1lX : 2'¡ pan la distribución del Problema 2. 2.olver el hoblema nes de densidad f t@).d.-*) = 1 2.24. halla¡ la función de densidad de su sumao U = X Por el Problema 2.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD 61 2.f 2* f1 (Propiedad 1. 2.a J_ú En el integrando f1 se anula cuando u ( 0 y f2 8e anula cuando u ( u.l) = 6(e-zt . R'ex. obtenemos (-' Ítrfz = . Si X.f2(u-t:ld.23 la función s(ul = t'. (o) Empleando los ¡esultado¡ en los Problema¡ 2.f .e-tr¡ f -'.to ¡iu>0yg(u):O¡iu(0.9 t¿nemo¡ ftutrt = arf que con ¡ : 2 ffi:*+#t f(ylz\=g#f=+ P(Y=rlX=2\=/(1l3r=*z (ó) .cAP.25. pígna 47\" Tenemos Ít* fz = | /r(") fz@-o) Jo=-a Haciendo fa da u)= a.f¿ .23 si X.rru-u)f2@t)(-d.u:-dw..8 y 2.{olf2(u-olito = f t* fz que es la conuolucidn de h y fz. Y son variables aleatorias independientes que tienenfunciof. Demostra¡ gue fi t. de densidad de U: X * Y e¡ y): f t@) fz(yl.fw=n .w) = (" DISTRIBUCIONES CONDICIONALES fz@\lt@-u)dut = fz'ft "/u=-n 2. En este caso la función de den¡id¡d eonjunüa et f(x.- u de tal maneraque u = u-u.u = (.26. así que por el Problema 2. Ve¡ific¡ción: ao ifui = 6o. HaJlar (al f(y l2). Por tanto Cful = | JO f! (2e-2ül(ge-sru-u))do (" = 6"-su.

y) er diferente a cero sombreada en la Fig.rYP* está. La función de densidad conjunta de las va¡iables aleatorias X.t'o<a<r [0 se muestra Hallar (a) la densidad marginal de X. La función de den¡idad condiciond no está defrnida cuando L8 función de densidad condicional de Y es. rt*) hallar (a) f(alr). (b) la densidad marginal de Y. ¡.a) = {i. (o) Para 0kc(1. la deneidad marginal de Y se obtiene fijando a y e L.'. (c) la densidad condicio nal de X. = t¡*} ftulr\ h¡a oü¡o¡ ralore¡ de = definid¿. (b) P(v > + I + < X <*+d'r). 2-23. ft@la) (d) = ffi . /(¡ | y) no ertó (ó) P(Y>l¿l+<x<l*drl = tr*. La región sobre la cual f(r.a) = {t^" de otra forma 1=1=.rlrol+)0. Análogamente.62 VARIABLES ALEATORTAS Y DISTBIBUCIONES DE PROBABILIDAD lcAP. = Í. como 8e integrando con reapecto a ¡ desde r = y hasta Í: indica por la franja horizontal en la Fig.29.* :". (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.2-23.ffr:j:r. Y tienen la función de densidad conjunta r(r. El resultado es (' Ítu. f2Q): O. 2-23 (c) La función de den¡idad condicional de X ec.): fz@lr\ = !(u'a'-l = {'u'* h@\ lo La funeión de densidad condicional no está definida cuando JFr o=u=r otray (¡): 0- . !2@) Para = Í' Brydr = 4aÍ-u2'l lo¡ otros valores de y.¡. 2-23. El re¡ultado es para 0 (y(r. : J'(i**r)0.2 2.2E.) = Jt=o Sxydy . Si X. Fig. dada I 16 2.i¿¡t\ = {o (2r/(L-azl a=r=l otra¡ O. ft (¡) = (b) 0. Pa¡a los ohos valoree de r. para 0 ( r ( 1.. (d) la densidad de Y. hl. Y por f(r. pa¡a 0 ( y ( 1.4¡s pare 0 ( ¡ ( 1.

Dos puntos se escogen aleatoriamente en el intervalo 0 < de que la suma de sus cuadrados sea menor que 1.)¿. Si ecta ee remplazarí pu alguna reshicción en y no dependiente de r (como en el Problema 2. la¡ funcionee de densidad de X.r) = .ls rbF /"\2-1. y) : 8ry. Determinar si las variables aleatorias del Problema2.G't = lI 0<¡<1 | 0 de oEa forma f zfu) : tf f 1 ofY=1 o de otra forma Entonces ya que X. Una persona jugando a los dardos encuentra que la probabilidad de que el da¡do caiga entre r y r t d¡ es P(r= Rtr+d. = . y) puede expresarsecomo una función de r por una función de y.31..29 son independientes. y a¡í { Y son dependientes.21). Entonces la probabilidad de pegar en el blanco es Jo I rb t(. + f t@) Í2fu). La función de deneidad ertá dada por f(r) r_ /r)rl = "Lt .30.¡ _.rrrro.(.[t .2-23.2-21 Puesto que siempre se hace impacto en el objetivo. b(Boz-br¡ =. Y son independientes. = lo'Ar"d. = t. Determinar la probabilidad Denótense por X Y la¡ va¡iables a¡ociadas con lo¡ puntos dados. Portanto f(r. ¡ < 1.32. Ít@l = 4r?. que se supone üene radio b. tal conclusión serfa verdadera- APLICACIONES A LA PROBABILIDAD GEOMETRICA 2. la función de densidad estd dada por . : T zalo lr-(i) Jl. que flr.cAP.)']0" Aquí. R es la dista¡rcia del impacto desde el centro del objetivo. fot rrror¿a = fo 4A$-u2lda = | 7 f"'r. Suponer que siempre se hace impacto en el objetivo.t L \a/ 2.r'lúttr = Í"' fo" &or : . EnlaregiónsombreadadelaFig. Jo L /r)'lo' = \a/ --) r de lo cual c = 312a. c es r¡na constante y o es el radio del objetivo (véase Fig. Eeto ¡e debe a la restricción 0 < y < ¡. Y están dadas respectivamente por (r) f . f(t. tenemos ("fr. Puesto que se supone que intenalc igualec tienen probabüdadee iguales. Hallar la probabilidad de pegar en el blanco. 2-24). htotdda -- Ío' 2.A\ = 8rA.30.(.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 63 Verificación: fo' . fz(A) : AaQ-A2').U) Debe anota¡se que no puede deducirse a partir de f(x. Íis.

r. (c) las tunciones de densidad marginal para XV f.l(u. (RP(X + Y > 4).'=-. (4t) la función de dishibución conjunta.ud'o I"=" !'"=o\ffauao Í""=.'=.yt = tr".í.Í"'=--odud'' = = Í"'=. = o u2 a<o I l6v 105 6=y(b t"'=ozffauao I y26 .'=--Í"": -ot. Entoncee puerto que (3) repreecnte el á¡e¡ de R observamos que b probabilidad pedida es n14. (h) si X. = 2l0c : Ll2lO. debemor 0ener c Í.'y¡ = [. Í'='Í"'=oLt!du¿. f. a" au P(xz + Y2 = t er la región def¡nida gnt r2*y2 5 l. (o) t a probabilidad total está dada por f.ffoua. f tienen la función de densidad conjunta f(a.'=. = )) fr.t"É s "r* O"O" rI Se deduce que la probabilidad peüda *.:=. x >: O. Supóngase."_r"(to. ?f Fis. (D) La función de di¡tribución marginal para X er fr(a) = P(x = al = Í. U = 0.u do Fz@l = P(Y =.ü Hallar (o) la constante c" (b) las funciones de distribución marginal para X y Y.'=-. f"'=o o(2-r I sl itr dv = !.2 (2t (t) donde r(x. o sea un cuadrante de una circunferencia de radio 1 (Fig. f"'= --rru.. "(u.Y> Z).| 126 ts) d.'= _.tsl duit't: Í. *+)0.l. * +)ltro" Pare que e¡to ¡e¡ igual a 1.33.t tztut = {. Y son independientes. (d)P(3 < X< 4.(elP(X > 3).f.t La función de di¡tribución marginal para Y es .Í""= _ . l.que las variables aleatorias X. 2-26).64 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAI) [cAP.2-25 PBOBLEMAS DÍVERSOS 2..

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

¡) = I F(r'Y\ = I F(r.1) ó &: a2 6 PortntoY:*tE. Por tanto.r. etc. u: x 6r:u. o<Y<1 de otra forma Suponemoequelafunciónde¡conoeidahestalqueloeinüervalocXSr. Por incpeccióa.y 1 l. lo que er equivalente F(r. r): P(ts< yI e¡ decir la¡ funcione¡ de Jo f " au$ - u) ttu = (u Prt(t Jo BAI t)2) d.y) = I 2z2y*xy2-8!-ZV2 420 F(x.3') = g F(z. ala¡cuales correcponde u:Í1. Xf si la función de densidad conjunta de X.a\ - o Fig.Entonce.vl -| F(r. i) ¡e encuentra dentro del rectángulo.Y=y:l¡(*)üienenuna correrpondencia uno a uno en una forma continu¡. y).84. do por U: XY.yl = F(r. !: u/u.2rs = - 2U8 a = h(r) = ¡fi e8 u¡¡a rolución. P(X = di¡tribución deben ¡er igualee.yt = d+# F(r.ntonc€.yeatarolucióntienelaepropiedadeodeseadas. 2-2t (h) Las va¡iable¡ aleatorias aon dependientee ya que f(r. Br2 . B.al + Fr(r) F2fu). F(r.8 elJacobiano eetáda- .2 Cuando (¡.Y es f(. V: 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 |. obtenemos oha erpreción. 2.al + ft@lfzfu) o.2-28. para 0 ( r. Lor result¡dos completoe se muestran en la Frg.IBUCIONES DE PROBABILIDAD [cAP. Hallar la función de densidad de U : Método f Sea . 2.66 VARIABLES ALEATORIAS Y DISTB.36.

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

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

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. Una moneda ¡e lanza tres vece& Si X es l¡ variable aleatoria que indica el número de caras que rerultan.44. s). (ó) P(1 < X < 2). (c) Problema 2. repreeenüar gráficamente la di¡tribución.42.42. (o) hallar la di¡tribución de probabilidad para X V (b) repreeentar gráficamente la distribución.4O. (c) P(X >21. 2.IBUCIONES DE PROBABILIDAI) 69 Problenra. 2. (D) P(l < X g). La Tabla 2-8 muestra la función de distribución de la variable aleatoria X. Una variable aleatoria X tiene función de den¡idad l(x) Ilallar (o ) = 1o = (ce-g" c)0 rso (d) P(X < 1). (¿) P(X > r.47. Resolver el Problema 2. (a) construi¡ una tabla que muestre la distribuci6n de probabilidad de X V (b) representar gráfrcamente la di¡tribución. describiendo la relación entre ella¡. 2.2l VARIABLES ALEATORTAS Y DTSTR.E¡ suplernenta.89. Comparar los re¡ultados con los Ejemplos 2. (a) Construir una üabla que muestre la distribución de probabilidad de X V (ü) FUNCIONES DE DISTBIBUCION DISCBETA 2. 2.38.19. Hallar la función 2.cAP. Obtener la función de distribución y su gráfica para el (c) Problema 2. (r) P(.on remplazamiento.38. Obtener l¡ función de dishibución y su gráfica para el (o) Problema 2. Sea Z lz va¡iable aleatoria que repres€nta el númcro de ca¡a¡ menos el n(rmero de seüo6 en dos lanzamientos de una moneda honrada. la con¡tante c.39.40.41. (D) Problema 2. La función de probabilidad de una variable aleatoria X ee muestra en la Tabla 2-7. (dl P(X < 3).46.rlo s VARIABLES ALEATOBIAS Y DISTRIBUCIONES DE PROBABILIDAD DISCBETAS 2. (b) Problema 2. Rnpre*ntar gráfrcamenüe las funciones de densidad y digtribución.2. 2.4L.1 y 2.39 si s€ extraen las bolas c. Hallar la di¡hibución de probabilidad de Z. (o) Conetrui¡ una tabla que indique l¿ función de dietribución de X y (b) representar gr6ficarnente e¡ta función de distribución. 2. = Determina¡ (o) la función de VABIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 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¡¡. Una urna tiene 5 bolas blancas y 3 neg¡a¡.18. 2. Si se extraen doe bolas aleatoriamente sin remplazamienüo y X denoüa el número de bola¡ blancas. de digtribución para la variable aleatoria del Problema 2.48.46. Una variable aleatoria X tiene función de deneidad f(n) = | "r' 1 "r L0 L< aé2 21r13 de otra forma .47.41. probabilidad.

2. Halla¡ la función de probabilidad condicional (o) de Problema 2. DISTRIBUCIONES CONJUNTAS Y VARIABLES INDEPENDIENTES 2. (e)siX Ysoninde 2.70 VARTABLES ALEATORIAS Y DISTRIBUCIONES DE Hallar (a) la constante c. f(r) = 1o 0=rÉ2 deotraforma Hallar (a) el valor de la constante c.ót. (b) P\X'> PROBABILIDAD [CAP. (d) P(l<X<2).52. (d) la función de dietribución.63. De'rerminar ¡i X Y son independientes. (b) P(X=2. 2.64. (D) de Y dada X para la distribución del .(d)P(Y<{).69.56. 2.3.(b)P(X<+.67. Hallar (o)laconstante c. (cl P(llz < X < 3/2). (b) P(1-12< X <312). y su función de probabilidad conjunta puede expresarse por el producto de rfna función en ¡ y una función en v. Halla¡ la función de distribución para la variable aleatoria X del Problema 2.56.56 para el caso donde las variables son continuas.2. Halla¡ las funciones de distribución 2. 0= ¡=1 deotraforma 2. Y = 2).Y>+). Y variables aleatorias continuae que tienen función de densidad conjunta (c(r2*a2) 0Ér< 1. La función de distribución de una va¡iable aleatoria X está dada por 2.ó8. Sean 2. 0< gr< 1 f(r'u) = 1o deotraforma Determina¡(o)laconstantec. pendientes. Hallar las funcionee de probabiüdad marginal de (c) X V (b) (c ) y para las va¡iables aleatorias del Problema 2. (b)lafuncióndedensidad. Sea X una variable aleatoria que tiene una función de densidad (r. marginal (a) de X. (b) de Y para la función de dencidad del Problema 2.3.(c)P(|<X<*).54.ñ. Demostrar que las variablec aleatoúas di¡ctetas X. (c) P(X > 1).57.Y = 3).2. (g) P(Y = 3). SiP(X:3):0hallar(o)laconstantec. y): cxy parar: L. (c) P(I<X< 2. cerode otra forma. La función de probabiüdad conjunta de dos va¡iablee aleatorias discretae )d Y eet6 dada por f(x. ¿Puede ser la función (c(I-12) F(r\ = 1o una función de dishibución? Explicar. (fl P(X = r). DISTR¡BUCIONES CONDTCIONALES Y FUNCIONES DE DENSIDAD 2. X dada Y.54. 2.!: L.60. X. E)emo¡trar el resultado del Problema 2. (c) P(X>l). (d\ P(X > 21. 2 2). Y son independientes solo si poro todos los uolo¡es de x.49. (e\ P\Y < 2).

(bl Xs + 1. Demo¡tra¡ el Teorema 2-2.2l VARIABLES ALEATORIAS Y DTSTRIBUCIONES DE PROBABTLIDAD 77 2. para la digtribución del Problema 2. (b ) Iluatrar el re¡ultado en la parte (a) erco$endo f(rl = i: l0 y verificar la solución.64. < 5 < @. SiXüienefuncióndedenaidad f(r):(2v)-r/2"-érz.(ulZ 0. (D) Y CAITIBIO DE VARIABLES 2.67.*.2L e¿ igual a 1.p6gna 46. 2. (c) r¿.62.69.66.2I y verificar su reapuesta. DemostrarelTeorema 2-3.. Siladen¡idaddeXes f(r)=U"(r2 *1).ú = { 0 J^ ^¿_. Hall¡¡ la densidad condicional de (c) X dada Y.57 . 2.(¿) S 0.6!. Veúfic¿r que la integral de gr(?r) en el método 1 del Problema 2. u >0 n1O 2.página46. (ü) Y dada X. hall¡rladensidadde Y = tan-rX. Completar la labor necesa¡ia para hallar gt(u) en el método 2 del Problema2.71. l. Hallar la función de densidad condicional de (c) Xdada Y. Sea dada X. Y. hal|arlafuncióndedén¡idad deY=*.7O.. (e-(r+u) x>0.paraloscaso¡ (al g. 2.6t. (ü) *. si f(r.72. 2.cAP. 2.2. y>0 f@. de otra forma [^ la función de ilen¡idad conjunüa de X. n)0 = to r=o Y: X2. (b) Y dada X. 2.rl:j"<s<L Hallar la funcióa de den¡id¡d ondicional de (a) X dada Y. 2.@) < 0.at = 1. 2. Si X tiene función de densidad f(r) Hallar la función de den¡idad de l"-.63. -. -a <a < . . (o ) Si la función de den¡idad de X es f(r ) hallar la función de densidad de X3 . (*e-2.66. 2. Sea la den¡idad de X Í@l = Halla¡ l¡ densidad de (¿) 3X (l/2 to -l<r(l deotraforma .

APLICACIONES A LA PROBABILTDAD GEOMETRICA 2.2 2. para hallar la función de den¡idad de U = X + Z. Sean X. Si X. osv51 to deotraform¡ la función de densidad conjunta de Y.r""""va¡iablesaleatoria¡taleequeX:R co¡O.79.emosha¡que (a) lt*(fz*fs)=ft*fz*ft*fs' (b)/rt'(lz+fs) =(/rof)*fs' = Z y lttryo utiliz¿ndo convolucione¡ 2.75.7t. yz0 deotraforma {o = X/Y.8E.t1. Hallar la función de dengidad de Z = XY. 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. Y variables aleatorias que tienen función de den¡idad conjunüa Í@. < U < @. 2. l¡ función de den¡idad conjunta h¡lloda en el hoblema 2.t2. ofrf 1. Sea l(n'u) = ){ (1.22 pare. Emplear el Problema 2. Doc puntor ¡e seleccion¡n aleatoriamente ¡obre un segmento de lfnea cuya longitud a o ) 0.72 VABIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD Verifica¡ por medio de integración directa [cAP. 2. CONVOLUCIONES 2.76. 2.).77. 2. V = X I Y. 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.8O.22. 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 * X2.21 primero efectuando la Ea¡rdormacií¡ 2Y 2.halla¡ la función de den¡id¡d de (a) U : XYz.74.76. (bl V = XzY. . hallar la fi¡nción de den¡idad conjunta de U y V. Sean función de densidad de X.a) = (2r\-rs-(r2+Yt). Y variables aleatoria¡ independientes didribuid8r idénticamente con función de den¡idad (l f(t) = Hallar la función de dengidad de X 0<¿<1 deotraforma 1o * Y y verificar su ¡olución' 2. Re¡olver el Problema 2. Si. f. -e 16 1o. y:8 ¡enO demoeEarqne la -@ I e¡ ob\=i ¡r"-tz/2 r=0 r'(0 l0 2. Sean X. y tienen función de den¡idad onjunta f(r'u) = y tJ (e-(t+vt r>0.R y @¡ott tt.

Dos segmentoe de línea. M.. f(r) = ( cre-22 r >. 2. Un¡ pcr-na decide 6 minuto¡.91.u 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 .2l VARIABLES ALEATORIA. X.GlP(x+r>1).t7.1. .92.86. ' PROBLEMAS DIVERSOS 2. deotraforma Hallar la función de densidad de la va¡iable aleatoria Y: X2 y verificar ¡u ¡olución. (c) Repreeentar gráficamente la función de probabilidad y la función de distribución. r :1.S Y DISTBIBUCIONES DE PROBABILIDAI) 73 2. < X < 2).0 {o deotraforma X. 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. P(r=1). (b)P(X> 1).. y la¡ 3:80 P. 2.t¡.Y=ll. F(rl = 1"0_"_..DoopuntosPyQ se escogen aleatoriamente sobre AB y CD reepectivamente.E4. tomará el metro. En el Problema 2. (b) Hallar la función de distribución. Halla¡ (o)P(0 < X< 3). M. (d) P(l <x<21. es la función de densidad para una variable aleatoria 2. La función de probabilidad de una variable aleatoria X está dada por f(r) dondep es una constante.t9. 8i no lo toma. (d) Hallar P(2 = X ( 5). Supóngaee que 2.t6.ln 2)lZ. 2. P(l<x<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. (a) Demostrar que para una constante c apropiada. 2. (c) Representar gráficamente la función de den¡idad y la función dedistribución.¡¡ue. encontrar c. (d) y (e)? Jurtifrc¡¡ . 2. ¿Cuál es la probabiüdad de que tome el meüro? Se sabe 2. e¡ la función deprobabilidadparaunav¡¡iablcdeaüoriaX (o) Determinar c. (o) Deüerminar a (b) Hallar la función de di¡tribución. Una va¡iable aleatoria X tiene función de densidad l$tr-¡z) o<¡51 f(xl = t.. . Supóngase que f(r) : cl3t.9L ¿cuil ea la relación en'tre la¡ rcluciones (c).9O. (e) H¡tlarP(X > 3). (e) HallarP(2 s X< 3). AB yCD tienen longitude¡ de 8 y 6unidadesrelpect¡vamente. Dos variables aleatorias independientee. t)o es la (0 rS0 (b ) Determinar P(1 función de distribución para una variable aleatoria X.cAP.(d)HallarP(X> 1).E8.

Un¡ estaca de longitud . o<Y <2 | c(2r+Y) o(¿(r' o de otra forma I (marginat)deX. (b) X Si -X. * Y es ) 0.). f tienen función de den¡idad conjunta f (r' u) = t o llla 0(¡(U. Supóngase que la función de probabilidad conjunta de las va¡iables aleatoria¡ X. (d) Harlar P(Ll2 2.103.93 ee cumple que P(X > +. (c) HallarP(Y = r).93.y>1).Y<312). (b) ttallarP(l S X< 3. En el Problema 2. -..(c)lafuncióndedensidad 2. X Y va¡iable¡ aleatoria¡ que tienen función de den¡idad conjunta f(r.a) = de deruidad (marginal) de Y. Sean -(_ Y vari¡ble¡ aleatori¿¡ independiente¡ di¡tribuidae idénticamente y con función de densidad (2v)-r/2¿-úr2.98.ur = {"-'o |.101. u=0.. (D) Hallarp(1 <x<1. Y variables aleatoria¡ independientes cada una con función de densidad . La función de probabiüdad conjunta para las va¡iable¡ X.L se rompe en dos parües. ¿por qué? +l En el Problema 2. Estudia¡ ¡i considerra que eltar oupoeiciones Bon realistas y cómo podrÍa mejorarlas si no lo son..X2 + Y2.2.L. (b) Hallar p(X>tlz). 2. + y. Y son independientes. (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 2.94. nal de X y f. Y está. 0 os¡=2'o<Y=' de otra forma 2 (o) Determinar ei X.(b)P(X>Ll2.1. 2. y > 1). 2.0<U<t de otra forma P(X + (a) Determinar ai Y> rl2r.96. Y son independientes.s7. ¿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.79 a tres o má¡ va¡iables. Generalizar (o) et hoblemz 2. dada en la Tabla 2-9.91 halla¡ la funciónde den¡id¿d de (o) X2. ¿Cull er el análogo del teorema de la convolución para variables aleatorias di¡creta¡? Ilustrarlo usando el hoblema 2..y> 1/B).( tt ( -. (c) Dererminar si X y Yron independienter.74 VARIABLES ALEATORIA"S Y DISTRIBUCIONES DE PROBABILIDAD sean lcAP.(d)lafunción Hallar(o)laconstantec.102. y < g) = p(X > p(y < +.. /(z) = 2.96. 2. Sean X.78 y (b) el Problema 2. (d) Hallar 2. t2<X< l).1ü1.(u) = ¡1e:r donde l. 2.99. Demo¡trar que la función de den¡idad de X s(u) I @# u=0. Y está dada por I r/9 r/6 r(r. . (c) Iüllar p(x<rlz..101.2 2. Hall¡r ta función de densidad de Z .2. x.

es decir ¡ur factores funci6n de densidad marginal. . Demorbar que la probabilidad de que l¡ atuja intersecte al meno¡ un liado.ede O a cualquier punto P del objetivo) forma con el eje. la! b€s no son independientes. Z> $).1O4.1O4 para que la probabilidad de intersección ¡ea mádma? Erpücar ru rcluci6n.1O7. 2. 2.'"L'. Z tienen función de den¡id¡d conjunüa r(r. función de den¡ided conjuata de tres variable¡ aleatoriea X.106. Supóngase que la¡ variable¡ aleatoria¡ X Y.J'v 1r' o1z.. Pa¡a una aguja de longitud dada ¿cull debe ¡er el t¡do del cuadrado en el Problena 2. 2-32. c Fis.a. En el Problema 2. 0< y1l.107 halla¡ la probabiüdad de gue una ¡rarüfcula pegue 8l objetivo entre A = O y0 : Í14.109. Un haz cilínüico de partícula. P(Z<X+Y).cAP. r *"loq. Si es l¿ f (r'a' z) = ( 1 rv2zs 01r11.2-32 2. Un piso ertá con¡huido de cuadrado¡ de l¡do L Una aguia de lon¡itud o1l a lanza al piro.10t.¿. 0121L o de oha form¡ 1. Z. 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.IBUCIONES DE PROBABILIDAI) 76 2. Ilallar (o) P(X > Y< +r.1O5.s de radio q e dirige haci¡ un obietivo hemi¡férico ABC co¡ centro en O como ¡e indica en la Fig.z) Demo¡ka¡ que au¡que = ito-""trtcosracos¡rz :. (¿) 2. - 2. er igral a o(4t o\ltf . Y.ri"r" dos de esta¡ va¡iables aleatoria¡ eon independientee.2l VARIABLES ALEATORIAS Y DIÉ¡IT. 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 concepto muy importante en probabilidad y estadística es el de la esperanza matemóüca. .) = Zrf(r) r.+ rnp(X=r^\ = ix¡p(X=ri¡ o igualmente.. Para una variable aleatoria discreta X que puede tener los valores xr.'.. ütf(el\ E(n = + '. Para el caso especial tt*Iz+ "'+I" 11 (z) donde la última suma se toma sobre todos los valores up-=or"Oo. ganado. . wlor esperado o brevemente esperanza de una variable aleatoria.... de cuando las probabilidades son iguales. pierde $30 gi obtiene 6. Otras medidas se consideran en la página 84. Supónga¡e un juego con un dado.r(t) . o simplemente se La media o esperanza de X da un valor típico o promedio de los valores de X y por esta razón le llama medída de centralización. f(xc).(á) +(r0)(:) ... f(xz).. . La función de probabilidad para X se indica en la Tbbla 3-1. .2¡.)(:) .. g40 si obtiene 4.Capítulo 3 Esperonzo motemóticq DEFINICION DE LA ESPERANZA MATEMATICA . .. r^ la esperanza de X se define como E(X) = xrP(X=rr)+. .2. por lrx. + r^f(x^) : Lr.f(r.. si P(X (I) = x¡\: f(x). Las posibles cantidade¡dedineroganadocuandoeldadoresultaL. .Í6respectivamenteconprobabilidadea f(r1 )..6sonxr. Así el valor eeperado o eaperanze el E(n =. . .)(á) *r-'or(l) = 76 b .(. Hallarl¡a suma esperada de dinero Sea X la variable aleato¡ia que representa la canüidad de dinero ganada en cualquier lanzamiento.. . Pa¡a una variable aleatoria continua X que tiene una función de densidad f(x) la esperanza de X define como E(x) donde debe notarse la analogía con (2).(. En ede juego el jugador ga¡ra g20 si obtiene 2... . = f:. en tanüo que ni pierde ni gana si obüiene otro resultado.1. xn . EJEMPLO 3..f(u)dr Xy se denota (t) A la esperanza de X frecuentemente se le llama la media de p cuando se sobreentiende la va¡iable aleatoria determinada. x2. tenemos de (2) E(X\ = (e) que se llama la media aritmética o simplemente la rnedia de se .

entonces - E(X+ y) = E(x) + E(y) entonces (e) Teorema Si X.ables X. Si P(Y=v¡: X es una variable aleatoria discreta con función de probabilidad /(¡). Se deduce que el jugador puede esperar una ganancia de $5. entonces E[s(x)] : g(n)f(r) + s(rz)Í(r"\ +'.Y)l EJEMPLO " = ¿-. . entonces E(cX) Teorema Si (s) X.cAP.y) r)r d. Y son dos variables aleatorias continuas con función de densidad conjunta f(r.a) f(r.oO¡f@)dr Generalizaciones a funciones de dos ejemplo si entonces la esperanza de g(X... entonces (6) Elsul = f.fo" .con función de densidad f(r). Si s(r) /(¡) X es una variable aleatoria. Por tanto en un juego honrado es de eeperarse pagar $5 EJEMPLO 3.Entonces Y FTJNCIONES DE VARIABLES ALEATORIAS Sea X una variable : g(X\ también (¡ | s(¡)==y) es una variable aleatoria y se deduce :* 1.2.Jf*f g@.3l ESPERANZA MATEMATICA Tbbla 3-l Íl i@ j) 0 77 +20 0 +40 L/6 0 -30 L/6 r/6 r/6 t/6 r/6 por jugar.. Y son variables aleatorias independientes. = Ío'tro.r(r)dr = Í.l(ir) a' = * : cE(X) ALGUNOS TEOREMAS SOBRE ESPERANZA Teorema 3-I: 3-2: 3-3: Si c es cualquier constante. Els(X. Si X es la va¡iable aleatoria del Ejemplo 3.) = ) i 2.3.(i. Así por " -Ur.'.2. + g(x")f(n"\ (5) = É' s(r. E'ex2_ zx) . La función de densidad de una variable aleatoria X está dada por f@l = El varor esperado de X es f*u 1.. Y son variables aleatorias. Y) se obtiene por aleatorias se hacen fácilmente.y \7) 3.=+ aleatoria. y\. E6n : E(X) E(Y) (10) Generalizaciones de estos teoremas se hacen fácilmente. .= *|.) /(".¡0. 0<r12 de otra forma E(xt = Í:_.rrr-z.f"_rt" -2x'¡f@)dx .

. 3-r EJEMPLO ' 3.t)rl = Í__ O - ¡. tenemos ¿ = l(u-p)r+(rr-p). Entoncec l¡ varianza re encuenha por 02 = r/ t\21 tl("-n/l es / ¡\2 (z/ 2 ¿\r/f \ . la desviación típica se denota por o en cnmbio de o*.'¡* = .¡ media 6 p = E(X) = 4/3. Fis..l0(Xll (161 . EÍ(X -p)'l = E(Pl - p2 = E(X') . V la varianza por o2. Si es una va¡iable aleatoria discreta con función de probabilidad entonces la varianza es a'l = E[(X.tr71x-¡l f(*)..2.4.2 l. x^Si (1t) es X es una va¡iable ale¿toria continua con función de densidad f(r).+ (a"-plzlln que eslavarianzade turconjunto dez númerosf¡ ¡ . entonces la varianza de X tiene unidades cm2 en tanto que la desviación típica tiene las mismas unidades que X. varianza (o la desviación típica) es una medida de la díspersión o wriaeión de los valotes de la variable aleatoúa alrededor de ¡r.. A la raíz cuadrada posiüva se le llama ladesviación típica y por úx = t/@ X = .3 TI|' VARIANZAY I. . plrf(a) ee\ Donde no exista lugar a confusión.¡.media y se le denota por t. es decir cm.. Si los valores tienden a concentra¡se alrededor de la medi4 la varianza es pegueña.- y la desviación tfpica "=\F=+ Obsérvese que si X tiene ciertas dimensiones o unüadeq por ejemplo entímetros (cm). Hallar la varianza y la desviación tfpica de l¡ va¡iable aleatoria del Ejemplo 3.)2 f(n) ita (151 I-a. &1.p)r) = 2 @. la varianza es grande. entonces la varianza "? = EÍi/.. ("-i) l. +. Otra ca¡rtidad de gran importancia en probabilidad y estádística se llasra lautianza y se define por Var(X) está dada = EÍ(X-*)'j (II) La varianza es un núme¡o no negativo.NOS TEUREMAS SOBRE VARIANZA Teorema 3-4: é: donde p = E(X\. anotamos que la esperanza de una va¡iable aleatoria X frecuenüemente se le llama la.p)rf(xtl = X (rEn el caso especial de (13) (I3) dondelas probabilidades son toda¡ iguales.. Es por esta rcz6n que con frecuencia se utiliza la desviación típica. La situación se representa gráfrcamente en la Fig.("-á) rota" = J. para el caso de dos distribuciones continuas con la misma . = J-. en tanto que si los valores tienden a distribuirse lejos de la media.A DESVIACION TIPICA Anteriormente e_n la página ?6. ALGI.78 ESPERANZA MATEMATICA lcAP. ¡. De acuerdo con el Ejemplo 3.

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

erf(r\ dr (r) (variables continuas) Podemos demogtra¡ que la expansión en serie de Taylor es [Problema 3.3 Como casos especiales tenemos.4pip I FI.. La denotamos por . utilizando pl = p ygb:1. Y tienen la misma distribución de probabilidad solo si M.'NCION GENERATRIZ DE MOMENTOS (27) - 'i|¡'a I-a.#l+ "' * r:#+''' ¡"i (r 1) Puesto que los coeficientes en esta expansión nos permiten hallar los momentos. Teorcma 3-I0 (Teorerna de la unicidad): Supóngase queX.-" (32) es decir. (r) .función generatríz de momentos se define como Mx$) ee decir = E(e'*) er"f (28) (variables discretas) (2el (30) M*(t) = M"(t) ¡ . FUNCIONES CARACTERISTICAS Si remplazamos ú : i<.r(t\ Teorema = """'**(l) (33\ 3-9: Si X. donde i es la unidad imaginaria en la función generatriz de momentos obtenemos una función importante llamada lafunción característíca.. 2p" 6¡Ir¡12 tt.16(D)l = fi*"Oll. entonces la función generatriz de momentos de (X + a)/b es + Mr*ro. De la expansión podemos demostrar que [Problema 3. ¡ri es la r-ésima derivada de M * (ú) evaluada en ü : 0. En palabras.IZ DE MOMENTOS 3'8: Si Mx (ú) es la función generahiz de momentos de la variable aleatoria X y a y b (b 0) son constantes. IUI y (t\ idénticamente. = l"L. la justificación del nombre función generatriz de momentos es lógica.r. f M " son variables aleatorias con funciones generahices de rnomentos M y "(t) (t) respectivamente.80 ESPERANZA MATEMATICA lcAP. la función generatnz de la suma de va¡iables aleatorias independientes es igual al producto de sus funciones generatrices de momentos.15 (c)] M*(t') : I + tLt * r. entonces M**"(t) = Mx(t)MtQ) (3 /r) Generalizaciones del Teorema 3-9 a más de dos variables aleatorias independientes se hacen fácilmente. Yson variables aleatorias con funciones generatrices de momentos M * (t) y M . AIfUNOS TEOREMAS Teorema SOBRE LA FUNCION GENER ATR. Donde no exista lugar a confusión escribimos M(ü) por M"(tl. Entonces X. (t) respectivamente.t"2 lrt = t"L-Bp'rtr * l"t : t't.=t eo'f(r¡) = 2 ) _.

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

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

f@ln) da alrededor de cualquier valor c como = E(Y lX: *). 1. I nlv les. Tambiénpodemosdefinir elmomento condicionalrde YdadaX a\.* Con frecuencia eb conveniente calcular las esperanzas empleando la Propiedad 2 y ¡ro directamente. yl.con. p€rsona eeperado? 3. VARIANZA Y MOMENTOS CONDICIONALES Si X.) s 4 rr | / (58) (5e) o. X. 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 ¡.r"siX:l.. y el tiempo de viaje. Una no puede decidir si conducir o tomar el bua. ¿Cuál ee su tiempo de viaje donde Aquf eetamo¡ considerando la distribución conjunta del resultado del lanzamienb. Definimos la espensnzrt condicio¡wl o media condicio¡wl de Y dada X por E(ylX:r) = . para una moneda honrada. 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.YautoV YbussonindependientesdeX. 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. Kti a2 P|X - pl> ko) k2 .:}(. y)lf t@\ donde f1(r) es la función de densidad marginal de X.5. 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). Un teorema importante en probabilidad y estadística que revela una propiedad general de las y varianza finitas se conoce con el nombre de desigualdad. asf que lanza una mor¡eda. f : Y6. 12 y 3-3 también son válidos para la esperanza condicional.o - *r). E(Y lX = r) = E(Y) si X' }z son independientes. Y tienen función de densidad conjunta f(x.cAP.Presuntamenb.rr - *r\2 | X = r) = Í_- .tf*rf@lx)da _^ Obsewamos las propiedades siguientes: @5\ donde "X: N" debe entenderse como x 1X S r * d¡enelcasocontinuo. Entonces si e es cualquier número positivo. P|X-pl | 3.glX -. - al. x = a) = Í__.LosTeoremas 3-L. { Y: Yauro si X:0.3l ESPERANZA MATEMATICA 83 ESPERANZA. de Teorema 3-18 (Desigualdad de Chebyshev): Supóngrise que X es una variable aleatoria (discreta o continua) son media ¡t y vañanza o2 finitas.tf. El tiempo promedio de viaje a una ciudad lejana es c horas en automóvil o b horas en buó. EJEMPLO E(Y) : . = r)f 1(r)dr 2.

la probabilidad de que X se encuentre dentro de 2 dewiaciones típicas de su media es rnayor que o igual a 0.25 6 P(lx-pl<2"\ > 0. Los valores que corresponden a tales áreas se llaman uolorcs percentila o simplemente percentíhs.. . Estas son lamoda y lamediana.75 Literalmente. .34). r): 1l2.10 6lO% y se Fig.75.\. la probabilidad de que X diflera de su media en más de 2 desüaciones típica8 €8 menor que o iEral a 0. o en otras palabras.6. 2. equivalente. Mediana La mediana es el valor de r para el cual P(X = x): P(X.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. Por ejemplo. Aunque la ntedia es la más empleada. En tal valor r. 1. este teorema establece que la probabilidad de que la media aritmética S.84 EJEMPLO ESPERANZA MATEMATICA lcAP. se implica la ley débil.3-2 . La moda es el valor que con mayor frecuencia ocurtre. variables aleatorias mutuamente independientes (discretas o continuas). y.) Sn/n (60') Puesto que Sn/n es la media a¡itmética de X1 .2. trimodal o multimodcl respectivamente. tres o más valores que tienen relativamente grandes probabilidades de octrrrencia. Si h : 2 en la desigualdad de Chebyshev (59 ) vemoo que P(X-pl>2s) í= 0. el ánea a la izquierda de r. f(r) es máúma. En el caso de una üstribución discreta puede no existir una mediana única (véase Problema 3. .19 (LeV de los gnndes números): Entoncessi S. que esperamos sea verdadero. =o "( *-" =. ... en contraste. cada una con media g y varianza o2 finitas./n difiera de su valor esperado ¡¡ por más de e. 3-2 es c. . .3 3. Moda. Xz. Algunas veces tenemos dos.. tiende a cero : g. 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. Sean X. Xn. Teorema es una consecuencia interesante de 3. tiene la mayor probabilidad de ocurrir.pero cuando n '+ @. el resultado del Teorema 3-19 se llama ley de los gundes números en forma débil.25. Con li31 frecuencia este resultado se denomtna ley de los grandes números en forma fuerte. 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. : Xt* Xz+ . Esto es bastante extraordina¡io si se tiene en cuent¿ que aún no se ba eepecificado la distribución de probabiüdad de X LEY DE LOS GRANDES NUMEROS El teorema siguiente. es que p con probabilidad uno. llamado la ley de los grandes números. .q en la Fig. también se emplean otras dos medidas de centralizaciiln. realmente es falso. lim + X" (n=L. la desigualdad de Chebyshev..ro sería 0. Un resultado más fuerte... Cuando se hace referencia a la "ley de los grandes números" sin ninguna especifrcación. En tales casos decimos que la distribución es bímodal. Así por ejemplo el área a la izquierda de la ordenada eD f.

3-5. 1. OTRAS MEDIDAS DE DISPERSION Así como hay varias medidas de centralización además de la media.(X) D.É.) de una va¡iable aleatoria de lX. 3. Medidas del grado de apuntamiento de una distribución se llaman coeficientes de curtosis o simplemente curüosis.l dr (variablescontinuas) : EllX -¡.3l ESPERANZA MATEMATICA 85 llamaría la décima percentila (o la primua decilal. esperanza Desviación media La desuiación media (D.O . Recorrido semi-intercuartílico. Si r. esta medida no tiene sentido si alguno de los valores extremos es infinito. En otros casos la distribución puede ser relativamente plana como en la cun¡a a trazos de la Fig.p)3] ps (63) que es una cantidad adimensional. es decir D. mientras que si la cola más larga se extiende a la izquierda.ts . como en la Fig. 3-3.11 : (62) SESGO Y CURTOSIS 1. Lógicamente. Si la cola más larga se extiende a la derecha. El recorrido es la diferencia entre los valores más grande y más pequeño de una distribución. La medida es positiva sesgada a la derecha o a la izquierda respectivamente. o negativa si la distribución está distribución simétrica o¡ : 0.r representan los valores de la vigésima quinta y la septuagásima quinta percentila la diferencitrc.cAP.. como en la Fig.tlf(r. se dice que la distribución está sesgada a la derechc.25 se Ilama el recorridó intercuartiticoy Il2 (x.r5 y x. Con frecuencia una distribución no es simétrica con respecto a un máximo sino que üene una "cola" más Iarga que la otra. Para una o. se dice que eslásesgada a la izquierda.p)n] o* p+ o4 (64) .r. 3-3 F'ig. M. Fig.M. Las medidas que describen esta simetría se denominan los coeficientes de sesgo o sencillamente sesgo.1. Sesgo. M. Algunas de las más comunes son las siguientes. 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. 3-5. La mediana sería la quincuagésima percentila (o quinta decila'¡.zs) es el reconído semi-intercuartílico. Una de las medidas es 'il "ü"é D[(x . Recorrido.ts . 3-5 2. hay diferentes medidas de dispersión o variación respecto de estas medidas centrales además de la varianza o desviación típica. 2. 3-{ Fis.x. Una medida empleada frecuentemente está dada por "4 :-_-----i--: E[(x.ll : f_. 3-4.(X) X se define como la (6f ) ) lr.plf(r) (variablesdiscretas) = DllX-¡. Cu¡tosis.

(i)" = +.. pero los definidos anteriormente se emplean con mucha frecuencia. Es posible definir coeficientes de sesgo y curtosis utilizando otras medidas de centralización y dispersión.002 3000 0. Tenemog E(x) Entonces.s.. Sean X.'(*).00 ó 6 pesos.z.9?75) : 6. [. - E(Y) ^/t\ = tll) * \o/ "' ./ 'l*)* 7 E(X+Y) = E(X\*E(Y) = 3. |s = i .o\El = t7 \o.41. Comúnmente se compara con la curya nonnal (véase Capítulo 4). Sin embargo una lotería gana dinero. por el Teorema 3-2. = 1 PorüantoS:2.0005 0 P(X : r\ 0..86 ESPERANZA MATEMATICA lcAP. que tiene un coeficiente de curtosis igual a 3. .3.1.s resueltos ESPERANZA DE VARIABLES ALEATORIAS 3.(i). js = !+ | + á + # +.. el precio del boleto sería más alto. 3. s = . Por ejemplo la probabilidad de obtener uno de los 20 boletos que dan un premio de $ 750 es 20/10 000:0. ¿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:.0005) + (0) (0.ero que se ganará un boleto.. La esperanz¿ de X en pesos es r (pesos) 150 0. Hallar la esperanza de una variable dada por aleatoria discreta X cuya función de probabilidad está Itrl Tenemos : (i)' (t=r. hágase á.02 750 0. Entoncee Restando.. En una lotería hay 200 premios de $150. 20 premios de $750 y 5 premios de $3000 Suponer que se colocan a la venta 10 000 boletos. Véase también Problema 3.) E(xt = Para halla¡ esta suma.002) + 3000 (0. Y los puntos que aparecen sobre los dos dados.02) + 750 (0.(+). Problerna.'(#).. Hallar la esperanza de la suma de puntos al lanza¡ un par de dados honrados.3 que es una cantidad adimensional.(*) ...977t D(x): (150) (0.002.2.os diferentes valores de X conjuntamente con sue probabilidades se muestran en la Tabla 3-2.'(*) .. El precio justo a pagar por un boleto es 6 peeoo.'(+).

.o. Demostra¡el Teorema X2. = + (c) E(xy) : !:" Í:. Y son independientes o no.e" *ta(#) dr ds = ! OEo método..l@ ar = z fo* xze-z.fL. . o. y) la función de probabilidad conjunta de X. \-T) X.rl _'/ _ / '-z'\-'tl' = . @n las sumar apropiadae remplazadas por integraciones: Obsérvese que el Teorema se cumple ¡i X. .!:" f-er+Byv(r.a) = (a) E(xt : Í:" Í:r f(r.n=o l"'=. o.a\ dr da = E(xyt Í.cAP.r.4. (c) E(XY). La función de densidad conjunta de dos variables aleatorias f(r.6.y f(r. 1 E(x2) = !l* x. = fo.o=o Halla¡(a) E(X). = zf-.rr /'-z'\ .t(g=\ll' : . Y estádada por 3.e"-"\a. Puesto que Y eon independientes. = 3 : Í:.a) = ¿+"'o'Y) + ) 2Yf.údrda = Í. EsPERANZAMATEMATTcA Una variable aleatoria continuaX tiene densidad de probabilidad dada por Hallar (a) E(X). pág¡na?7.3l 3.a. @ú r(x. la demo¡t¡ación se de¡arrolla de igual manera. (d) E(zx +By). f(r\ = {"-* lO o>0 r-=0 (¿) (ó) E(x): íl-rrrr. dv = Í"'=. conjuntamente con (o) y (b) E(zx+sy) = z^(x) + BE(y) 3.Í:. tenemos utilizando partes (o) y (b) = E(x) E(y) = (*X+) = # = r(. Í:=.a. . (b) E(Y).(#)0.-'a) E(Y) = E(X) + Si cualquier variable ee continua. arl(ffi) a. . considerada discreüa.'=" f:=. = . Y.=.).fL. = # (D) E(yt (d) (c) E(zx +Br) { . \ ":1"\ (1)\=4 /_jl. página Z?. (b\ E(X."-r. Entonces E(x+y) = ))t"*úf(r.v) dx lra/96 o<r14'LcY15 de otra forma io l.y) dr dy = Í.rrr(g-"\ e")\-) + tzt\ -a /Jl. = 1 .5. Sea f(r.)-' r(#) = + (d) Por los Teoremas 3-1 y 3-2.(ffi)a.

= Var(Y) = +-(. Por el Teorema 3-4. (o) Del Problema 3. = Wa"(X+Y) = 1/g v6 3. Tenerno¡ E'(x ^"' * u' -'u. Pa¡a va¡i¡blee dependientec generalmente no ee cumple. tenemoe f(x. Y rcn E(XY) = 22 Í!J! --t ra f@. Si la¡ va¡iablec X.'/'Q)2afztu) . Y ¡on independientes. ea decir. y.10. tenemos E(X): E(Y)= 7 12.*(á) # :%1 Entonces. / .88 ESPERANZA MATEMATICA [cA".7.y f t@) fz(a) )1. página 77. Halla¡ (a) la varianza y (b) la desviación típica de la suma obtenida al lanzar un par de dados honrados. y): f tG) /2 (y). püa todo ¡.(.:r:¡:* . var(X) (D) 3. Por tanto Y. Y ron independientee. Demostra¡ el Teorema L4. (o) Como en el Problema 3.4 l¿ media de X ee ¡t= E(Xl -.2."*' ""'*"' =i'|í'. y) la función de probabilidad coniunta de X. Entonce¡ l¡ varianza e¡ Var (X) = Etá . puetüo que X. con¡iderada di¡creta.7 Y) = Var (X) (Y) = F (b) ox+). Sea ¡t(¡. Hallar (¿) la varianz y (b\ la desviación típica para la variable aleatoria del Problema 3. VARIAT'IZA Y DESVIACION TIPICA 3. por el Teorema 3-4.(+)-Fr. Demoshar el Teorema 3-3. de ¡i X. por el Teorema 3. p6g¡na 78.u) = ) ) .r. y) puede expresarae como una función de r multiplicada por una función I. independienteo. con las eumas apropiadae remplazadas por integracioneg. Además.)'= * Var y.p\zt = '[(* -])'] = l:_ (" _'L)' t*..9. E(x2) = E(vz¡ ='.)'= i o = tFf-var(x) = \E = t r" : Ot¡o ¡nétodo. Obsérvese que la validez de eate teorema gira alrededor de si f(.8.(l) var(X) Var (X * ' ." (')no(')l E(X) E(Y) Si cualquier va¡iable e¡ continua la demoetración ee desarrolla de igual manera.1/2.4.3 3.\2 ^a = f-('-L)''"-"0' = i = El(x-r)21 E(xz¡-ll(x))2 = t. o.

)¡.ar Y gnr -Y .-.-'u \I/ + .pl|. pág¡na 79. Demostrar el Teorema 3-7. y el hecho de que E[(X tt)z1= 3.2] + zEl(X . . La demo¡tración de (I9).lt:0.ttv eon independiente¡. + r-r¡t('.'tut '\'/ + "' + (-L)'-'( t .u\(Y . página ?9. MOMENTOS Y FI. !¡rw-u¡ = L¡nwl-r) = a' o \ (x*) 0 (b) var = u" (?) = \o¡1x - u¡"1 oz =I utilizando el Teorema 3-5.(i )/. + (-r\'-'( n ..n)21 E[(X ..pv)l * El(Y EI{(X Var (X) + Var (Y) px)(Y pvl2) El(X - - pv)l = E(X .TNCIONES GENERATRICES DE MOMENTOS 3. . Si X* : (X .:..14. = t(4=\ / =.12. Y .!^r_':i.tt)lo es una variable aleatoria normalizadq demostrar que (u) E(X*¡ = 0' (b) Var (X*¡: 1..px)(Y . Er(x-'''.i. Demostrar el Teorema 3-6.ft\tr*"-..11.r?2.pi E(Y - py) - o ya que X.px)2 * 2(X .r.px) + (Y .ltx.. página 79.EÍ6 ./ /\ /"\ = . * t-t'(T)t1"'-.)t(")u'-l + (-t)rpr \. se ri' y emplear cl Teorema 3-6. Pr = El(x-pl'l = nfL x._i.." -.13.. * . .í':. Var (X + Y) = E[{(X + Y) - (px + pv))2] = = = = utilizando el hecho de que .u. .. \t / \r/ + .r.)"n'-' + (-t)'p'l J \r-r/. p{ina 79.' .a)2 pueeüo que E(X . Demeshar el resultado (26).-iut + "' + (-l)'-t¡ur * (-l)-rnt donde al combin¡r loe do¡ úlüimo¡ término¡ re¡ulta (-l)r-1(?'- 1)p'. mínimo de El(X-o)'l ocutre cuan- 3.t .o)n = O.3] ESPERANZAMATEMAIICA 89 3.pv)}21 EllX . e¡ decir cuando a : ll.tt): E(X).\x.(i\*.t:. (a) puesüo que E(X) = E(x*t ¡r.t'+ "' + {-r\r\l)r.E(x.cAP..P)21 + (P ..py) + (Y . Y y por tanto X gue al remplaz.págna79. f)e esto vemos que el valor do (t¡ .. = .

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

(+) * ./+b(.17./!\'_ ." = B t.'NCIONES CARACTERISTICAS 3..". La función característica está dada por Eteiux./!\.20. = E(X) =#Í""*z¡s-¡z)itr =f pL tt = Elxz¡ = # 1"" *rn - s2) d.'. "\5/ tt4 y.-+e i. Halla¡ la función característica de la variable aleatoria X del Problema 3..Lp. . Por tanto. para unava¡iable aleatoriaX con función de densidad r(r) (c) = i.216 pi = E(Xr) = .'''-r2)/8r :"=i.*. 3] (b) S¡ lúl ESPERANZA MATEMATICA 91 ( 2 üenemo¡ z_t z L_tlZ 1 I = '../ \ -/ = cosa coso empleando las fórmulas de Euler ¿io con 0 * isena s-io = cos. 3. = 2 ^f FI..) = \ -. '. tti = *.1!) * r/9)' 85 ". (b) alrededor dc la media.21. : c¿.". tenemos ttl t2 = r-(*)'= # = 02 Fr . pi (b 12) dr = -51 ) Utiüzando el resultado (27\.r)\B/ -t\Ei _ ^.17(o) al remplazar t : i<¿ 3.19.i¡en.\51 . 2 4 8 p'n 16 Pero M(t) = * tt + uí#* rtfr+ tt^fi+ "' = P¡. = 27-s\s5.(l) -. Hallar la función ca¡acterística de la va¡iable aleatofia X con función de densidad dada por I r/2a lrl < a f(t) : io deotraiorma . = l(3.\. El resultado también puede obtenerse del Problema 3.. Jo "ot. /t = \. t = )2.8?b B6eg 8?50 ztcy q\..'. = .cAP.216 -r. al comparar términos.r. p6gin 80.r.". = . Hallar los primeros cuaho'momentos (c) alrededor del origen.*L*!-L*!*.

r = "lÍ:.pvX.. Yl = E(XYI -.f?o/. Y es oxy = Y) = El(X .o = 8en Cú.24. 3. .c-atxt d. Por tanto. Si X. l:.Fxpy .o<t> ¿sf .3 D(etx¡ = f-.io') = _a2 a2 * o2 COVARIANZA Y COEFICIENIE DE CORREIACION 3.rrrrru. la función ca¡acterística está dada por E(eiax¡ = . y eon independientes entonces E(Xy) : E(Xl E( y) .pxE(Y) .6-'l "iar¿-.22. Hallar la función característica de la variable aleatoria X con función de densidaa f@) = ee-atEt.23 = Cov(X._(a_io) ü a L 2(o* io) 2(a."r. página 82. = 2a io l-o = | al@t la ela@ . e<o+iarz * Jo ¿-<a-.* npv] = E(XY) .23..t an + !o' "-"r.LJ_-e(a+t@)ro" q.. = *t_""^"0. página 82.pyE(X) * E(pxpvl = E(XYI .lxtty = E(XY) _ E(X) E(Y) Cov (X.20) ceñ d = ao."-*l* = -Alo = I - Entonces c: ol2. úu empleando las fórmulas de Euler (véase problema 3. Por definición la covarianza de X. + fo* n. 3.r'.ryttx * pxpv = ElXy). e-(a-i@)¡ 2 a*io l-" ' .92 ESPERANZA MATEMATICA La función ca¡acterfstica está dada por lcAP. Demostüar el Teorema B-14.pv)] = E[Xy .E(X)E(ts) = 0 .e-ho 2ia.¡xXY . Puesto que f(r) es una función de densidad tenemog Í).útit¡) l€ lo lo . -oo < Í 1 @. a.f(r)dr tlÍ-"eíore-o<-x.donde c ) 0 y c es una constante apropiada. o" = asf que I .l*-ei..p*y . arf 2c O + . Demostra¡ el Teorema B-15. = "{lo 4f-o u-n<-. por tanto por oxy el problema 8.

Ju=o {rú{rr r sl dr dv = ..(1)(1ac) +(2)(22c\ = 58o = E = n 78c E(Yt = 22af.ú = ...lrrr"o*. txv o = oxnv -. (¿) (b) = ))o/(".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. (c) E(XY).cAP.= = t/zwan ' 15514.at) = rr.al = )"rl-)ftr. lr.ol...n"..'.25 si las va¡iables aleatorias X. Resolver el Problema 3.26. Y se definen como en el Problema E(x) (a) E(X'¡. =# =+ = 22u2f(u.8. Y se definen como en el Problema 2. (e\ E(Y'). dy = %T t 16 ri = ñ)"=.. + (0)(1Xc) + (0X2X2c) + (0)(3)(3c) + (1X0)(2c) + (1X1)(3c) + (1)(2Xac) + (1XBX6c) + (2)(0)(ac) + (2X1)(6c) + (2X2X6c) + (2XB)(?c) 427 ld.2103 apror. [] tA.ur".[) ¡@. f"t=u our.a\ .:-* J. .o..O. 2..y) = ?rh f(. Utilizando c : LI 2LO tenemo¡: (¿) (c) E(xt = E(Y\ E(xY) h + s) dr t."=.r". (0 p.ul = )y.. (d) E(X').or.. página 52.o..26.y) = E(xy)-E(x\E(yt ?-(it)'=:* = +-/+)l+) = --+ r47 7 \21l\7/ -0. (/) Var(x). sl Hdla¡ Cov (X.alf '* = *. si las va¡iables X.a\l = .) (e) E(xz¡:22r2f(r.at) = 4.-. .*.r.o1...=. = E= + (c) D(xY. página 50./zso r/55 -20: = 3. EsPERANZAMATEMATIcA y). (s) Var(Y).lyL47. E(Y).3. * (1)z(1ac) E(Y2') lllr"t *l =t .(1)(9¿)+ (2)(L2cl+(3X15c) = = = 22nufia.J"-o{o)1"Iuld'rita = I70 6s = tf67580 . (b) t 93 (¿) 3.

f u'.rrr.(#). DESIGUALDAD DE CHEBYSHEV 3. la función de probabilidad eondicional de Y dada X : 2 es ftutz) = Entonces la esperanza condicional de Y dada + 2. pág¡na62. Hallar la esperanza condicional de Y dada X : 2 en el problema 2. pág¡na 62..(#). p= oxoy -200l3969 /50s615e6-0 {r6únsn -200 t/zsnr/te zzs = ESPERA}IZA.# E(xz¡ =h Í.2g.^:.rrrr. 3 (d) (el u') b) (h') (t oxy =# E(Yz¡ = h f. X: 2 es E(Y =2) "x = ? r(+) X: donde la suma se toma sobre todo y que corresponde a E(y.zlB del Problema 8. . .var(X) = E(xz¡-ll(xtl2 = #.29. Hallar lavariar¡.(iu) = ii 3.28(o).)\t)* J_- donde hemos utilizado el hecho de que ltz: E(Y lX: r) :2.(ui) . = var (y) = E(vz¡ _ l'(y))2 = t# _ (#)' = t.30.27.03129 aprox. * a) dr tru = # otr ."=. página 61. Hallarlaesperanzacondicionalde(c)YdadaXv(b)XdadaYenelProblema2.pág1na62. Como en el hoblema 2.a varianza pedida (segundo momento alrededor de la media) es 12 z"\'/zu\' =18 E[(v-pr)zlX=r] = f'w-td2fz@lr)da = ('/ Pz"'=J.2g.y) = E(xy)-E(x\E(y) = ?-(?f)(*t) oxy = -# -0.g.=o.27.(#)' = *tq*$ o2.x=2) = -. * v) dx da = cov(x. (o) (ó) E(ylX=r) = Í-_afrtuldau = ír'r(rr")* = + E(xly=y¡ = f_-".28. Demostrar la desigualdad de Chebyshev. .94 ESPERANZA MATEMATICA fu'=o [cAP. La demosbación para variables discretas es semejante si ee remplazan las integralee por sumas. Esto oru o"oo oo. Si f(r) es la función de densidad de X entonces . VARIANZA Y MOMENTOS CONDICIONALES 3.. [.za condicional de Y dada 2(L-ys¡ 2(l+y*y2) --¡O+7I- x para eI problema 2. Presentaremoe la demostración para variables aleatorias ecntirruas.\r-. .(rlytdr = í"'"(#*S* El=a\ 3.

'*"') .cAP.. ¡¡ (o) = 1/2..04e?e = plr- = 7/4.25 Comparando con (o) observamos que el límite dado por la desigualdad de Chebyshev e¡ ba¡ta¡te crudo.t+. como se pide.*Var(X. Por tanto 02 t¡z-ttlZe rlr-yl=. Por tanto P(lX-rl > 6) 3. página 84. (c) hallar P(lX .|) ol ¿l \l \ o = J¡ | f :l/2 Ze-udr = 1 - e-3 Portanto (b) Del Problema 3. Demostrar la ley de los grandes números establecida en el Teorema 3-19.18. En la práctica la desigualdad de Chebyshev se emplea para dar estimativos cuando es inconvenientc o imposible obtener valores exactos.) = o . Así por la desigualdad de Chebyshev con Tomando el límite cuando n ) -.rl > 1) y compararlo con el resultado en (a)...32. Entónce¡ P1x ¡.*X.18. | \ _ ul=_ .¡. .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 ? .t <1) = "(l*-*l . LEY DE LOS GRANDES NUMEROS 3.¡rl > 1).* .x. el valor de la integral solamente puede disminuir cuando el int¿rvalo de integración se reduce.) = ¡toz tt Var(S") = Var(Xr*'. DeI Problema 3.'.(-:.ul=') 02 esto se conviertq.|ww. Tenemos E(Xrl = E(X2l = . La desigualdad de Chebyshev P|X-pl > f) resulta P(lX¡r] = 1) < oz = 0.. /ts r|. ".) así que t'" (+) = 4 var (s") = * X: Sr/n üenemos _/ls" | \ donde hemos empleado el Teorema 3-5 y una extensión del Teorema 3-?.18.).31. (b) Utilizar la desigualdad de Chebyshev para obtener un límite superior de P(lX . = E(X) = p Var(Xr) = Var(X2\ = "' = Var(Xn\ = o2 Entonces t(*) = "(*'*'. Para la variable aleatoria del Problema 3.t)/ = .+E(x")l = L(nt) = = Var(Xr)*. '|.(l*-*l \t o2 =t)/ = 1-(1-e'r) = p2 e-s = 0.

En este caso probabilidad esLl2.?3 aprox.84. P(x<a) Igualando eeta = *. . y (c) compararlas con la media.36='ñ¿r ze) az de donde o = sli{z- q Por tanto la mediana pedida.9 - -'l 86 - 8l l2r2 = u Entonces . La moda. . e8to e3 f(r ) ocurre dondc .60 = 1. r: 1. una va¡iable aleatoria discreta tiene una función de probabilidad f(r) : !12' donde 2. .33. eetá dada por = n-Zr/. El máximo relativo de la derivada es cero. r. (c) ' E(x) = + ('¡z(g-xz\da = !(t*-+)l'= 8l\ 5/lo 8lJo que prácticamente ee igual a la mediana. es Í: L. aquel valor deo parael cudlp(X é a): ll2.¿rL 81 -_l = 'r2) df ar. que debe enconharse entre 0 y B. que ea La moda pedida. la mediana y la media se muestran en la Fig. . = fr: aegunda derivada.. Ahorapara0(a ( 3. (o ) La moda se obtiene hallando donde la densidad f (x) ea máima. 3-6."on-r2tdr = #(Y-t) 2aa_36a2 all2 hallamoe que *91 = 0 de donde _ia2 = 36a\436P-4(2X81-) . (c) Comparar la moda" la mediana y la media. (b) La medianaee 1. La función de densidad de una variaut¡ aleatoria continua x es osc<3 f(r) : 1:'@-r2)/8r de otra forma l0 (a) Hallar la moda. Ob¡érvese que este valor da el máximo ya que la -24x 187 .62 apror.[. para el cual la . (a)/ La moda es el valor de 4 asociado con la probabilidad más grande. l(r't 3. (b) Hatlar la mediana. Halla¡ (a) la moda y (b) la mediana.96 ESPERANZA MATEMATICA lcAP.3 OTRAS MEDIDAS DE CENTRALIZACION 3. ea negativa para x = 1fá.

(c) Del hoblema 3. (b) La vigésima quinta percentila es el valor de a tal que (L8o2 P\X<a)=#(Y-fl = "# aa -a4¡¡8t \l8L : O.25.cAP.l0.33. : 1. OTRAS MEDIDAS DE DISPERSION 3.60 : 8/ó. Determinar los valores de la (c) décima. = - p|) = l_". es decü 312.*l[#.esdecirlasoluciónde(18a2 : 0.n "¡fa' = Í^" (.0 : 3..? 5.b1 aprox. (b) el recorrido semi-intercuartílico y (c) la desviación media para la distribución del Problema 3. (b) Por el Problema 3.33 hallamos que s : 0. : 2. Entonces el recorrido es 3 . (o) Puesto que todos lós valores ¡ ) 3 tienen probabilidad cero. (c) Como se encontró en el Problema 3.33. Y CURTOSIS de (a) sesgo 3.19 tenemos 02 ll 25 It3 oo - 32 8?5 -0.P(X=r):l12yP(X. I.33 la media Desviación media ee lt : 1. M.098 y 2.36. Del hoblema 3.)[#'n .r :: .Portantacualquie¡númeroentrel y 2 podrfa representar la mediana.L21 aprox.r - pl f (n) dr = l"' l' .l : 2.19.35 los valores de la vigésima quinta y septuagésima quinta percentilae son 1. Por coneecuencia escogemos el punto medio del intervalo. Hallar el coeficiente y (b) curtosis para la distribución del Problema 3.o . a (c) f.1253 3693 8750 (a) Coeficiente de sego -: o.a septuagésima quinta percentila es el valor de ¿ tal que (18o2 - a4 ¡¡8t: o @a.35. Entonces E(lX = D.121 reepectivamente. En forma análoga puesto que todos los valores ¡ ( 0 tienen probabilidad cero.10.3l ESPERANZA MATEMATICA 97 (b) Si¡escualquiervalorentrely2.t):ll2. Empleando el método del Problema 3. (" .37. tomamoseluolor móximo de ¡: 3. Del Problema 3.33.098 aprox.33(b) tenemos (o) LadécimapercentilaeselvalordeoparaelcualP(X5o):0..-1998 0.")] d' + Í. Determina¡ (a) el recorrido.68 aprox. Por tanto Recorrido semi-intercuartflico = ?121 .655 apror. :. tomamos el uolor mínimo de ¡ : 0.. Por tanto el orden de las tres medidac es contrario al del hoblema 3. PERCENTILAS 3.'"¡)a' = SESGO 0.".")[#.3. (b) vigésima quint4 (c) septuagésima quinta percentilas para la distribución del Problema 3. o sea ¿ 0. .

.... .' '^'y'. - I zt._ . yp¡ los coe¡icietttes tte iour¡"r.página 80.40.rf t1o k+j k---j Por tanto rt ¡ P¡ . (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 -.l l''... ú"r**:r. = 2¡p f -o --n ... Utilizar el Problema 3.Iu-| é(o) E1er. . .. . PROBLEMAS DIVERSOS 3..j . ti = M'(ol Entonces de (27) tL = M"(o) p = Iú'(0) 3.39 para obt€ner 14 distribución de probabilidad de una variable aleatoria X cuya función característica es O(<¿ ) : cos . .. remplazaudo j por h. = o" = M"(0) - lM'10¡12 1. (b) Mulüiplicar ambos lados de la expresión (r) .{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. tenemos remplazando r : L y r : 2.. Sea p.1.i)o ¡f.. como se indica en la Fig.Para una variable ¿leatoria continua.(".. es algo menos apunüeada que la 3€.. 3..38.Z. .u-¡ ..n. o1_o o.(ar tra -= k =S o*Ja " ¿i{r'..r i r)d (¿@ I ¿ir r 1. . que tiene una curtosis de 3. f tl' ..." .t_ | eú . X una variable aleatoria que toma los valores t n. Del Problema 3. " t*''L i:. .1. puesto que f_"n. . "" Entonces j f'= " -iia 4.39 I pt. .39.. la serie de Fourier se rernplaza por la integral de Fourier (véase página 81).x¡ ¿ior¡ = - i -) r^. ¿ k icr_.. pk 1 12= T. También la distribución distribución normal.> ]¡xeik. n2. = I#+i:"-o 2¡ tt'' sr(. 4¡ J. = ...1.l ¡rt" .3 (b) Coeficientedecurtosis = et :. De (32). respecto I @ desde 0 hasta 22. y la varianzaes 02 : M"(O)-ÍM'1O¡12.r-.¿../" .tlZ Se deduce que hay un sesgo moderado a la izquierda. J. Qk¡).¡ rru.98 ESPERANZA MATEMATICA lcAP. coS c do -e ':. f-ri".

)21 = E(X2) = pí = ps = qllX -p){] = E(X4) = p'n -o2 'lt4-. 3-7. = Z Jo {i . = E(xz¡ = -+ ¿l" l/2r -. 3-? (b) Tenemos p.41. # to' '"t2"-'d'o B L 4. 3 Por tanto el coeficiente de curto¡i¡ e¡ -i-ó . 2 2'\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.k:-1hall¡mogp-r=*.\2/ {.1"/l) = -{.2. .cAP.'\2/ Entonces = EI(X. (o) f(t)= l¿-"'" l/Zn- -co<n<e l!\ : llt = O y lt\:0./g\ = {.8. \ Fig. (r |. = h Í. Por simetrÍa. con probabiüdad Ll2 con probabilidad Ll2 -r 3.p. "_. Iülla¡ el coeficiente de (c) sesgo y (b) curtosis con densidad de la distribución defrnida por la curua normal. {2¡ or. Por tanto el coefi- La di¡tribución tiene I¿ apariencia de la Fig." *. Análogamente obtenemos ti = E(xr¡ = h fl= o. Por ta¡¡to la va¡iable aleatoria ectá dada por X=) Comó una verificación vúas€ hoblema 3.Pa¡alo¡oEdvalore¡dektenemo¡p*=0.20.... (.si.2"-22/2¿¡ ¿u = + 'to f'sz¿-x'/z¿.3l ESPERANZA MATEMATICA 99 Si&:lhallamosr'=$. -f rz ¿. cientc de sesgo es cero.x2/2 ¿.1"/1) = r \/.= -z-rll) .

-2"":'\ -" -* \"r* ) -/ = oí+oil"-. Una variable aleatoria X se define | -2 prob. 3. Demosbar que -1 < s1 (véase página 82).Y = ] 3 prob.3 3. (b) E(Xr). La función de densidad de una variable aleatoria X es /(r) = (e-r r>0 de oüra forrns 10 Hallar (o) Eo(l. ¿Cuál es el número esperado de puntos que resultan en 3 lanzamienüos sucesivos de un dado honrado? ¿Parece razonable su solución? Explicar.( ".-".zcEl(X. 3. Una variable aleatoria X tiene la función de den¡idad (e-' r>0 /(r) = {l0 ^ ¡(0 Hallar E(e2x/31. = o?. (c\ E(Xt). (c) E(XY).49. Para cualquier constante real c tenemo¡ . Sea prob..s suplernent&rio s ESPERANZA DE VARHBLES ALEATORIAS 3.zl \ 'xv\2 "i" "x/ --t-"i = ""*"1-o'*"=-0 ó *=1 '7ní queesequivalenteap2 < "'*"?. g. (bl E(}X-21. + n?.x)(Y- pv)l = + c2al - 2co*. (c) E'l(X-1)21.Y El(Y _¡v)21 c(X - Px))21 = 0 / ol."Í\"-. * c2El(Xr ¡x)21 .{) * -. ll2 .48. I 1 3. Hallar (a) E(XI.42.44. 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).otr ___q__ . .100 ESPERANZA MATEMATICA p [cAP. Sean X.46. 9. I Problerna. (cl E(X21.¡.45.47. (b) E(Xz *)a2). 1/3 por . 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). (b) E(zX + 6). / .!\'Entonees el lado izquierdo puede escribirse El¡.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.

.cAP. + Xn). (ft E(xY). (cl E(XY). (ó) E6?+ X'r+ .0=tt<2 lr(t*u) l\x'a) = f deoüraforma 1o (b) E(Y). (f. 0f s<I.. Y va¡iables aleatorias con deneidad conjunta f(r'al = iat' Io o-<:us1' o<tl<1 de otra forma Hallar (o) E(X).52? Explicar. 3. 1/6 Xzl .50. 3.50? Explicar. ¿Se cumple que (c) E(X + Y) = EIX) + E(yl. X2.3l ESPERANZA MATEMATICA ¿Se cumple 101 3.XY\ 2 = E(X) E(Y\. * Xil.53. .51. VARIAT{ZA Y DESVIACION TIPICA 3. Sea X una va¡iable aleatoria con función de den¡idad (1/4 -2f x=2 l(rl = jo deotraforma Hallar (o) Var (X).66. en el Problema 3.E(X) E(Y). 3.2/3 v) | 2 i -a prob.'. Sean X. 3/4 prob. tc)E(X+Y\.7/2 prob. .(zr+y) 0<r='I. = I Z [ -_r Hallar (o) E(Xt+ prob. que (o) D(X + Y) = E(X) + E(Y). (b) E(Y). (b) "x. 3. 3. 1/3 \o prob. (x) = io x>-0 de otra forma Hallar (o) Var (X). Hallar (o) la varianza y (b) la desviación típica del número de puntos que resultan en un EoIo lanzamiento de un d¡do honrado. (b) E(2X2-Y2). (d) E(X2t'). 3.. . (b) E(.55. 1/B prob. (d)E(XY).57. (b) E(Xy) -.69. 3. Si /(t. s) = ] : de otra forma |0 Y). Sean X. en el Problema 3. Sea X una variable aleatoria con función de densidad f (e-.48? Explicar. Y variable¡ aleatorias independientes tales que ^ vt || prob. (d) E(XY). (b\ E(XY) : E(X) E'(Y).58.54.62. Sean X1 . Y va¡iables aleatorias con función de densidad conjunta Hallar (o)^E'(X).49. 1/4 Hallar (o) E(3X+2Y). en eI Problema 3. . ¿Se cumple que (o) E(X + Y) = E(X\ + Sean X. 3. (c) E(X-rY).0lyf 3. Xn n variables aleaüoria8 que están distribuidas idénticamente tal que | 1 Xt. E(Y\. (b) "x.

3. Hallar (o) la función generatriz de momentos de la variable aléatoria x = y (b ) los ( U2 1 prob.72. Demostra¡ el Teorema 3-11.62. y 4o.6 hallar (a) E(X). (a) Hallar la función generatriz de momentos de una variable aleatoria con función de densidad f(t) = fe IO y (b ) r r>o de otra forma determinar los primeros cuaho momentos alrededor del origen.. 3. 3.01 - 3M"(0) ¡l'(0) + 2lM'(0\13 Ifrivr(Q) 4M.70. Hallar la función carar:terística de la variable alcatoria X con función de densidad f¡): (x/2 io 05rtZ deotraforma . 2\21 Si una va¡iable aleatoria X es tal que E[(X Demostrar el Teorema 3-1. En el Problema 3. 3. 1/2 prob.43. (c) o¡. Hallar los primeros cuatro momentos alrededor de la media en el Problema 3. Ei6 - .44.67. - 1)2] = L0.44. (b) Var (X). 3.73. 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.r02 3. 3. (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. g Problema 3. 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.68..'(0) ¡f. demostrar que el 3o. Hallar (o ) Var (X ). Hallar el hésimo momento alrededor (a) del origer^. E(X): 2. (b) Problema 3.65. MOMENTOS Y FUNCIONES GENERATRICES DE MOMENTOS 3. 3.66. (b ) ox. 3. (á ) Problema 3. Si M(ú) es la función generatriz F:t de momentos de la variable aleatoria X.7 lxl I a deotraforma 4. 1/2 -tn primeros cuatro momentos alrededor del origen.64. E(X2 ) : 8. momentos al¡ededor de la media están dados por = p1 - ItI"'(.60. (b) de la media. Halla¡ Ia función ca¡acterística de la variable aleatoria (a X = 7 ó I prob.61.69. 3. Si X tiene función de densidad ¡t") : -i (l/(b-a\ O a'=r=b de otra forma. página 81.(0)]2 - 3[M'(0)]4 FUNCIONES CARACTERISTICAS 3.67 halla¡ los primeros cuatro momentos alrededor de la media.63. página 77.(0) + 6M"(o)lM.71. (a ) 3.43.

cAP. 3l

ESPERANZA MATEMATICA

103

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

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

aleatoriasindependienres(E=

t,2,...,n).

Demosrrarquelafun-

ción característica de la va¡iable aleatoria

x\+x2+...+x,
\n
es [cos (,,;/1ñ)]".

3.76. I)emostrar que

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

^ "-o2/2.

(Sugerencio:

COVARTANZA Y COEFICIENTE DE CORRELACION

3.71.

Sean

X, Y variables aleatorias con función de densidad conjunta
f

(r'a) =
(c)

(x rA 1o
(rt)

0.*1

r=1,0<U<L

de otra forma

Hhllar (o) Var (X), (ó) Var

(y),

o¡,

oy, (c¡ oy.., (t') p.

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

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

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

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

Hallar (o) Var (-Y),

1ür)

Vat Y, (c) o¡,

ftt) oy-, (e)

"xv,

(/) pt

para las variables aleatorias del Problema 2.5?.

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

3'81. 3'82.

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

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

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

-

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

ESPERANZA, VARIANZA Y MOMENTOS CONDICIONALES

3,83.

Si

X, 1l tienen función de densidad

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

=1
y

fr*u
o

0<¿=I,0ay<1
de otra forma

dada

3.g4.

Resolver el problema 3.g3 si

/(¡, y) (b ) X dada

.f,2e-

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

0

Io

de otra forma

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

) Y dada

{

y,

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

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

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

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

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

104
DESIGUALDAD DE CHEBYSHEV

ESPERANZA MATEMATICA

[cAP.3

g.g¿. Una variable 3.93.

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

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

1

3.95.

,

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

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

-1 <c<1
de otra forma

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

P{ ljl -\l
LEY DE LOS GRANDES NUMEROS

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

|
3ne2

3.96.

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

e interpretarla.

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

/ls-

I

\

=

1

3.9?. SeanX¡ (h:1, ...,n)

n variables aleatoria¡independientes tales que

| \o

(

orob. n prob. q

=L-P
¿qué interpretación

(o) Si X¡

representa

Puede darse

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

)

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

e

interpretar egte resultado.

"trx

"(

/1s.,o1= |

l;-

'

1=

\

o

g.g8.

Sean

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

cada una con función de densidad

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

-@<s<@

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

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

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

(b)

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

de una distribución para que lrr ley de loa gnndes

OTRAS MEDIDAS DE CENTRALIZACION

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

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

le-t {o

r¿0
deotraforma

cAP.3l 3.101. Resolver

ESPERANZA MATEMATICA
el Problema 3.100 si la función de densidad es

105

(at¡-¡z¡ l(r) = 1o ( 2

0<r<1
deotraforma

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

y compararlas con la media.

x = i -t

prob. 1/3 prob. 2/B

3.103. Hallar
media.

(o

) la mediana y

(b

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

la

PERCENTILAS

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

(b ) septuagésima

quinta percentilas para la variable aleatoria con

(2(l-r\ (rl = iu

0.1

x!-L

de otra forma

3,10-5. Hallar los valores de la

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

f

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

-1

.1

r{1

de otra forma

donde c es una coriatante apropiada.

3.106. Una variable aleatoria X tiene fr¡nción

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

(e-, 1n -ln
(1

rl:0
deotraforma
donde 0 = p

-p)

< l.

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

-@

<n ( o.flemostrarqueelvalor

3.108. Hallar (o)

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

!r va¡iable aleatoria

del Problema 3.104.

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

11. g.ll2.
3.1

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

Ll2ln

3.

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

S.1f

3.

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

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

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

3.115.

Sea

/(z) = I| ^ 0

(c(1

-¡t¡

-1 <r:'1

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

c es una constante apropiada, la función de densidad

de

la variable aleatoria

X. Halla¡

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

106

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

[cAP.

B

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

3.117.
3,118.

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

f(r)=1t
curto¡ii.

l"(1
Io

r/

l"l\ -;l

rl=a lr )a

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

3-1i9.

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

fk\={
PBOBLEMAS DTVERSOS

ftr¿-I¡ l0

r>0 ¡(0

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

el tercer momento alrededor de la media.

