Está en la página 1de 56

Probabilidad y Estadística

Guía de ejercicios – 2017

Juan Olivares

Copyright
c 2017 Juan Olivares

P UBLICADO POR J UAN O LIVARES

HTTP :// WWW. UDA . CL

Primera impresión, Marzo 2017

Índice general

I Probabilidad
1 Probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.1 Espacio muestral y eventos 7
1.2 Técnicas de conteo 7
1.3 Probabilidad de un evento 8
1.4 Probabilidad condicional 9
1.5 Regla de Bayes 10
1.6 Ejercicios 10

2 Variables aleatorias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.1 Concepto de variables aleatorias 15
2.2 Distribuciones de probabilidad discretas 15
2.3 Distribuciones de probabilidad continuas 15
2.4 Distribución de probabilidad conjunta 15
2.5 Independencia de variables aleatorias 16
2.6 Esperanza matemática 17
2.7 Ejercicios 20

3 Distribuciones discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.1 Proceso Bernoulli 27
3.2 Distribución binomial 27
3.3 Distribución geométrica 27
3.4 Distribución binomial-negativa 28
3.5 Distribución hipergeométrica 28
3.6 Distribución de Poisson 29
3.7 Ejercicios 29

4 Distribuciones continuas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.1 Distribución uniforme continua 33
4.2 Distribución normal 33
4.3 Distribución exponencial 34
4.4 Distribución gamma 34

4.5 Distribución χ 2 34
4.6 Distribución beta 34
4.7 Distribución log-normal 35
4.8 Distribución Weibull 35
4.9 Distribución t-student 36
4.10 Distribución F 36
4.11 Ejercicios 37

II Estadística
5 Estimación puntual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.1 Conceptos generales 43
5.2 Métodos de estimación puntual 44
5.3 Ejercicios 44

6 Estimación por intervalos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
6.1 Estimación de la media 47
6.2 Estimación de la diferencia entre dos medias 48
6.3 Estimación de la proporción 49
6.4 Estimación de la diferencia de dos proporciones 49
6.5 Estimación de la varianza 50
6.6 Estimación de la proporción de varianzas 50
6.7 Ejercicios 50

7 Pruebas de hipótesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
7.1 Conceptos generales 53
7.2 Pruebas sobre la media 54
7.3 Ejercicios 54

I
Probabilidad

1 Probabilidades . . . . . . . . . . . . . . . . . . . . 7
1.1 Espacio muestral y eventos
1.2 Técnicas de conteo
1.3 Probabilidad de un evento
1.4 Probabilidad condicional
1.5 Regla de Bayes
1.6 Ejercicios

2 Variables aleatorias . . . . . . . . . . . . . . 15
2.1 Concepto de variables aleatorias
2.2 Distribuciones de probabilidad discretas
2.3 Distribuciones de probabilidad continuas
2.4 Distribución de probabilidad conjunta
2.5 Independencia de variables aleatorias
2.6 Esperanza matemática
2.7 Ejercicios

3 Distribuciones discretas . . . . . . . . . 27
3.1 Proceso Bernoulli
3.2 Distribución binomial
3.3 Distribución geométrica
3.4 Distribución binomial-negativa
3.5 Distribución hipergeométrica
3.6 Distribución de Poisson
3.7 Ejercicios

4 Distribuciones continuas . . . . . . . . 33
4.1 Distribución uniforme continua
4.2 Distribución normal
4.3 Distribución exponencial
4.4 Distribución gamma
4.5 Distribución χ 2
4.6 Distribución beta
4.7 Distribución log-normal
4.8 Distribución Weibull
4.9 Distribución t-student
4.10 Distribución F
4.11 Ejercicios

.

1.1. es el conjunto de todos los resultados en Ω que no están contenidos en A.1 — Espacio muestral. denotada A ∩ B y leída “A y B”. 1. Teorema 1. 1. denotado por Ac . Definición 1. con el caso especial de 0! = 1.3 Algunas relaciones de la teoría de conjuntos: 1. 2. si A y B no tienen elementos en común. Un evento es un subconjunto de resultados contenidos en el espacio muestral Ω. Dos eventos A y B son mutuamente excluyentes o disjuntos si A ∩ B = 0.2.1 Espacio muestral y eventos Definición 1.3 Para cualquier entero no negativo n.1.2. es el evento que consiste en todos los resultados que están tanto en A como en B.1 — Principio de multiplicación. y si para cada una de éstas se puede llevar a cabo una segunda operación en n2 formas.2 Técnicas de conteo Definición 1. / es decir.2 — Evento.2. es el evento que consiste en todos los resultados que están en A o en B o en ambos eventos (de tal manera que la unión incluya resultados donde tanto A como B ocurren.4 Que 0/ denote el evento nulo (el evento sin resultados). y así sucesivamente.2 Una permutación es una arreglo de todo o parte de un conjunto de objetos. así también resultados donde ocurre exactamente uno). es decir. entonces la serie de k operaciones se puede realizar en n1 n2 · · · nk . . Definición 1. Si una operación se puede ejecutar en n1 formas. La unión de dos eventos A y B. denotados por A ∪ B y leídos “A o B”. El complemento de un evento. Al conjunto de todos los resultados posibles de un experi- mento aleatorio se le llama espacio muestral y se representa con el símbolo Ω. Un evento es simple si consiste en exactamente un resultado y compuesto si consiste en más de un resultado.2. Definición 1. 3. denominado “n factorial” se define como n! = n(n − 1)(n − 2) · · · 2 · 1. La intersección de dos eventos A y B. todos los resultados en por lo menos uno de los eventos. y para cada una de las primeras dos se puede realizar una tercera operación en n3 formas. n!. Definición 1. Definición 1.1.1 El número de permutaciones de n objetos es n!. Probabilidades 1.

6 El número de combinaciones de n objetos distintos tomados de r a la vez es   n n! = . Proposición 1. Teorema 1. P(A) ≥ 0.2. A3 . Teorema 1. 3. y así sucesivamente. es un conjunto de eventos mutuamente excluyentes.1 Axiomas de Kolmogorov: 1. Para cualquier evento A. donde 0/ es el evento nulo (el evento que no contiene resultados en absoluto).5 Para dos eventos cualesquiera A y B. a partir de la cual P(A) = 1 − P(Ac ).2. Teorema 1.3. . .3 Para cualquier evento A. Proposición 1. . n2 elementos en la segunda.3. n1 .3. i=1 / = 0.5 El número de formas de partir un conjunto de n objetos en r celdas con n1 elementos en la primera celda. 2. nk de una k-ésima clase es n! . . A2 . P(A ∪ B) = P(A) + P(B) − P(A ∩ B).2 El número de permutaciones de n objetos distintos tomados de r a la vez es n! n Pr = . Probabilidades Teorema 1.2 P(0) Esto a su vez implica que la propiedad contenida en el axioma 3 es válida para un conjunto finito de eventos. . . . es   n n! = . entonces ∞ P(A1 ∪ A2 ∪ A3 ∪ · · · ) = ∑ P(Ai ). . P(A) + P(Ac ) = 1. P(A) ≤ 1.2. n1 !n2 ! · · · nk ! Teorema 1.2. Proposición 1. P(Ω) = 1.4 Para cualquier evento A.2. .3.3 El número de permutaciones de n objetos ordenados en un círculo es (n − 1)!.3. n2 de una segunda clase.3 Probabilidad de un evento Axioma 1. . n2 . (n − r)! Teorema 1. 8 Capítulo 1. nr n1 !n2 ! · · · nr ! donde n1 + n2 + · · · + nr = n.4 El número de permutaciones distintas de n objetos. . r r!(n − r)! 1. Si A1 . en el que n1 son de una clase. .

. An .4 Probabilidad condicional 9 Corolario 1. Teorema 1. entonces P(A1 ∪ A2 ∪ · · · ∪ An ) = P(A1 ) + P(A2 ) + · · · + P(An ). entonces P(A ∩ B) = P(A)P(B|A). que se denota por P(B|A).4. Por lo tanto. siempre que P(A) > 0.4 Probabilidad condicional Definición 1. Teorema 1. .4. .4. A y B son dependientes.8 Para tres eventos cualesquiera A. Teorema 1. . en un experimento. . se define como P(A ∩ B) P(B|A) = . .1 La probabilidad condicional de B.1 Si en un experimento pueden ocurrir los eventos A y B.3. si se asume la existencia de la probabilidad condicional. siempre que P(A) > 0. An son mutuamente excluyentes. . Teorema 1.2 Dos eventos A y B son independientes si y sólo si P(B|A) = P(B). Corolario 1.3.3. o P(A|B) = P(A). .7 Si A1 . . 1. Si los eventos A1 . 1. . B y C.4. para obtener la probabilidad de que ocurran dos eventos independientes simplemente calculamos el producto de sus probabilidades individuales.4. A2 . entonces P(A ∪ B) = P(A) + P(B). entonces P(A1 ∩ A2 ∩ · · · ∩ An ) = P(A1 )P(A2 |A1 )P(A3 |A1 ∩ A2 ) · · · P(An |A1 ∩ A2 ∩ · · · An−1 ). De otra forma. A2 . . P(A) Definición 1.2 Dos eventos A y B son independientes si y sólo si P(A ∩ B) = P(A)P(B). dado A.6 Si A y B son mutuamente excluyentes. P(A ∪ B ∪C) = P(A) + P(B) + P(C) − P(A ∩ B) − P(A ∩C) − P(B ∩C) + P(A ∩ B ∩C).3 Si. pueden ocurrir los eventos A1 . entonces P(A1 ∩ A2 ∩ · · · ∩ An ) = P(A1 )P(A2 ) · · · P(An ). . A2 . An son independientes. .

La siguiente tabla indica derecha. tóxico de ambos metales. .21. En cada lanzamiento. . n. . 2. y que el 32 % tiene nivel tóxico de considere la existencia de años bisiestos y ni las plomo. Un químico analiza muestras de agua de mar para do a ninguna persona. tiene niveles tóxicos de plomo dad anterior sea mayor que 50 %. 4 lanzamientos se encuentre en el punto (2. retorne a su iniciador. Calcule la proba- b) De plomo pero no de mercurio. 2. c) Encuentre la probabilidad de que el rumor se c) No sea mujer y no trabaje en ventas. . . De estas muestras. para que la probabili- plantas industriales. detectar la presencia de dos metales pesados: plomo 6. si b) P(Ac ∪ Bc ). Encuentra que el 38 % de las muestras n personas. . tal que P(Bi ) > 0 para i = 1. Si los eventos B1 . Se eligen 3 a) Sólo de mercurio. determine el valor de un río. entonces. tal que P(A) > 0. Calcule la probabilidad 7. B2 . para cualquier evento A de Ω. ∑i=1 P(Bi ∩ A) ∑i=1 P(Bi )P(A|Bi ) 1. gen de un sistema de coordenadas cartesianas en el calcule las siguientes probabilidades: a) P(A ∩ Bc ). Bn constituyen una partición del espacio muestral Ω. artículos al azar y sin reposición. . . Bn constituyen una partición del espacio muestral Ω. donde P(Bi ) > 0 para i = 1.59. Además. en cuyas orillas se localizan numerosas de n. . . en forma aproximada. obtiene una “cara” avanza una unidad hacia arriba.2 — Regla de Bayes. 2. P(Br ∩ A) P(Br )P(A|Br ) P(Br |A) = n = n . bilidad de que: 4. una persona dice un rumor a otra quien a su vez se lo repite a una Sexo tercera persona y así sucesivamente.30 y P(A ∩ B) = 0. P(B) = 0. Calcule b) Encuentre la probabilidad de que el rumor se la probabilidad de que: transmite exactamente r veces antes de que a) Trabaje en ventas o sea mujer. . Suponga que una persona está ubicada en el ori. .5 Regla de Bayes Teorema 1. sin ser repeti- 3. Determine la probabilidad que al cabo de el número de empleados en cada división clasifica. 4 con defec- de que una muestra dada contenga niveles tóxicos: tos pequeños y 2 con defectos graves. para r = 1. entonces. . Probabilidades 1. a) Todos los artículos sean buenos. B2 .6 Ejercicios 1. el 10 % contiene un nivel personas gemelas. Sugerencia: no o de mercurio. b) Sea hombre y no trabaje en operación planta. Calcule la probabilidad de que en un conjunto de y mercurio. En cada pa- División Mujer Hombre so el receptor del rumor es elegido al azar entre n Administración 20 30 personas. En un pueblo de n + 1 habitantes. . Los empleados de cierta compañía se encuentran se.5. Un lote consta de 14 artículos buenos. . Si los eventos B1 . . n. para cualquier evento A de Ω. 2). 2. . i=1 i=1 Teorema 1. Lanza una moneda. plano. Operación planta 60 140 a) Describa en palabras el espacio muestral aso- Ventas 100 50 ciado a este experimento. . Sea P(A) = 0. c) P(Ac ∩ Bc ). 5. dos por sexo. si obtiene un “sello” avanza una unidad hacia la parados en tres divisiones. . al menos dos de ellas tengan la misma tomadas en las proximidades de la desembocadura fecha de cumpleaños. 10 Capítulo 1. transmite exactamente r veces. n.5. n n P(A) = ∑ P(Bi ∩ A) = ∑ P(Bi )P(A|Bi ). . Se selecciona un empleado aleatoriamente. .1 — Ley de probabilidad total.