8.121. Re¡oh¡er

el hoblema 3.120 si

X tiene función de den¡idad

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

o(r(1
de otra forma

8.122.
8.129"

Se

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

(o )

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

Sca

X una variable ¡le¡tcia con función
f

de densidad

(r\ =

cr 1o
f

0=r<2
de otra forma

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

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

eeperado que llegarán al dest¡no

8.12ó.

X, ftienen función de den¡idad conjunta |

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

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

otn forma

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

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

f(r)
y rea

= {j

;;j;;"

Y:

X2. Halla¡ (a)

E(XI,

(b)

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

cAP.3l

ESPERANZA MATEMATICA
paxe

ro7

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

demo¡trar que podemos tener E(XY)

:

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

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

y) la función generatriz de momentot

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

|

|

,tz+ut

f(n,ü dr d.u

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

.

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

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

3.133. Un juego conriste

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

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

3.134.

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

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

entonces (a) K'(0)

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

= p = E(X),

(Ó) /<"(0)

=

o2

= Var (X).

37.

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

t:

0.

3.138. Obtener

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

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

lrl I

a

deotraforma

)

0. Hallar la función ca¡acterfetica de

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

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

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

Supóngase gue tenemos

probabi prueba
Sea

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

pruebas

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

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

f(r) :- p(X:n) = (])r,n"-, = ¡f_;¡

(r)

PIX=2) =

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

_

/r\=/1 'zÁ\!/ \, ¡o-z )

6:

lb
61

puesto que para

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

\q+p)'

= o"

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

+ pn

: á ('1'1r-,,,-,

(2\

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

AIÁI.JNA.S PROPIEDADES DE 4-L.

LA DISTRIBUCION BINOMIAL

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

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

desviación tÍpica es o

: y'jfbo¡rr¡}¡ :

g.

cAP.4l

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

109

!

'np

o2 .. tt'l¡q

o =

ytirytq

Coeficiente de

sesgo

_ q"
|LIft¡

p

v npq

Coeficiente de curt<¡sis Función generatriz de momenCos

l-6pq
y npq

=

ft¡

l- yter)n

Función característica

4,6) = (qIpe,.)"

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

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

Teorema

4-1

(Ley de alealoria proporci
ro positivo,

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

li,

:

Sea

así € es c

l'*"(l

{i_ rl ,.)

:

o

(3)

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

DISTRIBUCION NORMAL

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

f(x) :

-L-¿--r'-r'r2':'2 o¡/2-

-co <'t <

oo

(¿)

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

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

¿-'"-u''/b'd1)

(5)

73% del área total.8 yque3) las cuales rcn iguales aJ. La función F(z) eú(z) = z-frÍr' e-u'd. P(-Z=Z<2) = 0.46%.96.Nl/s-> 96.68.z: + . (r) Este resultado se conoce frecuentemente como la iunción o la distribución de densidad normal tipif!eada.110 va¡ianza DIsrRIBucIoNEs DE IRoBABTLTDAD coN NoMBBE pRoplo [cAp.451/" y 99. du (s) se Algunas veces llamamos al valor encuentra relacionada con la función enor. La función de distribución correspondiente está dáda por F(z) = P(Z < z) = I t/2" Í'-"-.9545. que es uno.27%.u y F(z) : á['. Si hacemos que Z sea la variable normalizada correspondiente a X. P(-3< Z<3) = 0.. 4 En este caso decirnos que la variable aleatoria X está normalmente distribuida con media g y l.. du = + # fo' . En esta representación gráfica hemos indicado las áreas dentro de L. resultando de f(z) : le-"'" V2" . En este caso la función panZ puede obtenerseapartir de (4) alremplazar! = 0V o: 1. *t(ft)] (e) En la Fig.73% Fig. 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. Esto quiere decir P(-1<Z=L) = 0.-.. Tenemos z de la variable tipificada el wlor tipificado.". : .. 4-1 se muestra una representación gráfica de la función de densidad (7). 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.2 y 3 desviacionestÍpicasde lamedia(esdecir entue z: -1y * L. algunas veces conocida como la curva normal tipificda.z.99?3 (10) ¡$$. 99.-2y I2. 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 : 0.6827. ert (z).

cAP. se llama la distribucíón dePodsson (en memoria de S.. 2.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 111 ALGUNAS PROPIEDADES DE LA DISTRIBUCION NORMAL Algunas de las propiedades importantes de la distribución normal general se presentan en la tabla siguiente.. . decimos x -'p . DISTRIBUCION DE POISSON Sea X una variable aleatoria discreta que puede toma¡ X esté dada por los valores 0. Esta airi¡Uu"iór. ALGUNAS PROPIEDADES DE LA DISTRIBUCION DE FOISSON Algunas de las propiedades importantes de la distribución de Poisson qe presgnf¿rr en la tabla siguiente. 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. o utilizando logaritmos. En la práctica la aproximación es muy buena si ambos np y nq son superiores a 5..rup)ll/nfiqes t¡m P(a= (12) normol asintóticamente. . 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. que da los valores de e-r para diferentes valores de ). n+€ \ vnpq / 1/2n que la variable aleatoria tipificada (X .. y en el límite es total. . (Véase Problema 4. El hecho de que la distribución binomial tiende a la distribución normal puede describirse aI escribir Literalmente.D. Los valores de f(r) en (13) pueden obtenerse empleando el Apéndice H. donde tr es una constante positiva dada.2. Poisson.¿r) : L J" f"-u2tz ¿r. 1. L.t7). . tal que la función (1g) de probabilidad de f(r) = P(X--x): {] r=0. La aproximación es tanto mejor conforme aumenta n. 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.

4 a2=tr Desviacióntípica Coeficiente de sesgo I "=rA n¡ -. Esto se ve comparando las Tablas 4-7 y 4-3. ... V2=.qN1-yp=OenlaTabla4-1 obtenemoslosresultadosdelaTabla4-3. Entonces si S. (15) . Xr. TEOREMA DE¿ LIMITE CENTRAL l . ..f es La semejanza ent¡e (1 2) y (14) naturalmente nos conduce a preguntarnos si existen ohas distribuciones ademas de la binomial y la de Poisson que tengan la distribución normal como c¿lso límite.. +X.TL2 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Tabla 4-3 Media Varianza lcAP.ladishibución de Poisson tiende aladistribución normal a medida que n or mal asi n tót i came n te. (r¿ . . se deduce que hay también una relación enhe las distribuciones de Poisson y normal. T'¿orema ..'.t* Í"'" '2t't ¿.1. '. El extraordinario teorema siguiente revela que realmente una gran clase de distribuciones tienen esta propiedad.r)/V[ es la variable a]eatoria tipificada correspondiente. ya que al remplazartr:np. Podemos demostrar que si X es la va¡iable aleatoria de Poisson de (I3) y (X .. 4-2 (Teorema del límite central): Sean X.r)/V. .t. = n-ú \m P( \ a s" = -l'¿ o/?? = o) / = .u d.l-= ('". .J.7/t/i ".. Efectivamente esto sucede. 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. entonces En la distribuci sucesoestácercad la práctica conside grande :1- es raro l'* "(" x-r 1A :j ¡r ) : .2. RELACION ENTRE LAS DISTRIBUCIONES DE POISSON Y NORMAL Puesto que existe una relación entre las distribuciones binomial y normal y entre las distribuciones binomial y de Poisson. va¡iables aleatorias independientes que están distribuidas idénticamente (es decir todas üenen la misma función de probabilidad en el caso discreto o función de densidad en el caso continuo) y tienen media p y vatianza u2 finitas. (1 4) estoes. . ...).ó (X. En tales casos l¿ distribución de Poisson (I3) con tr : np. Xrl-Xr -1.

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

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

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

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

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

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

llo en el regundo y cara en el tercero.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 .cAP. ccs.+)] r >0 Í <0 5.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 119 3.(r i) . DishibuciónWeibull. (c) al menos 1 cara. (b) 2 sellos y una cara. para rignificar cara en el primcr lanzamiento.'r(r / + |) - a-2. Método 1. Estoe lon ccc.b[. Distribución exponencial fkl = { lae-"' c)0 n=0 L0 M(t)= q. c. por ejemplo.1. ssq scq scq sss Para una moneda honrada a e¡to¡ re¡ultado¡ re ler asignan probabilidadee iguales de 1/8. 4. Por tanto (o) P(3 cetar) = P{CCC¡ = } (b.a resueltos DISTRIBUCION BINOMIAL 4. Puesto que en ceda lenzamiento pueden ocu¡rir 2 posibilidedec (cara o rello). csg css. Distribución Maxweü. f(r) lt= )o-l Problerna. Hallar la probabilidad de que al lall. en el erpacio mue¡tral. es decir puntoc muesEalee. (d) no más de un sello.zar una moneda honrada tres veces resulten (c) 3 caras. 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. Si C denota "cara" y S denota 'rlellot' y derignamos CSC. 1"1 ¿=j ( f(s) = rL o6*t-r {o 02 "-axt r<o * = o-'.-t fi > O t'=. hay untotalde (2X2)(2)= g re¡ultados poeibles."(t.

sea la va¡iabié aleatoria que denote el número de caras en los 3 lanzamientos. i 8 P(al menoe 1 cara) : 1 : .\t/\t/ \z/ \z )\zl \zi \3 l\2) \2 / De otra forma.)'(.. qr" X.)'(i)'= á (b) p(zserrosunacsra) :: (. Aeí por ejemplo si seleccionamo.X.)'= P(1 cara) 3 (c) P(aI menos 1 cara): P(1. (b) máximo una vez. /l\/tYll\'= . -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. ó 3 caras) : * P(2 caras) * P(3 caras) = /'\/l\'/t\'. Halla¡ la probabilidad de que en cinco lanzamientos de un dado honrad o aparezca 3 veces.r)\t)\r) . 4. (c) al menos dos veces. cara) = I'(X ¡-- 1) = P(X = 1) + P(X =2\ * P(X: 3) . Usaremos ambos de los enfoques intercambiablemente.2.I2O DISTRIBUCIoNES DE PRoBABILIDAD CON De otra forma. Sea la va¡iable aleatoria honrado.' /'\lrY/l\'.á . (c) puede escribirse P(al menos una /s\/r\'/r\o /s\/rY/r\ = \s/\rl \ü -\.2. NOMBREPROPIO [CAP. (o) p(scaras) = (l)(. 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 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\/ 1l\'/+)' = t.\o/\6i \6/ \r/\oi \o/ 3125 .3 vemoe que (o) (b) N(rmero esperado de familia¡ con al menos 1 niño = . (b) al menos 1 sea niña.\s/\z) \z/ ..i \t/ \t/ = 2 8 p(4 niños) = (l\ /1)'11)'= f x-/\z) \z/ . HaIaf la probabilidad (o) p(lniño) p(3niños) Entonc. (b) 2 niños. (c) 1 ó 2 niñas.cAp. 4l DTSTRIBUCIONES DE PROBABTLIDAD CON NOMBRE una PROPIO '.3888 ' 3888 ' 7776 ' 7776 .= 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\'.3. P(almenorlniño):1-P(nir¡gfrnniño) = l(b) P(al menos 1 niño y al menos una niña) ll)t \2/ = .zL (b) P(3 ocurra máximo vez) = P(X 1) = P(X = 0) * P(X = 1) = = 1l\/rY1¡\'*' ¡s) /r\'/rY .es sea niño y al menos 1 Ll2.4.16 P(2 niños) : P(l niño) * P(2 niños) 16 16 * P(3 niíror) * P(4 nlñoa) 1 3 1 1 4 8'. (o ) ee coüvierte en P(X>l) : P(X:l)*P(X=2)*P(X=3)*P(X=4) = 18 4. Suponer que la probabilidad del nacimiento de un varón es t-.i tUO (c) P(l : P(l niña) * P(2 niña¡) niñoe) :P(l niño)*P(2 : I +3 : * .4 16 Otro método. por ejemplo. Entonces.. -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.3888 4. 3725 3125 = n76r n76. (d) ninguna niña? Refiriéndonos al Problema 4.. de que en una familia de 4 hijos (c) al menos 1 sea niño. \r \zi\z/ . P(al menos 1 niño) /t)l+)'ll\' = \. ¿cuántas calcula deben tener (c) al menos 1 niño. De 2000 familias r-:on 4 niños.L' = /1\/1\'/l)'= l./s\/t\'/qY \2/\6i \6/ \'i \ei \o/ * \o/\e/ \6/ * \s/\a/ \a/ 626 r25 25 1 763 .ooo (lf) = 2000 18?5 Número esperado de familia¡ con 2 niño¡ 20OO ' P(2 niños) ó 2 niñas) = (3) = \ó.

determinar la probabiüdad de que de 4 tornillos escogidos aleatoriamente (a) 1.l# = fr X que está distribuida Hallar la funCión generatiz de momentos de una variable aleatoria binomialmente..:: =:"0.6.. página49).n" .8)r = ¡. (ü) p(X = 0) = (c) P(x <e) = (fi)to.detalmodoquelaprobabilidaddenoTenunsololanzamientoesq:1-p:516.8)a = s. \r/ Entonces la función generatriz de momentos está dada por M(t) = E(etx¡ = )etxf(r'¡ n /n\ = ¡=0 .. Médodo 1. (b) 0.8. f (r) P(x = r) = (!\o. Para una secuencia de n pruebas de Bernoulli definimos n /n\ '?n ('/tr"')'0"-' (a -l.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..p:0.'(\*.6.46e6 ffi ? ..0.7.. (c) menos de 2. Entonces es g : I .r.L22 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.4 Número esperado de familias con 1 ó 2 niñas = tZOOOill) ' '\ 6 / \/ = 125 1250 (d) Nfrmero esperado de famiüas sin niñas = (2000)( i ) = 4.n) .1. La probabilidad de un tornillo defectuoso e8 p :0.q" ./ ) _)p. = = Método 2.46e. Si el 20 % de los tornillos producidos por una máquina son defectuosos.nba j-ésima si éxito en la prueba j-ésima U=1'2. sean defectuosos. Sea la (o) P(X: t) = (rn )..2. de un tornillo no defectuoso va¡iable aleatoria X el nl¡mero de tornillos defectuosos. 4. Si X está'distribuida binomialmente.rt't0.pet¡" Xi ' |0 {[1 si fracaso en la prr. P(al menos un ? en tres lanzamientos) = | ..0.' (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.

. v (3 ) se convierte en P(lz -.t/V6d. o =. con S.npl > k1/i-npq) < i ó (3) Si hacemos c = k \l T. LEY DE LOS GRANDES NT.) Í+ó \l ?¿ -l = / = 0 El resultado también se deduce directaménte en el Teorema 3-19.) / \ 14 'l y tornando el límite cuando n -+ @ = 2+ ¡4r. = X.) + (r - p)2p = i)". 4..esdeciresperamolque40tornillosesténdefectuo¡os. Pa¡a la función geraeratr:iz Mj(t) = stoqlettp .y (I)rc convierte En particular si X tiene distribución binomial o de Bernoulli. como se requiere.cAP. de Los resultados anteriores también pueden obtenerse (pero con má¡ difrculüad) derivando la función genaetriz momentc (véaee Problema 3." *Var(X) = npq donde hemos utilizado el Teorema 3-7 para o2 . (o) Medialt:np:(400)(0.la ley de los grandes números (en forma débil) pa¡a las pruebas de Bernoulli. Procediendo como en el Método 2 del Problema 4.9.t y varianza 02 Íini- (r) en tol P(X-11 -ko\ flp.8.)(0.'EBAS DE BERNOULLI 4.2.1.n) (Q Entoncee por el Teorema 3-9.7 tenemos para/: L.. págirra 84.e*pet M(t) = M tQ) LI2Q\' ' ' (i=1. y1 E(X) = 0q*Ip = var (x. 2.1. página 83. (b) l'Iananza o2 : npq: (400) (0.L52\. tenemos.IMEROS PARA LAS PRI.i ..i)'== .lro.'* Xn.. Por tanto la desviación tipifrcada o = y'56 = 6. entonces F = P(lX. :-..4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L23 de momento¡ Entonces las X¡ son independientes y tenemos X: Xr * Xz *. Si la probabilidad de un tornillo defectuoso es 0.10. li* Pll{-. tt = flp.38) o direetamente de la función de probabilidád (véace Problcma 4.. M"(t) - 'f pst¡n 4.9) : 36. .)l*. halla¡ (a) la media y (ó) la desviación tipiticada para el número de tornillos defectuosos de un total de 400 tornillos. o - {-npq. página 80.. Por la desigualdad de Chebyshev.1 = . . Demostrar el Teorema 4-7. si X es cualquier va¡iable aleatoria con media tas.1 ):40. Demostra¡ que la media y la varianza de una variable aleatoria distribuida binomialnente son p: np Y o2 : npg respectivamente. entonces ¡.q Entonces o2 p:E(X)=E(X'\+E(X2)+"'+E(X")-np = Var(X) = Var(Xr) *Var(Xz) +. n.

211 = + (''" {2r .46 " 1 e-u.a'ley de los grandes números establece en este caso que la probabilidad de la proporción de los 3 en n lanzamientosdiferiendodel/6pormásquecualquiervalor€)0tiendeaceroamedidaquen-+€. Dar una interpretación de la ley de los grandes números (en forma débil) por la aparición de un 3 en lanzamientos sucesivos de un dado honrado.68 sz=o) = -! l'o {2¡ J = | r' -o.2910 = 0. Por üanto'.0.46 f ZÉ2.4864 : 0.. El recultado. ee el área pedida y representa la probabilid¡d de que Z eté entre -0.25f ? El área. 0.21.68 "- u.27.i77Z + 0.rz¿u (c) ñ J" Area pedida .94.!772 + 0.46 y 2.81 = Z = L.2517. Por tanto .46 y z: 2.46 y z : O) * (área ent¡e z : O y z : 2.L24 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.1828 O yz ) lo mi¡mo que P(0.94) O y z = 0.46) * (área enbe z:0 y z : 2. 4-3 (b) Area pedida : área entte z : O y z: *0. 0.2. proceda a la derecha hasta la columna 8.2. (d) entre z: 0. es el área pedida y representa la probabiüdad de que Z estÉ ent¡e O y 7.81 0.6636 e-ú'/! clu = 0.6636.4 4. El resultado. . Por tanto P\0=z=r.u + t/2" 'lo + ('"' "-u2tz 1¿4 2l 10. \.C.68 (por simetría).12.gg4g z=O .4738 - : 1. = "-u!/t 0.L (o) Utiüzando la tabla en el Apéndice.=12 Fig.68 y 0. P(-0.81y z = L.¿ ¿-uzr!¿u = -! Jfo \E = ___1__ -o.2) = | {u ¡rz Jo ¿r.as 0. represenüa la probabilidad de que Z eaté entre -0.Luego proceda a la derecha h¡sta la columna marcada 0.+e "-u2t2f.28. baje por la columna z basta alcanzar el valor 0. baje por la columna ma¡cada con z hasta alcanzar el valor /. (e) a la derecha de z: - L. Por tanto P(-0.2L) : (área entre z : O y z : 0.t _o. Halla¡ el área bqio la curva normal tipiñcada (a\ enfte z: Q y z: 1.2I) : O.(área enhe z :-0.11. Entoncee.(b) entre z:-O.6.941.3849.ildlt + _= |^2 ¿¡ = O. [. (c) entre z : -0.68 y z : 0.4964 | t/Zt Js \/2r Jo "-uz/z 1 (d) Area pedida : (área entre z : : E¡to es - (área entrez : 0. DISTRIBUCION NORMAL 4.

5: 0.28'y z = O) T 1área a la derecha de z : 0) = 0. z debe ser positiva.(área entre 0 y z) (área entre 0 y z) 0.5:0.16.7O ?1.8621. Caso 1: z es negativa pero a la derecha de -1.14.O2l7 : Entonces el á¡ea entre z). Por tanta z: + 1. z : -t.28).16 es otro valor de z.694 utilizando interpolación lineal. suponiendo que se regis' han al valor de kg más próximo.8997 Esto es lo mismo que P(Z > -1. hallar el valor o los valores de z tales que (a) el área entre 0 y-z sea 0.5 y 0' (c) Si z fuera positiva el área sería mayor que el área entre que es 0.0277 (árca entre -1. z : -1. de lo cual z:1.4332.4332- Entonces el área entre 0 y z es cual e: -1. Entoncec la z pedida es 1. (a) En la tabla en el Apéndice C.8621 .69.4332- : 0. Caso 0. El peso medio de 500 estudiantes varones de una universidad es de 68.5 kg.cAP.0.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROP¡O Area pedida L26 (e) - (área entre z: -t.de 91 kg.5 kg en unidades tipificadas 68. 0 y z esO.5 )/10 . 4. (o) Los pesos registrados entre 48 y 7l kg pueden realmente tener cualquier valor entre 47. Por simetría. con menos precisión. Area entre z v -t'5: 9ü. Suponiendo que los pesos están dishibuidos normdmente.O2L7 : 0.3997 + 0. : (47 .4-ll -1.4549 y z: l'ig.4332.5.5)/10 68.5 y 0 ) .O2l7 + 0. Area entre 0 y z es 0.09. (b) más. hdlar el número de estudiantes que pesan (a) entre 48 y 71 kg.5 y z : 0. Si "área" se refiere al área bajo la curva nonnal tipifrcada. o. (b) el área a la izquierda de e sea 0.5 kg y la desviación tipiiicada es de 10 kg."O. por tanto z debe ser negativa. El problema es equivalente a resolver para z la ecuación rfz G ).13. (b) Puesto que el área es e-tt/2 du = 0'3770 mayor que 0.4332 :0.0217.5: -2.35.5 kg en unidades tipificadas : (71.5: 0.4115 de lo 2: z es negativa pero a Ia izquierda de -1. el valor 0'3?70 se encuentra a la derecha de la fila ma¡cada 1. (c) el área enhe - 1. 4.:1Tí"11u (área entre 0 y O.L6.5 y 71.5. -1.30 47. o.1 y bajo la columna 6.5 y z sea 0. Area entre -1.5.3621.3??0.

4 Proporción pedida de estudiantes : : = (área entre z = -2.10 y z Ol * (área eítte z = O y z : 0.30 Entonces el número de estudiantes que pesa más de 91 kg Fig.26 (1.5<W<71.11.tt)lo: uenlaintegralde M(tl = -= | \/2r J-14q modo quer:¡¡+ dx: o d4 tenemor dt. 1.2 . d1) = "ut'<o2t2/2t (J-ú "-tr-ort" l/2" .(dos veces el área enhe z : = 2(0.2) .I.30 = 600(0.5 .26 a 1.6000 Entonces el nfimero de estudiantes que pesa entre 48 y 7f 500(0. .3849) = 0.600 P(W -.2) yz Proporción de lavadoras no defectuosas .5)=0. M(tl = E(etx¡ = L= Remplazando (x ot/2r J -- (' ette-(t-tD2/2c2 dtr g.29 . r. La media del diámetro interior de una muesha de 200 lavadoras producidas por una máquina es 1. El propósito prira el cual se han diseñado las lavadoras permite una tolerancia máxima en el diámetro de I.1179 = kS ee 0. Hallar la función generatrrz Tenemos de momentos para la distribución normal general. etrt+oot-tu2/2. podemos resumir los resultados anteriores en términos de la probabilidad al escribir P(47.0107 es 2.16.6)/10 : 2.9tOt 4. (D) toe e¡tudiantes que pesan más de 91 kg deben pesar al menos 91.600) kg.30) : (área entte z: -2. 4.(área entre z : O y z : 2. 4-r3 Si W denota el peso de un estudiante escogido aleatoriamente. de otra forma las lavadoras se consideran defectuosas.010?): $.L26 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.10 y z:0.0125 cm.O]-25: -1. 1-14 Obsérvese que si consideranros el intervalo L.5 - 0. . (área a la derecha a.275 cm y la desviación típica es 0.2 : -7. el resultado anterior se modifica ligeramente.7698 ó O yz : 77% -1. = 300.l.SO) (área a la derecha de z : 0 ) .2 L. Determinar el porcentaje de lavado¡as defectuosas producidas por la máquina.300) 0.91¡ = 6.29 en unidades tipificadas : : (1. suponiendo que los diámetros están dishibuidos normalmente.266 a 1.26 en unidades tipificadas 1.5 Proporción pedida de estudiantes 91'5 kg en unidadee tipificadas: (91. Sin embargo para doe cifrar significativag los resultados son iguales.26 s 1.4821 + 0.68.295 cm.1.2 -77% = 23%.275)l O.29 cm.29 cm como representando realmente los diámeüros de¡de L.30) 0.0126: L.4893 = 0.(área bajo la curva normal entre z : L.2 Por tanto el porcentaje de lavadoras defectuosaÁ es 10002 Fig. : Z.275')lO.

4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L27 Entonces sustituyendo u - ot: u hallamoc que ettt+(c2t2/2)( M(t) : + f\t/2" J-* "--.58.#*¿%*# 03 = # = 0.e O. Entonces p(x=B\ = P(x ('f)(.-o) l+Y 5 ll)' : .17.95 Probabilidad pedida : : z: -1.5 en unidades tipificadas : (6.95) (área entre z :-1. en la Fig. Entonces dadas por/r= np=10(4\= 5yo = {nw = y'(10)(+)(+) 2. Hallar la probabilidad de obtener entre 3 y 6 caras inclusive m 10 lanzamientos de una moneda honrada utilizando (c) la distribución binomial.cAP.5 a 6.¿*\ / = ewt+(ozt2/2) APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL 4.7784 Probabilidad 2341678 Nfrmero de caras Fig.58 6. 4-16 y puede aproximarse por el área bajo la correspondiente curva ncrmal.7718 (área entre d.E \ /\2/ \2/ =5) = l.ó8 : -1.4429 + 0.7734 que se compara muy bien con el valor verdadero superiores de n. 1-16 (ó) La distribución de probabilidad para el número de caras en 10 lanzamientos de la moneda se presentan gtáficamente en las Figuras 4-15 y 4-16.58 y z : 0.)'_ .p94!l y la varianza para la distribución binomial están = 1. La precisión es aün mejor para valores .5)/1.5)/1.)\. )\.5 caras.58: 0. ro¡ Entonc. mostrada a trazos.68 y z = O) * (área entre z : 0 y z : 0.95) : O.6. La probabilidad pedida es la suma de las áreas de los rectángulos sombreados en la Fig.5 . Tqqbié"r!g_.3289 : 0.* "á Ar P(X=A) /ro\/fY/r\'_ = \4 /\z/ \z/ P(X=6) = 106 stz /to\/r\o/r\n _ = (.) ffi. (o ) Sea X la variable aleatoria que da el número de carag en 10 lanzamientos. 4-r5 23{587E Nfrmero de caras Fig.5 en unidades tipificadas : (2.X.es la probabilidad pedida es P(B=x<6) = #.. obtenido en la parte (o). 4-16 trata los datos como gi fueran continuog. se'deduce que 3 a 6 caras pueden considerarse como 2. (b) la aproximación normal a la distribución binomial. Cor¡siderando los datos como conünuoe..

219.6 .b.7 3 280.02) .3? (D) Procedemos como en ha parte (o).19. AsÍ si resulta que el númerc real de caraa ee Se deduce que podemos estar muy confiadog de que el número de caras no diferirá del esperado (250) es honrada.(lX*) : -5.- -1.311 : (área ent¡e z: O y z: -5. Entonces -0.. o si conslderamos los datos como continuos.1443: 0.35) : (á¡ea entre z : O y z : -5.94 260. (rzo\/r\/!\'. l8 cuatros pueden tratarse como tt = ttp = Entonces 120( )l = ZO \o/ /t\ y q = 1/-n7tq .e z: O y z:2.02y z: Probabilidad pedida -O.' La probabilidad de que resulte un 4 es p: l16 y de que no reeulte esg : 5/6.18.5.35) : 0. entre 239. suponiendo que el dado es honrado.(área entre z : O Y z :-1.250y11.6 - 2O)l4.4 4. pbr (o) Deseamos la probabilidad del número de 4 entre 0 y 18. remplazando 18 por 14.73\ por más de 30. empleamos la aproximaclón normal.)(+) = I 1.. = .18: .20)14.5 en unidades tipificadas : 2.5 en unidades tipificadas: (14.3557 -0.5 en unidadee tipificadas :-5.02) : : -(área enhe z O Y z : 0. es decir etabacargoda 280.5 en unidades tipificadas 28O.5 se 0.94 y z: 0. Hallar la probabilidad de que resulte 4 (c) 18 veces o menos y (b) 14 veces o menos.02 18.5 cuatros.OB tipificadas : -0...0.94 ib) Necelitamoe la probabilidad de que el n(¡mero de caras la encuentre entre22O y datos como continuos.5 en unidades tipificadas : : (área bajo la curva normal entre z: -0.0885 Se deduce que si fuéramos a tomar muestras repetidas de 120 lanzamientos de un dado.5 y 260.. o \ i \6/ \6/ -{.3264): 0. t.37) -0.94):2(0.."p: . un 4 debe apariecer 14 vece¡ o menos en aproximadamente la décima parte de estas muestras.5 en unidades : (área bajo la curva normal entre z: -5.5 en unidades tipificadas hobabiüdad pedida . Esta se encuentra exactamente ¡rzo\/f\"i 5\'o' . Un dado se lanza1-2O veces.OB pero debido a que el habajo involucrado en la computación es excesivo.mr..0.94) : (dos veces el área enhe z: O y z :0.6/ r7 \ /\6/ \6/ \ /\6/ Con¡idenndo los datos como continuos que 0 a También .08 . ¡ rzo\1¡\''l5_\'o' r8 \..'. .. entre 219.5 - 250 )/11.7 3 Probabilidad pedida : (dos veces el á¡ea bajo : 2(0'4968): 0'9936 la eurva normal enb. (b) por más de 30.5 y 280. Una moneda honrada se lanza 500 veces. podríamos considerar que la moneda no 4.(.6528 = (239.5 -.O2 14. Hallar la probabilidad de que el número de caras no difiera de 250 por (a) más de 10.. . 239.(i) = 250 s '= \/ill = .31-i Probabilidad pedida : (área bajo la curva normal enhe z : -5. o si consideramos : (219.5 a 18.L28 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP.5 .18 : -2..02 y 2 : -1.4115 : 0.0. : 4.5 en unidades tipificadas : 1-0.18 (o) Necesitamo¡ la probabilidad de que el número de caras se encuentre enbe 240 y 260. .

'ir . dado que ). Segundo.rl ('* i) = Se deduce que cuando n (2') / \¡ eu - pero I permanece frjo (es decir p -+ 9¡ P(X=r) + ¡:q. 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. entonces (f) P(X=r\ = l'"lqrq¡-r \r/ : np. 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. obseryamos queP(X: ¡) ) r=0 O para r = 0.20.-r)" r?. tenemos >{] !a1*="¡ = t=O -. 1'-t)/'-?). El reeultado pedido entoncec ¡e deduce utilizando el Teorema 3-10. . n/\ n/ \ en tanto que ('-+) +.21. = "-^./ \ --> = (r-\)'1t . Entonces donde E(X) /-\ (I ) se convi'erte en rl Entonces cuando ¡. Verificar que la función límite (2) del Problema 4.+:: ¡=(l ' ' e-).20 realmente es uná función de probabili' dad...i)-' + m/ \ \ cálculo = €-tr empleando el resultado conocido del . : rtp de modo que p : I/n. Hilgase ¡. 4. página 80. Establecer la validez de la aproximación de Poisson a la distribución binomial. .er = 1 y se completa la verificación. 1. ' . .cAP. que ee la distribución de Poisson. (¿-r)(1) /. Primero. Otro método.I \n/ / r \ ¡-¡ ) n1@.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L29 DISTRIBUCION DE POISSON 4. Si X está dishibuida binomialmente. ) 0.

1# ^:?¡p:(2000)(0. (b) más de 2 individuos tengan reacción.' . Entonces de acuerdo con la distribución binomial p(x:zl (b) Tenemos )\: np (tJ )10. Zze-21 -. 4. sultan defectuosas.001..r -Lót 1! ) = l-6e-z = 0. es 0.tr r/iñ 1o + per/ lliii tvr ll-nw 1n ¡pt e ' tnp.4 4.183e ó 0..(d) I¡¿-)\ donde p(x-Bt . _/1t\ para X* es ". e t.re = (10)(0.2te-z --z! .001) :2 _ 0. empleando (o) la distribución binomial.0"-' ./)(p". Diez por ciento de las herramientas producidas en un proceso de fabricación determinado re./íil 2 o et't-(.18 En general la aproximación es buena si p É 0. Denótese por X el número de herramientas defectuosas de las 10 escogidas.24.130 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.180 (b) P(X>2) = 1-[P(X=0) *P(X:1) +P(X=2)] _ I fzo¿-z. es decir P(X:x\ -. (o) La probabilidad de una herramienta defectuosa es p :0.1) - 1.np)/l/nW y la función generatriz de momentos Eletx'¡ E(et<x-nú/t'/-nil¡ tnnr rliii g 1"txrl noÁ ¡ "" = e-tnpt. pero ya que las reacciones se suponen sucesos raros.323 Una evaluación exacta de las probabilidades empleando la distribución binomial requeiiría mucho más trabajo. vC. determinar la probabilidad de que de un total de 2000 individuos (c) exactamente 3. lioo ¡ln p¿tar liii¡ {ili ¡n . Entonces de acue¡do con la distribución de Poisson I¡¿- P(x--x) .23. Yerificar el teorema del límite central para una variable aleatoria X que está distribuida binomialmente y así establecer la validez de la aproximación nonnal a la distribución binomial.t ¡n = le(qe + pet. TEOREMA DEL LIMITE CENTRAL 4. exactamente 2 estén defectuosas.r¡r1s..1 y \ = np 5 5. (b) la aproximación de Poisson a la distribución binomial. Si la probabilidad de que un individuo sufra una reacción por una inyección de un determinado suero.1e37 ó o. podemoa suponer que X tiene una distribución de Poisson.22.e¡' = \z/ 0. )r. tfi-oa = > ¡=0 |\_. t ¡t qn. X tiene una distribución de Bernoulli.- 6 P(X=2) = %: = 0. La variable tipificada para X es X* = (X . Denótese por X el número de individuos que sufren una reacción.1. Halla¡ la probabilidad de que en una muestra de 10 henamientas seleccionadas aleatoriamente.

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

) Por tanto el número de mueshas y 2 rojas ". Por tanto Ia probabilidad de escoger 3 bolas rojas.+)' = ffi es es Método 2. Una cqia contiene 5 bolas rojas.i Entonces r azur) = . El número de formas diferentes de selecciona¡ 3 bolas blancas de 6 blancas * \r/. DISTRIBUCION HIPERGEOMETRICA 4.h(¡r)'(#)'(. 2 brancas. P(roja en cualquier extracción) = # P(blanca en cualquier extracción) = h P(azul en cualquier extracción) p(B rojas. lJna caja contiene 6 bolas blancas y 4 rojas.4 DISTRIBUCION MULTINOMIAL 4. 12.rt. /o\ /r'i \. Se realiza un experimento en el cual se selecciona una bola aleatoriamente y se observa su color. y el número de estas formas diferentes 6l 3!2!1! como se expuso en el Capftulo 1.ri \z ) /ro\ \5.132 DISTRIBUCIONES DE PROBABILIDAD CON NQMBRE PROPIO lcAP. 2 blancas y 1 azul.El número de formas diferentes de seleccionar las 2 bolas restantee de las diferenües que contienen 3 bolas blancas /a\ 4 rojas * (.t i . 4 blancas y 3 azules.26. Entonces la probabilidad pedida es lr Método 3. pero no se remplaza la bola.\ [ . La probabilidad de escoger cualquier bola roja es 5172. Po=' 3/12' Porexpansión se obtiene elresultado anterior. Una bola se selecciona aleatoriamente de la caj4 se observa su color y luego se remplaza. pb = 4/72. i-paIpo)G donde p. Método 1. rc 2l . Halla¡ la probabilidad de que de 6 bolas seleccionadas de esta forma 3 sean rojas. Método 1 (por fórmula).t \A/ Pero la misma selección puede realizarse en otros órdenes diferentes.'. 2 blancas y 1 azul en ese orden es /s\'/¿\'/rY \tll \. En forma análoga la probabilidad de escoger 2 bolas blancas e (4ll2l2 y la de escoger 1 bola azul (3/12)t . Entonces la probabilidad de escoger 3 bolas rojas /5tl2\3 .27. ll )(l ) \"/ \-i Entonces el número total de formas diferentes de seleccionar 5 bolas de 10 bolas (6 + 4) en la caja Por tanto la probabiüdad pedida está dada por * /rr. Hallar la probabilidad de que después de 5 pruebas del experimento se hayan escogido 3 bolas blancas. . 6t In\"lt\-/:lY z!r!\itl/ \itl \rrl $/ La probabilidad pedida es el término 44p" en la expansión multinomial de (p.

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

E(X2) - (ap)z - "Bz DISTRIBUCION BETA 4. página 46..r . l'(a r. t. 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_! . . (b) o2 (a) = oB2.¡^.rÍ".4 ¡: a tan 0 tenemog o-t¡¡-L! a . Por tanto p2 = Bz(aIL)a"2 .32. = Í. p = E(x) = ### fo'*¡.t p\ f I sa(r - ¡)e-r fls rt"lrtBl r(a+1+B) I(a + É) dr(d) r(B) r(a) r(B) (" + P) f(4 + p) = 4.z¡ro-r1l.134 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Considerando la baruformación [cAP.o*r"-ro."-r{r-x)F-tlitr = frffiJ. HaJlar la media de la distribución beta. .¡a-\d. ya que I'(a + 2) = (c * 1) r(c * 1) = (a * 1)a I(a)..31.)*: = ift)"("+z) = n2 Í.. El segundo momento alrededor del origen es * 0) l'(a + 1) r(B) o I a B E(xz¡ = f(a)f(p) (t .lff..+fl Jo * l* _ r(a)I'(p) r(c r'(a + 4)- Jo (t *su+t11 2) l'(B) n)e-r ¿. Demostrar que la media y lavananza de la distribución gamma están dadas por (a) p: aP.1o" xlQ: t tenemos : f." ". fo"' . = r@l#l = :a+-a DISTRIBUCION GAMMA 4.19: t tenemos E(xz¡ = ff"*.'#0" p2(a*t)a." "loo"¡. r Y dx Íz+a' Entonces por el Teorema 2-3.33.." ffi." = ffirt"+f¡ = R RemPlazando p= Bon f' Fe-tdt aB (ó) Remplazando E(Xz¡ = t. Hallar lavarianza de la distribución beta. la función de densidad de X está dada por s(r) que es la distribución de Cauchy..

v2 gadosde übertad.r2. Sean ¡t y X. y utilizar el hecho de que r(á) = V7.CUADRADO 4. Demostrar que Ia firnción generatriz de momentos de una variable aleatoria X con distribución chi-cuadrado con I grados de libertad es M(ú) M(t) = E(etx¡ = ú+6ñ to* "r"rr.cAP.a una distribución normal para X. obtenemos P(Y < ú = -! fs rrrze-uz t/2r Jo d.r2 Al remplazar (l - 2t)n/2 = 7. Sea X una variable aleatoria distribuida normalmente con media 0 y varianza 1. utilizando el Problema 4. pero procedemos de :0.34 que una distribución cuya funéión generatriz de momentos es (1 2t)-<vt+v2)/2 es la dishibución chi-cuad¡ado con v11.2t)-. Pa¡a ( 0es lóglco que P(Y SU) y> 0 tenemoe P(Y<u): P(Xz<a) = P(-\/u=X<+\/a) +fr"-.'rz¿s (-fr"-.'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. como se ve al página 116.t2r(v/2)Jo " r-2t \r-2t/ : ll . a * v.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 135 Entonces. do ) función generatriz de momentoo de Z = X.B2. grados de liberta u2 Z:Xt *X.la varianza es 02 = E(xz¡-l'(x)l= _(rro)'= cr6#T_Fn : (1. DISTRIBUCION CHI.34. Al generalizar los resultados anteriores obtenemos una demostración del Teorema 4-4. Esta debe ser la distribución de Z. 4. página g1. cia entre Paray Deseamos hallar la distribución de la manera siguiente. ea M(t) : Enet(xr+xü1 : E(etx. Efectuando el cambio de variable x : *t/T en la última integral.-rr/2e-. grados de libertad. t : (1 - N¿¡-Qr+v2t/z (b) Se observa del Problema 4.s(v-2)/2e-<L-2t>r/2 dr =J-r(v/2) )o 2.36. es con (¿ dA v. pá4ina 1-1.84.1 en la última integral hallamos M(tl = 2.ztl-v/2 fa u<v/z)-re-udu = (L-zt¡-'rz r'(v/z) )o 4.36.t Pero esta es una distribución chi-cuadrado con 1 grado de libertad. Puesto que Ia correspondenX y Y no es uno a uno no podemoe aplicar el Teorema 2-3 como está. por el Teorema B-18.)Eqéx"¡ : 1l-2t¡-'r/2 1l-2t)-vz/2 utiüzando el koblema 4./2dü (-. ! X. Y: x2 dad.6. . colocarz: 1 en (39). Demostrar que X2 tiene distribución chi-cuadrado con 1 grado de libertad.

lcAP. el área a la izquierda de x? es O. El resultado general para todos los enteros positivos l. u"mo. a! es 0. xl es (1 .01.025. Entonces. Entonces procédase hacia la derecha hasta la columna x%r. 4.025: 0.39.0.05. (c) 67. si el á¡ea sombreada a la izquierda es 0..la cual del Apéndice E es 12. El resultado 11.38. hallamos en la columna ¡. (c) el área sombreada a la izquierda: 0.? conespondiente a la derecha de la distribución ¡2 es 0. xz:.05.40.¡ se deduce en la misma manera. si el número de gndos de liberbad v es igual a (c) 15.7.04 en tanto que el área a la izquierda es 0.5 correspondiente a z: 50. Véase Problema 4. (b) 28 y (c) 40 grados de UtÍIizando la tabla en el Apéndice E. (d) el área sombreada a la derecha: 0.5. al menos se especifique lo contra¡io. Hallar los valores de xf. escoger las dos áreas iguales. se acostumbra. 4-18.0 correspondientear: av:21. xi representa la décima percentila.tán distribuidas normalmente con media 0 y variánza 1.2gs. el área sombreada a la derecha puede ser 0. y x? (c) Si el área sombreada a la izquierda es 0.. el átea a la izquierda de percentila 99. Por ejemplo.O.05. (c) S9. los valores: (a)25. para v : Por el Problema 4.¡r.¡ (puesto que la mediana es la percentila 50 ) los valores: (o) S. Fig. (b) 2I.O25 representa la percentila 2.025. X.. x! por los cuales (a) el área sombreada a la derecha: 0. búsquese el valor 5. 4-18 (o) Si el área sombreada a la derecha es 0. la cual es igual a 15. el área sombreada a la izquierda de x3 es 1 ¡j iepresenta la percentila 9?.5.026. Hallar los valores de ¡2 para los cuales el área de la cola 15. Entonces del Problema 4.O5): 0..10.8. X.1.la cual es igual a 0.Ia cual es igual a 1.35(b). .150.36 vemos que si X¡ y X2 es.¡2.99 y ¡22 representa la 4.. en la columna /.4 4. Demostrarel Teorema 4-3.x?o¿s. parav> 10 los valores de la mediana son iguales av . entonces el á¡ea a la izquierda de representa la nonagésima quinta percentila. Hallar el valor de la mediana de libertad.01.831.05. (b) el área total sombreada: 0. Es de interés notar que los valores de la mediana están muy próximos al número de los grados de libertad' En efecüo.01. (d) Si el área sombreada a la derecha es 0. como puede observarse de la tabla.(b) 2T.0.3correspondiente av:28.34correspondienteav:9. 4. en este caso cada área:0. (Véase las consideraciones sobre notación en la página 116).10.05. hay muchos valores para los cuales el área totál sombreada : 0. qi" Z = X?*X2" tiene distribución chi-cuadrado con 1 * 1:2gradosdelibertadsiXr y X2 son independientes. x.831 y 12.61.píryina 116. x. entonces X? V X3 tienen distribución chi-cuadrado con 1 grado de libertad cada una.95 y xz2 Refiriéndose a la tabla en el Apéndice E. .37. (b) 32. La representación gráfica de la dishibución chi-cuadrado con 5 grados de libertad se muestra en la Fig. y Si el área sombreada a la derecha es 0. ¡! que corresponde a (a) 9.136 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 2.3correspondiente^v :40.1 es el valor pedido de 12. Por tanto los valores son 0. Sin embargo.esr. (b) Puesto que la distribución no es simétrica. (c) 50' Utilizando la tabla en el Apéndice E hallamosenlacolumna ¡2er.9?5 Análogamente.2-.8.

. (b) Si r=100.rr-r"-. Hallar xlerpm (a) v : 60 y (b) y .@ hast¿ rl/z/r. #..va J"' {2r2..= .42.41.zl ztÍt + <t2 | v>r a")au ( " Susüituyendo F(r) = G. DISTRIBUCION ü x3s¡ dado en el Apéndice E.y ¿2 # donde la integral ¡e toma ¡obre la región ( del pleno lz parn l¡ cr¡¡l g ut/ñ. oon un alüo grado de aprorimación.64+/199P = 124. xlgs = \@. Entonca ti z."a']au de acuerdo con lo pedido. podemoe ercribir..tzt'(vl2\ ).FA = zp I t/Ft x| = *(zo+tffj¡z (o) Si v=50.u [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.tz¿ul¿" LJ":_-e A = urfi en la integral entre parénteais rectangulares hall¡mo¡ .es+ftool-t)2= +(1.lt * T ) eeto puede eocribir¡e d. himero fijamor r z b = integramos con reepecto a y de¡de .. dud.z \f 2nz. Debido a que Y y independientee ¡u función de den¡id¡d coqjunta er 6l producto de (I ) y (2).3). página 117.0(v¡lorre¡l =L24. -/.Elrode donde t6=t = .u\ .2. podemor utiliza¡ el hecho de que ({Tx2 .t¡ e¡tl c¡¡i dbEibuido norm¡lmenüc con medie certr y varianza uno. er la percentil¡ 10Op de l¡ di¡trlbución nornd tipilicada.locuale¡tÁde¡cuerdooonelvalor6?.Lu€{p integrannr_conrespecto az de¡de 0ha¡t¡o. Demostrar el Teorema 4-6.-j(* .=o"r.#.(z.er dccir z<v/z)_te_ :|-r+zr/2 para -o 1g 1lo.tzl(vl7\ Jz=o = ./ .o 6 . tn¡r( z\ Ju= -' . *^ I' = - *l Í": como z('' ."^' + zo+"/2 Í"'=-* d.6 = f.r/2.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPTO 13? 4.rf ¡"ffi "-r.cAP. .rzrl..64+rfss¡z =69./4 f ( 7<rrz>-r e-<yz+ztrz ¿.ss+rtrOool-t¡z = |(1. Para .t' / 2 e. Por tanto tenemos Remplazando F(xl = . '\ z / (. zo/2)-re-z/21ffi e-uzzr2.(' F(r) = _ tf Jr=-. z ) La función de di¡tribución de I = Ylt/ffi e¡ F(u) = P(T=r) = P(Y=er/Zfi) = y@2.. DE STUDENT 4.100 gados de libertad.\2/ r\ (l + u2¡'¡<'+t>rz . / mayor que 30.

J z t .99.025): 0._tr Fig. búsqueee en Ia columna y el valor 9.01 es (e) -2.entoncesúl correspondealapercentilagO.O5): 0.gg) = 0. DISTRIBUCION 4. 4-19.e.01 y el área sombreada a la derech¡ es 0.5. ) 0 y 0 de otra forma. t.83 es el valor pedido de t (b) Si el área total ¡ombreada es 0. ) 0. 4-19 tt (a) Si el á¡ea sombreada a la derecha es 0. ú es 0. De la t¿bla t ss = 2. dada por 1 (.38. En el Apéndice B e¡te valoi corresponde a la enhada en la última fila ma¡cada ó). Sielá¡eaalaizquierdadeú¡ es0.05.05. De la tabla hallamos t.r) a\. .01. tenemoe | 1U) t. a. Del Apéndice D hallamoe 2.90.70 correspondiente a v = 27i (c) 1. (d) Si el Área sombreada a la izquierda es 0. losvalores: (o)L.'.9?5 y úr reprecenta la percentila 9?.'') (?ñ rr^ o(vz/2) -| "-'.75 correcpondienteay:16.quedelatablaes igual a 1..05. entonces el área total sombreada es (1 . (d) el área sombreada a la izquierda : 0. t.0. r / Ll+ lvt/v)).:: ::'.1 ez(vt+ v2)/2 lQl/21 f (u2/2) <t | + ú2)' ri o. (c) 200.l4\ -1- f 'pw\"rz'-' ID'-''-"e '"''o'-. entonc€s por simetría el área sombreada a la derecha es 0.es.90.01.01.t u(v2/ 2) . Entonceg búequese la c.ú.2 g(u.99. vlW v2 .0.[.:.25. Por tanto el área de t para el cual el área sombreada a la izquierda es 0. ¿. La función de densidad conjunta de f '' V¡ y V2 etá. -1)(v'\/2) "-.4 4.DZ=ü l1U7D Entonces el Jacobiano es i'.025 por simetría. Efectúe Ia transformación u 1/ v1 . hallamos en la columna te.css = 3. Halla¡ el valor de ú1 para el cual de Student con 9 grados de libertad se muesha : 0.26 como el valor pedido de ú. entonces el área a la izquierda de ú¡ es (1 repreeenta la percentila 95. entonced el área sombreada a la derecha es 0.(b) 1. (c) Si el irea total sin eombrear ee 0.005.la/2.05 Refiriéndonos al Apéndice D. (El último e¡ el valor que se obtendría utiüzando la cu¡va normal.44.u) = .01/2 : 0. (b\ 27.645 correepondiente a y: 200.olumna ¿.rl).138 DTSTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO ú [cAP. Deimostrar el Teorema 4-?. .05.e0. 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.) = 6"i.45. La representación gráfica de la distribución (c) el área sombreada a la derecha en la Fig. ODt=r.lL=-=_rü=02 L"a/ ar t'2ú | vl1t2' . t.82.::l = l"*:" 'u':'" Denotando la densidad como función de u y w por g(u. El resultado 1. 4. sea 0. (c) el área total sin sombrea¡: 0.er5.nD\]uJur0.95 y úr Refrriéndonos a la tabla en el Apéndice D.O.:"i = l::"'. (e) el área a la izquierda de ü.82..43. (b) el área total sombreada: 0. ú. Por tanto el á¡ea a la izquierda de ú1 es (1 .

.rr.o.\rt. Verificar que (o) /.1 = (3. rr. > 0 y 0 de otra forma. /.¿t.TZ) \ (-" se Utilizando el criterio de la segunda derivada podemos demoetra¡ que realmente trata de un máximo.e75. rs = 3.30. A diferencia de una conetante.48.rr.257.ee. (d) F.s. hallamos F. (o) DeI Apéndice F.80. Utilizando la tabla para la dist¡ibución F en el Apéndice F..\i = /v' I vr\ ) si u ) 0 y 0 ¡i z¿ 5 0. ( " *.\z .71)2. \ : ¡.+v2't/2r-r = 0 Dividiendo Wt ut|ti2)-2(t2l t¡t)-[("\+t. \. (b) F . ro.2* r.ss : ".. hallamog .+t.78)2.t r rz)tz Si tiene un máximo relativo se presentará cuando la derivada sea cero.7L = (2.. 10. que es el reeultado pedido.ul F'.s. hallamoa \-i. donde vt -. (a) Comparar ia¡ entradas en la columna de la tabla F. u.t . er hkt) = ei u (..0 = 4.1 -.*r.\ z /.oc.'r2\ ) = 0 ó trt ry = /. ¡2 y ú 4.2\/2)-t e-tt+<v{/v2)t(o/2> z(tt ' u2)/2 t0t/21 l. donde.326..0g (d) Por el Teorema 4-8..50¡2. = 0..r' / 2(.au d. .ut = t'(P) ap Jo da) ) 0 y 0 ei rt É 0.1-2\/ /\..96. . . 7.5.L5.. i \rn) - 2\ / v' \ si v. 11 .cAP. ro.. (c) Por el Teorema 4-8.t)- tyt ('4fa) (. 4. etc. = # = 0. =- 9. F.n.-'1t'"tvp)-uvr\j-:.o5 en el Apéndice F con e¡a¡ en l¡ distribución ú bajo ú..5 L6l = (72. es decir (r.ss : t?n (b) fl.'rrr. Pero de Tenemoe (r h(u) / v2\vr/2 4Q 1/'' .46... /..- r1u)-¡(.t e.l= *.ob.r.i/2)--t (v2:L vru)-(r. Vemos que 18. 15. 4. la función densidad de la di¡tribución F es r[(t.8 = 3.'. : (4.18)2.4l si u DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 139 > 0. (b) Del Apéndice F..\/2i-r. r. Apéndice A. ) 2' de (. RELACIONES ENTRE LAS DISTRIBUCIONES F..(vz/2) Jo -tL-!:j!::-:(I5). Demostrar que la distribución F es unimodal en el valol ¡v' ' La moda localiza e! valor máximo de la función de deneidad. página 118. página 118. rr. r¿ desde La función de densidad (marginal) de U puede encontraree integrando con recpecto a decir 0 ha¡ta €.47.F' gs.l¡. (c) = 10.io = F_¡ . ir ua 0. primera f.ot.r.o.2* .so.o.rt) - (¡'r +t2)/2 - .9. hallar (¿) F.

. .84)2. v2 = v en la funeión de densidad para la distribución F f (ul = . '\2/'\2/ "11\ "/r\ t -/.140 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP. página 118.4 (b) Comparar la¡ enhadas en la primera columna de la tabla F.'.l. Re¡olviendo.0 <'T = *t/Ft_o) ú donde ? es una variable aleatoria con distribución de Student con u grados de libertad. 34. t { l'-'u-r. P(.sí generalizar los resultados del Problema 4./ para u /_u_r.-¡l r.60)2.(4. y que P(U 5 .'.92)2.+tfttur¡ = P(T s +VFt-p) . Demostrar el Teorema 4-9. Entonces por la definición de un valor de percentila. I ^F.ee en el Apéndice F conegarenladistribución ú bajo ú.eer.l / +z\-r¡ \ '/ ¡=. Sea 11 .9 " / +1\ -t'* "" t / vv/21l-12v-(.4*)___\-. Entonces y a.página 11?]. Vemos que 4050 : (63. tenemos P(T=+tlrno¡ = t -Pi . 98.48.t.66)2.u/2¿-r/2(y + ul-(r1tr/2 ^/. pfuina 116. P. \ : {".. Por tanto ^\ F.)" \/ Com¡rarando con (42).(.Ft-o) f(u): 0 para ¿ < 0.2 -.49.P(f 0) = = P(T=+\E|-+ donde hemo¡ usado la simetría de la distribución ú. vemos que el lado izquierdo de la última ecuación es igual a z.5 = (9. 4./" + 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. que puede establecerse simplemente como F r-p = t? ott¡ l(4í).)" . + r\ r( ol -r- . etc..es el nhmero tal = 7- * t\ "/" ..*rr. 21.-.r( .'. Por tanto t-P 2 = Pp<T:.1 = (5.rtF.o) r\ \ '/ ll '=2 | '\ .r¡ n'(.r(l +3!) t r-ru+l)/9 ) O.

se convierte en l@.. K (r(r . 4. = @) con = "'13.'. Análogamente la probabilidad de no obtener un 3 en el segundo lanzamiento ee 5/6.. DISTRIBUCIONES DIVERSAS 4. )Lo. Esto es posible sólo si p : 6. etc. f(x. Méüodo 1. Y son independientes.'. Hallar la probabilidad que en lanzamientos sucesivos de un dado honrado resulte un 3 por primera vez en el quinto lanzamiento. Por tanto ú es estrictamente +\/F. 3.. ya que la función de densidad de Ia distribución positiva.¡ !.ú los valores de = t-+o-. r por una función solamente en y para todos ser el Inversamente. Verificar el Teorema 4-10. (c) Comparar las entradas en Ia última fila de la tabla F o= en el Apéndice F (correspondientes las entradas bajo ¡. s.50. Entonces la probabilidad de no obtener un 3 en lo¡ primeros cuaho lanzamientos es (5/6)(5/6)(5/6X5/6): (5/6)4.51. la probabilidad pedida es Y/r\ \6i \6/ / s c. La prueba general del Teorema 4-10 se deduce tomando el límite cuando U2 la prfuina 117.4] DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L4t Pero. Entonces vemos que 6..GB a ¡'.CAP. Ll . y este nfimero se determina finicamente.Por tanto la probabiüdad de obtener un 3 en el quinto lanzamiento es 1/6.r'il ) y y puesto que este es un producto de una función solamente r. en el Apéndice E.25 77i6 .4!¡ 4 2. Sean X.1..52. Si el coeficiente de correlación p = 0.il = (4 . La probabiüdad de no obtener un 3 en el primer lanzamiento es 5/6.02 = #. + * en la distribución F en DISTRIBUCION NORMAL BIDIMENSIONAL 4. Y son independientes solo si su coeficiente de correlación es cero.. Comparar las entradas en la última fila de la tabla . etc.r y una función solamente en y.(p/z\\ = l-?. s. _ 9.s2 T r. 3. Véase Problema 4. Demostrar que X. si X. que era lo que se querfa demostrar.¡ es el número üal que P(T=tt. para (a\ p : a1 0.L .60 -. 't7 2.F e.r"?ll--+"-. Y variables aleatórias cuya función de densidad conjunta es la distribución normal bidimensional.. y se deduce que X..8t (b) -.7 2....99. lo cual provee la verificación requerida. producto de una función solaménte en.:\/2= en . entonces la función de densidad normal bidimensional (49). Entonces vemos que a r': ó) con etc. lo cual provee la verificación requerida. lotll.94 3. página 118.+. = tt-(p/zt ó Fr-p : tl2t'-tptz'.21 . er el Apéndice F (correspondientes las enhadas bajo x:nn en el Apéndice E. y) dada por (49) debe para todos los valoxes de x... Y son independientes.145. -.95 y (b) p : 0. por definición.78 = #. tt tt¡/z. página 118.00 =. 4..

08 (D) P(re gradúe uno) = 5Cr(0. (b) la variarrza.q:616. i7't6 4. página 118.r I ú ). de la distribución Weibull. . 2¡. ó aprorimando 0.63. - f. \i)"-". alf hay 6 .4)0(0. (D) al menos dos veces en 6 ¿ead¡¿o¡ por (1.4. pedida er pRopro [cAp. (c) al menos uno.64. (a) P(ninguno ee gradúe) = 5Cs(0.oJs u. E¡ta¡ ¡on 1 cn el grimer dado y 1 en el regundo dado. 11.55. se gradúe.4)1(0.ra evaluar la (ü) E(Xz¡ = fo- oOro*r¿-oto¡lg r "b ('/z\r*ttro> e-!:u(t/b)-t = o"o )o \. Verifrcar las expresiones dadas para la (a) media. etc.6)r : 9.6)4 = 0.¡ :6 Gzl vemo¡ que la probabilidad /t\/o\' _ \6/ \6 / página 119. i) integral. : atb pa.977?6.be-! = o-2/br\t + a) Entonce¡ / o\ ¿u 02 = El(X-u¡21 = E(Xz)-uz = PROBLEMAS DIVERSOS o-". etc. 6 = 36 forma¡ en las cuales ambo¡ dadoe pueden caer.""tb)-t a-ub I ur/be-! du Jo a_. La probabilidad de que un estudia¡rte que ingrese a la universidad se gradúees 0.26 (c) P(al menos uno re gradúe) = 1 -P(ninguno se gradúe) :0-92224. ¿Cuál es la probabilidad de obtener un total de 9 (o) dos lanzamientos de r¡n pa¡ de dados? en veces. 4 Utilizando la di¡tribución geoméhica.92. Determinar la probabilidad de que de 5 estudiantes (a) ninguno.2692. 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. eon p: Ll6.p(\ t + +)-l ó/J 4. (o) t' = E(X) = JO f abrb e-o"o d. 1 en el primer dado y 2 en el regundo dado. (b) uno.L42 . DISTRIBUcIoNEs DE rRoBABTLTDAD coN NoMBRE Método 2 (utilizando fótmula).tbr donde hemo¡ ütilizado Lr ¡ustitución u f@ ab ('/"\ du /' (r.of ¡(1 + 3) b/ L\ . ó aproximando O. 4./ du (' = o-r.. ó aproximando 0.

Entonces la probabilidad de un total de 9 en un ¡olo lanzamiento de un per dddados esp :4136:1/9 y la probabilidad de no obtener untotaldeg enunsololanzamiento esq=L-p8/9./ * '"'(.4I DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 143 De estas 86 forma¡ todar igualmente factibles ¡i los dados ¡on honrado¡.5gr 441 * ss1 441 .\0/ \e/ \s/ ^/l\'/q\' ffitZü 7268s 4.5Bt 441 = 531 441 441 Otro método. ^ /r\ta.5 puntoe. Suponiendo que las calificaciones están distribuidas normalmente. (5. Para aplicar : 6. Véase Fig.-./r\'/e\a.? y la desviación típica fue 1.2. (4.0 (6."'\g/ ' ^/rY/s\u.7)1L.6. eb necesario con¡idcrar los datoe como si fueran continuoe.56. 4). (6.2 = -'1. ^ /r\u = 'c'(o/ \é/ * '"'(.6u. 5).7)1L.17 z: -1 y 277o z: O) 0.17 (5. (o) P(9 do¡ veces en seis lanzamientos¡ = 6"'\t/ /q\t-' .6 a 6. Por tanto una calificación de 6 puntos ¡e cor¡sidera como 5.-"^11Y - \0/ -61 441 6sl 440 (b) P(al meno¡ 9 doeveces) (9 seis vecee) =P(9 dos vecee) *P(9 trecveces) *P(9 cuatro vec.1): 40.2.1XO. determinar (c) el porcentaje de estudiantes con 6 puntos.133 coeficienüedecu¡tosis: l. hallar (c) la media y (b) la desviación típica para la distribución de tornillos defectuosos de un total de 400. . La calificación media fue 6. 3). Si la probabilidad de un tornillo defectuoso es 0..9): 36.58. es decir podemoselpemr que 40 tornillo¡ esüén defectuosos. 4.5 en unidadee tipificadar hoporción pedida: á¡ea entre : : . Las calificaciones de un parcial corto en biología fueron 0.cAP. (a) Media : np :400(0. ^ /r\'/e\'.er)*P(9cincovecer)*P .6. .0676 : O. (a) (b) Coeficientedeeeego= Puesto que es positivo. (c) la calificación mínima delL0% más dto de la clase.a di¡tribución ee s+l---^6:q : 3+ff1-6(0'1X0'9) = nuq 3'01 ligeramente má¡ apuntada que la distribución normal. L. (D) Varianza : npe: (40OXO.ó6.5?.6 (área entte 0.5 en unidader tipificadar : 5. . dependiendo del número de respuestas conectamente solucionadas de un total de 10. 6). 4.1. 10 puntos. la distribución está sesgada a la derecha.5 . (a) la di¡tribución normal a datos discetoe. == vnpq H = 0. P(al menoe 9 doa veco) : 1 - P(9 cero vecer) - P(9 una vez) : . 4-20./ \.2:{). ^/r\'/a\'.3418 - y e = 0) (áre¡ entre z :{. Halla¡ los coeficientes de (a) sesgo y (b) curtosis de la distribución en el Problema 4./ \ó/ * '"'foi ó * '''Gi 72689 1 10240 960 48 61 = 681 440 65f ¿¿T . (b) la calificación máxima del L0% más bajc de la clase.17 z: -1 y z:-4.2788: . un total de 9 ocurte en 4 cqlos¡ (3. Por tanto la de¡üación tfpica = /56 = 6..

28. Un contador Geiger se emplea para contar la llegada de partículas radioactivas.P6(0): c e¡ la probabiüdad de no cuenta¡ en elüiempoGrro. 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.60.4-22 o ran si AÍ es pequeño.on O como el origen.4-20 Fig. Refi¡iéndose al Problem^ 4.28. La Fig.69. 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.28 (aproximadamente). zt Enüonces zt = (xt . Máe precisamente.que lógicamente e¡ 1.7)17.2 u 8 aproximando al entero má¡ cercano.6.69 halla¡ la probabilidad de exactamente una cuenta en el tiempo t. 4. tenemoS (r) De (I ) obüenemos (2) Po(ú+a¿) = lú Ps(Ú)[1 -IAú] = -IPo (¿) At+0 lim Po(¿-f a¿) - PoQ\ e¡ decir (. Por tanüo c = I y l¡ probabilidad pedida ee (11 Po(¿) = ¿-^t 4. Si se suponen lar llegadae de lae partícula¡ sucegos independientes. rin considerar los términoe que incluyen (Aú)2 y término¡ cuperiores. = 0. 4-2L el la izquierda de z¡ eo LOT.I -0.L14 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP. por tanto área.28y Ír:6. por simetría : L.x2:8. Entoncee tendremos una cuenta en el tiempo f * Af en lor riguientee dos ca¡o¡ mutuamente excluyenter: (i) 1 cuenta en el tiempo f y 0 cuentar en el tiempo At (ii ) 0 cuenta¡ en el tiempo ú y 1 cuenta en el tiempo Aú .4 .40 : -L.I At. 4-22 repteeenta el eje de tiempo c.r2 la calificación mínima pedida zz =L. At. 4-21 (b) Sea r ¡ la calificación máxima pedida ] z¡ !u equivalente en unidadec tipificadas. Por tanto. De la Fig. pero no se consideSea P6 (ú) r-----]--l Fig. exiatirán término¡ adicionalecqueincluyen a (Aú)'y órdene¡ ruperiores. (c) Sea . a Area entre zt y O: 0.7)lt.26 6 aproximando y al entero má¡ cercano.2 ! 22 Eu equivalente en unidades tipificadas. Por tanto la probabilidad de no contar en el tiempo At ec 1 . Si (b).10. Halla¡ la probabilidad de que en un tiempo f no se cuenten partículas.Z:-t. Entonces (x2 - 6.17 I'ig.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. la probabiüdad de no cuenta en el tiempo t Entonces Po (ú + At) es la probabilidad de no cuenta en el üiempo ú + Aú. 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.

¿cuántaseeperaríantener(o)3niños. sin coruiderar los té¡minos que incluyen (Aú)2 y ruperiores. Halla¡ la probabilidad de que al lznz. (b ) 1. (c) 2.I a¿).4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 145 La probabilidad de (i) es P1(ú)(1 .ar una moneda honrada 6 veces aparezcan (o) 0. ¿@xtPr) = x que al integrar (6) Pr(t) = \¿¿-rú+c2e-\r Si : t:0. (n 5.I"(t) = XF'o(¿) - IP1 (¿) ge Tomando el lfmite cuando Af -+ 0 y utilizando la expresión para Pe(ú) obtenida en el Problema 4. (c)o2ó3niños? probabilidades iguales para niños y niñas.66. Iülla¡ la probabilidad de (o\ 2 o már honradas.59 esto convierte en dP. 3).67.rlos DISTRIBUCTON BINOMIAL (BERNOULLI) 4. con un par de dados? ¿Cuál es la probabilidad de obtener un 9 exactamente una vez en 3 lanzamientos 4. Problerna.64. Por tanto. Hallar fal¡o. 4 caras en un solo lanzamiento de 6 monedas hallar (o) P(X = 4.i que es [a distribución de Poisson. 4. caras. (b\ P(X <21' (c) P(1<x=3).¡e-rtt esto puede escribirse como d.P. DeSOOfamilia¡con Shijos. X denot¡ el número (d) de caras en un solo !¡nzamiento de 4 monedas. (b ) menos de 4. . u) Multiplicando por (5) e^¿ d.s supletnenta. (d) 3' @l a. la probabilidad de acerta¡ correctamente al meno¡ 6 de 10 res¡ruestas en un examen tipo verdadero- . Suponer 4. (b) dog vece3' en dos lanzamientos de un par de dados honrados. Si P(X=2). tr¿-At (3) dt = ^Pl o d. P1(0) eo la probabilidad de 1 cuenta en el tiempo 0. Utilizando e¡to en (6) hallamos Pt (Ú) c2 0. (r) Esto puede escribirse Pl (ú + a¿) = Pr (ú)(1 - r aú) + P0 (¿)r a¿ Pr (¿ + (2) l¿) Lt .cAP. La probabilidad de (ii) es Po(ú)I at. que es cero. @l 6 caras.t * \P.61.66.69.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).(b)5niñar.62. Por tanto (7') = ¡¿¿ . 4. Hallar la probabilidad de obtener un total de 11 (c) una vez.

82. Hallar el área bajo la curva normal (o) a la izquierda de z : -1. (d) correspondientea z>:2. ¿qué porcentaje de las medicione¡ están (o) dentro del recorrido I. entre (o) 4.80' 4. Demostrar que si una dishibución binomial con n : 100 es siméhica. hallar P(X > S). (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.23yz:1.85 m.8{. (c) a la derecha d. 4.79. El l}'.r)af(rl para la distribución binomial. 4. 4. La calificación media de un examen final fue 72 y la derviación típica g. Hallarz¡ si P(Z-21)= 0.4 4.!6.4O. z:-I.79' 4.75.0025 pul.(b)z=I. (e) el áiea en¡e-z y z 4.t ! 2 o.83.61? pul. 4.El m inclusive.81' 4.74.71. 4.23 y z sea O. EnelProblema4.oo ¿ea 22c/a.?O m y desviación típica 10 Si los diámetros de los cojinetes de municiones están normalmente distribuidos con media 0.? y n : 60. 4.2266. DISTRIBUCION NORMAL 4.?0 m? cm. (d) iguales a 0.6140 pul y desviación tipificada 0. (D) mayor que 0. determinar el porcentaje de los cojinetes de municiones con diámetros (a) entre 0.?8. su coeficiente de curtosie es 2.e z: -1. -0. (b) P(-1.85- 4.15 y z *aO.2 respectivamente. Calcular la (o) media. Evaluar (o) ) (c - p\3 f (r) v (b) > (r .0314. Un agente de una compañía de reguros vende pólizas a 5 personas.96 =_ Z < t.68. (/)ala izquierda de z:-2. (b) menos que o iguales a 1.9.58.59 y 1. (c ) mayor que g 1. Interpretar los resultados. (b ) al menos 3. Demostrar las fórmulas en la página 109 para los coeficienües de seego y curtosis.72. Z está distribuida normalmente con media 0 y varianza 1.76. (a)Determinarlas calificacionestipificadasdedog estudiantes cuyos puntajes fueron 93 y 62 respectivamente. dondeZestádistribuidanor¡nalmenteconmedia0yvarianzal.45. ¿qué porcentaje de esas mediciones diferirá de la media por (o ) más de media desviación típica. (d) el áreaentre 1. (c) solament e 2.64). 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. todas de edad idéntica y con buena salud.618 pul inclusive. lt!aosea . (b) por fuera del recorrido ¡t ! 1. (d) coeficiente de curto¡is para una dishibución binomial en la cualp : 0.77. 4.56. entre 1. (b) desviación típica.5722.82. Hallar la probabilidad de que en 30 años (o) Ias 5.gShallarlacon¡tanteatalqueelporcentajedelo¡casos(o)dentrodelrecorrido 7 í'.4 respectivamente. (c) menores que 0. Si (c) P(lzl > r).615 pul. (b) Determinar los puntajes de dos estudiantes cuyas calificaciones tipificadas fueron y 1. (b) a la izquierda de z:0. 4. 0.L46 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. (b) menos que p . (ó) el área a la izquierda de z sea -0. 4.85V 4.2 o.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 -0.2O y z --2.52 y a la derecha de z: 1.86. (c) Si las estaturas de 300 estudiantes están distribuidas normalmente c\on media 1. (e)correcpondientea-0.608 pul. llallar el área bajo la curva normal z: 0.5 o? 4'83. (c) el área entre de z tales que (a) el área a la derecha de z sea 0. ¿Cuál es la cslificación mínima que debe obiener un estudiante para recibir una A ? Si un conjunto de mediciories está distribuido normalmente.96). (c)z:-2. haltar (a) P(Z = -1.O?30. (c) coeficiente de sesgo. (dl al menos I persona esté viva.6 y 1. Si X está distribuida normalmente con media 5 y desviación tipificada 2. En un examen la media fue 78 y la desüación típica 10.84.55 m.b superior de los estudiantes recibirán una calificación A (excelente).t'c. ¿cuántos estudiantes tienen estaturas (o) ¡nayores que 1.610 y 0. (d) igual a 1.7O.69.78: Hallar los valores sea 0.80< z< !.50.900.

Hallar la probabilidad de que en 200 lanzamientos de una moneda resulten (a) entre 80 y 120 caras inclusive. de loe tornillos sean defectuosos. 4. (b) cada ca¡a una vez.1 t\.99. f(r) =.9!.87.(f)menosdeS ahogados por año. o 2lámparas eléctricas sean defectuosas. Hallar la probabilidad de que un estudiante pueda acertar eorrectamente lasrespuestas a(a)12 o más de 20.b. Hallar la probabilidad de que en un muestreoaleatorio de 400 tor4illos producidos por estamáquina (a)máximo 30.93.2. (bl 24 o más de 40 preguntas en un examen tipo verdadero-falso. Xz. Se extrae una bola y se obsen'a su color.(Sugeren- cia: Utiliz.94. TEOREMA DEL LIMITE CENTRAL 4. f. Demostrar el resultado (l 7). "heses". Entonces se coloca la bola en el talego.10O. hallar la probabilidad de que en una muestra de 100 lámparas eléctricas (a) 0. página 113. S.entoncesXr+X2 tieneunadistribucióndePoissonconparámetro).101. . Si 3% de las lámparas eléctricas producidas por una compañía son defectuosas. 4. 36 LO"/o de los cuales son defectuosos. (c)entre y 46.90. 1/2 -r -t Demostrar el teorema del límite central para las variables independientes 'Yk donde g = | | 1 prob. ( t 3 ). (d) 55 o más.96. (b) entre 1 y 3.t9.#Tf DISTRIBUCION MULTINOMIAL 4. son independientes y están distribuidas idénticamente con la distribución de Poisson. Demostra¡ el teorema del límite central para las variables independientes xk = 4. (b)entre 30y 60. Xz.cAP.ar la función generatriz de momentos). (d) 3. Department of Health. Utilizando (o) la distribución binomial y (b) la aproximación de Poisson a la distribución binomial.95. (b) menos que 90 caras. . (c) menos de 85 o más de 116 caras. Halla¡ la probabilidad de que 4. (c)2. En el Problema 4. . del límite central no sea válido en el caso que X¡ . 4. 4.(d)8. hallar la probabilidad de que (of rnís de 5.91.(n5lámparar sean defectuosas. 3 .(e)entre4y8. el promedio de ahogados en accidentes por año es 3. ( L 1 prob.92. Demostrar que si respectivostrr X1 ¡l X2 son variables independientes con distribuciones de Poisson con parámetros ytrz. arí generalizando el Problema 4. <x< @ 4.97. Demostrar el teorema del lfmite central para el caso en q rre X ¡. Hallar la probabilidad de obtener más de 25 "sietes" en 100 lanzamientos de un par de dados honradoe.(c)6. DISTRIBUCION DE POISSON 4. (b) 7. . (c) menos de. -'.(b)2. hallar la probabilidad de que en 8 de tales extracciones se seleccione una bola roja 3 veces. r¡ : L - p. Una máquina produce tornillos. 2 "doses" y . .0 de cada 100 000 personas. 4l DISTRIBUCIONES DTSTRTBUCTONES DE PROBABTLTDAD CON NOMBRE PROPTO PROBABILIDAD PROPIO I47 L47 APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL 1. 4. Generalizar el resultado a n variables. Se lanza un dado honrado 6 r¡ece¡. (d) exactamente 100 cara¡. enunaciudadcuyapoblaciónesde200000ocurran(a)0. Education and Welfare. Un talego contiene una bola roja y siete blancas. Según Ia National Office of Vital Statistics of the U. página I 1 1 .88. 4.97. Halla¡ la probabilidad de que el resultado sea: (o ) 1 "uno". 4. (e) 4. .98. 4. 1/2 prob. Explicar por qué se podría esperar que el teorema üengan la distribución de Cauchy. p pr.

4. o:2.Hallat(a) P(X i.114. entoncel su mdia 4. página 116.106. Demostrar que si X1 y X2 son independientes y tienen la misma distribución {e Cauchy. Una caja contiene una gran cantidad de bolas rojas.109. es una función de densidad. página 108.119. azules y amarillas en la proporciün 4t 3z 2: L. 2 ó 3 en cuatro lanzamientoe de un dado honrado. Hallar la probabilidad de no obte4er un 1. recorrido gemi-intercuartílico es un eustituto de la desviación tfpica? aritmética también tiene esta distribución. cuando N ' e. Una variablealeatoriaX tiene una distribución gamma conQ:3. sean del oriente. 4. DISTRIBUCION UNIFORME reduce a (I ). 2 zzulee y l amarilla. (b) P(lX-11 = +). 4.148 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cA¡.120. Z. Una caja contiene 5 bolas rojas 5l l0 blancas.121. 4.Hallar(al P(X <1).105. Verificar que (31 ). hallar la probabili4.111. Si se seleccionan 13 cartas aleatoriamente (sin remplazamiento) de una baraja de 62 cartas. sesgo y (b) curtosis de una di¡tribución uniforme. Hallar la probabilidad de que de 10 bolasextraída¡: (o) 4 rean rojas. ó (24\ se para resolver el Problema 4.115. 4.págrna114. (c) al menos una sea roja.11E. tl¡llar(o) P(X= 1). 4.con < 2). De 60 aspirantes a una universidad 40 son del oriente.z 114.106 y e¡tudia¡ la precisión 4.11?. Yerificar la (a) función generatriz de momentos dadas por (33 ). 4.122.110.104. (b) P(Xz > r2). Y son independientes y ambas eetán distribuidas uniformemente en el intervalo de 0 a 1.116. Hallar (a) el tercero y (D) el cuarto momento alrededor de la media de una dishibución uniforme.9: 4. Demostrar directamente que (22). Determinar el coeficiente de (a) > ll 6/.102. y (b) la función caracterfstica de la di¡tribución gamma .págin. 4.112. Demostrar que el recorrido semi-intercua¡tílico para la di¡tribución de Cauchyeeo. ¿Porqué en este caso el 4.(b)8 sean rojas y 2 amarillas.4 4. blancas. 4. hallar la probabilidad de que (o) 10.107. (t) P(l = X=2). Generaliza¡ el resultado del Problema i.113. SiXestádistribuidauniformemente en-2< x=2. Si se seleccionan 20 aspirantes aleatoriamente. hallar P(lX . Hallar la función generatriz de momentos para la di¡tribución uniforme. 4. (b) todas sean blancas. (b) ninguna sea figura.103. DISTRIBUCION HIPEBGEOMETRICA 4. (b) no más de 2.108. S blrncar. Determinar los valore¡ modales de la distribución gamma.fl DISTRIBUCION DE CAUCHY 4.116. 4. Suponga que X tiene una distribución de Cauchydeacuerdocon(29). Si Xt y Xz son independientes y distribuidas de Cauchy. Si X. Si se seleccionan 8 bola¡aleatoriamente (sinremplazamienüo) determinar la probabilidad de que (a) 4 sean rojar. dad de que (a) 6 sean figuras. normalmente con media 0 y varianza l Demostra¡r que Y: Xt lXz tiene una distribución DISTRIBUCTON GAMMA 4. página 115. Emplear la aproximación binomial (18) obtenida.

y x! tales que (a) P(U > x?rl = 0'025. los valo-res de x? y x! no son únicos' 4..ss.98. si el r.128. Demostrar que la va¡ianza de la distribución t de Student con t.727 si el área de la cola derecha es 0.g. + p . hallar el valor de ú¡tal que (a) el área a Ia derechadeú1 seaO. 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./(. Hallar el valor de: (a) F. Halla¡ (o) 4. (d) el área a la derecha de ú1 sea 0.cAP.donde zo hra una distribución f de Student con 15 grados de libertad. f f.(c)eláreaaladerechadeú1 eea0.025. si el número de 4. grados de libertad DISTRIBUCION x . (c) el á¡ea a la derecha de xl sea 0.1 de la función de densidad (45'¡.140. (e ) 150. (c) 28. ee la 0.125. hallar x2. Resolver el Problemz 4. 4. Demostrar que para 1 grado de libertad la distribución ú es una distribución de Cauchy.90. 250.55 ! 4.rales a la derecha de xB y a la izquierda de x!. v: -f1 sea 0.123.10'(d)el sea 0. Hallar 4.:10.2\' 4. 4. (b) el área a la izquierda de xi sea 0. (c) F.136.01. (b) Demostrar que si la suposición de áreae iguales en la parte (o ) no se cumple.133. (d) P(U 2 c) = Q.páSrrra 115. (c ) 25.13?.. Si una variable Utiene una distribución de Student con ¡. (d ) 60. (o) llaltar x! y x? tales que el área bajo la distribución x2 correspondiente a v -. Demostrar que (a) E(xz) = DISTRIBUCION ú DE STUDENT 4.%t con y :7. : 6.i) 4.50. (b) F. hallar el valor ie .? 9:?^5: suponiendo ireae'ig. la distribución ú es 0.141. \b\ Yar (7zl -.139.131.126. ¡2o egtá x?ozs y (b) xizs para'r = 4.¡' 4. pígirn 117.129.or.20 91tt: 1i Y_4_. Demostrar que la distribución beta tiene una moda l¡nica en DISTRIBUCION CHI-CUADBADO r: (a - l)/(a P(lX-+l = +).2.gc. er igual a 1. Demostrar que para grandes valores de 4. 4.oo.13E.136. (b) 12.95.rúmero e.05.142. (ó) y (b) x. = t2ul(v1* . área combinada a la derecha de ú1 y a la izquierda de -f1 4.9¡' P(U>c)= 4. Hallar (a) es la x.¡. hallarlaconstantec talque (a\ 0.90yy:25t (b)eláreaalaizquierdade-ü1 sea0. / una buena aprorimación para percentila (100p) de la distribución normal tipificada. Verificrü que (34).or'so'lr-. (c) P(x?< U < x2z) = 0. (c) P(U = cl = 0'20.os.130.rs.rzo. Si la variable U tiene distribución chi-puadrado P(u < x?) : 0.zoi (. es una función de densidad. lJnavariablealeatoriaXtieneunadistribuciónbet¿cono:3.124.2gs para r = 150.12?.134. v ) 2.z¿i (d) F.01. (d) 40.99.eo. (b) 19.ti ti¡l gue (o) el área a derecha de ¡l sea 0.05. - 2).01.' dada Por r * . 4.ss. Q) F.95.01. (D) P(-a= U 3 c) :0.132.01 y ¡. Hallar los .(b)eláreaalaizquierdadetlsea0.02'5yv=20'(c)eláxea 16.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) 8.4l DISTRIBUCION BETA DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO t49 4. v.05. (e) el área entre -f1 f f1 sea 0. Verificar que la integral desde u lsugerencía: Hágase a : 0 hasta e v2u). 4.ol/l'. Para una distribución chi-cuadrado con 12 grados de libertad.rz.9:2.

prgradoe X¡ + . PROBLEMAS DIVERSOS 4.149. rj +n'r l¡ = ¡'oof 4. Verificar que estas constantes son l¿¡s dadas en (19).1 o2 .8... Demostrar que 2u (.154.7ffi1.. 4... demostrar que e8t6n distribuidas marginal- "? y oi respectivamente..37 demost¡ando que si buidas normalmente con media 0 grados de 4. k=1.159. Xz.15E..156. .X.r.. 4. 4. Demostrar que cuando v "> @ la distribución f de Student tiende a la distribución normal tipificada. + Xn.X.. constantes y b2 < ¿c. b. É^ ¡=o . .153.e8)2ez \3 /' y dar una interpretación de probabiüdad. c. Halia¡ el valor aproximado de (t3o).A) = ke-(!¡z+2bra+"v'l donde a..161. demostrardirectamentelosresulta- 4.143.o2)a(0. 4... Sean las variables independientes n X¡. (ó) io ". .155. ¿tiene X2 una distribución chi-cuadrado con 1 X1. de 4. Suponer que X.36. Demostrar el Teorema 4-8. Demostrarque k=l ) X* tiene distribución de Pascal 118).4 4.^h.pfuinal77. 4. RELACIONES ENTRE LAS DISTRIBUCIONES CHI-CUADRADO. Y tienen la función de densidad conjunta f(r.r. k=l son variablee aleatoria¡ independiente¡ disürluna distribución chi-cuadrado con y libertad. 4. Demostrar el resultado (46). Si Xr.. Demostrar el Teorema 4-5.16O. Hallar la función generatriz de momentos de la di¡tribución hipergeométrica.0.0.. DISTBIBUCION NORMAL BIDIMENSIONAL 4. página 118... página LL8. (Sugerencia: Ilaga la transformación u : 1/u). . Completar la demostración de la ecuación (8) del Problema 4. Generalizar el Problema 4. Si X está distribuida normalmente con media g y variznza grado de libertad? Véase Problema 4. página I44.14E. 4. 4..e8¡zsa \z /' * (tlu)to. ento'nces ) Xf ti"tt" 51. Y mnjuntamente tienen la distribución bidimensional (19).. son independientes pero no necesaria.145.Porevaluacióndelasseries dos del Problema (") 4. Demosha¡ el teorema del límite central para el caso donde Xt. ¿Puede deducirse la ley de los grandes números en forma débil del teorema del límite central? JuEtificar su solución. Demostrar los resultados (20) y (23). página 114. (véase página cada unacondistribucióngeométrica.162. y varianza 1. libertad respectivamente.147. 4. mente con varianzas h aon 4.150. Demostrar el Teorema 4-10.157. página 116.0r. .146. hallar la función de distribución de lonva¡iablesaleatoúasindependientescon di¡tribuciónchi-cuadradoypr. prfuina 118. . mente tienen una distribución idéntica.' o) 4.I Y T' 4.. (a > o' o .150 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.6O.144.n..c<ts -. Si X.

. Determinar (a ) la conetante c. (b) v = 2. 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. Comparar sus resultados con l¡ entrada 5. y varianza de la distribución gas para loc casos (o) (b\ v2= 4.162. Estudiar qué le sucede a la varianza de l¿ distribución t 4. (c) v1* 4.F' f. (c) la velocidad más probable. Estudiar qué le sucede a la media ¡i (o) r = .164.cAP. (b ) la velocidad media. página 119. (d) la velocidad efectiva(rme.esdecirlarafzcuadradade la velocidad media al cuadrado).4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 4.163.

.

Farte tl ESTADIST¡CA .

.

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

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

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

De otra forma Io anterior es conecto si remplazamos o/l/-n en (7\ por o* como se da en (6). oft = . 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 (6) 5-4: p y vaianza o2 entonces la media muestral p y vananza é/n. 9. página 112. Se supone aquí que la población es infinita o que el muestreo es con rernplazamiento.ux. entonces (5) se remplaza por o2/N . .(¡¿ -n\ -f / en tanto eue ¡r* aún se da por (4). dada por Z: es x-r "/\n es (7) normal reintóticamente. (s) El Teorema 5-5 es una consecuencia del teorema del límite central. la media de la población. Entonces es natuml buscar la distribución de probabilidad del estadístico muestral X. 2 entonces la media muestral .¡ n lcAP..5.á dada por E[(X-ti'l: "l = ¿ n donde o2 es la va¡ianza de la población. y si el tamaño de la muestra es n S N. 1.-. = t' es la media de la (l) población. Teorema (5) 5-3: Si la población es de tamaño N. Los teoremas siguientes son importantes en este sentido. 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. estn lim P(Z -z z) = -= f = J 1 vzr -* "-uztz ¿r. denotada por oi. Si una muestra de tamaño 5 resulta en los valores muestrales 7. entonces la varianza de la distribución muestral de medias.r es F*. denotada por . 5 (3) EJEMPLO 5.6. est.158 TEORIA DE MUESTREO Jrf ll |"'Fi. está dada por E(X) = donde ¡. Entonces la variable tipificada asociada con X. Nótese que (6) se reduce a (5) cuando N . El Teorema 5'1 establece que el valor esperado de Ia media muestral Teorema 5-2: Si una población es infinita o si el muesheo es con remplazamiento. que se llama la distribución muestral para h media de la muestm o la distribución muestrcl de medias. Teorema 5'1: La media de la disbibución muestral de medias.

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

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

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

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

o por un polígono de frecuencios uniendo los puntos medios de los techos del histograma.5 se conocen como límites reqles de clsse. Por esta razón es útil organízar o agrupar los dofos. DISTRIBUCIONES DE F.cAP. la frecuencia relativa o porcentual correspondiente a la clase 63-56 es 18/100 ó 18'i. desviación típica. La suma de ias áreas es 1 ó l-00'. El histograma correspondiente es entonces semejante al de la Fig. Io que se llama uninterualo de clase. Ya que una estatura registrada tromo 60 pulgadas realmente está entre 59.5-62. Si en la Tabla 5-2 registramos la frecuencia relativa o porcentual en cambio del número de . Orden3mos los datos en clases o categortbs y determinamos el número de individuos que pertenecen a cada clase.. EI punto medio del intervalo de clase. Tabla 5-2.'RECUENCTA Si una muestra (o una población) es grande. EI siguiente intervalo de clase sería entonces 62.5 y 60. puecen enct-¡ntrarse con frecuencia. por ejemplo. o al menos sus medias y desviaciones típicas (errores típicos).5 pulgadas. conjuntamente con los dados. se ¡nuestqan en la tabla anterior. .5--65. 5-1 ercepto que el eje vertical es frecuencia relativa en cambio de frecuencia.5-59. podríamos haber registrado el intervaIo de clase como 59.5-62.l .5 y 62. es Ia diferencia entre el límite real superior e inferior. Es interesante observar que Ia gráfica parece indicar que la muestra se extrajo de una población de alturas normalmente distribuida. 5-1.5 y 62. El ancho del intervalo de clase 7-ésimo. Puesto que 5 estudiantes tienen estáturas casoc:62. En este La primera clase o categoría. Algunos de estos. como se muestra sombreado en la Fig. Como ilustración suponga que una muestra consiste de las estaturas de 100 estudiantes de la univelsidad XYZ. 60-62 es 61. se conoce como d¿süribución de frecuencia o tablade frecuencia.) de tro estudiantes É tr-r (::i t'. etc. consiste de estaturas desde 60 hasta 62 pulgadas. que puede tomarse como representativo de la clase. En el intervalo de clase 59. 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. 5l TEORIA DE iúUESTREO 163 definiciones son análogas a esas dadas para poblaciones en el Capítulo 3.5 pulgadas mientras que unaregistrada como 62 pulgadas realmente está entre 61.-r-l correspondientes a esta clase Ia correspondiente frecuencia de clase es 5. denominada la frecuencia de clase. La ordenación resultante.5:3.5 los números 59. es difícil observar las diferentes características o computal estadísticos tales como la media. etc. Tabla 5-2 ESTATURAS DE 1OO ESTUDIANTES DE LA UNIVERSIDAD XYZ o H o 10 (pulgadas) fir) Estatnra i Número -f.5.:) riri {l¡ ¡ lii 12 o ilr -71 27 8 .Por e¡emplo.'J ir z 61 64 6t- l0 ?3 76 (pulgadas) Estatura (p [:ig. DISTRIBUCIONES DE FRECUENCIA RELATIVA Y OJIVAS estudiantes err cada clase. Distribuciones muestrales para estos estadísticos.5. denotado por c¡r que comúnmente es el mismo para todas las clases (en cuyo caso se denota por c). el resultado sería una distribucíón de frecuenciarelatiua oporcentual. inciicadas por 6G-62. se llama marca de clase.

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

1. 3. Si escribimos il.-'(i)r ¡) ri 5b *rt-f. . 8.ll ---- 30 Lr.fi l-''' n * f rt'i' 4JÁ s f. etc. 5l TEORIA DE MUESTREO 165 y al origen respectivamente están dados por ¡'rt . 6.29.Snt\mí + 2tn.(tr l cr- de tal modo que obtenemos de (3I ) las fórmulas claves 0 = c2(XIi-M'l) l1tt = cj(Mi. Una población se compone de los cinco números 2. l¿ I' . (30) Las dos clases de momentos están relacionados por ?ll1 Q tnz -: 1n:.U (b) .tt¿'i2 ntlt . Lógicamente la segunda ecuación de (32) es igual a la (28).8 y o = 8. De una manera semejante otros estadísticos como el sesgo. Pero 'rrr : >("j)l lln = /tlr = n¿z )'/[(a + c¿r) -. _ l(. ((i _1 (8.(ir.gWiMí + 2M'r3) lnt = cl(xIi. es decir. (c) la media de la distribución muestral de medias. la curtosis. (a) r o2 = 12___i_E_l_e_ll J :l --. el error típico de medias..cAP.\3 t)t1 mimit+ün\2ntí-Bn{ra f.^. r !11 0.utiui+ 6It[i'M3 ..r 11. .s resueltos DTSTRIBUCION MUESTRAL DE MEDIAS 5. /l¿¿ tni (s 1) etc. It. '1 9 + 0 c + 41'21 - 10.gM'r") (32) etc. pueden hallarse Probletna. Halla¡ (a) la media de Ia población. (b) la desviación típica de la población. Itt Fórmulas semejantes existen p¿üa momentos superiores. Así los momentos r con respecto a la media rl n (2e) . (d) la desviación típica de la distribución muestral de medias. 11. : t: hl .i7-- xIi- f /¿¿' n entonces las relaciones (3f ) también son válidas para las M. para muestras. Considerar todas las muestras posibles de tamaño dos que puedan extraerse con remplazamiento de esta población.

(o) y (ó) como en el Problema 5..0r 6.5 9.0 5.2. o: 3. y la media de la distribución muestral de medias es 9. (d) I'a varianza o{. + l:1. 8).2) 12. 6) (8.1.2t (3.8.5 6.\ N _irl.."\.0 6.5 5.-. 6..0. (3. de la distribución muestral de medias se obtiene restando el valor de la media 6 de c¿da número de (1 ).6.1 para el caso de muestreo sin remplazamiento.0 y la media de la distribución muestral de medias . 5.D 6.0 -i.11) 4.40 de modo que o. 2) (8.3) (6. 11).0 poniendo de manifiesto el hecho de que tÍ - (d) La varianza.8) Las correspondientes medias muestrales son 2.5 7. Las correspondientes medias muestrales son 2.5 11.0¡:: -f -' . 5. 8). ) "l .8) (8.5 I. elevando al cuadrado cada diferencia.f.b - 6.. 8.6) (tt. _Í ) . (8.5 1 4."2*= o2/r. Para una demostración general véase Problema 5.r' = 16.1¡ muestras (2.5. (6.2.5.0 5. que es el valor obtenido anteriormente. 5.5.4.8) (6.5 + 4. Para una demostración general véase Problema 5.3). 7. (c) Hay iC-. 3) (rl.5. 11) La selección (2.5 . (3.6) \2. de acuerdo con el valor anterior.3) 111.1-¡ .0 : itO + 6. (3.0 -('25-10 - c.11) (3.29. 5.47. (2. 4.5 + 9.O.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). 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. 6) (3. ll ). 7.05 Y ox r. Estas so r (2..11) (1r. 3) (2. l'I1!11-q9-"'-lgl-99'":'I9't3ls 25 comprobándose que ) 150 tt - o'' t{' -.5 (c) Hay 5(5) : 25 muest¡as de tamaño dos que pueden extraerse con remplazamiento (puesto que cualquiera de los cinco números de la primera extracción puede asociarse con cualquiera de los cinco nfrmeros de la segunda extracción).0. 10'8/5 . nuesto que segundo -:^-L-^ "" (. (6.6).puestoqueel segundo miembro es 10. 4. éstas son (2.0 (2.8/2 = 5.0 otr 3.11) (8. 3) (3.6. 11). (2.0 9.2) (11.11) (6.U t< (.2\ Esto pone de manifiestrque '' . 4 135 : -.2) (6.?.* 2. de la distribución muestral de medias x es 6. El resultado final es .5 + 10 /r.0.166 TEORIA DE MUESTREO lcAP.5 = 6.8)..0).!lr_115. 7. por ejemplo.8.3). rj).* .0 4.05.6) (6.0 O. ¡r: 6 y o2 :10.o2/ N .to oue el sesundo miembro ^^ .5 ¿" (l 8.5. se considera la misma que (8.2).5 7. Lo mismo que en el Problema 5.0 + 7.0 es 8.8) \3.0 7. ¡'.r ) 4. Para una demostración general de este resultado véase hoblema I .40.8) (11. sumando los 25 números así obtenidos y dividiendo por 25. + (9.5+ 5. or".0)2 = 4.0 8.01.

0 pulgadas y dewiación típica 3. (b) menor de 66.0)/0.6 (o) 66. Si se toman 80 muestras de 25 estudiantes cada una.4962 : -2. : (área bajo la curva normal entre z : -2.6 : -2.4. (b) 66. Así se tiene. cabría esperar que la distribución muestral experimental de medias se distribuya aproximadamente normal con media 68. Así.30 500 /ioo 500-1 - 100 0.3 en unidades tipificadas : : (66. = tL = 68. 0.8 en unidades tipificadas 68.6 (68.8 y 68.3 La media X de una muestra en unidades tipificadas viene dada por Z X-p* aX X-68.5l TEORIA DE MUESTREO r67 5.(área a la izquierda de z : -2. sino solamente una distribución muestral experimenú¿1.8 . para todo propósito práctico.0 pulgadas y desviación típica 0.304 o cero. Quinientos onzas.0 : 0. 5-3 5. 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. De aquí que con 80 no se obtenga realmente una distribución muestral de medias.02 ? .5\ :(áreaentree:-2yz:O) * (área entre z : O y z : 0. ¿cuál será la media y'la desviación típica esperada de la distribución muestral de medias resultante si el muestreo se hizo (o) con remplazamiento. cojinetes de bolas tienen un peso medio de 5. 5.0 pulgadas.4 - 68. (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. la media y desviación típica esperadas serán muy próximas a las de la distribución teórica.25 -1 que es ligeramente menor que 0.6687 Entonces el número de muestras esperado es (80)(0.4 pulgadas? ¿En cuántas muestras del Problema 5.02 onzas. Sin embargo.0098): 0.67 Proporción de muestras con medias menores de 66.0)/0. considerarse la misma que en el muestreo con remplazamiento.6 pulgadas 3000 3000 (b) p* = p - 68.0)/0.0038 -2 A7 Entonces el nhmero de mueshas esperado es : (80)(0. (b) de más de 510 Pa¡a La distribución muestral de medias ox- o yn !* = p = N-n N-1 5.68.4 pulgadas .0pulgadas o vn N-n _3 N-1 \/% .67) : : (área a la izquierda de z : 0) y z : O) .02 onzas y una desviación típica de 0.30 onzas.3 cabría esperar una media (o) entre 66.0 y z : O.8 y 68. que son muchas más de 80.(área entre z : 0.3 .6 : -2.4772 + 0.5 Proporción de muestras con medias entre 66. por tanto.3.6682) ó 59.6 pulgadas y puede. pulgadas.0 0. pues.6 pulgadas.cAP. puesto que el número de muestras es grande. Por ello. Fig.3 pulg. habría mucha aproximación entre las dos disbibuciones muestrales.68.5 - 0.0 pulgadas y Yox=- ox = o=3 \/n {zs = 0. Supóngase que las estaturas de 3000 estudiantes de una universidad se distribuyen normalmente con media 68.5.1915 : 0.5) : O.67 0. \a) p*.4 en unidades tipificadas: (66.

168 (o TEORIA DE MUESTREO lcAP.0. 5. 3-7 " x. página 158. (a) ' pide ra probabilidad de que el número de caras en los 12Q lanzamientos se encuentre ent¡e 4O(/o de 6 48. tenemos por los Teoremas 3-5 y Var (X) -f vu. (x1) r rI (x.5 se encuentra entre 4.00 onzas.7 4 : -2.5-5 5.t - . Se consideran los 120 lanzamientos de la moneda como una muestra da la población infinita de todos los posibles lanzamientos de la moneda..E6)) = L(rr\ = t! 6.O27 : 2. tenemos l¿-12 E(X¡) = * Entonces ya que la media muestral se define como -Y='' x. 6 72.5 .+ "' + -' Entonces puesto que X¡. X2.22 y z : -0.96) :0. (b) sea 5/8 o más del número de lanzamientos.0.5 y 72.5.22 y z : O\ . DISTRIBUCION MUESTRAL DE PROPORCIONES 5.96\ (área a la derecha de z:0) ..pues.(.10 onzas.00 en unidades Probabilidad pedida tipificadas : (5.02)lO.+"'") =.(área entre z : -4. y 6Ol/" de l2O.O2\10. mediante la aproxlmación normal a la binomial.96 5.6.96 ) El peso total se éncontra¡á entre 496 y 500 onzas si la media de los 100 cojinetes y 5.7 4 y z : O) = 0.+-\1L tenemos como se requiere l E(X) = ]lEtX. la cual tiene media ¡1.10 . página 158.O27 : -2. X.8.02)lO.ttr rr"rr"n Var uuri^X. En esta población la probabilidad de cara es p : I12 y la probabilidad de sello es C :1P : l12. Demostrar el Teorema 5-1. F'ie. se pide Ia probabilidad de que el número de caras se encuentre entre 47. solamente se darán 3 casos cada 2000 de obtener una muestra de 100 cojinetes con un peso total superior a 510 onzas.48(i8 ..22 : --0. Tenemos .5.96 en unidades tipificadas: (4... Puesto que el número de caras es una variable discreta.ruo2.. '1-.0015 : (área a la derecha de z Así.7.10 en unidades tipificadas: (5.027 5. 4.4985: 0. son ina"p"nl'i"nt"..216-1 (área entre z : : 222 -074 Fie. Hallar la probabilidad de que en 120lanzanientos de una moneda el número de ca¡as (o) esté comprendido entre el 40% y el60%. Se procede como en el Capítulo 4.(área entre z : O y z = 2. Demostrar el Teorema 5-2.) - .7 4) (áre^ entte z : -2.00 - 5. Puesto que X1. ..5-4 (ó) El peso total excederá de 510 onzas si el peso medio de los 100 cpjinetes sobrepasa las 5.96 Probabilidad pedida : 2.2704 : 0. Se 1-2O. son variables aleatorias que tienen la misma distribución que la población.

1.6250 - 0. Aquí se consideran S00muestras. Adviértase que (0. - 0.0041 7.5 5.5/120 y (b) Empleando el segundo método de (o) se tiene.50 0. puesto que no se ha utilizado el hecho de que la proporción es realmente una r¡ariable discreta.51720 del primer método.74% de ellas con porcentaje de ca¡as entte AOVI y el .00. Así pues.28 : : : Otro método.0456 = 2.28y2:2.00417) en unidades tipificadas Probabilidad pedida .t9 yz : 2.977 4 ttp=P:i=o.28) 2(área errtre z : O y z : 2.19 : 2(0.60.(áreaentre z : 0 y z : 2.9. = .fn ficadas son. que 0'00417 0.8 se ha obtenido que todas las posibles muestras de 120 lanZamientos de una moneda. (b) 518 o más de sus lanzamientos resulten cara? Este problema está estrechamente ligado al Problema 5.60 + 0.60+0.28) 2(O.0456 40Vo enunidades tipificadas 60o1c -2.0041?-0. puesto que L1240: 0. de la población infinita de todo.28 _ y 0.48 Probai¡ .40 y se Buma . las proporciones pedidas en unidades tip! 0.=1p= ^FY = 120 = 0.4857) : Aunquees:cresultadotiene dos cifras significativas.86 : (área bajo la curya normal a la derecha de z : 2.0456 (0.28 que concuerda con lo obtenido por el primer método. i:abe esperar el encontrar un97.0'60 = 2.00417) y (0.5 .detamaño 120 cada una.s los posiblea l¿nzamientos de una moneda. 5l TEORIA DE MUESTREO ¡r: núrnero de ca¡ae esperado .50 = _2.65\ : (área a la derecha de z : 0) .117 l1 a 0.40 72.48 . Cada persona de un grupo de 500 lanza una moneda 120 veces. 0.I9 : -2. = 2. puesto que 5/8: - 0.4887 ) : O.00417) corresponden a las proporciones 47. ¿En cuántos individuos cabe esperar que (o) el númoro de caras se encuentre entre eI 40% y el 60% desuslanzamientos.4960 : 0. Teniendo esto en cuenta se resta 11 Z" = Al¡.65) : 0.971.5 en unidades tipificadas = 72. (o) En el apartado (o) del Problema 5. no concuerda exactamente.0040 -_ 0'6250 5.I9 en unidades tipificadx: ffip z sí la probabilidad pedida es el área bajo la curva normal entre 0.40 0.6250.cAP.0r56 - 0. (área bajo la curva normal entrez=-2.np = rzo(!) = oo o= 47 \/"pq 47.uo ".0.8.idad pedida = 2.5 en unidades tipificadas = - 60 72.5 . de 0.60 5.

(b) 1000 individuos elegidos aI azarde entre la población votante se hubiese obtenido una mayoría de votos para dicho candidato.02 (o) y oP=tE= : 1/ 0. (a) Puesüo que I.5000 + 0.a es . Los resultados de una elección demostraron que un cierto candidato obtuvo el 46% de los votos.={-= . ¿Cuál es la probabilidad de que en una partida de 400 piezas sean defectuosa..4G y ". En ó00 muestras se puede esperar 97 . (b) Razonando como en (o).1056 Si no se hubiese aplicado la conección se hubiese obtenido 0.) Entonces.5025 en unidades tipificadas : (0. También puede utilizarse el aegundo 5.2t) : 0.14 = 20 0.-' 0.21 (área bajo la curva nonnal a la derecha de z : l.170 TEORIA DE MUESTREO lcAP.5025.5 o más. (2()'o de 400) = 3 Entonces 11.0352 L12n: ll40O: 0.5/200 = 0.5000 - 0.p = :p = 0.0.0764. Otro méüodo.1056. Tales individuos pueden razonablemente sospechar que sus monedas no están bien hechas aunque sí lo estén. se tiene (o.8 : - 1. (3% de 400 ) : 12 piezas defectuosas. 12 o más significa 11.7 4% de 500.0'02 -: 0. 1/800 0.. Determinar la probabilidad de que de (a) 200.5025 o más.11.98) v = 400 _ 0. (b) 2% o menos? PP'=P=0.0714 se : O. una mayoría se obtendría en la muestra si la proporción en favor del candidato fuese 0.5 y así la proporción sería 100.oo125)enunidadestipificadas=W=|.5 6OVo.18 Probabilidad pedida : : (área bajo la curra normal a La izguierda de z 0. hubiese obtenido 0.5000.8)12.5 en unidades tipificadas : " : {"w : (11.02(0.489 : 1I individuos cabe esper:ü que su número de caras no se encuentre entre el 4O% y el 6O% de los lanzamientos.1131 . : 2 personas se esperará que los 5/8 o más 5. En concepto continuo.s (o) 3% o más.00125.10.o3_o. Se sigue que en 489 individuos se esperaría que su número de caras se encontras€ entre eI 4O% y el 6O%. (Esta proporción puede también obtenerse dándose cuenta que 101 o más indica mayoría.02 I 0. ó 489 muestras con esta propiedad. L/2tt.0362: 1.46)/0. 0.00125) en unidades tipificadas 0'02 r 010q1?5 .26): 0.0040) de sus lanzamientos sean caras. se concluye que en (500X0.57L4 Si no se hubiese aplicado la corrección.0025 : 0.5 y'1+oo)1onz)¡rsg : 2. p0.25 hobabilidad pedida : (área bajo la cu¡va normal a la derecha de z : I.18) 0. método del apartado (o). pero ésta.5025 Probabilidad pedida : . Este tipo de error es un rresgo que se presenta siempre que se trata con probabilidades. Es interesante advertir que en 500 .0025.007 Mediante la corrección para variables discretas. Se ha encontrado que el 2% de las piezas producidas por cierta máquina son defectuosas.3869 :0.50 + 0. sería 100.25 y como antes la probabilidad pedida (b) {0. como variable continua.

ia de 1400 horas con una desviación típica de 2OO horas. Calcular (a) *u.]ESTRALES DE DIFERENCIAS Y SUMAS 5.) nu.4964 DISTRIBUCIONES MT. ofi.12.4. rnientras que las de otro fabricante B tienen una duración media de 1200 horas con una desviación típica de 100 horas.e + ll = La población consistente en las diferencl¡e de cualquier término de U¡ y cualquiera de (J2 ea 3-2 3-4 Entonces 7-2 7-4 media de 8-2 8-1 (U1. (d) V @ ).46. (o) (b) (c) Éy. = media de La ]{S*?*8) = l._u". 7.5000 - 0.' ¡ecado dc 5...0158. ¿cuál es la probabilidad de que las bombillas deA tengan una du¡ación media que sea al menos (a) 160 horas.. (f) n'u r- u" = mrianza de la población (U 1- U 2) (1-3¡z + (5-3)2 + Oo.. -3)2 + (3-3)2 + (4-3'¡z b L7 3 Eeto concuerda con el reeulüado general para muestras independient"" ou. 8 y U2 lavariable de los elementos de lapoblaciín2. Sea Ut la variable de los elementos de la población 3.iu.cAP.. = (2-3)2 * (4-3)2 =l ó ou"= l.q/n = y'd._ri. ou.0036 = 2.5025 en unidades tipificadas = ff*s : 0. (f.7 g .Ur) Fur-u.69 Probabiliüd pedida : (área bajo la curva normal a la derech¿ de z = 2.13..46@Ba)/1000= 0. Si se toman muestras al aza¡ de 125 bombillas de-cada fabricante. = varianza de la población I/' (3-6)2 + (7-6)2 + (8-6)z _ 33 a2u. sacado de (o) esto concuerda con el resultado general FLtr_uz= y (b)....a demostración del resultado general se deduce del Teorema g-7 . @).6l (b) pp TEORIA DEMUESTREO = p: 0.m=!T. y 0. = mediadelapoblaciónU.) o (e) ._u. (b) 250 hóras más que las bombilhjde B? . 6 r¿. = FLrt = 4Lrr.= \Ej7r-.-(e) ou". [. o.j ut-v2 (6-3)21(-..6g) = 0. = t/f. (b\ pu. = varianzadelzpoblación U.' Éiinz. Las bombillas eléctricas de ün fabricante á tienen una duración Lned. = població n lJn = f. (t) vr. 14 (d.

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.

3 + 4 + 5+ 4 + 8 1 2+ 5+ 4 20 =ñ:n'" Método 2.8.0 o o É o C t{0 6 N^^ Eou o O .2. 1. 5-9 y 5-10 de la parte (a).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?.aparece para todos estos valores (indicado por la línea horizontal).6.31. Hallar el peso medio de todos los estudiantes.4.3.8 5.10 y 18 individuos registran una media de pesos de 162. dos 3.8 18.0 3. 5-12 muestra el polígono de frecuencias acumuladas u ojiva de los datos y los trata como si en esencia fuesen continuos.5.2ol. La Fig.6. 5-11 es Ia más lógica para representar datos discretos.TEORIA DE MUESTREO Nfimero de lanzamientos Nfrmero de caras (frecuencia acumulada ) 0 Porcentaje de lanzamientos (frecuencias acumuladas porcentuales) 0.56 ó 1. L48. Entonces _ )/¡ n .10 N-^ EOU G' o :! . de modo que eI mismo porcentaje l8.. formados por 76. Hay seis 5.23 caras.4. 5.5-ll (c) La representación gráfica puede indicarse como en la Fig. Nótese que las Figs. CALCULO DE LA MEDIA.4. La Fig. 5-11 o en la Fig.2 52. 20. 5-12. 5-12 Fig. 153 y 140 libras. dos 6.32.5 100. dos 2 y tres 8. el porcentaje de lanzamientos en los que haya menos de 2 caras es igual aI porcentaje en las que haya menos de 1.(6)(5) +(2)(3) +(2)(6) + r5)(4) I (2)(2) +(3)(8) 6+21-2+5+2+3 96 20 = 4. 2x It 5 qA +3 | fi + 5 + 4 + 5 + 2 + 8 + 6+ 5+ 4 + 8l. respectivamente. cinco 4. así por ejemplo.3.8.4.8.2.5. VARIANZA Y MOMENTOS PARA MUESTRAS 5.6. Hallar la media aritmética de los números 5. Cuatro grupos de estudiantes.5. .10 Hzo o lzo A 0123456 Número de caras 6 0123. 5-11 y 5-12 corresponden a las Figs.4.75.1 Número de caras Fig. Método l.4 81 .

es igual al tamaño de intervalo de clase c multiplicado por algún entero u¡. El método se denomina el método claue y debe emplearse siempre que sea posible.64. Utilizar la distribución de frecuencias de estaturas en la Tabla 5-2. xj . etc.¡ (tambiénescrito brevementecomor =a I cui. 63-65 pulgadas. etc.. )/'(o*crr¡) = o>f. = a*c! )/'rr' . La media está dada por fi _ 2f¡r¡ = = nnnn. Utilizar la fórmula clave del Problema 5. 5 = 150 libras 5. pulgadas.180 sfn TEORIA DE MUESTREO lcAP. la es La solución se indica en la Tabla 5-9. La solución puede ordenarse como se indica en la Tabla 5-10. Adviértase que todos los estudiantes con estaturas de 60--62 pulgadas. Derivar la fórmula clave (27).35.33.45 pulgadas Los cálculos involucrados pueden conveitirse en tediosos. Técnicas breves se encuentran disponibles para disminuir el trabajo en tales casos.. para hallar tatura media de los 100 estudiantes de la Universidad. para la media aritmética. T abla 5-lO 5.35.. 67.página 164.45 pulgadas .o. Entonces la desviación de. XYZ. 18 tienen una estatura de 64 pulgadas.ffiq = 6?. Tabla 5-9 Estatura (pulgadas) Ma¡ca de clase (c) 61 Frecuencia (/) 5 fr 305 60-62 63-65 66-68 69--71 64 67 70 18 AO rt52 28t4 r890 584 27 8 72-7 4 ¿-)/-100 2 fr = 6745 2lr >/ - + . es decir r¡ -o:cltj óx¡: a *cu. Véase Problema 5. Elproblema entonces se reduce a encontrar la estatura media de 100 estudiantes.t yaque n=2f¡. pígina 163.34 para hallar la estatura media de los 100 estudiantes de la Universidad XYZ (véase Problema 5-33). especialmente para los casos en los que los números son grandes y hay muchas clases. )fu = l5 u = "*(?t. etc. por ejemplo. alcú" 2f¡u.r¡ con respec[o a alguna marca de clase determinada a. Denótese la clave de marca j-ésima por . 5.34.)" = 67+ (i%)..rj. si 5 tienen una estatura de 61 pulgadas. -. se consideran como teniendo estaturasde 61.

10 libras. 5.8.6025 11.2460 8.34 tenemos ri = a + cui y ft = a*c'" 2f.DO'O 64 67 70 73 -3.45 -0.36.36. Hallar la desviación típica de las estaturas de los 100 estudiantes de la Universidad XYZ Véase Problema 5. Tabla 5. Hallar (c) la varianza y (b\ la desviación típica para los números en el Problema 5.8)2 = 2QA (2_20 4. (o) Método 1.6 (libras)2 : \6bS libras : 8. = a*cú' t¿ .45 4t. página 164.r\2 n 15(162. Derivar la fórmula clave (28). Como en el Problema 5. : y'Gb. .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.20 .4.33. " 2f(r-r\2 _ n 6(5 . Como en el Problema 5.92 pulgadas 5.rlgadas.45 2.7500 100 = {dEfB = 2. Del Problema 5.96 y "-rfzs6=1.z - 2 f(r . donde hemos utilizado el hecho de que las 5.31.38.u. 5l TEORIA DE MUESTREO 181 5.cAP.55 o. s2 = 59. aír 20 Méüodo 2. x: 67.45 lr - fr)¿ Frecuencia 5 / f(r ñ\2 60-62 63-65 66-68 69-71 -6. para lavarianza.8)2 _ (b) De (o\.5025 30.9025 208.39.11 Estatura (pulgadas) Ma¡ca de clase 61 r r- r-r = 67.8):¿ + 3(8 - 4.4200 n=)/=100 2 2f(r-ñlz= 852.a solución puede ordenarse como se indica en la Tabla 5'11.8025 72-74 246. = +:q = 65'6 en unidades libras cuad¡adas o (libras)2 . Entonces n20 _ 59.2025 6.20 20 2.33.37.Do 18 42 27 8 0. [.31 tenemos ú = 4.5050 I¡D.45 pr.32.0L25 214.7500 f(r TL n\z 852. HaIIar Ia desviación típica de los pesos de los estudiantes del Problema 5.

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.jú. 2lu=75 )fqz = 97 lalEr lo-s primeros del Problema 5.<"? ._ "o¡.f ¡@. La solución puede ordenarse como se indica en ta Tabla 6:12."? -'#2 2ú2c2 r¡u. b = f. Utilizat la fórmula clave del Problema 5.- o¡.39 para hallar la dewiación típica de las estaturas en el Problema 5. 2 't t f.az¡ n \n /l = ta)'f-re? / rs Vl = Ltoo-\t*/J ^ ó'b-275 y s: 2.L82 Entonces s2 TEoBTADEMUEsTREo [cAp.35./¡¿)'l = ¿21¿ .1"u.u? = ¿2 ¿2 * .40 obtenemos la Tabla 5-13.o.{r. 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 .33.-a¡z i) = "i 2 ¡ .f!n'LN c2[u2 (.92 pulgadas. + c2úz *> r. cr¡atro momentos con respecto a la media para la distribución de estatu¡as Continuando el método del Problema 5.41.u? -t t - C2[ /2f. + tlz) 2xt = *2 : t. De la frltima columna tenemos ¡ como en el Problema a2 = "rfL>l!'.u.\t 't t l = = ".33. Esto nos permite halla¡ 6.40.> f .'1 \fu/J _ ú2]l 5. : }> f .'r". = ¿2.

Asf los 5 estudiantes con esüaturas 60-{2 Tabl¡ 6-14 pulgadas s€ numeran 00-{4.43.53 M'r') = 9[0.53-4(0. -0.14 m+ Entonces = 199. 7'1.88 "z1ML- 8.EO notación de la página 165.6932 a3 Coeficiente de eesgo = a.15)(0.BB Mí= >fu2 n y de (32). etc. PROBLEMAS DIVERSOS 5. (o) Emplear dos dígitoe para numerar a cada uno de los 100 estudianües: 00.15X0. . (o) DeI Problema 5.67 pulgadas respectivamente.41.9? .15)41 : 199.cAP. 27.97) -3(0.33) + 6(0.. ffi2=s2=8. En forma semejante 77. que tomamos como n(¡meros muestrales aleatorios.6l Entoncee. lttt = ffi2= ffi3= 0 0.3759 qa-szrgy _ 6 al = z't+ De (o) vemos que la distribución está modetadamente sesgada a la izquierda.. Cada Nf¡mero Estatura n(rmero de estudiantes se denomina número'muestral.15 ML=Zy = o.9?) + z(0.97 M. Así 51 conesponde a un estudiante con estatura 66-68 pulgadas. (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.6982 .33.1b)B] = -2.3759 ffiz:s2=8. los 18 eetudiantes con estaturas 63-65 pulgadas se numeran 05-22. OL. 46.15)2(0. . (b) Hallar la media y la desviación típica de la distribución muestral de medias en (o).42. Entonces extraeremo8 nl¡meros muestrales de la tabl¡ de nf¡meros aleaüorios (Apéndice I). etc. 40. (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 27.5275 rttt Coeficiente de cu¡tosis as=E = : 199. explicando cualquier discrepancia. 99 (véase Tabla 5-14). 67.. utilizando La TEORIA DE MUESTB. 46 resultan en'estatu¡as de 70. cada uno de los cuales determina la estatu¡a de un eetudiante determinado.. 02.^=>+=2.5275)3 (b) Del Problema 5.(0.4MiML+ 6M'r2ML- BMin) 81[2. Hallar los coeficientes de (o) sesgo y (b) curtosis para la dishibución de estaturas del Problema 5. Del primer renglón hallamos la secuencia 5I.3?59 5.5275 Entonces mB = -2.1s)2] = ca(ML-gLI|Mi+ zM'Lz) = 2?[0. (c) Comparar los resultados de (b) con los valores teóricos. fflg = p: { (8. que tomamos como 67 pulgadas (la marca de elase). De (D) yemos que e8 menoc apuntada que la dishibución normal (que tiene un coeficiente de curtosir: 3).6275 B(0.41. tenemoe 183 M] = >fu n = 0.nL¡ = ca(M't.

64.00 extnfdo¡ Estatr¡¡as corespondientec 64.02. 20. 70.62 4.50 68. 19. 18 70.ón dc l¡ trbl¡ de nl¡rncro¡ dcatoiio¡ h¡brfrmo¡ podido inici¡¡ en eualquier parte y escoger cualquicr patrón dctetmindo.60 67. 64.04. 03. 3 14 16 4 I l. 67.25 69. 67 70.57. 16. 67. 11. 15.64 73.50 69.25 69. 67.69. 67. 07. 64.73 73.75 65. 81.64. L2. 68.64. 67. 55.0L.fu. 70 67.50 68. 40. T¡bh 6-ró Nf¡meros muesFale¡ Est¡twr¡ o- E¡la+ Nfrmeros muestralea extrafdo¡ rrcqrondieatcc 67. 76. 67.73. 51.00 -4 -3 -2 -1 0 1 -4 0 -4 -6 0 0 4 / 28 45 16 23 d D .93 5. ?1. = 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).33.82.25 64. 70. 6? 15.64.28.00 66. 67. 21.41.64.67 64. 67 64.00 (0'75)(23\ = * 'ñ- 67'58 Pulgadaa 2fuz />1"\' n -\ i " (0. 39 13. Esta ee una distribución mucet¡al de mediu. L¡ medi¡ y la derviación tfpica ee obtienen como es usual por los métodos claves delcrito¡ anterbrmeuüe. 31. 45. 67 29.70. 67. 67. 67. 93. 70.75 69. 73 67. 96.70 medi¡ 67.70. 07. 67 64.54 2:2.00 70. 59.25 69.64. 70. 67. 10.96.87 26.'7L.00 68.84 64. 70 6L. 45.91. 73 67.09. 46 2.2L 10.23. 67.42.50 1. Medi¡ = a*cú Derviación = o*c2fu típicr = = e - 6?. 56.25 67. 67. 67. 73.25 65.79. 58 70. 64.93 27. 70 64.98. 70 73. 43 1f.52 13.91. 67.97. 1t. 05.22. 87 fl. 67 70. 67.99 23. 73.32 8.8s 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. 61. 19.27.08 12.00 66.28. 67.96.6L.24. 70. 67 Ír¡f¡f media 66.64.50 66.77.25 68.36 08.75 67. 33 m.93 14.50 68. 98. 53.70 Trbl¡ 6-16 Media muestral 64. g8 25. 67. 63.50 68.25 Cl¡enta Í 1 u fu fu2 16 0 8 6 0 2 ñ( /t/t )#{ 6 4 A a+67. 75.46.2L.25 66.67 67. 64 67. 70 64.93.73 67. 10. 65. 56. 70.70. 06.54. 67.76) = 1.6r.00 67.f = n 30 4 ). tt. 67.50 65. 64.58. 70. 13.00 64.70. 67.83.25 68. 64. 67 70. 64.70 7. 67.184 TEORIA DE MUESTREO lcAP. 73.50 67. 64 67.31.74.70 70. 73.91. 67 67. 70.75 69. 64.79 70.50 66'. 60. 67 70. 6L. 70.08.03. 67.5 Por eete proceso obtencmo¡ l¡ T¡blr Fló quc rnue¡tra lo¡ n(¡mcro¡ mue¡trale¡ extrafdor.24 64.75 66. 67 23.75 68.44. 64 70. 73. 56. 67 67. 12 3.74. 34. 51.58 9. 90. 58.67. 67.50 79. 73. 21.25 67. 86 6.25 67. l.25 70. 42.97 24. 70. 30. 67 .41 pulgadar .00 67.30 58.

.con el valor de 67.8libras? La distribución mueetral de desviaciones típicas es aproximadamente normal con media 10.92 pulgadas (véase hoblema 6. estamos de acuerdo con el valor de 1. ¡1r)drl'z I J € e É la probabilidad total de que las 2 últimac'ob¡ervacione¡ Puesto que u puede tomar valores entre menores que las primeras 4 es la integral de (3 ) desde o hasta €. de (b) 8.f 'LJ" f t@ta*l'/t. es igual a o/y'[.0 lb ( lr) \/2" + = 0.4772) = 0. Ia probabilidad de que 3 de las primerae 4 observaciones sean mayores a u mientras que la cua¡ta obsenación se encuentre entre u y u I du e¡tá dada (1) . por tanto el porcentaje pedido es 2.0228.44.0 es (0.50 : 2.45.r.l' ra.0)/0. De la Tabla 5-1.0082. pfuina 162.45 pulgadas (vóase hoblema 5.) ps: o = ts=-' o 10. Las discrepancias se deben a que solamente 30 muestras fueron seleccionadae y el tamaño de la muestra fue pequeño.' ¡p¡ a*)"lJ'"-r.5 .10.r .0 libra¡ en unidades típicas: (11.0 libras. ¿Qué porcentaje de las muestras del Problema 6. /(r) tr.8%.58 pulgadas de la parte (b).50 libras.46. Se escogen muestras de 200 estudiantes de esta población y se calculan las dewiaciones típicas de las estaturas de cada muestra.0y0.5 .44 tendrían dewiaciones típicas (o) mayores que 11.0 libras y desviación típica 0. 5.t J. El área bajo la curva normal a la derecha de z 2.0.8 . donde la dewiación típica poblacional o = 2.50Ib v400 5. Puesto que o/t6':2.46 pulgadas. El área bajo la curva normal a la izquierda z : -2.40) y el tamaño de la muestra n : 4.4 es (0. dada por a¡. .?d L -r.0 . Í:-lÍ.) au .50 : -2. Entonces la probabilidad de que las primeras 4 sean rnayores que ü y las 2 últimas 6ean menores que u es decir - nc. Una muestra de Por 6 observaciones se hace aleatoriamente de una población. La desviación típica de los pesos de una población muy grande de estudiantes es de 10. (b) menores que 8. esto es Q\ (r) f" sean .0. La desviación típica teórica (error típico) de la distribución muestral de medias.41 pulgadas de la parte (b).8 libras en unidades típicas : (8. dada por o*.t. (a) : 11.4.1 aJ. 5.3'/'.". Hallar (c) la media y (b) la dewiación típica de la distribución muestral de las dewiaciones típicas.33).cAP.4918) : 0. de acuerdo.0.rJ f eL) du La probabilidad de que las 2 últimas ob¡ervaciones sean menores que u (y por tanto menores que las primeras 4) está dada por (2) fnu12 l) --na a.a a.10.g2/fi = 1.a la media poblacional ¡r que 67.5l (c TEORIA DE MUESTREO 185 ) es t a media teórica de la distribución muestral de medias. es ig¡ual.. por tanto el porcentaje pedido ec 0. ¿Cuál es la probabilidad de que las dos últimas observaciones sean menores que las primeras cuatro? Suponemos que la población tiene función de densidad f(xl. Podemos considera¡ que el muestreo es o de una población infinita o con remplazamiento de una población finita.0 libras.. ) ea el producto de (1 ) y (2). tenemos: ( ¿[.

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

cAP. 15. Por tanto I+v:l Cov (X¡. Considerar toda¡ lae posibleamuestrasde tamaño dos que pueden extraers€ de esta población con remplazamiento. ya que por definición a1 187 -la2+'.7.Ét ".x¡)] = #ú* *. adecu¡das. (b) sean rnayor de 22.f x"\ D p (.40 onzas y dearriación tfpica 0. Loa peeos de 1600 cojinetes de bolas se distribuyen normalmente con medla 22.4L .39 onzas. Encontrar (c) v (d) directamente de (c) y (b) mediante las fórmula¡ 5.( rr-:--r l(-. g (o¡ - p)(o. y el Problema 6-4?.N-1 ^' .LL. (d) la dewiación típica de la distribución muestral de media¡.N\N-rl' 't/ 5. Si se erüraen 300 mueetras de tamaño 36 de e¡üa población." +a¡v = a N 02.a7 @). ó.50. obtenemos var(x) = Sv^..53.) = #[.' " ) = .p) = -Noz r \ -2 'r' X¡) = .(n_'.iE(x)+"'+E(x")l 1 =1 n (p -r "'+p) donde hemoe empleado el Problema 6.(-r¿_ i)] = Lfr-"-rf = 4(N-"\ nl.4L onzas? y 22.(.rlo s 6. (c) sean menor de 22.48.62.47 están dadas respectivamente por t*= (o) E6) = "1 =*"(x=) /X' +.1'".N-1J '¿\N-1/ Problern DISTRIBUCION MUESTRAL DE MEDIAS a..51 si la población 5e compone de 22 cojineter.¡ = ..6l TEORIA DE MUESTREO En esta ecuación.38 o mayor de 22.e 22.048 onza¡. Resolver el Problema 5.51. ¿en cuántae de lag mue¡tras aleatoria¡ cabe ecperar que sus medias (a) ertén enl'l. determir¡ar la media y la dewiación típica eeperada¡ de la di¡tribución mue¡tral de medias si el muestreo se hace (o ) con remplazamiento. .49. (c) la media de la digtribución mueshal de medias.42 onzae. Una población est6 formada por los cuatro nfrmeros 3. (d) ¡ean menor de 22.37 onzaa. el lado izquierdo e8 cero.Ét suplernenta. cov(x¡.51. 5. remplirzamiento.á var(X¡) * .á. Hallar (o ) la media poblacional. Resolver el Problema 6.49 si el muestreo fuese sin remplazamiento. NÉ y la primera suma en el lado derecho er igual por definición. En el Problema 5. Demostrar que (c) la media y (b) la varianza de la media muestral del Problema6. (b ) la dewiación típica poblacional. = p (b) Uüilizando loe Teoremar 3-5 y 3-16 (generalizadoe). (b ) sin 6.

(b ) entre el 4O% y el 60% sean niñas.62. 5. (b) 6 o más puntos. (ó) al menos 450 libras más que A? 5. Explica¡ la diferencia. (c) mayor de 820 horas.12. 5. difieran en su puntuación media en (o) 3 o más puntos. ¿Cuál es la probabilidad de que las dos coleccionee difieran en 8 o más bolag Resolver el Problema 5.nedias a larotura de 4000 y 4500 libras con desviaciones típicas de 300 y 200 libras. (d) 10 o más bolas blancas? Dseña¡ un experimento que ponga de manifiesto los resultadoe del Problema 5. 5. ¿Cuáles son las probabilidades del Problema 5. formados de 28 y 36 eetudiantes.64. (d) enhe ??0 y 830 horas. respectivamente. ¿en cuántas cabe esperar (a) igual número de bolas rojas y blancas. Si normalmente el 6Vo de las bombillas es defectuoso. Ciertos tubos fabricados por una compañía tienen una duración media de 800 horas y una dewiaeión típica de 60 horas. y explic.69. De un total de 1000 muestras de 200 niños cada una. 6. 5. Lo mismo del Problema 5. ¿Qué enores pueden introducirse al utilizar dos conjuntos diferentes de monedas? lotes de 100 bombillas cada uno.188 TEORIA DE MUESTREO lcAP.56. (c ) el 63"h o más sean niñas? Resolver el Problema 5. Los pesgs de los paquetes recibidos én un departamento de almacenamiento tienen una media de 300 libras y una desviación típica de 5O libras.65. (c) 8 bolas rojas y 12 blancas.66. 5. que tienén unas registencias .63 si se comprueban 100 cables de cada fabricante? Explicar las diferencias. 6. 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. Un fabricante despacha 1000 DISTRIBUCIONES MUESTRALES DE DIFERENCIAS Y ST'MAS 5. 5. Si U¡ y U2 son los co¡r¡\ntos de nhmeros del Problema 5.ar las diferencias en los Una u¡na contiene 80 bolas de las que 6oo/a son rojas y 4OToblanca* De un total de 50 muestras de 20 bolss cada una. 5. (ó ) entre el 43% y el 57% sean niñas. ¿en cuántos lotes cabe esperar (o) menos de g0 bombillas buenas. sob¡e las que se escrriba la inicial .60.5t. respectivamente. (c) entre 2 y 5 Una urna tiene 60 bolas rojas y 40 blancas. haya una diferencia superior al1^o"k en las proporciones que votaron por dicho candidato. que es de 8200 libras? DISTRTBUCION MUESTRAL DE PROPORCIONES 5. (b) 98 o más bombillas buenas? 5.6t. (c) más del 640/o sean niños. Hallar la probabilidad de que una muestra aleatoria de 16 tubos. 5. comprobar que .57 si se consideran 100 en lugar de 200 niños resultados.60. sacadas de la urna con rempliazamiento. ¿Cuál es la probabilidad de que el peso de 25 paquetes recibidos aleatoriamente y cargados en un ascensor supere el límite de seguridad del ascensor. En una prueba de aptitud puntos? la puntuación media de lo¡ estudiantes es de ?2 puntos y la dewiación típica de 8 puntos. (b) menor de 785.66 si las exüracciones son sin remplazamiento al obtener cada colección.R o I en las proporciones adecuadas. A y B fabticzn dos tipos de cables. (b) l2 bolas rojas y 8 blancas. ¿en cuántas cabe esperar que (o) menos del 4OVo sean niños. se pueden usar hojas de papel.57. Los resultados de una elección mostraron que un cierto candidato recibió el 65% de los votos.54 si la muestra extraída ee de 64 tubos.6?.6 6. Hallar la probabilidad de que en dos muestras aleatorias compuesta cada una de 200 votantec. rojas? 5.59.el 4Oi'o sean niños. llallar Ia probabilidad de que de los próximos 200 niños nacidoe (o ) menos d.55. Supónganse iguales las probabilidades de nacimientoe de niño y niña. En lugar de bolas rojas y blancas.54. Se extraen dos cotecciones de 30 bolas cada una con remplazamiento y s€ anotan sus colores.63.61. 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.

Reeolver el Problema 6. (b) 7. página 161.54 libras.70. entie 0. Determinar la probabilidad de que la varianza de la primera muestra sea mayor que (o) dos veces.799 800 .71. I 6. Verificar si los resultados del Problema 5.54 libras con dewiacionee típicar de 0. (ó) P(1. Tabla 5-17 Duración (horas) 5. hallar (o) Ia media de la distribución muestral de varianzas. Se pesan tres cantidades dando 20. ¿Es la probabilidad de que una ttarianza sea mayor que 1.72. DISTRIBUCION DE FRECUENCIA 5. (h) Porcentaje de tubos cuya duración no sobrepasa .E0.tr*Lrr: ru. Con 6.5I TEORIA DE IIIUESTREO ttur2 189 (a) 4. Con referencia a esta tabla determinar: (¿) f 'ímite superior de la quinta clase.699 700 .05 y 0. De acuerdo con la tabla de distribución ú de Student para 1 grado de libertad (Apéndice D) tenemos P(-1 < 1) : 0. El voltaje medio de una baterfa e¡ de 15. (c) Marca de clase de la séptima clase.21.80 si las desviaciones típicas de las duraciones son (o) ambas 40 horas.tubos aleatoriamente hallar la probabilidad de que la dewiación tfpica muestral (o) no exceda a 50 horas.50. (d) Límites reales de la última clase. TOTAL 400 .2 veces. (b) se encuentre enüre 50 y 70 horas. A y B fabrican bombillas. DISTRIBUCION MUESTRAL DE RELACIONES DE VARIANZAS 5. (b) Límite inferior de la octava clase. la de la segunda.49 se confi¡man utilizando (a) P(-1 < f < 1) = 0.01.77.78. = 5. Hallar (o ) la media y (b ) la desviación típica de la suma de las cantidades.399 400 .5 veces la otra mayor que 0. Una población normal tiene una vari¿nza de 15. (e) Tamaño del intervalo de clase. 5.05.376) . Explicar cómo podría utilizar el Teorema 5-7.8 o másvoltios? DISTRIBUCION MUESTRAL DE VARIANZAS 6.49. o menor que 0.cAP.73. (b) mayores que 20. Verificar si los resultados del Problema 5.48. Dos muestras de tamaños 4 y 8 se extraen de una población distribuida normalmente. (g) Flecuencia relatir¡a de la sexta clase. (b) ou1+ur = \Grtr.2 voltios. donde ? tiene.72 ei el muestreo es sin remplazamiento.i se confirman por este valor y explicar cualquier diferencia.?6.0.0. referencia al Problema 6. Si se extraen muestrae de tamaño 5 de esta población.79. La Tabla 5-17 rmuestra una distribución de frecuencias de la duración de 400 tubos de radio comprobados en la L & M Tube Company. ?s 6.74.97 y 62. Una en tanto que muestra de 8 bombillas se toma de A y 16 de 8. respectivamente.999 300 1000-1099 1100-1199 las 600 horas. 6.8f .35. (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. ¿Cuál er la probabilidad de que cuatro de estas baterfas conectadae en serie tengan un voltaje conjunto de 60.82. Si se seleccionan 10 . ¿qué porcentaje puede tener varianzas (a) menores que 10.599 600 .499 500 .899 900 . (b) ambas b0 horas. ó. = 1. 6.60.0 voltios y la dewiación tfpica 0. (b) el error tfpico de varianzas. 6 Frecuencia de Ia cua¡ta clase.46 y 0.50. una distribución ú de Student con r. y Se halla que CASO DONDE SE DESCONOCE LA VARIANZA POBLACTONAL 5. para diseñar una tabla de distribución f de Student como la dada en el Apéndice D.75.3?6 < ? 1. Número de tubos L4 46 58 76 68 62 48 22 6 Solueionar el Problema 5. La duración parz A tiene una desviación de 40 horas la duración de B tiene una desviación típica de 50 horas.01? Dos compañías.

(c) Si las ponderaciones asignadas a cada asignatura rcn 2.?36 pulgadas.72t 0.737 0. (c) di¡tribución de frecuencias relativas.0.735 0. Estimar el porcentaje de tubos del Problema 5.735 0.736 0. (c) entre 620 y 890 horas.731 0.82.735 0. (b) un polígono de frecuencias. Una 6. 5. (d) un histograma de frecuenoias relativas.(a) el tamaño de intervalo de clase.91.726 0.?30 y 0.89 determinar el porcentaje de cojinetes de bolas que tienen diámetros (o) superiores a 0. 82 y 96.E5' Para los datos del Problema 5.743 0. (h) una ojiva.738 0. Tles profesore¡ de economfa regieünron una ealificación media en sus eiámenes de 79. 4 y 6.737 0.128 0. (c) una ojiva. 0. (b un ) histograma de frecuencias relativas.87. DESVIACION TIPICA Y MOMENTOS PARA MUESTRAS 6.0. correspondientes a la distribución de frecuen- 5.736 0.734 0. (b) 9?0 o mág Los diámetros interiores de las arandelas producidas por una compañÍa pueden medirse con aproximación de milésimas de pulgada.739 0.742 0.732 0. O.746 0.0.83. ?6.?39 0.740 0.88 consüruir (o) un histograma. (e) un polígono de frecuencias relativas.82. 0.90.330.736 0.49.732 0.92.740 0.?30 0. ¿cuál es el promedio adecuado para sus calificaciones? (b ) ¿Cuál sería si todas las ponderaciones son iguales? 6.742 0.741 0.740 una 5.95.82 con duraciones de (o) menos de 560 horas.738 0.728 0.63. ee¡ie de nfimeros está formada a¡itmética ? por seis 6.744 0.?38 pulgadar.89 para los dato¡ del hoblema 5. (g) una distribución acumuhdá porcentual.88.732 0.733 0. 0. nueve 9 y diez 10. (c) entre 0.733 0. Hallar la media a¡itmética de dichas calificaciones.746 0. (c) los límite¡ de clase.734 0.736 0.321. respectivamente. Construir (a) un histograma y (á) un polígono de frecuenciae ciaa del hoblema 5.733 0. Si las marcas de clase de gna distribución de fiecuenciaa de estoe diámetros vienen dadas en pulgadas por los números 0.727 0.82 construir (o) una distribución de frecuenci¿s acr¡muladas. (b) una distribución acumulada relativa o porcentual. Las calificacione¡ de un estudiante en cinco aeignaturaa fueron 85. 5-18 niuestra los diámetros en pulgadae de una muestra de 60 cojinetes de bolas fabricados por una compañía. 6. Con log resultados del Problema 5. 0.732 pulgadas. (c ) un polígono de frecuencia¡ relativas. (b) no superioree a 0.734 0. sue clasee . 0. 0.55 segundos.736 0.738 0.739 0.327.735 0. Los tiempos de reacción de un individuo a determinadoe estímulos fueron 0. Comparar estos resultados con los obtenidos directamente de la colección de datos de la Tabla á-18. ó.732 0.52. Para los datos del Problema 5. hallar.86.96.737 0. (d) una ojiva porcentual. y 0.74 y 82. (b) los límites reales de clase. Resolve¡ el Problema 5.190 (i) (j) TEoRTA DE MUEsTREo Porcentaje de tubos cuya duración es mayor o igual a 900 horas.729 0.729 0.731 0.730 0.386. respectivamente. "de"*- Tabla 5-18 0. ¿Cuál es ¡u media Las calificaciones de un estudiante en las tres asignaturas del curso fueron 77.324.735 0.93.78 y 89. Construir una distribución de frecuencias de los diámetros utilizando intervalos de clase 5. (f) una distribución de frecuencias acumuladas. horas.?36 0.89.735 0. La Tabla dos.63. (i) una ojiva porcentual. Deüerminar el tiempo medio de reacción del individuo a los estÍmu- 6. CALCULO DE LA MEDIA. Con los datos del Problema 5.46. ó.?30 0.94.50.741 0.732 0.82 construir (o ) una distribución de frecuencias reliativas o porcentual. ocho 8. 5.734 0.724 0.735 0.t4. 93. 5. Porcenüaje de tubos cuya duración es al menos de 500 horae pero menor de 1000 horas. siete 7.735 0.44 los.5 5.725 0.333 y 0. lcAP.

7268-0. 1' 1' 5.5. para los daüos de la Tabla 6'20 empleando (o) el "méüodo largo". Demostrar que ¡as dos series tienen lae mismas desviaciones tfpicas.4.7255 0. Determinar el porcentaje de hombres y mujeres empleados en la compañía.?.7253-0. El salario medio anual pagado a todos los empleados de una compañía fue de $6000.262-0.2 624 2 462 480 498 516 534 552 570 588 606 12.3-11.5.7256-0. (b) el método clave.. Determinar lacalific¿ciónmediaparatoda8 5.6.7258 0.7267 0. Tabla 6-19 Carga móxima Nl¡mero de cableg (toneladas cortas) 9. Tabla 5-21 60 ó.106.0. (b) el méto' do clave.7279 0.7277-0.8-11.726L 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. i) 5.7 10. 15.?276 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 6.8-10.7274-0.4. Calcular el diámetro medio.98' (b) 6.g?.2.2.0.7247-0.2. La Tabla 6-19 muestra la distribución de las cargas máximas en toneladas cortas (1 tonelada corta : 2000 libras) que soporüan cierüos cables producidoe por una compañla. 5.7249 0.7264 Clase Frecuencia de 16 de 20 25 3 7 15 42 68 49 25 18 L2 4 1 lG-menoe 16-menoe 20-menos 26-menos 0. 1.7280-0. Log salarios medios anuales pagados a hombies y mujeres de la compañía fueron $á200 y $4200. 25 las clases.7250-0.1.7.2 10.3-L2. .7.0. ó. Determinar la media de la carga máxima empleando (a) el "método latgo". TEORIA DEMUESTREO 191 y 11 estudiantes.22.7265-0.9. 2.2 11.99.7. (o) Sumando 5 a cada uno de los nl¡meros de la serie 3.102. (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. . reqrectivamente.6 se obtiene la s€rie 8.104.6.6por2ydespuéssumando6seobtienelaseriell. L.6.7271-0.100.8-L3. 10' L6.6.2 TOTAL Í 98 75 56 42 30 21 15 11 6 compañía.2.5l estaban formadas por 32. . 19.7.103.8-r2. 1. Hallar la dewiación típica de la serie de nl¡meros de la progreeión a¡iümética 4.6.7 .7252 0.8. Hallar la desviación típica de los número¡: (a) 3.7270 0. pero diferentes medias.3-10. 11 . 12. (b) 3. (c) 0. tlalla¡ la dewiación üípica para las distribuciones del (o) hoblema 6.4. L7. 6.cAP. Halla¡ i 9.101. 7. 10.7 t2 17 l4 6 3 1 Tabla 6-2O fr 11.1273 0.7 L2.3- 9.0.99.98. Calcular la media de los datos de la Tabla 6'22. respectivamente.7259-0. ' 164. ¿Cómo están relacionadas las medias? (b) Multiplicandocadaunodelosnúmeros3.2.

5. y (i) (i+ rFpara 5.121.r5.10. S. (b) ¿eué porcentaje de diámetros se encuentra entre (r1 . Hallar (a) ntr. tt. la fracción p son unos mientras que la fracción q : 1 p son ceros. comprobar las relaciones entre momentos (a) mi2. - l}rnlstn" * 4n. 5. 5. Si el momento de primer orden con respecto al punto 2 es igual a 5.mt. (b) respecto al punto 5.1 y -12. teóiicos esperados.. (b) mz. (c) tercero y (d) cuarto orden de los números 4. Hallar los momentos de (a) primero.98. 8. "on 5. Hallarelcoeficientede(c)sesgo.lOO. (b) asimetría? . Hallar el coeficiente de (o) sesgo.li.98. @¡. ¿Qué distribución está más sesgada a la izquierda? 6.30explicandoelsignificado 5.111 y 5. (o) Hallar la desviación típica s de los diámetros de los remaches del Problema b. tlallar los momentos de (o) primero. (a) Demostrar que .1. @') mt y (d) ma para los números. (b) segundo. 5'112. Los momentos de segundo orden con respecto a la media de dos distribuciones son g y 16. (b) rr. (c) tercero y (d) cuarto orden respecto al punto ? para los números del Problema 5. (b) m.126. si la distribución fuese normal.L22.t s). 20 22 2 AI. 1. (b) segundo. la fracciónp son unos mient:'as que la fracción q : 1 -p son ceros. (c) respecto al origen. (l). = nt. 14.127. Hallarloscuatroprimerosmomentosconrespectoalamediadelosnúmeros0.108. 11.1 . (b) curtosis para la distribución del Problema 5. y comentar las diferencias observadas.. Hallar (a) la media y (b) la desviación típicaparaladistribucióndelProblema de los resultados obtenidos. l. ¿Qué distribución se aproxima más a la distribución normal desde el punto de vista de (a) apuntamiento. 5 5. Aplicar el resultado de (o) al Problema b. (a) De un total de n números. Calcular los cuatro primeros momentos con respecto a la media para la distribución del Prol¡lema 5.f 07.2_ Bm.. Hallar (o) m t . (t l3s)? (c) Comparar los porcettajes'de (b) lo.111. Lo mismo del Problema 5.f f O. Con los resultados de los hoblemas 5.gg. Véase Problema 5. (b típica. 5.nl_ thnirni+6ml2rn.125. 5. Demostrar que la desviación típica de La serie de números es fi. 5. (t t 2s). Hallar los momentos de (o) primero. 5'121.8 respectivamente. Calcular los primeros cuatro momentos con respecto a la media para la distribución de la Tabla 5-23.llE. 5.11g.722. (c) lrq .120. (b) segundo.113..0.116. k) ¡¡. l. 6. I 4 o 10 7 5.119. Si loscuatroprimerosmomentosdeunaseriedenúmerosrespectoalpunto3sonigualesa-2.¡nz = ml- 5'115.111.117. Los momentos de cuarto orden respecto a la media de las dos distribuciones del Problema6. (f) s. ) Construir una distribución de frecuencias para los datos y hallar la desviación (c) Comparar el resultado de (b) con el de (a).126 son 230y 780 respectivamente.l F. .L92 TEORIA DE MUESTREO lcAP. (D ) Derivar una fórmula análoga par^rns. t¡l F.-2bybO. Tabla 5-23 f t2 t4 16 18 5. (c) tercero y (d) cuarto orden con respecto los números del Problema 5.1o6.1!2. (a) Hallar la media y desviación típica para los datos del problema 5.5.r5 1.124. a la media de 5.-Btnini l2m'rs. mientras que los momentos de tercer orden con respecto a la media son -8.102(c). (c) nt3. 3. - ?n: - 1m'rm! * l}m'r2nt!. Hallar los cuatro primeros momentos con respecto a la media de los números de la progresión aritmética 2. 17.+. la distribución del Problema 5. ¿cuál es la media? 5.114. Comparar con el problema b.g. 5..2g.101. 5.109. 30 5.111.(b)curtosisparaladistribucióndelProblema5. 5. determinar los correspondientes momentos (o) respecto a Ia media. De un total de n números.108 para los datos del problema 5.g.0.123.

Demostrar el resultado (I9). a * d.. ¿Cuál es la probabilidad de que lae primeras tres obgervaciones sean mayores que las'últimas cinco? ó. Si muestras de tamaño 5 se ertraen de esta población y se calcula la varianza de cada muestra.136. (a) Demostrarquelarvarianzasdelconjuntoden nfrmerol a. son independientes.... (b) sin remplazamiento.. 6. 5. 1z+22+32+".* (n .129(o) y explicar ous reeultados.134..22. . pfuina 160.al2d.115..a|(n-l)dson 11 ffit = 0. 5.135.128. En un exarnen las calificaciones fueron normalmente disüribuidas con media 72 y dewiación típica 8.aI progresión aritmética con primer término o y raz6n d) erlt6 dada por tl1-2 (n2 Dd2 . ¿En cuántos lotee cabe esperar que (o) la duración exceda 910 horar. página 175. hoblema 6. Una mueetra de 8 obeervacione¡ se hace aleatoriamente de una población.130.129.'*(n-1)=in(n-1). (b) Hallar la probabilidad de que en una muestra aleatoria de 100 eetudianües la calificación mínima del 2O% superior Eea menor que 76.104. En el Problema 5. Demoetrar que Vt y Vz definidas en el hoblema 5. halla¡ la media de la distribución muestral de varianzae si el muestreo ee (o) con remplazamiento.cAP.1 5. (b) la dewirrción tfpica de la duración exceda 96 hora¡? ¿Qué ruporicioner deben hacerse? 6.a*d. (o) Hallar la calificación mfnim¿ del 2O% superior de los eetudianües.@z-L)dz. Una población de 7 números tiene una media de 40 y una desviación típica de 3. mz = i. fSugerencia: 14+24 +34+' . Determinado¡ tubos producidos por una compañfa tienen una duración de 900 horar y una dewiación típica de 80 horas. Demoshar que los primeros cuatfo momentos con respecto a la media de progresión a¡itmética a. La compañfa envfa 1000 lotes de 100 tubo¡ cada uno.129 si la medi¿na de duración es de 900 horas.fsugerencio: Utilizar - l+2+3+.1 (b)Emplear(a)enel 6. a * 2d.1)a = $n(n-l)(2n-ll8n2-Bn1 ).133. mt = 0.+(n-l\z=fn(n-Il(2n-1). ¿en cuántos lotes cabe eErerar que la mediana de duración exceda a 910 horaa? Comparar ¡u solución con el hoblema 5..132. (n-1)d (eadecirun¿ 6..6l PBOBLEMAS DIVEBSOS TEORIA DE MUESTREO 193 5.131. tno = ñ(n2-l\3n2-7'td4 CompararconelProblema 5..

La distribución muestral de la media y la mediana. €l 68.ACIONALES Sean ¡rs y o" la media y la desviación típica (error tÍpico) de la distribución muestral de un estadístico S. Los valo^res i y 3 z se llaman estimas insesgadas. Sin embargo. Entonces.2.s*o.1.31 pies. Por tanto. eonq de esttmocton : .3.95.Capítulo 6 rF I | . si la distribución muestral de S es aproximadamente normal (lo que se ha visto-. por otra parte.27 % . Si. la media poblacional' Sin embargo.s. El valor correspondiente del estadístico eficiente se llama estima eficiente. Lógicamente se prefiere tener estimas que sean eficientes e insesgadas. ya que en general Z(3) + o. si el tamaño de muestra es n > 30). se está dando una estima de intervalo. Si se dice que una distancia viene dada por 5. se dice que la distancia es 5. puesto que E'(X) = u. La precisión o conocimiento del error de una estima se conoce también como su seguridad. cabe esperar que el estadísticoSseencuentreenlosintervalos&s o^s8Í.2_5 y 5. utilizan estimas sesgadas o no eficientes. EJEMPLO 6. ambas tienen la misma media.que es cierto para muchos estadísticos. la distancia real se encuentra entre 5..46% y 99. la media provee una estima más eficiente que la mediana. Véase Tabla 5-1. 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. es decir. se está dando una estima de punto. Si las distribuciones muestrales de dos estadísticos tienen la misma media. EJEMPLO 6. &s-2o"EFsl%a'" ó ¡r..r--Bo. página 162. SEGURIDAD La estima de un parámetro poblacional dada por un número se llama estima de punto de.03 pies. 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. El valor correspondiente del estadístico se llama estima insesgada del parámetro. U 13 t) = o2. En la práctica se ellas pueden obtenerse. el estadístico con la menor varianza se llama estimador eficiente de la media. L94 .28 + 0. EJEMPLO 6. en las páginas 157 y 160 son estimadores insesgados de la media poblacional ¡r y de la varianza poblacional 02. La media X y la varianza 3' d"finid". ESTIMAS POR INTERVALOS DE CONFIANZA. S realmente es un estimador sesgado de o. pero esto no siempre es posible. por la relativa facilidad con que algunas de ESTIMAS POR PUNTOS Y ESTIMAS POR INTERVALOS.28 pies.73% de las veces. u-¡r"* 3o" . la va¡ianza de Ia distribución muestral de medias es más pequeña que la distribución muestral de medianas. respectivaménte. DE PARAMETROS POBI.l parámetro.

00 0. & S*Sorenel 68.95. Utilizando los valores de o.73% o.szs son los valores de ? para los que el 2. Si el estadístico S es la media muestral X. 2. Para niveles de confianza que no se encuentran en Ia tabla.27 %. 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.46% y 99.68 2. entonces los límites de confianza d'el95% y 99% para la estimación de la media poblacional ¡. En general.6% del área se encuentra en cada "cola" de la distribución ü. t 6 .6746 En los casos donde un estadístico tiene una distribución muestral que es diferente de la distribución normal (como chi-cuadrado. N-1 (r) en el caso de muestreo en una población infinita o si el muestreo es con remplazamiento en una población finita y por X*2"* vn (2) finita de tamaño N.00 1.27%.cAP. S-2o" a S+2o" ó S-3o.58 o.1.73% para la estima de ¡rs (es decir.05 2.28 1.96 o7 Y X + 2. entonces un intervalo de confianza para ? está dado por (véase pagina 161) (N -t. Tabla 6-1 Nivel de confianza zc e9.46%y99. El porcentaje áe confianza se"llama también nivel de confíanza.96 1. se utiliza la estima muestral S o S. S +. obtenidos en el Capítulo 5. y S -r 2.r. etn.9q -V 0.68. Iímites fiduciales. para estima¡ el parámetro poblacional. En la Tabla 6-1 se dan los valores de z" que corresponden a distintos niveles de confianza utilizados en la práctica.96.96. vienen dados por X r. INTERVALOS DE CONFIANZA PARA MEDIAS 1. Más generalmente.1.45%y te. S -+ 2o.F') se hacen fácilmente modificaciones apropiadas para obtener los intervalos de confianza.73% s9% s8% s6% s5. a S * o' delasveces.645 r.. Los números extremos de estos intervalos (S i o5. Poi estos se 99. son los límites de confianza del96% V 99% (ó 0. de los límites de confianza se llaman coeficientes de confianza o ualores críticos y se denotan por zc.99) para p"..o.srs . En este caso utilizamos la distribución t para obtener los niveles de confianza.27%. si el muestreo es sin remplazamiento én una población 2.73% "pueden Análogamente. Por ejemplo si -t. ps er los intervalos S .00 2.96 o.Grandes muestras (n > 30). como otras veces sé conocen. 95. De los niveles de confianza se pueden obtener los coeficientes de confianza y recíprocamente. $ I 3or) son llamados los límites de confianza del 68."\\ñ s (3) . se puede ver que los límites de confianza para la media póblacional vienen dados por Xtz"* vn N-tt. Pequeñas muestras (z < 30).58 ox respectivamente. en el caso de un S insesgado). los valores de z" pueden sacarse de las tablas de la cuwa normal en el Apéndice C.33 2.szs y ú. Los números 1. . la desviación típica poblacional o es desconoc^ida. de modo que para obtener los límites de confianza anteriores.46% 95% 90% 80% 68.respectivamenllama¡ a estoé intervalos los interualos de confianza del68.27% 60% 3.6l TEORIA DE ESTIMACION 195 Análogaménte cabe esperar o se puede confiar en encontrar..

en el caso de que las poblaciones sean infinitas.Sr! z"{fl--}s.tS L 975---= vn (t') con el 95% de confianza. . los límites de confianza para p vienen dados porP ! z"op. S€ tiene que los límites de confianza para la proporción poblacional son dados por Ptz" pq ?I = Ptz" (6) para el caso de muestreo en una población infinita."rr* a < ¡r ( X+ vn . Análogamente los límites de confianza son . 51 +52 Sl + 52 t (e) Por ejemplo. los límites de confianza para la diferencia de los parámetros poblacionales correspondientes a Sr y 52 vienen dados por S. t . - S. es decir. 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 ). t . 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. 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.".s (que lógicamente puede emplearse para grandes muestras. (10) "r. vienen dados por \ T. 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.o. r"1474. . Obsérvese que estos resultados se obtienen de (I) y (2) remplazando X por P y o por Vpq. Comparando (5) con (I) se observa que para pequeñas muestras remplazamoszc por t".Patan > 30. dondeP es la proporción de éxitos en la muestra de tamaño n. N-n N-1 (7) si el muestreo es sin remplazamiento en una población finih rre hmaño N.-. 2.s2 : S. los límites de confianza para la diferencia de dos medias poblacionales.196 13ORIA DE ESTIMACION lcAP.. "". o con remplazamignto en una población finita.. Debe anotarse que una ventaja de la teoría de pequeñas muestra.s2 con tal de que las muestras sean independientes. (8) mientras que los límites de confianza p^ra la suma de los parámetros poblacionales son ""nrr*. z" y t" son realmente iguales."1pmás exacto se da en el Problema 6. la probabilidad de éxito).27.6 de lo que se deduce que p se encuentra en el intervalo X-t. Para calcular estos límites de confianza puede utilizarse la estima muestral P para p.