y la probabilidad de que a un día soleado le siga b) Al menos uno de ellos sea defectuoso. anterior.1. b) ¿Qué tan pequeña debe ser la probabilidad de c) Tres hijos del mismo sexo. con respecto al sexo de los probabilidad. la probabilidad de que cae “cara”. ponen las siguientes probabilidades: P(A) = 0. don. 2). y (S. hijos. de que él o ella también pague oportunamente el c) Por lo menos uno sea bueno. perimento diferentes deben ser hechas en el P(B) = 0. b) Dos días soleados y después un día nublado. si cae “se. dos presiones más bajas? A partir de una serie de pruebas previas.15. sin embargo. denota el no en un mes. c) Dos días nublados y después dos días solea- y un catalizador. Un investigador está estudiando los efectos de la clasificado como lluvioso o soleado y que el tiempo temperatura. c) P(A ∩ Bc ). Calcule también pagará oportunamente los tres meses la probabilidad de que se obtenga: siguientes. Una costura hecha en un avión necesita 25 rema- probabilidad de selección. b) Un cliente que no paga oportunamente en un b) Al menos dos veces “sello” o un número ma. Una tienda departamental que factura a sus clientes lo 10 % de todas las costuras necesitan volver una vez al mes ha encontrado que si un cliente paga a efectuarse. si un cliente no paga 8. siguiente mes. Suponga que el pago oportuno o notación en la que (C. Suponga que cada día es 10. dos. al azar de entre todas las posibilidades. Cada motor tiene .80 a) Solamente uno de ellos sea defectuoso.40. cuántas ejecuciones del ex. cuatro diferentes pre. se presu- c) Supongamos que cinco ejecuciones del ex. Una familia tiene tres hijos. Si los cinco son seleccionados guientes probabilidades: a) P(A|B). la probabilidad es 0. guientes dos meses y después haga un pago 9. por ejemplo. depende solamente del mes anterior. cada uno con la misma posibles permutaciones. En determinada área de producción. a) Si cualquier ejecución del experimento. oportunamente en un mes. Utilice la solamente 0. un remache defectuoso para asegurar que só- 12. oportuno al mes siguiente de ello. S) denota el evento de que la a) Un cliente que paga oportunamente en un mes moneda cae en “sello” tres veces seguidas. Determinar todas las dientemente unos de otros. nublado le siga: siones.15 y P(A ∩ B) = 0. S. perimento son posibles? 14. mes tampoco pagará oportunamente los si- yor que 4. Se lanza una moneda al aire una vez. ches. ¿cuál es la probabi. un día nublado es 0. impli. y el tipo de catalizador en el de cualquier día depende sólo del tiempo del día rendimiento de una determinada reacción química. la presión. Encuentre la probabilidad de que a un día Tres diferentes temperaturas. Supon- en cada ejecución del experimento? ga que los remaches están defectuosos indepen- 11. Calcular las si- primer día. 1/3 de los pro.6 Ejercicios 11 b) Uno de cada tipo sean seleccionados. a) Exactamente una “cara”. nublado. ¿cuál es la probabilidad de que a) Dos de los hijos tengan el mismo sexo. una presión. Si tres productos 13. se lanza un dado una vez. Bajo las suposiciones adecuadas calcule la a) Si 14 % de todas las costuras necesitan volver probabilidad de tener: a efectuarse. evento de que la moneda cae “cara” y entonces el Calcule la probabilidad de que: dado cae en 2. La probabilidad de dad de que: que a un día nublado le siga un día nublado es 0.20. Entonces. Supongamos que en la ciudad de Copiapó los días fueron seleccionados a azar.90 16.60. pueden ser soleados o nublados. La costura tendrá que volver a realizarse si lidad de que un catalizador diferente se utiliza cualquiera de los remaches está defectuoso. ductos hechos son defectuosos. Un avión tiene cuatro motores. b) P(A ∪ B). él o ella pague oportunamente el siguiente mes es llo”. y cinco diferentes catalizadores están bajo a) Un día nublado. se define A como el evento de que el primer sistema can el uso de la temperatura más baja y las falle y B el evento de que el segundo sistema falle. un remache esté defectuoso? b) Un varón y dos mujeres. ca el uso de una sola temperatura. calcúlese la probabili. la moneda se lanza dos veces más. un día soleado y otro día consideración. b) ¿Cuántas ejecuciones del experimento impli. Un conjunto electrónico consta de dos subsistemas. si oportunamente en un mes. de cualquier grupo de cinco tiene la misma 15.

De los clientes que de los litigios acerca de prestaciones se resuelven consumen gasolina regular. 50 % llenan a) ¿Cuál es la probabilidad de que un litigio sus tanques. estrelle? 20. sea por salario? 22. el 0. Amazon c emplea tres personas que trabajan en la tercera máquina? la bodega. ¿cuál es la a) ¿Cuál es la probabilidad de que una pieza sea probabilidad de que el campo tenga petróleo? Antes defectuosa? de que el geólogo efectúe las pruebas. 1 200. producción de la segunda es “defectuoso”. En cierta gasolinera. algún momento dos o menos motores trabajan en b) Si se comete un error en una orden. Con. Tres máquinas A. respectivamente 30 %. probabilidad de que dicha pieza proceda de 19. Si se encuentra un chip que es defectuo- . el 0. distintos son independientes. El avión se estrellará si en a) Se cometa un error en una orden. 15 % por las condiciones ber sido producido por la máquina A?. Si hay petróleo en el campo.5 % de la indiquen que hay petróleo. quienes retiran los artículos 23. Una empresa produce un tipo de chip para compu- de los anaqueles y los reúnen para su subsecuente tadora. Se sabe además en el campo. 30 % llenan sus tanques sin huelgas. ¿qué de trabajo y 25 % son sobre aspectos de prestacio.12 Capítulo 1. entre trabajadores y la administración se re. 25 %. 40 % y 30 % de todas del 10 %. Se sabe que una empresa utiliza cuatro máquinas 18. Suponga que las fallas de motores haya sido surtida por U. y W comete un de las unidades con un índice de defectos del 8 % error en una orden tres veces de cien. B y C son del 3 %. 30 % y b) Dado que el motor 1 no fallará durante el vue. producen el 45 %. ¿cuál es la probabilidad de ha- nistración son por salarios. V comete un error de defectos del 5 %. máquina tiene mayor probabilidad de haber nes. V y W . V y W y en La Serena. c) Dado que el motor 1 fallará durante el vuelo. el 25 % con un índice de defectos surten. defectuoso. y de los que consumen gasolina extra. Esta empresa tiene fábricas en Antofagasta. verificación y empaque. del geólogo dicen que no hay petróleo. a) ¿Cuál es la probabilidad de que el siguiente suelva sin una huelga? cliente llene el tanque? b) ¿Cuál es la probabilidad de que un litigio b) Si el siguiente cliente llena el tanque. ¿cuál es la probabilidad de que el avión no se a) Se selecciona al azar un artículo. 70 % de los litigios por con. Si las pruebas 1 % de la producción de la cuarta es “defectuosos”. B y C. hay 95 % que en promedio. U comete un error en una Copiapó y La Serena. 21. ¿cuál es la tenga petróleo. ¿cuál es la estrelle? probabilidad que el artículo sea defectuoso? 17. Probabilidades una probabilidad de fallar de 0.5 % tróleo. respectivamente trató a un geólogo para que efectúe unas pruebas 1 000. U. del total de artículos en una lo.001 en un vuelo las órdenes. ción diaria de cada una de ellas es. 1 800 y 2 000 piezas. También 45 % de los litigios por salarios se producido la pieza defectuosa? resuelven sin huelgas. Si U. Si el campo no tiene pe. respectivamente. respectivamente. el empresario b) Si de la producción de cierto día se extrae una cree que hay 10 % de posibilidades de que el campo pieza que resulta ser defectuosa. Calcule la probabilidad de que: de Nueva York a París. La fábrica de Antofagasta orden (saca el artículo equivocado o la cantidad produce el 40 % del total de unidades con un índice equivocada) una vez de cien. Por experiencia se sabe que en cierta industria 60 % b) Seleccionamos al azar un artículo y resulta de todos los litigios entre los trabajadores y la admi. hay 5 % de posibilidades de que las pruebas de la producción de la tercera es “defectuoso” y el del geólogo indiquen que si lo hay. la orden a) ¿Cuál es la probabilidad de que el avión se haya sido surtida por V . ¿cuál es la probabilidad de que el avión se fábrica. c) Si se comete un error en una orden. el 1 % de la producción de la de posibilidades de que las pruebas del geólogo primera máquina es “defectuoso”. 4 % y 5 %. Un empresario petrolero desea saber si su campo en la fabricación de cierto producto y que la produc- petrolero del sur de Japón producirá petróleo. Los porcentajes de producción defectuosa estrelle? de las máquinas A. la orden forma adecuada. en Copiapó se produce el 35 % en una orden cinco veces de cien. se resuelven sin huelgas y 40 % gasolina regular y 40 % extra. 60 % de los clientes utilizan diciones de trabajo. ¿cuál entre los trabajadores y la administración se es la probabilidad de que pida gasolina extra? resuelva sin huelga.