(11) pr y p2 de las dos muest¡as son las proporciones en las dos poblaciones (estimadas por INTERVALOS DE CONFIANZA PARA VARIANZAS El hecho de que nS2/o2=(n-t¡32¡A tenga una distribución chi-cuadrado con n-l gradosde libertad nos permite obtener los límitesdeconfianzaprüa o2 6o.cAP. entonces un intewalo de confianzadel95% es v2 nS2 ^.ot y tr'. siendo las poblaciones infinitas.szs (1 5) con confianza de g5%. Para estadísticos con distribuciones muestrales simétricas.F. Si se extraen de'dos poblaciones distribuidas normalmente respectivamente. W*"í-üt z"orr_r. . entonces la variable aleatoria En el Capítulo 5.02S o2 (12) ^. S$ si. of.n2 son las respectivas medias. g 4 Fo. n - L gndos de libertad.. (17) . como las distribuciones normal y ü.6% del área se encuentra en cada "cola" de la distribución.28. extraídas de las poblaciones. Sin embargo.ozs (1t ) S{n-7 X./4 s?/a s7/"7 A tiene una dishibución F con fr . El proceso se ilustra en el Problema 6. vimos que si dos muestras aleatorias independientes de tamaños m de vatianzas ol.2 X!. : P.6l TEORIA DE ESTIMACION L97 'donde Xpopnr y X2. flt! nz son los tamaños P. están dados por Análogamente. En forma semejante ohos intervalos de confianza pueden encontrarse."1=.entonces con98% deconfianzatenemos F.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 2.975 o de manera equivalente -.ozs = (13) De esto vemos que o puede estimarse que se encuentra en el intervalo S\n X.o2.P. Así por ejemplo si denotamos por F. los límites de confianza paÍa la diferencia de dos proporciones poblacionales. desviaciones típicas y tamaños de las dos muestras extraídas de las poblaciones. para distribuciones no simétricas. = . INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS y n con varianzas Sí.S. esto se consigue utilizando colas de áreas iguales. *'T donde Pt y Pz son las dos proporciones muestrales. - Pr. y Pt V Pz).I. Generalmente es deseable que la amplitud del intervalo de confianza sea tan pequeño como posible. p$na 161.ss los valores de F para los cuales 1% del área se encuentra en cada "cola" de la distribución. como la distribución chi-cuadrado puede ser deseable ajustar las áreas en las colas de tal manera que se obtenga el intervalo más pequeño.

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

iroentre s yG. JC = .45 ! 1.023 es una estima de la verdadera desviación típica pero esta estima no ni eficiente.35)2+ (6. de la varianza poblacional). n-1" (6. 4er.6136 : y.46 pulgadas.32 y 6. Determinar unas estimas insesgadas y eficientes de (o) la verdadera media.02. (b) la verdaderavarianza.? = /8.93.88 < p < ti8.88 a 68..35)2 F (6. no hay esencialmente diferencia entre 6. por tanto. 6.6l TEORIA DE ESTIMACION 199 6.3).57 pulgadas.336.45 ! 0.88 < tt<68. (b) Los lfmites de confianza del 99% son X 2. 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.TG pulgadas .4.58o/tñ. de la media poblacional).ó. (o ) Estima insesgada y eficiente de la verdadera media (es decir. que puede denotarse por 66. decir que ia probabilidad de que la estatura media de la población se encuentre entre 66.32 6.02): 0. 6. Para las cinco medidas puestas en orden de magnitud la mediana es 6. Supóngase que las estaturas de 100 estudiantes de la Universidad XYZ representan una muestra aleatoria de las estaturas de los 1546 estudiantes de la universidad.93 pr¡]Éadas como una estima de o (véase Problema 6.02 pulgadas. los lí¡nites de confianza son 6?.88 y 68. Utilizando n : 67. Adviértase que puesto que n es grande.00055 cm2 Nótese que 0 = /0"00055 = 0.96"/\f.as y i : 2. 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. = S tr.88 y 68. - iT $. Para la muestra dada 67. ESTIMAS POR INTERVALOS DE CONFIANZA PARA MEDIAS (GRANDES MUESTRAS} 6. 6. Dar una estima insesgada Problema 6.37 centímetros. (b) la verdadera varianza. 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. pues. Así.2.38: Estima insesgada y eficiente de la verdaderava¡ianza media: t : 67.saa = tln ! 2. el intervalo de confianza del 95% para la media poblacional ¡t es 66.33.45 -- 0.3. En símbolos se escribirá P(66.2. = i2 = .45 pulgad.58-?+ = V100 67.02 pulgadas es.36-6.93/V100) ó 67.96. (a) Los límites de confianza del 95% son X t I. 2.37.!1t.02 pulgadas.6136 s2 Así .3?-6.35)2 5-1 0.3. Determinar unas estimas insesgadas y eficientes de (c) la verdadera media.33: Estima insesgada y eficiente dé la verdadera altura Del Problema 5. (o) Del Problema (b) ó. Se puede.36.45 ¡ + z. 95Vc ó 0.5275) = 8.cAP. = n .35)2 + (6.35)2 2(n-ñ\2 - n-l = = es insesgada + (6.36 cm.JDani (b) Estima insesgada y eficiente de la verdadera varianza (es decir.96(2.3?-6. Una muestra de cinco medidas del diámetro de una esfera se registraron como 6.95. 6.

45 1 0. : O es Asi pues..824=z.i :.6450'942 = 0.6 Asf.824 0. son xtz.73 pulgadas.824 * 2.645.73V.4í. z:zc Puesüo que el área total bajo la curva es 1.= vn Vn V200 ó 0.824 t 1. se puede considerar el factor es necesario = 0.Hallar los límites de confianza del (o) 55"1.006 Pulgadas .g6a = Vn 0-824:t 0. v (bl99% para el diámetro medio de todos los cojinetes. 6.0U89pulgadas. pues. para n > 30 se puede asumir que s y 3 son prácticamente iguales. el intervalo de confianza del 997o para la media poblacional ¡r e¡ 66.b6 y 0. 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.82¿!L.6-l (b) S" busca z" tal que el á¡ea desde z : entonces z.200 TEORIA DE ESTIMACION lcAP. (a) " lok.so! = Vn 0.73% para el diámetro medio de G.ss9 = 0. es total. puee. se habría empleado ?: \/n/@4s = y'200[99s que puede tomarse como i para todos los propósitos prácticos.21. En general. : t. lugar de Para y muestreo sin remplazamiento. los límites de confianz¿ del 98% son r ! 23g+ = \/7i Asi 0.45 t utiliza¡lo.0. se utilizaría t.semana dieron una mdia de 0.96? como 1.69 a 68. respectivamente.0069 pulgadas Fig. Lad medidas de los diámehos de una muestra de 200 cojinetes de bolas hechos por una determinada máquina durante una.' o^.G. los límites de confianza anteriores se convie:rten en 67. el área a la izquierda de z:-zce8 también lVo.00b8 pulgadas Los límites de confianza d.824 pulgadas y uná desviación típica de O.sa| = r*z. Si se utiliza. los límites de confianza del90ak son n!I.824 t 0.008 pulgadas.33.824:r0.824! 0.645a (c) .0049oulgadas t/-zoo sn 0.69 (¡¡ < 68. 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.el 99. 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.21 pulgadas. srn embargo.{ñ= 0.824 ! 0. 6.824tSL93 = \/zoo .O42 pulgadas.49. Los límites de confianza d. los cojinetes del Problema Hallar los límites de confianza del (a) 98%.96ry = \/200 0. que puede denotarse por 66. r.el 99o/.824t0. (b) 9O% y (c'¡ 99. Para obtener los intervalos de confianza. de aquí que z":2.E8y.00??putgadas t 0. ñ!3+ \ñ - 0.7.6. de modo gue no 6?.gg9!9 = \/zo0 0. (o ) Los límites de confianza del g5% son 6 (b) x t 1. el área desde z eE 0. Entonces por simetría.

(b) Loe límite¡ de confianza del 99% son X t 2. (d) t= 60? Pa¡a los coeficientes de confi¡nza del 96% ("doble cola") el área total en la Fig.38 t 2. Para lo¡ valores de v dados egtos son (a) t Z. 8e tiene la confianza del99% de que el error de la e¡tima eerá menor de 0.cAP.f I l.21o. Puegtoque¡.t = t. : 20. Entonces (2.9Tolfi.81.06 pulgadas. : 166.05 segundos.Entonces los coeficientes de confianza pedidos son tú.4 60 límitee de confianza pueden repreaentarse por Ítz"ox deede z 68. Una muestra de 10 medidas del diámetro de una esfera dio una media ñ: 4.04.8. (d) =2.26 &- Vlo-1 = 4. AsÍ.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.05)/\.00.n r1s/t/Á¡.05 segundoe. Entonces los lfmite¡ de confianza del 964o eon . pues.siendo 0. = * t1. (ó) +2. pues.:n-L:10-1:g.06)/0.58')(0.09.oble cola") para la distribución normal vienen dados por i1. (c) v : 30. 6-3 6.hallamoat.96X0.051/\/n = 0.04. 6-8 debe ser 0. Aef.96.Tomando o = la estima eerá menor de 0.26fvéaeet¿mbiénProblema6.11.0452 pulgadaa .23 zc h¡estoqueestodebeserigualaTSll. er decir. Una muestra aleatoria de 50 calificaciones de matemáticas de un total de 200.i=r.682ó ESTIMAS POR INTERVALOS DE CONFTANZA PARA MEDTAS (PEQUEñAS MITESTRAS) 6.r¿ -.38 pulgadas y una desviación típica s : 0. un sicólogo estima que la dewiación típica del mismo (c) .38 + 0. (o) ¿Cuáles sonloslímitesdeconfianzadel9Ú% para la estima de la media de las 200 calificaciones? (b) ¿Con qué grado de confianza poüá .q'-: 200 v50 200-1 = 75 + 1.01 segundos? 0. <í n. debe emplearse la fórroul¿ para poblaciones finitas con muestreo sin remplazamiento.026 y el valor crítico correepondiente es ú.goo*.2910.gzs:2.4.orr. se tiene que el error ser6 igual a 0.*.6 : 0.01 ¡i n e¡ 97 o mayor. 6.e?'.06.Entonce¡ utilizando ¡ : 4.Ze.8 ó n : 96. . 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.01 : 9.01. (c'¡ t2.9df (b) tos vn N-n A¡-1 = N-n N-1 75 t 1.7I 6.10(c)]. (b). lo¡ límitee de confianza del96% pedidos eon 4.81 es 0. Asf el área ¡ombreada en la col¿ derecha es 0.58o/{i. arrojó una media de 75 y una desviación típica de 10.X+r"L .. Halla¡ los límites de confianza para el diámetro verdadero del (o) 96% y (b) 99%.setienequel. Los coeficientes de confianza del 96Vo ("d.2S z"=L6 z"=0.29lO):0. TEORIA DE ESTIMACION 20L es de Al medir el tiempo de reacción.50 2oo-L = 76!2. de aquf que el grado de confianza pedido *162(O.96)(0.01 soliamente ¡i n es 167 o mayor.10.r. Eláreabajolacurvanormal : O t z: 0.01 si (1. 1fi = (1. ¿Cuáles son los coeficientes correspondientes pala la distribución úsi (a) v = 9.01.g6ol{n.05. Fig.9. (o) Los llmitee de confianza delglovo están dados por. ¿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 0.96+ v50 (10) 200 .38 y c : 0.

se5 - (b) Para v = 9. Entonces loe límites de confianza del 99lo rcn i t ú.96-9. 0.ssr(S/tñ-l.38 4.55. y para tener una confianza del g5% de su elección necesitamos : 0.14. los límites de confianza del 99% son 4. Hallar los límites de confianza del (a) 95%.96.2/z¿y L645 Al comparar con Prob(p > 0.50): 0. - ó Prob(p > e-Bt/p6-ffi¡ = + J(t t/2r -. (c) 6.55 t 0. (b) 99%y (c) 99.55 = o'55t0'10 donde se ha tomado la proporción muestral 0.9ó utilizando el Apéndice C indica que e-Bt/fi-fl/n:0.L2.88 i g. J_.55 2."-. los intervalos de confianza mues¡ras.27. 6.58)(0. (a) Soluciona¡ el hoblema 6.6a5y'i6lBB)Io-75j7i : 0.55 '^^ I(0'55)(0'45) :r 1'e6!ff : = 0. tenemoe 0.50) Prob( que hob / J--ct t)_p .335 pulgadas y 4.Z5(0.50 ó n= 27r . Análogamente. (b) Comparar los resulüados de los dos métodos.qq /lo - 4.-'\ r1/pg-p)/n / rB I l-r'-tt'/z¿y t/2.88 r 1.73% parap son 0.55 para estimarp. 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 6.38 t 0.pV" es normal asintóticamente.18.0 = 4..13.88 + g.l)6or. véase Problema 6. ¿Qr'é tamaño de muestra debe toma¡se en el Problema 6.f) = 4.96-0-.88 + 0.11 suponiendo válidos los métodos de la teoría de muestras. indicó que el 55% de ellos estaban a favor de un determinado candidato.95. = P t 1.15.73% para la proporción de todos los votantes que estaban a favor de este candidato.55 + 0. obtenidos mediante ios métodos de pequeñas muestras o teoría exacta del muestreo son más anchos que los obtenidos por los métodoe de grandes muestras.049 pulgadas. (b) En cada caso.202 Asf. (a grandes ) Mediante loe métodos de Ia teoría de grandes muestras los límites de confianza del 95% son X t 1.426 pulgadas. = 3.045 TEORIA DE ESTIMACION lcAP.13. Una muestra de 100 votantes elegidos aleatoriamente entre todos los de un distrito dado. utilizando P donde B = : 0.el95o/o para la población p son P : l. t.13 para que la confianza de que el candidato sea elegido sea del g5% z El candidato se elige si p ) 0. Para hacer este problema de una fo¡ma más exacta.06/y'10 . Puesto que (P .06 como estima de o.06b0 pulgadas y el inüervalo de confianza del99% e¡ 4.b0 Entonces.6 : se puede estar en la confianza del 96a/o de que el valor ve¡dadero se encuentra entre 4.55 y la estima p : 0.58ú6:5EXb:¡BtTdd = Los lfmites de confianza del 99./e(l -p) ¡? V = 0. (a ) Los límites de confianza d.= v-n 4.p')/\/p(l .446 pr'lgadas.1.38 + 0. t 3ú058)16:¡8 10d 0.06) /\t1.315 a 4.38 * (2.50.25.l = 4. 0D > 0.O37pulgadas ? donde se ha utilizado la desviación típica muestral 0. (b) Los límites de confianza del99% parap son 0.55 del Problema 6.045 : 4. pues.

25 son las proporciones respectivas de adolescentes y adultos a quienes les gusta programa.g. Los límites de confianza para la diferencia de proporciones de los dos grupoe están dados por 'll1 1t2 dondelossubíndicesly2serefierenaadolescentesyadultos.25 ! Z.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.58\.AquíPr:300/600:0. -loi*o'o -"1/"o-"" Los límites de confianza del 9b7o son: 1400 1200 . En una muestra aleatoria de 400 adultos y 600 adolescentes que veían un cierto programa de televisión./.73% como 0. Una muestra de 150 bombillas del fabricante A dieron una vida media de 1400 horas yuna desviación típica de 120 horas.31.50 encuentre entre 0.96/il2OtG0I80)2/100 Así.73% para la proporción de caras que se obtendrían en un ilimitado número de lanzamientos de la moneda. el intervalo 0.4 y B son dados por (a) *o. 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.60 La fórmula más exacta del Problema 6. se puede encuentre entre 0.45 a 0. dando. z" = 3. dando el intervalo 0. PtQt .respectivamente. PzQz el - O. (a) Los lÍmites de eonfianza del 95Va son 0.75.?9. se tienep : 0.37 a 0. ae confianza que Ia diferencia'de las medias de las poblrcionee (b) Los límites de confianza d.cAP.50 - 0. esperar con confianza d..45 a 0. se As( pues. Hallar los límites de confianza del (a) 95% y 99% para la diferencia de las vidas medias de las poblaciones A y B.25 = 0. Así.23.el 96% que diferencia de proporciones (ó) Los límites de confianza d.15.?4 y el INTERVALOS DE CONFIANZA PARA DIFERENCIAS Y SUMAS 6.Xn-.17 y 0.33.t 1. pues.. 6.27 da el intervalo de confianza del 95'ib como 0. se tienep = 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. 100 adultos y 300 adolescentes dijeron que lei gustaba. pues.96 La verdadera = 0.el ggVoson 0. (a) Al nivel del g5o. se Así. 95"/o de = 200 t 24.6V n:40 enlafórmula \tF(l=A/. se obtuvieron 24 ca¡as.BZ a 0. se puede esperar con el encuentre entre 175 y 225 horas.50 ! Pz : 100/400 : 0. intervalo de confianza del 99.6..el 99Vo que la verdadera diferencia de proporciones .06.5B = 0. pues.96. [-os límites de confianza para la diferencia de medias de.83. SustituyendolosvaloresP:24140 = 0. z" = 1. pues. Mediante la fórmula aproximada p = P + 0. (b) Al nivel del 99. gt= Ptz" t z¡/F(=ffi. se puede esperar con confianza d.16.tr 7.0g. Hallar los límites de confianza d9l (c) 96% y (b) 99.Zb + 1.6l TEORIA DE ESTMACION 203 6./i120)r/15¡+-G0)r400 = 200 + 82.60 + 15.25 = 0. En 40 lanzamientos de una moneda.19 y 0.il3li.

(b) 99%.4 t de confi¿nza del 99. * l'a. Si se conectan 4 baterías en serie.x {2n 300//t = 5. Hallar los límites de confranza del (c) 95% y (b) 99"/.73"/o para o son S .16 voltios. (a) Loslímites de confianza delgSv" están dados por sy'7/x.. pues. donde 2.58(100)/r/Zbd = 100 r 12.4 + 1. 82. En este caso se aplica la teoría de grandee muestras.f8.96(100)i/200 = 100:tg.19.04 V. .o/yEi. pues.08) = 180.4 V r de confianza del 99% son: 180. = 45. (b) Si }OO/\E : Aei pues.24 ) Los lfmites (c) Loc lÍmites (d) toslfmitesdeconfianzadel voltios. entonces n 1800. Entonceg el error porcentual de la desviación es 3s/t/-at (¿) Si 300 _ = s.204 TEORIA DE ESTIMACION [cm.4 t = 180. se tiene ltlt+Ez+at+¿o = Fu. INTERVALOS DE CONFIANZA PARA VARIANZAS 6.[4: "'rJ o'r. La desviación típica de las duraciones de una muestra de 200 bombillas fue de 100 horas.20.1) = 180. (o) Alniveldel 95".4O pulgadas.054 voltios se llama error probable.6?45(0. de la desviación típica para todos los estudiantes del colegio. (c) 99. indica el nivel de confianza.4 (o) (b Los límites de confianza del95% son: 180. = 0.73% la verdadera desviación típica de la población ::o difiera de la desviación típica muestral en más del (c) 6%. Así. La desviación típica de las estaturas de 16 estudiantes seleccionados aleatoriamente en un colegio de 1000 estudiantes es 2.. (b d. utilizando s como una estima de o. osr* Ez+t:. Es y Eq representan los voltajes de las 4 baterías.2L.t+ti. (b)LO%? De igual forma que en el Problema 6. Así.4:t0. * uotr* l'a. = 1la1ffiy : 0.ozs.4i0. 0. el tamaño de la muestra deberá ser 1800 o más. página 162)loslímites de confianza para la dewiación típica de la población son dados por S * z./nloslímitesdeconfianzason:100 11. Hall¿rr los límites de confianza del (a) 95% y (b) 99% para la desviación típica de la población de tales bombillas. ee puede esperar con confianza del 99'y'" que la deerüeión típica de la población se encuentre entre 87.9 horas.2 y 109.21 voltios. Se utiliza la dewiación típica muestral para estima¡ o. FfJ voltaje medio de las baterías producidas por una compañía es de 45. Y t¡. Si Er. los límites de confianza del 99. 0. 6. 6.08)=180.8 horas.73% y (d) 5O% para el voltaje total. oE. = orr..1 voltioE y dc. 5O%son:180.1 V y la desviación típica 0.08 ÉEr+nz+E¡+Eo = 4(45.19.08) = 180..r-= oE.4 + 2.4 t 3(0.19 deberá tomarse para que con confianza del 99. Entonces.96(0.0b4voltios.e75 y st/n/x.r Bo/l-zn Ss/\/Zn.9. puesto que /¿rr = lLEt lr'.r+r 2+Er+84 = . el tamaño de la muestra deberá ser 450 o más. ¿Qué tamaño de muestra en el Problema 6.1 y 112. o 6.* o".04 volüios.= lr'.08) 0.73% con: 180. Por tanto (véase Tabla 5-1.g. hallar lós límites de confianladel (a) g5%. pues.58(0. El valor de 0. entonces n : = 10. Así. se puede esperar con confianz¿ entre 90.el 95Vo que la desviación típica de la población se encuentre ) Al nivel del 99% los límites de confianza son: 100 * 2. 46O.

r+l/Z[I6Ef-T¡z = jtz. Por tanto se tiene la confianza del 95% de que la desviación típica poblacional se encuentra entre 91.1 : 199 grados de libertad.83 y 3'84 pulgadas./x Para v : sr.73 y 2.sor-79.19 utilizando la teoría de pequeñas muestras.3 horas.50. rz = 10. x?szs = 27.sa+19.14.15. pfuina 137' x.24 y 2.el95')h están dados por Sy'-n.)rto = \/ 2o.oe5=5.oos:4..11.26 6 7.el99% están dados por Sy'-nl¡.6l Para o TEORIA DE ESTIMACION 206 x?ozs = 16- 1 = 15 gradoode libertad. 3? = t=r"i = (lf)rznl = "? = 18 de modo qrre 26. 6. Dos muestras de tamaños 16 y 10 respectivamente de confianza del (c) 98% se extraen aleatoriamente de dos poblacio- nes normales.g = 88.40\f-I6/5.8 ó ¡.9 y 1001800/t2.7. ee decir.9 y x.ozs.40\f-16/2.40Vf 6 /1.22. (o) Los límites de confianza d. : 200 - 1 : 199 g¡ados de libertad.' son 100y'2b-0 115.t-t.92)2 = : \2. Este resultado debe compararse con el del Problema 6.9 horas. esto es. Solucionar el Problema 6.49 pulgadas.2= 115. 200 .83 y 3. 1.19(b). Este resultado debe compararse con eI del Problema 6. y 18 respectivamente halla¡ los límites (o) Tenemos nt = l(t.. hallamos como en el Problema 4.68 y 4.5 = 91'2 y 100y'200/12'1 = 111'3 horas respectivamente.19(a).. Por tanto se tiene la confianza del 95% de que la dewiación típica poblacional se encuentra entre 1. Entonces los límites de confianza del 95% son 2.s¡5=2. Entonces los límites de confianza del 997o son 2.= r\ri= (f.o75 = |{zsrr. = 15.s¡5.¡¡5.5 y Entonces los límites de confianza del 95o/.84 pulgadas. Paray:16-1:lSgradosdelibertad. Por tanto se tiene la confianza del 99% de gue la desviación típica poblacional se encuentra entre 88. 1. (b) Los lÍmites de confianza d.5 6 x." x%os 1_l .2.9 y 115. y St/T/x.9212 : 239 161 = olz02s+V2(199)-1)e =. .?3 y xz.SO+19.ozs l-l Vz(rssl -r)z = itt..23. están dados por Sy'-nlx ors y Sl-n/y. X.92)2 = 253 lL6.14.68 y 4. Por tanto se tiene la confianza del 99/o de que la dewiación típica poblacion¡l se encuentra entre 1. Entonces los límites de confianza del 99% son 100/Eñ6 de donde X sq¡ INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS 6.o .t.cAP. s! = 20. (b) tos lÍmites de confianza del 99\i. x1.oos = 72. x2nzs de donde ¡¡.2 a.50..2 y 111.ee5 Para v y Sy/i/7.49 pulgadas.¡]oor=32.n.40\R/2. Si se encuentra que sus varianzas son 24 y (b\ 90% para la relación de varianzas.24 y = 6.60 ó y._. it.9 horas respectivamente.n25 = 2.!75= 5.

tenemos F ge = 4.os : 1t2.47(b).6?=1=r.206 IEORIA DE ESTIMACION [cAP.'or¡ g. = 3)@*-Pl reeulta Q.. Entonce¡ utilizando (171. 6.89.0.59. . página 13p. pl" 'f (r. Halla¡ la estima de máxima verosimilitud de la media.#>@t-pl2 Tomando Ia derivada parcial con re4ecto raL 1:' fr. Por tanto el intervalo de #(ffi) s += 6 0. = (b) Como en (o) hallamos del Apéndice F que confianza del g0% es F. 6. Hallar los límites de confianza del (al 98% típicas del hoblema.(ffi) 4.e¡ = 3.47(d). También del Problema 4.sg<!=z.eg oz 6. v Q) 90% para la relación de las desviaciones de las desigualdades del Problema 6. hallrrmoe para el intervalo de confianza del 98%.23 hallamos los lfmitec de confianza para el (¿) (ó) ESTIMAS DE MAXIMA VEROSIMILITUD o. pfui¡1g 19?.25. pl = (2to2)-tt2¿-zbk-r)2t2o2 (z') (r) Fijando íLldp = 0 t¡L = a -f.96 parapl : 16 1 : 15 ! U2 =LO-1 =9 grados de libertad.84 V F. gue tenemos (I) Puesto Por tanto l(rx.e5 2. ü = \/2ro2 -J- r-<x¡-ü2rzoz L = f(nt.6 Del Problema 4.eo = ".23. Al tomar la raíz cuadrada 98% v el9o%. reculta .) Obsérvese que el intervalo de confianza del9O% e¡ mucho más pequeño que el intervalo de eonfianza del 98Vo.z8a =# : = rsee. tenemos pataUl: 15 y ez:9 grado¡ de libertad f or : 1/3.89 de modo que l/F.tn1z. (#)(ffi3) o. como lógicamente era de eryerarse.24.zt oz 0. 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.4437 oí = * ('z'6'g)(?q¿. Si n obsewaciones Xr & se toman de una población distribuida normalmente de la cual se desconoce la media y se conoce la varianza.

ca p= _6 + 1/@=lo" 2a z"P+27=W 2(n* z7\ 2nP I 22" * ""t/6F(L1VlT7" 2(nI zf.cAP. {P(L = *2" p(. tenemos ee i'# Fijando aLl0o2 .25 ha¡ta la ecuación (2) aplica. zi n -4nz | +! . (a) como la utilizada en el Problema 6.6l TEORIA DE ESTMACION 207 6.e f(x¡.63. se tiene e+ flt "" P(L-PI .13. se tiene P-P Elevando al cuadrado los dos miembros. b--(2nP+"7) y c=nP2. por tanto. (a) Si P es la proporción observada de éxitos en una muesha de tamaño n. Si en el Problema 6. . - (2nP I * nPz = 0 Si o=n+z!.cuyassoluciop son dadas por La fórmula cuadráti. z7 n -4ü r+4 n o P (b) Utilizar la fórmula de (¿) para obtener los límites de confianzadel99. La proporción muestral P en unidades tipificadas .P)/n Los valores mayor y menor de esüa variable tipificada son tzc. estaecuaciónsereduceaafi*bp*c:0.13.L n - pl pz-2pp*p2: (nI nes para zp\p2 "?P# z?lp Multiplicando los dos miembros por ¿ y simplificando. todo lo efectuado en el hoblem¡ 6. mostrar que los límites de confianz^ para estimar la proporción de éxitos p en la población a un nivel de confianza determinado poÍ zc esüán dados por p- P +ft* 22 z" P(l-P) ."2) en cambio d. (c) Mostrar que p¿üa grandes valores de n la fórmula de (c) se reduce a p=P¡2" \FF -nn. = -fi+ uár> @t-r)2 02= 2 (rr - pl2 PROBLEMAS DIVERSOS 6.27. Si escribimos f (rx.) Dividiendo numerador y denominador por 2n. Entonces tomando la derivada parcial con reqrecto a 02.0 hallamos Vé¿se Problema 6. donde z" deüermins el nivel de confianza.25 se conoce la media pero se desconoce la varianza.p).TS% delProblema 6. halla¡ la estima de máxima verosimilitud de la va¡ia¡rza.p oP = -1.26. En estos valores extremos. queda.

28.=B.44. y (b)99dto para la media de las cargas máximas de todos los cables producidos por la compañía. zf.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. Hallar los límites de confianza del (o ) 99%.2 y 9. En la Tabla 6-2 se indican varios valores críticos y los conespondientes intetwalos de confianza del 95%. cuya amplitud sea menor que la del Problema 6. (b) 98Vo.00058 pulgadas. La media y la desviación típica de las cargas máximas soportadas por 60 cables (véase Problema 5.7 7.rlos ESTIMAS INSESGADAS Y EFICIENTES 6.30. 10.6 = 12. etc. (c) 95% y (d) 90% para el dirimetro medio de todos los remaches fabricados por la compañía. (c) Comparar la desviación típica muestral con la desviación típicÁ de la población estimada.8..72642 pulgadas y 0.13(a). La media y la desviación típica de los diámetros de una muestra de 250 remaches fabricados per una compañía gon O.0 = 12. respectivamente.utilizando de (a).6 p=0.8 89.8 ¡.9 110.55yn:100enlafórmula y 22"/nson despreciables y pueden sustituirsepor cero. ¡es=15.32 92. .05. de amplitud sol.09 ton. en general.31.'./zn.ge = 15. Valores Crítico¡ Tabl¡ 6-2 Intervelo de confianza d.o¡r y x e8l. Determinar estimae insesgadas y eficientee de (o) la media de la población v (b) la varianza de la población.8. 8.0 a 110. Hallar los límites de confianza del (o) 951/. (c) Si n es gtande. de forma 6. lcAP.r De la tabla se observa que un intervalo del95%.40 y 0.2 19. la disminueión en el intervalo que 8e obtiene es comúnmente despreciable y no Probletn.Entonces. 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./Anz que se obtiene la fórmula pedida.7. respectivamente.98) están dadas por 11.42 a a 111. y 0.8.208 TEORIA DE ESTIMACION (b) Paraloslímitesdeconfianzadelgg.69 en acuerdo con el problema 6.a los cuales la suma de las áreas en l¡as colas sea61. 6.e4 91.TSVo.. 6.s2=12. 10.7 a Lt3. 6'33.?3 ton.4 20. X 032 y X 1¡2.85.s sr¡plernenta.100). (o) Solucionar el Problema 6. ó 0.3 91.22(a) fueron obtenidos escogiendo valores críticos de y2 de tal manera que las áreas en cada cola fueran 2. X. Sin embargo.7s7=15.¡amente 19. 2g.64.$=12'76.e6 : 15.8.Es posible haltar otros límitee de confianza escogiendo valores críticos de X2 gar.z.9 7. respectivamente (véase Problema 5. horas Una muestra de 10 tubos de televisión producidoe por una compañía. entonces zf. pero de tal manera que las áreas en cada cola no sean iguales.32.6%. es de g1. dieron una du¡ación media de 1200 y una desviación típica de 100 horas. se tienep : 0. g.29. empleando t¡alores críticos tales como justifica el trabajo involucrado.el 95"tb Ampütud 2r.4 libras.30 si se obtienen los mismos resultados para 30.?3 20.a.O a 110. Las medidas de pesos de una muestra fueron registradas como 8. Estimar (o) la media y (b) la desviación tÍpica de la población de todos los tubos de televisión producidos por esta compañía. Un intervalo con amplitud af¡n menor puede hallaree continuando el mismo método de aproximación x.54 ¡.6..

para que la confianza de que la proporción ¿Qué tamaño de muestra se debería tomar en el Problema 6. (b\ 99% y G\ gg.638 libras y una desviación típica de y (b) del 99Vo pata los pesos de lotes de 100 cojinetes cada uno. 6.3g. 6.38 onzas los límites de confianza del (c) 95% y (b) 997o para la resistencia real' desviación típica de 1. y (b) el error probable para la media de los diámetros del 6. (b)gg%y (c)99J37" para la dewiación típica de todoslos cables producidos por la compañía. 6. 6.a h diferencü de proporciones de cerrojos defrctuosos de las dos máquinas' Estudiar los resultados obtenidos.41. Hallar grandes muestras y comparar Solucionar el problema 6. Hallar eI error probable de la desviación típica del Problema 6'46' .41.ParalosdelgrupoB fueron 6. Una muestra de 200 cerrojos producidos por una máquina mostró que 15 eran defectuosos.73V"? 6. ¿Cuál será el número mínimo de voranües que se deberá mue\trear para quelaeonfianza sea del (a) 8O%. Dar los resultados utilizando la fórmula aproximada y la más exacta del Problema 6'27.7 Bdn pá.40.cAP. 0.3? suponiendo aplicables los métodos de la teoría de los resultados obtenidos. (c) del 99. 0. respectivamente.(b\95%'(c\99% deladecisiónen favor de uno de los candidatos? INTERVALOS DE CONFIANZA PARA DfFERENCIAS Y SUMAS 6. como 0'28.g9. Se cree que una elección resultará muy reñida entre dos candidatos.g5.94" Hallar (¿) los Problema 6.012 libras.80.45.82 con una desviación típica deO. Para los pacientes del primer grupo el número medio de horas de sueño fue 7. La desviación típica de resistencia a la rotura de 100 cables producidos por una compañía fue de 180 libras. INTEBVALOS DE CONFIANZA PARA VARIANZAS Y DESVIACIONES TIPICAS 6. Hallar los límites de confianza del (a) 95%' (b)99o/oy (c) gg . respectivamente.24 onzze. Hallar los límites de confianza del (a) 95% y (bl99% para el tiempo reacción. 6. mientras que de 100 cerrojos de otra máquina 12 eran defectuosos.2?. 6.42.86.33. y una Una muestra de 12 medias de resistencia a la rotura de hebras de algodón dio una media de 7. De dos grupos análogos de enfermos A y B formados de 50 y 100 individuos.6l' TEORIA DE ESTIMACION límites de confianza del 5O% 209 6.2[horas. Si la desviación típica de la duración de los tubos de televisión se estima en 100 horas.7g% para la proporción real de bolas rojas en la urna.43. 0.30 horas.44. Hallar los límites de confianza del (c) g5%. al primero le fue dado un nuevo tipo de somnífero y al segundo un tipo convencional. Una r¡rna contiene una proporción desconocida de bolas rojas y blancas.76 y 0. 6. (b ) del 99%.gg. 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. HaIIar los límites de confianza del (o) g5%. Cinco medidas del tiempo de reacción de un individuo a un cierto estímulo fueron registradas real de 0.36 si el error en la duración media estimada superar las 10 horas? ESTTMAS POR INTERVALO DE CONTIANZA DE MEDIAS (PEQUEÑAS MUESTRAS) 6. (b)g|%t (c)997oV @)59. Una muestra aleatoriade 60 bolas extraídas con remplazamiento de la urna.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. ESTIMAS POR INTERVALO DE CONFIANZA PARA PROPORCIONES 6. dio el 7O% de bolas rojas.g1 sfoundos. ¿qué tamaño de muestra deberá tomarse puüa que sea del (a\96%. Hallar los límites de confiánza (a) del 95% Una compañía fabrica cojinetes de bolas que tienen un peso medio de 0.40 verdadera no difiera de la proporción muestral en más del 6Vo sea (a) del 95Vo.46. o.g?.

hoblema 6. Si Xr.56. del Problema 6.49. . Las desviaciones típicas de los diárnetros de los cojinetes de bolas producidos por dos máquinas son 0. 6.59.6 ¿Qué tamaño de muestra deberá tomarse para que la confianza sea del (a) 95%. ¿Cuáles son los coeficientes correspondientes para la distribución f si (o) v = 4. .e 24OO libras y una dewiación típica de 150 libras. Solucionar el Problema 6. Comparar los resultados con los obtenidos empleando la distribución normal.042 cm y 0. límites de confianza del (o) 96'/o y (b)99Eb pa¡a la desviación típica de todas las bombillas fabricadas Solucionar el Problema 6. 6.62. 6. Si se toman n observaciones.58.52. Hallar los intervalos de confianza del (o) 98% y (b)907. ESTIMAS DE MAXIMA VEROSIMILITUD 6. Xn de una población distribuida normalmente con media ¡l y varianza ¿Pueden determinarse estimas de máxima verosimilitud de ¡t y o2 en términos d. 6. [(A'+t)st 0<¡:<1 de otra forma Xn de esta población hallar la estima de máxima verosimilitud de h. Una población tiene una función de densidad dada por 8e toman n observaciones l(r) = l^0 [ Si se toman n observaciones X1 . . Xn se toman de una distribución de Poisson con parámetro tr desconocido. . Si n observaciones 6.(c)v:25. . .49 si 25 bombillas tienen la misma desviación tÍpica de 120 horas. .58. . (b) gg% y (c) gg.61.48. -t 1 r ( -. INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS 6. 6.2to 6. .25 y 6. La desviación típica compañía. 6. hallar la estim-a de máxima verosimilitud de z.? ¿Son lc mismos a los dados en los hoblemas 6. Hallar Ios intervalos de confianza del (a) 98% y (b) 90% para la relación de Ias varianzas. Una población tiene una función de densidad dada por i@l = 2rt/r/" ¡2s-v*. X¡. . Xn de esta población. .54 si las muestras tienen tamaño 120 cada una. ¿Considera que las dos muestras del hoblema 6.035 cm respectivamente.55. para la relación de las varianzas de las poblaciones de donde se exhajeron. 02 desconocidas. TEORIA DE ESTIMACION [cAP. .. . X1. de la du¡ación de 10 bombillas fabricadas por una compañía es 120 horas.54 fueron extraídas de la misma población? Justificar su solución.52 y (b) Problema 6. Los coeficientes de confianza del 999á ("doble cola") para la distribución normal están dados por 12.51. r. . .(b)v:12. .e 11.57.(d)v : 30' (¿) v: 40? Una compañía tiene 500 cables. Hallar los igr la 6. En una prueba de 40 cables seleccionados aleatoriamente resulta una media de la resistencia de rotura d.51 que tiene la menor amplitud? 6. Hallar el estiniador de máxima verosimilitud de ). .26? Explicar.49 utilizando la distribuciíny2 si una muestra de 100 bombillas tiene la misma desviación típica de 120 horas. .7T% de que la desviación típica de una población no difiera de la desviación típica muestral en más del 2%? 6. . PBOBLEMAS DIVERSOS 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 957.63. basados en muestras de tamaño 10 cada una.53. 6. .50. 6. Determinar los intervalos de confianza del (o) 98%v @\gOVapara larelacióndelasdesviacionestípicasdel Dos muestras de tamaños 6 y E respectivamente tienen la misma varianza.54. ..62. Solucionar el (o) Problema 6.60.

Por ejemplo. en general. En muchos casos se formulan las hipótesis estadísticas con el solo propósito de rechazarlas o invalidarlas.5. siunahipótesis-esp:'0. 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 /. HIPOTESIS ESTADISTICAS. se dice que se comete un 277 . a Muy a menudo. Por ejemplo. se formula la hipótesisde que la moneda est. conviene hacer determinados supuestos o conjeturas acerca de las poblaciones que se estudian. etc. nulns Cualquier hipótesis quedifiera de una hipótesis dada se llamahipótesis alternatiuc.Capítulo 7 Ensoyo de hipótesis y srgnlllc(Iclon DECISIONES ESTADISTICAS t cJo . si un suero nuevo es realmente efectivo para la cura de una enfermedad.á bien. donde p es la probabilidad de cara. Si por el contrario. p : 0. si se quiere decidir sobre si un procedimiento es mejor que otro.p#O. se estaría inclinado a rechazar la hipótesis de que la moneda est:á bien. Los procedimientos que facilitan el decidir si una hipótesis se acepta o se rechaza o el determinar si las muestras observadas difieren significativamente de los resultados esperados se llaman ensayos de hipótesis. es decir. HIPOTESIS NULA Para llegar a tomar decisiones. se formula la hipótesis de que no hay encia observada se debe meramente a diferencia entre ios procedimientos (es decir. ensoyos de significación o reglas de decisión.5. Tales decisiones se llaman decisiones estadísticag Por ejemplo. hipótesis se llaman también hipótests fluctuaciones en el muestreo de la misma po y se denotan por flo . si una moneda determinada está o no cargada. Tales supuestos que pueden ser o no ciertos se llaman hipótesis estadísticas y. si se quiere decidir si una moneda está cargada. Análogamente. ERRORES DE TIPO Si en el supuesto de que una hipótesis determinada es cierta. aunque sería posible que fuese un rechazamiento enóneo. ENSAYOS DE HIPOTESIS Y SIGNIFICACION evidencia obtenida).7.56p>0. Si se rechaza una hipótesis cuando debería ser aceptada.Unahipótesis alternativa de la hipótesis nula se denota por Ilt .5.hipótesisalternativassonp:O. se puede querer decidir a partir de los datos del muestreo. en la práctica se tienen que tomar decisiones sobre poblaciones. lo son sobre las distribuciones de probabilidad de las poblaciones. Por ejemplo. partiendo de la información muestral de las mismas. si un sistema educacional es mejor que otro. se dice que se comete vn error del Tipo se acepta una hipótesis que debería ser rechazada. se encuentra que los resultados observados en una muesha aleatoria difieren ma¡cadamente de aquellos que cabía esperar con la hipótesis y con la variación propia del muestreo. si en 20 lanzamientos de una moneda se obtienen 16 caras.

ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. es una normal tipificada (media 0.96. z > I.96 podía entonces llama¡se región de aceptación de h hipótesis o región de no significación. Esto equivale a decir que el estadístico muestral observado es significativo al nivel del 0. El área total sombreada 0.1. la probabilidad de cometer error del Tipo I. 7-1. aunque igualmente pueden emplearse otros valores.96 a 1. ¡--lglj .O6El conjunto de las z que se encuentran fuera del rango -1.1. debe diseñarse de forma que minimice los errores de decisión. lo cual puede ser o no ser posible. Como se indica en la figura.05 es el nivel de significación del ensayo.05 si la z obtenida para el estadístico S se encuentra fuera del recorrido . por ejemplo se elige un nivel de significación del O.. En tal caso se dice que la hipótesis ha sido rechazada aI niuel de significación del O.El conjunto de lasz que se encuentran dentro del recorrido .96 a 1.1.96 a 1.)/o.96 a 1. un tipo de error puede tener más importancia que el otro. se dice que la hipótesis se rechaza al niuel de significación del0. La única forma de reducir al tiempo ambos tipos de error es incrementar el tamaño de la muestra. .96 constituyen lo que se llama región crítica o región de rechace de Ia hipótes¡'s o región de significación. En la práctica. y así se tiende a conseguir poner una limitación al error de mayor importancia. 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. la distribución muestral de un estadístico S es una distribución normal con media p" y desviación típica o".05 o que la z obtenida del estadístico muestral dado es significatiua al niuel de significación del 0. el valor de e obtenido de una muestra real para el estadístico S se encontrará entre 1.05 6 6"/. Representa la probabilidad de rumeter error al recbazar la hipótesis es decir. Esta probabilidad se denota frecuentemente por o. lo que quiere decir que es un suceso con probabilidad de solamente 0. se puede formula¡ la siguiente regla de decisión o ensayo de hipótesis o signi{icación: (o) Se rechaza la hipótesis al nivel de significación del0.212 error del Tipo da. Así pues.1. al diseñar un ensayo de hipótesis.95). varianza 1) y se muestra en la Fig.O5. es decir. de modo que los resultados obtenidos no influyen en la elección. Si. Esto no es tah sencillo como pueda parecer puesto que para un tamaño de muestra dado.05 ó 0. va generalmente acompañádo por un incremento en el otro tipo de error. entonces hay aproximadamente 5 ocasiones en 100 en que se rechazaría la hipótesis cuando debería ser aceptada. De acuerdo con lo dicho hasta ahora. supóngase que con una hipótesis dada.lo que significa que se puede cometer error con una probabilidad de 0.01.05 (área sombreada de la figura) si la hipótesis fuese verdadera.96 (es decir. si la hipótesis es cierta.05. se puede estar con el 957o de confianza de que.96 (puesto que el área bajo la curva normal entre estos valores es 0. En cualquiera de los dos casos se comete un error al tomar una decisión equivoca- Para que cualquier ensayo de hipótesis o reglas de decisión sea bueno. ENSAYOS REFERENTES A LA DISTRIBUCION NORMAL Pa¡a aclarar las ideas anteriores.=lD6 I'ig..96).96 y 1.96 ó z 1. Entonces la distribución de la variable tipificada dada por Z : (S ¡. Entonces puede decirse que esta z difiere signifícatiuamente de la que cabía esperar bajo esta hipótesis y se estaría inclinado a rechazar la hipótesis. un intento de disminuir un tipo de error. si al elegir una muestra aleatoria se encuentra que z para ese estadístico se halla fuera del recorrido .05.. En la práctica se acostumbra a utilizar niveles de significación del 0. ? II.7-l Sin embargo. se está con un 95% de confianza de que se toma la decisión adecuada. generalmente se fija antes de la extracción de las muestras.

= op: o/1/i. 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).i: ¡t. Tabla 7-1 Nivel de significación o Valores críticos de z para ensayos unilaterales Valores críticos de z para ensayos bilaterales 0. Por esta raz6n. Medias. aceptaríamos -EI6 de que la media poblacional es p : o utiliza¡íamos el estadísti-EÍe (o al menos no lo . con frecuencia se puede estar solamente interesado en los valores extremos a un solo lado de Iá media. se pueden encontrar utilizando la tabla que da las áreas bajo la curva normal.96 en todo lo visto anteriormente por 2.005 0. será de utitidad para propósitos de referencia. si se utilizase el nivel del 0. en las dos "colas" de la distribución. Ia región crítica es una región a un lado de la distribución. con área igual al nivel de significación. 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.88 y -1. Tales ensayos se llaman ensayos de una cola o ensayos unilaterales.33 ó -2.58 2.33 -2.08 ENSAYOS ESPECIALES DE SIGNIFICACION PARA GRANDES MUESTRAS Para muestras grandes. es decir.la X-.88 2.08 y 3..645 y 1.96 y -2.96 1.05 001 45 0.58 ó -2. Por ejemplo. 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. página 195. Si4 embargo.645 1. Valores críticos de z para otros nivelei de significación. La Tabla 7-1.28 ó -1. Debe ponerse de manifiesto que puedgn igualmente emplearse otros niveles de significación.28 1. en una "cola" de la distribución. Entonces.58 y -2. Cuando es necesário se utiliza la desviación muestral observada s (ó G). Véanse páginas 158 y 160.6 1.8I -3. es decir. tales ensayos se llaman ensayos de dos colns o ensayos bilaterales. como por ejemplo. puede también emplearse.81 2. media poblacional. La variable tipificada viene dada por Aquí S : X. media muestral.58 2. En tales casos.645 cí 2. 1. Los co.cAP. Para ensayar la hipótesis nula (f) co (I ). utilizando un ensayo de dos colas.002 ó -t.58 (véase Tabla 7-L). Z = -. En cada caso..7l / ENSAYOS DE HIPOTESIS Y SIGNIFICACION 2L3 (b) Se acepta Ia hipótesis (o si se desea no se toma decisión alguna) en caso conhario.10 0. tss =. donde o es la desviación típica poblacional y n es el tamaño de la muestra.-: ú1V11. puesto que la suma del nivel de significación y el nivel de confianza es L00%. que da los valores críticos de z para ensayos de una y dos colas a distintos niveles de significación. La Tabla 6-1. o.01 se sustituiría 1. para estimar o. los resultados son para poblaciones infinitas o para muestreo con remplazamiento' Para muestreo sin remplazamiento de poblaciones finitas los resultados deberán modificarse.

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

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

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

POTENCIA DE UN ENSAYO Se ha visto cómo el error del Tipo I pued. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 2t7 R.136 y también Problema 6. 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. CURVAS CARACTERISTICAS DE OPERACION. donde s camb se deben simplemente a fluctuaciones causa de deterioro en las máquinas. se describe más adelante. El método utilizado general: típica de la muestra para estimar la media y des 7. por ejemplo. etc. érrores de los empleados.elo vn vn Por tanto. GRAFICOS DE CONTROL DE CALIDAD importante conocer cuándo un proceso ha cambiado suficientemente. el enmyo chi-cuadrado.32 y 7. conviene utllizar papel grófico de curua normal o papel grófico de probabilidad.05 es eq pigtm 195 conducente al intervalo de confianzadel96"/o se puede obsenrar que existe u eoría de ejemplo. qué tamaños de muestras deben emplearse. Útt "trrayo ajuste de distribuciones teóric as. Sin embargo. Los gróficos de control suministran un método útil y sencillo para tratar tales problemas (véase Problema 1.14).cAP. significación.30. Es posible evitar el riesgo de error < nunca la hipótesis. 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.31).7. la si de modo que puedan darse los pasos rápid ejemplo en control de calidad.ELACION ENTRE LA TEORIA DE ESTIMACION Y ENSAYO DE HIPOTESTS las estimación notamos q De alos de confianza y la teoría de en aceptar flo en el nivel 0.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. como a veces se le llama (véase Problema 7. A pesar de que la necesidad de tales intervalos es rara' es posible definirlos (véase Problema 7. (/ ) en la (1e) ñ _ L. poüíamos realmente emplear el intervalo de confiaíza del Capítulo 6 para e¡¡sayar ttipótesir. El problema de ensay En un intento para determina¡ si una distribución normal representa un buen ajuste para datos dados. es posible frecuenten llamadas "modelos" o distribuciones "esperadas") tras de la población. .33.29). al menos en el caso de los ensayos de dos colias. r a¡ la bondad d. Un resultado semejante para_ ensayos de una cola requeriría intervaloi de confianza unilateralás.

de una moneda honrada. La frecuenci¡ observada en la muestra podrfa lógicamente ger diferenüe. uencias caras q .!-n " = í-=t nP¡ (28) .np)2 * npq np (Xz nq - ne)2 (20) donde Xt = X es la variable aleatoria asociada con . . Pk. = (Xt:-!t?t)z n?t * (xz-nqz\2 .. : 20. extraemos At.Si obtenemos una muestra de 100 lanzamientos. . .. das La forma del resultado (20) sugiere que una medida de la discrepancia entre frecuencias observay esperadas para el caso general se suministra por el estadísfico x.. .. . Si . 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 . 2. son todae . : n-X1 es lavariable aleatoria asociada con "fracaso".9n" generalización al c bilidades Pt .CUADRADO PARA LA BONDAD DEL AJUSTE )s" en una muesha de tamaño n extraída de una acional p de éxitos. de modo que n : lO0.(x¡-np¡\z np (21) donde la frecuencia total (es decir el tamaño muestral) es n. _ página 113).Unvalor tanto que np se llama la fteóuencia esperad At. X¡ (cuyos uencias observadas para la muestra). Los resuitados pu"den ir k Tabla 7-2 Suceeo A1 X1 A2 42 Ak X¡ Frecuencia observada Frecuencia esperada nPt npz npk EJEMPLO 7. hemos utilizado el estadístico s sucesns A 1 en pyq-1-p. . ? ENSAYO CHI.. . x2. $. de modo que n as l. en tanto que . . . Az pueden obserwdn para el suceso EJEMPLO 7'1. de modo que Xt*Xz+"'+Xr=n Una expresión equivalente a (21) es k¡22' (22) x2 ). y X. unapoúíac¡ón muit¡i-omial'(véare io n de esta poblacibn las frecuencias obsen¡adas por las variables aleatorias Xr. An os 11. ... . : Il2.éxitos.2r8 EI{SAYOS DE HTPOTESIS y SIGNIFICACTON lcAP. . speradas estarí e hace en la Ta sucesos posibles Ar. A..nP\' = (Xt. . p6 t€ y todas ig lógicarnen ente y = 120.os. npp respectivamente. nPz + (xn-npn\z '- nPr t?.. La¡ 20)(t) rentes.2- Si obtenemos una muestra de 120 lanzamientos de un dado honrado. . Nótese que ng en (20\ es la frecuencia obsen¡ada de iraca. Fz . A¿ con probacaso tenemb. p entonces la frecuencia esperada de caras (éxitos) es np : (1OOX1/2) : 50.

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

. ión muestral muy próxima a la distribución no sean demasiaáo pequeñas. A mayor valor de Q mayor es el grado de asociación..rytc (véanse problemas 7. También existe una modificación análoga de (24). El número de filas y columnas de la tabla dg contingencia determina el valor rñáximo de C.ü nPr En general. Una corrección análoga cuando se utiliza la distribución chicuadrado-.L\q 1) si las frecuencias-.220 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP. La corrección consiste en poner (21) coimo sigue "r "pii""uié ¡2 (corregida) = tL\-g!)- !'5Y * !4-grP +.rtt" pr. En COEFICIENTE DE CONTINGENCIA Una medida del grado de relación. ejemplo.. k il por (b) u : (h. (h . como se ha visto en capítulos ant-eriores. Si el número de filas y columnas de una tabla de contingencia es ilrrh ah.6g y 1. se pueden tener tablas h X h X I donde estén presentes 3 chsúicaciones.ráU" de esto véase el Problema 7..L27\. que no es nunca superior a uno.48. el máximo valor de c viene dado por 1frn . . asociación o dependencia de las clasificaciones en una tabla de contingencia está dada por (26) que se llama coeficiente de contingencia. Así por CORRECCION DE YATES PARA LA CONTINUIDAD . ? I estad de Y de es tal (a) v :.62.1F nz si las frecuencias observadas pueden solamente calcularse estimando m parámetros poblacionares con los estadísticos muestrales.7 . la corrección se hace solamente cuando el @s) se conoce frecuentemente como corrección de Yates. Una tripótesis normalmente supuesta es la de que las dos clasificaciones son independientes enhe si. Et númeró áé É dado para h > l. número de grados de libertad es z : 1. Las tablas de contingencia pueden extenderse a un número mayor de dimensiones.t.Los ensayos de significación para tablas h x h son análogos a los de las tablas 1 X k.Cuando se aplican a datos discretos los resultados para distribuciones continuas deben hacerse ciertas correcciones.*!4t_"p_4. Para. Las frecuencias esperadas-son halladgf bajo una determinada hipóteiis llo.esperadas pueden calcularse sin tener que estimar -parámetros ooblacionales con los estadísticos muestrales.L)(k .

1. de otro modo se rechaza y se decide que la moneda no está bien hecha..9642 : 0.10 y nq son ambas mayores de 5.) +'noc.10) 7.58%.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.e la regla de decisión y es igual a 0. se rechaza.I0 Probabilidad pedida : : área bajo la curva normal e¡tíe z: 2(áreaentre z: O y z: -2. Según la distribución binomial.CAP.0358.s resueltos ENSAYOS DE MEDIAS Y PROPORCIONES UTILIZANDO DISTRIBUCIONES NORMALES 7. cuando en realidad es cierta.lO 2.'lóJ /1Yo . pues se habla de rechazar la hipótesis a un nivel de significación de 0. .0.2. 7-2. la hipótesis de que una moneda está bien hecha. está representado por el área total sombreada de Ia figura. (2) de otro modo. la probabilidad pedida es /1\'t0 'oocoo( i) /r \6r' .-210 caras) FiE.0358 del apartado (o).que muestra la distribución de probabilidad de caras en 100 Ianzamientos de una moneda bien hecha. Por esta razón.1O y z: 2./ 1" (.5 caras.5 - 50 = 2.5 en unidades tipificadas = q9'5-:-E 60.1. uo Pueeto que np o-{ffi=['r{ffi=' = _2. . el área total sombreada (es decir. se acepta la hipótesis. \ql . Región de recbace ? El error que se puede cometer de rechazar la hipótesis (39. Si en una serie de 100 lanzamientos sg obtiene una z entre -2. En una escala continua. 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.L0 y 210. la probabilidad de no obtener entre 40 y 60 caras inclusive si la moneda está bien hecha 1 . /1Y. Así. se dirá que esta z difiere significatiuamente de lia que cabría esperar si la hipótesis fuese cierta.5 y 60.tp = 1oo(. 39. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION 22r Problema. Hallar la probabilidad de obtener entre 40 y 60 caras inclusive en 100 lanzamientos de una moneda..0358 6 3.5. Para ensayar (c) Hallar la probabilidad de rechazar la hipótesis.I de la regla de decisión y la probabilidad de cometer este error es igual a 0. -.'| rrx'ti'\r/ /tY' \-/ \-/ \-/ \-/ \-/ La media y la desvi¿ción típica del nf¡mero de ca¡as en 100 hnzamientos vienen dadas por t. entre 40 y 60 caras inclusive es lo mismo que entre 39.0358 en este casc. probabilidad de error del Tipo I) se llama níuel de significación d. (b) Interpretar gráficamente la regla de decisión y el resultado del apartado (c). Entonces la probabilidad de rechazar la hipótesis cuando es correcta : 0./lY' (.en unidadee tipificadas = 60.0358.7-2 z (60. La regla de decisión se ve gráficamente en la Fig. ambos inclusive. puede utilizarse para la er¡aluación de la suma anteriqr la aproximación normal a la distribución binomial.5 . (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. 53 (o) (b) Por el Problema 7..) =. cuando debería aceptarse q el error del Tipo..

en ambos casos se aceptaría la hipótesis de que la moneda está bien hecha.0050 :0.3.96. Entonces. Siguiendo el mismo procedimiento del método segundo del apartado (o ).O. entre 25 y 39 ambos inclusive. np. Diseñar una regla de decisión para ensayar la hipótesis de que una moneda est. el área entre 0 y zr es 0. pues.32. cada6rea sombreada en la Fig. 24. ? (c) Según la regla de decisión.05 y (b) 0. Así.96 < z < 1.Asípues. Se puede argüir que con solo una cara más que se hubiese obtenido.96(4)< X< 32 + 1.99 . 7.96 y 1.76y 32+ -1. Se puede aceptar la hipótesis cuando realmente debería rechazarse como.que también conducea ) obtenerse de la Tabla ?-1.96yñpq lleva a Ia regla de decisión anterior. se habría rechazado la hipótesis. 7-3 es 0.bg (másexacüarnente 2.5) .96 y 1.t6. sería el caso cuando la probabilidad de cara fuese realmente 0. 89.95.96 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.32 y o -= t/iw = y'6llos)(05) = = (X p)/o 4 bajo Ia hipótesis de que la moneda está bien hecha.1.96.96. Si el nivel de signilicación es 0.05. el número de ca¡as se encontrará entre ¡¡ decir.01 . Esto es lo que se debe afrontar cuando para tomar decisiones se toma cualquier línea de división.23-7. Entonces Z la regla de decisión resulta: = (X - 32\14.? en lugar de 0. una posible regla de decisión es: (I ) Aceptar la hipótesis de que la moneda est:á bien hecha si Z está entre -1.O25O : O-4750. es decir. g2-2.222 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.96.5.84. Entonces. se ve que con probabilidad 0. (o) Primer método: Si el nivel de significación es 0.58(4):21.< 1.1.01.96 equivale a .96_ (2) Rechazar la hipótesis en cualquier otro caso.84. -zr Fis.á bien hecha si en una muestra de 64lanzamientos de la moneda se toma un nivel de significación de {c) 0.966X=24.y z¡ : 1.96(4) :24.575).2.96{npq o entre 32 - 1. (i ) Se acepta la hipótesis de que la moneda está bien hecha si el número de 24. Entonces el área entre 0 y zr = 0. cada área sombreada en la figura anterior es 0.96(4).96(4): 1. (2) Rechazarla en cualquier otro caso.960 y ¡J + l.(X-32)14:-1.5000 .7-B 2r Los valores críticos la Tabla 7-1- -1. El error que se comete al aceptar la hipótesis cuando debería decisión.96(4) la regla de decisión anüerior. es decir.(X-32)l¿:1-96óX:39. Para mayor discusión véanse Problemas 7 rechazarse ea error del Tipo 1I de la .1.25.58o y pt*.np: 64(0. Segundo método: Con probabilidad 0. nótese que la media y la desviación típica de la distribución binomial exacta de caras están dadas por ! . SiZ:1.58o. caras se encuentra entre (2) es Se rechazá la hipótesis en caso contrario.025 por simetría.84. es decir. Estopuedetambién - el número de ca¡as se encontrará entre lr 2. (d) Si.84que 32) < 1.96(4)< (x6 32.16<X< 39.960.4950 ! zt = 2. por ejemplo.58(4\: 42.005. 2.1.16 y 39.5i2:-1.5000 0. (b -1.68 y Bz + Entonces la repla de decisión sería: (l) Aceptar la hipótesis si el nfrmero de caras se encuentra entre 22 y 42 inclusive. .96 <(x-gz)l¿. Tercer método: y np+1.

05 pero no al nivel del 0. se concluye que los resultados del experimento anterior wn probablemente significatiuos. puesüo que 32 en una eecala continua está entre 31-5 y 32.S. Entonces el área enüre O y zt = 0.S. Una completa discusión de tales casos requiere l¿ consideración de errores del fipo II (véanee hoblem¿s 7.01. Sin embargo. p es la ptobabilidad de que el sujeto elija conectamente el color de una catta. en lugar de aceptar la hipótesis.05.25\15.4500.06 son no significatiws. se deduce que los reeultado¡ no son significaüuos al nivel de 0. Y zr : 1. es decir. lo que efnificarfa que ee rehuaa cualquier decisión en este caso.05 el individuo tiene fuerza de E. la regla de decisión o enaayo de significación es: (f ) Si la z observada es mayor que 1. entonces se tiene que decidir entre las dos hipótesis siguientes: Si Hoi p: 0. Sin embargo. los resultados significativos al nivel del 0.64: 1.3 que evite el enor del Tipo T? El error del Tipo I[ se c.05.33. .S.P.P. Se elige un ensayo de una cola.06 se debe elegit z1 en la Pig. es decir. (I) ee Adüértase que tealmente debería aplicarse una conección de continuidad.84) que es menor que 2. Seglrn la üerminologfa. 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 ?. 7-4 Puesto que 32 unidades tipifrcadas (32 .98 (ó 1. lo que se hace es simplemente no rechazarla. la media y la desviación tfpica del número de cartas identificad¿c correcüamente 3.01 ¡on altomente significatiuos.01 son probablemente significotiuos.5) = zb ! o=\/wq = /86(05)(-05) = ¡/Es = (a) Para un ensayo de una cola al nivel de significación de 0.54 p=.P.05 y (b) 0. Es desconocido-para el zujeto cuántas cartas rojas o azules hay en el lote.) 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.05 y el indiüduo tiene fue¡za de E.645.6. Fig.P. Si la hipótesis está dado por ff6 es cierta.26)13. Algunos estadísticos adoptan la terminología de que lios resultados significativos al nivel del 0.64:1. la regla de decisión del Problema 7.26').omete al aceptar una hipótesis que debería ser rectrazada. 7.4.cAP. de modo que posteriores investigaciones del fenómeno están probablemente justificadas.5 .23-7. puesto que no se está interesado en la facultad de obtener valoree bajos.5 V el sujeto está simplemente adivinando.5 üiene un valor tipificado de (31. Así por ejemplo. se concluye que al nivel del 0. sino en la facultad de obtener aciertos numerooos. los resultado¡ son totalmente casuales Ht: p ) 0. no significativos al nivel del 0.5) en unidades tipificadas es 1.33. los resultados son significativos al nivel del 0. 31. Asfrpues. (D) Sielniveldesignificaciónes0.Puestoque32(ó 31. mientras que los resulüados significativos a niveles superriores al 0. Para evitar este etlor.98 es mayor que 1.entonceseláreaent¡eOyzt:0. En un experimento sobre percepción extrasensorial (E.5 y el sujeto tiene fuerza de E.01.01.645 los resultados Be deben a la casualidad.5.S.4900Y2r:2.np = 50(0. la decisión rnantiene es decir.ar la hipótesis si el número de caras se encuentra e¡fte 22 y 42 inclusive. Esto puede también eacarse de la Tabla 7-1.3(b) serfa: (I ) (2) No recltzz. Rechazar Ia hipótesis en ca6o contraúo. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 223 7.84 llegándose a Ia misma conclusión anterio¡.645. en muchos ejemplos prácticos es importante decidir si una hipótesis debe eer aceptada o rech¡zada. Si el zujeto identifica conectamente 32 cartas' determinar si los resultados son significativos al nivel de significación de (c) 0. zl (2) Si z es menor de 1.645.

La duración media de una muestra de 100 tubos fluorescentesproducidosporuna compañía resulta ser 15?0 horas.33.6. Asípues.33.01.0322.viacióntípicaop:s/1/i. en este problemapuesto quep(Z > 1.$) : 1AO y " - 7. Denótese porp la posibilidad de obtener alivio de la alergia utilizando la medicina.5).23. Si ¡. Entonces tre las dos hipótesis: se debe decidir Ho: p: 0.S.7. por un período de 8 horas. 3.23: -4. Si se toma el nivel de significación del 0.96 a 1.9)(o. . H1: ¡t* 1600horas Un ensayo bilateral debe utilizarse aquí puesto que g * 1600 incluye valores mayores y menores de 1600. si el área sombreada en la Fig. Ahora 16O en unidades tipificadas (160 . es sobre el 3 por 100. 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. Se tiene que decidir entre las dos hipótesis: Ho. es decir.5(b). lt:1600 hora. Por ejemplo.En una muestra de 200 individuos que tenían la alergia la medicina suministrada alivió a 160 personas. con una desviación típica de 120 horas. la aseveración es legítima y los resultados obtenidos se deben a la casualidad (en cuyo caso Si se acepta 116 ). (a) Paraunensayobilateralalniveldesignificaciónde0.1. algunos estadísticos citan las probabilidades reales inherentes. \/"pq = /?2ooxo. 7.96. altamente significatiuos (véase final del Problema ?. se llama a veces niuel de significación erperimental o descriptiuo. ta probabilidad citada en-este caso 0. Determinar si la aseveiación del fabricante es cierta. (2) Se acepta l/6 (o no se toma decisión alguna) en caso contrario. .05 y (b) 0. (2) En caso contrario. El estadístico bajo consideración es la media muestral X.224 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP.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 . como puede deducirse del koblema 7.01.84):0.l8O)14.9 y la aseveración Se elige un ensayo unilateral. o de la Tabla 7-1. El fabricante de una patente médica sostiene qu€ la misma tien'e un 9O% de efectividad en el alivio de una aler_gia. mediante la simetría de la curva.r es la duración media de todos los tubos producidos por la compañía.P. puesto que Ee esüá interesado en determinar si la proporción de gente aliviada por la medicina es demasiado baja. entoncegz¡ : -2.01 . 7-5 es 0.33 (en cuyo caso se rechaza H¡).s. La distribución muestral de X tiene una media r¿x-Éyunades. 7 Puesto que los niveles de significación sirven de guía en la toma de decisiones.. que es mucho menor de -2. comprobar la hipótesis ¡¡ : 1600 horas contra la hipótesis altemativa r¡ # 1600 horas con un nivel de significación de (a) 0. 7-5 toma como regla de decisión: (1) La aseveración no es legítima si Z es menor de -2. Se zl Fig.r¡ = a.9 y la aseveración es correcta es falsa Hy: p10.dondegvoscnlamediayladesviacióntípicadelapoblación de todos los tubos producidos por la compañía.

33.01 eI valor de z1 en la Fig. Para ensayar esta aspiración.58 a 2.s frente a la alternativa horas.96 a 1 . Debe aquí utilizarse un ens¿ryo unilateral (véase Fig. . se acepta Ile (o no se toma ninguna decisión) al nivel de sfinificación del 0.96 en la regla de decisión del apartado (c) se sustituye por -2. se rechaza pues.1600y12 : -2. De aquí se deduce que los resultados son olúamente significatiuos y Ia aspiración de mejora debe ser admitida.7(b) mediante un ensayo bilateral. y realmente no hay cambio en la resistencia 1800 libras.33 los resultados son significativos al nivel de 0.cAP.1600)/12 : (L570 .645.33.9.8.96 a 1. laregiónsombreadadelaFig.01? Se tiene que decidir entre las dos hipótesis: Ho: lJ: Ht: lt > 1800 libras.01 la regla de decisión es: ) Si eI valor de z es mayor que 2. Al nivel de significación del 0.F/0 (2) De otro modo.01. (2) S. Adviértase que esta decisión es la misma que la obtenida en el Problema 7. (1 Hs si Z es menor de -1. puesto que z -2. 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.05. por tanto la regla de decisión: -L. con los niveles de significación de (¿) 0. Esto cabe. Entonces. Puesto que / : (X .7. y hay un cambio en la resistencia Aquí debe emplearse un ensayo unilateral (véase Fig. II1: ¡t{ 1600 horas. se tiene X-p ol\n 1850 .50 se -l . en efecto.7(a) mediante un ensayo bilateral.05. basadas en ensayos de una o dos colas. 7-4). se tiene g : 1600 y o* = a/t/n = 120/\/L00 = 12. 7-5). se ensaya una muestra de 50 cables y se encuentra que su resistencia media es de 1850 libras. puesto que se ensaya I/6 conha una alternativa diferente en cada caso.01. utilizando la desviación típica muestral como una estima de o. (a). ¡. hay un aumento de resistencia al nivel de significación del 0.58. ) (2) Se acepta. el valor de e es -2.645. Bajo la hipótesis de que (I es rechazada. I/e es cierta. Como en el Problema 7. /ls al nivel de significación del 0. el rango -1.1800 -------------ó.50.01. (a) Sielniveldesignificaciónes0.T-Stieneunáreade0.05 y (b) 0. acepta H6 (o no se toma ninguna decisión) en caso contrario.01. no están siempre en concordancia.33. que es menor de -2. naturalmente esperarse.01 y. Mediante una nueva técnica en el proceso de fabricación se aspira a que esta resistencia pueda ser incrementada.05. fle al nivel (b) Si el nivel de significación es de 0.645.50.33. Las decisiones concernientes a hipótesis'lfe dadas. Se ¡ecltaza 7 .7 Como en el Problema de significación del 0. ¿Puede mantenerse que.50 se encuentra dentro de este rango.oo loo/v5o que es mayor de 2. Ilo es aceptada (o no se toma decisión alguna). que es menor de -1 . En el Problema 7. Se debe < 1600 decidir entre las dos hipótesis: Ho: lJ: 1600 horas. ensayar la hipótesis p : 1600 hora. se rechaza /16 al nivel de significación del 0.7(a).Ff6 (o no se toma ninguna decisión) en caso contrario. De aquí que se adopte la regla de decisión: (I ) Se rechaza H¡ si Z es menor de -2. el valor de z es -2.0Sysetieneque zt : Se adopta. 7. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 226 eneuentra fuera del rango Bajo la hipótesis I/6. Adviértase que esta decisión es idéntica a la obtenida en el Problema 7.¿ 7.9 6. se rechaza pues. 7-5 es -2. ' (b) Si el nivel de significación es 0.

Se debe decidir entre las hipótesis: Ho: llt : H t: Ft ) Bajo la hipótesis. mientras que en la segunda clase la puntuación media fue de 78 con una desviación típica de 7. Para un ensayo bilateral.El6 . En la primera clase la puntuáción media fue de 74 con una desviación típica de 8. z ENSAYOS RELACIONADOS CON DIFERENCIAS DE MEDIAS Y PROPORCIONES 7.606 donde se han utilizado las desviaciones típicas muestrales como estimas d.05. Enton- Bajo ferencia de medias están dadas por Ho: ltt : llz.645.hay una diferencia significativa entre las dos clases la hipótesis lls.05 pero no al de 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. es decir. Ensayar la hipótesis de que los estudiantes que participan en las pruebas atléticas son más altos que los otros.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 0.01? ces.5 pulgadas con desviación típica de 2.96. - l"? .01 no hay diferencias significativas entre ambas clases. ! la diferencia se debe simplemente al azar H t : Pt * ¡t2 . !40*50 = 1. ambas clases provienen de la misma población.la estatura media del primer gtupo ^o hay diferencia entre las estaturas mediases mayor que la del segundo ur?. La media y la desviación típica de la di- uir-i. I vez cada 10. "Z= l8r. se rechaza la hipótesis lls si el valor de z fuese mayor de 1.10 si se está dispuesto a correr el riesgo de tomar una decisión errónea con una probabilidad de 0. p2 . 7. = 1# = -2. ft1 "8. Se hizo un examen p dos clases formadas por 40 y 50 estudiantes respectivamente. mientras que 50 estudiantes que no mostraban interés en tal participación tenían una estatura media de 67.lp.2 pulgadas con desviación típica d. ltz . los resultados son significativos al nivel de 0. se deduce que los resultados son probablementesignificatiuos.5. los resultados son significativos al nivel de 0.05.58. La estatura media de 50 estudiantes de un colegio que tomaban parte en las pruebas atléticas fue de 68. n2 = 0. = o*r-fr.e 2.8 pulgadas.0ó hay una diferencia significativa entre las dos clases y la segunda es probablemente mejor.4s Puesto que los resultados scin significativos al nivel de 0. De aquí se deduce que al nivel de 0..5 pulgadas. ?. De aquí se deduce que al nivel de 0.11.-*. (b) 0.10. de acuerdo con la terminología utilizada al final del Problema 7. Debe sin embargo ponerse de manifiesto que la hipótesis puede rechazarse al nivel de 0. Así pues. Entonces z= (a) (ó) Pata un ensayo bilaüeral.05 si Z se encuentra fuera del recorrido -1. =o n*r-rr"= "? .10. no se puede rechazar la hipótesis a este nivel de significación. .58 y 2.01.96 a 1. ¿Hay una diferencia significativa entre el restfltado de las dos ciases al nivel de significación de (a) 0. = o n*r-'^" = !t-".e o1 y o2.01 si Z se encuentra fuera del iritervalo -2.226 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [g.

"io" dos grupos per- o*r- *. Se encuentra que en los grupos Ay 8. Denótese por P utiliza¡ suero. ¿En cuánto deberíán incrementarse los tamaños de muestra de cada uno de los dos grupos en el Problema 7.r. . Entonces ry- en los dos grupos muestrales el valor (?5 * P.645. urr-r'. Ensayar la hipótesis de que el suero ayuda a curar la enfermedad al nivel de significación del (a) 0. = o o..05.05 si Yif-t'uou (b) La diferencia observada ó 1/-n=8.#) = 0.tt d \/a>r2.75 n .54 (c) De acuerdo con un ensayo unilateral al nivel de significación del 0.II para que la diferencia observada de 0.CAP. bajo la hipótesis tiI6. siendo en todo lo demás los dos grupos tratados idénticamente.8 í¡ n>78 50 Así pues.L2."2 nn (2.7 pulgadas en las estaturas medias sea significativa al nivel de significación (o) 0. el suero no es efecüivo Ho: Pt : Pz.01.01 si : 28 al menos. padecen una enfermedad.y el suero es efectivo Bajo la hipótesis 116.09 3. De donde se deduce que a este nivel tambiénlas diferencias se deben al azgt. 0.10 se rechazaría f/e solamente si el valor de z fuese superior a 1.t.10. (b) 0.75/\n 0. se tiene . (a) o.r-r.05. (c) 0:10. 14. Se debe r! p2. respectivamente las proporciones poblacionales curadas ( I ) utilizando el suero .650 0. deberá incrementarse el tamaño de cada grupo en ?8 será significativa al nivel de 0.13. pero no al grupo B (que se llama gtupo control)./" Para la diferencia de 0. H t : pt ) pz. (b) 0.54.?50 - = 1. = 0 V p".zt. Dos grupos A y B fo¡mados cada uno de 100 individuos.ebr(-#.0648 ro. = p de curas 0. Entonces. se r*}lrazaría lahipótesis1116 solamente si z fuese mayor de 2.zorro.5 ó t57 n>1b? 50 De aquí que se debería incrementar cada muestra en al menos : lO7 .01? Supóngase que el tamaño muestral de cada grupo eB n y qLe las desviaciones típicas manecen iguales a las de antes. 7. (2 ) sin decidir entre las dos hipótesis: es decir. Se administra un suero al grupo A.70 y donde q : 1 p : 0.7 observada en las estaturas medias se tiene xt .xz 4 .05.0648 donde se ha utilizado como estima de la proporción 65)1200 : 0. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION 227 7.01. = o?. se rechazaría la hipótesis IIs solamente si z fuese mayor de 1.o*r-*. ui'!!=r.75 y 65 individuos.7\n 3'75 La diferencia observada será significativa al nivel de 0.ir_*. respectivamente se han recuperado de la enfermedad.30. Puesto que el valor de z es 1. (ó) De acuerdo con un ensayo unilateral (c) Si se utilizase un ensayo unilateral al nivel de significación de 0. al nivel de significación del 0.5¡z ¡ ". se deduciría que el suero es efectivo al nivel de significación de 0._P" orr.l las diferencias observadas son debidas al az.33.28. se debe deducir que los resultados se deben al azar a este nivel de significación. Puesto que esta condición es satisfecha.7 3.