Si 0. (Es decir.20 si MOTOR se presen- en el sector alto de la ciudad de Copiapó. Un ele. Si se escoge un componente tectar la impureza si está presente.20. lidad de que una persona tenga la enfermedad si la trónico.60.01 b) Dado que el centro comercial fue construido.5 % de la población haya sido construida? tiene realmente la enfermedad. Copiapó o de La Serena? Justifique su mientas que F1 produce el doble de componentes respuesta. Un ingeniero químico esta interesado en determi. b) Si el componente es defectuoso. Los compo- té presente es 0. el presidente de la compañía estima que va para detectar cierta enfermedad cuando ocurre hay una probabilidad de 0. ¿cuál es la probabi- 26. el resultado de la prueba implicará que la persona ¿cuál es la probabilidad de que la autopista padece la enfermedad). ta. para ensamblar ¿Cuál es la probabilidad de que la impureza un nuevo modelo de automóvil. con probabilidad 0. firma competidora MOTOR no se presente a ella. F2 y F3 .80 que MOTOR se presente. La compañía ensambladora de automóviles CAR. Una prueba de sangre de laboratorio es 99 % efecti- ponible. Una compañía de desarrollo urbano está consideran. tiene tres fabricas: F1 . Por experiencia pasada se sabe. ¿de dónde es más probable que provenga.90.90 si una 25. Una compañía que produce cierto componente elec.80 de de.1.6 Ejercicios 13 so. probabilidad que haya sido fabricado por F1 ? to detecte la impureza? 27. de los componentes producidos por F1 y F2 respec- nar si cierta traza de impureza está presente en un tivamente son defectuosos. se ha presentado a una licitación. El gerente general de CAR estima que hay una mento vital en esta consideración es un proyecto probabilidad de 0. la prueba también da un aprobada. que el 2 % 24. Un nentes producidos por las tres fabricas se guardan experimento tiene una probabilidad de 0. en un mismo almacén.40 y que esté ausente es 0. Antofagasta.90 de que la b) Dado que CAR ganó la licitación. de una autopista que une este sector con el centro a) ¿Cuál es la probabilidad de que CAR gane la de la ciudad. Sin embargo. ¿cuál es la compañía construya el centro comercial en tanto probabilidad de que MOTOR se haya presen- que si la autopista no es aprobada la probabilidad tado a ella? es de sólo 0. de F2 y F3 producen el mismo número de componentes. Basándose en la información dis. resultado “positivo falso” en 1 % de las personas a) ¿Cuál es la probabilidad que la compañía sanas a las que se les aplica.60 que la autopista sea realmente. La probabilidad del almacén: de no detectar la impureza si no está presente es a) ¿Cuál es la probabilidad que sea defectuoso? 0. La probabilidad esté presente en el producto? de que CAR gane la licitación es de 0. en tanto que el 4 % de producto. La probabilidad de que la impureza es. ¿cuál es la a) ¿Cuál es la probabilidad de que el experimen. Las fabricas prueba dio resultado positivo? . que F2 . si se le hace construya el centro comercial? a prueba a una persona sana.28. do la posibilidad de construir un centro comercial en tanto que es de sólo 0. b) Si el experimento detecta una impureza. Si el consejo municipal aprueba esta licitación? autopista. hay una probabilidad de 0. los producidos por F3 son defectuosos.

.

2. Definición 2. P(a < X < b) = ab f (x) dx. de una variable aleatoria continua X con función de densidad f (x). f (x) ≥ 0. 1. o una serie interminable con tantos elementos como números enteros existen. Rf (x) ≥ 0. t≤x 2. para − ∞ < x < ∞.1.3 Distribuciones de probabilidad continuas Definición 2. Definición 2. f (x)) es una función de probabilidad.2 La función de distribución acumulada F(x) de una variable aleatoria discreta X con distribución de probabilidad f (x) es F(x) = P(X ≤ x) = ∑ f (t). para − ∞ < x < ∞. 2. se llama espacio muestral discreto.1 El conjunto de pares ordenados (x. para toda x ∈ R. igual al número de puntos en un segmento de recta.1. para cada resultado x posible. definida en el conjunto de números reales. P(X = x) = f (x). −∞ 2.4 Distribución de probabilidad conjunta .1 Concepto de variables aleatorias Definición 2.1 Una variable aleatoria es una función que asocia un número real con cada elemento del espacio muestral.3. 2.2 Si un espacio muestral contiene un número finito de posibilidades. R Definición 2. Variables aleatorias 2. ∞ 2. se le denomina espacio muestral continuo. 3. 3.3 Si un espacio muestral contiene un número infinito de posibilidades.2. Definición 2.2.3.1. una función de masa de probabilidad o una distribución de probabilidad de la variable aleatoria discreta X si.2 La función de distribución acumulada F(x).1 La función f (x) es una función de densidad de probabilidad (fdp) para la variable aleatoria continua X. −∞ f (x) dx = 1. es Z x F(x) = P(X ≤ x) = f (t) dt.2 Distribuciones de probabilidad discretas Definición 2. si 1. ∑x f (x) = 1.

4.4. . con distribución de probabilidad conjunta f (x. Se dice que las variables aleatorias X1 . 16 Capítulo 2. . y) y distribuciones marginales g(x) y h(y). y Z ∞ Z ∞ g(x) = f (x.3 Las distribuciones marginales sólo si X y sólo de Y son g(x) = ∑ f (x. y h(y) = ∑ f (x. y x para el caso discreto. respectivamente. . fn (xn ). g(x) De manera similar. y h(y) = f (x. y) es una distribución de probabilidad conjunta o función de masa de probabilidad de las variables aleatorias discretas X e Y . . Definición 2. discretas o continuas. 3.2 Sean X1 . y) = 1. y) = g(x)h(y).5. si 1. discretas o continuas. Xn . y).Ry) ≥ 0 para toda (x. y) dxRdy R = 1. . siempre que h(y) > 0. ∞ ∞ 2. para toda (x. −∞ −∞ f (x.Y ) ∈ A) = ∑ ∑A f (x.1 Sean X e Y dos variables aleatoria.1 La función f (x. .4 Sean X e Y dos variables aleatorias. y) es una función de densidad de conjunta de las variables aleato- rias continuas X e Y . dado que Y = y. xn ) y distribuciones marginales f1 (x1 ). P((X. . f2 (x2 ). y) f (y|x) = . n variables aleatorias. ∑x ∑y f (x. discretas o continuas. −∞ −∞ para el caso continuo. y) dentro de sus rangos. y) ≥ 0 para toda (x. Definición 2. res- pectivamente. y). f (x. . . P(X = x. Xn son recíproca y estadísticamente . . con distribución de probabilidad conjunta f (x1 . x2 . h(y) 2. X2 . Para cualquier región A en el plano. y). para cualquier región A en el plano. y) f (x|y) = . . es f (x. Se dice que las variables aleatorias X e Y son estadísticamente independientes si y sólo si f (x. P((X. . es f (x. .5 Independencia de variables aleatorias Definición 2.5. La distribución condi- cional de la variable aleatoria Y . Definición 2.Y ) ∈ A) = A f (x. y) dx. y) dy.4.Y = y) = f (x.2 La función f (x. . X2 . . 2.4. y). y) dx dy. Definición 2. Variables aleatorias Definición 2. la distribución condicional de la variable aleatoria X. . si 1. siempre que g(x) > 0. dado que X = x. y). Rf (x. y). 3.

y).1 Sea X una variable aleatoria con distribución de probabilidad f (x). x y si X e Y son discretas. y) dx dy. x si X es discreta. . y) f (x. . Definición 2. . xn ) dentro de sus rangos. La media o valor esperado de la variable aleatoria g(X) es µg(X) = E[g(X)] = ∑ g(x) f (x).6. y Z ∞ µ = E[X] = x f (x) dx. xn ) = f1 (x1 ) f2 (x2 ) · · · fn (xn ).6 Esperanza matemática Definición 2. .2 Sean X e Y variables aleatorias con distribuciones de probabilidad conjunta f (x.6. y) f (x.Y ) = E[g(X. 2.1 Sea X una variable aleatoria con distribución de probabilidad f (x). x2 . −∞ −∞ si X e Y son continuas.Y ) es µg(X. La media o valor esperado de X es µ = E[X] = ∑ x f (x). Definición 2. .Y ) = E[g(X. . 2. −∞ si X es continua. y Z ∞ µg(X) = E[g(X)] = g(x) f (x) dx.6. −∞ si X es continua.3 Sea X una variable aleatoria con distribución de probabilidad f (x) y media µ = E[X]. . para toda (x1 . La media o valor esperado de la variable aleatoria g(X. .6. Teorema 2.Y )] = g(x.6 Esperanza matemática 17 independientes si y sólo si f (x1 . .Y )] = ∑ ∑ g(x. x si X es discreta. y). x2 . y Z ∞Z ∞ µg(X.

σX σY .2 Sea X una variable aleatoria con distribución de probabilidad f (x). −∞ La raíz cuadrada positiva de la varianza. respectivamente. Definición 2.18 Capítulo 2.3 La covarianza de dos variables aleatorias X e Y .4 Sean X e Y variables aleatorias con distribución de probabilidad conjunta f (x. y). y Z ∞ 2 2 σg(X) = E[(g(X) − µg(X) ) ] = (g(x) − µg(x) )2 f (x) dx.6. x si X es discreta. y). se llama desviación estándar de X.6. −∞ −∞ si X e Y son continuas. Teorema 2. y x Z ∞ σ 2 = V(X) = E[(X − µ)2 ] = (x − µ)2 f (x) dx.5 Sean X e Y variables aleatorias con covarianza σXY y desviaciones estándar σX y σY . y Z ∞Z ∞ σXY = E[(X − µX )(Y − µY )] = (x − µX )(y − µY ) f (x. si X es continua.6. −∞ si X es continua. con medias µX y µY . La covarianza de X e Y es σXY = E[(X − µX )(Y − µY )] = ∑ ∑(x − µX )(y − µY ) f (x. Variables aleatorias La varianza de X es σ 2 = V(X) = E[(X − µ)2 ] = ∑(x − µ)2 f (x). Definición 2.6. respectivamente está dada por σXY = E[XY ] − µX µY . x y si X e Y son discretas. Además la varianza se puede definir como σ 2 = E[X 2 ] − µ 2 . Teorema 2. El coeficiente de correlación de X e Y es σXY ρXY = . y) dx dy. La varianza de la variable aleatoria g(X) es 2 σg(X) = E[(g(X) − µg(X) )2 ] = ∑(g(x) − µg(x) )2 f (x). si X es discreta.

Teorema 2. .Y )] ± E[h(X.Y )] = E[g(X.6. Corolario 2.6. y).6. E[aX + b] = aE[X] + b.11 Sean X e Y dos variables aleatorias independientes. E[g(X. Es decir.6. E[XY ] = E[X]E[Y ].5 Al establecer a = 0 vemos que E[b] = b.Y ) = h(Y ).10 Si establecemos que g(X.Y ) = g(X) y h(X.6.4 Si a y b son constantes. vemos que 2 σaX+c = a2 σX2 = a2 σ 2 . E[g(X) ± h(X)] = E[g(X)] ± E[h(X)].6.12 Sean X e Y dos variables aleatorias independientes.9 Si establecemos que g(X. Corolario 2. b y c son constantes. Teorema 2.6 Al establecer b = 0 vemos que E[aX] = aE[X].6. Teorema 2. σXY = 0. Entonces. entonces.7 El valor esperado de la suma o diferencia de dos o más funciones de una variable aleatoria X es la suma o diferencia de los valores esperados de las funciones. Entonces. Teorema 2.14 Si se establece que b = 0. Es decir. entonces 2 2 2 2 2 σaX+bY +c = a σX + b σY + 2abσXY .Y ) = X y h(X. vemos que E[X ±Y ] = E[X] ± E[Y ]. y a. Corolario 2. Corolario 2.6. Corolario 2.6.8 El valor esperado de la suma o diferencia de dos o más funciones de las variables aleatorias X e Y es la suma o diferencia de los valores esperados de las funciones.Y )].6 Esperanza matemática 19 Teorema 2.13 Si X e Y son variables aleatorias con distribución de probabilidad conjunta f (x.6. Corolario 2.Y ) ± h(X. vemos que E[g(X) ± h(Y )] = E[g(X)] ± E[h(Y )].6.Y ) = Y .2.