Bajo la hipótesis ^FIe. se debe decidir entre la hipótesis (Ho : P t : pz\ y (Ht : P t * pz). se compone de 300 individuos y si se curan 225 i* : 0. Denótese por pr y p2 las proporciones de todos los votantes de los distritos A y B. se puede deducir que el suero no ayuda cuando realmente sí lo hace (error del Tipo II)Tal decisión es muy importante especialmente si hay vidas humanas en juego. Sin embargo. que son las mismas del problema anterior. (¿) Si solamente se desea determinar si hay diferencia entre los distritos. z Adüértase que las conclusiones anteriores dependen de lo que se esté dispuesto a arriesgar de tomar una decisión erróneá.-t'r= se ú'G.96a1.195y600:0.750 y 195/300 Adviértase que en este caso la proporción de gente curada en los dos grupos son 225/300 : 0..480 = -0^0456== nivel.Puesto queZ:1. En tales casos.P" = rrar.zol ro. se debe decidir entre la hipótesis (f/e ).750 = ro. _ 1. Entonces = 0 or.14.t 0. = ú(¡D=@=00456 f(0. ?.6b0 respectivamente. se rechaza É16 a este nivel y se deduce que el candidato es preferido en el dis' trito A . se rechazaría Hs si Z estuviese fuera del in' tervalo-1 .0374 .15.?S. Por otro lado." 0.13 si cada grupo dividuos del Grupo. .. se puede rechazar la hipótesis al nivel de significación del 0. que se estudia con un ensayo unilateral. Este es un riesgo que nb siempre deseamos suponer. que están a favor del candidat<¡. Al nivel de significación del 0.70 utiliza como estima dep. Esto muestra cómo al incrementarse el tamaño de la muestra aumenta la seguridad de las decisiones.01 de equivocación.05 ensayir la hipótesis de que (o) haya diferencia entre los distritos. estaban a favor de un candidato dado.528 = z - P. z=ñ= - = 2. Entonces 0. Si los resultados se deben realmente aL azar y se toma la decisión de que son debidos al suero (error del Tipo I). en muchos casos es imposible el aumentar el tamaño de la muestra. que se estudia con un ensayo bilateralCon un ensayo bilateral y al nivel de significación del 0. Co¡r un ensayo unilateral y al nivel de significación del 0. Puesto que éste es el caso. respectivamente.05 se rechaza H¡ si Z fuese mayor de 1. .0374 P. 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. Una muestra de 300 votant€s del distrito A y 2O0 del distrito B mostró que el 66% y el 48% respectivamente. Bajo la hipótesis (Ho: pt:pr ) se tiene l¡. es decir.01.sol( r*-L * r*-L ) : 0.48)(200)l/500:0. se está forzado a toma¡ decisiones en acuerdo con la información utilizable y asÍ se tendrá que correr mayor riesgo de tomar decisiones erróneas.encontrándosedentrodelintervalonosepuedetechazatH¡ a este (b . l'pr-pz = donde (225 0 ú¡'.96. se puede proceder a dar el'suero a grandes grrlpos de gente solamente para obtener entonces que realmente es inefectivo.228 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.56)(300) 0. decir.645. (b) el candidato sea preferido en el distrito A.05.650 0.zt y 195 del grupo B.528 l'75 y 1-0.0.33.472.-P.560 dondesehautilizadocomoestimadepyqlosvalores +(0. Solucionar el Problema 7. ?.67 es puesto que el valor de z es mayor de 2.. se deduce que el suero es efectivo con solo una probabilidad de 0.

g.F/e en caso contrario. 7. y la afirmación del fabricante está justificada es falsa 1 : ¡t 1 8000 libras. se rechaza Puesto que ?: 3.05 .05. se adopta la regla de decisión (1) (2) Se acepta f/¡ : si ? es mayor de -f. .É16 elr cáso contrario. (b) 0. Se rechaza. á ú. se rechaza ffs .cAP. ¿Se puede admitir la afirmación del fabricante aI nivel de significación del (a) 0. -t/n- t = 9!$-.01? Se tiene que decidir entre las hipótesis Ho:.050. lo cual para 10 libertad es eI intervalo -2. que para 6 Se rechaza. y la afirmación del fabricante de modo que se requiere un ensayo unilateral.36. Puesto que T = -3. se adopta Ia regla de decisión (l) (2) (b Seacepta116 si ?esmayorde -ú.26.003 pulgadas.4!9 ú0 -t -_. ABI sería aconsejable comprobar la máquina o al menos toma¡ otra muesha. Un ensayo sobre resistencia a la rotura de 6 cuerdas fabricadas por una compañía mostró una resistencia media de 7750 lb y una desviación típica de 145 lb mientras que el fabricante sostenía que la resistencia media de sus cuerdas era de 8000Ib.26 a 2. Puesto que ? -B .un.050 pulgadas. Se rechaza -1 :9 gradosde lls en caso contrario. se acepta. En el pasado una máquina ha producido arandelas con un grosor de 0.i6= = -8. -1:5 gradosdelibertad da ?) -2.F/6 eri caso contrario.. y la máquina de modo que se requiere un ensayo bilateral.F/s. que resulta tener un grosor medio de 0.86 . se dice que lamuestraresultaproboblemente significatiua (véaee la terminología del final del Problema 7 .01.00. se encuentra en buenas condiciones no se encuentra en buenas condiciones Bajo la hipótesis (o H¡ se tiene .01 .01 se adopta Ia regla de decisión: (I ) (9) Se acepta . y la máquina Ht: P + 0. Se desea decidir entre las hipótesis Ho: lt:0. : ) Para un et¡sayo unilateral al nivel de significación del 0.25. Ya que se rechaza lls al nivel 0.00.16.Efs al nivel 0.05.01 .05 pero no al nivel 0. Bajo la hipótesisae se tiene (o .L7¡"- 1= ?l|'!-_99rnJ . I/6 al nivel de 0.05. H lJ: 8000 libras.050. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION Ú ENSAYOS RELACIONADOS CON LA DISTRIBUCION DE STUDENT 7. ) Para un ens¿ryo bilateral al nivel de significación del 0.05 se adopta la regla de decisión: (I) (2) (ó) Se acepta fle si f se encuentra dentro del intervalo-f cz¡ a f e75.25 a 3.01. = 4---f.01.ee.6). .053 pulgadas y una desviación típica de 0.86. Para un ensayo bilateral aI nivel de significación del 0.f. : ) Para un ensayo unilateral al nivel de significación del 0. Se rechaza. (b) 0. se toma una muestra de 10 arandelas. : 9 grados de liber- Puesto que ?: 3. Ensayar la hipótesis de que la máquina está en buenas condiciones de producción al nivel de significación del (o) 0.o. Para determinar si la máquina sigue en buenas condiciones de producción. que para 10-1 tad es el intervalo -3. que para 5 grados de libertad da 7') -3.86.F/6 si ? se encuentra dentro del intervalo --f.00.17. se rechaza . Se deduce que la afirmación del fabricante es extremadamente improbable que esté justificada.ee5.

85 Con un ensayo unilateral aI nivel de significación del 0. la mitad de ellas fueron tratadas con el fertilizante y la otra mitad no (grupo control).01. mientras que el L Q.01.05. .8 fanegadas con una desviación típica de 0. de los dos grupos al nivel de significación del (o) 0.01. (cociente de inteligencia) de 16 estudiantes de una zona de una ciudad dio una media de 107 con una desviación típica de 10.1 - 4. mientras que la media en las parcelas tratadas fue de 5. n1*n2-2 "=!ffi (a) I 12(0.18.51. eue para 28 grados de libertad es el recorrido -2. donde nrsl + n252. Así pues. lo cualpara n1 * nz .05. no se puede rechazar Se deduce que no 116 al nivel de significación del 0. Q.ffi + 12(0-36)2 t/". Así pues. ? ?.ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. y (b) 0. hay diferencia significativa entre el I.16 + 74 . "t/U"t+ Y"2 donde o - n. En una estación agrícola se deseaba ensayar el efecto deun determinado fertilizantn sobrela producción de trigo. T= Entonces xt- X.05. no se puede rechazar. sé rechazará Ia hipótesis f16 si ? fuese mayor que ú.05? Si se denota por ¡l-. (b) Con un ensayo bilateral aI nivel de significación del 0.44\/ l/16 + l/t4 = 1. Q..S! + nrS! n1 -ln2-2 Entonces t6+L4-2 =9.3s7\n/12 + Urz = 1. Así pues.y hay diferencia esencial entre los grupos Bajo la hipótesis lls.y la diferencia se debe al azar H t: pt ) tt1. 7.O5 a 2.8 0. ¿Hay diferencia significativa entre el I.01. T- xt-x.45 (¿) Con r¡n ensayo bilateral al nivel de significación del 0.01. Todas las demás condiciones fueron las mismas. de los dos grupos.ctsa ú e75. se eligieron 24 parcelas de terreno de igual superficie. tiene que decidir entre las hipótesis se Ho: lt : ltz. a ú.44 y T= ltz - t07 9.19.1 fanegadas con una desviación típica de 0. de los estudiantes de las dos zonas. Q. La media de trigo conseguida en las parcelas no tratadas fue de 4. El I.2 : 72 + t2 .2: 28 grados de libertad es el recorrido -2.76. ¿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. se tiene que Ho: lt : ltz ! no hay diferencia esencial entre los grupos Hti ltt =* tlr. "tf. Para ello.2 : 22gradosde libertad es 2.Ef6 al nivel de significación del 0.?6 a 2.40 fanegadas. de 14 estudiantes de otrazona de la ciudad dio una media de 112 con desviación típica de 8.36 fanegadas. y ¡r2 las medias poblacionales del decidir entre las hipótesis I.2:.ee. se rechazará Hs si T se encuentra fuera del recorrido -t. no se puede rechazar É16 al nivel de significación del 0.ee5. eue para n¡ I nz . respectivamente.4012 =o'397 v T= 5. Q. se rechazará la hipótesisl{6 si ?se encuentra fuera del recorrido --t r¡g¡.y el fertilizante incrementa la producción Bajo la hipótesis I/6.

sr.01. se rechazará. y cualquier va¡iabilidad observada se debe al azol Íi1: o1>.cAP. en una asignatura específica. y la variabilidad se ha incrementado El valot de 12 para la muestra €8 X2 : nsz/sz :20(0. se rechaza. vemos que tampoco podemos rechazar. se rechaza . Una muestra aleatoria de 20 paquetes dio una desviación tipica de 0. ya que Ad F( F . = E = *n@ = r.EIe al nivel de vel de significación del 0. sz :12 de modo -que G? = .e5.É16 al ni- Se deduce que la variabilitlad se ha.Z5l2 = 82.25 onzas. A y B.01. En el pasado la desviación típica de los pesos de ciertos paquetes de 40. Así puee. muestras en cuestión. ENSAYOS RELACIONADOS CON LA DISTRIBUCION ¡' 7-2L.ee : 2. ¡12 fuese mayor- Mediante un enaayo unilateral.1 para v : 20 . sería deseable tener alguna prueba más.!4 = '*rrrr'= 1Eo Hay que decidi¡ entre las dos hipótesis : o ¡ = o2.01 si el valor muestral de pues. que ás igual a 36.8. LaclaseA tiene lGestudiantes en tanto que la clase B tiene 25 estudiantei.nn no podemos techazar ff6 al nivel 0.0 onzas.Alnivel 0.05 y (b) 0.25 onzas. (o) (b) Mediante un ensayo unilateral.EI6 al nivel de significación del 0.05.?0. f ( F.01.74 eí Entonces. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 237 (ü) Conunensayounilateralalniveldesignificacióndel 0.tá h.25 onzas..05 que la variabilidad de la clase B es mayor que la de la clase A? (o) Tenemos. no se rechaza.05. ¿Podemos concluir al nivel d-e significación del (c) 0. Entonces. sr g.máqlLlina era de 0.4. Sin embargo antes de sacar conclusiones definitivas referentes a la conveniencia del fertilizante. p.05.06. 4 = . ¿Es el aparente incremento de va¡iabilidadsignificativa al nivel de signifióación del (a) 0. Vz:26-L=24. y los resultado¡ observados se deben alazar H 1 : o > O . 24 grados de libertad (véase Apéndice F). lo cual para22 grados de libertad esL. pues. probablemente incrementado. El número de grados de libertad para las clases son respectivamente rr¡ :16-1:lb.LL para 15.05 Si el valor de X2 muestral fuese mayor 9ue x?gs. se rechaza ^Ef6 al nivel de significación del 0. Se deduce que el incremento en la producción de trigo alttilizar el fertilizante es probablemente significoúiuo. empleando eubíndices 1 y 2 para las clasee A y B respectivamente. (b) 0. ENSAYOS RELACIONADOS CON LA DISTRIBUCION CHI-CUADRADO 7.72. En el mismo examen._Lr'? = if Itr¡ (e)2 = 86.32 on?T.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.Por tanto . 9tt" 4'rn. Y deberá efectua¡se una revisión en la máquina.2 para 19 grados sig de I O.la clase A tuvo una desviaóión típica de 9 en tanto que la clase B tuvo una desviación típica de1'2. llenados por una. aunque no hubo diferencia significativa en medias de las calificaciones.32)2/(O. F. .er:z.8g. Así.01 paraZ¡ = L5.Ffs al nivel de significación del 0.01? Hay que decidir entre las dos hipótesis: Ho: o :0.oz. Un instructor tiene dos clases.v2 = 24 tenemos del Apéndice F. que es igual a 30.serechazarálahipótesisfl6si?fuesemayor que ú. (b) Ya que f'.ltle al nivel 0.1 : 19 grados de libertad.

7-6 Si la probabilidad de cara es p : 0. con la regla de decisión dada hay un gran riesgo de aceptar la hipótesis de que la moneda está bien hecha cuando realmente P : 0.2L si existe una diferencia significativaenla media de las calificaciones de las clases? Justificar su solución. 7-6. rOalculada en el Problema 7.5 en unidades tipificadas = 39.23. (b)p : 0.22. ¿Canbiarían sus conclusiones en eI ProblemaT.0192 Así.90 4. cuando realmente P : 0.ó y 60.4) = 4.O1). sino solamente si hay una variabilidad en las calificaciones. Puesto que la media real de las calificaciones no se usó para nada en el Problema 7 .6. está dada por el área rayada p de la iigura.7)=70 60.18 Entonces 9: área bajo la curva normal entre z : -4.7 (es decir.5 p=o. la media y la desviación típica de la distribución de caras vienen dadas por !=np=(100X0. En la práctica se pue' den presentar otras dos posibilidades: (I ) Se decide sobre c (tal como O.5. Con referencia al Problema 7 .5 en unidades ' = : r/"pq 60. probabilidad de error del Tipo II).3) = 4. (a) Sip : 0.99 60. esta á¡ea d. probabilidad de error del Tipo I) viene: dada por el área toüd c de la región sombreada ba.102 -4. es igual a 0. CURVAS CARACTERISTICAS DE OPERACION 7.9' (d) P : O-4.5405 Asi pues.6)(0.5 4.58 = 70 y'6oo)(oJ)(0.24.7 39 5 caras 60.2 es decir.? . número de caras en 100 lanzamienüos se encuentra entre 39. ?-6.6. pues. con la regla de decisión dada hay muy poco riesgo de aceptar la hipótesis de que la moneda eetd bien hecha. llegando a una regla de decigión (2) Se decide sobre Q y P y después se llega a una regla de decisión.18 yz : O. se acepta cuando el p = 0.66 to'l. . (c)p :0.O5 ó O. Esto es de esperarse ya que no estamos tratando de decidi¡ si hay una diferencia en las medias de las calificaciones.0358.232 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP.6. Solucionar el Problema 7.5 en unidades 39.8.¡O tn Entonces I: áteabajo la curva normal entre z --6'66 y z -2-O7 : 0.07 -6. entonces la distribución de carag en 100 lanzamientos eetá representada por la curva normal de la derecha en la Fig.5 4. En el diagtama se ve claramente que la probabilidad de acepLr . ¿cu6l es la probabilidad de aceptar la hipótesis de que la mohecha cuando la probabilidad real de ca¡a es p : Q.6)=60 ú = lnpq = 60.2(ol. que representa el nivel de significación del ensayo de lfe.90 V(100)(0.tO2: 0.Efs cuando realmente p : 0. Para calcular esta área se obeerva que la distribución bajo la hipótesisp : 0.5 39.7.5 caras Fig. ?.? tiene una media y una desviación típica que Bon dadas por p=np=(100)(0.6 p-0.5 en unidades tipificadas = - 60 60 = = 0.jo la curva normal de La izquierda en la Fig. La probabilidad de rechazar Ffe cuando debería aceptarse (es decir.J? neda está bien La hipótesis ff6 de que la moneda está bien hecha.7 7.2L no inüeiresa su¡ valoree. Adviértase que en este problema se tenía la regla de decisión de la que se obtenfa c y p.23 si (a)p:0. y después se calcula p.58 tipificadas = üipificadas - = = : -2.

0192 0.8.8 0. Nótese que p representa la probabilidad de aceptar la hipótesis p : 0.? 0.4 0. 1c) Comparando con (b) o por cálculo.0358 :0.0000 0. La Tabla 7-3 muestra los valores de p correspondientes a valores dados dep.5 0.9: 0 pa¡a todos los propóeitos prácticoe.0 0.24 construyendo un gráfico cuyos ejes sean (a\ I y p.3 0.5 cuando realmente p tiene un valor distinto a 0.8 0.5405.8 0.5405 0.9 0. Be ve que sip = 9.9./nW= 60.enüoncea p=np = (100)(0. si realmente'p : 0.5 se puede interpretar p como la probabilidad de acepoar p : 0'5 cuando debiera ser aceptado.6 0. p ee muestra en la Fig.9 0. (b) Sip=0.09ó8 al nivel de significa- En general. 7..6 0. Interpreta¡ los gráficos obtenidos.eedecir.8) = 80 y o=.7 0.6 0. 7-1. . 7-z (o) El gráfico p.3 02 0.t"p:0.cAP.(a).0000 0.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION y'(100X0-S)(0¿) 233 =¿.9642 y ha eido introducida en - L-p 1. Sin embargo.6 0.0 0.12 p: área bajo la curva normal entre z : -10.6.1 0.p:0.88 -10. comolorobtenidosenlosProTabla 7-3 p B 0.0000 0.se gla de la decisión o enoayo de hipótesis.0000 muy aproximadamenüe.6 en unidadeb tipificadas Entonces = ry = q9? : = = -4. blemas7.1 0 0 (a) (D) Fig. Esta probabilidad es igual a 1 0.88 = 0. el apuntamiento mayor de la curva OC es la mejor regla de decisión pa¡a techazar hipótesis que no son válidas. (d) Porsimetríap = 0.1 06 0{ 0.4 0.12 y z -4.24.5405 0.9642 0.2 0. llama curua carocterísüca de operación o curva OC de la re- la di¡tancia del punto máximo de la curva OC a la línea p ción del e¡rsayor : I es igual a a : 0. Representar gráficamente los resultados de los Problemas 7.5.23y 7.5 en unidades tipificadaa 39.3 0.0000 la Tabla 7-3.9 1. (b) ( 1 p ) y p.0192 0.23y7.25.4 da el miemo valor deÉq.2 0.

Razonando análogamente a como se hizo en el Problem¿ 7. ¿cuál es la probabilidad de aceptar el proceso primitivo cuando en efecto el nuevo proceso incremente la resistencia media a. La cantidad p se llama tambiénfunción caructerístico de operoción de un ensayo.00 = 0.0 libras. se puede hdla¡ p para loe caeor en que el . Se acepta ^Éfs en caeo contra¡io.P).33. i 800 *sz.26(br.01. y el nuevo p¡oceso es mejor que el primitivo se un ensayo unilateral d nivel de significación del 0. 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. Para hallar su valor nótese que 307.0 tb 307 tb 3r0 lb -1. Si ción (a) ! es la resistencia media. es decir.7-9 = iren. X>300+3(2.27. que debieran ser rechazadas. (b) Bajo la regla de decisión adoptada en (a).0 lb.J = 't. H t : ! -. p ¡e muestra en la Fig. de aquí que A - 310)/3 = Fig. suponiendo que la desviación típica de las ¡esistencias se mantiene en z4libras. puesto que indica la aptitud o potencb de un ensyo para rechazar hipóüesie que son falsas. (c) Diseñar una regla de decisión para rechazar el proceso primitivo al nivel de significación del 0. Se cree que mediante un nuevo proceso de fabrica- puede inc¡ementarse la resistencia media. Constmir (a) una curva OC v (b) una cun¡a de potencira para ei Problema 7. 7-9. Una compañía fabúca cuerdas cuyas resistencias a la rotura tienen un valor medio de 300 li bry" y una desviación típica de 24libras. ? ) E gráfico (1 . Considérense las doe hipótesis (Ho: bras) Las distribuciones de las resistencias medias correspondiente¡ a estas dos hipóteeis se repreeentan. 7. bajo la curva normal de la derecha a la izquierda de z dect. es 7. respectivamente con las distribuciones normales de la izquierda y de la derecha de la Fig.33.01 si se pone dé manifiesto qu¿ debe rechazarse al ensayar 64 cuerdas. ae quiere decidir enhe las hipótesis: Ho: U: Ht: ! ) Pa¡a 300 libra¡.00.33) =30?. y el nuevo proceso es igud que el primitivo 300 libras. Esta curva ae obtiene ¡encillamente invirtiendo la curva OC.26.Enton= "lr/ñ 24/\/u Así. I¡ cantidad (l . (2) Se'aceptqlfq pue¡to 'que z = cessi Z>2. de modo que realmente ambos gráficoe aon equivalenüee.310 libras es cierta. *r.26.e potencia.234 (D ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.0 libras en unidade¡ tipificadas : 300 (307. Esta es Ia probabilidad de aceptar Ho: ! : 300 libras cuando realmente es la probabilidad de comeüer error del Tipo II. ?-8): (t ) Se rechaza lle si la e de la media de resistencia muest¡al es riayor que 2. ¡e llama curua de potencio de la regla de decición o ensayo de hipótesis. y (Ht: tt: 310 libras). 7 -7 (b). en caso contrario. la regla de decisión anterior se convierte en: (I ) (2) (ó) Se rechaza 116 si la reeistencia media de 64 cuerdae excede a 30?.9qo. 7-9.310 libras? Supóngase que la desviación típica se mantiene en z4libras. tiene la siguiente regla de decigión (referenüe eon la Fig.158?. : -1.p) ¡e llama a menudo función d.

6 0. ya que lae dog curvag eon esencialmente equivalentes.0 . (¡) U probabilidad de aceptar la hipótesis cuando realmentep difiera de 0.9 0.1 p (lb) 300 300 3to 3t5 (o) (ó) Fig. se ha puesto Denótese por n el tamaño de muestra pedido y por ¡ el número de caras en los n lanzamientos. Por ejemplo.05. y de aquí - 396 librae.05.0038 320 0. Tabla 7-4 tt 290 1.7 0.6?. por encima del cual se rechaza la hipótesis de que p : 0.cAP. p > 0.9900 L1.0000 300 305 0.?4Eo De esüa forma se obtiene la Tabla 7-4. 7-11 se tiene: .0 B 0. p : 0.1687 316 0.6? : 0.7-11.5.5) mediante un número de lanzamientos de la moneda. la restricción (A) impuesta requiere que la probabilidad de error del Tipo I sea a lo sumo c : 0.5 0. límite al riesgo de error del Tipo I Por ejemplo.305y9 = 0. De la Fig. AquÍ y Tipo II.1 0. en- 9: i¡ea bajo la curva normal de la derech¡ a la izquienda de z :0.l (excepto para el nivel de significación del 0.7-10(b).7486 3r0 0. ?-10(o). ri ¡r tonces 307. Eeepués. La eituación planüeada se ve gtáficamente en la Fig.0000 p 0. (b) La curva de potencia se ve en la Fig.5 en 0. Determinar el tama¡1o mínimo de muestra necesario y enunciar la regla de decisión resultante. Para ensayar la hipótesis de que una moneda está bien hecha (es decir. mientras que la restricción (B) requiere que la probabilidad de error del Tipo II eea a lo sumo 0 : 0. etc.7-r0 (¿) La curva OC se muestra en la Fig.8 o. es piácticamente. de modo que no hay probabilidad de aeguir con el proceeo primitivo cuando la media de resistencia es mayor de 316 libras. sepuedenobtenerdeellalaomismasinterpretacionesque de la curva OC. si el nuevo da una resistencia menor de 300 librar.2 0.0 libra¡ en unidades tipificadas: (307.1 o más (es decir.4) debe ser á lo sumo 0. 315 librae.05.28.05.0000 296 1.01 cuando el nuevo proceeo da una media de 800 librar). 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 235 nuevo proceco da un¡ resistencia media ¡r igual a 306 librar. se desea imponer las siguientes restricciones: (A) la probabilidad de rechazar la hipótesis cuando sea realmente conecta debe ser a lo sumo 0.6 6 p f 0. la curva baia ró- pidamente hacia cero. En esta curva 6e ve que la probabilidad de seguir con el proce' so primitivo. 7..¡ o.

564 y 0.025. ¡- np :1-77 - 159. automáticamente tomarÍamos como 0.236 ENsAyos DE Hrpornsls y sIGNIFrcAcroN lcAP.008 pulgadas. pueden igualmente determlnarse otros lfmiües de confianza.0.6 a la izquierda ae es 0.5. es 0.Saladerecha a" 7 (9) El área bajo la curva normalp 09" O.seeigueque I se encontrará entre (0.6 r¿ * 0. 7'l2.674. dentro del intervalo 0. tales como los límitee d'el 99% o d. e¡ decir.5\/n De 0.584 pulgadasi ee supone que la máquina es a- (2) De otro modo. (2) es una cantidad muy aproximada.. ..524 * Puestoque De aquí que la regla de decición eea como sigue: (l ) Si la media muestral decuada para el trabajo pedido.4r rtñ- (n.x :177. el procelo está bajo control. Se sigue que el tamaño de la muestra debe ser al menos 31g.5 en caso contrario.5 : .73% de O.806y'-n es De (3) y (4). Los límites de control determinadog anteriormente se llaman límites de confianza del gg.49{n vnpq = '--. la moneda al menos B1g veces. hay la posibilidad de que falle algo y se precisa una invesüigación del posible fallo. Así pues.egla de decisión mediante la cual se puede estar razonablemente cierto de qúe la calidad del producto esüá de acuerdo con las noÍnas requeridas.05.008yn=6.05 o menos cuando p tiene cualquier otro valor por fuera del recorrido 0.el 95V".6n 0. 7 0. ? (f.) Eláreabajolacurvanorrnalp:0. (b) Mostrar cómo se. Para decir. . L7 . la máquina (b) Un registro de las medias no s€rú adecuada y habrá que buscar la razón de su ineptitud.ít/n Vnpq= "- :0.5.o:0.564 a 0.Haciendo n : 319 en (3) o (4). se adopta la riguiente regla de decisión: (o) Se acepta la hipótesiep:0.0.7 BVo o brevemente lfmite¡ 3o.014l\/6\ y (0. Cada vez que se observa una media muestral se representá por un punto en el gráfico. se toma una muestra de 6 cojinetes ejemplo. Se construye una máquina que pr-oducfuá cojinet€s de bolas teniendo un diámetro medio de una desviación típica de 0. y se obsen¡a el diámetro medio de la muestra. p = 0. se debe lanzar p - 0.29.6.O\4\'\/E) o Con confianza del 99 . Obeérvese que tomando la probabilidad de aceptación como De(/) x . muestrales puede tlevarse por medio de un gráfico tal como ee muestra én la Fig. GRAFICOS DE CONTROL DE CALIDAD 7.49\/n n = o.96 r ó (Sl u.6 n- 0.4s 1/A 0.9801fa- e'¡ 9-. = 0. (b) S€ rechaza la hipótesis + 17 .5.5. también s€rá 0. (o) Diseñar una.9É!= -r. La elección en cada caso depende de la¡ circunetancias particulares del tnismo.n: 318. Sin embargo.re'presentaría grárticamente la regla de decisión de (a).6 n Y x - 0. En tanto que los punüoe se encuentran entre los límites 0.05. Por tanto un promedio ponderado de todas estas probabilidades.584 pulgadas.98. Cuando un punt'o se rale de estoe límite¡ control (tal como en la tercera muestra tomada el jueves). (o ) 3o¡) a (p¡*3o¡) con el 9€.5n = 1.05 en el "peor de loc casos". que representan la probabilidad de error del tipo II.574 .llamado grófico de control de colidad.645 ó (t) o. Para determinar si la máquina esconstruida para el fin que se destina. es 0.05 o menoa. enfte 742 y 177 si el número de carac en Slg lanzamientos está dentro del recorrido 159.0'6n Realmente el área entre -f.7 3% se puede decir que la media muestral X debe estar denüro del intervalo (p¡ entre cae a m p ¡t:0.4 a 0.6.r) - 0..

Así pues. La media del número de caras es ¡. Utilizar papel gráfico de probabilidad para determinar si la dist¡ibución de frecuencias de la Tabla 5-2.1619 0. la distribución binomial ajusta- En la Tabla 7-5 se han obtenido estas probabilidades así como las f¡ecuencias esperadas (teóricas) y las observadag.1: np : 6p.30. La bondad del ajuste se estudia en eI ProblemaT.4 6 29 33.3162 0.47 rooo Igualando las medias teóricas y real se tiene 5p da viene dada por /(r) = . la media del número de caras es 2fr_ / _2470=2.cAP. página 163 puede ajustarse a una distribución normal.2 ó 316 308.43.9 ó 162 316.¿94)¡(0.C. Para la distribución de frecuencias observada.7 ó 151 29. El ajuste se observa que es bueno.3087 2 3 ^ 0. página 178.506)5-¡. Ajustar una distribución binomial pectivas de cara a los datos del Problema 5.30.0332 0.1507 0.47 6 p :0. dondep y q son las probabilidades resy sello en un solo lanzamiento de la moneda. Tabla 7-5 Número de caras (r caras) Frecuencia esperada Frecuencia observada 38 0 1 0.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 297 Lunes Martes Miércoles Jueves Viernes $ € bD osal 1} a a t ü {.. 7-12 AJUSTE DE DATOS A DISTRIBUCIONES TÉORICAS 7.2 t44 342 287 164 25 7.7 ó 309 150.31.0294 5 6 33 161. x F a os74 a a a t I a : o 0 s64 o Fis. Se tiene P(x caras en una serie de 5 lanzamientos) : f(¡) = sCrprqs-". .494.(0. : 2.

68 6 2l 38. Multiplicando lo¡ valores de la quinta columna (que representan las frecuencias relativas) por la frecuencia total n (en e¡te ceso n = 100).72 -1.41 0.92 pulgadas (x mente El trabajo puede organiza¡se como en la Tabla 7 -7 . La "bondad {el ajuste" de la distribución qe congidera en el Problema ?.6 74.z z = . se obtienen lae frecuencias esperadas de la sexta columna. 7. ? 76 Frecuenei¡¡ Estatun (pulgad¡¡) menor que 61.5 7L.35 y 5. como se muestra en la Tabla 7-6. son pasadas sobre los límites reales superiores de clase.6 ¡¡+ 0.39 2.5 62. Y se pone de manifiesto que ee ajuetan ba¡tante bien con las frecuencias observadas realmente. Véase o a I É to 5 o a d E 62.0 65. Por lo anterior. De aquÍ se sacan las áreas bajo la curva normal entre los valores sucesivos de ¿.6? 0.6 Rcl¡tiv¡¡ Acumulada¡ (%) 6. se observa que hay una distribución normal que se ajusta e¡trechamente a los daüos. El grado en que los puntoe así dibujados ee encuentran sobre una lÍnea recta. Después. como se ve en la Fig.5 66. anotadas en la última eolumna. dadas en la quinta columna.32.0743 72-74 6 4 20.36 1.grófico de probabilidad eepecial.5 7¡.92 ó 39 27.70 -0.3892 0.7L 6 28 7. ?-r3 hoblema ?. en un papel.2068 6L65 6&68 69-71 68.238 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla [cAP. la distribución de frecuencia¡ dada se convierte en una di¡tribución de frecuencia¡ relativas acumuladas. Par:a. La¡az6¡ de esto se ve claramente con un diagrama.0 92. 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).tlls. . donde la media i y la desviación típica 6 se han obtenido en los Problemas 5.43 ít 7 4. página 163.32. = 61.6 menor que 67.E 50 40 30 20 Primero.6 &tatura (pulgada¡) Fis.5 oD.5 7t.0 100. Ajustar una cunra nonnal a los datos de la Tabla 5-2.t3 D 18 42 27 8 ñ.0413 0.0 Io a E ql € ó a () 95 90 80 70 Q0 a (t 6 . 7-13.6 menor que 64. se rutiliz. s = 2.40 respectiva- La cua¡ta columna.a -2. determina la bondad de ajuste de la distribución dada a la distribución normal. que da las áreas bajo la curva normal de 0 a z se obtiene con la tabla del Apéndice C.5 menor que 70.46 pulgadar.44.6 68.4920 0.6 menor que 73.4177 0. 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 59.0 23.2771 0. caicular e de los límites reales de clase. las frecuencias relativa¡ acumuladas expreeadar en porcentajes.

* : P(r accidentes) 1118 2 7 o. la varianza d : L.rj días. puesto que 4. 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.05. se rechaza la xlo¡ para 1 grado de libertad es 3. .. Entonces. a¡í com.0494 0.24 2.CAP. Tabla 7-9 Número de accidentes.56 6 ó 20 18 8 2 1 0.50 . respecti- xz = (o) El valor crítico (b @t:lptlz -(rz:. Para conveniencia de la comparación.9?.50 pótesis de que la moneda está bien hecha al nivel de significaeión del 0.36.eo Entonces. hi' la ) El valor crítico xlso para 1 grado de libertad = 6.30 8. ?] ENSAYOS DE HTPOTbSIS Y SIGNIFTCACION Tabla 239 7-t 7. Entonces.v: + (85:!00)2 = 100 h 4. de acuerdo con la distribución de Poisson. LA PRUEBA CHI. la euarta columna que da los números de días observados se ha repetido. Las frecuencias de caras y sellos observadas son. Comparando con el valor de \ : 0. durante los cuales r autos tuvieron accidentes en una ciudad.47 0.3 y 4 accidentes de esta distribución de Poisson.CUADRADO ?. véaee método 1 del Pro" blema 7.84.np)z npt npz - (115__100)2 Pueeto que el número de categorías o clases (caras.1647 espeado 20. 0 r N(rmero de dÍasr Número de días obsen¡ado 2L 18 7 3 1 {r accidentes) 0. da 0. 313 {11 = Iq"+ill En l¿ T¿ble ?-9 aparecen lae probabilidadee para 0. puede ser esto un indicio de la adaptabilidad de la distribución de Poison a la muestra de datos.01. La Tabla 7-8 muestra el número de días f durante un período de 50 días.90 hallado.7:2 -L = l. Las frecuencias de caras vamente.05.'12 ¡ 85. Ensayar la hipótesis de que la moneda está bien hecha con un nivel de significación del (c) 0.84.3659 0. El cálculo de la varianza de la distribución da' da.63. En 200 lanzamientos de una moneda se obsen'aron 115 caral¡ y 85 sellos.01. Entonces y eeüos esperadas si la moneda está bien hecha son np : 100.33 I 2 3 18. puesto que 4.63. respectivamente rr = 115. blemente bíen heclu.o loe números teóricos de días en los que ee presentarán ¡ accidentes (obtenidos multiplicando las correspondientes probabilidades por 50). 100 sellos) es h:2.60 hipótesis de que la moneda está bien hecha al nivel de significación del 0. El número medio de accidentes es Número de I Número de accidentes.33. np2 : tOO. > 3. < 6.4066 0.2.f 0l2r + : (21)(0) '50 (18X1) + (7X2) + (?liQ_l q)(a) = .1. Ajustar los datos a una distribución de Poisson.34. (b) 0. Para una verdadera distribución de Poisson.0111 4 6 6 ó Nótese que el ajuste de los datos dados a una distribución de Poiseon es bueno.

58. (ZJ2)2 : 4.84. de modo que X2 : 5.O7 : 2.07. (rz-npzl2 . (rs-np¡.60.35.5)z _ . Entonces 114.ema se cumple siempre que la prueba de chi-cuadrado comprende dos categoiías. Ensayar la hipótesis de que el dado esté bien hecho al nivel de significación del 0.05.1.86.5)2 .6)esh:6.34 que la hipótesis se rechaza al nivel de 0. .v:h-1-:6-1:b. ? 7. Nótese que el cuadrado de este valor. Pa¡a una comparación con los métodos a4teriores. es igual al valor de ¡2 corregido con la corrección de Yates p¡ra la continuidad del Problema7.00 la hipótesis de que el dado está bien hecho. Nótese que el cuadrado del valor anterior. solucionar el Problema 7.s)z = 100_ 100 tt q^< 4.34 utilizando la corrección de yates. Esto se cumple siempre que la prueba de chiruadrado eomprende dos categorías y se aplica la corrección de Yates. Véase Problema 4. (rr.07 :2.1. Con un nivel de 0.240 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.5 .15. ^-------::-:-. La Tabla 7-10 muestra las frecuencias observadas y esperadas allanzat un dado 120 veces.5 o más caras. (185 _ __ 1001 Í4.00 20-+ n 20 Puestoqueelnúmerodecategoríasoclases(carasl. (16_20¡z _ *--lO-+ +ñ=5.86.5) =100yo=1fipq=/IZOO¡O. 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)2.36. 115 caras en unidades tipificadas Bajo la hipótesis de que la moneda está bien hecha. (rt-nptl2 . Se sigue como en el Problema 7.15.npr o _ (rt-np)2 . radasen200 lanzamientosdelamonedason¡r=np=(200)(0. (24-20\2. (23-20)2 +--lO . 7.L2. a la distribución binomial. De ello se sigue que la concordancia entre ambas frecuencias no es tan buena como para no dudar de Io deducido.b8 a2.34 mediante la aproximación normal respectivamente. se rechaza la hipótesis de que la moneda eetá bien hecha. Esto conduce a las mismas conclusiones que por el primer método.4.34' Esto Con un nivel de significación del 0. Con la corrección para la continuidad.5 en uni: (114. de nuevo en consecuencia del Problema 4. Solucionar el Problema 7.S¡(0f)--7.zvb Puesto que 4'205 > 3. Entonces.05)2 7 -37.5)z = _100 )_ (L[.00 > 1. 7.20. Método 2.86.96 a 1.)z . (2. 115 o más caras equivale a 114.2.93_4)' _(15-20\2 .2o5 < 6. El valor crítico a2e5 para 5 gados de libertad es 11. es el mismo valor de X2 obtenido en el probl.01 el intervalo sería -2. dades tipifica¿¿5 : 4.5. x2 (conegida) = = (lzt - nptl nPt 1001 0'5)z + !1""- np2l npz - 0'5\2 (1115 - 100 _ 0.-nps)2 (ra-npe)2 < 11. la media y la desviación tÍpica del número de caras espe- : (l1b -lOO)t7.0. no se puede rechazar Para 5 grados de libertad x%s: 1. si el valor de z está fuera del intervato -1.g.84 y 4.06.7OO)17 .96.63 se deducen las mismas conclusiones que en el Problema ?.01.05 y un ensayo bilateral. puesto que 5.35. Método 1.05 pero no al de 0. véase método 2 del Problema 2.

De modo que aunque el acuerdo es bueno. ¿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. Una muestra de 12 bolas extraída aleatoriamente de la urna dio 2 rojas. : 3. (b) 0. estos números deberían presentarse en la proporción 9:3:3:1.2.01.75lisosy amarillos tol.352. Se deduce que cabe sospechar alguna tendencia no aleatoria en dicha tabla de números. Puesto que eetos números esperados Bon menores de 5. .40.4?O > 0. 4 amarillas y 1 verde. De acuerdo con su teoría. 108lisos y verdes.. de modo que no se puede rechazar la teoría al nivel de 0.. ?.38. .cAP.81. Una uma contiene un gran número de bolas de cuatro eolores dife¡entes: rojo.zS lisos y verdes Struol = frtssol 104. obseryó 315 lisos y amarillos. ?. 101 rugosos y amarillos y 32 rugosos y verdes.3. En los erperimentos de Mendel con guisantes.01. x2. Bajo la hipótesie de que la urna contiene proporciones iguales de los cuatro colores.7. Una tabla de números aleatorios de 250 dígitos mostró la distribución delosdígitos 0.3 >2!3 sededucequeladistribución observada dífiere significativamente de la esperada al nivel de significación del 0. Ensayar la hipótesis de que la urna contenga proporciones iguales de los diferentes colores.470 Puestoquehaycuatrocategorías. . .26 rugosos y amarilloe B4.como 23. amari'llo y verde. ¡$5: 0. de modo que no se puede rechazar la teoría al nivel de 0.zb rugosoe y verdes ft Entonces tssol = x2= (o) (b) Para v Para v (3L5 3L2. Para evitar esto se agrupan las categorías de modo que los núme¡os esperados en cada categoría sea al menos 5. 9 que se da en la Tabla 7-11. loe resultados obtenidoe están sujetoe a unh razonable influencia de error muestral.'nr parav: h -1:9 gradosdelibertad es21-.05? El número total de guisantes es 315 + 108 + 101 + 32:556.se esperarían fttssel = -- 312. Puesto que los números esperados están en la proporción 9:3:3:1 (y 9 * 3 + 3 + 1 : 16).h=4yelnúmerodegradosdelibertadesv=4-1=3.76\2 3t2. x?ss: 11. r ry = 2s. cabría esperar 3 bolas de cada clase en la muestra de 12 bola¡.352 y X2 :0. teoría y los reeultados del experimento están de acuerdo.g El valor crítico d" x. ¿Hay alguna evidencia que permitadudarde su teoría al nivel de significación del (a) 0.Qe-2512 try+ . Se deduce pues. naranja. la aproximación de chi-cuadrado será errónea. 7.05. .76 *W = 0. que la Nótese que para 3 gtados de libertad.7I ENSAYOS DE HIPOTESIS Y SIGNIFICACION 241 7.01.ss= = 3.39.L. 5 naranjas.

Ento¡-. de modo que (74-60)2 . En 360 lanzamientos de un par de dados.10). ? Si se desea rechazar la hipótesis. Sin embargo. Puesto que el número esperado en cada categoría bajo la hipótesis de iguales proporciones es 6. se duda acerca de la decisión que se debe tomar. para las que la muestra dio 3 y 9 bolas.1.81 sellegaríaalasmismasconclusionesqueantes. z. Ensayar la hipótesis de que el dado esté bien hecho al nivel de significación de 0. ¿Es el resultado consistente con la hipótesis de que el nacimiento de varón y hembra son igualmente probables? .84seestaríainclinandoarechazarlahipótebien.puestoque4.ces P("siete") : 1/6(360):60 veces 6/36 : 1/6 y P("once") :2136: 1/18. Así pues.5)2 (124 - 2ol - 0. Los resultados observados pueden imaginablemente deberse al azar. l)na encuesta sobre 320 familias con 5 niños dio la distribución que aparece en la Tabla ?-12. se observaron 74 veces "siete" y 24 veces "once".Entonces. se tiene x: = 0qj:_6Fo.41. no se rechazaría la hipótesis al nivel de 0. 7.05. empleando la corrección de Yates. puesto que incluso el valor corregido de y2 se encuentra cerca del valor crítico.5)2 #-g*): = 3.Desgraciadamente. De otro modo.65 De acuerdo.84. se obtendría ¡2 a pesar de que las frecuencias sean dema- (2-3¡z .xjr¡. (4--3)2 .07 Parav:2-1:7. la aproximación ¡' para frecuencias pequeñas es pobre.0.tz.x2l)s==3.Asínosepuedetechazrlahipótesisalniveldesignificacióndel 0. en 360 lanzamientos cabría esperar "siete" y 1/18(360):20 veces "once". Un par de dados puede caer de 36 formas. pues con la X2 corregida.242 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. se tiene (9 ^cuando las proporciones de los colores sean iguales.. . En general.0?>3.05.10). de aquí que cuando no sea aconsejable agrupar frecuencias se debe recurrir a los métodos exactos de probabilidad incluyendo la distribución multinomial. "Siete" se puede presentar de 6 formas y "once" de 2 formas. los resultados que se obtienen utilizando la correc- ción de Yates son más dignos de confianza que los resultados no corregidos. Esto cabía esperarse puesto que la corrección de Yates Debe ponerse de manifiesto que si se emplea la aproximación de siado pequeñas.rP.05(aunque sí se puede al nivel de 0. respectivamente. aun Otro método: Utilizando la corrección de Yates. = - 60l 60 - . (24-20\2 .:-:_+r::__-::_:sis de que los dados estén X¿ 4. Esto se consigue en nuestro caso considerando las categorías "roja o verde" y "naranja o amarilla". 7. 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. = siempre reduce el valor de ¡2 .42.(ig:lf-!éE.84.r que conduce a las mismas conclusiones anteriores. se agrupan las categorías de forma que la evidencia en contra de Ia hipótesis se muestre claramente.05.) x2 _ = -6-. = ry.:?. - e¡z -9 Parav:2-l:1. En tales casos. x' _ (1 -3¡:r ooo Puestoqueparav=4-1:3.-ss:3. (5-e)z .ü. Sin embargo. se rechazaría la hipótesis a algún otro nivel (tal como 0. se tiene (174 (correglda. para grandes muestras tales como las de aquí.

pectivas probabilidades anteriores por 320.cA¡..43. y los reaultados son 10.1 . "!ü Puesto que el número de parámetros utilizados para estimar las frecuencias esperads e8 m metro p de la dietribución binomial). puesto que X2 = 0. Bajo la hipóteeis nula lfq de que el suero no tie' ne efecto. De aquf queel ajuste de creerse.U Puesto que x:e5:11. 2.1 y x. x2. 50.68 38.1 para y:61:6gtadosdelibertad.--I¡Ié- .Entonpiobabilidadee de (5 niños). . .45. Para v : 2 (que son la me- = 2.92 27.i". Así se deduce que los reeultados son probablemente significativos y el nacimiento de varón y hembra no son probablemente iguales. Pa¡a rr = 2.(287_308. La¡ condiciones del problema se presentan en la Tabla ?-13.m : 6 . Entonces. (88_100)2.!.yg:1-p:probabilidaddenacimientodehembra.z = 6 4. 50. cabría esperar que 70 individuos de cada uno de los grupos Be recuperase y 30 en cada grupo no se recuperase. .64 > O.L .-El: .:z .44.1y0 niño¡seobtienemultiplicandolasres' (40-50)2. x.os= 5. 100. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla ?..os:0. es decir.32.1 . . x.---r¡If. (164-150.--_-16-_¡&.(26-29.-.-r3)2 .3. como 8e indica en la Tabla ?-14. lag cla¡ificaciones 8on independientes. 7.---T08J. Asf'puesto que X2 = 7 .setiene P(ániñosy0niñas) = (+)5 : # P(4niñosylniña) = 5(¿-)4(á) : ¡tz P(3niñosy2niñas) = f0(l)3(i)2 = # Enüonces el número de familiae que 8e espera P(2niñoey3niñas) : f0(l)2(l)3 = i8 P(lniñoy4niñas) = 5(+X+)4 = t P(OniñoeySniñas) = (+)5 = + tengan 5.sss:15. pero no al 0. el ajuate no es tan bueno como pudiera = 4. v : k .103. el ajuste no es "demaiido bueno". (110_100)2.?)2.01.--lóo:t- . (4 niños y 1 niña).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 . TABLAS DE CONTINGENCIA 7. xL¡s:0.(L44_161.13 utilizando la prueba chi-cuadrado.4.103.412_ -58:t-- .9)2 . (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..30. Solucionar el Problema 7.2)2 . Seap:probabilidaddenacimientodevarón.m : 5 . v = k .^ _ (18_10)2 (56_60)2.1 : 4. Utilizar la pmeba chi-cuad¡ado para determinar la bondad de ajuste de los datos del Problema 7.49.43 20..2 : 2.959 > 0. Se deduce que el ajuste de los datos es muy bueno.05. . .1 .x2. BONDAD DE AJUSTE ?. 10. De aquí (8_10)2 _. Determina¡ la bondad de ajuste de los datos del Problema 7.=--_a6---_Eñ-----Jó¡-----i6b--_-Ed.?11.99. .". Adviértaoe que ¡fo es equiyalente a afirma¡ que la recuperación eeindependie¿úe del empleo del suero.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).13 *(18-2-0:68)2 *(a2:^-39=92\2-(27:3ft7rl2 *(8:?'j13)z:0.(342_316. Para y : 4.= (s8_33.959 7. X?ss = 9.212.?11. 100.. Para V 1 (que er el pará- los datos es muy bueno.serechazarálahipótesisalnivel de significación del 0.?)2 .

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.244 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla 7.38 < 3. que es igual a la¡ dos dadas anteriormente.ss : 3.Puestoqueparalastablas2Xz.47. Sr. En general.!t_. Asf pues.05.A Grupo B TOTAL 140 60 200 Puesto eue X.84 para 1 grado de libertad y puesto que ¡2 = 2. = I.46.No ee recuperan cupetan TOTAL [cAP. Tabla ?-16 FRECUENCIAS OBSIERVADAS Sr. como en la página 215 (véase Problema ?. Ensayar la hipótesis de que las proporciones de estudiantes suspendidos por los tres . ? Tabl¡ 7-14 FRECUENCTAS ESPEBADAS BAJO Ho Se re. Esto podría haberse visto rápidamente. pueeto que una vez hecho esto loq números de las restantes casiüas vienen obligados por los üotales ya indicados.5)2 * ----TO* ?O S0 _ .30\2 (36 *ffi = 2'38 Tabla 7-16 Para determinar el número de grados de libertad. ^. Y y Sr. x2)x2ss correrpondea x>x.84.5)2 * ----?O- (i65-701 -0. (35-301 -0. Z. De modo que hay un grado de libertad. conaidérese la Tabla 7-15.profesores son iguales.¡.5)2 . En la Tabla 7-16 se indican los estudiantes aprobados y suspendidos por 3 profesores: Sr.45 aplicando la corrección de Yates.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. 200 140 30)2 o _ (75 x-1rc-?o70)2 - 70)2 .--.54.05 utilizando X" equivale a rechazar esta hipótesis con un ensayo unilateral al nivel de 0.13.51).-. drado Cel valor de z.Xz egelcua- Nótese también que yn ensayo unilateral utiliaando ¡12 equivale a un enEayo bilateral utilizando.gs. Nótese que X2 : 2. _ ¡¡ (corre(rda) = (i75 -70\.vó Obteniéndose que las conclusiones del Problema 7. pero en la que solamente se han puesto los totales. 7.13 FRECUENCIAS OBSERVADAS Se re. X. X Sr. 7. Solucionar el Problema 7. ya que.e5óx{-x. porejemplo.38 es el cuadrado del valor de z : 1.5)r .10 uüilizando z. habrían suspendido 27 lL80 : Iíc/o de los estudiantes y DO .^se sigue que X er lo mismo que z en este caso. (125-301 -0.0. ya que la corrección de Yates siempre disminuye el valor de ¡¿". al rechaza¡ una hipótesis al nivel de 0. Y 47 L4 61 Sr. or^_.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. obtenido en el Problema ?. se deduce que lob resultados no son significativos al nivel de 0. Se No ¡e recuperan recuperan TOTAL 100 100 Grupo.45 son también válidas aquí. Está claro que solamente se tiene libertad lara colocar un número en una de las cuatro casillas vacías. 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.

después de lo cual. Entonce8 *.ecuencias teóiicas. Nótese.75\2 . Se deduce que el número de gtados de libertad hk . k > 1) el número de grados de libereg * & - 1 totales independientes de un total hÉ.10 si se está dispuesto a correr el riesgo de estar equivocado 1 vez de cada 10. Z TOTAL 153 27 Aprobair¡c didos TOTAL 85% de 55 : 6l 4G.25)2 .40)2 (5-8.40 : Aprobados Suapen- Suspen. no se puede rechazar I/e al nivel de 0. Sr.n2nslnl2 .r"/" a1b2 (o.25 OD : didos TOTAL 55 61 9. Pero : (ar- nrnn/n)z (a". Y St.1Xk .48.85)2 (56-54.(h+Ic-l) = (h-lx/ú- 1) como se requería.L5% de 55 : I5% de 6t 9.n"n¡ln\z' nrnn/n ntftl.61. Mostrar que para una tabla de contingenciah X h tad es (h .05.núnR/n "r'. X ¿IO Tabla 7-18 Sr.e 64 54. Así pues. 7. at__n_ = -nrrxJn (ór nrnsln)2 (b2. que puesto que x:eg : 4.51.CAP. 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. Está claro que como cada fila y cada columna han decumplir con loü totales. Puesto que x. Z TOTAI. Hay h (fz > 1. Tabla 7-17 ITRECUENCIAS ESPERADAS RAJO Sr.15 61 15% de 64 8.75 = = 51.49. Í4-9. los resultados esperados bajo la hipótesis nula aparecen en la Tabla 7-20.99._ (50-46.60-=4. que es igual que la Tabla 7-L7 pero en la que solamente se han puesto los totales.-.ó+ Pa¡a determinar el número de grados de libertad.85 85V" d. 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. (47. Nótese que este resultado es válido si se conocen los parámetros poblacionales necegarios para obtener las fr. todos los números restantes vienen obligados por lo8 totales.gina 22O .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.zs¡ : 5.1).60 64 180 64 180 Entonces o x-. Y 85% de S¡. se puede rechazar lfs aI nivel de 0.5135-547ó-----d25 9J5 --. de otra forma se necesitan ajustes como los descritos en ( b ).15)2 (8-9. .60)2 4175 -. 7. Las frecuencias esperadas bajo FI¡ se muestran en la Tabla 7-17. pá. hay en este caso dos grados de libertad. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION habrían aprobado el 86Vo de los estudiantes. * ó1)(o1 * o2) o1*óq*a21b2 n a2b. sin embargo. considérese la Tabla 7-18. 153 qn X Sr.

bz:35. Ilustrar el resultado del Problema 7.49 x2= n(ap2. frA=úr*az..49.a2b)2 -T nrn2nAnB nrn2(Pr. Dr = 65. de modo que (r) (4) ú1 = nlPy az = nzPz. se tiene p la proporción poblacional.46 ¡2 (corregida) = ---ñ^"" - = - (25X65)l (140)(60X100X100) .45. Sise aplica la corrección de Yates.93 7.246 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP.ln)? = -"r!rrrñr" 7. COEFICIENTE DE CONTINGENCIA ?. EnelProblemaT.. f.51.bq - aqb'12 donde A:&tbz-azbt. ^ (t) n /otbr-ozbt\2 n lotbr. r¿r(1 - Pr). ns = 100. Or--m arb2 = - a2b.=. n2:60. -flg L-p l-P2 = bc -= = q = -.Prl . a1 =75. = #. nt=140. Con referencia al Pro- (r) (2') P. dado en (IO) en la página 215.10012 = 1.49 paralos datos del Problem^I. el resulüado eg el mismo que en el Problema 7.49 da x2 = n(1aft2. ür : 'tL¡ = flP.azbtl .=&r*a2*b1*b2.52. se puede escribir az-ry = ur-ry = Í2fts . (/ ) se remplaza por (21 "rr"r"^"" : nL2 nrnznAnB x2 (conegida¡ n(ltl. yn:2OO. Halla¡ el coeficiente de contingencia para los datos de la tabla de contingencia del Problema 7. ¡e tiene del Problema 7. n1=at*b¡ nz=a2*b2. . entonces riI ) del Problema 7. 1-Pr . Denótese por P1 y P2 las dos proporciones muestrales y blema 7. 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).n2P2n{l .50. ns = ür*ó2.P)2 que es el cuadrado del estadístico Z.38 : Empleando la corrección de Yates. - O2 l¿z' fL¡ tl' ó.45. bz = nz(l- Pz) tlg = flq Utilizando (3) y (4). a2=26.tn)z = 200il(?5x35) 2. P. 7 Análogamenta Así.4S. da x' : D'- n(a. C= vra = {*#fu : r/d'6112e = 0'1084 .ozbr\2 n /orbz-ozót\2 ml?¿B\ n n nzn¡\ n n¡r¡\ / / / n fatbr-tzDt\2 n ?zrs\ / que al simplificar. r¿¡ = 100.Pr)]2 nrnínpnq = nfri\+LlllrJ (Ya que n = nt+tt2l (Pt.P)2 nWtPrA$ ..

4) + 10010(0. donde g =L- p.X.6)e(0. son todas igualea a 50.6.(iX.= (100 zw En general.1?19. D Tabl.?1e Asi ee que ésta pues.4)2+ ro0a(0.[roOi(0.". (e) p : 0. En el Problema 7. las únicas frecuenci¡¡ de casillas que no Eon cero aparecen en la diagonal que baja de izquierda a derecha de la tabla.9.7)8(0. el estudiante está adivinando..3)3+ r0Cs(0.(+Xá) * .(á) = 0. suponiendo independencia total.64.6)101 = 0.21 valor máximo de C ee presenta cuando la¡ Se recuperan No se recuperan 0 TOTAL 100 GrupoA (utilizando auero) (no utilizando . para la dependencia total en uua tabla de conüingencia..53.L27). todor loe que tomen el suero 8e recuperarán y todor lor que no se lo tomen no Be recuperarán.2. (Véase Problema 7 .5 (ee decir.cAP.55.3)10] = 0.ro)¿ . (b)P : 0.56. hallar la probabilidad de aceptar la hipótesis p P : 0.8. = 0.".5 cuando realmente = O'7' : O. En tal caso. 7l ENSAYOS DE HIPOTESIS Y STGNIFICACION 24V 7.618 .". (100 .13.3) + r0Cr0(0..6)8(0. ee 0. 7.54.4.. (ii) en caso contrario.0o)z (0 .7)7(0.a 7. La probabilidad de conteetar correctamenté Bajo la hipótesisp r pregunta¡ de las 10 será rcCrqqto-'.6 la probabilidad pedida será 1 - [P(? conectas) * P(8 correctas) + P(9 cotrectas) + P(10 correctas)] =|- ho0?(0.t. en la gue el número de fil¡s y columnas eon ambas iguales a &. (a) Sip : 0.?0?1.----80Entonceg el valor máximo de C e¡ . En el problema 7.(g)p : O.3. PROBLEMAS DIVERSOS 7.---80. do¡ clasificaciones son perfectamente dependiente¡ o a¡ociadas. Nótees la probabilidad de error del fipo I./Zt(xz + n'l = t/ñl@6T 2oo-) = 0. Para taleo ca¡os.6)?(0.? Bajo la hipótesis p P(menoc de 7 corectas) : - 1 -P(7 o mác conectas) 1 . adopta la siguiente regla de decisión: (i) si 7 o más respuestas son acertadas el estudiante no las acierta por casualidad.4)3+ roOs(0.-60 .(.ueno) TOTAL 100 (irupo ó 0 100 100 100 100 200 . Hallar el valor máximo de C para la tabla 2X 2 del Problema 7.54. Esta tabla de contingencia aparece en la Tabla 7-21. = 1/@-ffi. la probabiüdad de decidi¡ que el eetudiante no reeponde al aza¡ cuando es que si. P(7 o más correctas) : P(7 correctas) * P(8 conectas) + P(9 corectae) * P(10 correctae) = . " x.. Pueeto que las frecueneias eeperadas.3)2+ r0Ca(0.".7)e(0.3504 7.60)2 50 .50)2 (0 . hallar la probabilidad de aceptar la hipótesisp = 0. (f) p : 0.. Seap la probabilidad de que una pregunta sea contestada correctamente. Hallar la probabilidad de rechazar la hipótesis cuando es corTecta. Para ensaya¡ la hipótesis de que el estudiante acierte por car¡udidad. el e¡tudiante acierta alazar). (d) p : O. C.o.. (c)p : 0.¡* .i . Un instructor hace un cuestionario forurado por 10 preguntas falso-verdadero. .5 cuando realmente (a) p : 0.

.01 (es decir. Nótese que la probabilidad se denota por p (probabilidad de error del Tipo II).2188.6 0.05 ó 0.350 0.121 0.989 0.945 0. por #.5). ¿Puede deducirse que al nivel de significación (c) 0.9 0. Ad- la curva OC del 06 Si se hubiese dibujado (1 -p) yp.828 del Problema 7.8.5 dado por p : 1 . Se ha irrcluido también el valor para p : 0.!¡. como se muestra gráficamente en la di¡tribución de probabilidad de la Fig. Una moneda que se lanza 6 veces da 6 veces cara. p + 0. 0. Puesto que P(0 ó 6 carar): t'o+* = 0.57. ee puede rechazar ñfe Ensayo bilateral: al nivel 0. Sea p la probabilidad de ca¡a en un solo lanzamiento de la moneda. . pero no al 0.999 0. Puesto queP(0 ó no ee puede rec}ntzar H¡ al nivel de 1ó 5 ó 6 caras) = 2(t) = 0.3 0. ? Loa resultados de (b). pero no d 0.Ele al nivel 0. respectivamente. **. no se puederechazar.56 para construir el gráfico de É y p obteniendo así la cun¡a característica de operación de la regla de decisión del Problema. Pueeto que P(6 ó 6 earar): * + # = éa:0.8 0.000 0.trf6 llnivelde . Utilizar el Problema 7.5).65.2 0.01662 y P(6 ó 6 carad) = * +-# : 0.05. caraa en 6 f(x\ = P(x lanzamientos) = Entonces lae probabilidsdes de 0.58.0. 4. 0.01. . (g) pueden hallar¡e análogamente y se indican en la Tabla 7-22 junto con el valor correspondiente a p : 4. +i.013 0 828 7.68.03125. se habría obtenido la curvo de potencia de la regla de decisión. $oluciona¡ el Problema 7. si en la moneda sale 5 veces cara.248 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.7 hallado en el Problema 7 .6 y 6 caras son dadas. .01 la moneda no está bien hecha? Considerar ensayos de una y dos colas.06.6) y (Ht: p > 0. Ensayo u¡ilateral.05 ó 0.5 0. 7-15.64.01).Puesto queP(6 caras): f¡ :0.5)(ee decir.1 El grafico indica que la regla de decisión dada ee muy odecuado para rechazat p:0.7 0.05 y (b) 0.01. Ensayo unilateral: Aquí se deeea decidi¡ entre las hipótesis (Ho: p: 0. la moneda está bien hecha). 7-14.618 0. Bajo la hipótesis (Ho: p: 0.05. Ensayo bilateral.1094.t v i. pero no al 0.4 0. 03 02 0. el resultado observbdo es significativo al nivel 0. (c).54. Tabl¡ ?-22 p B 01 1.5 cuando realmente p > 0. Aquí se desea decidir entre la¡ hipótesir (Ho: p : 0. l0 09 08 0? El gráfico pedido es el de la Fig.59.ó) y (Ht:. 3. se puede rechazar.1.¡qn. 7.t+. 7.1094. viértase la semejanza con Problema 7-27. 2. 1.1?19 : 0.01.

yx= ax) = 19#)1-+gj.. Enüoncec.aL.Pl n(l-p)=nq TOTAL n .¡Yt=Ur Y Yt+Yz+ "' *Y¡r= P(Yr+ Yz| "' * Y¡ = n¡ e-n n¡ Entonces...+ph=L... de acuerdo con la resüricción (221. Mostrrir que una prueba en chi-cuadrado que comprende dos categorías es equivalente al ensayo especial de significación para proporciones (pagina 214). npp respectivamente." Por tanüo (2) ee conüerte en P(Yr=Ur. página 118]. *Y¡r= n¡ PlYr=At. que Yr + Y.61.'.= ut. . Tal como oe establece... Sean f.*/t'-^'\' \Vrr.Yt va¡iablesmutuaÍienteiñdependientes con dist¡ibución de Poisson y parámetros tr¡ : npt.. . + ' ' ' + Y¡ es en sí migma una va¡l¡ble de Poi¡eon con parámetro np¡ * np2 + . página 14?. .. . p I Frecuencb observada Frecuencia esperada nP np II n(l. el Problema 7. Epplear el resultado del ProblemaT. Suponga que Xt. Demostra¡ que la dist¡ibución condicional de las f dado que Yt*Yz+ "'+Yx = es precisamente la distribución multinomial de las X.6t pa¡a demostrar que ¡2. Yr + ). de (I ). Por t¿nto reeecribimo¡ (2/ ) como (r) x2 = /t'=^')'*f"'=^'\'*.1'"'-. i npn: n.¡p_r¡rll*l)q/ = '' \P Pq = (P-.l\z : npz trr : zpr respectivamente..Y¡=Ur I Yz* . como se define por (21).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..tYx=at I Yr* Yz-1. *Y¡= n¡ = que ee la distribución multinomial de la¡ X [compárese (I6).60.. Sin embargo.Y2=U2. el valor En cuanto aI denojminador.Yz=Az.endientec...págtna 218.. por definición. / \V^r/ \Vrzl ..cAP. .7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 249 7...23 Si P es la proporción mue¡tral para La categoes la proporción poblacional y n eo la frecuencia total. = (nP . ^#--"Jpltpf2"'plk 7..p)2 PQI'I¿ 7. tiene aproximadamente una distribución chi-cuadrado.96. busc¿ndo está dada por Iadi¡üribucióncondicionalqueeetamos P(Yt. ce pueden describir las ei- ría I.Yz=U2r .p)z = . sabemos del hoblema 4. Tabl¡ ?. Pa¡a la función de probabüdad conjunta de ft l¡¡ Y tenemos (r) (21 p(y.. ..:í-^*f e-^ dondehemo¡uuiüzadoelhechodequept*pz+. Xz X¡ tienen una distribución multinomial..... (5) de la página 214. Asl el denominador tiene el valor "":. n(P. . y2= u2. iYr. con frecuencias esperadas flPt.nPz.62.L tu¿cione¡ por medio de la Tabla 7-23.. (21) ea diffcil de manipular ya gue las X di¡üribuidas multinomialmenüe son dep. el numerador en (2) tiene.61 demuestra que podemos remplaza¡ las X por lae Y independienúes con dietribución de Poisson ai ae cumple que Y¡ + Y2 + " '* Y¡": ¡.

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

.05 y (ó) 0. no cargados. y que E\W\ = VE(O) + \/p2(o)+ .ebolac rojas que de azules.trLtroyo uniiateral y un nivel de significación del 0.. se quiere un nivel de significación del 0.. En un examen dado a un gtan número de estudiantes de muchas escuelas distintas. Comentar la significación de este resultado al nivel de 0..7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 26L Para evaluar el denominador de (5) notamos que la variable aleato¡ia W = lptZl * es l-p222 + . (o) ¿Qué regla de decisión ?.0. ee decir.. es decir. Ensayar la afirmación del fabricante al nivel de aignificación del (o) O.e) = p(lWl < e) - e4(0)(Z€) = 7. + {pt Zt.01? Se lanza un par de dado¡ 100 veces y se observa que un total de ('siete" apa¡sce 23 veces. Una urna contiene bolar roja. Un fabricante sostiené que al menos el 95% de los equipos que Euministra a una fábrica eetá de acuerdo con las especificaciones requeridas. Un examen sobre una muegtra de 200 de talee equipos reveló que 18 eran defectuosos.05.63 si ee quisiera que la probabitidad de rechazar la hipótesis siendo realmente conecta sea a lo sumo 0.7 o.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 1.65. la puntuación medi¡ fue de 74. (o) Hallar la probabilidad de rechazar la hipótesis cuando en realidad aea correcta.05? 7.66 ei el nivel de significación es del 0.40 onzas.05 desde el punto de vista de (o) un ensayo unilateral y (b) un ensayo bilateral. En una escuela determinada con 200 estudiantes el mismo examen dio una puntuación media de 75.1i¡ ee rechaza en caso co¡rtra¡io. 7.69.1 y la desviación típica fue 8.64. una muestra de 36 piezas de hilo dieron una resistencia media de 8.01 que el es ahora peor? hilo 7 . (ó) Interpretar gráficamente la regla de decisión y el resultado obtenido en (o).93 onzas. Solucionar el Problema 7. * p¡(1) = de den¡idad paraW es p(rr) : (Zr)-r/2e-u2/2.67.entarios ENSAYOS DE MEDIAS Y PROPORCIONES UTILIZANDO DISTRIBUCIONES NOBMALES ?'63. . (¿) ¿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. 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. + V!f.63 se desea eneayar la hipóüeeis de que hay moyo.. ¿Se puede deducir al nivel de signüicación del (o) 0. mediante (of un ensayobilateralyla¡.01. 7'68. y Denominado¡ (. 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. Recientemente. Para ensayar la hipóteeis de proporciones iguales de e¡to¡ colores. se adoptarÍa en el Problema 7.01.OO. erplicando las conclusiones sacadas con estos ensa- .0ó? (d) ¿Cuál sería la regla de decisión si el nivel de significación fuera del 0.e y azules. La "demostración" anterior (que puede hacerse rigurosa) muestra incidentalmente que cada restricción lineal colocada alas Z.9. Esüo provee Problernas suplem. 7. normal (puesto que e8 una combinación lineal de la¡ variablee Z normaies e independientee). Enaayar la hipóteaie de que los dados esüén bien hechos. y por tanto a la¡ Y o a las X reduce el número de grados de libertaá en X2 en 1. yos. Discutir las razones de las posibles preferencias de uno de estoe ensayos sobre el otro. 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. Supóngase que en el Problema ?.66.(o¡ : 1 s Por tanto la función . 7.. Var (W) = pr(l) * pz$) * .cAP.Of O.

05 y (b) del 0. 7.70 si el nivel de significación es del 0. ENSAYOS EN RELACION CON LA DISTRIBUCION ú DE STUDENT 7. todos ellos tenían idénticas características de suelo. mediante un nivel de significación del (a) 0.49 con una desviación típica de 0. [.05 y (b) 0.83. En el Problem a 7 . con los niveles de significación de (o) 0.80.77.05. Una muestra de 100 bombillas de un fabricante A dio una duración media de 1190 horas y una desviación típica de 90 horas. Dos tipos de soluciones químicas.32%. Para ensayar los efectos de un nuevo fertilizante sobre la producción de trigo.54 fanegadas.05.05 y (b) 0. (b) 0.01 las niñastengan mejor ortografía que los niños. 1 . . Análisis de 6 muestras de A dieron un pH medio de 7. ?.01.01? En el Problema 7 .7L. 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. 7 .a2.72.032.7 4. Unamuestrade 10 análisis dio una media de contenido en cobre de 23.19. A causa de lo costoso del mantenimiento de estas máquinas resulta que a menos que el tiempo 4e producción ee disminuyaen un8. 7.05 y (b) 0. lcAP. Una muestra de 8 bombillasdelaproducciónactualdiouna du¡aciónmedia de 10?0 horas.01. Utilizando un nivel de significación del (a) 0.24%.05 y (b) 0.01.01 y (b) 0.2 con una desviación típica de 0. determinar si los dos tipos de soluciones tienen diferentes valores de pH. 0.05. En seis pruebas de este tipo se obtuvo un decrecimiento en eI tiempo de producciónde 8. ? 7. me- 7. 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. Con un nivel de significación del (a) 0. respectivamente.76. El nuevo fertilizante se aplicó a 30 de estos cuadrados y el antiguo fertilizante a los restantes.79 ensayar la hipótesis de que el contenido medio de cobre sea más alto que el que marcan las especificaciones. mientras que la puntuación media de 36 niñas fue de 75 con una desviación tÍpica de 6. En un examen de psicología de 12 estudiantes de una clase hubo una puntuación media de 78 con una desvia- 7.76. Ensayar la hipótesis de que (o) las dos máquinas tengan diferente calidad de fabricación y (b) la máquina B sea mejor que A. una parcela de terreno se dividió en 60 cuadrados de áreas iguales. etc. Mediante unniveldesignificación del 0. Utilizar el nivel de significación del 7.01 V (b) 0.05 ensayar la hipótesis de que las máquinas deben ser introducidas.73. Un experto efieiente mantiene que introduciendo un nuevo tipo de maquinaria en un proceso de producción se puede disminuir sustancialmente el tiempo de producción. la puntuación media de 32 niños fue de 72 con una desviación típica de 8. El número medio de fanegadas de trigo cosechadas por cuadrado en los que se utilizó el fertilizante nuevo fue de 18.O7o laintroducciónde tales máquinas en eI proceso resulta antieconómico. 7. Ensayar la hipótesis de que a los niveles de significación (a) del 0.024.8f En el Problema 7.63 fanegadas. mientras que 15 estudiantes de otra clase tuvieron una puntuación media de 74 con una des- .252 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Solucionar el Problema 7. ¿Puede deducirse al nivel de significación del (c) 0./o con una desviación típica de 0. Análisis de 5 muestras de B dieron un pH medio de ?.01 y (ó) 0.05. Explicar las diferencias entre esto y lo que se pedía en el problema anterior. ¿Hay diferencias entre las duraciones medias de las bombillas de los dos fabricantes al nivel de significación del (o) 0.5% y una desviación típica de 0.8 y 0. A y B fueron ensayadas pa¡a ver su pH (grado de acidez de la solución).01. ensayar la hipótesis de que el nuevo fertilizante sea mejor que el antiguo.7 7 ensayar la hipótesis ¡¡ : 1120 horas contra la hipótesis alternativa tt diante un nivel de significación del (o) 0. Una muestra de 75 bombillas de otro fabricante B dio una duración media de 1230 horas con una desviación típica de 120 horas. respectivamente.4a.2% de cobre. ¿Se contradicen los resultados con los del problema anterior? En un examen de ortografía en una escuela elemental.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. exposción a la luz del sol. ENSAYOS REFERENTES A DIFERENCIAS DEMEDIAS Y PROPORCIONES 7.52 con una desviación típica de 0.05 que el producto presenta las especificaciones requeridas? ?. < 1-t2O horas.a media y desviación tfpica correspondientes a los otros cuadrados fueron 17.7 8. Las especificaciones para Ia producción de una cierta aleación piden el 23. Ensayar la hipótesis de que la duración media de las bombillas no ha cambiado.01. ción típica de 6.

Alrededor del lVo de las tuercas producidas por una compañía son defectuosas.28 onzas.3.ores. Con la temperatura media del día 15 de cada mes. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION es 263 superior al segun- viación típica de 8.90 construyendo un gráfico de (c)p V p. Ensayar la hipótesis de que la primera varianza poblacional es mayor que la de la segunda a un nivel de significación del (o ) 0.93.01? CUBVAS CARACTERISTICAS DE OPEBACION ?.92.25 considerando Ia analogía de bolas rojas y azules con caras y sellos respectivamente.85. Dos muestras consisten de 21 y 9 observaciones. cuando la proporción real p de bolas rojas sea (o) 0. Para determinar si el producto está de acuerdo a estas normas.05. Después de introducir un cambio en el proceso de producción de estos cables. mediante un nivel de significación del (a ) 0. Construir (a) unacurva OC y (ó) . una curva de potencia correspondientes al Problema 7.05 determinar si el primer grupo do. ?.01. Investigar la significación del aparente incremento enla variabilidad. En el pasado. (c) 0. se toma cada 3 horas una muestra de 16 piezas de hilo y se determina la resistencia media.82. ?. Comparar estas curvas con las del ProblenaT . Adviértase que en esüe caso solo son necesarios los límiúes de control super.27 GBAFICOS DE CONTROL DE CALIDAD 7.26 y 7 . La desviación típica de resistencia a la rotura de ciertos cables producidos por una compañía viene dada por 240 libras. Solucionar el Problema 7. Ensayar la hipótesis de que las temperaturas en esta ciudad presentan ahora menos variabilidad que en el pasado. (o ) Solucionar los Problemas 7 .01 .89. ?. En el Problema 7.63. En el Problema 7. 7. (b) (1 -p) y p. (b ) 0. (b ) ¿Qué conclusiones pueden sacarse de acuerdo con Ios riesgos de error del Tipo II cuando se incrementan los támaños muestrales? 7 .CUADRADO 7.6. ?.91. ENSAYOS EN RELACION CON LA DISTBIBI'CION CHI. desviación típica de las temperatwas anu¡legde una ciudad en un período de 100 años fue de 16" Fahrenheit. se toma una muestra cada 4 horas de 200 de las tuercas producidas.0f . (b) 99% sobre un gráfico de control de calidad y explicar sus aplicac¡o- nes. Hallar los límites de control del (a) 99. Para mantener esta calidad de producción.05 y (b ) 0.05.90. tienen varianzas dadas por s? : 16 y s2 : 8 respectivamente.87 si las dos mueetras con¡i¡ten de 60 y 120 observaciones respectivamente.81 . En relación con el Problema 7. . al nivel de significación del (a) 0. t¿ ?.86. un cierto tipo de hilo producido por un fabricante tenía una resistencia media de roüura de 8.84. Comparar estos gráficos con los del Problema ?.95. (d) 0. determinar Ia probabilidad de aceptar la hipótesis de que haya igual proporción de bolas rojas y azules.64 onzas y una desviación típica de 1.77 una muestra de 20 bombilta¡ reveló una desviación típica en la duración de 150 horas. Ia desviación típica de las temperaturas anuales fue calculada como de 10o Fahrenheit. Determinar los Iímites de control del (a ) 99% y (b)95% pam el número de tuercas defectuosas de cada muestra. durante los 15 últimos años.65. (b ) 0. Representar gráficamente los resultados del Problema ?. ENSAYOS EN RELACION CON 7 LA DISTBIBUCION F .E8.27 si se eru¡ayan 400 cuerdas. ?. (b) 0.cAP.8.94. ¿Concluiría que esto no es común? Explicar.9. Con un nivel de significación del 0. (e ) 0.731o ó 3o. La resistencia a la rotura de una muestra de 8 cables dio una desviación típica de 300 libras. ¿podemos concluir que hay una diferencia significativa en la variabilidad de los valores del pH para las dos soluciones al nivel de significación del 0.7.

utilizar papel gráfico 30 62 16 l0 .l 1 cara 108 bien hechas. Se Tabla 7-28 0 rojo 2 blanco 1 rojo 1 blanco 53 si los extraen aleatoriamente dos bolas de la urna. 7 z AJUSTE DE DATOS A DISTRIBUCIONES TEORICAS -24 2 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.66 C' 16 D y 12 F. 108 Mierc. (b) Determinar al nivel de significación del 0.96. 7. Ensayar esta hipótesis al nivel de significación del 0. 7. 7. El número de libros sacados de una biblioteca pública durante una semana determinada viene dado en la Tabla ?-22.0b. el número de muertos por unidad y año debido a coz de caballo se dan en la Tabla ?-2b. solucionar el Problema 7. Juev. Este proceso se repite un total de 120 veces y los resultados obtenidos. Ajustar una distribución de Poiss<¡n a los datos. . Ensayar la hipótesis de que la moneda está bien hecha utilizando un nivel de significación del (o) 0.LB% B. I 65 22 a l 10!¡ I LA PRUEBA CHI.40% C. 7 '97 Ajustar una distribución binomial a los datos dela Tabla 7 _24. Determinar si existe entre las máquinas una diferencia significativa al nivel dc significación del 0.01. 7.108. Delerminar al nivel de significación de 0.100.gg. Ajustar una distribución normal a los datos del problema 5. El número de defectuosas ""d" fueron 2.106. 114 Vier. 9. Un profesor nr¡evo da durante dos se_ mestres 22 A. En 10 unidades del ejército prusiano y en un período de 20 años 1875-1894. 6l ?.^ 30 Frecuencia esperada )0 90 3() ?.rrru de 4 máquinas.05. Mar.g8 pueden ser aproximados estrechamente a una distribución normal.34 8.98.103.05 si el profesor nuevo sigue las mismas nornns de puntuación que los otros. Ajustar una distribución de poisson a los datos del hoblema 2. 10.254 ENSAYOS DE HIPOTESTS Y SIGNIFICACION Tabla f 0 [car.e 12% A. las puntuaciones dadas por un grupo de profesores en un determinado curso dieron un promedio d. Ensayar la hipótesis de que el número de libros sacados no dependa del día de la semana. . (o) Determinar las frecuencias esperadas.96 y comparar con el ajuste obtenido utilizando la distribución binomial. 7. (á) 0.0r . Una urna contienc 6 bolas rojas y B blancas. Durante un largo período de tiempo. Se eligieron aleatoriamente tuercas de la producción de .se muestran en la Tabla ?-2g. Número de libros sacados Tabla 7 -27 Lun. 3 4 . se anota su color y se vuelven a la urna. Se lanzaron tres monedas un total de 240 vese observó cada vez el número de caras obtenido. resultados obtenidos son consistentes (.r02 utirizando la corrección de yates.99.100. 7. Tabla 0 ? -25 I ?-101.Lg?o D y 12% F.05 2 rojo 0 blanco Número de extracciones con Ios esperados. 3.CUADRADO 7'102' En 60 lanzamientos de una moneda se observaron 37 caras y 23 sellos.107.05. Ajustar una distribución normal a los datos del problema 5. (b ) 0. de probabilidad para determinar si los datos del Problema 5.1'04. con un nivel de significación del (o ) 0.05. 146 t20 7.105.

111. (b)hoblema 7. tiene su efecto en el número de accidentes de automóvil (incluyendo todo tipo de accidentes) se indican en la Tabla 7-34. Mediante un nivel de significación del (o) 0. IA Tabla 7 -29 muestra el resultado de un erperimenüo para investigar el efecto de vacunación de animales de laboraüorio contra una determinada enfermedad.(b) ¿Es el ajuste "bastante bueno"? Emplear el nivel de significación del 0.101. (b) Problema 7. Mediante la prueba chicuadrado determinar la bondad de ajuste de los datos de (c) Problema ?. Suponiendo que todos los pacientes dijeron la verdad. De un grupo de enfermos que se quejaban de que no dormían bien. Mediante la prueba chi+uadrado determinar la bondad de ajuste de los datosde (o)Problem¡ 7. (a) Utiliza¡ la prueba chi-cuadrado para determinar la bondad de ajuste de los datos del Problema?. mientras que a otros se les dio píldoras de azúcar (aunque todoselloscreíonque suspíldoraseranparadormir). Hacer el problema con y sin la corrección de Yates. ¿Qué poeiblee dificultades en las t&nicas de muestreo como en otras consideraciones pueden afect¿r las conclusiones? .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.L17. se Ies preguntó si las pastillas habían surtido efecto o no. enfer No se maron 'enferma¡on Vacun¡dos No Vacunados I L7 42 28 ?.99. A 72 64 t7 23 Clase B 7.05.110. las dos claees. Tabla 7.116. la vacunación y esta enfermedad son independientes. Tabla ?-30 Aprobados Clase 7. ¿Es consistente el resultado de (o ) con el del problema 7 . Dott. 7.06.100.01.01 y (b)0.01 ensayarlahipóteaisdequeelnúmerodeaccidentes es independiente de la edad del conductor. Posteriormente.la Tabla 7-32. 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. A un nivel de significación de (a) 0.01.98. Los resultados de una encuesta hecha para determinar si la edad de los conducüores a partir de los 21 añoe.96. Mediante un nivel de significación del (o) 0. 7. 7l BONDAD DE AJUSTE ENSAYOS DE HIPOTESIS Y SIGNIFICACION 265 7. Sobre una decisión de importancia nacional. Ensayar la hipótesis de que las notas de física sean independientes de lás obtenidas en matemáticas.05 y (b) 0.ensayarlahipóteois de que no hay diferencia entre ambos partidos en lo que a esta decisión se refiere.f09. Utilizar el nivel de significación del 0.113. 7. N nivel de significación del (a)0.cAP.ensayarlahipótesis de que no hay diferencia entre las píldoras de dormir y las de aziucar al nivel de significación del 0. Ia Tabla 7-33 da la relación entre las notas de los estudiantes en matemáticas y física.114.112. Solucionar el Problema 7. El resultado de sus respuestas se muestra en la Tabla 7-31. es decir.06.05 y en cada caso determinar si el ajuste es "bastante bue.LOg? TABLAS DE CONTINGENCIA 7 Tabla 7-29 Se . ensayar la hipótesis de que no haya diferencia entre los grupos vacunados y no vacunados. ensayar la hipótesis de que no haya diferencia entre.0ó.01 y (b) 0. 7.05 V (b) 0. medianüe un nivel de significación del (o) 0. a unos se les dio pfldoraspa¡adormi¡.112 introduciendo la corrección de Yates.118.115.05 v (b) 0. los votos de los demócratas y republicanos registraron los resultados que se observan en.

117. Hallar el coefieiente de contingencia para los datos del Problema ?. diantes.266 ENSAYOS DE HIPOTESIS Y SIGNIFICACIOD¡ Tabla 7-33 lcAP.) 7. discutir las tablas de contingencia h X k X I. (b) Con el resultado de (c) hacer el Problema 7.121. Dos urnas A y I contienen igual número de bolas. Demostrar el resultado (2) det Problema 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. . COEFICIENTE DE CONTINGENCIA 7. ?. respecüivamente.128./n. (b) el coeficiente COLOR DE PELO Rubio No rubio 25 96 7. la suma de frecuencias en la fila ¡ y en la columna j de una tabla de contingencia (frecuencias marginales). 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.121. es JUS:0. Xu) r¡ñY Azules No azules 49 30 8-ó 7. Demostrar que el coeficiente de contingencia máximo para una tabla 3 X 3 mente.1 . mostrar que la frecuencia esperada para la casilla perteneciente a la fila i y a la columna j es n¡n. Hallar el coeficiente de contingencia sin y con la corrección de Yates para los datos de (o) problema 7.LL4. 7'.L23. ( sin y con coeficiente de n de yates. 7. Por similitud con las ideas desanolladas para tablas de contingencia h X &. 20. 7.125. ? 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 7.49.119. donde n és la frecuencia total de todas las casillag.8165aproximada- 7. señalando las posibles aplicaciones que pueden_tener.?r para toda tabla de contingencia.1L2 y (b) Problema 7.127. Demostrar que el coeficiente de contingencia máximo para una tabla fr X k es 1/1t¡ PROBLEMAS DTVERSOS .122. donde n es la frecuencia total de todas las casillas.11?.126. se toma una muestra de 50 bolas con remplazamiento de cada una de las urnas.

6 con una desviación típica de 0. (c) 0.54 ?.01.135. 2.05 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 8.141. el número medio de millas por galón consumido en 5 automóviles análogos bajo idénticas condiciones fue de 22. ?.131. (b) 0. es ahora 8. Con una determinada marca A de gasolina. Comentar los resultados.130. ?. Con otra marca B.23 pzra el Problema 7. En eI Problema ?.132 empleando un ensayo unilateral.06 de que el estudiante no está contestando al azar. 7. Explicar cómo podría definir interualos de confianza unilateroles y dar una posible aplicación. A B Tabla 7-36 I &1 II A2 III dg ó3 'tLg TOTALES ?. Construir gráficos análogos a los del Problema 7. ?.133. 7. ¿Se puede rechazar la hipótesis de que la moneda está bien hecha al nivel de significación del (o) 0.0ó. ?.129.13g.138. Comentar cómo puede utilizarse la teoría del muestreo para investigar las proporciones de diferentes tipos de pescado presentes en un lago.13?. hallar el menor número de preguntas que un estudiante debe contesta¡ correctamente para que el instructor esté seguro al nivel de significación del (o) 0.05. Con referencia al Problema ?. El porcentaje de calificaciones A dadas en un curso de física en una universidad determinada durante mucho tiempo fte L0%. (c) 0. ?.001' (d) 0. Al nivel de significacióndel 0.140. Solucionar los Problemas 7. (b) 0'01.54. (b) 0.10. el número medio fue de 21.132 si salen 6 caras.136. Generalizar el resultado del Problema 7.54. Utiliza¡ el resultado del Problema 12 para el Problema ?.140.134. Ensayar la significación de este resultado a un nivel de (a) 0.132.48.05. Una moneda se lanza 8 veces y se obtienen ? caras.0Sinvestigarsila marca A realmente es mejor que B proporcionando mayor recorrido por galón.4 con una desviación típica de 0.01? Utilizar un ensayo bilateral.138 ¿hay mayor variabilidad en millas por galón utilizando la marca B que utilizando la marca A? Explicar.cAP. ?. ?.64-7. Durante un período particular hubo 40 calificaciones A en un grupo de 300 estudiantes.55. Mediante un nivel de significación del 0. ?.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 267 dando la de A 32 bolas rojas y la de B 23 bolas rojas. 7 n¡ ng üt fl1 b2 .4?. Solucionar el Problema 7. Demostrar que para la Tabla ?-36 y2 " n = o(l+ú+"?\ * 2a (u" +ú+ rt2 'tL2 ns/ rr o?) ns ¡\ ?t I \t¿r / -.l4O para obtener el valor de TOTALES lr2 n . 7.56 si el 7 en la regla de decisión del Problema 7. Solucionar el Problema 7.142.

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

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

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

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

la cun¡a de o de la estima. si creemos que dos variables inaependi"áfus y.c)y2 (21) tado de aplicar una definición análoga a la de la página 2sg. entón".denotamos por U".2. se obtienen como resul- ERROR TIPICO DE LA ESTIMA Si. debemos hallar si n es lo suficientemente grande para que estén rectas alrededor del 68%.. esto es -1 < r < 1.96% y 97% de los puntos muestrales res. si construimos p¿ües de rectas paralelas a la recta de iegresión de y sobre r a distancias vertióales te.s curvas de regreéión posible.-' perficies de regresión en espacios tridimensionales y superiores."t)z = 2¿2. obtenido de la curva de regresión de y sobre r. : a* br. llamadas las ecuaciones normales correspondientes a (20). con a y b dados por (4). Por ejemplo.r €l valor estimado de y para un valor dado de ¡. x. = o2r +b>12*c)ry 2u" : "2u + b> ry 1. .r)2 (22) r..23.262 CURVA DE AruSTE. entonces una medida de la dispersión con respecto a la curva de regresión está suministrada por la cantidad sg. por ejemplo. incluyendo ecuaciones lineales y no lineales conducentes a s¿. z. y respectivamente y sumando. tenga la forma (20) z = a*br+cy Esta se denomina ecuación de regresión de z sobre r. Genetalizaciones a más variables. se hacán fácilmente. c en (20) de modo que que (20) lz = tmtb)r+ "2a 2*. y.' : f"(L-r') Í l. (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. 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.: 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".8 REGRESION MULTIPLE Las una ces busc hay ás variables. como se emtodas la. REGRESION Y CORRELACTON lcAP. ' Estas ecuaciones. tenemos (23) (24) También podemos expres¿u s. por la recta de mínimos cuadrados en términos de la varianza v del coeficiente de correlación como s?. n¿viértase qúe pueden obtenerse formalmente de (20) multiplicando por L. puesto que >(A U. Si r es la variable dependiente una ecuación semejante se llamarú ecuación de regresión de x sobre y. ó.

8l CURVA DE AJUSTE. Al tratar de hacerlo notemos que de (25\ V las definiciones de sy.. r : + 1. entonces la variación explicada es cero y así r : 0.INEAL Hasta el momento hemos definido eI coeficiente de conelación formalmente por (I5) pero no hemos examinado su significado.24) (26\ 2@-ü' = 2ta -?/". 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 la variación total se explica totalmente por la recta de regresión..2). La fórmula (29) se conoce como la fórmuln producto-momento para correlación lineal.*-u)' (27) La cantidad a la izquierda de (27) se llama la uariación total. En Ia práctica la cantidad 12. es decir. r mide qué tan bienla recta de regresión de mínimos cuadrados se ajusta a los datos muestrales. Fórmulas equivalentes a las anteriores.r s€ comportan en una manera aleatoria o impredecible en tanto que las desviaciones /esr .x"l(E (32) a.)2 * 2(u.. De otra parte si la variación total no se puede explicar. : nsl . si 12 : L í. se encuentra entre 0 y 1. En otras palabras. 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 . mientras que la segunda suma se llama uariación explicadn. 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. que se utilizan en la práctica son M n2ry .1) igualmeninsesgada del cuadrado del error típico de la estima.) . y (en COEFICIENTE DE CORRELACION I. La primera sunra a la derecha de (27) se conoce como la uarincíón no explicadc. decimos que hay una correlación lineal perfegta (y en tal caso también regresión lineal perfecüc)..(>rX>y) (3r) ra-ra (? .2 en cambio de n en el denominador.cAP. algunas veces llamada coeficiente de determinación. Este está dado por 3r2. Por esta raz6n algunos estadísticos prefieren expresar (22) con n .. 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.r7 se explican por Ia recta de regtesión de mínimos cuadrados y así tienden a seguir un patrón definido... y sy tenemos )('?-U""')' D2 = r Entonces podemos demostrar que (véase Problema 8.

En consecuencia da el mismo número para todas las formas de curvas de regresión y no es útil como medida de ajuste. 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. se denomina fórmula de Spearman para la conela- .2. . CORRELACION GRADUAL En cambio de utiliza¡ valores muestrales precisos.264 CURVA DE AruSTE. esüá dado por rs¡ad donde d 6>d L-i@r_l) = . etc. Sin embargo. la última definición. donde coincide con (30). y) en los datos ción graduaL La fórmula (36). (32). En particular. es ilógico utiliza¡ un coeficiente de conelación lineal donde los datos no son lineales. por generalización apropiada. y se clasifican de tal forma. Si dos conjuntos correspondientes de valores. puede existir vna gran correlación no lineal. empleando los números t. y (86) : n: diferencias entre las clasificaciones de los conespondientes número de pares de valores (r. denotado por rgrad o sencillamente r. es derivada en el Problema 8.36. . esto es 12=: (85) refleja la forma de la curva de regresión (vía y*t) y de este modo es apropiada como la definición de un coeficiente de correlación generalízado r. y. 8 Si utilizamos la transformación (9). Entonces la conclusión a extraerse no es que hay poca correlación (conclusión algunas veces alcanzad. (33) se convierte en 2'r'a' (2x'2)(2y'2) que comúnmente se emplea en computacion.()r')()y') (83) que indica que r es invariante bajo una traslación de ejes. REGRESION Y CORRELACION [cAP. (8t) El coeficiente de correlación lineal puede ser positivo o negativo. el coeficiente de conelación gradual. n. Puesto que un coeficiente de cortelación simplemente ¡ride qué tan bien se ajusta una cun¡a de regresión (o superficie) a los datos muestrales. . coeficientes de correlcción múltiple. hallamos n2n'y'. k = A. importancia. Sin embargo. o cuando la precisión no puede obtenerse.a pot aquellos laicos con los fundamentos de la teoría de correlación) sino que hay poca correlaciín lineaL En efecto. excepto en el caso de regresión lineal.. suponga que se aplica (29) a datos no lineales y se obtiene un valor que es considerablemente menor que 1. Sin embargo. (31\.r. si lz : ñ. (33) o (34). si utilizamos (30) para obtener r debemos aplicar el signo apropiado. Si r es positivo y tiende a aumentar con Í (la pendiente de la recta de mínimos cuadrados es positiva) en tanto que si r es negativo y tiende a disminuir con r (la pendiente es negativa). El signo se toma en cuenta automóticamenüe si empleamos el resultado (29). L'a conexión (25) entre el coeficiente de conelación y el error típico de la estima es válida para corelación no lineal. los datos pueden clasifica¡se en orden de tamaño. página 260. Utilizamos (35) para obtener coeficientes de correlación no lineales (que mide qué tan bien se ajusta unz cun)a de regresión no lineal a los datos) o. r.

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

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

2 grados de libertad. fo = E(YIX = co)].8l CURVA DE A'USTE. lo = a * bxs.2 grados de libertad. Esto también puede utiliza¡se para hallar inten¡alos de confianza p¿ua coeficientes de regresión poblacionales de los valores muestrales. Véanse Problemas 8. 2.'\[+Fi.(i#J aproximadamente tiene una distribución normal con media y desviación típica dadas por (50) -Zt" /1+p\ *.m (ao- úor\Ñ @a¡ tiene una distribución de Student con n . Denótese por üp elvalormedb predichodey correspondiente a x = Ío para la población [esto es. REGRESION Y COBRELACION 267 tiene una distribución de Student con n . Ensayo de la hipótesis p = 0. De aquí pueden hallarse los tes de confianza para valores medios poblacionales predichos.50.47 y 8. Ensayo de hipótesis para valores medios predichos.1618"".. 1. Véase Problema 8.49 y 8.Para este propósito debemos conocer la distribución muestral de r. Denótese por Jo eI valor predicho de y correspondiente o. = ffi - (51) Z de Fish. Los ensayos siguientes resumen los procedimientos involucrados. Ensayo de hipótesis para valores predichos. Ensayo de la hipótesis p * 0. 2.2 grados de libertad. Véanse Problemas 8.43 y 8.45. = 1.46. Véanse Problemas 8. La transformación (60) se llama transformación /1+p\ I o/' ". lo : a * bxs.48.. Í : Ís para la población. Entonces el estadístico t- su. 3.ffi @o- a"\{n-2 Urr¡ tiene una distribución de Student con n . En el caso de que p = O esta distribución es simétrica y se puede utiliza¡ un estadístico con distribución de Student. lími TEORIA MUESTRAL DE CORRELACION Con frecuencia tenemos que estimar el coeficiente de correlación poblacional p a partir del coeficiente de correlación muestral r o ensayar la hipótesis relacionando a p. Entonces el estadístico t- ú- ru.er. En ese caso una transformación debida a Fisher produce un estadístico que aproximadamente tiene una dishibución normal.8 : to estimado de la ecuación de regresión muestral. De esta ecuación se pueden ha' llar límites de confianza para valores de población predichos. es decir. (i=/ : 1'1513 tos'o(1 Estos hechos pueden también utilizarse para hallar los límites de confianza para los coeficientes de correlación. Véase Problema 8. Para p + Ola distribución es sesgada. Denótese Por Jp el valor predicho de y conespondiente 2. . Aquí utilizamos el hecho de que el estadístico f = rl/n-z \/fr (+s¡ tiene distribución de Student con n - 2 grados de libertad. es decir. Aquí utilizamos el hecho de que el estadístico z =*r"(i+) = r.cAP.44. Denótese por ¡lo el valor predicho de y conespondiente i f : ts estimado de la ecu¡ción de regtesión muestral.

11 ) de (2) y (l pedido sustituyendo en ). y. calculamos Z.a*br)-(a*br1l = b(r2-r1l Obteniendo que b : (yz . 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. yr ) V @2. Problerna.(. 8 3.yt)l@z . Si X representa los s¿larios anuales de los profesores en tanüo que Y representa la cantidad de crímenes.. Por tanto (1) A2 = aibr2 u-a1 = @*br)-(a+b*t) (2\ . REGRESION Y CORRELACION [cAP. eI coeficiente de correlación puede eer diferenüe de cero y podríamos halla¡ una ecuación de regreeión prediciendo una variable de la otra. La gÉfre de la recüa . CORRELACION Y DEPENDENCIA Si dos variables aleatorias X. Es importante acla¡a¡ que "correlación" y "dependencia" en el sentido anterior no necesariamente implica una independencia causal di¡ecta de X y Y.t [. página 82) que son dependientes en el sentido de probabilidad (esto es. Aquí hay una independencia directa enüre X Y. = Y nr- n^ = nt-3' nz-B (53') disbibuye norma[mente. Se¿n X.268 CURVA DE AJUSTE. EJEMPLO 8.)w-.2. lt ) y ( rr.yt)lfz . Entonces ya que (¡r. Esto se demuestra en los ejemplos siguientes.s resueltos NECTA DE MINIMOS CUADROS 8. diente de la recta. Y tienen un coeficiente de correlación diferente a cero. cuando p + O. Véase Problema 8. el resulüado se deduce. sabemos (Teorema 3-15.51.a ecuación de una recta es ! : a * b*. ozr-2. Y variables aleatoria¡ que representsn eetaturas y pesos de individuos.1. su distribución conjunta no se factoriza en sus distribuciones marginales). y 22 conespondientes a y rz utilizando (50). y2 ) son puntos sobre la recta yt = a+bn1. EJEMPLO 8. ). La consüante b : (yz . = Pzr. ozr-2. (521 donde se Itzr-|.@ se mueetra en la Fig. Una recta pasa por los puntos (xr. Significado de una diferencia entre coeficientes de conelacion. Demostrar = que la ecuación de la recta es U-Ut tenemoe (Ty.b(r-r-1\ Í2trt Uz-Ut .Zrpzr-2.¡r ) es la pen- . 8-5.1. Además.lLzr. podemos utilizar una ecuación de la forma de (39) pata predecir el valor de Y a partfu del valor de X. Pero diffcilmente diríamos que hay interdependencia düecta entre X y Y. Luego utilizamos el hecho de que el estadístico Zr.

4\.b) = l(o * br . Puede demostrarse que eetas realmente resultan en un mínimo. 3 2 4 6 4 891114 o a t).rA' ")t)'6"' Fig. 8-6. (b) Í como variable dependiente. .642r. 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. r como . recta de mínimos cuadrados conespondientes a 11. 6). I 4 8 I Una rect¿ que se aproxime a los datoc se dibuja a mono olzada en la figura.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.(4. 7). F(a. (11.8l 8. f. Refiriéndonoa a la Fig. CURVA DE AJUSTE.rfnSOn a*bry albr2. Entonces el Problema 8. (9..2 utilizando a (c) variable independiente.. 12. tales como P y 8.. (o) Dibujar loe puntos (1. Una condición ó mfnimo (o un máximo) es necesaria para que esto sea un que aFlaa = O. es decir. vé¡ee Problema 8'4 que emplea el método de mfnimos cuadrados. para la recta de mínimps cuadrados. (b) Para obtener la ecuación de la recta construida en (o).61. página 260. 2). albnn Las dewi¡¡ciones verticales correapondientes son dt = a*br1-yt. 8) y (14. 6 y-l=0.7 . 8. dn = a*bxn-yn Fis. Derivar las ecuaciones nonnales (4)..1 ) y (72. (8. (6. 2ra = a2r*b2r2 como 8e pedfa.. 8-6 .cAP. dz: albr2-9".g¡2. 4).. aFlab = 0. REGRESION Y CORRELACION Tabl¿ 8-1 ü u 1 269 (c) Construir una recta que se aproxime a los datos de la Tabla 8-1.3. por ejemplo.542r ó¡ U=l+0. Para un método que eümine la ne' eecidad de juicio individual.os valores de y sobre la. 9) sobre un ¡istema de coordena' das rectangulares corno se muesha en l¡ Fig. escójarrse dos puntoe cualesquiera sobre la recta.4. (3.1 .tl' a-r =ffiO-l.2. (b) Hallar una ecuación para esta recta. 8-?. Ajustar una recta de mínimos cuadrados a los datos del Problema 8. Las coordenadas de e¡tos puntoa tomadoc de la gráfica eon aproximadamente (0. 8. Ya que # = >f.

8c*40d = 56 40ci256d = 364 Estos valoree también pueden obtenerse de ()rx)sz¡ .545. Aunque la última columna no se necesita para esta parte del problema. se ha agregado a la tabla para emplearla en la parte (b).636 r.8 (o) La ecuación de la recta es y : o * b¡.(56X364) lt ó0'545 = 6 --lE f8-i6 g=w =qffiffiá#l )c = cnld)y = frao. n lizando el método a mano alzadt.()r)()ry) = (40)(524\ . yla rectade mínimoecuadradoopedida es S t + lrx 6 U = 0.r.)ru) c=ffi==-0.2 utiPuesto que hay 8 pares de valores de.CURVA DE AJUSTE.oso (b) Si se considera a r como la variable dependiente y a y como la variable independienüe. Tabl¡ t-2 i 1 a 12 nu 1 a2 I 2 4 4 6 a 3 I I 16 36 64 81 I 4 6 4 6 8 16 24 40 63 88 l6 l6 25 49 64 81 I 11 8 Lzl 196 l4 I 2v=40 t26 524 )r=56 2r2 = 2ry = 364 2a2 - 266 : 8 y lias ecuaciones norm¡les se convierten a 8o*56ó = 40 56a*524b = 364 Resolviendosimultáneamente ¿=il ó0. la ecuación de la la recta de mínimos cuadrados es ¡ : c * dy. las ecuaciones normales son 2ru = c2y*d2a2 Entonces utilizando la Tabla 8-2. Nótese que esta no es la recta obtenida en el hoblema 8. Otro método.sz El trabajo involucrado en el crilculo de las sumas puede ordenarse como ae indica en lá Tabla 8-2.Ga)(.636. las ecuacionee normales se convie¡ten en dedonde c=-* ó -0.546 + 0.50. REGRESION Y CORRELACION [cAP.50. a = ()y)()r2) . d=9 ó 1. b=+ ó0. t¿s ecuaciones normalee son )Y: 2ru: an*b)r a)r*b). y.50 d- - = 1.60 .

(o) El punto (?.cAP.50(3) = {.546 + 0. [¡secuacionee delaedosrectassona= llamos 8. ti). se indican en la Fig.333 + 0'667 ¡' que no ee l¡ mi¡m¡ rect¡ 8. La recta obtenida en la parte (b) se llama la recto de regreeión de x eobre y.5). (c) Estimar el valor de ¡ cuan' doY: 3' -2a40 a=T=¡-=o Luego el punto (6.546 * 0. ¡ = 7 .66? r 8 6 1 u= 0.9. la recta de mínimos cuadrados puede escribirse como Q) Caso que muestra que la recta pas¿ por el punto (á..4.546 f 0.60y t2 10 = y= e. Demostrar que una recta de mínimos cuadrados siempre pasa por el punto (i. (o) Demostrar que las dos rectas de mínimos cuadrados obtenidas en el Problema 8.8-8 8. y E=-t+*y. y : 0.fi). (b) Estimar el valor de y cuando x: L2. Nótese que al solucionar esta ecuación para y obtenemos y obtenida en la parte (o). 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.7. Representar gráficamente las dos rectas obtenidas en el hoblema 8.6.Resolviendoeimultánesmente.pue¡üoque7=-*+*(6).: L2 en la recta de regresión de y sobre n.ú). mfnimos cuadrados puede eecribirs€ como hocediendo como en el c¿¡o 1 intercambiando r.6). r-ñ f).Elpunto(?. pueeto eue6=*+t(?). (b) Al remplazar x.636 r o. las rectas (¿) V (S) no coinciden. Caso 1.! :5.E. {. ¡ es la variable independiente. Ot¡o método.60+1. llamedo el centroide. d respectiremen' üe. hallamos que la recta de (5) que indica que la recta pasa por el punto (4. 0.636 ¡ 2 0 6tl012 Fig. U = 0'646 + 0'636(12) = g'Z' (c) Al remplazary:3 enlarectaderegresiónde¡ sobre a. 6) se encuentra en la recta U = 0.500*1. es (7. Por üanto la¡ rectas se interceptan en el punto (?. lo cual es un¡ indicación de que los datos están muy bien descritos po¡ una relación lineal. REGRESION Y CORRELACION Por tanto la ecuación pedida de la recta de mínimos cuadrados es r = 0. . Lar gróficas de l¡s dos rectat.50y. Nótese quelas dos rectas en e¡te caso prácüicamente coinciden.636¡.60 + 1.Í.úr. - 0. pero ¡e intergectan en (a.8. F = -0. = tllu-úl Nótese que en general.4 intersectan en el punto (. y es la varirrble independiente.333 * 0.8l CURVA DE AJUSTE. 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 ). ú). se utiliza para estimar r para valores dados de y. 2.6)seencuenhasobrelarerfar=-++$y. y.6. U = &* Lrrr.60 y. b por c. más exactamente.60 * 1.ha*+É. remplazando las constantes o. ¡ ¡=-0.

U - g.nEú (I¡X)z) ¿ru . . demostrar que D--i# . r puede escribirse en la (l).(2r. Ir 2(a .(2r)(2r'l n2r.t¡z = - t )(>x)2 |ín2rz .9.pdgina 261. u=7+tc Por üanto .(>. tenemos D_ 2(r n2xy .-. sean c = d *h.ú = b(x. h = f.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.úl = 2(rs-i:y-ir*efrl 2ra-ñ2u-ú2n1'2eú 2rU-nEú-nfrE*nitfi . REORESION Y CORRELACION Demostr^ar que la tecta de regresión de mínimos cuadrados de y sobre forma (8).(2x')(2y'l n)s'2 . h_ v- dondeh n2uU yk son constantes.(2rlz 2(¡z-2nr*12) 2r2-2ñ2r*2i:z 2r2-2n82 lniz 2s2 . y (véa¡e problema g. j[n2ra Por tanto (I ) oe conüerte cn 2rU t (>¿X>y)] de donde ¡e obtie¡e el resultado (S ).n8z 2r2 I Entonces . + k.al r.8 tenemos f. página 260.tenemos .1 -ñF-trú.=-Ep=Ts¡t Del Problem¡ 8. ¿ = ñ. 8.8.t).()¿X)y) n)¡z . 8.Demosharque .272 CT'RVA DE AJUSTE. pdgina 260. U . y.(Ic)z¡ También >(r - t)(v .n2r'a' .12). Problema 8. = n8ru-(2rl()ü _ n2xz _ (2r)z Entonces ti ú = út I h. De la segunda ecuación en (5).y.10 Si en el Problema 8.=7+h.7 .)(2g.e¡z demo¡tración de (12). re rigue intercambiando D - >(z::elfu. g 8.9.. Tónemo¡ de 11) [eAP. u=u'*k.

88+r.8l CURVA DE AJUSTE.cAF.a2n*b2n2 [.9 ya que 2fr' = l(c-t) y análogamente = 2r-nñ = 0 ly' = 6. (c) Construir un diagrama de dispersión. .418 Zny = 54. y ) sobre un sistema de coordenadas rectangulares como se muestra en la Fig. donde o y b se obtienen resolyiendo las ecuaciones normales. (c) Hallar la ¡ecta de regresión de mínimos cuadrados de r sobre y./ €70 6 !a 2a'= an * ólr 2ra . 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. 62 62 6{ 66 Fig.476. de modo que y :96.086/___V (b) f.849 . REGRESION Y CORRELACION 273 Se deduce inmediatamente del Problema 8.476x. 8-9.418b = 64.y deuna muestra de L2 padres y sus hijos mayores.4.82 y b = 0.a recta de regresión de y sobre r está dada por y = a + b*.ae sumas se muestran en la Tabla 8. 6t E-9 ?0 72 Estatura del padro (pulgadas) Tabla E-4 g t)o a 68 66 68 65 69 66 68 65 t2 4225 3969 4489 4096 üa 4420 4158 4624 4356 63 67 64 68 62 70 66 68 67 69 7L 4566 4160 4624 4225 4624 3844 4900 4356 4624 4489 4761 6041 4692 4092 4760 476L 4356 4624 4226 6041 4489 4290 4828 4489 7l 67 68 70 4692 4970 4624 4900 )c = 800 ly=8u lcz = 63.197 )92 = 64. 72 de dispersión se obtiene dibujando los r = _8. de modo que lae ecuaciones normales se convierten en 9oe 2? 666 864 É¡ E 12o*800ó:811 800o*63.L07 de donde hallamoe o : 36. 8-9. &11 La Tabla 8-3 muestra las respectivas estaturas lc.82 + O. (b) Hallar la recta de regresión de mínimos cuadrados de y sobre r. La gráfica de esta ecuación ¡e muest¡a en la Fig.

036.2y 2uY = c2Y*d2Y2 L2c Utilizando las sumae en la Tabla 8-4.036y.82. .12. - (>¡XI=y2l. de r.67. 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).849d muestr¿ en la Fig.476(n-66. b = dada por ry# = 0. aparte de los enores de redondeo.L07 E1lc#54.9. por ejemplo 68. REGRESION Y CORRELACION lcAP.274 Otro método.6?. (12X106) (-16)f. ¿ = n>r!: (>!)l?nl = n2a2 .86 * 0. 8-9. u =7*68 = -**68 = IZ-LZ = b(u.dondecydseobtienensolucionandolas 2a = cntd. y ( los números restados de r tee). Esto nos conduce a la Tabla 8-5.á).12s¡z _ _s.476u u . De una manera análoga podemos obtener l¡ ecuación de regreaión de r sobre y.11. = ú - 68. Solucionar el Problema 8.5) - (10)z = 0.asfque¡:-3.68. CURVA DE AJUSTE. Por tanto 6?. esto ee a = 36.07) 6 ecueción de regreeión pedida de y sobre x ea a .68 = 0.38*1.Iagráficadeestaecuaciónse Otro método.4?6 Larectaderegresión x:c* dy. = ñ . se convierten en -f SLld = 800 64.086 8.()y)2 1. 8 "= (c) ecuaciones normales I]4ff de¡ sobrey viene = 85. - 68 tenemos r.11 utilizando el método del Problema 8.g8.ú de acuerdo con el Problema 8.476 También ya que &' = ú . Réstese un valor apropiado.d=1.(lyX>ay) n2yz .58 n I¡ =7*68 = -**68 = 66. = delascualeshallamosc:-3.68. . y.38.

9294 2. = C.6946 1.8543 =-1.3 61. (c) EstimarPcuando V = 100.1 Presión P (lb/pul2 ) Ya que 6r.1 lu = 8'7975 b )12 = 23.0 pulgadas cúbicas.7348 1. De acuerdo con los principios de la termodinámica una relación de la forma PV.2077 3.074L 2. REGRESION Y CORRELACION 276 ECUACIONES NO LINEALES REDUCIBLES A FORMA LINEAL 8. tenemos tomando logaritmos de base 10 cálculos involucrados en eI cómputo de la recta de mínimos cuadrados (l ). La Tabla 8-? da los valores ¡.2 PVt = C. 8-10.40 Luego Y = 4. a = ()y)()rz)-(>rX:g¿l _ n2"2-1>n\z .000.cAP.0059 2xa - 16.66L7 2.0043 12 ra 3.to = 16. . C=1. debe existir entre las variables. Solucionar el Problema 8.40.4533 1.6 194. Para cada pareja de valoree de la presión P y el volumen V en la Tabla 8-6.4Ou.20-1. La tabla 8-6 da valores experimentales de la presión P de una masa de gas dada correspondiente a varios valores del volumen V. Tabla 8-6 Volumen V (pul3 ) 54.2 t9. r=logV:2 25.13 dibujando los datos en un papel logJog.0095 3.6762 1.2833 1.0 10. Tabl¿ 8-7 s = logV L.14.b:-'1.60X104 y y=1. Las ecuaciones normales qorrespondientes a la recta de mínimos cuadrados logP = logC-ylogV logC ó logP*ylogV: Tomando log I/: x. (c) Hallar elvalorde y y C.20-l. Entonces P=antilog1.8l CURVA DE AruSTE.40= lb/pulg2.8309 t.ffi¡af'=-1.20.0350 3.40=-y.(b) Escribirlasecuacidnes que¡elacionan aPy V. donde y y C son constantes.20=logCy (b) Pvt.log P : y. P de Ia Tabla 8-6 y también indica los (l ) son 2a = on*ü)¡ de las cuales 2ry .40(21 =1.7858 1.5 72. n.7 28.2878 2. y conespondientes a los valores de V.4 37.6 88.a2r*b2r2 4.2ry .7943 4. 8.13.0997 3.2340 2.()rX>u) 6=-ffi.40.2976 )r = 11. obtenemos un punto que se dibuja en el popel log-log construido especialmente como se muestra en la Fig. y y= logP=4.9479 2.3019 6.4 118. (c) CuandoT=100.8 49. la última ecuación puede escribirse (r) U = oibr donde¿:logC.7910 1.6953 (o) Puestoqueo=4.859? A = logP 1.4685 3.

Ut U2.2.1rn ¡on olbr¡lcu!. para la parábola de mínimos cu¿dradoo. prigina 261. Pa¡a obtener ¿ ¡e nece¡it¿ un punto sobre ce8 l¡ recta.a)(2) = de modo que logP* 1.o*blogV ó g = o*bn Ie pendiente D. .8-r0 150 ¡00 ú t00 También ¡e indica un¡ rect¿r (dibujada a mano alzada) que re aprorima a eeto¡ puntos.276 CURVA DE AJUSTE.. . Entoncee lo¡ veloree de y ¡ob¡e moc cr¡¡dr¿dor cotrec¡rondieatet a a1. Enton4. 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 . . . (nn. e2..4 los100 = l.8 l0 ú' 3o {0 ü. m 60 so r00 Volumen Y '{l Fig. logPTlle . (r*uzl. P: 26 de la g¡lfic¿.!nl. que er negatlva en e¡te ce!o. Deriva¡ las ecuaciones nomales (I9). [¡ medida en este e¡¡o indica que D = -1.4 logV = 4.¡ U¡ ertfa dadar por dt = qtbx¡Ic¡. y PVtl = 16O00 PARABOLA DE MINIMOS CUAI)BAI)OS E.. U = a*ba*crz l¡ pa¡óbol¡ de mfni- Se¡n lo¡ puntos mue¡t¡alec (a¡Ittl. .. .?"-al' dc = o*bu21-cú-!2.16. .) d^ = o*üc"lorl-t^ y lrr ruma de lo¡ cuadrado¡ de le¡ de¡viacionee eotá dada por )¿t = )(o+ bxlca2-t)1 . of bur*wl l¡¡ de¡vir¡cionee de. . re de numéric¡rnente por l¡ relación-de la longitud AB a le longitud AC. Por t¡nto albn2*ct/.2 a = logP-ülog7 = lo926*1.a*(1. REOBESION Y COBRELACION [cAP. .4. Por ejemplo cua¡do V: 100.4.2.

36c = 230.971. b = : 2. Ajustar una parábola de mínimos cuadrados de la forma ! Tabla 8-8.6 9. Tabl¡ u 1.61 24.70 38.066.66 259.2110¡ arí la parábola 2. lar ecurciorÉ¡ norm¡ler (I ) rc convierten en 8a I 42.12 67.36 2ua = Zxu 291.44 3.24 9.L6 6470.9 9.00 Puecto que n (2) Reolviendo.2 1.92c : 1449.t2 9223.9 5.8 7. c.19 2.8 r87. T¡bb ü u 1.b.t=o' *=o Enüonces # = ).36 5?6.360 + 18971.91 636.20 18.2ll0rt .08 10.2 )u= 46.28 233.cl = )(o I Para minimizar esta función debemo¡ tener bx * cx2 - U)z Ti=o' .42 - - 1449.83 29.82 4t.2r2].46 254t.92 230.93 342.1 : 8.o3to*óc*cr2-a)2 = )2(o+br*crr-a) k = )*a{o*br]-cnz-u)2 = 2Zr(a*brtcü2-a) aF :d.16.79 s32.00 2.7 4.40 10.4 2r2 - Ic3 = 2276.7 4.O.58 4.688.7 12 n3 xy 6.41 73.8 3. b.8 4.65 185.4E 1065.8 2. o ción = 8.1 8. 8. ? = )f.7 7.20 o + 2276.cAP.6 2A = an*óI¡*c2n2 [¡s (r) ecuacionec normales son 2ry = o)¡*b2r9*c2rs 2n2a = o.2Ob+2275.28 38.1 12.70 26.6 2.8 4.2 6.62 21.04 1.27 1. = + 2.96 96.8l E¡t¡ ec CURVA DE A¡UsTE.04 48.ólcs*clra H trabajn involucrado en computa¡ la¡ ¡uma¡ puede ordenarce qomo 8e mue¡ha en la Tabla 8-9.20 c = 48.9 7.49 60.6 a I bx * cr2 a los datos de la t€ D.2a*2SL.42 291.6 5. REGRESION Y CORRELACION función de o.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). págin¡ 261.2 6.9 7.8 7.2b + 291.22 rzy 6.8r 2n2g I¿= 42.48 19.588 de mfnimoq cuadrado¡ pedida tiene l¡ ecr¡¡- .OI 32. c = {).19 36?.49 92.0 ?. e¡ decir 277 F(o.1 t€ 14 a 4.0 7.2 1.75 117.06 941.8 3.' 7.065 t .73 5.5 6.

(b) Determina¡ los valores estimados de e de los valores dados de r. all. (c) Estimar el peso de un muchacho de 9 años y 54 pulgadas de estatura.2 6. Análogamente se obtienen otros valores estimados. vienen dadas por a*bnr*cyn dn = a* bnr* cUr.2110(I. ala pulgada más cercana y las edades y al año más cercano de 12 muchachos.278 CURVA DE AJUSTE. Demostrar que la ecuación de regresión de mínimos cuadrados se obtiene al determinar a. c e igualando las derivadas parciales con respecto za.0 7.613 6. b y c a cero. 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.56L 2.zn\. b. Entonces los valores de z sobre el plano de regresión de mínimos cuadrados correspondientes a (r1.5 5. . . Tabl¡ 8-10 Uest 4.741 4.17.. y puede escribirse z: albnlcy Las ecuaciones normales (21).2)2 = 4. .16 para estimarlos valores de y de los valores dados de r. .zt. (rn. .z¡ dt = a* br1 * cUt. [.An) son respectivamenüe a*br1*ey¡ Por tanto las desviaciones de z¡.).065(1.. 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. pág¡na 262. c de modo que satisfaga (21.. . (c) Hallar la ecuación de regresión de mínimos cuadrados de z sobre x.640 7. Pata r = 1. REGRESION Y CORRELACION la. b.2.9 6.. 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 8-12.8 7. .5 2. y por medio de una ecuación de regresión de a ! bx * cy. Utilizar parábola de mínimos cuadrados del Problema 8. .762. y.. las ecuaciones normales pedidas (21) en la página 262 se obtienen.588 + 2.7 u REGRESION MULTIPLE 8.página 262. 8.762 4.503 7. z. Ue"¡ = 2.8 8. Se desea estimar una variable z de las variables : Sean los puntos muestrales (ryUyzr). (ün. las estaturas x.os resultados se muestran en la Tbbla 8-10 junto con los valores reales de y.18 la forma z r.8 4.Un. lcAP. y. La Tabla 8-11 muestra los pesos z ala libra más cercana.621 5.19.0.2) .962 7.

225 68.865r+1.926 66. Utilizando la ecu¿ción de regreción (3) obtenemos log valores egtimados de z. a = 6796 = 3. la ecuación de regrerión pedida es (t) (b z = 3. o aprorimadamente 63 lb. 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. 2a'- a2g n - b2rY por Ueet Loe valoreg de y ectimadoa a partir de la recta de regrerión vieneÍ'r dados = @ * ü¡."r)2 2afu 2fu-o-brlz o.6612.-brl - o-bu) .8l CT¡RVA DE AruSTE.843 Utilizando esta tabla.7r7 68.! : 9 en (3). Si la recta de regtesión de mínimos cuadrados de y sobre que el error típico de la estima sy.8436 * 6779c = 40.286 66.cAP.r=n= = 2(a-a.139 34.b2r(u -a-br) . y. =í.86? 65.6068.356.830 2yz = 6796 2uy = 6779 48. Ír.920 64 7l 63 67 DD 68 77 67 66 61 76 68 (c) Remplazando ¡ : 54. demos- s'?.¡ €stá dado por r viene dada por ! : a * b*.20.8646.4t4 69. denoüado8 pot valoreg Tabl¡ 8-13 2est 2 64. c = 1. las ecuaciones normales (I ) ee convierüen en l2a1-643b *106c (2) 643¿ = 769 * 34.664 78. el peeo estimado es zest : 63. Entonces ^.2(Ufl -a.606u zesb al susti- ) tui¡ los valores correspondientes de x.= v. REGRESION Y CORRELACION Tabla t-12 fi 64 Df 59 49 62 51 a 8 10 6 11 z. ü = 0.682 ?8.e resultado¡ ¡e dan en la Tabla 8-18 junto con lo¡ mueshaleg de z.66+0.168 48.206 69.136 64.880 106o*67?9b+976o Rerolviendo.. ERROR TIPICO DE LA ESTIMA 8.

.66 7l 70 69.7L 64 66 66. Demostrar que el resultado del Problema 8. / .2na-o.81 0. denotados por lresr.a2r * = b2u2 Entonces sí. I üyt * r.47 6r.476(66) : 66.82 + 0.€2 + O.xpot¿-á. güe ¡e neceaitan para el cálculo de oy.24 63 66 65.ó)(a .2y-an-óIr = 0 2r(a-a-br) .81 62 66 66..14 66 65 67.y.a)2 .71 -0.2r-b2rz = 2A = on * ó)c 0 puesüo que de las ecuaciones normales 2ru . como se obtienen de la recta de regresión.úl donde hemooutilizadolo¡re¡ultedot2r'=0.19 2.al@ .x = lTiltr= 1.b2r'g' .r. Entonce¡ del hoblema 8. 2u'=0 y ú = o*bt (que re deducen aldiüdiramboslado¡ de l¡ ecuación normal 2A = an * b)r por n¡.6? 70 68 69.bñl = 2O'' .b2(r' * ñl@' * úl = 2(y'2*2ytfi*¡z¡ .28 68 69 68.b2t'g' . Método 2.r9)z:l-.28 -1.28 pulgadac. (1.o.anÚ .b2rtgt * nú(ú .33 0. 2(a .280 Pero CURvA DE AJUSTE.24 -0. cotrespondiendo a ¡ = 65 tenemotgest:36.ana . 8 2(A-a-bn) ..+(0.81 U - Aest 0.2¡ pará Del hoblema 8.14 -2.Cuandoeehacenestoeremplazo¡enelProlos datos del Problema 8.20 N3' = 2u2-o'2a-b2xy = 2(a' + ú)2 .76 L.11.20 se obtiene el re¡ult¿do pedido.11(b ) la recta de regresión de y cobre x ea ! : 36.19 67 68 67.62 0.2O puede escribirse como ^z üu.38 7l 68. 8. que corteeponde a empezar con l--o+bryremplazando:oporcero.á).b2(r." y 8t. REGREsIoN Y coRRELAcIoN lcAP.bnü! = 2U'2 + nú2 .b2r'Y' = 2(a .")z = "1.21.*nú') . Erto demueetra el resultado pedido.a(2U. Por ejemplo. = 2a@-a-bt\ nll 2a2-a2a-b2ra Este ¡esultado puede extender¡e a ecuaciones de regresión no lineal.22.UpotA-ú.o2(g' * fil .!* e!\ = 2a'2 + 2y29' * nú2 .ú = b(r .14 ü a Uesl 65 68 66.71 69 68 68.98)2 12 = L64z .24 68 67 67 67.ú)'- b)(c n - ¡)(u - ú'l Si ¡ = r' * A. g = A'+ ú.bn.19 0. También ¡e indican lor valorea y - Uest.66 >(u-u. Catcular el error típico de la estima¡ 8¡.ú = 2u'2 .76. Tabl¡ t.bi2r' . En la Tbbla 8-14 ee listan los valores reales de y (de la Tabla 8-3) y los valorec estimado¡ de y.24)2+(0. Sabemo¡ que la recta de regreeión puede eecribiroe oomo blem¿ 8.bt2y' .29 -1. E.¡ Método 1.

ya que es cero. NOTA: Una mejor estima del error tfpico de Ia estima de la población de la cual so.04 (a) Variación explicada = (b) Variación no explicada -ú)2 = (-0. Tabla.56 -0. Entonces el porcentaje pedido es 9lL2: 7 5%. '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.23.brt Q. Demostrar que >(g Elevando al cuadrado A"'r)'* 2(U*r.22). Si los puntos están distribuidos normalmente respecto a la recta de regresión.t)2* )(yn"t-ú)2+ z>fu.[t = (y .08 2.'.)(y-uu. :: :.rr. REGRESION Y CORRELACION 28L 8.476¡ obtenida en el hoblema 8.11. ts. (¿) Construir dos rectas paralelas a la recta de regresión del Problema 8. (b) la variación no explicada y (c) la variación total para los datos del Problema 8..ne?. la teoría predice que alrededor d.. Entonces el porcentaje pedido es 9l12 : 7 5d.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..82 -t. (b) Determinar el porcentaje de puntos de datos que se encuentren enhe estas dos rectas..::.nrr.25 1. Este hubiera sido el caso aproximado si el tamaño fuera más grande. Las dos rectas paralelas.13 1. y-gfo". 8l CURVA DE AJUSTE. tenemos 2(u-ú)2 .:: . (o) ta recta de regresión y : 35.U""t)2 . = 19..r 0.61 0.rn.:'. y).28) = 1.34 0...abn) a .58).0t¡z . = )(U .t-ti) - A)" = 2(A - El resultado pedido se deduce si podemos mostrar que la última suma este es eI caso. 8-11.25.40 pulgadas. = tpiLo (1. Del último renglón de la Tabla 8-14.?0.g) sumando.y""t) * (Uost . = 1. se muestrana trazos en la Fig. En el caso de regresión lineal )(v - Y'"'¡)(v" "r . del Problema 8. Calcular (a) la variación explicada. 8-11.24. parecen estar sobre las rectas. de datos.S-15 Uest : 8]-LlL2: 67.) para 9 puntos (¡.22. Tenemos Uest de ú : 67 . 2r(u .12 (o de la Tbbla 8-4.30 0.77 )(U".11 a una distancia vertical sy. + (2. Il .28 y 1. 8. Utilizando los valores - a -0. ú>@ - a - bn) puesto que de las ecuaciones normales 2(a = 0. ne dada por 6r. Uir examen poste- 66 6l 62 Otro método. ya qve ú la Thbla 8-14 podemos construir la Tabla 8-15.cAP.. se encüentra entre -1.28 (es decir.28 (véase hoblema 8.13 -1.61 -2..82 * 0. cada una a una distancia vertical su.82¡z+.el 6812 de los puntos se encuentra entre las rectas.58 del Problema 8.. ..un"J(v.A)'.a) = =Q :y..11 se muestra sólida en la Fig. = 1/@ se tomaron las estaturas vie- COEFICIENTE DE CORRELACION LINEAL 8.

(la fórmula producto momento). en el caso de regresión lineal.3 -2.69 0.92 = 67.26(b).4 2.6 0. ¡o )¿ = 800 i. La recüa de regreeión de mínimos cuadrado¡ de y sobrer puedeescribfuse 1lest= b = 2r.= \Eá/ /rorl = \r¡. aumenta a medida que r aumenta.A)z = 19.z b22r.42 -1.92.09 5. para el coeficiente de conelación.4F7q de acuerdo con el Problema 8.[bb tt 62 70 66 68 67 69 -4. E.34 \/G.24. . trt =r- E.6 0.3 -1..7 3. página 264. Halla¡ (o) el coeficiente de determinación y (b) el coeficiente de correlación pa¡a los datos del Problema 8.7 0.96 2. del Problema 8.-0v t'.11.4e88.= !0. /i84s8)?58-3t Tabla E-16 = 0.7027 u 65 63 67 B4 a 68 66 68 66 69 66 68 66 r-t -t.4 7l 67 68 70 -0.7 1.4 .4 ' 0.6 L.49 -2.?0.6 0.f.y.76 11.34 2a'2 = 38.y = EP.32 7t 0.76 1.3 -2.66 -0.16 2.))' l) n'\ ¡ \) '\il t' jó -0.25. Por tanto se sigue el reeultado pedido.69 u'a' a'2 0.28.3 4. (a) coeficientededetermir¡ación = t = '1Hi1iáf*1"io" =m= 0.l2at2. Utilizando la fórmula producto-momento. Entonces 2r'a' 40.3 a-v 0. la conelación ec poeitiva y por tanto escribimo¡ r : O.L2 7.62 1.4 0.29 18.92 10.2 /?r. la expresión para r tiene automáticamente el signo conecüo asociado.56 0. obtener el coeficiente de correlación lineal para los datos del Problema 8.o.6 .8 (c) Variación total : 2(a . prágina263.92 0. Puesto que la varirable yn".)z \/ñtrW Sin embargo.18 0.:800/lZ = 66.6 3. pero negativa cuando /est disminuye a medida que r.68 2trtg'= 40.16 o.7 -3.) asír--*2r'a' ffi (2x. utilizando A. A partir del resultado general (30).A.36 68 il 'l .70 = 38. 8.11. El trabajo involucrado en la computación puede organizarse como se indica en la Tabla 8-16. Los resultados (b) y (c) pueden obtenerse por cálculo di¡ecto de la suma de los cuadrados.16 6. tenemoa &*br 6 Ulr¡= bx. puesto que la'gt'es positiva cuando 3/ss¡ autnentá a medida que r aumenta. (D) coeficiente de conelación = r : tVñ7d58.' .09 7.68 5.69 22.= EF.02 1. 8.29 1.donde ¡2= variación explicada va¡iación no explicada 2b2r.3 2. Entoncee.27.aumenta. derivarel resultado (34).26.89 13..32 1.16 6.66 0.3 0.7 1.7027.89 0.82 7.s¿.4 -0.22 + 19.7027 o con dos cifrar significativas r : 0. = y -f.282 CURVA DE AJUSTE.82 4.'. y Ulst = U.49 1. Utiliza¡ los resultados del Problema 8.4 a'= tr'2 2.09 10.7 )y = 811 a = 8LUl2 2rt2 = 84. REGRESION Y CORRELACION lcAP.

Demostrar el resultado (17). Utilizar el resultado del hoblema 8.nnn* v Entonces (I ) ee convierte en r(a-üz = 2a2 r : . donde ¿=? rz r sobre y er =a*ilu 8y Entonces b¿t = 1g\ 1g) = \c"/\oy. Del Problema 8.(>aXIY) n :E Puesto que = (2rlln V'ú = (2Alln" Arúlogamente.26(D) y 8.cAP.11 (b) y 8.476 d=ffi =1. Demostrar que el coeficiente de correlación lineal viene dado por f= En el hoblema 8.29 para halla¡ el coeficiente de correlación lineal para los datos del hoblema 8. la recta de regresión de donde A=?I. págrna 261. 2(a-nlz = 2(rz-2rt*r2) = 2s2 .| ¿gl\/¿e¿\ 6 =(iiot/\al/ ' ¡=o'7o27 que está de acuerdo con lo¡ Problemae 8. 8.2ñ2r 4 ntz (2112 2(2nl' ()r)2 = 2rz = 2r2 .TUSTE.11(c) respectivamente 484 ' ó=10fr=0.>IY w@ : n2rA-(2r'l(2A) .30./ 8.31.29.11. [.a recta de regresión de y aobre r es u=olbx Análogamente. REGRESION Y CORRELACION 288 8.27 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 .28. .8l CURVA DE A.036 Enroncec rz = bd.

32.) (42." = ss\/T=F = 1. y (b) sr.. Entonces variación total = 2(A .33.20) - (42.1 ¡.2g y g.284 CURVA DE AJUSTE.64 (á) Primer método. 8.4)/8 = 5.99r1)2 = 0. I del Problema 8.16.16.n parabólic a entre x. 8. (d) ¿Qué porcentaje de la variación total permanece como no explicada por la suposición de la relacii. Utilizando (a) y el Problema 8.33 (b).21(46.16.80.26(b).()¡X)z) (8oo)(811) (r2)(54.636y'i-(0. Ubtlizar la fórmula del Problema 8.40 8 = 1. (c) Hallar el coeficiente de correlación lineal entre las variables r. REGRESION Y CORBELACION [cAP. (c) Explicar la diferencia entre los coeficientes de correlación obtenidos en (c) y (b). supóniendo la relación parabólica obtenida en eI Problema 8.636 ó 1.33 (b). 2(A .Oz variación explicada . Sin embargo.4'.7027 como en los P¡oblemas 8.42) [(8)(2e1.11. el error típico de la estima de y sobre I es B!. hallamos r= n2ru - ()¡X)r¿) (8X230.n¡zi = -0.ilz = variación explicada 21.78%de la variación total permanece no explicada.52) - (40.16. Hallar (a) s.40.218 6 o.2)r][(8X2e0.31 para obtener el coeficiente de correlación lineal para los datos del Problema 8.2z ..34. i = (2U)/n = (46.ú)2 = 21.4O De la Tabla 8-10 Por tanto t-= = l(g""t-Al2 = 2l. y r =0'9911 var6eió. hay una muy buena relación no lineal dada por la parábola del hoblema 8.9922 = 0. y.3?43 (b) De Ia Tabla 8-9. y? (a ) Utilizando los cálculos de la Tabla 8-9 y agregando que 2tt2 = 290. variación no explicada va¡iación total (d) = l-r2 = L-0.tal =ffi=0'9822 (c) El hecho de que la parte (a) muestra un coeficienüe de correlación de solo 4.3743 indica prácticamente ninguna relación lineal entre r. (b) Hallar el coeficiente de correlación no lineal entre estas variables.30.01?g Por tanto 7. Esto puede deberse a fluctuaciones aleatorias o a una variable adicional que no se ha considerado. como lo indica el hecho de que el coeficiente de conelación en (b) está muy cercano a 1. Entonces la desviación típica de y es 8u= 2(u - ú\2 21. (o) Del Problema 8.62. 8 8.L071 = 0. COEFICIENTE DE CORRELACION GENERALTZADO 8. De la Tabla 8-4 r= n2ru . paralos datos del Problema 8.

35.19 Variación no explicada = 2(z - zo"tl2 (64-64. la mediaú ylavarianzasf sonigualesa(n l)12 y (n2 L)ll2 respectivamente.4L4\2 + "'+(68-65'920)2 = 258. CURVA DE AJUSTE. esbturas). Análogamenüe.pl. [¿ media de r. dada en térrninos de e2r.I i son las desviaciones entre las graduaciones. vemos del Problema 8.25 Variación explicada Enüonces - 258. ss t+2+. viene a3: s?+r?-2rs¡ads"sv .33' variación no explicada = 0. la varianza de las desviaciones.@ "" = 0'8418 = !ffi = thffia Debe mencionarse que si fuéramos a considera¡ la regresión de eobre y. Entonces si d¡ : r i . ! ¡ el grado dado al j'ésimo valor de y ' [.22 Tercer méüodo.37 Coeficiente de correlación múltiple de z sobre x. el coeficiente de correlación de ¡ CORRELACION GRADUAL 8. z gería en general diferente del valor anterior. *n2 n n(n*r)(2n*11/6 2 n2-l t2 utilizando los reeultados 1 y 2 del Apéndice A.218 ó 0.l'ciñexptñat. z..22 8.19.222-n22 48.os grados son enteros de 1 a n. que Para obtenerlo.88 Va¡iación total 2(z-2\2 .36. y estamos interesados en el coeficiente de cor¡elaeíón múltiple de z sobre x.76)z = 888'26 = 888.218 6 0. al y el coeficiente de correlación entre grados por * - s2¿. Utilizando el Problema 8. Sea rr: el grado dado al j{simo valor de x.88 = 629. REGRESION Y CORRELACION 286 Utilizando el Problema 8.*n @l_ryz n*l En = mientras que la varianza es sf. AquÍ estamos considerando n valores de r (por ejemplo pesos) y n valores correspondientes de y (por ejem. tenemos 2a2-a2a-b2ra-c2n2a = 0.8l Segundo método.a = = 299. y. = 12-82 = 12+22*..16 y el cálculo adicional 2gz 8y.cAP. Ya que z se determina de ¡. Explicar córno determina¡ía un coeficiente de correlación múltiple para las variables en el Problema 8. pág¡na 264.L2(62. Derivar la fórmula de correlación gradual de Spearman (36).52.-. ¡ sobre y. y I va.139 .

11. 7l y puesto que los lugares 6.8s45 indicando que hay una relación entre el rendimiento en laboratorio y teorfa. 66.6 1 11 6 8. tor \-"rttd- "3 - e¿.6.6. 6g. %. 10.66.37.6.6 10 3. AsÍ. 6. la Tabla 8-B se convierte en Tabla E-19 Graduación del padre Graduación del hijo 4 2 6.2 24 = Entonces rgrad= t-#!T = t-ir#?u = 0.7. Calcular el coeficiente de correlación gradual para los datos del Problema 8. Tabla 8-18 Diferencias de puntuacionee. 67. las estatura¡ de los padres eon (r) 62. 70. 1. 70.5 l. 6.6.(2d2)/n = L-nfu2] 8.5. Hallar el coeficiente de correlación gradual.s" 0. 69. 64. 6g. d d2 -1 -2 -1 1 1-1 I 1 3 I I I 2-L 4 1 -1 1 4 2d. 4. 69.6 10 t2 7. 66. 69.6 3.6. 3.6.6 11 . por tanto las estatu¡as de los hijos quedan ordenadas @ Con las correspondencias 1. les asignamo¿ w orden meg [(6 + z + + 9) / 4 . 63. REeRESIoN y coRRELAcIoN lcAP. 66. ?. 10.6. 6?.38. 6. 7. Tabla 8-17 Laboratorio Teorfa 8 3I2 9510 7 r0 4 615 1873426 La diferencia de puntuaciones d en laboratorio y teorfa para cada estudiante se da en la tabla siguiente.6 7. 8 (r) h¡ecüo que 7 = fgrad = eZ+sT-af. 3. Tbmbién se incluyen dz y 2dz. a las e¡tatura¡ de loe padres ee les aaigna los órdenes (2) (3) dio de 7 . 66. 6. 6?. a los lugares 8 y 9 ae les asigna el orden 8.5.c asignamos a estos doe lugares un orden medío de 6.6 7.6 t2 5 7. 9.l\ltZ . 69. 12 De igual forma.6. 2.7.7.6 3 8.6 1.rz)/n y (l ) ge convierte en 7')/12 W @2 - * (nz 6>d2 . Análogamente. La Tabla 8-17 muest¡a cómo l0 estudiantes fueron clasificados según su rendimiento en el laboratorlo y en teoría de un curso de biología.6.5. le. 8 y 9 repreeentan la migma estatura (68 pulgadas). 8. 69.286 Entoncee cuRvA DE AJUsrE.5. 1¡ (t) y (2). 69.6 1.11 y compararfos rezultados con el coeficiente de correlación obtenido por otros métodos. 66. 9. lac estaüuras de loe hijos ordenadas en gentido creciente son 66.5. 3. ordenadas en forma a¡cendenüe de magnitud. 71 Puesto que en esta ordenación loe lugares sexto y r*éptimo represenüan la misma estatura (6? pulgadas).(J) y (4). 11.

ú2 E(X . 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 .0.5 -1. lo cud es una condición necesa¡ia para que F(q."l Igualando estas ecuaciones a cero. (b) X sobre Y. La función de densidad conjunta de las variables aleatorias X.Fpx. los cómputos de d2 y I¡ )d se mue¡tran en la Tabla 8-20.26 6.6 2. los resultados para muestras tienen resultados análo- gos para poblaciones e inversamenüe.0 ü 12.P(X .40.px) . lo+zo¡a.cAP.6 3.5 3.(r+2y) 0<n<7.Fpx.P¡x.26 12.Fy = p(r . Y es l\r'a) : (a | f.v)l + Gv-Ft'x-o)2 = "? * F2oI . Tabla 8-20 -3.0=Y<L {o deotraforma Hallar la curva de regtesión de (c) Y sobre X.39. p) tenemos AF u = mos -2(pv zBoi - 2oxv - 2px(pv .rv) = 0.00 2.6 -1.zBEl(X-pi(Y -¡.5 -1. . ) La función de densidad marginal de X es f{r) = [.26 L2.a* pr entonces A .o*t¡ .dlz} = El(y -pv)21 + BzEl(X-r. INTERPRETACION PROBABILISTICA DE REGRESION Y CORRELACION 8. halla- tv = ol Ftx Por tanto si g . En general. con la correspondiente para muestras.-ffi!\ = 0.60 rgrad = t-#!T: . 20.F) sea un mínimo. 8.25 2.6 1. REGRESION Y CORRELACION diferencia en graduacionec d.2Boyy r (py .26 1.5 -2.8l CURVA DE AJUSTE.}j'2l.25 6. = f.25 2.px\ ^t u\ox) | Debe notarse la semejanza de la demostraeión anterior para poblaciones.?466 que concuerda muy bien con el valor r = 0.0 1. utilizando esperanzas.ol.px) * (pv .r.9px. E(Y .00 d Entonces 2iP = 72. utilizando sumas.7027 obtenido en el Problema 8.25 2.25 1.26 L2. íE = dF Denotando la última expresión por F(c.pvl .a) ó Fok = o*v a-tly="4tr-u*) A-Py - /'. Derivar (39) a partir de (37). .26(b).6 -3.5 1.

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

REGRESION Y CORRELACION 289 (e) xY = Entonces Í.2 = l0 grados de libertad) vienen dados por 95?iparap(obteni.42.22)y 1. ot : ".40. (+) ó a -i : - ür I x) ó -.43.82 + 0..43)' y n: !2 1 r/o t r--- .476x. se está en la ryHt\ = 0.476B-b t=r.szs=!2.66 (Problema 8.8I 6.'=o Í"'=o. (¿) La recta de regresión de Y sobre X es + oXY "+@ .'lW\" .-- .r: L. r8fl .0 y lb) 70.180 si ú ) ú.82 + O.t / ó (b) La recta de regresión de.nfi162\/28/Bz4 -0.05 rechazaríamos Ia hipótesis de que el coeficiente es tan bajo como 0..0 pulgadas' puesto qu€ t s7.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 0.45.28.4?6 r6 (Problema 8. sx: 2. Loslímitesdeconfianzadcl F = b-+f+) ' \ñ4\82 I para 12 .cAP.- 2..4?6 t Vlo\' t/tz.á para el coeficiente de regresión del Problema 8.losaleolocar t=lt.11).2\ o..9b Con un ensayo unilateral de Ia flistribucirin de Student a un nivel 0..lrv1l_z=-.:2...2 : 10 grados de libertad. 1/ . = {". 8. Por tanto no podemos rechazar la hiPótesis.B4o confianza del 95% de que 6 se encuentra entre 0. sr.2: LO grados de libertad.o+zul)arav =1 3 .e5: 1.28 (calculcda en el Problem a 8.0818 Nótese que el coeficiente de correlación lineal es pequeño Fsto es de esperarse al observar las rectas de regresión de mínimos cuadrados obtenidos en el Problema 8.o1f. En el Problema 8. . ¡rara ias estaturas yos padres tienen unas estaturas de (o) 65.180. Ensayar la hipótgsis al nivel d-e significación del O.-.47G :t ' +('!!) t" / = 0.los Ií¡:rites de conftanza del 95oy' para --j:lq--.11.43.q\I a. En eI Problema 8.44.2U'L66 0'19916¡= = ya que eo.- = . 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.r: L.11 = -l/162/. Escribir las rectas de regresión de mínimos cuadrados de (a) Y sobre X.81 para L2 .66 del Problema 8'11' 8. hallar los límites de confianza d-ei 95'7.2g para 12 . de los hijos cuyp son 8.42. Y ltr-2 donde 37e : 85. 8l CURVA DE AJUSTE.11 se halló que la ecuación de regresión de y sobre x eray: 35.23 h es decir. 0. (b) X sobre Y para el Problema 8.xY p = n-xÍ oxY oxoy = *-(s)(i*) = = - 1 162 0 -l/162 .

s1t : 2.47.46.?6 pulgadas. Porlo +1./i=@0. = t. los métodos muestrales son exactos para una población normal.8OOtl2r2 : 2.32 sea considerablemente mayor que cero al nivel 0. Ya que t. Por tanto no podemosrechaza¡I/6 al nivel 0. ¿Cuál es el tamaño mínimo tal de una muestra para que podamos concluir que un coeficiente de correlación de 0.07 pulgadas. hallamos [comparar con el hoblema 8.rcontalquero -ñnoseademasiadogrande.23 donde y¡ : ffisv.476 r6 (Problema 8.E. es decir. rechazaríamosI/e si ú ) ú.0 y ?0.6 pulgadas.32.? y 6?.o¡ para n - 2 grados de libertad .?6 t 3. se puede estar en la confianza del 96Vo de que las estaturas de los hijos están entre 63. REGRESION Y CORRELACION lcAP.Estoconcuerdaconlosresultados aproximados mencionados en la página 262. 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. hallamos [comparar con el Problema 8.1/l-z = = .2 pulgadas. y¡ : 66. de confianza del g5% son (ro .6 pulgadas úo 0.O .45 pulgadas. los límites de conñanza del 95% están dados aproximadamente 8.2óy6!2so.SOO112)2 : 11.80 pulgadas (b) Si 16 : 70. Entonces 66.za\ = 66. Entonces los límites de confianza del 96Vo so¡ 69.16 :65.45(c)] los límites de confianza delg1l".05 utilizando un ensayo unilateral de la distribución que de Student. o.0 pulgadas se encontra¡án entre 67.48.82 + 0.05.14 f es decir.?6 a 2'23 es decir.09 pulgadas.8 pulgadas.14 pulgadas. es decir. TEORIA MUESTRAL DE LA CORRELACION 8.69. ' (b) Si re :70. el valor mÍnimo de n debe ser 032{n - 2 r/i -to.76 1 1.ss :7.i¡z : (?O. (o) (ó) Puesto que no podemos rechazar ) 0).14 + 5.": 2.66. se puede esta¡ en la confianza d. En el problema 8.23 para 1 0 grados de libertad. (o) Si. es decir.78.45(ó)] los límites de confianza del 95%. ciertamente no podemos rechazarla al nivel 0.' sr.0.t)2 : (65 .7 y 70.01 que el coeficiente de corréhción poblacional es apreciablemente mayor que cero? Deseamos decidir entre las hipótesis (Ho: g :0) y (llr t = .75 para 18 -2: L6 grados de libertad.48).sz).01 8.11).1 y 7 4.Los métodos de este problema son válidos independiente del tamaño de n ó to . 7. los límites de confianza del 95% para Uo fo son = 2.Bb Sobre la base de un ensayo unilateral de la distribución de Student a un nivel 0.elgbVo de que las estaturas de los hijos están entre 64.0.0 pulgadas se encontrarán entre 65. /e : 69. 35. se puede tener confianza de 95Vo que la estatura media de todos los hijos cuyas estaturas de los padres son 65.11.0 y (b) ?0. ¿Puede concluirse a un nivel de significación del (a) 0. Un coeficiente de correlación basado en una muestra de tamaño 18 resultó ser 0. t/6 al nivel 0. Nótese que para grandes valores de n.05 y (b) 0.sz\/ra-z : p l.05.66 (Problema 8.11. También (x¡ . hallar los límites de confianza del96% para las estaturas'medias de los hijos cuyas estaturas de los padres son (a) 65.0.0.290 CURVA DE AJUSTE.0 pulgadas.8 los límites (o) Si 16 : 65.96sy. Tarnbién.05? A un nivel 0.05.

266e = 0.80.b4es. los límites de confianza d. Puesto que r : 0. pa¡a n=2g. = Deseamos decidir entre las hipótesis = 0./ = 0. n=26.) 0.s2\/ñ/\Flfu2p.05? zr = r.60. 8.rrro.CURVA DE AruSTE. t.Portantopodemos rechazar la hipótesis de que el coeficiente de correlación poblacional sea üan pequeño como p: 0.r5tz'""(+l-&. v =24.0e86 10.49 y 0.Hallarloslímitesdeconfianzadel96% paraeste coeficiente.51.64 y por tanto n: 25. 8./ 0.4620 Entonces ¡t2 tiene el intervalo de confianza del9SVo.5493)/O.6.9r : 1. L {zt - = Z-pz oZ 0. z = t. Un coeficiente de correlación basado en una muestra de tamaño 24 se calculó era r : 0. Por tanto los límites de confianza del 95Vo para p son 0. zz: r.64. t. Dos coeficientes de correlación obtenidos de muestras de tamaños nt : 28Y rtz:35 se cdcularon como rr : 0.50 y tz : 0.s|= 1.L613 logS:0.:) = oz= La variable tipificada ee Fz = r. t . (b) Sip:0.rsr3 loc\t -.) nzr-2.50.(-) \r P.5606.94. t.92.o. ¿Hay una diferencia considerable entre los dos coeficientes a un nivel de 0.05. (b) p : 0.7L.=L.16131og(++*) /r r-\ \r-'l / *t. El coeficiente de correlación entre las calificaciones finales de fÍsica y matemáticas para un grupo de27 estudiantes se calculó era0.05 utilizando un ensayo unilateral de la distribución normal rechazaría' mos la hipótesis solamente si z fuera mayor a 1. Entonces el tamaño mínimo de la mueetra ean:28. si Si pz Fz /r +"\ = l.B0eb #*#= Fzrl.4904- = 1.5366 a 1.0.72.s0(-/l1 \ \y'n_B/ = 1.tJ2:1.30 respectivamente.69.9730 0.5493y2:(0.75.7L.5606.2182 = 1. REGRESION Y CORRELACION Para un número Pa¡a infinito de grados de libertad.r6r3t"" o. ú.2182:L.?1.9730-0.5366' p = = L.el 95Vo püa pz vienen dados por Z=L.L6rt*(=. 8.6932 0. t--032\r26^tr=@ = 1.r¡rlb*'.!613*(=.50 a un nivel de significación del 0. v =26.50. ¿Podemos rechazrir la hipótesis de que el coeficiente de conelación poblacional sea tan pequeño como (a) p (o) : 0.66. v=26.28 A un nivel de significación del 0.28z (ff3*3) = o. para n=27.05? o. a un nivel de significación del 0. Por tanto no podemos rechaza¡ la hipótesie de que el coeficiente de correlación sea tan pequeño como 0.unrr.s5=1. p : 0.50.60.sz\/rLtt/l-(u32Y = 1.49. (Hs p2r= Fzrl I (Hi Fzr* .s|= l.80 y n = 21. t=0.e155.96oz = 1.

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-(#)(#)] =

para los datos del Problema 8.63. ParalosdatosdelProblemaS.x=L2.rlos RECTA DE MINIMOS CUADRADOS Tabla 8-31 8..61 a.e).5+E#9 = ú . 8xv 160..9 respectivamente.gZfy'f - (OfOg6P = = 9. (b) Í sobre y para los datos rr+qW = 64. r.o 8. Tenemoe 8"". Ajustar una recta de mínimos cuadrados a los datos de la Tabla 8-31 utilizando a (a\ x como la variable independiente.64. = ¿yt/Ti-rz = = a"t/T7rz = f¿.60.966.926 y r = 0. E.9 = 8. Representar gráficamente los datos y las rectas de mínimos cuadrados utilizando el mismq conjunto de ejes coordenados. = L4.?686. (b ) r como Ia va¡i¿ble dependiente.5¿8 8.cAP.v ts.7t9(u-69. 8y r-70.s6oy'1:107686)á Problerrra.hallar(o)losvalore$deycuenda x=6.66 8.0) x-?0. 8l CURVA DE AruSTE.9) -69.62. (b) SolucionarelProblema 8. = 13. 0. 0.2.934 s.e Ge.0=A+##€?!)@-70.. Calcular los ertores típicos de la estima (c) er.64.0 = (b) 6 r-ü='?o-o¡. r a 3 6 6 8 911 234668 8. (a) (bl Ey. para obtener las ecuaciones de las rectas de regtesión (¿) ó a-u='!w-nt.821(o-70..0).uo+qY: 145+q'qfrEq = u= De los resulüado¡ del Problema ?o. a y-6e.65 utiliza¡rdo el resultado de la parte (c)' . (b) sr.. s!.66. en tanto que su covari¡nza es 160. página 261 .64. Utilizar los resultados del Problema 8.60.60. REGRESION Y CORRELACION 299 Por tanto las desviaciones típicas de las calificaciones de matemáticas y fÍsica son 14. De la Tabla 8-30 tenemos.61.a guplementa.(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. Entonces utilizamos ( I 6 ).20 G&r'-áiÉfutB = o'7686 que concuerda con r hallado en el Problema 8.0 y 14.0=q9ff##q(v-6e. Escribir las ecuaciones de las rectas de regtesión de (c) y sobre del Problema 8.

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. t. I : o t bx * cx2 I Tabla 8-37 REGRESION MULTIPLE E.3 14.70. Alustar una parábola de mínimog cuadrados. ¿cuál es su puntuación eeperada en álgebra? Tabla 8-32 Algebra (c) Física (y) .6 21. (o) Construir un diagrama de díspersión. (c) Hallar la recta de mínimos cuadradoe que se ajuste a los daüos.8?. y. 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 8.71 rrcstrar c6mo una gráfica en papel semilogarítmico puede utilizarse para obtener la ecuación pedida sin emplear el método de los mínimos cuadrados. (a) Representar gráficamente d. ¿cuál es su puntuación esperada en física? (e) Si un estudiante obtiene una puntuación de 95 en físice.(c)Estimardcuandou:45mi/hy80mi/h.I 3. 8 t.73.a los datos. z. En el Problema 8.u. El número y de bacterias por unidad de volumen pres€ntes en un cultivo después de ¡ horas viene dado en la Tabla 8-36.72.?1.t--10. y. utilizando a r como la variable independiente. (b) Hallar la recta de regresión de mínimos cuadrados de y sobre r.2 5. (b\ Estimar z cuando a to 90 10 72 . o + bx r a 0 1 2 ó A 5 t) ¿x?alos datos de Ia Tabla 8-3¡t.(b)Ajustarunacurvademínimoscuadradosdelaforma !=abxalosdatosyexplicarporqué esta ecuación específica da buenos resultados.a Tabla 8-37 muestra los 3 6 o n 8 t? o t4 valores correspondientes de tres variables x. (o) Hallar la ecuación de regresión lineal de mínimos cuadrados de e sobre x.y:6. REGRESION Y CORRELACION [cAP.ID 80 ?8 93 86 65 72 87 91 7L 98 95 68 84 89 tt 82 80 72 74 E. y : t 8. u (mi/h) Distancia de parada d(p) 20 54 30 40 138 50 60 70 90 206 292 396 E. (d) Estimar el valor de y cuando r : J. 54 42 30 .74. 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. [.6 9. o^ 2. (o) Representar gráficamente los datoe. (b) Ajustar una parábola de mínimoscuadradosdelaformad:oIbu*cuzalosdatos. Tabla 8-36 Velocidad. (c) Hallar la recta de regresión de írínimos cuadrados de ¡ sobre y. (d) Si un estudiante obtiene una calificación de ?5 en álgebra. (d) Representar gráfioamente las dos recta¡ de regresión de (b) y (c) sobre el diagrama de dispersión de (o). utilizando a y como la variable independiente. 12 . con Ia escala logarítmica para yr la escala ariü- méticaparar. Con referencia a Ia Tabla 8-33. (c) Comparar los valores de y obtenidos de esta ecuación con los valores reales. (D) Hallar la recta de mínimos cuadrados que se ajuste.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.68.300 CURVA DE AJUSTE. Escribir las ecueciones normales para la curr¡a cúbica de mínimos cuadrados dada por dx3 . (o) Representa¡ loe datos en papel semi-Iogaritmo.

8f . y. Utilizar 8.eL2 mujeres. ERROR TIPICO DE LA ESTIMA Y COEFICIENTE DE CORRELACION LTNEAL E.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. ú=20.64. (o) Hallar elcoef¡cientede correlación entre E.E4. y dados en la Tabla 8-39.7t.79. sr:2.60. Tabla 8-39 x a 2 4 5 6 811 18t210875 . Si el coeficiente de correlación entre. Hallar el coeficiente de correlación entre los dos nuevos conjuntos de valores.38 lación entre muestra las edades r y la presión sanguínea y d. Tabla 8.68. Utilizar los resultados del Problema 8.y para los datos del Problema 8. (b) sr. ¿qué porcenüaje de la varfación total pennanece no explicada por la ecuación de regresión? 8. y tiene la form¿ z = A 1.76. (b) $. y obtener exptesiones para los coeficientes de regresión de mfnimos cuadradoe el resultado del hoblema 8.= E. Demostrer que la ecuación para regresión lineal de z sobre r.E2.76. Calcular (o) sv. explicar por qué se obüiene o no el mismo resultado que en la parte (a). 8. (c) la variación explicada en y para los 8.z .81 u 8. REGRESION Y CORRELACION 301 8.74.68 (a) dircctamente.88.68.86.! .68(b) v (c ). Hallar la covarianza para los datos del Problema 8. los dos conjuntos de calificaciones de los exámenes del Problema 8.89.75 para solucionar el Problema 8. " para los datos en el Problema 8. (b) Obtener eI coeficiente de correlación directamente de las pendientes de las rectas de regresíón del Problema 8. E.Br * Ca I Dr2 * Ery * Fyz Obtener las ecuaciones normales para los eoeficientes de regresión de mínimos cuadrados. coeficiente de correlaciónentredos variables¡.cAP. Multiplicar todos los valores de y por 3 y restarles 15. D. 8.68 utilizando la fórtnula producto-momento y comparar con el resultado del Problema 8.67. (b) Multiplicar todos los valores de ¡ por 2 y sumarles 6.50. (b) Problema 8. (c) Estimar la pre- sión sanguínea de una mujer de 45 años.¡. La Tabla 8. y.81.r. (b) r sobre y. Si sv. 8.= 3y ss : 5. y es 0.t3. Hallar los coeficientesde correlación para los datos del (o) Problema 8. y puede escribirse como z-2. 8. (o) Calcular el coeficiente de correlación entre los valores correspondientes de r.Sis"=1.8?. (b) la va¡iación no explicada datos del Problema 8. halla¡ r. ballar las ecuaciones de la recta de regresión de (o) y sobre x.82. ¿Hay al' t. Obtener las ecuaciones normales para la regresión lineal de mínimos cuadrado¡ de guna interpretación geométrica para esto? Explicar Una superficie de regreaión de z sobre ¿¿ eobre r. Hallar (o) sy ".. (o) Hallar el coeficiente de corre' r. .80 para hallar el coeficiente de correlación entre los dos conjuntos de calificaciones de los exámenes del Problema 8. en E. El 8. (b) utilizando la fórmula s¡s = rs¡sÍ y el resultado del Problema 8.60.85.i=10.7 7 a(r-¿l+b(u-úl o.68. r. Calcular (a) la variación total en y.90. yesr:0.00.86.EO. (ó) Determinar la recta de regtesión de mínimos cuadradoe de y sobre r. 8l CURVA DE AJUSTE.