Pue. Un juego consiste en lanzar un dado y ganar en di.6. Corolario 2. 4. dado debe pagar $4 000. X2 . 1 P(µ − kσ < X < µ + kσ ) ≥ 1 − . . si sale 5 se gana $5 000. las más de tres veces. 20 Capítulo 2.15 Si se establece que a = 1 y b = 0. Variables aleatorias Corolario 2. vemos que 2 σX+c = σX2 = σ 2 . es b) Defina el soporte de la variable aleatoria X. Por otra parte. hasta que o bien las tres muestran “cara” o bien las b) Encuentre la función de masa de probabilidad tres muestran “sello”.19 Si X1 . La probabilidad de que cualquier variable aleatoria X tome un valor dentro de k desviaciones estándar de la media es de al menos 1 − 1/k2 . es decir. Se lanzan tres monedas honestas simultáneamente que refleja la ganancia en el juego. entonces 2 σaX+bY = a2 σX2 + b2 σY2 . obtenga la fun- que el resultado del “dado 1” fue i y el resultado ción de masa de probabilidad del número de del “dado 2” fue j. . Corolario 2. . a) Determine el conjunto de valores que puede de utilizar la notación (i. hasta que las tres muestran el mismo lado. decir. Se lanzan dos dados equilibrados distinguibles. k2 2.6. Corolario 2.20 — Teorema de Chebyshev.6. Es decir. nero el número que sale multiplicado por $1 000. Corolario 2. 2. como aquella variable que cuenta los lanzamientos c) ¿Aconsejaría usted a un amigo(a) participar necesarios para que las tres monedas muestran el en el juego? mismo lado.6.17 Si X e Y son variables aleatorias independientes. .16 Si se establece que b = 0 y c = 0. entonces 2 σaX−bY = a2 σX2 + b2 σY2 . X como la suma de los resultados obtenidos por los b) Calcule la probabilidad que deba que lanzar- dados. vemos que 2 σaX = a2 σX2 = a2 σ 2 . j) que denota el evento de tomar la variable X. entonces σa21 X1 +a2 X2 +···+an Xn = a21 σX21 + a22 σX22 + · · · + a2n σX2n . para c) Encuentre la función de masa de probabilidad participar en el juego. Se lanza una serie de cohetes hasta que el primer . to aleatorio. Además. lanzar una vez el de la variable aleatoria X. Xn son variables aleatorias independientes. a) Defina el soporte de la variable aleatoria.18 Si X e Y son variables aleatorias independientes. Teorema 2. Defina la variable aleatoria X de la variable aleatoria X.6.6. es decir. a) Determine el espacio muestral del experimen.7 Ejercicios 1. Sea X la variable aleatoria 3. Si se define la variable aleatoria lanzamientos de este experimento.

Un contratista es requerido por un departamento de 5 ensayos. x = 0. tres. 3.2 . cuatro o cinco formularios (dependiendo constante de 0. . Suponga que un fabricante de computadora recibe b) P(X = 4). 1. b) Suponga que los chips 1 y 2 son los únicos chips defectuosos en el lote de cinco. si 1 ≤ x < 2. del proceso de selección. Por ejemplo. bución acumulada dada por: bles resultados del proceso de selección por pares. si 2 ≤ x < 3.   persona con mejor puntaje ha sido un hombre y la   1 .7 Ejercicios 21 lanzamiento exitoso tiene lugar. a) Liste los diez diferentes posibles resultados    0. Supongamos que no tenemos resultados  0 . para i = 1. La probabili- mientras que los lanzamientos que siguen cuestan dad de que y formularios se requieran es proporcio- k/3 dólares. se obtiene cierta cantidad de información que a) ¿Cuál es el valor de k? puede expresarse como una ganancia financiera de b) ¿Cuál es la probabilidad de que por lo menos c dólares. si 3 ≤ x < 4. si 3 ≤ x < 4. . Se extraen dos esferas en forma aleatoria.7 .   del chips 1 y 2. F(x) = 0. Si T es el costo neto del experimento. para y = 1. si x < 1. si 6 ≤ x < 10. encuentre: iii) P(X = 6). el par (1. f (x) = . iguales y que los 10! posibles ordenamientos son     0. x 4 4 c) Encuentre la función de distribución acumu- lada F(x).8 de tener un lanzamiento exitoso y de la naturaleza del proyecto) para solicitar permiso que los ensayos sucesivos son independientes. esto es. si 1 ≤ x < 2. a) P(2 < X ≤ 6). Sea Y : “el número de formularios más. Calcule la esperanza y varianza de X. na el equipo. si 2 ≤ x < 3.   1 . p(y) = ky. Encuentre P(X = i). Sea X una variable aleatoria con función de distri- 3 y 4). si x < 1. . 2. Si esto no ocurre en 8. de construcción. Los Calcule la esperanza y varianza de X. ii) P(3 < X ≤ 5). chips son seleccionados en forma aleatoria.7 . igualmente probables.   b) Determine el soporte de la variable aleatoria  6   1 . planeación de un municipio para que remita uno. Podemos representar los posi. c) La función de masa de probabilidad de X. Encuentre la función de masa    x  4−x 4 3 1 de probabilidad de X. 9. 3. . Sea X una variable aleatoria con función de distri- ma descendientes de acuerdo al puntaje obtenido en bución acumulada dada por: un examen. Dos chips son selecciona. y calcule su función de masa de probabilidad. chips en lotes de cinco. si 4 ≤ x < 5. entre dos y cuatro formularios? 5.6 . Cada vez que hay un lanzamiento exi. Ade. por una mujer (por ejemplo.9 .1 . si x < 1. Supóngase que hay una probabilidad dos. si x ≥ 4. si x ≥ 10.3 . toria que denota la suma de los números de las dos   13 . Sea X una variable aleatoria discreta con la siguien- Defina X como el número de chips defectuo. 2) representa la selección    0. c) Calcule: i) P(X ≥ 6). 2. 5 . dos de cada lote para realizar una inspección de 10. entonces la   0. 7. 1 a) Determine Ω. 5. si X = 2. Una urna contiene cuatro esferas numeradas (1.  0 . si 1 ≤ x < 4. Sea X la variable alea. el costo del primer lanzamiento es k dólares requeridos del siguiente solicitante”. Tres hombres y tres mujeres son ordenados en for.2. te función de masa de probabilidad: sos observados. . si x ≥ 5.  toria X que representa la posición más alta lograda F(x) = 0. toso. nal a y.  siguiente es una mujer). 11. Sea X una variable aleatoria con función de distri- control de calidad. Calcule la esperanza y varianza de X. 4.12. Definamos la variable alea-   0. bución acumulada dada por: una a la vez y sin reemplazo. se necesiten tres formularios? encuentre la función de masa de probabilidad del c) ¿Cuál es la probabilidad de que se necesiten costo neto del experimento. 6.    esferas seleccionadas. el experimento se detiene y se inspeccio. si 4 ≤ x < 6. 2. 4. F(x) = 2 .  0 .