106. (o) Calcular el coeficiente de conelación múltiple pars los datos del hoblema 8. COBRELACION GRADUAL E.gus observaciones en (o). REGRESION Y CORRELACION [cAP. G. t. Da¡ un ejemplo para demostrarcómo hallaría (a) el error típico de leestima. lo¡ resultados se mueshan en la Tabla 8140. página 52.8.302 CURVA DE AJUSTE.102. Y con E. INTERPBETACION PROBABILTSTICA DE LA REGRESION Y LA CORRELACION E. variación toüal es erplicada por la ruperficie de regreeión? (b) ¿Quéporcenüajedela Demostra¡elresultado (27). t.lOS. Hallar el error típico de la estima de z ¡obre ¡.96gina 52. C.104. I COEFICIENTE DE CORBELACION GENEBALIZADO E'91. (o) Hallar el coef¡ciente de correlabión gradual para los datos del Problema 8. F. Y viene dada por f(r.a) = [2r+3a Io o(c(L'o<Y<2 de otra form¡ Ilalla¡ la curva de regresión de (a) Y sobre X. Doa juecec en una competencia debían clasifica¡ a 8 candidato¿ A. E. D.s.(b)XaobreYparalosdatosdelhoblema2. Halla¡ la recüa de regesión de mínimoe cuadrados de (a) Y sobre X. 8.98. Hallar el coeficiente 264.92. t. H¿ll¡rlacurvaderegreeiónde(a)YsobreX. (b) X eobre y. H de acuerdo con sus preferencias.4O Candidato A o 4 B I o C 8 7 D 1 E 4 F' 6 G 3 H d a himer Juez Segundo Juez 3 2 I I 6 t. t. página t.rOO. el coeficiente de correlación gradual para loa datos del (a) Problema 8.paraelca¡odeunaauperficiederegresiónlinealparazsobrer.99.74.90.págirra52.74.página 263.93.y. ¿Ocurren algunae simplificaciones en la¡ curvas de regresión Ce Y sobre X ó X sobre Y para el caso de varia- . t.lol. Tabl.97.5g ufilizando el resultado (35).(D)larvariacionee explicaday no erplicada. t. (D) X eobre Y para el hoblema 8.68 v (b) Problema 8. en el ca¡o de do¡ variablee aleatorias X.99.96. Halla¡ el coeficiente de conelación gradual y decidir eobre el acuerdo de loe jueces en su8 eleccioneg. La función de den¡idad conjunta de las variables aleatorias X.8. tls[a¡ la recta de régresión de mínimos cuadrados de (a) Y robre X. y para lo¡ daüo¡ del Problema 8.99. Il¡llar t. t. estudiar una posible deeventaja del método de conelación gradual.lo6' función de densidad conjunta (o función de probabilidad conjuñta) f(x. 8. Hallar el coeficiente de conel¡ción lineal para la¡ variableg aleatoria¡ del Problema 2. (c) el coeficiente de conelación generalizado. B. (b) De. (b) X cobre Y para Ios datos del hoblema 2. de conelación para las variabie¡ en el hoblem" g. ble¡ aleatoriac independientes? Explicar. Mostra¡ cómo se puede diseñar un coeficiente de correlación múltiple.96. Obtener el coeficiente de correlación lineal para el hoblema 8.94.84. y\.¡ 8.

(b) ta presión sanguínea de las mujeres de 45 años.60 de una muestra de tamaño 28. demuestre que el coeficiente de correlación entre r'.123. (b) tan alto como 2.11?. (b) tan grande como p : 0.80 y 0. Demostrarqueelcoeficientedecorrelaciónentre¡.01.d'.(b\99% pra el coeficiente de regresión. es (o) tan bajo como 8. Hallar los límites de confianza d.tes t?. Yvie' nen dadas por 2:r . Sobre la base de una muestra de tamaño 27 se encontró que la ecuación de regresión de y sobre r era t = 25. E. (b) 0.(b)997oparu un coeficiente de correlación que se calculócomo 0. ¿Podemos concluir a un nivel del (o) 0. 8.10? ensayar la hipótesis de que el coeficiente de regresión poblacional 1.116.tu] tan-'L rfti + si) -l E. ¿Podemos concluir a un nivel de significación del (o) 0.118.50' ¿Podemosre' chazar la hipótesis de que eI coeficiente de correlación poblacional es (o) tan pequeño como p : 0.c2 soll constantes arbitrarias.?0. para la recta de mlnimos cuadrados. Demostrar que el ángulo entre dos rectas de regresión muestrales de mínimos cuadrados viene dado por . que el correspondiente coeficiente de correlación poblacional es considerablemente mayor que cero? E. donde r¡¡ !/6¡ cl¡.sx = 3.111.114.121.113.20.108.01.50. y).!l = 2.10? hallar los lÍmites de confianza del (o) 957o.1 "l$- c2) 20. REGRESION Y CORRELACION 303 TEORIA MUESTRAL DE LA REGRESTON 8. 8.05.112.00 ¡.* : 8.60. Verificar los coeficientes (5).ypuedeexpresarsecomo il2 -:.110.el(o)95%. Un coeficiente de correlación basado sobre una muestra de tamaño 27 se calculó como 0. 8.109. 8.211Ú 8.00 y ñ = 7.l19. Hallar el coeficiente de correlación lineal.\ es independiente de Ia elección del origen de las variables o de Ias unidades en que se expresan.05. utilizando un nivel de significación del 0'05? 8.30.l0?hallarloslímitesdeconfianza d.hallarloslímitesdeconfianzadel 9fleparafo)elcoeficientederegresiónde y sobre r. (c) la media de lae presioñes sanguíneas de las mujeres de 45 años. (Sugerencia: Suponga quer' = noi c1r. Hallar los límites de confianza del (a) 957o. Demostrar que el cóeficiente de correlación - g. Solucionar el Problema 8.el 95% para el coeficiente de correlación calculado en el hoblema 8.114 si el tamaño de Ia muestra es 52. hallar los límites de confianza del (c) 95%. Un coeficiente de correlación basado sobre una muestra de tamaño 35 se calculó como 0.01.00.10?. ConreferenciaalProblema8.115. a un nivel de significación del 0. . DemostrarqueparaelcasoderegresiónlinealelvalormÍnimodeE'{[]'-(o*¡lX)lz.S4.84. y'es eI mismo que el entre. página 260.cAP.00. 8. En el Problema 8. 8l CURVA DE AJUSTE. Si sr. Dos coeficientes de correlación obtenidos de muestras de tamaños 23 y 28 se calcula¡on como 0.I22.40. (b) 0. 8.70.f-(1 -r2)s." = 1.8. Las rectas de regresión muestrales de mínimos cuadrados para un conjunto de datos involucrando X. 8. EnelProblemaS. TEORIA MUESTRAL DE LA CORRELACION 8.0 + 2.95 respectivamente. que hay una diferencia significativa en' tre los dos coeficientes? RESULTADOS DryERSOS 8.(b\ 99% para y cuando ¡ : 6. A' = llo * c2y. 5r .5a = 3. . En el Problema 8.(b)99%paralamedia'detodoslosvaloresde y correspondientesa¡ = 6.

L24.1 25. El período base es de L94? 1949 : 100.6 L19.8 102.1 114. (d) Predecir el Índice de precio para la asistencia médic¿ durante 1958 y compararlo con el valor verdadero (L44. 8.125.5 r14. Con referencia a la Tabla 8-43: (o) Representar gráficamente los datos. 8ü 8É ¿Es el resultado válido para regresión no lineal? 8.130. - Tabla 8-42 Año Indice de precios al consumidor Indice de precios al 99.126. Ilalla¡ el coeficiente de correlación entre las estaturas y pesos de 300 adultos dados en la tabla de frecuencias siguiente.2 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 101.1 t 10. f¡¡ 32 20 t2 q . Hallar (o) s". 19 5 o (t) e.L25. 8.129.2 t23.8 8.128. (e) ¿En qué año podemos esperar que el índice de costos médicos doble el del 194?1949.4).2 Fuente: Bureau of Labor Statistics 8. (c) Calcular los valores de tendencia y compararlos con los valores reales.r.5 116.0 113.4 I14. Tabla 8.6 I 10.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) .5 por mayor 103.304 CURVA DE AJUSTE.y para loa daios del hoblema 8. REGRESION Y CORRELACION [cAP.(ó)Estimar los pesos de doe hombres cuyas estaturas son 64 y ?2 pulgadas respectivamente. E.3 I 10. 210-225 I .8 111. 8. Hallar los límites de confianza del 96% pára el coeficiente de correlación calculado en el hoblema 8.2 r20. suponiendo que las tendencias presentes continúen? Tabla 8-43 1950 1951 1952 1953 1954 1955 1956 consumidor pqr asis' tencia médica 1957 (1947-1949=100) Fuente: Bureau of Labor Statistics . (o)HallarlarectaderegrecióndemínimoscuadradosdeysobrerparalosdatosdelProblemaS.3 1r 7.127.8 114.41 ESTATURAS . Demostrar que para regresión lineal 4 = +.7 114. (b) Br.l2S. (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 8-42.8 111.

Tabla 8-44 Año Natalidad por cada 1000 habitantes 1915 1920 7925 25. y).cAP. (b) Hallar la parábola de mÍnimos cuadrados que se ajuste a Ios datos. si Ia hay. ¿es g(r) única? Explicar.132).131. (Sugerencia.133.3 16. Con referencia a la Tbbla 8-44.página265. 8. página 265. del Problema 8.134.¿) donde . . Demostrar el Teorema 8-2. (a) Representar gráficamente los datos.132. Estudiar la relación. (d) Explicar por qué la ecuación en (b) no es útil para propósitos de extrapolación.8l CURVA DE AJUSTE.6 23.5 23.0 1030 18.¿(r) es cualquier función de r para el cual estas esperanzas existen.136.6 Fuentet Department of Health. 8. Y variables a|s3fs¡i¡s con función de densidad conjunta (o función de probabilidad) f(x.' Utilizar el Problema 8. Demostrar que si 9(r) = E(Y \ X = c) entonces EUY - É(x)1'!) = E{LI'- o(xl¡z¡ + Ells(x) - q(x)l. En el Teorema 8-1.132 para variaciones explicadas y no explicadas. Demostrar el Teorema 8-1. Sean X.9 Welfaie 19.l35.9 17.7 21. Education 8. (c) Calcular los valores de tendencia y compararlos con los valores reales. REGRESION Y CORRELACION 305 8. 8.9 ¿ind 1935 1940 1945 1950 1955 24. E.

. . . esto es r .. .. Por ejemplo. TYatamiento 2 itv t2..r i:7. o lo que es equivalente a ensayar la hipótesis nula de que las medias muestrales son iguales.. . Hablamos de a tratamientos.ao lk : a0 i=t r=t -.2. La gran media o media total es la media de todas las medidas en todos los grupos y se denota por c. En el Ejemplo 9'L. *iÉr. En muchas situaciones existe la necesidad de ensayar la significación de diferencias entre tres o más medias muestrales. . donde i : t.. medias de tratarrtiento o medias de fila. se utiliza para indicar que el índice k se ha sumado. EJEMPLO 9.1. . a : 4. Aquf r¡¡ denota la medida en la fila j y Ia columna k. Tabla 9'1 Tlatamiento 1 Ítt E2l rtz rzz xtb fr1. tg y 24 hU}l'a respectivamente. 2.2.a Q) El punto en tj. Utiliza la distribución F considerada anteriormente en los capítulos previos. 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.^ 306 (2) . dl h : 7. cada uno de los cuales tiene b repeticiones o réplicas. Los valores i¡. b. tenían la misma vaianzi. Tenemos _lb fr¡:62r. Ttatamiento ¿ üol fio2 rob tra Denotaremos por i¡ la media de las medidas en la fila j..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. de las cuales se extrajeron las muestras. se denominan medias de grupo. 22. desarrollada por Fisher. donde el número de medidas en cada grupo es b. Supóngase que en un experimento agrícola cuatro ttatamientos químicos diferentes del suelo producen rendimientos medios de trigo de 28.. ¿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.1r2'. r35 se refiere a la quinta medida para el tercer tratamiento. . Los resultados de un experimento de un factor pueden representarse en una tabla con a filas y b columnas (Tabla 9-1). Supusimos que las dos poblaciones.

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

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

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

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

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

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

página 312. una tabla ^ análisis de varianza puede construirse code mo se muestra en la Tabla 9-5. proceso conocido como repetición. niveles de significación especificados.r * Fr * 7.1) grados de libertad./o2 tiene la distribución chi-cuadrado con c . la columna o bloque h y ala repetición /.1 grados de libertad. uc = (t>(tA-j)r b.tt y Ht2'. (a-1)(l¡-l) con grados de libertad Residual o aleatoria. Análogamente para ensayar la hipótesis I1[!) consideramos el estadístico ^3ySg.!'. El modelo viene dado por X ¡xt = ¡.1. Bajo ambas hipótesis HÍ. Bajo la hipótesis H'oz'el estadístico 3. ¿. V.cAP.IMENTOS DE DOS FACTORES CON REPETICION En la Tabla 9-4 sol¿rmente hay un '.1 y (c .V"/n2 tiene la distribución chi-cuadrado con b -1grados de libertad. cambios apropiados pueden hacerse cuando los números de repeticiones no son todos iguales. ti"n" la distribución Fcon b .l. Para ensayar la hipótesis I1.lc (ú - l)(ü --1) rt1 ar* u" = )(r.V/o')tiene la distribución chi-cuadrado con ab .*-r)! EXPER. Por conveniencia.l¡^i¡l v ^3yS: vienen dados en el teorema siguiente análogo al Teorema 9-3. como en el caso de factor uno. . s c-ls . En tal caso habrá más de un valor correspondiente a un tratamiento dado y a un bloque clado. úe = l'Total. Las distribuciones ¿" . El teorema nos permite aceptar o rechazar H3" 6 H3'.u I' lir. (¿ -l)(¿r-t) grados de libertad Entre bloques.. > (J'j - :L)2 a-l i | 3l ' -ra--1 con cr . Debido a la repetición debe utilizarse un modelo apropiado para remplazar el dado por (35). 'L' - u.1) grados de libertad.I y (c . . el Teorema ANALISIS DE VARIANZA 313 9-5: Bajo la hipótesis H[L). Pa¡a obtener esto denotemos por X¡o¡ la variable aleatoria correspondiente a la fila o tratamiento j.'alor ccrrespondiente a un tratamiento dado y a un bloque dado. Supondrerfios que hay c valores para cada posición. Tabla 9-5 Entre tratamientos. * . Bajo la hipótesis H[.!') es lógico considerar el estadísti"o ^ei¡S¿ ya quepodernos ver de (43) que Si se espera difiera significativamente de o2 si las medias de fila (tratamientos) son significativamente diferentes.1 grados de libertad.e.r) el estadístico si. Más información considerando los factores puede a veces obtenerse repitiendo el experimento.1) (b ./S.1) (b . Teorema 9-6: Bajo la hipótesis ll[. L'./S3 ti"n" la distribución F con s .

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

para ganar tanta información como sea posible. que pueden analiza¡se como en la Tabla 9-5.6. Il[r) no puede rechazarse. El propósito de la aleatoriedad es la de eliminar varias fuentes de enor tal como fertilidad del suelo. Las diferencias en los factores serían impgrtantes solamente si fueran grandes comparadas con tales interacciones. esto es oj = 0 I{2): Todas las medias de bloque (columna) son iguales.2 Fig.F' de 3?/S3 de la Tabla 9.4. esto es l3*= 0 I{:}): No hay interacciones entre tratamientos y bloques. Completa aleatoriedad.los detalles de un experimento deben planearse cuidadosamente con anterioridad. y utilizando este valor para remplazar el denominador 3! en el ensayo F.j'z) utilizando las relaciones . D. 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. En este caso podemos concluir que las interacciones no son muy g¡ánAes. En lo que sigue damos algunos ejemplos importantes de diseño de experimentos. C. el Las relaciones tr'en la nulas ANALISIS DE VARIANZA 31ó las hipóteeis ütima columna de la Tabla 9-6 pueden utiliza¡se para ensayar I/[t): Todas las medias de tratamiento (fila) son iguales.1) (b . Caso I. DISEÑO E)GERIMENTAL Las técnicas de análisis de varianza discutidas anterionnente se emplean despuós de que se han obtenido los resultados de un experimento. indicados por . 9. El procedimiento se ilustra en el Problema 9-tr3. D A C C c B A D D B C B C A D A A Bf A6 Do AB Bn D6 co DB B D D C B A B D II III IV A B D C B A C D D A c D cf BB D B B c6 A.9-l Fig.1). Dos casos poóibles se presentan.l) + ab(c . Caso II. y l/. Pa¡a üseña¡ tal experimento podríamos dividir el teneno en 4 X 4 = L6 parcelas (indicadas en la Fig. Luego podemos ensay4r H.o) y-H<2.1.cAP.r A B c A C B A c C" Dr Au B6 Cuadrado Compleüa aleatoliedad Bloquee aleato¡ios Cuadrado latino Fis. 1. 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. Utilizaremos este procedimiento alterno. Supóngase que tenemos un experimento agrícola como en el Ejemplo 9.F de 33/0? V GfBi en cambio de esas dadas en la Tabla 9-6. página 306. Il[3) puede rechazarse. etc. Sin embargo. B. (a . a cuatro bloques escogidos completamente al aza¡. aunque físicamente cualquier forma puede utilizarse) y asignar cada tratamiento. Por esta razón muchos estadísticos recomiendan que se ensayen I/é'. 9-1 por cuadrados.9-3 grecoJatino Fig. esto es 7¡¡ = 0 Desde un punto de vista práctico debemos primero decidir si puede rechazarse o no I[[3) a un nivel apropiado de significación utilizando la relación . En este caso podemos concluir que las interacciones son considerabtemente grandes.9-l . utilizando hs íelaciones F de G?liZ v 3:63 reópectivamente como se muestra enlaTabla9-6. Esto produce una tabla factor dos con valores singulares. Esto se denomina a veces como diseíw del experimento.

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

4.k 2r@br\ aü*: )"'n = j.u ó un -.-!+abEz -* í. Hallar (c) el rendimiento medio para los diferentes tratamientos..18 49 50 47 19 .k / r'\2 rl rS/rl-zrJ. .k . riedad de trigo cultivado en un tipo particular de suelo tratado con químicos A. Análogamente = )(¿. (c) la va¡iación total.¡. el ANALISIS DE VARIANZA 317 g. Utilizar el método largo. B.3. + abú2 i.k abúz )"i = j. : abñ. -'#(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. La Tabla 9-7 muestra los rendimientos en hl/ha de una cierta va- A B C . = 't)61't).=brj. (b) (c) Puesto que 7j. )1rc = ))*r* r = abt 9.zr>ti.oi-ziri+ñ2) utilizando el Problema 9.j=lk=l 'i ) )'¿r.t) = )(¡.2(b) en el tercer renglón y el Problema 9.-¿)t )¿i = i. Verificar las fórmulas cortas (10)-(12). )r¡. Verificarque(o) (d) r: úbÍt(b).k = )rr¡.utilízandolanotaciónenlapágina307.It - 1'b' Tabla 9-? 9..(c) ?'. (b) la gran media para todos los tratamientos.k .2x)r¡¡ I i.2.k )(rji-zx. .r-r): i.. (d) la variación entre tratamientos y (e) la va¡iación dentro de tratamientos.) r:r tenemos K por Ia parte (c). Tenemos página 307.18 49 48 50 49 51 50 . i'k f¡*" .2(o) en el tercero y último renglones anteriores.cAP.].'*\ u u.D6 I ab¡z s-? -4 ab =. o C.r b bI 1.2(o) en el último renglón.ijk+ñ2\ = i.

4.4. .f B+4+6+b+b¡ = Así la gran media para el conjunto original de datos es 45 * 4 : 49 hl/ha.Tabla 9-8. B.05.41-B. =.)2 t.96podemos techazar la hipóüesis nula de medias iguales al nivel 0. por ejemplo 45.5)r + (d--5)! -l (5-5)r + (5-5)r 412 9.4)2 + (2 . 1 = 4. (b) 0.@ir-E)2 = (3-4)r + (4-4)x + (6-¿)¿ + (4. ¡r. Tabla 9-E e (a) por Las medias de tratamiento (fila) para la Tabla 9-8 vienen dados respectivamente rr.26. = !4(B+4+ 5+4.95:4.4)'. C (b) (c) . de todos los datos sin afectar los valoree de las variaciones. = b)) (é) Variacióndentrodetratamientos Otro método. hallar una estima insesgada de la varianza poblacional oz de (c) la variación entre tratamientos bajo la hipótesis nula de igual medias de hatamiento. 4l(4 .¿.: i(4+6+5*5) = respectivamente..4¡:: * (3 .01? Tenemos con-o Con referencia al hoblema 9. ¿podemos rechazar la hipótesis nula de medias iguales al nivel - 1 : F=$=h = 3 6 - L : 2ya(b . [cAP. = i(B+4-f b+4+2t.5. Por tanto los rendimientos medios. de significación del (c) 0. = o.conut:2yu2:9.05.¡.:l = = r'. Entonces obtenemoe los datos de la. (a) (b) ? 3 9. Con referencia al Problema 9.4)2 + (5 -. 3 0. eon 49.¡.1): 3(4-1) : I grados delibertad.4)2 + (4- + (2 -3)2 + (4-3)2 + (:J-U + (5-4¡r + (4-4): 3)2 + (3 . = ) @¡¡-E¡. (o) ConreferenciaalApéndiceF.u = 14-8 = 6 (cl.318 ANALrsrs DE vARTANZA Para simplificar la aritmética podemos restar algún número apropiado. obtenidog al sumar 45 a éstos.Puesüoque^F :6)F.4)! + (3 .6. -¿).yemosqueF.g)r + (4.. (b) la variación dentro de tratamientos. = lae+A+3*B) = 5 3.¿): + (4 -4):¿ + (6-4)2 + (5.4)2 + (4-4): + (3 . Variacióntotal 4 =.k = (3.4): + (5-4¡: =14 ((l ) Variaciónentretratamientos = tr. 48 y 50 hl/ha para A. i.

a&-6 .Pue8toqucF=6(F.?.4 ba'i ab 1 i062+t22+202) 0w: (^8\: te. Utilizar las fórmulas cortas (101-(12) para obtener los resultados del Problema 9.6:8.06-S8t = (b) Los totdes de las filas ¡on 206-rsz = 14 También rl.O1. I¿ tabla de aDáli¡is de va¡ianza para loe hoblemss 9.vemoaqueF.4-9.conur:2!uz:9.= Dentro de t¡ata 0w=0-0b a -63 ^' . (o) Tenemos 2r¡?r=9+16+26+16 t'k +4+16+9+9 +16+56+26+26 También = 206 = 3+4+5+4 +2+4+3+3 +4+6+6+6 =48 1) Por tanto = a"?--# : .4. = 4 +6+5*5 = 20 r = 16+12+20 = 48 Luego D6 1s-. = 3+4+6*4 = 16 tz..02.9 o(b-1)=(3)(3)=9 gradoe de =14-8=6 libertad 9.2/3 n con 2.n) = : 2oo 6 _ tg2 = E (c) D-Qb:14-8 . .6 ¡e muestran en la Tabla 9-9.=2+4+3*3:12 rt.cAP. Tabla 9-9 Gg=f. .9no podemos techazar la hipótesir nula de medias iguales al nivel 0. el ANALIS$ DE VARIANZA 319 (b) ConreferenciaalApéndiceF.

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. =48 ?t. de las máqui nas. Tabla 9-12 J Í: ). de como antes. cinco operadores experimentados trabajan con las máquinas durante intervalos iguales.ab6-1#¿.320 Es conveniente ordenar los datoe ANALISIS DE VARIANZA como en la Tabla 9-10. = lrsoor --. 16= = zs56-246 soo = zrrL (i55 I t.4 y a partir de este punto el análisis proce- 9'8' máquinas didiseñado para .(¡ti)] : ! Los resultados concuerdan con los obtenidos en el Problem a 9. por ejemplo 60.rooo¡ .ffi : - 245 := . Tabla 9-10 T [cAP. de todos los datos para obtener la Tebla 9-12. = t4 800 7) = (zoe)r-9q): = u¡.?¡ Entonces = 2356 r. La Tabla 9-11 muestra de unid s. Ensayar la hipótesis hay dife máquinas a un nivel de n del (a) Tabla 9-1 A B C 1 68 72 75 42 53 i2 52 63 55 60 82 65 7? 48 61 57 64 48 76 50 53 D E 64 65 70 68 Reste un número apropiado.'r = 206 " = ?". e t T: A B C 3454 2433 4655 16 256 t2 20 r14 400 ) s.

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

I 5. (b) hay una diferencia significativa en rendimiento por acre debido a las cosechas. F.0 5. como también los totales de columna. . Soluciona¡ eI Problema 9. Por tanto ! = n2=5. e Variación Grados de libertad Media de cuadrados F D¡=36 a-7=2 n-a=9 io. ensayar al nivel de significación de 0. = = 36 (27)2..9 utilizando las fórmulas cortas incluidas en (24). como se indica en la Tabla 9-18.8 o.:25.96 : 4. las medias de columna y la gran media. CLASIFICACION DOBLE O EXPERIMENTOS DE DOS FACTORES 9.7 45 8. rg.322 ANALISIS DE VARIANZA f. ninguna diferencia en los tres tipos de tubos) al nivel 0.2 7.8 6. Utilizando el método lartivadas en Cosecha I Fertilizante A Fertilizante B Fertilizante C u Cosecha III Cosecha IV 6.-.10. Tabla 9-16 [cAP.4 7.=27.9 6. 12.2 ñ"¡'. Tabla 9-1? Cosecha cosechas de plantas diferentes culparcelas tratadas con tres tipos diferentes de fertilizantes.4 uru so'- 18 = 36 G1=?9=4 = 4. La Tabla 9-17 muestra los rendimientos por acre de cuatro go.99 : 8.2 Calculamos los totales de fila y medias de fila. (25) V Q6l.11.6 7. 9. + 62 +8r-Q|2 = 72 a6 = ?t-. so:. ¡=84 = + iL2 + .01 si (a) hay una diferencia significativa en rendimiento por acre debida a los fertilizantes. 12t nB=4..9.(25)2. Rt=3. Tabla 9-16.05 pero no al nivel 0. De la Tabla 9-15. Por tanto podemos rechaza¡ la hipótesis de medias iguales (esto es.8 9.26.01.(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 9.5 Enüonces para 2 y 9 grados de übertad hallamos del Apéndice F que F. 72 t1.=32. = 19= 1g 5.02. n=12.os datos pueden resumirse en la tabla de análisis de varianza.?.

ocz Al nivel de significación de 0.6.7 5.8)2 + (5.2 2t.2 Fertilizante A Fertilizante B Fertiüzante C Totales de 4.8)z] = 2.6 5.8)2 + (8.8)2 + (6.68 u" : Variación de medias de columna con respecto a la gran media = 3[(6.8)2 -1 (9.86 gl: 3.2 -6.8 -6.0 7.8)2 + (?.8¡r+ (7.6 .6.6.24> 5.7-6.8)2 + (6.8 7.8)2 + (5.2 8.6 ¡'=0"2/i3=0.6 7.9 columna Medias de 19.5-6.S¡z a (7.4¡z * (7.7 -6.r. Fq.5 6.6 grados de libertad.08 ue : Variación aleatoria = Lt .0 Gran total 22.r.3 5.6.6 columna u.05 hay una diferencia significaüiva en el rendimienüo debida a los fstilizantes.3 .5 -6.2-6.6 oi = t.14.4-6.2 . Entonces.8)2 + (8.2 6. el ANALISIS DE VARIANZA Tabla 9-18 Cosecha 323 I Cosecha II Cosecha III losecha IV Totales de fila 24.0 . 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.zt gl: 2.yaque 6.8 9.7 8.6.9 -6.:5.8)21 = 13.S12 -'.8 .8)2 + (6.9 = = 81.8 .8)2 + (5.14. Tabla 9-19 6.3 Gran media 6.9 .6.0-6. : Esto conduce al análisis de varianza en la Thbla 9-19.0 33.4¡z a (6.3-6.cAP.8)2 = 23. .05 con 2.5 18.58 F =G?/C?: a.6.9 68 5.podemos rechazar la hipótesis de que las medias de fila son iguales y concluir que al nivel 0.8 : Variación de medias de fila con respecto a la gran media = 4U6.4 7. 64 7.4-6.2 23.32 U: Va¡iación total (4.8 Media de fila 6. .8)2 + (5.5 6. (7.

6 : 577.G8 = *>t-"ti = |trozs.(23..82 11 = = 23. Utlizar Tenemos de la Tabla 9-18 i.ut - bb4.t2. Nótese que para cada máquina se han indicado dos turnos.324 ANALISIS DE VARIANZA las fórmulas cortas para obtener los resultados del Problema 9.05 si hay (c) una diferencia en las máquinas.88 = = 18.08 de acuerdo con el Problema 9.6)¿ = 2274.96 S-z Sro (24.2¡z (19. Un productor desea determinar la efectividad de cuatro tipos de máquinas A. 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.rol rt . 554.zu 'üc bb4. D en la producción de tornillos.13.58 EXPERTMENTOS DE DOS FACTORES CON REPETICION 9.82 = 6. Los días de la semana se pueden considerar conro réplicas o repeticiones del rendimiento de cada máquina para los dos turnos.10 Entonces s-2 j* tt'r^ 12 ab = vr 1s-r-t' 577.8+33. (b) una diferencia en los turnos. : lcAP.88 ab = 23.6 = (4. móquina y lurno.2.k )"i T a .S¡z a (6.2)2 81.68 .9)2 = 1673.96 bj'j. C. Efectuar un análisis de varianza para ensayar al nivel de significación del 0.5)2 + (18. Los resultados se indican en la Tabla 9-20. - 13.08 = uc Lnezln.2)2 ¡ + (33. En esta tabla se indican los dos factores principales.. + 24.2+23. 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 9-21.2)2 (27-O'¡z r.24 ¡ (22.11.n¡z (5.11.88 2. e 9. B. .

+ 72 +L02-W = 1946- 1?95.6 - 1?9b..b --5 . (32)2.6 : 66.6 = 51.cAP. 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+ .¡2912.0c = 65.)' + qq -ld.1 = 6.5 = 1861. 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 [. Estos se ordenan en la Tabla 9-22.. variación debida alasinteroccion¿s entre las filas y columnas. concentremos nuestra atención al üotal de los valores de repetición correspondiente a cada combinación de factores.-.2 .ro ro 10 La va¡iación entre columnas viene dada por (zgq)' 40 = 1846. que llamaremos variación subtotal u".b .S . (31)2. viene dada por -. (38)2 ""--6-5 .4 variación total para la Tabla g-22. (30)2.. _124)2. (119)r_eqq\2 ? 40 - _ 180s.S .1 Si reetamos de la variación subtotal u. móquino y turno.4 Para considera¡ los dos factores principales.6 La variación enhe filas üene dada por (zee¡z 40 a' = (54)2 (85)2t' (6.5 .1795.?_1?e5.6 rov = 8. que es una tabla de dos factores con valores simples.6 = 1b0.3. Esta viene dada por * u" ) obtenemos la 0i = 0"-D¡. la suma de las variaciones entre filas y columnas (u.0 'tt" = --ñ.(41)2.0-8.6-51. (44)2. ZO - (126\2.

SfSe:2.16. I¡iabla también da el número de grados de Tabla 9-23 Filas (mÁquinas). ce debe a interacción. eeto es. Puesto que . D" = 84'8 Total.90 para B. 32 grados de liberüad Fn. columna e interacción (ee decir. Para hallar loe grados de übertad debidos a la interacción obeervamoe que hay 8 valores en la Tabla 9-22.6 + 84.. que conduce a unava¡ianzacombinadade gL.06. Si decidimos analizar los resultados combinando las variaciones residual e interacción como lo recomiendan algunos estadísticos.o Columnas (turnos).o" : 150. filas y columnas de la Tabla 9-22).: 4. u= 150.5 G? = zltt Aleatoda o residual.entantoquelavarirrcióndebidaalae 2columnastiene 2-L= Estas va¡iacionee se indican en el análisis de varianza. B2 grados de libertad podemos rechazar la hipóüesis ll. la va¡iación subtotal) ¿L U variaóiOn tot¿l u. lo cual indica que la interacción no ee significante. Siguiendo lae reglas de la página 315. Tabla 9-23.326 ANALISIS DE VARIANZA lcAP. Entoncee ya que F calcul¡do para lascolumna¡es 8.3 y 3 + 32: 36 respectivamenüe. u¡ = 6. 7 (3 + 1): 3. Al usar este valor en cambio de 2. .81?. De la Tabla 9-23 vemos que pa¡a interacción F : 0. Puesto que 3 de esos 8e deben a filas y 1 a columna¡.05 podemos conclui¡ que las-máquinas no son igualmente efectivas.65 para el denominador de F en la Tbbla 9-23 no afectan las conclusiones alcanzadas anteriormente. ya que hay 4 filas en la Tabla g-22La variación debida a l¡s fila¡ tiene 4 .:6. vemos que F para las fila¡ e¿ 6. podemos rechaza¡ |a hipótesis flllr ¿" la pógina 315. el reeto.4 Para continuar debemos determinar primero si hay alguna inüeracción significaüiva entre los facüores básicos (es decir. Para l.8 : 91. Esto es equivalente a decir que al nivel 0.tr ¿" que lar fila¡ tienen ¡¡sdi¡¡ igualee. 0' = 51'0 i? = tt. - libertad cottespondientes a cada tipo de variación. se halla reetando la suma de variaciones füa.6 : 84.42. Po¡ tanto el total de gtadoe de libertad es 8 I : 7. 0c = 8'1 Interacción.Ya que hay 40 valores en la üabla original 9-2i el total de gradoe de libertad es 40 1 = 39.06 no hay diferencia iignificativa entre turnos. Aef. Eeto resulta en a" = Q-(or*o"*o¡l = 7).! : Sgradosdelibertad.F nl: 2. hallamos para la va¡iación combinada y grados de libertad combinados u¡* u.61. e Finalmente la variación reaidual. Esto esequivalenüe a decir que al nivel 0.4-65. Por tanüo los grados de libertad debidos a l¡ va¡iación residual o aleatoria ee 39 7 : 32. no podemos techazt la hipóteeio l/[zt ¿" que las columna¡ tengan medias igualee. 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).8 1 grado de liberüad.

concluimos que al nivel 0.06 : va¡iación entre (77\2 (74\2 (78\2 (71\2 columru lS=?rc= 4 .47 para 3.06 : 329.06 = 4. 32 grados oe libertad y puesto que F para filas es 6.05 y (b) 0. = T*ry*ry 5723.05. Un hacendado desea ensaya¡ los efectos de cuatro fertilizantes A.26 A B 48 At5 c23 BLO 73 C 85 D 92 B15 420 D2r 74 TOTAL 70 296 c22 TOTALES 77 At7 7l 295 himero obtenemos toüales para filas y columnas como 8e indica en la Tbbla 9-26. columnas y üratamientos se obtienen común y corrienüe.69 16 variaciónenrretratamienros = .Ia variación üotal y las va¡i¡ciones para filas. Efectuar un análisis de varianza para determinar si hay una diferencia significativa entre los fertilizantes a niveles de significación de (c) 0.75 .5439. el ANALISIS DE VARIANZA 327 9. 32 grados de libertad y puesto que F para columnas es 3.t: 4.49.94 Variación entre filas .r. Ya que F . 29.01.51 para 1. CUADRADOS LATINOS Tabla 9-24 9.lá. A este nivel aún no hay interacción apreciable.e0 = 7. Hdlamos Va¡iacióntotal : o= (18)? + (21)2 + (25)2+'. B.' + (10¡z * (lT2 -@5Y 16 5769 - 6439.15.19 (2eS1z - 5439. Solucionar el Problema 9.. de modo que podemos proceder más al.13 si se utiliza el nivel 0.4 .01 las máquinas no 6on igualmente efectivas.l cAP.1)¡ ff +ff + ff -5468. 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 9-24.01. Ya que ¡'.4 -. 4 : 5443.19 - 5439.01 no hay diferencia significativa en los turnos. Tabla 9-25 At8 D22 c2r Bt2 420 D25 BLI at6 c2s 810 ct9 D24 875 c22 D2l At7 TOTALES AL8 D22 c2l BL2 D26 Btl c19 D24 75 68 82 70 Tabla 9.14. C. donde los números indican rendimientos en dkl por unidad de área.25 + ry . También obtenemos el total de rendimientos para cada uno de loe fertilizantes como g€ muestra en la Tabla 9-26. D en el rendimiento de trigo.At-ril.06 . podemos concluir que aún al nivel 0.25 *9'{ -(fftr = 284.

19 Residuales. Tabla 9-2? lcAP. Tabla 9-28 CONDUCTORES 1234 B. Asignamos aleatoriamente los cuatro caminos que van a emplearse. 4. autos y caminos podemos emplear un cuadrado grecolotino.F para tratamientos es 4?. 284. podemos aceptar la hipótesis que no hay diferencia enla fertilidad del suelo en las filas (o las columnas) al nivel de significación del 0.17. Sin embargo. D. denotados por o. Así cada conductor tendrá la oportunidad de conducir a lo largo de cada uno de los caminos. 6.05Ia hipótesis de que hay medias de fila iguales. i I}¡ 9. Puesto que el valor F para columnas es menor que 1.8? (o) Puesto que F er.¡. conductores. 11.16. de modo que cada letra apatezca solamente una vez en cada fila y solamente una vez en cada columna. Ya que el valor de.0 : 9. e Filas. 4. Se deduce que al nivel 0.69 Tlatamientos.r. CUADRADOS GRECO. Supóngase que los diferentes autos se representan por las filas y los diferentes conduetores por las columnas. p. Es de interés determinar si hay alguna diferencia en el kilometraje por galón entre las gasolinas A. (b) Ya que Fgo. sujetos a los mismos requisitos impuestos a las letras latinas.05. Asignamos las diferentes gasolinas A. cuatro autos y cuatro caminos diferentes..76.. C.9 > 4.05 hay diferencia en la fertilidad del suelo de una fila a orra. Suponga que en el desarrollo del expeúmento del Problema 9-16 el número de kilómetros por galón es el dado en la Tabla 9-29. B.01.76. como se indica en la Tabla 9-28. D aleatoriamente a filas y columnas. B. 7. concluimos que no hay diferencia en la fertilidad del suelo en las columnas. debemosconcluirquehay una diferencia entre fertilizantes al nivel 0. Puesto que se incluye igual número (cuatro) de gasolinas.19 Columnas. .o :4.' I A.01. LATTNOS 9. Un aneglo posible es el dado en la Tabla 9-28.78. C.lJtiliza¡ el análisis de varianza para determinar si hay alguna diferencia significativa al nivel 0. Así cada conductor tendrá una oportunidad para conducir cada auto y utilizar cada tipo de gasolina (y ningún auto será conducido dos veces con la misma gasolina). Diseñar un experimento utilizando cuatro conductores. rechazamos al nivel 0.328 ANALISIS DE VARIANZA El análisis de va¡ianza s€ muestra en la Tabla 9-27. podemos concluir que hay diferencia entre fertilizantes. 29.

(52)2 . Tabla 9-31. (68)2 4 . B. (61)2 4-4-4-4-16 4102.60 ry*ff+ff+ry-ry 4 (16)'z = 4ros.60 Columnas: . Tabla 9-29 CONDUCTORES Tabla 9-80 TOTALES Bf 19 ae Bc 16 1g 11 16 61 D6 16 cq 1¿ 65 69 62 70 By 19 ap 16 D6 16 cd 14 A6 t6 Ds cB TOTALES 14 L6 64 82 E{ cr lL BB 2l DB t6 A6 15 Bo 18 cy ll Bs 2r ao 15 De t6 c6 Af 86 16 23 68 Do 14 L6 c6 lL Dr L6 Ar 86 L6 23 Df As L6 63 cF 266 Entonces obtenemos los totale¡ para cada letra l¡tina y para cada letra griega.00 - 6-50 - 11r. Las filas.4 .cAP. Filas: a----l---4 (64)2 .os resultados se mueshan en el análi¡i¡ de varianza. (63)2 . columnaE. leüras laüinas y letras griegas cada una tienern 1 grados : 4.50 - 7.50 La variación total ee (1S¡z * (le¡z + "' + (16)2 + (2s\2 -e66\2 =' 'I | \-vt 16 16.00 de modo que la variación debida al e¡ror e¡ 148. el ANALISIS DE VARIANZA 329 Prirpero obtenemos totdes fila y columna como ¡e indica en la Tabla 9-30. 4 - (70)2 (256\2 16 Q6A)z 16 QAA¡z = 4112. E número total de gados de übertad es n2 . utilizando el método corto. (81)2 . ó) Ga¡olinas: (62)2 4267.Portantolosgradosdelibertadparaelerroresn2 caso n f.60 = 6.60 (A. (62\2 -.Ennueetro . como eigue: Atotal: 15+16+15+16 = Btotal: 19+18+2I+ 23 = Ototal: .6o-40e6 = ?.1 para un cuadrado de n X n.50 4244-4096 = 148. C. -1--4(n-1)=(n-lXn-3). 7.60 -4096 = 111.60 I 4096 6. (59)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.60 - 4096 = = 16. Dl Caminos: (o' P. (61)2 .4-T 4 .00 deliberüad.

19.01. Derivar (c) la ecuación (17).5. (4.-¡b-l ¡ es la varianza muestral para el tratamiento jr como que el tamaño de la muestra es b. B.} .C.*-i. Se deduce que t=L )¡t* )"t j:r ' donde hemos utilizado la definición p )a. 6).. 111.. J=r - =.18. ya E(v.500 :?*33=t.05 pero no al nivel 0.a:9.3u*3" = op+\'¡ t=L i=l !:t' = (2p)/a..-*.s : 29.or.". donde Sf é define por (15). 5u.= . 6. de Ia página 308. Demostrar que > oj = 0 [(15). = F* e¡.r. Entonces. página 308].50 2. (o) Poi definición tenemos v. El tratamiento medias de la población viene dado por p¡ Por tanto ac = 9. e Columnas (conductores).28 V F.26 Tenemos F.s.so.¡z > + ) (x. (b) la ecuación (I6).l)oz - . 7.) = bj¿E(Si) utilizando (I6) del Capftulo 5. Capítulo 5.50 Caminos (o' É' 7. Por tanto podemos rqchazar lahipótesisdequelasgasolinasson igualee al nivel 0. b 3 (¿'-1"'\ -i---t\ b / = a(b . PROBLEMAS DIVERSOS 9.tz = b j=r |Lo rEr' " ' ) = ¿!s? j=1 d. = 9.D).60 Gasolinas.330 ANATISIS DE VARIANZA Tabla 9-31 lcAP.

Entonceo.\12 lBlx¡12 E(xil : E(Xz) = Var (Í) + Pero ya que las poblaciones de traüamiento son normales.-x¡z t=r aa a o = b>*i-2bx)x.20. página 309.2 9. . los diferentes días de la semana.) (d) (7) E(Xj. Por tanto lv(x.bgQ7z) Entoncee para cualquier variable aleaüoria U. en (I ) tenemos E(va) = b>[+*(¡.1 gradoe de libotad. Por el Teorema 5-6. (b) 0. bSJ/o2 tiene drado con b . ¿Podemos sostener esta conclusión al nivel de signifi cación del (c) 0. P¡ra hallar la variación debida a larepeticiónutilizamoslostoüalegdecolumna cn la Thbla 9-21.01? Si existe alguna variación debida a las repeticionee se incluye en lo que ae llama el ertor re¡idual o aleatorio. esto es.p6gitn 116.+*i):-l -"ufLab J !+rr) " '' ) -LD aoz * b ) (p+ a¡)2 - o2 - s'b. Como ¡e indica en el Problema 9.21.18. üenemos E(val = b>86?) var(i¡.) / \ // /\/ ' = b>*?.Enloncex. + > al - ob¡P (c--t)62 * b ) a..13 supusimos que no existían diferencias significativas en las repeticiones. Demostt'ar el Teorema $1.) + a.+auxz l=r t=L ya que (f) (21 (. puesto que las varianza¡ S! bn indep el Teorema 4-4.19(o).cAP. 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. ¡úgina 161.05. con medias ¡t¡ y varianza común 02. omitiendo el fndice de la euma. página 158: ( tr) var (5) =r Var(X) = # E(X) = p (i¡.) = pj = p+ai Utilizando los resultsdos (2>(7). E(U2) = Var (U) + lE(U)12. que V-/o2 tiene dishibución chi-cuaüado cón o(b - 1) 9.-ab*z j=1 a.8. en la Tabla 9-23. tenemos dd Teoreme 6-4.P = (a-l)o2 * abp2 + zbp> ". = 84.. más el reeulüado dd hoblema 9. obteniendo u" . En el Problema 9. el ANALISIS DE VARIANZA Por 331 (b) definición vt' = a ) 1*r.t) X = ( )It.

0g.. Suponemos que la clasificación se hace en A grupos. denotadospor ejemplo. El valor f..1795.22.. . = 8'1 Repeticiones (días de la semana). La tabla final de análisis de varianza.t 2 @¡rt- ú)z que puede dividirse en siete variaciones..4 3 Aleatoria o residual a'" | 2. como se indica en la Tabla 9-33.32 Filas (máquinas). 8r.. l---g 6.C".k. . teniendo en cuenta las repeticiones.4 Puesto que hay 5 repeticiones.86.*ucA-. el número de grados de libertad asociados con esta variación es b 1 : 4..06 (y por tanto al nivel 0. T. Finalmente d Existirá una uarioción total dada por (l) 1) = t. los días de la semana no eon significativos...4 De la tabla vemos que el F calculado para repeticiones es 1.¡r. es la Tabla 9-32. La interacción entre todas las clases se denomina como antes la uariación aleotoria o residuol. Estas variaciones son entre clases del mismo tipo y entre clases de diferentes tipos (inúerccciones).332 ANALISIS DE VARIANZA [cAP. Tabla 9.4)2 . g - (268)2 40 = 1807 .ú¡n< . sedenotaporxjkl.4.Elvalorú¡¡.C{luposdenotadosporC¡. Reproduzca la tabla de análisis de varianza a emplearse en tal caso. . (47)2 (50¡z -. Describir cómo se pueden utilizar las técnicas de análisis de varianza para clasificación triple o experimentos con los tres factores (con factores simples). es la media de valores para las clases Il y C cuando Ar es constante.u¡6. .01) debi- da a las repeticiones.18."o = 11.8¡r.767 | -=0. denota la media de valores en la clase C cuando A¡ y B:p se maitienen fijos. o. denotados pot 41.2g grados de libertad. I-a variación residual después de restar la variación debida a la repetición ea ue : 84.8 114: ?8. C.rpor denota la gran media.EIvalorenA¡. 0' = 0c 51'0 Columnas (turnos).6 = 11. 9. Pero ya que Fe5: 2..827 = 73. podetnos concluir que no hay variación significativa al nivel de 0.7! parz 4. Ias conclusiones reliacionando máquinas y turnos son las mismas a las obtenida¡ en el Problema 9. Sigñificados análógos se dan a E¡ ¡ ! r . Las siete variaciones en las que se puede dividir (1 ) vienen dadas por u = DA+ürJ+uc lTIAB *. Ao) Barupos. e 1t=-+'re¡ (57\2 g (51)2 g . es decir. Las otras variaciones son las mismas a las de la Tabla 9-23..

Suponiendo que las parcelas eon de fertilidad semejante y que las variedades se asignan aleatoriamente a las parcelas.(a-1)(b-1Xc-1) Añ..t . (b) 0.Bc b-r.1Xó - l)(c - 1) gl os (entre grupos B) ó-1 c Ao og s "B .kc (b - 1)(c - 1).+ ¿.t. ? (E¡.ñ.Bzcl...c (entre grupos C) -'l Añ "c .tt+ ñt.. (a.- ñ¡.ñ. ce' ) (¿.+ i)\2 E)2 aABc = .2r@i*t.k. (a - 1Xó - 1)(c - 1) gl trac (entre gru- posByC) o¿ =o=ffi= (c-1X¿-1) acA .23.. Se efectúa un experimento para determinar el rendimiento de 5 variedades de trigo A. determinar si hay una diferencia significativa en rendimientos a los niveles de significación del (a) 0.05. Dc ñ\2 : ab 2 @.ú.A^o 8ó^tsA.rt.I ót s.01.'uc c-1. E.. D. (o - 1)(b - 1)(c - 1) sl u¿ (entre gr¡r- posCyA) (entre grupos (c - 1)(o .4ñ s gl t.s suplernerirta. Q¡n rB = = ..ñ.cAP. 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 .+ 0nc = ".% (c 1)(a 1).c)i." = uesc (o-l)(ü-lXc-1) Probletna. .n\r.¿)."" a a-l - 7...k.* ñ.J- er" (ñ¡¡1.rTabla 9-3$ Media de cuadrados r¡ Ao -q¿=-A o-l Varíación o¿ (entre grupos A) Grados de libertad F ?1.BC gl 0¡s (entre grupos AvB) (o-1)(b-1) (b-lXc-1) (o - 1)(b - L).rlos CLASIFICACION STMPLE O EXPERIMENTOS DE UN FACTOR Tabla 9-34 A B C 9.ñ j*.r.n. C.ri.ñ.ByC) u (total) (o-1)(ó-l)(c-1) abc-7 9?.BlSA.ó I Dg n rA^ Ét s^.új. B. variedad y los rendimientos (en hl/ha) son los mostrados en la Tabla 9.c .r+ ñ)z !ct = b > (ñ¡t.4ñ sA. el donde U¡ ANALISIS DE VARIANZA 333 - ..(a-1Xb-lXc-1) AÓ.Bc -1) 3.34. (o 1)(b 1)(c 1) gl 1) ¡ A..-. (fr.

(25) V Q6).A IVfarca Tabla 9-3E 11 15 L2 14 11 15 L2 L4 Matemáticas Ciencias I 16 10 I\Áarc¿ C L2 t4 Inglés Marca D I\Áarca E 16 18 16 L7 10 12 t4 t2 t4 Economfa 72 81 88 74 80 83 76 74 77 82 90 87 7t 77 70 80 9. (b) 0. tres grupos de 5 estudiantes se escogen aleatoriamente.O1 si hay una diierencia significativa en sus calificaciones entre Ssas asignaturas. página 311. D.a 9-38. Ensayar a loe niveleg de (o) 0. II. e 9.06.24. (D) O. (b) 0. La Tabla 9-37 da los números de mill¡s al galón obtenido por autornóviles semejantes utilizando 5 ma¡cas de gasolinas. B. loa resultados se dan en la Tabla 9-39. página 310. C. Tabla 9. Durante un semestre un estudiante obtuvo las calificaciones indicadas en Ia Tabl. (b) entre máquinas. Un profesor desea eneayar treg métodos de en¡eñanza I.05. II1.85 Tabla 9-86 9. Luego se da el mismo examen a todoe los estudiantes y oe obtienen las calificacionee indicadae en la Tabla 9-36. [. determinada de sus fibras. 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.os a¡tículo¡ fabricados por una compañfa se producen por 3 operarios utilizando 3 máquinas diferente¡.01 si hay diferencia en lo¡ neumáticos. prÁgina 311.334 ANALISIS DE VARTANZA [cAP.28. Determinar al nivel de (o) 0.06. 9. para el caso en que los 4úmeror de oba¿rvaciones dean CLASIFICACTON DOBLE O EXPERIMENTOS DE DOS FACTOBES 9.27. Se efectúa un erperimento para determinar el número de artículos diarios producidoe por cada operario utilizando cada una de lac máquinas.06. vienen dadas (en miles de millae) en l¡ Tabla 9-36.81.01 si hay una diferencia significativa en los métodos de enseñanza. Ensayar al nivel de (o) 0. donde cada tipo ¡e ha tratado en 6 automóviles semejantes asignando los neumÁtico¡ aleatoriamente.01 si hay alguna diferencia significativa en las marcas. Demo¡tra¡ el resultado (30).29. Una compañfa deeea ensayar 4 tipos de neumáticoe A.26. (b) 0. 9. y a cada grupo se le enseña por un método diferente. Ensayar a loe niveles (o) 0. Tabla 9-37 I\[atca. 9. Tabla 9-39 Operario Máquina A Máquina 23 34 28 1 Operario 2 Operatio 3 24 28 27 I I\láquina C 27 30 25 . I'z duración de log neum6ticor.25. diferentes. Demostra¡ la¡ fórmulas cortae (3I fl34).05. Demostrar los resultadoe (24). Dar la informaci6n deseada utilizando un nivel de oignifi' cación del 0. Para lleva¡lo a cabo.30. El fabricante desea determinar ei hay una düerencia (o) entre operarior.

SLOQUpS C D E IIIUIIV t2 15 15 19 L4 18 11 16 16 l7 10 t2 16 L2 11 14 11 12 16. 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 .36.26 el primer valor para cada método de enseñanza corresponde a un estudiante de un plantel especffico.39. / y II. Ios réeultados se dan en la Tabla 9'41. Suponer que el experimentg del hoblema 9. EXPERIMENTOS DE DOS FACTORES CON BEPETICION T¡bla 9-42 A 9. en tanto que en un experimento semejante efectuado en el oe¡te da los resultados en la Tabla 9'42. y así sucesivamente. Determinar al nivel de 0. 9.34.12. Solucionar el hoblema 9. 9. Ensayar al nivel 0. \4 9. Tabla 9'4O TIPOS DE MAIZ bloque te a los hl/ha.38 al nivel 0. a ^ B {amente con (o) las diferencias del terreno (esdecir.41.8?. los bloques).05. (b) las clases de automóviles.01.23 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. c Semill¡s de 5 tipos de mafz ee siembran en 5 bloques' Cada ue se asignan 0. (b) las máquinas.40.01.01.cAP.06 ¡i hay una diferencia en (o) lor ferüilizantes. Solucionar el Problema 9-31 utilizando el nivel de significación del 0.05 ¡i lo¡ rendirnienüos en bla 9-40.40 utilizando un nivel 0. y así sucesiva-E mente.33 utilizando el nivel de significación del 0'01. (b ) en los planteles. ts Tabla 9-43 da el número de artículos produeidos por 4 operarios diferentes trabajando en dos tipoe de máquinas.06 de que hay diferencia en (a ) d método de en¡eñanza. Tabla 9-41 9. Solucionar el hoblema 9. (b) las diferencias en el tipo de maí2. Soluoiona¡ el Problema 9. el ANALISIS DE VARIANZA 335 g.g2. la eegunda observación empleando una segunda clase especffica. g.38.24ltprirnera observación para cada tipo de neumático se hace empleando una claee espeiífica de automóvil. 9. roy"t al nivel de 0.01.06 si hay diferrencia en (o) los tipos de neumáticos. dUrante díae diferentee.g6. Suponer que en el Prpblema g. Solucionar el hoblema 9. varfan significati- aleatoriamen' 5 .05 si hay diferencias signifiéativas en (c) loe operarios. 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. Analizar el ex' pelinojo rubio Alto Mediano Pequeño 76 81 73 78 76 castaño 80 79 perimento al nivel de 0. el segundo a un estudiante de otro planüel. Suponer que en el Problema 9. (b) la localización. doñde los números in' dican 10 en el tope de los graduados. B C 16 18 20 15 L7 16 2l 19 18 23 19 2l 23 20 D 9. Ensayqr la hipótesis al nivel 0. E 18 22 2L l7 18 24 g.3ó r¡tilizando el nivel de significación del 0. lo 77 9.33.

L62 BB L45 cB 2t2 A6 112 86 Do An 188 Bq 167 c7 136 PROBLEMAS DIVERSOS 9. W¡ . T3 T4 c6 t7l D. C. (D) lae variaciones del terreno.C1 . .44.05 ¡i hay una diferencia significaüiva en rendimiento académico de los e¡rudiantes debida. eetableciendo cualquier conclueión a que pueda llegarse.44. É. Sz S¡.Tc. Wt. donde lo¡ números indican rendimiento de maÍz por unidail de á¡ea. B. BoG Dy l0 Ap8 c6 10 cialee. Ensayar la hipótesis a un nivel del 0. y de variaciones del teneno en dos direcciones perpendiculares. como se muestra en la Tabla g-46.48.r 198 D.1.43 utilizando un nivel 0.43. Tabla 9-44 efectúa un experimento para ensayar el efecto sobre el rendiniiento de 4 tratamientoe de fertilizanües A. C. miden las fortaleza¡ de los cable¡.Tz. q D. B o C.01 si hay una diferencia significativa en los tratamientoc. Det¿rmina¡ a un nivel de 0.46. (ó) 0.LATINOS wr ^S.as cantidades diferentes del primer compuecto se indican por A.38 euponer que introducimos un factor 876 c81 o73 Tabla 9-46 o78 E'76 c80 o79 c76 877 w4 CUADRADOS GRECO.45. Oes: te. Determinar al nivel (o) 0.S4 Sr. (c) lugar de nacimiento. B7 At4 Tabla 9-4ó c12 adicironal dando la sección donde naci6 el estudiante Eete.47. El aumento en peso por unidad de tiempo 6e da en el cuadrado greco-latino de la Tabla 9-46. Se obtiene el cuadrado latino. eetableciendo cualquier conclusión a que pueda llegaree.6 .336 CUADRADOS LATINOS ANALTSIS DE VARIANZA IcAP. ?a sefabricanporcadaunadecuatrocompañfas. Centro. Tr AB 164 c2 Bf 181 c3 ca Ay 193 193 207 166 c4 D6 160 T. Tabla 9-4t Alto Pequeño Mediano 110 95 Tabl¡ 9.a diferencias en (o) ertatura. 9. Tabla 9. e 9.05. Wz. D y las del cegundo por ü. c16 9. Wc y 4 especies d-iferentes . (b) colo¡ de pelo. Cuatrotiposdecable?¡. 9. 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. 4 cantidades diferentes de dos compuestoc químicos se agregan a los ingredientes bási co¡. respectivamente. Con referencia al Problema 9.Cuatro operarior A. w2 BB6 Dog ws Ao5 9. Ca. Soluciona¡ el hoblema 9.4? c. t¡ Tabla 9-48 contiene los datos sobre el moho acumulado en hierro tratado con químicos A. o. Efectua¡ un análisiÉ de varianza al nivel Q.49 105 103 118 A B 3544 4233 6465 Lt2 10? 90 115 c 108 lr2 93 104 96 L02 .01 de que no hay diferenci¿ en (o) los fertilizanSe C8 At4 D10 Á10 c12 BL4 D16 D12 B11 811 Dt5 Á10 tee. B.Cz. 6. D usando cuatro máquinas diferentes. 7. T¡¡ fq¡talezas promedio obtenidas se dan en el cuadrado greco-latino de la Tabla 9-4?. Tabla 9.05. Efectu¡r un análisis de la varianza del experimento al nivel de significación del 0.05. B. Para producir un tipo superior de alimenüo pnra pollos.Ct. [. St.05.

9.4g. 9. Se realiza un examen para determinar si los veteranos o los no veteranos de diferentes I. Suponer que los resultados en la Tabla 9-48 del Problema 9-48 son válidos para el noroeste. 9. Solucionar el koblema 9.53.05 y establecer sus conclusiones. página 309. (3) y ( ). rinden mejor' Los puntajes obtenidos se muestran en la Thbla 9-50. (b) 0. (b)la ecuación@0).05. página 372.ó6.50. medias y pequeñas. página 312.05 si hay diferencias debido a (o) los químicos.54.23 y 9.5?. Los resultados se indican en la Tabla 9-49. En los cálculos de análisis de varianza se sabe que puede sumarse o restarse una constante apropiada dp cada valor sin afectar las conclusiones. de estudiantes adultos de estaturas altas. Solucionar el Problema 9. . Ensayar al nivel 0.61.01 si hay alguna diferencia significativa en los I. Determinar al nivel (o) 0. Tabla 9-51 Alto 9. Determina¡ al nivel de 0. 70 En el Problema 9-42. Veterano No veterano 90 85 Medio ril 78 I. 70 9. Demostrar el Teorema 9-3.Q. Determinar eI nivel de 0.cAP. Derivar los resultados 9.60.Q' 9. Bajo I.Q.62. 9. ¿Es ésto cierto si cada valor se multiplica o divide por una constante apro' piada? Justificar su resPuesta.52 utilizando un nivel 0'01. Un experimento mide el L Q. Tabla A B C 9-52 Tabla 9'53 5463 3423 5746 AltT 14 18 Bl20 10 20 cl18 Dlt2 ¿'ll5 15 16 11 11 12 19 12 15 L7 11 14 9. Demostrar (o)la ecuación (39). Analizar la tabla al nivel de 0. ¿puede determinar si hay una diferencia significativa en el número de artículos producidos en los diferentes días de la semana? Explicar. el ANALISIS DE VARIANZA 337 g.40 suponer que un experimento adicional realizado en el noroeste produce los resultados de Ia Tabla 9-53. Norte y centro 80 ¡D 79 g. página 309. (b) la localización. 9. Tabla 9-50 Alto I. Con referencia a los Problemas 9. (b) la ecuación (38). relativo a diferencia de estaturas. Este Oeste Sur 88 84 86 Medio 80 78 82 Bajo 72 ¿o 9.55. 9.62.Q.51. Demostrar el Teorema 9-2.54 al nivel 0.5E.05 si hay diferencia en (o) fertilizantes. Demostra¡ (o) la ecuación (37). t¿ Tabla 9-51 muestra los puntajes para una muestra de estudiantes universitarios de diferentes partes del país con diferentes I. en tanto que los resultados correspondientes para el oeste se dan en la Tabla 9-52.59.Q.Q.01. (b) I.05 si hay una diferencia en los puntajes debido a diferencias en (o) el estado veterano. (b) los tres lugares. página 312.Q.

Montar y solucionar un problema que iluetre el procedimiento en el Problema 9. es decir. 9. 2X 2? (D) ¿un cuadrado greco-latino de 3 X 3? . las repeticionec. De¡cribir cómo emplear las técnica¡ de análisi¡ de varianza para experimentos de tres factore¡ con repetición.64.7 16 D66 Br7 Haga el montaje de un experimento que conduzca al cuadrado greco-latino de la Tbbla 9-55. En ln práctica. e 9. Efectuar un análisig de va¡ianza en el cuadrado greco-latino de la Tabla 9-65 a un nivel 0. 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. Suponer que en el hobleme 9. Haga el montai dc un erpcrimenüo que conduzca al cuadrado latino Tabl¡ 9-64 FACTOR 1 de la Tabla 9-54.65.21 hallamos una diferencia significaüiva en los días de la semana.69.69.05 y eetablecer conclusiones. 9.63. 816 FACTOB 2 c2r 823 416 AL8 ct4 Bt2 ct5 l á18 9.01. ¿es¡rer¡rf¡ encont¡ar un (o) curdrado latino de Explicar.338 ANALISIS DE VARTANZA Solucion¡¡ el hoblema 9.66.13? Justificar sus conclusione¡.06 y establecer conclusione8. 9.62 utilizando un niyol 0.68. 9.71. 9.67. 9. Efectua¡ un análisis de va4ianza en el cu¿drado latino de la Tabla 9-64 a un nivel 0. 0. ¿Deberíen modific¡r¡e la¡ conclu¡iones obtenidas en el hoblema 9. lcAP.

Apéndices .

.

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

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

"md*=*or"' lg. fr' .APENDICE A 343 14.0=W m)0. p)0 o) 0 16. to' . lB. Ío'"-*senbc O" = ¿ft6 a)0 c)0.or)o denomina.o-'"-* o" -fa-f= Y 16. 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.l L-e(b'-1oc't4o I "VA tT. = hÍ""c-tdr a')o.-. Ío"''""n'^-rtcos2¡-¡0d.lafunción complementarb de enor.n)0 . Í.

2827 .0180 .1435 .0020 .0158 .00I7 .0079 .5 3.9 3.0.2516 .3918 .0775 .3144 I .0099 .r374 .8 I.1006 .0005 .2t31 .0379 .0063 .1758 .3982 .7 2.0073 .0r 36 .3847 .0 3.140 .0007 .2227 .0002 .28i1 .3965 .07.3980 .0007 .0033 .225I .0018 .01?5 .7 0.0003 .0940 .002I .0116 .0010 .1781 .0194 .2323 .3790 .0025 .o024 .0171 .0818 .0014 .3961 .¡ 3.2565 .0002 3.0096 .0003 .0002 . ¡ .2732 .0i21 .24!r2 .0132 .1872 .156 .3894 .0042 .0013 .7257 .000? .0540 .0498 200 .0023 .0734 .0 0.6 o.0229 .0012 .0028 .2803 .1182 .8 2.0071 .2613 .0005 .3555 .237r .r1f)7 691 .3867 .8 3.0050 .0032 .3752 .0694 .0056 2.0669 .0122 .0004 .0037 .0027 .2036 .0001 .0989 .3989 .0009 .0010 .3885 .1219 .254r .0051 .0422 .0167 .0297 .1 0.l lJf]4 .0060 .010? .1127 .1 .058.0003 .0413 .2420 .3187 .0003 .10?4 .0363 .3 IA .0002 .0608 .2295 .3712 .2685 .2203 .1771 .0058 .3251 .oI47 .0277 .2780 .0562 .0002 .1895 .1415 38 .0018 .6 2.5 2.3902 .0047 .1 109 092 1.0026 .0119 .9 .0013 .0004 .1736 .0468 .3970 .2756 .2 0.0006 .0093 .0310 .0005 .0355 .3391 .3538 .0235 .0040 .0126 .24G8 .3056 .0632 .0002 .0151 .0002 .0551 1.3989 .0003 .0003 .6 l.3637 .0010 .0909 .1626 .0863 .8 .3011 .0478 .0110 .2396 .0002 .3932 .0189 .0006 .0043 .0012 .0893 .0053 .0003 .3332 .3448 .12 .0002 .0088 .0317 .3352 .5 0.0ri56 .1849 .3857 .0004 .3467 .0371 .0022 .0283 .0002 .1354 1.1 .2966 .266I .1539 .0303 .3429 .0048 .0198 .Apéndice B Ordenadas (E) de la curva normal t ipif icada enz 0 I .2637 .3945 .13 .2 3.3668 .1 .1315 .2920 .0008 .0848 .2072 .0012 .1669 .2 .3410 .1989 .0005 .9 .0004 .0031 3.0015 .72i6 .Dl éo .0025 .0878 .0017 .1 804 .034? .0332 .6 ¿.3925 .0449 .0104 .óooó .1 561 604 .2850 .1965 .0015 .3876 .39?3 .0258 .22i5 .4 0.0213 .0290 .3739 .9 2.3986 .0339 oe OA .3984 .0065 .0016 .1826 .0009 .0003 .0219 .0007 .0241 .0002 .0038 .0129 .r295 .0459 .1 7.16'17 .0208 .2513 .381 4 .0252 .0573 .2083 .r023 .1 tQ .3292 .:1825 .0203 .0061 .1 .3166 .2 1.0957 .0069 .1145 .0101 .0002 .0006 0004 .0029 .0001 344 .0019 .0 1.0790 .3977 .3521 .3683 .0804 .1919 .0387 .1040 .0246 .3?65 .0091 .0396 .0973 .0154 .0 .0067 .0004 .06{4 .3697 .3621 .0529 .0519 2.0404 .0431 .0264 .0030 -0022 .3988 .016:l .1518 .3778 .3956 .l 2.0081 .2059 .0006 .0488 .00r1 .0113 .0139 .3372 .1.0005 .0761 .0003 .3589 .0681 .3572 .0184 .3605 .u077 .0620 .0008 .0008 .3725 .3939 .0046 .3230 .0707 .327L .0044 .3503 .0036 .3951 .2317 .3910 .2444 .8 0.3 DA .0004 .2t55 .0925 .0002 .3989 .0086 .0325 .0270 .0014 .I942 .0008 .0084 .0016 .01.1057 .1 .0075 .0039 .3802 .0224 .0055 .0036 .1.2t07 .0020 .1582 .2589 .2897 .0833 .331 2 3 4 D 6 7 8 o 0.1334 .5 1.3836 .3101 .0011 .0009 .2709 .1 .0005 .3034 .l 163 .3079 .0034 .3485 .0508 .3 0.3209 .0596 .2989 .

0 2.4993 .485? .4967 .4913 .4988 .4 0.4896 .3315 .4706 .1985 .4049 .4015 .1 0.4961 .2019 .4999 .4890 .1628 .4495 .0 0.0478 .4798 .4997 .4996 .4948 .4992 .4991 .0199 .4898 .0080 .3599 .2673 .4999 .5 0.3907 .44t8 .3926 .4732 .4995 .3485 .4962 .2734 .0871 .45L5 .2704 .4929 .4999 .497L .4817 .)( 2.1103 .4978 .2910 .4996 .4664 .3272 .3577 .4969 .0675 .3531 .4983 .4997 .6 L.4994 .3849 .4115 .4989 .2258 .7 0.4936 .4649 .0040 .4998 .4999 .3888 .4998 .4972 .4925 .3643 .4117 .4901 .4991 .4993 .4931 2.4987 .4996 .4788 .4999 .4999 .3944 .4699 .4995 .8 0.3170 .4854 .4918 .4222 .4999 .1179 .5000 .3051 .4965 .3186 .4981 .2224 .4986 .1406 .4582 .2389 .4999 .4998 .4990 .4545 :4633 .4994 .4803 .4949 .4968 .0987 .4207 .4265 .4993 .4904 .3r 59 .4920 .4868 .8 3.4678 .5 1.4991 .4999 .4998 .4881 .4773 .Apéndice C Areas baio la curva normal tipificada de0az 0 0.2852 .4616 .4998 .4693 .9 2.1808 .4999 .4909 .4878 .4505 .2823 .7 1.4997 .4989 .4999 .48L2 .5000 .4099 r.4997 .4975 .4756 .1293 .0696 .4429 .3340 .4999 .4960 .1026 .3554 .7 2.4963 4973 .3665 .4032 .4906 .1844 .487L .2422 .4998 .0 3..4999 .4319 .4 .4484 .467L .4999 .1664 .2 D') 2.4 .4998 .4463 .4979 .3997 .0319 .4940 .3264 .4525 .4767 .4998 .4821 .tzt7 .4999 .4986 .4964 .4984 .4997 .1879 .0948 .4999 .4979 .3810 .4956 .4995 .4996 .1?00 .4345 .4992 .t443 .4932 .4951 .8 1.1 .1 .4967 .0636 .2357 .0398 .3 1.4738 .4394 .3133 .6000 .9 1.4959 .25t8 .1960 .3790 .2088 .1368 .4992 .4998 .4999 .3389 .4985 .4996 .26L2 .4927 .1987 .4989 .4934 .4999 .3708 .5000 3.4974 .1141 .4990 .4982 .4686 .4719 .4976 .1517 .4997 .7 3.4943 .4864 .4922 .4981 .4131 .2580 .9 346 .4938 .4838 .4941 .3749 .4996 .07L4 .3980 .2881 .5000 .3238 .3078 .4992 .4998 .3621 .4292 A25L .2324 .3289 .5000 .4772 .4608 .3129 .3830 .4995 .4997 .4946 .4082 .0832 .4911 .066? .4999 .0793 .4535 .4406 1.2764 .1591 .4988 .6 2.4966 .8 .1331 .1554 .0359 .1 1 2 3 4 6 6 7 8 I .4974 .3962 .4625 .4850 .3869 .5000 .4955 .4998 .4997 .0120 .2794 .4998 .4977 .1L62 .4834 .4830 .4236 .2486 .4656 .4999 .4990 .4994 .4332 .5 3.4726 .L265 .4192 .4995 .0 1.4599 .5000 .4994 .4884 .0239 .4995 .4999 .0438 .1736 .3508 .4987 .1ts26 .6 3.1772 .() 3.444L .4999 .4916 .4750 .229r .4999 .4986 .4846 .3023 .0000 .3438 .0517 .4452 .4474 .4999 .4793 .1915 .2t57 .0279 .4554 .0754 .2 0.4591 .4842 .6 0.3461 .4999 .4573 .4998 .4808 .4993 .4357 .48(.4970 .1 .3686 .4984 .2190 .0160 .2 ¿-D .4994 .476t .43?0 .4778 .4999 .4887 .4945 .2 1.3106 .1480 .2939 .4564 .4066 .4382 .4744 .4279 .4306 .4999 .0910 .2996 .{o9t .2064 .4977 .2t23 .4980 .6000 3.4982 .2967 .3413 .2642 .4997 .1064 .3 0.4783 .4999 .2454 .4t47 .4875 .4997 .4953 .5000 .4893 .3365 .2549 .4962 .

39 2.57 2.76 3.58 2.30 1.257 .630 .68 2.856 .66 2.257 .277 .L28 .L28 .Apéndice D Percentilrr de (tr) l¡ di¡tribsción f de Student con z grador de libertad v úss ¿oo t.07 2.98 2.31 1.256 .31 2.627 1. Edinburgh).262 .26 2.06 2.530 .626 .128 .94 1.866 .30 L.76 2.546 .256 .686 .889 .33 .727 .72 1.36 3.53 2.692 .32 1.06 2.09 2.256 .694 4 6 6 .86 1.96 I7 18 19 .816 1.696 .44 1.82 2. publicado por l.84 4.684 .08 1.L27 .34 1.60 2.20 2.81 2.259 .534 .137 .700 .78 2.18 2.75 L.683 .629 .258 r.76 L.633 . (previamente pubücado por Oliver y Boyd.532 .80 1.681 .869 .531 .697 .r27 .79 2.000 .47 2.48 2.11 3.82 2.77 1.532 .96 4.534 .17 3.t6 2.879 .257 .34 1.630 .62 2.46 2.32 L.258 .60 4.645 t.t27 .32 2l 22 23 24 25 26 oa 28 29 30 40 60 .28 t20 € .683 .06 2.70 1.687 .6?9 .46 2.83 1.48 2.683 .130 .40 1.11 2.r28 .536 .L27 .130 .858 .14 3.35 1.857 .863 6.260 t.29 L.128 .18 63.941 .978 .L29 10 11 .t27 . con permieo dé lo¡ autores y editorea.765 .L26 .684 .zs üeo tso 3.06 2.80 2.33 1.92 6.68 .36 1.70 1.66 2.L27 .33 1.76 2.37 1.854 .289 .669 .82 6.96 2.860 .535 .66 1.L27 .538 .L27 .92 2.70 2.677 2.14 .49 2.zo t.02 2.256 .256 .883 .01 2.861 .72 2.584 . Fistrer y F.ongman Group Ltd.73 1.A.61? .542 .25 3.34 1.325 .257 .684 .L27 .254 .23 2.00 1.920 .t27 .532 .861 .563 ..70 1.266 .688 .531 t.8?0 .08 2.674 .688 .70 1.703 .64 2.255 .92 2.254 .267 2.?l 1.54 3.t42 .32 L.36 2.66 9.77 2.256 .06 3.686 .89 1.t2 2.78 2.L27 .257 16 2.t2s .90 2.842 Fuente: R.158 . AgriculturalondMedícol Recearch.00 2.90 1.727 .67 1.896 .128 .266 .531 .83 2.?8 .540 .72 1.71 3.3L 2.27L .04 2.02 1.539 .76 1.45 2.88 2.256 .42 1.68 L.134 .263 .50 3.sgs I .73 1.?18 .42 2.126 . Stotistícal T¿bles for Bíological.261 .858 .865 .32 L.71 L.90 2.624 .05 2.74 1.30 3.56 2.L32 .76 2.255 .685 .643 1.L26 .131 .84 2.7L 4.64 1.862 .09 2.061 .533 t2 13 14 15 .98 1.256 .36 3.50 2.t26 .62 2.31 1.873 .531 .t3 2.686 .727 .856 .38 1.7L 1.86 2.31 .32 L.67 2.r29 .846 20 I.36 1. Yate.258 .864 .260 .5L 2.szs tse 31.706 .537 .74L .62 2.71 t.03 3.711 .876 .3?6 1.649 .263 .s.31 1.691 .569 .33 8 9 .856 . .72 2. 3 .856 .r3 2.689 .32 1.63 1.47 2.906 .36 t2.L27 .48 úes t.L0 2.690 .04 2.868 .81 1.66 t.07 2.76 2.848 .

3 4 o I .7 22.2L6 .40 6.O' X.3 89.9 35.O tt.3 32.0506 .6 24.6 23 24 25 26 27 28 29 30 40 60 60 70 80 90 100 41.872 L.66 5.2 31.70 3.26 6.2 46.2 66.20 2.11 5.4 43.99 7.1 45.1 12.3 13.0? 5.1 .3 69.8 26.4 31.1 27.6 20.7 76.0 L07 6. xlo.2 88.59 10.8 14.6 19.6 46.t 31.3 12.6 28.7 39.24 10.9 11.0 69.1 t2.4 L02 113 rt2 t24 136 98.7 47.8 16.1 16.207 .9 13.24 1.3 53.0 20.3 10.3 I 1.2tL .81 6.7 60.23 8.26 8.78 9.6 36.0 44.5 96.6 24.56 3.6 14.3 73.E4 6 .0 27.gg x?rn y2 ^-00e .9 L6. Vol.3 29.4 12.34 1.26 7.2 14.15 1.2 16.3 26.63 8.9 39.3 42.3 19.3 .102 .2 26.04 7.25 5.03 t.1 39.6 108 118 8.t7 4.2 38.5 16.6 43.57 6.3 61.4 42.116 .7 12.8 14.6 4.5 16.9 40.02 7.67 3.9 40.0 17.1 DD.3 61.6 36.1 77.7 99.7 23.2 29.3 15.6 31. con permieo de lol autore¡ y editoree.9 43.291 .2 6t.7 7.6 32.8 20.3 13.3 16.0 36.r7 2.8 13.8 18.3 27.8 t9.6 66rB 56.6 17.39 2.472 .3 11.1 10.39 10.7 23.69 2.7 46.E 42.6 r3.6 88.7 28.91 9.58 6.2 12. .9 68.74 7.34 8. t3.6 90.9 11.1 10.9 48.23 5.3 71.9 17.2t 11.3 22.34 10.6t 6.9 30.96 8 I 10 11 4.6 19.2 61.7 2. Biomelr:iha Tobles fo¡ Stotitticíane.66 2.9 19..8 44.38 9..84 9.7 73.6 54.60 5.4 86.0 r 7.o 22.0 14.6 43.L 30.7 7L.1 12.8 t7 18 19 20 2L 8.684 1.83 3. Pear¡on y H.36 4.3 49.4 13..41 ?.9 63.3 16.8 28.81 9.0000 .3 82.2 37.1 28.33 3.64 9. 1(1966)' Tabla 8.49 2.7 33.7 66.3 30.0100 .63 7.8 34.6 12.3 14.1 27.8 12.3 79.06 3.4 100 t2.2 36.7 37.5 24.3 26.3 18.6?6 .2 11.8 24.455 1.7 37.8 20.L 80.3 49.8 14.6 36.86 11.0 23.8 36.3 16.3 2L.8 26.94 4.2 t3.39 6.2 11.l 22.7 18.554 .0 t2 13 18.01 7.6 61.3 49.2 10.1 37.63 6. 347 .09 2.2oo¡ xlo.6 38.9 20.831 .6 9.01 5.6 14.484 .L 2l.66 8.4 20.8 67.0 17.7 28.2 24.3 23.91 7.3 18.0 13.1 37.4 3.6 30.3 49.4 32.24 1.0 16.2 59.2 18.6 tt.6 79.8 16.2 35.1 13.1 19.6 22.O.2 74.9 29.35 7.4 85.6 25.9 2t.43 8.3 r6.90 6.3 96.6 46.8 67.79 t4.2 44.4 23.73 3.07 4.7 14.? 42.3 69.8 38.5 20.9 t8.6 15.6 41.2 '19.3 61.2 67.3 99.9 34. x?no X.7 16.3 27.1 8..7Ll 1.6 .6 16.89 6.2 94.5 43.35 6.3 45. Hartley.3 5.9 23.0 48.8 32:0 33.89 10.0010 .7 14.5 33.0 26.57 7.7 2t.7 18.3 13.6 24.07L7 .26 6.3 32.37 3.8 63.3 59.8 30.06 1.6 29.0 22.07 3.70 6.0 71.5 34.6 56.1 31.1 40.4 37.3 2L.4 40.2 62.8 48.3 20.7 16.25 7.0158 .1 16.34 9.7 38.3 23.1 41.8 24.6 32.989 1.61 2.S.L4 6.57 t.4 16.0 19.18 2.1 ttz r26 13? 64.4 40. x?o".7 26.1 52.3 46.26 3.6 28..2L 1.0 27.6 50.6 L2.77 4.73 2.6 47.8 40.8 t7.3 24.82 4.64 .7 29.0 4L.04 10.63 ?.92 2.3 18.8 45.5 20.26 9.4 35.88 10.6 13.58 8.54 L0.0 11.0201 .60 3.45 4.8 14.44 9.9 34.362 l.0 62.56 9.D'ID r.3 28.3 X.7r 4.8 55.0 x2ot x'"0 .6 40.6 26.7 34.8 79.2 28.9 1t.103 x?.8 70.84 5.3 67. páginas 187 y 188.2 11.30 7.? 37.1 90.0039 .6 48.31 10.1 13.49 11.7 25.3 t6.4 63.4 34.3 35.6 74.32 2.4 32.tl 4.4 29.4 16.9 26.0 104 116 l4 16 16 to.6 92.3 29.6 22.3 22.6 21.2 29.6 33.8 9..6 46..23 5.8 13.7 26.4 69.35 5.4 83.30 r6.0002 .9 18.90 27.9 12.0 33.6 12.6 109 1r8 130 t28 140 t24 149 Fuente: E.67 9.6 61.3 17.87 6.Apéndice E Percontilas (¡f) de l¡ di¡tribución chi-cuadrado con u grados de libertad v x.8 43.3 17.L6 2.3 39. x'.6 32.57 4.6 2L.

46 4.40 2.50 1.l I D.77 t.69 5.56 2.80 2.88 1.36 2.90 2.L2 2.90 1.84 4.99 1.34 2.15 4.42 2.4 19. con perrniro de los autoreo y eütorea.74 1.55 8.81 8.42 2.62 8.68 3.21 4.71 2.66 8.48 3.14 3.92 2.11 2.40 4.01 8.L2 9.0L 1.62 1.tl 2.50 3.86 3.94 1.60 2.77 2.45 2.37 2.7l 2.19 4.99 2.96 2.23 4.79 8.54 2.40 2.35 3.02 r.L8 2.83 t.92 2.28 3.35 2.45 2.80 2.25 2.64 1.61 2.84 1.35 2I 22 23 24 25 26 27 28 29 30 3.20 2.86 2.47 3.94 8.97 1.64 2.42 3.43 2.81 t.28 2.08 2.?9 r.17 3.57 2.70 2.8L 2.74 4.07 3.33 3.30 L2 13 14 15 16 L7 18 19 20 2.61 2.40 2.4E 2.92 1.16 2.42 2.46 2.96 1.49 2.82 2.41 3.24 3.39 3.33 2.16 2.85 8.24 2. ¡O 5.48 3.25 2.53 r.65 2.66 2.83 2.75 1.20 4.03 1.92 4.4 19.2r 2.96 5.89 1.49 4.28 9.31 2.46 2.t0 2.38 2.62 4.27 2.57 8.58 3.55 2.45 8 I l0 11 5.2 19.66 5.93 1.97 r.24 2.37 3.24 2.34 2.16 6.20 2.79 t. I 2 3 1 2 s 2L6 4 b 6 7 8 9 10 L2 16 20 24 30 40 60 t20 @ 161 225 230 234 237 239 24L 242 244 246 248 249 250 26t 252 253 254 18.76 2.39 t.08 3.85 2.0s 1.53 2.96 t.00 I.60 4.80 t.28 3.64 3.22 2.4 19.63 5.47 2.20 2.72 5.83 2. Vol.32 2.76 1.t9 2.7l 1.51 2.15 3.01 1.66 1.38 2.29 2.77 L.59 5.r7 2.09 2.54 2.87 3.84 2.60 2.96 1.84 1.44 3.43 2.74 2.41 2.18 2.26 2.5 9.36 3.49 2.78 2.37 2.49 2.35 2.59 1.13 2.98 1. O.L0 2.59 6.60 3.90 2.49 2.34 3.45 2.46 2.34 2.07 4.38 3.79 2.74 2.84 1.62 2.84 3.1L 2.50 4.?3 3.30 2.01 2.25 2.2 19.49 3.88 4.92 1.25 2.20 2.81 2.73 4.78 t.3L 2.64 2.28 2.L5 2.84 2.20 3.46 2.2q 3.95 2.85 1.3 19.51 3.46 2.6? 2.87 3.38 2.18 2.64 2.L0 2.43 1.09 2.84 1.L5 2.06 2.7 4 2:28 2.96 1.32 1.76 2.48 2.00 3.5 19.4 19.08 2.57 2.69 1.53 4.12 2.34 2.2L 2.86 1.16 2.32 2.61 19.31 2.4 19.68 4.76 2.93 5.94 2.33 2.41 3.93 2.26 2.39 6.05 4.37 2.74 2.78 2.67 4.92 3.25 2.95 1.06 t.r8 2.94 3.92 1.81 3.4e 3.06 2.35 7.97 2.94 1.29 3.42 2.98 2.Apéndice F Porcentila 95 (nivele¡ 0.lL 2.04 3.64 2.89 1.89 1.80 a.85 2.41 5.43 4.61 2.32 4.22 1.07 2.01 2.34 3.12 3.55 2.9L 2.60 2.18 3.27 3.03 1.09 2.77 2.7L 2.29 3.8z r.26 3.67 t.12 2.56 4.71 2.06 4.87 t.41 3.84 3.39 4.59 2.76 2.45 2. Hartley.7L 6.73 1.t0 | 4.70 1.r3 2.22 3.98 2.19 2.79 1 a^ 1.53 2.49 2.22 2.77 2.23 3.10 2.57 2.11 3.88 1.02 1.85 1.34 2.DD 1.40 2.79 3.44 2.96 2.35 2.93 1.24 2.98 2.95 2.69 2.54 2.02 2.63 6.t6 2.27 2.69 4.21 4.96 4.73 2.6L 2.29 2.62 2.90 1.31 2.6L 2.66 2.53 2.47 1.85 2.07 1.30 4.04 1.62 2.46 2.76 1.76 1.t5 2.06 2.35 2.05 4.94 1.59 3.85 2.13 3.10 4.L2 3.26 6.30 3.69 3.91 1.01 2.00 5.91 1.r2 2.93 1.87 r.63 3.58 2.07 3.69 3.66 2. (1972).?0 8.01 1.27 2.t2 4.28 4.28 2.68 2.1 7.76 4.30 2.90 2.44 3.63 2.23 2.46 1.96 2.99 1.53 2.44 3.97 3.L6 2.r9 2.32 2.74 8.07 3.87 3:70 3.53 2.38 3.39 2.5L 2.09 6.18 2.58 2.79 3.84 3.4 19.36 2.03 2.75 1.75 4.68 t.22 2.15 2.34 2. Eiom etriho Toblec for Stotíaticianc.90 1.5 19.93 2.67 2.?0 1.23 2.30 2.64 8.L3 2.00 3.04 6.LL 2.87 1. l'.29 2.0r I | 4.07 2.20 2.18 3.01 2.05 2.90 2.3 4 o 6 I 19.01 4.27 2.79 2. Pear¡on y H.14 3.99 5.89 8.59 2.7r 2.42 2.38 2.53 3.5 19.91 1.84 40 60 t20 t.87 2.2r 2.6? 3.71 3.26 3.42 2.(}51.70 I 2.70 2.65 1.65 2.96 1.05 2.54 2.57 3.75 1.08 4.77 4.23 2.L9 2.95 1.66 2.95 4.96 4.91 3.74 4.01 2.69 1.98 1.r5 2.23 2.83 2.g¡.03 ¿.92 1.03 4. .57 r.85 6.22 3.59 8.39 2.09 3.52 j 3.84 1.37 2.94 1.04 1.79 L.04 1. S.10 2.01 1.5L 2.4 19.81 1.01 1.32 2.r7 4.68 2.60 2. Tabla 5.54 4.rL 2.84 1.37 2.46 2.35 3.6 10.47 2.rL 2.89 2.75 2.27 2.00 2 Fuente: E.91 5.53 2.86 5.56 2.99 1.07 3.5 19.82 t.0Q 2.5 19.62 2. página 178.06 2.61 I.58 1.70 2.35 4.82 4.88 4.66 2.L8 2.25 2. parr le di¡tribución F u1 grados de libertad en el numerador /2 gfados de libertad en el denominador ><.

35 4.78 9.60 '7.L2 2.89 7.3 14.01 3.4 11.90 3.7r 4.03 2.10 L2 16 20 24 30 40 60 L20 @ 4062 6000 5403 6625 5764 5859 99.86 4.38 2.42 3.90 2.87 2.56 5.5 13.15 2..t4 5.51 3.66 2.26 3.84 6.31 9.10 3.86 8.18 3.16 3.85 2.7 99.44 2.80 2.52 4.3 28. .42 5.11 6.52 2.70 8.69 3.4 26.2 ?.59 1.4 9.40 3.4 99.42 2.02 2.02 7. Tbbla 6.84 9.09 2.59 3.52 3.30 3.29 6. 3 4 o 6 .28 4.22 3.45 7.1 7.54 t7 18 19 4.76 1.79 60 2.33 2.10 8.49 2.64 3.44 4.56 2. con permirc de lo¡ autoree y editoree.3? 3.80 6.62 5.64 2.23 5.11 2t.08 6.56 6.33 3. 2 (1972).53 3.39 4.9 9. 3 4 o oot 28.30 3.t7 2.82 4.10 2.12 3.93 6.20 4.73 7.26 3.r7 3.41 3.68 3.65 2.5 26.41 3.42 4.50 4.10 3.00 2.20 4.72 7.3 10.81 6.01 3.26 2.96 2.93 2.67 2.l 11.72 6.78 2.2L 6.2 99.66 4.59 3.94 1.?0 1.66 2.8 99.94 3.96 4.19 11. l4 15 16 4.78 3.92 2.70 3.44 4.47 t4.31 2l 22 23 24 26 26 27 28 29 30 40 fó 4.03 3.47 3.26 4.86 3.72 5.32 5.31 7.4L 2.06 6.06 4.16 3.54 5.38 9.72 4.88 2.48 3.86 2.39 4.67 4.25 3.41 2.89 4.39 2.41 9.61 6.70 3.54 4.7 10.67 2.99 6.l 8 I 99.77 4.99 3.3 L2.se.36 2.36 3.0 15.5 10.5 26.10 4.99 5.01 5.23.43 3.30 7.88 7.35 3.51 3.L4 4.69 3.oD 8 ?.72 2.38 1.31 4.60 2.43 3.4 99.03 1.0 9.36 3.37 5.86 1.31 3.68 8.86 3.59 6.62 4.sz 2.42 2.87 6.36 2.5 26.40 6.47 2.50 2.23 2.62 2.56 4.58 4.20 2.95 1.18 3.23 3.21 3.03 2.2 14.9 99.66 6.25 4.95 4.02 7.46 3.63 5.40 2.54 3.74 4..75 2. para ls di¡tribución F v.69 2.8 99.70 2.91 5.66 3.67 9.7? 7.34 3.7 13.L7 4.94 3.21 3.91 .04 4.31 3.26 4.99 b.72 7.tL 3.08 3.62 4.37 2.06 2.16 3.57 t2.55 3.99 5.7 27. Biomeúiho Toblec for Statbücbnc.7 16.70 6.83 3.7 10.22 5.39 3.0s 1.00 2.92 2.66 2.86 3.46 2.4.94 2.04 3.64 3.89 3.71 3.10 4.o J 2. F.5 14.56 4.81 3.45 3.63 2.üb D.66 99.72 2.03 3.56 3.86 4.5 26.29 8.46 6.67 3.6 5981 6023 6066 6106 615? 6209 6235 6261 6287 99.61 6339 6366 99.17 4.5 34.3 27.40 8. Vol.63 4.98 2.L2 1.46 2.86 6.43 4.7 14.93 3. página 180.3 13.oo 7.82 7.93 4.1 6.2'.60 3.20 2.11 6.011. 8.74 6.17 3.52 3.94 3.66 2.80 5.1 a.16 5.36 3.89 4.81 4.89 4.72 5.02 7.32 2.49 2.2L 3.66 2.19 l0 99.94 4.51 s.58' 2.75 3.01 6.75 2.07 4.04 3.83 2.09 3.60 4.47 6.r 26.APENDTCE F 349 Percentila 99 (niveles 0.13 3.99 2.4r 5.2 9.63 3.60 4.95 5.46 5.ó 16.3 8.19 2.78 3.96 3.91 6.35 4.96 2.18 3.49 12 13 6.37 3.47 5.5 26.64 4.92 2.4L 4.59 3.2 18.74 2.87 3.23 6.28 4.2 29.20 4.54 2.65 6 .30 3.29 3.01 1.17 3.76 2.55 7.46 7.65 8.2 16.62 3.68 2.18 4.ó9 3.32 4.36 4.40 4.r3 2.84 2.L4 5.b8 2.26 3.12 4.8 10.?9 3.12 3. gFados de libertad en el numerador v2 grados de libertad en el denominador x1 I 98. Pearron y H.98 6.78 3.6 14.9 99.63 4.13 2.00 t20 Fuente: E.26 4.19 5.4 13.3L 2.29 2.60 6.03 2.33 8.74 4.25 4.42 6.61 4.67 6.68 7.16 3. Hartley.07 6.18 5.88 5.0 16.93 z.15 8.80 3.63 6.07 2.55 8.46 3.64 7.0 10.78 3.60 1.88 2.40 4.10 6.S.29 7.02 6.33 4.89 3.2 9.49 5.4 27.54 3.03 5.78 2.39 6.36 6.89 3.82 4.0 30.29 2.01 .31 3.3L 6.61 o.6 9.21 2.13 3.65 3.85 4.82 4.94 3.56 6.30 3.68 4.4 27.70 2.63 3.37 4.07 3.46 3.0 9.22 4.5 9.43 3.26 6.07 5.60 3.68 99.95 7.30 4.57 2.O.80 3.78 3.66 4.09 3.00 3.4 27.87 4.84 2.Ll 2.6 10. 3.71 3.63 8.84 2.67 5.18 8.50 4.76 4.85 7.08 3.?5 8.6 13.1 13.09 3.06 4.76 3.64 4.6? 3.54 20 9.64 6.34 4.2r 5.02 3.00 2.31 4.00 2.35 2.t4 4.2 13.96 I 10 11 .45 s.65 3.51 3.00 3.97 6.3? 3.32 3.07 4.42 3.17 3.65 9.

Apéndice G
Logaritmor dpcimale¡ con cuatro c¡fra¡

N
10

0

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

2

3

4

5

6

I

8

v

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

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

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

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

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

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

Partee hoporcior¡ales

22 23 24 26 26 27 28 29

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

4728 4742 4757

30
31

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

82
33

84 35 36 37 38 39 40

4829 4969 5105 5237 5366 5490 5611 5729 5843 5955

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

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

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

81114L7202226 81113L6L82L24

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

81113151719 81012141618 810t2L415L7 7 911131517 7 911121416

7 7 6 6 6 6 6 5 5 5

910121415 810111315 8 9111314 8 9111214 ? 9101213

7 ? 7 6 6

9101113 8101112 8 91112 8 91012 8 91011

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

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

4l
42 43 44 46 46 47 48 49 60

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

65/'2 6551 6561

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

5l
62 63 64

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

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

7tt8

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

N

2

D

6

I

350

APENDICE G

351

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

N
55 56 57 58 59 60
61

0

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

2

ó

A

D

6

7

8

I
1474

L23456789

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

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

7435 7513 7689 7664 7738

7443 7520 7597 7672 7745 7818 7889 7959 8028 8096

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

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

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

7

62 63
64

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

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

6 6
6

65 66

ot
68 69 70
7L

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

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

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

6 6 6
6

6 5 5 5

72
73

14

to
16 '/ó
79

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

8791 8797 8848 8854 8904 8910 8960 8965 9015 9020

5 6 5 5

80
81

82 83 84 85 86 87 88 89 90
91

9036 9090 9143 9196 9248 9299 9350 9400 9450 9499

9042 9096 9149 9207 9253

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

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

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

6
5 5 6

6

9304 9309 9355 9360 9405 9410 Q455 9460 9504 9509

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

o9 93 94 95 96 97 98 99

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

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

344

9786 9832 987? 9921 9965
I

9791 9836 9881 9926 9969

9?95 9841 9886 9930 9974
4

9805 9850 9894 9939 9983
6

9809. 9814 9818

9854 9899 9943 998?
n

9859 9903 9948 9991
8

9863 9908 9952 9996
a

3 3

4

N

Valorc¡ de e-^

(0<r<1)
}'
0

I

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

3

4

5

6

7

8

I
.9139

0.0
0,1

0.2 0.3 0.4 0.6 0.6 0.? 0.8 0.9

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

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

.9608 .8694 .7866 .7118 .6440

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

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

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

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

.8270
.7483

.677t
.6126 .5543

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

.5827

.5273
.477L .43L7
.3906

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

.Eore
.4538

.4107
.3?16

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

lo¡ valores

de

e-r

para otroe valore¡ de

I,
=

emplear lar leyes de los exponentes.
.03081.

Ejemplo:

-¿-3.48

=

(e-3oo)(¿-0.r8¡

=

(.0a929)(.6188)

Apéndice

I
Números aleatorios
74640 2349L
601 73

51772 24033
45939 30586 03585 64937
1

42331 83587

29044
06568

4662I
21960
1

62898 2L387 55870 86707 85659
551 89
41

93582 76105

04186 10863

52078
75797
81

25424 45406 82322 20790
98527 30277 60710 06829

1645

02133 79353 03355

31041 96799 65304

56974 12973
36081

37428
171 69

938

50884

19640 97453 93507 88116 14070 rL822 24434 41982 16159 35683

8?056 90581

94271

42t87
74950
15804

95863 51135 57683

5630

64759
56301

09448
21 631

62586 94623
5229A 87843

889

00745 25439
68829 48653 27279

65253
88036 06652
71

67283

85418 16835

49t59

9tt57
17480

7733L

590

t4676
47280

91097

294t4

28L95

47162

362

Respuestos o problemqs suplementqrios
CAPITULO
1

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

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

(c) {5i (d) t5}

k) @ (/) {3}

@) {2,6,3}
(¡¿) {6}

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

(d) {4} (¿) {3} (/) {3,4}

5/36

(c)

0.e8, (d) 2/9

(e) 7/8

) ) (c )
(o

(b

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

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

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

(e) 4/5

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

(e) IL/t6 (Í) L/5

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

(i\ (i)

6/26

52/225

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

(e) Lr/L5 U) r/5

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

1.86.

(a)

3/10

(b)

1/10

(c)

315

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

r.106.
1.107.

(¿)

32,805

(ó) 11,664

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

1260

1.108. (a)

120 10
6

(b) (b)

72

(c) L2 (c) 45

r.r09.
1.110.

(o)
tt.

70

.

1.96. 113 1.9?. t4/57
1.100.

=

1.111.210

8 12
(b)

1.112.

840 ?000

1.101. (a)
r-LO2.

2620

(c\

720

1.113. (a) 42,000 (b)

n:5 60
5040
(b)

lJla.

(a)

L20 150

(b) 2620 (b)

1.103.

1.115. (¿)

46

(c) 100

1.104. (o)

120

(c)

240

1.116. (¿) 1? (b) 163 1.117. (o)

1.105. (r¡) 8400 (b)

2520

20

(ó)

330

(c) t4199

353

354
1.118. (a)
16

RESPUESTAS A PROBLEMAS SUPLEMENTARIOS

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

6rys

¡

ya

1.119.2016

L.r22. (a) 5/L8 (ü) 11/36 (c)

1/36

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

44

(b)

2r

4

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

4152CB

r.127.

(6Ca)(aCz\/MCs

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

Ql

QCz. ¡¡'Ct

*

a'.Csl,l12cs

4(r3Oa\hgC+)/szCss 1025

r.l3E.

(o)

120

(ó)

60

(c) 72

1.131. 2.95 x 1.133. 0.8%

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

aproximadamente - 3

1.f40.

3L26/46,656

1.13ó. vT1
L.146. (a)

l.l4t.

(a)

4

(b) 14

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

4/52C5

r.t47.

2/243

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

126 462 3/32

(ó) , +,- rCn(b) (b)

r

,-tCn-t

1/16 (cl r/32

(d) 1/8
prob. empate

1,151. prob .4 gane

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

=

L26/216

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

2
0

2.38.

(¿)

I
3/8

o

3

2.39.

(a)

0

I
t6/28

.)

f(r)

r/8

3/8

t/8
t

f(r)

3/28

6/14

2.4o.

(a)

t

0

1

f(r)

9/64

r5/32

25164

RESPUESTAS A PROBLEMAS SI'PLEMENTARIOS

365

2.42.

(a)

r
f(r)

0 194,580

1

2 6768

3

4

270,726

69,184 270,725

r92
270,725

270,726

2.43.

(o)

r
F(n)

0

I
U2

2

3

L/8

7/8

I
4

2.46.

(o)

r
f(n)

I
L/8

2

3

(b) 3/4

(c\

7/8

(d)

3/8

(el 718

u4

3/8

U4

2.47.
2"48.

(o)

3

(ó) e-B

- e-6

(c)

e-s kll | -

e-s

F(r)

=

2.49. (al

6l2s

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

2.50. F'(c) =

2.6t.

(a) r/27

(r2/9 0<¡(3 de oha forma l0

(c) 26/27

(dl rls

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

fo

2.66. 2.67. 2.ó8. 2.60.

(¿)

(a)

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

(ó)

/r(u)

= {o

(Ale A = l'2'3
orra u

(d\

6116

(¿)

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

(ó)

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

tl1

*

al

o<a=l v=l

a=0

(a) (ó)

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

2.61

.

(a)

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

t)

=

rÍl'

0

5

Y

=

1

otra

r' O=A=I
0

(b)

l(r+ull@+l) 0 < ¿-< l, = 1o o<rsl,

=Y = otray

1

356

RESPUESTAS A PROBLEMAS SUPLEMENTABIOS

; i . ¡

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

0<rrl'

0=v<1

;
i |

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

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

,=o,u<0

A¿O

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

de oha forma

0 de otra forma

2.72. (o) c(u) =

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

(D) c(ut

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

i:i::
de otra forma

o

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

0 de otra forma

=

" {; '' 1"1í,""1.",t
I

2.82. c@)

=

{í'"-''u

:::

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

2.E3. l/4

-" ;: ;

2.s4.

s6/2*g

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

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

-

7e-o

2.89.

(a) c = (a)

1

(ó) 8e-2 c2=

,

2.9L. 2.s3.

cr=2,

I

- e-4 (ó) 9e-2-lAe-s L0

-

ze-r

(c)

4e-s-4c-?

(iI)

e-z-¿-t {ó

(el 4c-s

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

2's6' (a)

{r-^''
-rn2)

1"t"r0.".,-" (ó)
(r)
o1+

{;t'-"
zlrn

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

2.e0. (b) ;(1

lrnz

(¿)

2

,

2.e8. s(?)

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

2.ee.

(b)

7/L8

2JoE. \/r/z

Fz:5.66.46.E4.\klzk+t(k+ll I qeiab co)/ao 3. 3.6E.ó6. Fz:3/80. pl:L L6/3 3. <1 (ó) p = l.54. 3. (e2ia-Zie2ia-ll/"2 (a) (¿) (¿) Lr/144 (bl rr/L44 1c¡ t/iJttz (¿) (¿t) \/-LUr2 (e\ -L/L4a 0 -!rr 1 . (c) 315 3. nx=lE (al (a\ (ü) Var(X)=3/80.61.82.(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) \. pí=1.60. o*=1/t5/ZO 4 (b) 2 (c) . 3. 3. 3. pi= 2. pí=0.5 3 (b) r3n/6 (a) 35112 @\ (ü \Elm. 3.44. i¿l p4=230718960 2a 3. pí= 2. pz=7-. 3.43.\ +(et/2+e-t/2) = cosht (ó) p=0.83'./m/L8 (d' \rzssñ8 (e) -9L/32a (Í) -sr/235 4 tb) 4/\/35 -t/tst¿. 1e/10 (¡t') 6/6 a/3 @ 1 \Ng 3. 3. 10. 3.5e.50. (a) (3r +2\/(6r*3)para0 5 ¡<i t¿l lsu+Z)/(6u*3)para 0 = a = | 3.RESPUESTAS A PIOBLEMAS SI.E0. (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. pá: t6/5.74. Ft=2.62. 7/0 (ó) 6/5 3.65. 3. 3. 3/2 n (b) -2e/6 Lla !4 3. p¿=35 (b) pr = 0.45. 3./3s12 3.7 3. (o) (a) 1 (b) I (c) rla (c) 3. 3. ps: -5. 3. 3.47. (c) 1/(1¿).E1.77.57. 3.ezt\/zt2 (D) p = 4/3. 3.79. (a\ l/2 parae>O (b) lParay>0 . (a) (a) 2/3 (b) 2/3 G) aB 7/a (c) @\ Als 3.48. 3. 3/2 (bl 3e/4 (a. (o) (f + 2te2t . 3.72. ú= (a) h=0.64.69. pi= Al=0. (o) 1 (b) (o) Var(X)=5.62.55.68. 3. pn=33 (c) (bk+r'st<+r)/(k* 1Xb-o) peiaa (sen (ó) [1+(-1)k](ó -a. yí= 6.67. p3 =-L2lll60.'PLEMENTARIOS CAPITULO 3 3.78. (a) 1 lb) 7 (c) 6 3.

120.85.119..10E.123. 3.103.ze-t (D) no existe (al 2(\F-Ll/3 (b) L6t7 2 0 2 7/3 r/3 2t/2 (b) e 3.[o ) 3.109. (o) 0. (a) x Var (Y lX) 0 5/S I 416 2 (ó) Y Var (X I Y) 0 I 2S/36 2 24t49 3.114. (o) no eriste (ó) (c) 3 -1 (c) e-z *0 3.125. (o) (ó) ln 2 (D) I 3.126.90. (o) (a) 3. (d) 1- (1/\.124. (o) 3.o)/6 (a) -7/27 (c) 2(et-l-t¡¡¿z -Z(e--l-ü¡¡"2 (e) r/136 3.eziarlznl u) 12/6 3.113.5 02.118.89. (¿) 1/y'5 3.105.358 RESPUESTA"S A PROBLEMAS SUPLEMENTARIOS 3.8/2 (ü) 1/3 (c) 0 .100. (a) 3.10a.121 . ffiParao rle (b) 1 6x2*6n*L s r:< I . (a\ L 3.e2. (o) 1 I (ü) (ó) (y'3.r/r-tsnflo) (ó) \F@i @ tlfr. (o) (c) 3 (ü) 3 3.1or. (a) (b) r/4 (b) 0.91.127. (a) r 2 0 (ó) 8(21/2-r)/L6 (D \.###parao < nr 5r 3. (al 3. (¿) 3.L22. (b) 2415o (ü) e (al (a) (b) 6/e (b) 1/18 (c) (et * 2e2t + Sezt)16 (d) (d) (eto + 2e2to + 3e3. 3. (o) (c) 8/16 1-+y'3 (bl v2 3. .05r 3.1)/4 (c) 16/81 3. (a) 3. (o) 1 3. (bl 3614 (1 @l atg (b) 2/e L (c) * 2te2t - e2')/2t2 (el -2\/fr/r6 (d) -(1 + zibe2ia .94.17 (c) 0. (o) 3.116.f 6/9 7lr2 o 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. t"l .

1342 0.4232 (o) 0. 4.2511 (b) 0.0668 (a\ 20 (b) 36 (cl 227 (cl (d) 40 @) 15% 4. 4.90 75. 4. 4.0154 (e\ 0.85.7t.I RESPUESTAS A PROBLEMAS ST'PLEMENTARIOS .0?86 (c) 0.a7% 4.77 (a) npq(q (o) 1.1127 (dl2.2991 (c) (o) 0.66.9500 0.74.69.84. 4. 4.76.66.7% (al e5.91. 641243 25 (c) 500 4. 4.0658 4.0838 (b) 0.1680 (/) 0.049?e (ó) 0.550 (c) -0.92. (c) (p) 0. 0.224r (e) 0.73.9495 (b) (ó) 0.67.6826 4.0286 (d) 0.06131 .E1.64.0687 0.76. 4.80.89. (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 4.5976 (c) 0.03eb .t"/o 0. 4.9962 (b) 0. (a'¡ 6L.93. (al93% 4.0089 (o) (o) 0. 4.995 0.1008 (c) o.4 (¿) 0.6404 (d) 0.7% (b\ 54.E6.61.e265 (d) 0.4% (bt 23.E8.03?5 0.0% (c\ 93.8?67 (b) 0.75 (b) -1.s27 1.78.82.0567 (b) 0. -0.5.E3.2241 (d) 0.626 ó 0.3% (a) (o) (a) (o) 1.0079 0.90. 4.15 (b) 0. L93t5t2 (a\ @) 32/243 (bl re2l243 k\ a01243 (dl 2421243 42 (b) 3.87. 4. 84 (bl 8.6 (b) e (b) 72.726t (/) 0. 4. 4.86 (c) 2. 4. 11/16 (dl 518 (a\ r7lL62 (a\ (a) 5/16 (c) 4.63.05610 (b) 0.68. 57/6a Q\ 2r/32 (b) (ó) 4. 4.849 (e) tt.1494 0. 4. 4.t9.77 (c) 0. 359 CAPITULO 4 4.62.9198 (c) 0.7123 0.08 (d) r.G¿s 4. (a') pl (b'l npq(l - 6ps\ * 3n2p2q2 -1. 4. (o) 0.

2 2s6.1b82 (c) 0.81 (bl2. (a) L22.s? 4. (a) (ile)/Q?) .1 4.s 20. (a) 1. (Q 4.b9 84. @) 2.2 (c) (c) (c) 2B.75 2.t : 5. (a) 0.34 2.360 RESPUESTAS A PROBLEMAS SUPLEIVTANTARIOS 4. oi : 6.03 (¿tl 2.128 (d) -1.0000 .rr3.r2o. o* = 0.005? (b) 2 (c) ninguna (dl 24 6.tr2.2 4l.51.40 o¡ ligeramente menor que 0. Ll4 aJLa.0 (b) (b) 4.0228 (c) 0.8 68. 0.4 ft\ *e-tn -1"-. (o) B0.ro2.138.1? v 7!r= !4.r03..8b2 (e) 0.000948 (ó) 0.136.0 (d) 8.1033 (c) 0.160? (d) 0.60 3.r y 26.166 6.? 3/4 16.48 4.00248 (b) 0. (a) 4. @\ 4. (a) 9.40 oz. (o) e.0 (d\ 2. (a) e. ¡2.o rí.5 (b\ 4. 22.L32.0 (b\ 4.gs (e) z.49.101.55.58 5.2 (c) suponiendo áreas iguales en las dos colas.ro9.50.68 2. (a) r 4.L27.829 1. ('f) (l?)/(l?) (iSX?SXtt) sla 0 (b) (ó) (ó) (ü) l(¿ocoxzoc2ol+(4oc'l(nctsl* (qoc)(ncnl)taoczo 4.136.13?.64.r?r. (¿) 4.00g oz oz oz. 82S\fe (b) (ü) (b) 2(b-al4/6 e/5 113 6.L26.L29.53. o* = 0.94. (a) 0.75 1. (o) sx = 22.000295 4.2 zr.00J8 (d) 1.47 (c) e. (a) 201.0918 (d) 0. (a) 2. (a) 4.76 1.71 (ó) (b) (b) 1.L4L.s a8.128.3/8 4. (a) (d) (el 2. - 2.0620 4.LB 4.62 (b) CAPITULO 5 (c) 0. (a) ?0/429 (b) l/143 (c\ L42|L4B 4105 (.Lo4.s5 z.4O 0.8164 (ó) 0.130.04462 (c) 0.l 86.73 -0.40 oz.62.0e (c) (c) (c) (c) 1.111. (o) 5/3888 (b) 5/324 4.008 oz oz (ó) (b) pX pX = 22.35 L7e..16 5.7 (b\ 4.B 4.47 (c) 9.BB (d) -0.6e64 (/) 0.0 (b) 4. (c) p.861 (. (a) 237 22.) 4'106' (c) 4. (a) 0. (a\ 3/4 . (a) 0 4.84 (d) 4.008 = oz. (o) 0.3 (d) (d) 55.9544 5.4972 (ó) 0.

5.a84 5.6% = 0. .L6 (ü) 0.0316 5.003 pulg.0026 6.7L. 6. 5. 99.3226.e5.56. 0.01. 5. (a) menor que 0. 0.90 5.100. (o) (o) (ó) (ó) 11.36 (ü) (ü) 0'17 0. (o) ñ = 2.20% ton.3204.60 0. 11. 8.105.73.00?? (ó) 0.9 lb 5.6% (il 0't ts.96.49 (c) 0'28 5.8 lb.8869 28.00496 pulg. (o) 10. 5. 6. 5.0482 ..E6. (c) 0.0.1%.11 5.67 0.60 5. 0.7o.00 6.2 6..72.33f0.t7. 501.0.106.101.322. 0. 5.47 (ó) e = 5. (a) 82 6Jo2. (o) 0.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 5.3196.60 1'.01?9 5.66.10 5.62. 5.0064 (c) 0'4504 5.0 s ?9 5. . (o) 0.72642 pulgadas 26. 46 (@) 0.86 (ó) (c) -e1 (d) 63 .104. 5. .49 0. 5.01 (b) menor que 0. 6.7349 pulg. (@) 0.3265. (a) 5.326. . 78 á.113.0136 0.26 5.1o9. 0.0019 (ó) 0.6 (d) 10995.166 ó 16. (c) 146.01 y 0.5E.91?2 6.8664 (c) 0.?4 lb I 2 (d) 126 0. (a\ 2.111.01 (b) entre 0.06 pero máe cerca a 0. 6 0 -1 (ü) 40 4 6 (c) (c) 288 (d) (d) 2188 (b) 0 26.99.65.1.33?6 pulg.108.59.33? 6.01 (c) menor que 0.09 tons. (¿) (o) (¿) (b) (b) 0.1841 (cl (o) 118. .74.0028 (b) 0.0% 76 5. (b) 0.68.2160 (b) 0. (ó) 0. 12. (al 4018 6. .t1 5.0006?6 pulgadas (b) 72.50?. (¿) 0. O. (o) 5.?33 (c) 0. 80Eo. (o) 0. (a) ?99 (ü) 1000 (e) (c) 949.6.60.?9 0'0228 lb (b) 0. (a) 24% (b\ rL% 5.323-0. 5.93.92.63. 86 5. 0.94.3%' 99. 1199.76% S.326-0:328.9t. (a) 2 6 6 (b) 996 (b) (c) 218 12 5..tO.o% 78.LL2. (c) 0.76.9596 (c) 0'1161 . (o) 0.81.82.6 (fl @) a6% 100 (horas) (s) 62/a00 (h) 25. (ó) 38.97. (c) 0.

rn2= 5.049 segundoe 6. 0. (c) 0. 1193. 7 RESPUESTAS A PROBLEMAS ST'PLEMEI.39.493e (b) 5.116.4 hr Las estimas de las desviacionee típicas de la población para los tamaños de muestra 30.70 t 6.09 t 0.22.35 (e) 26.40. 6.86 lb reepectivamente 6.115. 6.38.¡'TARTOS 5.e5 5.69 I 0. 101. m1 = 0. (o) 0.000072 pulg.428 24. 5. 0. (b) 0.41.72642 t 0. 60 y 100 tuboc son respectivamenüe.38 384 (b) al menos 221 (c) al menos 666 (d) al menos a 1.09? (c) 0. (o) ?8. -0.0ab t 0.09 t 0.u (o) al menos 323 hr (b) al menos 560 (c) al menos ?66 (b) 1.9?.6.24 tons. m1 :0.28 (b) (s) ?8e. (b) -4.22 0.030 eegundoa (D) 0. 6.112 . -1r7. (o) 9.0? (b) 0. (a) 6. (ó) 11.62 r 0. 0.2 (b) 0.5 horas.82.41.72642 + 0.18.72642 + 0.38 I (a) 0.3?.36. 0.2464 (b) 52.72ti42 t 0. (d) 032642 a 0.122.11 (ó) 0.4 4 (i) (il 706.38 (hl 22. (o) 0. 0.97.88.128. n4= 0 -0.43.045 6. Las estimas de las media¡ de la población son 1200 hora¡ en todos los casos.298 0.241 7.298 t 0. 42 5.045 0.7.68 a 0.07 t 6. tb9 5. (a) 11. 6.2 106 (ü) (b) 8.118. (o) 0.0586. 6.073 i 0.96 onzas t t I 0. L9.000025 pulC.125. (bl 0.94 Laprimeradistribución (a) la aegunda (b) la primera 5.30.r5 (c) 0.000095 pulg.16 onzas 0.34. (a) 0. 0. 0. 6.1 ó.24 lb2 (c) 0.5 lb (b) 0.74 5. (a) 1200 hr 6. 0.127.?8 y 0.Se (ó) ?.25.0090 CAPITULO 6 e. = -3.7. (o) 1.?0 r 0.L2. m1- 89. (¿) ffiz: 0. 26.0696 r¡¿o 560 (c\ r.36.84914 6. ó.62 6. (o) (b) 105.117.2 (d) 7158. (o) 0.31.129.546 2. (o) al menos 96 (ó) al menos 68 (c) al menos 16? (d) al menos 225 900 (o) al menos (o) 7.20 (f) 7. 2.82 0. 0.362 ó. ms = 0.33.53743.123.0 y 100.00002b pulg.2344.000060 pulg.12 hr t 0.09 t 0. (q') (c) e2. (a) 5.?3 onzas onzae (ó) Z..124.36206.130.000085 pulg.tu.18 tons. 6.12t.126. 101.29.131. (a) 0. 6.?0 * o.38 (a) ?.

(a) Aceptarlahipóteeissilasbolasrojarextrafdasestánent¡e22y42 rcchazarlaencasocontrario.5 (ü) 102.1 a 288.269 (o) 0.63.5 horas (b) 88.06 (c) t2. (Hi p> 0.6 horas 2400 ! 59 libree (b) 87.24 249 onzas lb (ó) 63. y se acepta en ceso contrario (o no se toma ninguna decisión).31 onzas 6.7O.67. Sí. 139. 2400 t 45 librs¡. (a) 63.66..1 horas 6.2606 7.1 a 140.9 1?0.62.58.1 a 148. (a) 6.15 6. 6.458 a 4.Bb 6. El re¡ulüado significativo al nivel de 0.519 a 7. r = .51. (a) 0. (o) No se puede rechaza¡ Ia hipótesis al nivel de 0.58.52. (o) t¿. (a) al menos 87. .68.654 a 1..8 t 0. kt') 0. (c) 106. (d) Rechazar lfe ei se extraen más de 41 bolasrojas. Se puede rechazer la afirmación a ambos nivele¡ mediante un enaayo unilateral.78 (b) 0.5 a CAPITULO 7 7.9 6. es 7.06? a 1. 6.r.) (e) t2. (c) Aceptar la hipóterie ¡i las bola¡ rojac extrafdas esüán ent. (a) 1800 t 6.lre 24 y 40.9a1 a 2. rechazarla en caso contrario.20.944 (b) 0. 7.17.58 e 2. 1. (a) 95. ?. (o) a 230.4E.4 horas hora¡ horas (b) 78.56.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 363 6.6 ¡ a 1g0.ó2.69.5).05. (a) (IIe: p=0.60.69.02 (a) 0.50. (b) Se puede rechazar la hipótesis d nivel de 0.45.05.61.64.259 a 5. 0.70 (b) 0.99.01 en (o) ni en (b). k = -lln - (ct. (c) Rechazar 116 si se extraen más de 39 bolasrojasy acept:ula en caso contrario (o no tomar decisión alguna).6% 105.. I _ ()rr)/r¿ 6.8 horas 6.0 4802 (ó) al menos 8321 (c) al menos 11.70 6.49.05 en ambos en!¡ayos. mediante un ensayo unilateral en ambos caso8.138 a 10.79 kl) t2. 6.(b)0. -= 3' 2tritl "'+r3l 6.673 a 2.8 l: 0. 7.46.250 6. 7 No se puede rechaza¡ la hipóteric al nivel de 0.ó4. 7. (b) Ensayo unilateral. .63.14 (a) 0. 86 lb (b) 1800 t 328 lb (c) 1800 t S82 lb 6.65.?41 a l.5).00 (ó) 13.8 (b) 0. en ambos nivelea.

6 respectiVamente.63 onzas 7.4.1. 0.?. 4.34. (o) 6 (D) 4 7. f (r) = aC"(0.64 + 0.6.9.1 y 1. 50.01. 13 y 2 respectivamente. E resultado es significativo a este nivel con un enar¡yo unilateral. No podemos concluir que la primera varianza 8e¡ mayor que la segunda a ningún nivel.0. 7. y 4. 7. f (x) = T.ae frecuenciae esperadas eon 1. 3. (a) 0.94.7 respectivamente.2.7ó.t9.06. al eegundo. Mediante un ensayo bilateral al nivel de aignificación de 0. 12. Un enrayo unilateral indica que no disminuye la media a ninguno de loo do¡ niveles.32)r(0. (o) t 0. 13.87.e0.73. 39. 49.7.05.05.77.81 ln 7. 23.tO. . Concluirfamos que el resultado no común al nivel 0. [.E5. Mediante un ensayo unilateral al nivel de eignificación de 0. E aparente decrecimiento significativo al nivel 0.2.5.6. Las frecuenciae eeperadas son 41.0118 7.05 pero no al nivel 0. 7.05.78.E3. 9. 7. 5. (o) Un ensayo bilateral indica que no hay diferencia en la calidad de fabricación al nivel de 0. 7.6. ?.82.96.e5. 53.2.01.36.96 onzas (D) 8. 14. es 7. 15.7. 7. (b) Un ensayo unilateral muestra que I no ee mejor que A al nivel de 0. concluimos que el primer grupo no es superior .01 . 7.05.71.64 (ü) 0. 7 . es ?. bilate¡al muestra que no hay eúdencia s ni¡guno de los do¡ nivdes de que la duración media haya 7. 7.4.0. no 7.20.3rL2 8. pero no lo e¡ con un ensayo bilateral.1.l0l.?. 43.86. 7 (a) si (ó) no . 7. no ¡e deduce que haya diferencia de acidez. 66. 7.7 Un ensayo unilaüeral muegtra quc la diferencirr e eignifrcaüive eB al nivel 0. ?.0.0118 (c) 0 (d) 0 (e) 0.0 respectivamente.A1 \¡¿ - lar frecuencias esperadas con 108. pero no al nivel 0. Un ensayo bilateral a ambos niveles muertra que el producto no cumple con las especificaciones.6t)l-r.6. Las frecuenciae esperadac 8on 1. Un ensayo unilateral muestra que el nuevo fertiliz¡¡¡¿ superior a ambos niveles de significación.1O0.1. 7.7 respectivamente.98.7 y 0.3.06.79.4.RESPUESTAS A PROBLEMAS ST'PLEMENTARIOS 7.83 onzae (c) 8.84.8E.9.64 1 0. 60. 7. El aparente incremento en la vai'iabilidad no es significativo a ninguno de loe dos niveles.1 y 0. pero debe introducirse si el nivel de eignificación adoptado e¡ 0. 21. Podemos conclui¡ que la primera varianza es mayor que la regunda a ambos niveles. 11. Un ensayo cambisdo.05 pero lo es al nivel 0. Un ensayo unilateral rnuestra que a ambos niveles el contenido -nedio en cobre es más alto que el señalado en las especificaciones. 4. Un enrayo unilatetal a ar¡bos niveles de aignificación muesha que la marca B es superior a la marca A.El' 7 Un ensayo unilateral muestra que el proceso no debe inhoduci¡se si el nivel de significación adoptado es 0.72. 7.99.76.2. 7.01. la¡ frecuenciae esperadar son 32.

tul e no (b) 10 si (c) 10 (d) 8 7. La conclusión es la misma.3863.05 pero no al nivel 0. Igual conclusión.133. No hay razón para rechazar la hipótesis de que las monedas ¡ean hon¡adas. 7.RESPUESTAS A PROBLEMAS SI'PLEMENTARIOS 365 7.110. 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 0.05. (o) 7. 7. ?.3179 (con conección de Yatea) 7 . 60.13?. Puesüo que la dietribuciónbinomialdaunbuenajustedelosdaüos. bueno (b) no (o) El ajuste es "muy bueno". 0. . La hipótesis puede rechaza¡se a ambos niveles. 1.06 pero no al nivel 0'01. La hipótesis puede rechazarse al nivel 0.t25: 0.129. 7. (b) (b) 7.105.L23.104. ) Un ensayo unilateial al nivel 0. El proferor nuevo no sigue las miemas nortnas que los otroe.139. Mediante un ensayo unilateral.0738 (corregida) 7.132. . No al nivel 0.109. 7 .05 indica que á tiene una mayor proporción de bolas rojas que B.118.116.11f es es significante al nivel 0.1985 (conegida) (D) 0.138.06.115. (a) 0.L72.108.103.0872.728. La hipótesis puede rechaza¡se a ambog niveles. 7. 7 . No hay razón para rechazar la hipóteeis a ningún nivel. el re¡ultado er significativo al nivel 0.LO2. 7. La hipótesis no puede rechazar¡e al nivel 0. 0.2205.465t 7 .05.134. (c) si no si no (c) no (c) no ?.06.113. ?. sea mejor que la B d nivel 0. 7. La hipótesis no puede rechazarse a ningfin nivel.05.05 no rechaza la hipóteris (b de proporcioneo igudes.10? .114. La hipótesis no puede rechaza¡se a ninguno de los niveles.05.106. ?. (a) Un ensayo bilateral al nivel 0. (a) (b) (c) no ?. (o ) 10. No puede concluirse que la marca A 7. (b) El ajuste es bueno pero no "muy bueno". ?.0. (a) 0. (b) El ajuste es pobre al nivel 0.01' 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). ? .109.05. esto es consistente con el Problema ?. La hipótesis no puede rechaza¡se a ninguno de lo¡ nivdes.1L7 .124. (o) El ajuste es muy pobre al nivel 0. La diferencia ?. (o) El ajuste 7. 7.

(b) a = 29.138 t a 0.88.5t*3.661¡ (c) r = -14.?801 y .?600 y 0.69.20 E. (o) 8.4 si no no si E.08?86 o¿ (ó) (c) t?0 ft. (o) 0.398 (ó) 192.427Y 61.?8 + 1.00 (c) ?. 37.8r*12 (b) r= 0.Z. (a) 0.70.6606 (ü) 0.77 y -. (a) 24.66r * 2.80 E. - 1.14¿0.szos 8. Mediante un ensayo unilateral no puede rechazarse la hipótesie.0 a (b) B?. r¡o¿ = fi -o.9927 8. 0.151{" ¿O ó U -92. B. E.79. (o) 1. (cr.096 o * 0.500a (cl r = 2.7l4r (b) "=t*lu 10.21 0. (b) d 8. (o) (ü) t.85.r1y (d) 7g 95 t.13 + 0.21r*O.91¿6 y y 0.?961 y (ó) 0. (¿) 0.6tly E.6633 1.E6. (o) E.24 (b) 8.00 6 r= (¿) 1.71.188 ¡ (c) r32 8.126s 'y 0.0 t 8. ft (d) Bg? (b') A=32. (a) 8. (c) 37.r10.s72 80.5 (b) (ó) g?.304 (ü) 1.E0.29y 8.ss56' 8.84.64. (o) 1.oooo t 0.rz 8. (a) z = 3.68. (¿) t 3.109.) 1.6 E. 0.00*1. =0.67.IBB72 616 8.107.108.81.0 t 5. (a) 0.2928 y 0.74. (o) v=0.0 8. (bl u = 4.8961 (b) u = 8.?3S(n-B)2 6 41.96.112.366 CAPITULO 8 RESPUESTAS A PROBLEMAS SUPLEMENTARTOS 15o 8.9818 8.8. (a) 0. (a\ u=-i+í" 6 u=.00 t _1.66.90.9?.64y 8.8861 1 t.s912 (ó) 0.115.00 8.28 (o) (ó) Mediante un er¡rayo unilateral puede rechazaree la hipóteaia.99.89 * L.20(r-B) +0.92.60 (ó) 17.14(L.0 4.408 + 0.111.968 (b.2 (c\ 182. u = 6.96. -0.40 6 A:32. 75/p 8.6 1. (a) 3.448 8.60 8. (o) (ó) 2.24.6t-t.1r4.gBB+o.89.46¡r*l 8. (a\ 0.0 a 19.87. 2.14(10)0.113.1 E.r3.9 2.60 (ó) 1.000 + 0.

dondeyeslanatalidadpor1000habitantes. 9.9254 y 0. llay una diferencia significativa en neumáticos y automóviles al nivel 0. 0.deenerode1954.36. 0.16-0. 9.125. 9.128.32. Igual al hoblema 9.38.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 367 8. flay 9.42.4f. 9. (a\ 20. 9. una diferencia significativa en rendimiento a ambos niveles.129. No hay diferencia significativa en el tipo demaíz o suelosal nivel 0.126.130.4 libras 8.01.¡es5añosconorigenen julio de 1935.7 y 173.1083¡*0. 8.l31. Igual al hoblema 9.7 (e)1977 1o.27. Ilay 9. No hay diferencia significativa en operarios o máquinas.66.35.6402 si la unidad 8. Hay una diferencia significativa en los sitios pero no en los fertilizantes aI nivel 0.23.oy:107.43.3?. (b)y:18. 9. . 9. No hay diferencia significativa en los sitios o fertilizantes al nivel 0.26.34. 9.116.lgxsilaunidadxesLl2añoyelorigenesel ¡ es un año y el origen es el 1o.(b)y:722.25.9*4.30 pulg. 0.4653¡z. CAPITULO 9 9.31.4547 8.01.42*2.4 (b) 116. tlay 9. 9.05 pero no al nivel 0.6158 E.120.01.7096 y 0. 9.33 r . No hay diferencia significativa en el color del pelo o estatura. (c) si no (ó) 8. de julio de 1950 (d) 142. No hay diferencia significativa en los métodos de enseñanza o plantelesal nivel 0. 9.01.05. una diferencia significativa en marcas al nivel 0.24.05.38x E. llay 9. 9.36 lb 3.01 .11?.44. (o) u = 3. una diferencia significativa en sus calificaciones a ambos niveles.0. Hay una diferencia significativa en el tipo de maíz pero no en los suelos al nivel 0. Flay una diferencia significativa en los métodos de enseñanza al nivel 0-05 pero no al nivel 0.9653 (D) 8.05.33. 9.L27.38. No hay diferencia significativa en fertilizantes o suelos. una diferencia significativa en operarios pero no en máquinas.05.39. No hay diferencia significativa en operarios o máquinas. 9.40: No hay diferencia significativa en neumáticos o automóüles al nivel 0. 415 8. No hay diferencia significativa en neumáüicos a ningún nivel.43.

No hay diferencias significativas debido a sitios o fertilizantes. FIay diferencias significativas debidas al factor 1 pero no al factor 2 o tratamienLos A. B. 9. pero hay diferencias debidas al I.Q. 9. 9. C. significativas en los puntajes de los exámenes debido al estado veterano y al I.62. ltray diferencias signifrcatiyas en especies renciag signif icat ivas. No hay diferencia significatirra en tratamientos a cualquier nivel.47 No hay una diferencia significativa en rendimiento escolástico debido a diferencias en estatura. 9. No ha! diferencias significativas en los puntajes de los estudiantes de diferentes partes del país. 9.63.46.54. 9.45.54.61.64. No hay diferencia significativa en los puntajes de I. y canüidades del primer compuesüo químico.368 RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 9. 9.05. llay diferencias 9. máquinas o fortaleza de cables. pero no otras dife- ' ltray diferencias significativas en tipos de cables pero no en operarios.52. pero las debidas al LQ.01 las diferencias en los puntajes del examen debidas al estado veterano no son significativas. No hay diferencias significativas debido a los químicos o s¡tios. fuual al hoblema 9.3. al nivel 0.4E. No hafl diferencias significativas debidas a los factores o tratamientos. significativas debido a los sitios pero no a los fertilizantes. llay diferencias 9. 9. Al nivel 0. color del pelo o Iugar de nacimiento.Q. 9.49. 9. 9. sílo son.66.Q. .ó.55.

258. 316. 2.237-239 aleatoriedad. 139. 89 282 diagramas á¡bol. 19ó coeficientes de correlación múltiple.125. 117. 112 clasificación simple o experimentos de un factor. 1 conjuntos medibles. 183 de la distribución binomial. 3O7. 21 diagramas de Venn. 319.28l-244 fórmula p¡oducto-momento para el. I29 aproximación normal a la. número desigual de obseryaciones en 312-315 experimentos conjuntos. 297 distribución de Bernoulli (uéose distribución binomial) distribución de Cauchy. 217. 197. 264. 9.310. 11O. 219. 2L7. Só. 11. 345 tipificada. 81. 264. 321. 135 teoremas sob¡e la. 306.294 generalización del.324 cuadrados ortogonales. 295.263 covuianza. 6 conección de Yates para la continuidad. 31O. 133 . 333 cociente de inteligencia. 12.297 teo¡ía muest¡al de. 82. 84 ajuste dé datos por la. 297 poblacioml. 23. 111 r34 distribución de Pascal. 295. 316 püa de tres factores. 26 4 coeficientes de confianza. 3f6-321 clasificación tríp¡e o factor tres expedmentos. 268 generalizando. 78 diseño de experimentos. 2a6-2a7 . 97 también varianza) dewiación tÍpica. 31 curtosis. 266. 2ó8 94. curua de ajuste. 1 77 combinaciones.11-13 teoremas sobre. 258-3O5 gradual. l. 100. 246. | (uéase también conjuntos) columna de conteo. 109 de la distribución de Poison. 6 conjunto nulo. 115. 3 dimensiones o unidades.324 el. principio fundameotal de. 163. colección. 133. 344 curua parabólica.311 aleatorios. 117.37 Cambio de variables. 34ó cu¡va normal tipificada. 315. 61 disÉibución beta. 7L.135-137. 134. 254. James.163 centroide o centro de gravedad de los datos. 267. 316 27 distribución binomial negativa. 25-2 7 análisis de v xianza.78. 269 ensyo chi-cuadrado Pua la. cuenteo. 88. 1O9 relación de la a la distribución normal. 168. 85. 30. 296 Poisson a la. 114.2A2. 345 ordenadas de la. 263.281-289 tabla.246 Datos agrupados. 3 264. 349 distribuciones gamma. 23A. 268 r23 aproximación de la dist¡ibución de interl¡retación probabilfstica de la.213 Bridae. 83. 306-338 fórmulas cortas en el. 1 17 moda de la.2L6 área bajo la. 258 relación de la a la distribución norrnaI. 316. 246 muestral.316-321 aproxirración de Stirling a nl. 1 51 contado¡ Geiger. 5 completa aleatorledad.3f6 bloques aleatorios. 268. 1O8. 296 independencia y. 28L-284 ensayo de tripótesis y significación para el. 248 decisiones estadlsticas. 264. completa. 220. 311. 47. 264 curyas OC. 47. 221-226. 144 cont¡ngencia. 213. L27.169 negativa. 291 26r. 25 coeficiente de conelacion. 127. 92- curua cuadrática. 115. ó conjuntos iguales. 56-60 pua el caso continuo. conelación y reg¡esión üneal perfecta. 321. 306- continua a la derecha. 26 4. 11. 142 relación de la con la binomiál negativa. 118 distribución de Poisson.112 219.86.118 distribución hipergeométrica. 230 coeflcientes binomiales. 27. 11O á¡eas bajo la. 46. 13 conjuntos bien definidos.L28 relación de la a la distribución de Poisson.lndice Ajuste de datos po¡ distribuciones üeóricar. 26O clase. 115. 78.293. 82. 24 complemento de un conjunto. 118. 328. 108 bloques. 284. 33O cuadrados latinos. 99 (uéase tombién distri' bución normal) áreas bajo la. Bernoulli. 8ó decisión. 112. 1 13. 248 curuas de aproximación. 2ll.269 cunas de regresión no lineal. 347 como caso especial de la distribución gamma. 139'141 teoremas sobre la. 263. 116 cuenta. 109. 317. 234. 244 264. 266 (véose tom' bi¿n conelación y reg¡esión) curva de potencia.244 cuwa nomal. 116. 9. 119- 310. 217.333 para experimentos de un factor. reglas de. 184 categorías. 232-236. 92-94 teoremas sobre la. 216. 232-236. L28. 267. 115.348. 85. L24. 117. 1 (uéos¿ también conjuntos) clases y frecuencias de clase. 263. 164. 309 media y varimza de la. 82 cuadrados greco-latinos. 224. 177. 118. 2a5'247. 46 casillas.112. 11. 163 decilas. coeficiente de. 134 cuilas cdacterÍsticas de operación. 118 valores de Ias percentilas de Ia. 316. 218. 116. 2 constante de Boltzmann. 138. 116 reJación de la a la dist¡ibución normal. 225 análisis combinato¡io.97 dist¡ibución binomial. 198. 119 distribución ¡'. 4 conjunto vacÍo o nulo. 21 1 desigualdad de Chebyshev. 315. 40 control de caüdad. 161. 316 diseño experimental. 6O. 143. 3 1 5 altamente significativos. 342 axiomas de probabilidad. 112 de Ia distribución normal.2 conjunto universal. 2 (uéose deteminación. 47 para el caso disc¡eto. 263. 177.118 propiedades de la. 22O. 247 332. 11.242. 1l uti¡izando p¡obabilidad. 316 bondad del ajuste. distribución gaussiana. 259 típica (uéose desviación tíPica) desiación media.315.320. 135 distribución bimodal. lO9 (véase tomb i¿n distribución no¡mal) distribución geomét¡ica. 1 conjuntos disjuntos 3. 265-267 coeficiente de correlación lineal.26l múltiple. 129. r97. 118. ' dife¡encia de conjuntos.145 ajuste de datos por. 24O. 136. cumplemos. 237 dispe¡sión. 112 relación de la a la distribución binomial. coeficientes de. 1 18 distribución chi-cuadrado. 94. 332. dewiación. 9. problema. 26+ 246 püa datos agrupados. E4. 217. 13 2. 29G 292 correlación gradual.243.129 distribución exponencial. 344. 10. 108.322 para experimentos de dos factotes. 117 ¡elación con la chi-cuad¡ado y t.97-99.244 conelación. 83. 239 propiedades de la. 217 convoluciones. 31ó álgeb¡a de sucesos. 130. lO. 112. 118. 46.

36 E. 81. 310.139-141 ¡elación de la a la distribución normal.294 fómulm de Euler.171173 de medias. 198.201 esti¡nas insesgadas. 221-226 mediante proporciones. 2t6. 269. 164 distribuciones de fiecuencia acumulada. 39. 299 er¡ores del tipo I y del tipo II.22L.2La. 194-2LO. 306-31O. 117. 263. 267 3-2L5. 194 (uéate estimas insesgadas) toñbién mediante diferencias de medias. 194 estimas po¡ puntos. 290 . 36 función aleatoria (uécse vuiable aleatoria) función beta. 76. 223. 113 experirnentos aleatorios. 1ó7. 161. 342 función característica. 311 notación paa.214 püa pequeñs muestras. 114 relación de la a la disEibución binomial. 44. 25. 112 de la distribución normal. 5 enfoque uiomático de ptobabiüdad. mediante la disúribuclón F. 212. 115. 64 293. 44 dis¡etas. 1ó chi-cuadrado y. 231. distribución de 2t6. ó1. 264. 31 1 experimentos de Mendel. 312 Einstein-Bose. 83. 26ó también esperanza) estadfstica Bose-Einstein. 262.312. 113 distribución Maxwell.282. 2L4. 266. 241 3 mediante medias. 164. 45 función de densidad conjunta.215. 286-287 . 236 mediante la distribución normal. 286 fórmula producto-momento para el coeficiente de cor¡elación lineal.pua el coeficiente de correlación. 160. 263.267 formas igualmente factibles. 198. ?7 muginal. 47 interpretación gráfica de la. 109 propiedades de Ia. 243 ensayo de bipótesis y significación. estadfstica (uéose estadís- tica Bose-Einstein) e1e x. 1Og de la distribución de Poisson. 54 de sumas de variables aleatorias. 194.A. 63. 2I9. 217 ensayos de dos colas. fó8. 343 función de densidad. 267. 312 efectos de lnteracción.263. 164 f¡ecuencias elementales. 77 (uéose dos. 81 ble. 297 e¡rb¡ o residuo. 260 elementos o miemb¡os de los conjuntos. 159. 137. 3 7 Fisher. 157 de dewiaciones típicas. 160. zLl. 117 teoremas sobre la. 341 fracaso. 14. 231 experimentos de clasificación doble (uCose experimentos de dos facúores. 16-321 225 la. 41 distribuciones de probabilidad discret¿. 276. 38. 27 O. 48. 138. 162 de difetencias y sumas. 111 teo¡ema de la unicidad para le. 215. 4.160. 113. 260. 196. 133 distribución Weibuü. 216. 80. 159. 162 INDICE efectos de tratarniento. 162.6 286. 83. 278. 118. 297. 43. 161. 178 (uéo¿e 213 mediante la distribución f de Student. 4O. 194-210 eficiente. 162. 49. 17?179 acumulada. 44. 61-63 distribuciones co¡iuntas. 259 estimador insesgado. 6 enfoque clásico de probabilidad. 285. 163. 113. 164 acumulada. 199 insesgada (u¿ose estima iDsesgada) estimas de máxlma verosimilitud. 4ó para valiables aleatorias dlscrets. 38. 4 espacios muestrales no disretos. 157. L4l 11 8. 216 para coeficientes de regresión. 206. 311 distribución t Student) 163 acumulada. t7l enfoque a posteriori de Drobabilidad. traslación de. en téminos de varimzas y del coeficiente de conelación. 213 para va. 162. 326 función de distribución acumulada. 6. 295. 266. Futl. éxito. R. 290 estima. 198. 1O8 . 157 función de densidad normal tipificada. 213. 162 distribución multimodal. 194 estimas. 77 espermza condiciona!.179 distribuciones de frecuencia ¡elativa. 35 estadfstico no puamétrico. 92. 158. 118. 132. 267 pua valores predlchos. 81 fórmula de Spe¡man pa¡a la cor¡elación gradual. 296 derivación de la. ó2 de funciones de vuiables aleatorias. 313-315. 22L- experimentos de un factor. 6 enfoque a priori de p¡obabilidad. 168- de ¡elaciones de vuiauas. 44 va¡ianza pa¡a.318 de vuianzas. 194 estimas por intenralos. 1O8 expansión binomial. 178. 261. 198. 324-327 variaciones pa¡a. 4 esperanzar 76. 293.S. 16ó-168. 216 Fermi-Di¡ac. 156.177 enfoque de la frecuencia relativa de 308. 261. 8l totales. 44 . 28t. 84 distribución multinomial. 213 ensayos de una cola. 16ó. 43 teoremas sobre la. 116. 289.47 disc¡etas.) distribución porcentual de frecuencias. 212. 238 bidimensional. pua variables aleatorias contfuruas. 77.249 distribución nonnalr 109-1 11. ó3. 4 46. 138. 81. 141 probabilidad. 186 estadlsticos muestra¡es.2t6 ¡elación con la teorÍa de estimación. 262. 6 ensayo chi-cuadrado para bondad del ajuste. 110 espermza matemática. definicid¡ de la. 40. óó estatura de padres e hijos. 2 interacción en el. 119 distribución muestral. 1 de proporciones.229-231 2L con repeticiooes. 41 de funcit¡nes de vadables aleatorias. 199.370 media y vaxi^nza de la. 86-E8 condicionel. 297 f¡ecuencia observada.274.268 pua grar¡des muestras. 265 77 38. 5. 117 disribución trimodal.293. 163. 306 Fistre¡. 2L9. áreas bajo mediante relaciones de varianzas. 2r9.294 pa¡a la püábola de mlnimos cuad¡a- teoremas sobre. 4 espacios muesfales discretos. 194 e¡aor tfpico de la estima. 3O8 error tfpico. 2L9. 262. 119. 179 relativa. distribución f de Stud.216. 99 de la distribución binomial. 41 conjunta. 314. 220. 117 relación de la a la chl-cuadrado y F. 2ó9. 117. 98. 4 espacios muestrales inflDitos contables. 163. 44. 42. error típico de la (véose ettot tfpico de la estima) estimación. 91.277 para el plaao de regreslón de mfnimos cuadrados. 289. probabilidad de. 346 media y vaianza de la. 273. 287. 2L6. 3 Ecuaciones norraales pua la recta de mfnimos cuad¡ados. probabilidad de. 211267 estimas no eficientes. 214. 14. 29A espacios muestrales infiniio no conta- fumión complementaria de error. 1ó espacio muest¡a] finito. 82 distribuciones de frecuencias.4. 124-127 ajuste de datos por la. 1O8 expamión multinomial.226-22a mediaate la distribución chi<uadrado. (pe¡cepción ext¡as€nsorizlr. principio de.244. 4 espacids muestrales continuos. 16G162. 39 (uéase tambíén funciones de distribución) función de distribución conjunte.226-228 mediante diferencias de proporciones. 222 escalera flor. 43-46.178. 13ó función de densidad para la. estadfstica. 5. 156. 279 efectos de bloques. 84 distibución uniforme. 163.lores medios predichos.61. 142 distribuciones condicionales. 4ó. 111 distribución nomal bidimensional. 218. 164 distribuciones de probabilidad. 52 distribuciones de probabilidad condicional.196. óo conti¡uas. t¡ansformación Z de. 218 frecuencia porcentual. experimentos de dos faetores. 1?3-176 de varios estadísticos.39. 94. 114.266. dualidad. 266 para vrimzas.2A6 224 espacio muestral. l6 3 frecuencia relativa.279- 164. 6 fórmula de inve¡sión. 260 ejes. I76. 92..P. 164 acumulada. 237.ent. 194 estimas sesgadas. 184 de medianas.¡ecuencia marginal. 52-56 continuas. 94.

351 loterm. 84. 11ó. 123 la distribución de Poisson. 164.221 experimental o descriptiva. 177 muestreo. acumulado. 164. 2+2. 196. 179 acumuladas. 39. 2O2. 2 lntcnalos de confianza. 159. 117 modelo matemático lineal pua el análisis de va¡ianza. 8 3O7. 15ó. 292.234 pare propo¡ciones.Q. 259 método de comprensión. 163. 269. 266. 96. 217 gráficos de control de caüdad. 312 g¡an total. 47 para conjuntos.266 pe¡mutaciones. (cociente de inteligencia). 99 pe¡cepción extransesorial (udase E. 156 tamaño de la. 1 método de expansión. 306. lO9.44. 342 fórmula de recunencia ptala. 95 para las pruebas de Bernoulli. (uéqs¿ rectas de mÍnitnos cuadrados) método y fórmula clave. 217 259 236. 196 población finita.D. 166-167. 85. 112 la distribución F. 37 Poisson. 177. 158. 44 g¡andes muestras. 352 números complejos.5ó marginal. 241 tabla de. gran media. ró9 población infinita.166. 194-206 para diferenciás y sumasr 196. 76. 155. 79 momentos condicionales. 86. 203. 96 de la dist¡ibución beta. 111 de la distribución ú o de Student. 156. 136 gráficos de control. 206 modelos matemáticos. 6 suma de los pa¡a la distribución chicuad¡ado. 79 alrededor del origen. 48. 110 eomplementaria. 200 número. 76. 171. L78 I paradoja de Russell. L21 Jacobiano. 277. 194. 159 normal. 76 de una muestra. á1 lÍnea real.. 113.49.P. invuianza baio üanstotmacióD. 4O función factorial. 205. 112 de la distribución normal.293 medidas de centralización. 1 (véase también conjuntos) prábola. 221 experimental o descdptivo. 312. 1O función paso. 2 núme¡os ¡eales. 19ó nivel de significación. l2 computación de la. 54. 97 medidas de dispersión. 49.268 funciones de probabilidad marginrl. 156. 13ó de la distribución d€ Poisson. 32 parámetros poblacionales. 96. para el análisis de la varianza.2O3 para relaciones de vuianzas. 1á6 con o sin remPlazamiento. 84. 44. 83.249-292 n factorial. 3O6 de de de de medias de grupo.¡los abierto y cetrado. 18O- población normal. 259 ir¡tetcepto. 259 para curvas.) mÍniinos cuadrados.272 función error. 3. 89'91. 224 niveles de significación. 197.S. 69 para datos agrupados. 184 teorÍa de correlación y regresión. 43 4O 268. LS7. 23O inferencia estadística. 306. 114. 12. 184. 47. 36. poker. 26O intetsección de cotiuntos. 3. 45. 308. 165. 6 muestras. 164. 1O9. para la convolución. 156 196 Ley asociativa. 126. 1 7-2O función de la. 94 moneda cargada. 1 56 partículas radioactivas. 26. para la convolución. 198. 163. 342 fórmula asintótica de Stirling pa¡a la. 89-91. 63 función de Drobabilldad coqiuDts. 186. para la convolución.97 (véase tanrbién esperanza) pados. 84. 47 Pata conjuntos. 55.313 ? probabilidad. 156.312 ordenadas. 45. 96. 44. ó6. 1^O. 1 polÍgono de frecuencia. 198 dist¡ibución de muestreo de la. 224 tabla de. funciones de densidad marginal. 164. 1r6. 1ó5. 2 pea vErian¿as. 79 intenalos geml-abiertos o dos.23O Herencia. \24 ley de los grandes números en forma ley de los gtandes núme- Iey de los grandes núme¡os en forma tuette (uéase también ley de los grandes números) leyes de Morgan. 342. ó8. 117. 1ól momentosr 79. 311 mediana. 3Oo funciones de distribución marginal. 164 operaciones de coniuntos. 217. 163. ó3 niveles de confianza. 45 funciones de distribución. 84 (véose también media) media muestral. 199-201 grupo. 177. 26L. 6 moneda b-omada. 5ó. 3. ensayos de. 155 aleatorias. 1ló de la distribución F. 47. 43. 40. 268 para vuiables aleatorias continuas. ll. 97 mejor cuwa o recta de ajuste. 1ó8. 19ó.241 hipótesis estadísticas. 195 (uéose tambíén lÍmites de confianza) IÍmites reales de clase. grupo control. 196 muestras aleatorias. 42 para variables aleatorias discretas. 2O4.165. 2 logúitmos comunesr tabla de. 3 inteivalo de clase. 156 parámetros de la. 266- 4t. 39. 308.45. 3 ¡ey conmutativa. 27 . 213 números rleato¡ios. 211 (uéase tombián ensayos de hipótesis y significación) hipótesis nulas. 11 método de mínimos cuadrados. 21?. 178 moda. 269. 2. 3O6 medias de tratamiento. .50. 157 media total.297 miembros o elementos de un coqiunto. 21 hipótesis. 1 44 pe¡centil¿s o valores percentüa. 1ó6. 211. f96-202 L44. 27-23 población. 1ó8. 195 lÍmites fiduciales. 6. 8O función monotónicamente creciente. lnteÁ. 86 Marca de clase.297 198 para rectas. 44 371 molécula de gas ideal. f 56 alrededor de la media. 243 pua paábolas. 212. 342 función gamma. 313 polÍgono de frecuencias 179.22O. 1. 94 función escalera. 80 teoremas sob¡e la. 123 de la distribución chi-cuadrado. 61-63 conjunta. Ojivas. 8O. 11? de un conjunto de números. 97 medias de fila. 39 condicional. t71. aproximación de Sti¡ling a. 1ó1 grados de libe¡tad. 195. 3O7. S.237. teorema de la unicidad pea la.84 Papel gráfico de curya normal. 227. 179-183 la distribución binomial. 350. 6r 3 ley de los grandes números. 81.179 ojivas porcentuales. 8. 76. potencia de un ensayo.219. 38 marginal. 155 población binonial. 80. 117 la distribución normal. 2t3. 13 en los zucesos. 214 histograma. 1 56 independientes. I 55 integrales de Fourier. 199. 159. 342 27. 1óó. 111 21 E inte¡ralo semi-intercuütÍlico. 158 I. 206 semi-cerra2dO. L22. 196. 309. 79 condicional. 83. 162 no unicidad de la.164. 97. 85. 40. 41. 84.179183 momelltos centüales. pea conjuntos. 13 lÍmites de confianza. f16. débil ros) (ué¿se muestras independientes. 197. 96. 264.312. 157 media ditmética. 46.INDICE función de probabilidad. lf l. 183. 17? niedia. 13 Iey distributiva.5 probabilidad condicional. 98 integr¿les especiales. para datos agru- Gas ideal. 163. r23.342 función gene¡atriz de momentos. 341. 276. 204 para medias. 171. 1O9. 343 central. 85. 48 probabilidad de causas (uéos(f teorema teoremas de la. 2. 84. 163. 156 población multinomial. ó4. 311.98 de la dist¡ibución binomial. 183. 84.

284 relaciones no lineales. caso donde s . 143. 311.318 múltiple.2a5 vatiación residual o aleatoria. 262. 1ó8. 264.2a5 vaiación no explicada.3il1 Taylor. 6. 212. 266.273 en términos de varianza muestral v teoría de muestreo exacto. 237 . 219 en anáUsis de varianzas. 266. 26A. 38. 48. 6 algunos teoremas importantes sobre la. 5. 17-2O. 26? traslación de ejes. 8 cálculo de las. 41 INDICE sobres. 31 1 entre y dentro de tratamientos.259. 30. 242. 262. 1O8 variables aleatorias dependientes (uéose variables aleatorias independieDtes) vaiables aleatorias discretas. 223.88. 7. 9. 26O. entre columnas o bloques. 263. 261. l94 sÍmbolos de inclusión. 311. 97-99.81.39 vaiables aleatorias continuas. 111 vuiable estocástica (véase vuiables valores exponenciales. pda la función generat¡iz tos. 78 va¡ianza combinada. 212 ensayos de. 64 gráfica. 160 esperanza de Ia. 317. 2ll (véase tombién ensayos de hipótesis y significación) vaiables aleatorias con dist¡ibución Cauchy. 46. 42. 262.27l uperf icies. 6. 297 tammo de la muestra.116 función (uéose función de probabilidad) geométrica. 8O dist¡ibuidas binomialmente. 3O7. 8. 1 subconjuntos p¡oFiós.294 vaianza. 39. 2t9. 25 Unidades o dimensiones. 38.2O2 interpretación probabilística de. pa¡a la función ca- vaiables aleatorias independientes. 85.285 recta.284.124 las. 67. 262. 1O8 vuiables aleatorias distribuidas de a- cuerdo con la dist¡ibución Poisson. 3f 3-3f 5.260 pua vriables aleato¡ias distribuidas binomialmente. 260 variaciones. 263. 341 ¡elación con las dist¡ibuciones t y F va¡iables aleatorias con dist¡ibución Gamma. 114 1ó8. 198 rectas de mÍnimos cuadrados. 264. 11O v&iables aleato¡ias dist¡ibuidas uniformemente. 2O1 t¡ansformación de Fourie¡. 130. 281. 264.94 de la distribución binomial. 1lO va¡iables aleatorias adimensionales. 82 veiables aleatorias normales asintótica- ley de los grandes números paa 109. 27 8. 26O. para datos agrucondicional.89 combinada. I 18 tablas y distribuciones de frecwncias de doble v&iación. 89. para un conjunto de números. ? sucesos independientes. 78 unidades tipificadas. 164 probabilidad geométrica. 264-27 4. 216 como segundo momento. 68 proporciones.159. 164. 158. 115 cuadrado. 89. 266. invarianza bajo. Tabla de probabilidad coniunta. 4.114. 258. 46.111. 30. 6 suceso seguro. 3O9 ent¡e filas o tratamienúos. 46 scesos mutuamente excluyentes. ó sucesos. 7. 262. 78. probabilidad empírica.287-289 transformada inversa de Fourier. 259. 4. 289.115 variables aleatoiias con distribución chi- ta.82 de momen- mente.experimentos de dos factores. 23a como una función de valor real. 291) universo del discurso. 161. 112. 2a9. dist¡ibución muestral de. 312 regresión. 3O6 triángulo de Pascal.98 serie de Taylor. 266. 123 de la distribución de Poisson. 8O sesgada a Ia derecha o a la izquierda.2a4. 22O. ó. 97.161:171 prueba de Bernoulli. plano.97 semi-intercuartr-lico. 113. 5O con distribución dg Poisson. 13O. 258 punto muestral. 50 dist¡ibuidas unifomemente. 5 condicional. I O8 distribuidas normalmente. 2a7. 79 distribución de las. 38. 29O curva. 271 referencias tipificadas. 131 teorema o ¡egla de Bayes. 48. 79.81. 212 regla de Leibniz para la de¡ivación de una integral. 64 probabilidades. 112 de la distribución f'.2a4.38 discretas. 108 pruebas de Bernoulü. 151 teorema de unicidad.lasificación simple. variación total.110 vüiables dependientes. 243246 tablas de frecuencia (uéose ta¡nbién distribuciones de frecuencia) variables aleatorim distribuidas binomia¡mente.78. 324-321 residuo. 254. 269. 266. 11 1. problema de los. 85.266.63 vüiables aleatorias no relacionadas. 194.2ó9 coeficiente. 352 293. 176 velocidad efectiva (¡ms). 1?9-183 vriable independiente. 79. 289 ecuación. 38 variables aleatorias de la distribución de Bernoulli. 326 diag¡ama.115 vtianza poblacional. 213 región de rechace. I 1 O pila distribuciones conjuntas. 1Og de la distribución de Poisson. 27 I relación fineal. 26I intersección de. I7 -2O.262 27 a. Valores críticos. 117 de la distribución muestral de medias. 49.249 computación de la. 3 significación. tabla de. 21 variación. grados de libertad 311 métodos cortos paa obtener las.37. 219. 131. 3O7. 284. 195 desconoce la.317.lores esperados de las.2a2.158. 29. 3O8. 15-17 p¡obablemente significativos. 81 transfomación. 26 2 teoría muestral de. 2AL. 263. 266. 1 I O región crltica. 195.262 vüiación explicada. 79 tipificadas de. 8O ¡acte¡Ística. S2 sin dimensiones. 2ó9 Sec¡etaria. 196 tigmpo de reacción. explicadas y no explicadas. aleatorias) 2 2 241. asignación de las. ó-7 sumas es¡reciales. 22O tablas de con¿ingencia. 1 14 independientes. 306. 15 utilizando el análisis combinatorio. región de. 195 valo¡es de tendencia. 45. ó2-56. 281. 266.239 problema de la aguja de Buffon. 79 vriables aleatorias con distribución Be- serie". 161. LIL. 81. 79 pados. 263. 37 subconjuntos. f91. (véase v atianza muesüral) continuas. 131 prueba del. 311. problema de la. 279 unión de conjuntos. 29. 265. 3O9 regresión múltiple. 289. 151 82 seguridad. 158 de la distribución no¡mal.85. 270 va¡iables aleatorias. 226 . 249 de vaiables aleatorias distribuidas normalmente. 3Og pua las. 81 transformación Z de Fishe¡. 50 papel gráfico. 14. 242. 58.123. 269. 183 de la distribución binomial. 216 var\anza muestral. 15 sucesos elementales. 108. 63 no conelacionadas. 269 vdiables-transf o¡madas.161 veiables aleatorir nomalizadas. 20. 311 tratamientos. 37 serie de Fourier. 63. 48 función de densidad de.49. 292-294 cov^rianza.6O teorema del límite central.272 318 grados de libertad para.4 Recorrido. 165.86. 79. 3O7 para . 260.372 o ¡egla de Bayes) concepto de la. 3O9. 259. 1 ilceso imposible. 322-327 tabla de c. 156 temperatura Kelvin. 111 de la dist¡ibución t. 45. 117 muestral. 63. 26-27 231. 112 de la dist¡ibución normal. 83. 217.244 representación gráfica. 266. 242. 31O. 52-56. 9. 1O9. 164 dist¡ibuciones de la. 85 sesgo. 49 ¡éplicas. 43 t¿blas de clasificaclón doble.245 en análisis de varianza. 49. va. 259.

.

.

l .

.

.

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

Sign up to vote on this title
UsefulNot useful