Variables aleatorias 13. en otro caso. La función de distribución acumulada de la dura. si 1 ≤ x < 2. tiene la siguiente función de den- nes de litros. f (x) = 1 . ii) P(−1/2 ≤ X ≤ 3/4). dada por: bilidad. en otro caso. si 1 < x ≤ 2. En una cierta ciudad el consumo diario de agua (en  1 . 0 . . Suponga que X.  4 1 . en otro caso. b) La función de distribución acumulada. tal que P(X ≤ q) = 23 24 .  8x2  guiente función de densidad de probabilidad:  f (x) = 7 −3x + 2 . si 2 ≤ x ≤ 3. F(x). si 0 ≤ x < 1. dada por: por:  1   2 x − 21 . Sea X una variable aleatoria continua. si 0 ≤ x ≤ 1. si 12 ≤ x ≤ 76 . b) Determine la función de densidad de probabi- c) El valor de q. para que f (x) = 0 . Sea X una variable aleatoria continua. 19. α) = e−(x−α) . cg(x) sea una función de densidad de pro- Calcule la probabilidad de que en un día dado: babilidad.  2 2 f (x.5 < X < 1. si 2 < x < 3. |x| f (x) = . a) El consumo de agua en esta ciudad no sea b) Calcule: i) P(X ≥ 1). a) La esperanza y varianza de X. calcule P(0. b) La función de distribución acumulada. con función c) A partir de la función de densidad de proba- de densidad de probabilidad. c) El valor de q. si x > 0. b) Calcule: i) P(X < 0). además la siguiente función: lada de la variable aleatoria X. 14.  1 −x 9 xe 3 . f (x) = 3 x − . a) Verifique que f (x) es efectivamente una fun. f (x) = a) Determine el valor de c.18. en otro caso.  0 . Sea X una variable aleatoria continua.   0 . ii) P(1/2 < X < 3/2). Encuentre: a) A partir de F(x). 21. tal que P(X ≤ q) = 12 . si x ≥ 2. para que f (x) sea Determine E[X] y V(X). mayor de 6 millones de litros.  f (x) = 1 − x .22 Capítulo 2. si − 1 ≤ x < 0.  d) Determine E[X] y V(X). donde α > 0 es una constante. con función ción X del tiempo de préstamo de un libro. función de densidad de probabilidad está dada por:  0 . si 0 ≤ x < 2. sistema. si x < 0. 20.5 ≤ X ≤ 1). Sea X una variable aleatoria continua. calcule: i) P(X ≤ 1). El porcentaje de alcohol (100X) en cierto compues- b) El abastecimiento de agua sea inadecuado si to se puede considerar como una variable aleatoria. F(x). 0 < x < 1. x2 2 F(x) = . en otro caso. si 0 < x ≤ 1.  0 . .  0 . variable aleatoria X está dada por: 22. 17. donde 0 < X < 1. si 2 ≤ x ≤ 72 .  1 + x . una función de densidad de probabilidad. es dada de densidad de probabilidad. Encuentre: a) La esperanza y varianza de X. Si la función de densidad de probabilidad de la b) Calcule P(X ≤ 2/3).5). encuentre la esperanza de g(X) = X 2 − 5X + 3. Sea X una variable aleatoria continua con función de densidad dada por: f (x) = cx3 (1 − x).  x . millones de litros) es una variable aleatoria cuya g(x) =   −x + 3 . en otro caso.  15. la capacidad diaria de esta ciudad es 9 millo. x > α > 0. el tiempo de falla (en horas) de un  x . ción de densidad de probabilidad. definamos c) Encuentre la función de distribución acumu. tiene la siguiente función de densidad de  21  probabilidad:  2 . |x| < 4. si 0 ≤ x < 12 . lidad. ii) P(0. donde c es una constante desconocida. si 1 ≤ x < 2. 16 a) Determine el valor de c. con la si. sidad de probabilidad: 16.

con función de masa  x . Sea X una variable aleatoria continua con función construcción se puede considerar como una varia- de densidad de probabilidad dada por: ble aleatoria continua que tiene función de densidad  de probabilidad dada por 6x(1 − x) . está lleno) Calcule: de densidad de probabilidad dada por: a) La función de masa conjunta de X e Y . Sea (X. 4. Sea (X. si a < x < b.15 0.15 0. si 1 < x ≤ 2.24 0. a) ¿Cuál es la probabilidad de que el contratista 24. lada. Encuentre la x esperanza y varianza de la variable aleatoria X. con función de masa Γ(α) conjunta dada por la siguiente tabla: donde α > 0 y β > 0 son constantes.05 0. con función variables aleatorias X e Y . y) 0 1 2 Encuentre: −1 0. f (x) =  1 0 . si existen.  0 . con función tenga una ganancia superior a $3 500? de densidad de probabilidad dada por: b) ¿Cuál es la ganancia esperada por el contra- tista?  1 b−a .Y = 1). x ≥ 0. de cierto tipo durante la noche.18 a) La función de distribución acumulada.04 a) ¿Cuál es el valor de c? y 3 0. tal que P(X ≤ q) = 0.01 0.Y ) un vector aleatorio. Un segundo aleatoria X.Y ) un vector aleatorio. 6.10 0.05 0. buscando atracadero por noche y suponiendo que a) Encuentre el n-ésimo momento de la variable P(X = x) = 1/6 para x = 1. Determine: a) Es una función de densidad de probabilidad. −1 0. F(x). b) La esperanza y varianza de la variable X. con función ocurrirá. Si la ganancia de un contratista en un trabajo de 23. tando atracadero en el segundo puerto (lo cual sólo 25. 2.06 0. 29. encuentre la esperanza naves. Sea X una variable aleatoria continua.22 0.Y ) un vector aleatorio. Un puerto tiene capacidad de acomodar 4 naves f (x) = 0 . donde las unidades están en US$1 000.24 0. bien aproximada por una distribución continua con 31.09 0. supongamos que su distribución puede ser muy Calcule: i) P(X > 0. si 0 ≤ x ≤ 1.03 b) ¿Cuál es el valor esperado y la desviación 5 0. α b) La función marginal de Y . en otro caso. en otro caso.15 0. Aunque X es una variable aleatoria discre- ta. Sea X el total de gastos médicos (en miles de dó.27 . si el primer puerto. con función de masa función de densidad dada por: conjunta dada por la siguiente tabla: x 2 −7   f (x) = c 1 + x . 28. si − 1 < x < 5. en otro caso. 30. y) −2 −1 1 2 26.00 0. f (x) = 18 (x + 1) .16 0.7 Ejercicios 23 a) Encuentre la función de distribución acumu. b) Calcule E[X] y V(X).00 0. 3.06 0. b) La función de distribución acumulada. Sea X una variable aleatoria continua. Sea (X. Sea X una variable aleatoria continua. x > 0.20 0. β f (x) = xα−1 e−β x . conjunta dada por la siguiente tabla: f (x) = 2 − x .Y ≥ 1).10 0.75. si 0 < x < 1. f (x. Si X es la varia- ble aleatoria que representa el número de naves tal que 0 < a < b < ∞. 5. de densidad de probabilidad f (x).2. ii) P(X > 0. 0 . dada por: b) ¿Son independientes las variables X e Y ?  32. y) 0 1 2 3 5 1 0. y 0 0. en otro caso. Sea Y el número de barcos solici- y varianza de la variable aleatoria X. c) El valor de q. f (x. puerto está disponible para manejar el exceso de b) A partir del ítem (a).05 estándar del total de gastos médicos? a) Determine las funciones marginales de las 27.20 lares) que incurre un individuo particular durante y 1 0.05 un año. x f (x.15 0.

ción de densidad conjunta de (X.  2 xy f (x. una situación en la cual se miden la x + y . a) Encuentre las funciones marginales de X e Y . si x > 0. y) es una superficial se mide en una escala de 0 ≤ x ≤ 2 y la función de densidad conjunta. b) ¿Son independientes las variables X e Y ? 36. en otro valor. Sea (X.24 Capítulo 2. con La función de sidad conjunta dada por: masa conjunta dada por:  −(x+y) e .42. y) = x +y . Sea (X. si 0 < x < 1. respectivamente. b) Calcule: P(X < 1).Y > 0) y P(X < 0. probabilidad conjunta del número de compradores a) Encuentre la función de distribución acumu- que favorecen a cada firma de la muestra? Calcular: lada conjunta. f (x. y > 0.Y ) un vector aleatorio.  k . P(X < 3) y P(X +Y ≤ 4). Dos firmas comerciales principales. con función de den- 34. y) = 32 0 . Si  6 se escogen al azar una muestra de dos compradores (x + y2 ) .Y ) un vector aleatorio.Y ) un vector aleatorio.  43. y) = x + 3 .Y ). b) ¿Son independientes las variables X e Y ? 37. Sea (X. c) Determine la esperanza y varianza de X. f (x. 4e . respectivamente. y) = del vector aleatorio (X. en otro caso. en otro caso. Sea X e Y los puntajes sobre una prueba de inte- sidad conjunta dada por: ligencia y un test de preferencias ocupacionales. Sea (X. c) E[X +Y ]. en otro caso.Y ) es: c) Son independientes las variables X e Y ? f (x.  −(x+y) e . si 0 < x < 1. sea una función de densidad conjunta del vector a) Calcule: P(X > 1/2) y P(Y < X). d) E[XY ]. ( 2 2 f (x.  −2(x+y) 0 . 3. de tal manera que la fun- 41. Encuentre el valor de k y posteriormente la función sidad conjunta dada por: de distribución acumulada conjunta. determine las funciones a) Las funciones marginales de X e Y . Sea (X. 0 ≤ y ≤ 10. y = 0. Encuentre: b) A partir del ítem (a). 1. contro. a) E[X]. 0 < y < 1. f (x. ¿Cuál es la distribución de 0 . en otro caso. en otro caso. con función de den- 33. en otro caso. Variables aleatorias a) Calcule: P(X = 0. 0 < y < 2. Sea (X. y) = tensión superficial y la acidez de un producto quími- 0 . b) E[Y ]. y > 0. Encuentre el valor de k. y) = 1 000 0 . si 0 ≤ x ≤ 100. La fun- b) Encuentre las funciones marginales de X e Y . c) ¿Son independientes las variables X e Y ? c) La función de condicional de Y . con función de den. 0 .Y ) un vector aleatorio. dado X = x 40. b) La función de condicional de X. aleatorio (X. 0 . co. y) = 38.Y ) un vector aleatorio.Y ) un vector aleatorio. a) Encuentre la función de distribución acumu- lada conjunta. 1.Y ≥ 1). si 0 ≤ x ≤ 1.  sidad conjunta dada por: k(6 − x − y) . 0 . b) ¿Son independientes las variables X e Y ? 39. 2 ≤ y ≤ 4. y) = 5 para una observación. con función de den. en otro caso. y) = a) Encuentre el valor de k. si x > 0. La función de densidad conjunta. en otro caso. f (x. si 0 < x < 1. f (x.Y ) un vector aleatorio. a) Encuentre las funciones marginales de X e Y . y) = 0 . sidad conjunta dada por: lan el 50 % y 30 % del mercado. f (x. 0 ≤ y ≤ 1. . y > 0. c) Determine las funciones marginales de X e b) ¿Son independientes las variables X e Y ? Y. con función de den- ción: sidad conjunta dada por:  x k y . en otro caso. si 0 ≤ x ≤ 2. 2. si x = 0. Estas variables son codificadas tal que la tensión a) Compruebe que efectivamente f (x. dado Y = y.Y ) está dado por: 0 . Consideremos. de densidad marginales. b) ¿Son independientes las variables X e Y ? 35. con función de den. 1 < y < 2. A y B. si x > 0. Sea (X. acidez se mide en una escala de 2 ≤ y ≤ 4. f (x.

en otro caso. Sean X e Y variables aleatorias independientes. 0 < x < 1. ( 2 x −( 100 y + 100 ) . y) = 0 . califica en base a 100 puntos. y) = 0 .Y ) un vector aleatorio. y ≥ 0. mer componente e Y la vida (en años) del segundo. y) = 20 f (x. Sea (X. y) = xe . e Y . a) Encuentre la función de distribución acumu. conjunta: po de vidas X e Y :  1 −x/2 −y/2 4e e . en otro caso. 4x(1 − y) . La vida X (en años) del pri- conjunta. en otro caso.2. f (x. ¿Son independientes las variables aleatorias? b) Determine las funciones marginales de X e 50. se vuelve inutilizable en menos de una año desde Encuentre la función de distribución acumulada la fecha de compra. 47. La ( función de densidad conjunta de X e Y es: x y ke−( 2 + 3 ) . Dos componentes de un computador tiene la si. y) = (100) conjunta. y > 0. si x > 0. en otro caso. E[Y ] y E[XY ]. y ≥ 0. 0 < y < 1. 0 . Un equipo que consta de dos componentes elec-  −2x 2e . y > 0.σY2 . son variables aleatorias con función de densidad guiente función de densidad conjunta para sus tiem. la siguiente función: 51. x > 0. si x > 0. f (x. en otro caso.Y ) un vector aleatorio continuo.  −x(1+y) f (x. en otro caso. c) Son independientes las variables X e Y ? Encuentre la función de densidad condicional de Y . La función de densidad con- f (x. trónicos independientes permanecerá en funciona- g(x) = miento tanto tiempo como uno de sus componentes 0 . 2(y − 1) < x < 25y.7 Ejercicios 25 44. a) Calcule: E[X]. Considere b) Calcule: σX2 . 2e b) Calcule la función de distribución acumulada f (x. tiempo de falla mayor. Se prueba dos componentes electrónicos hasta que ( y fallan. Encuentre las funciones de densidad marginal de X lada conjunta. si x ≥ 0. 48. si x > 0. en otro caso. con dado X = 60. en otro caso. Sea (X. X e Y . 0 . seleccionado Encuentre las funciones de densidad marginal de aleatoriamente entre las existencias del fabricante. y) = 0 . y) = 0 . El equipo tiene una garantía 2 . funciones de densidad dadas por: 52. 0 . 50 . En el examen de admisión a cierta universidad se Y. Sea X el tiempo de falla menor y sea Y el ke−(x+ 4 ) . y) =  1 a) Encuentre el valor de k. ¿Son independientes los tiempos de vida de ¿Cuál es la probabilidad de que la garantía expire cada componente? antes de que su equipo se vuelva inutilizable? .49. Usted compra uno de esos equipos. si 2 < x < 4. con función de den. Sea (X. en otro caso. 0 < y < 2. 46. Sea X e Y dos variables aleatorias cuya función de sidad conjunta dada por: densidad conjunta es: ( 1 − 5x+4y  e 20 .Y ) un vector aleatorio continuo.  1 esté aún en operación. b) Calcule la función de distribución acumulada conjunta. f (x. σXY y ρXY . junta está dada por: a) Encuentre el valor de k. en otro caso. y > 0. x ≥ 0. f (x. si 0 < x < y. del fabricante que cubre la sustitución si el aparato h(y) = 0 . Sea X la calificación c) ¿Son independientes las variables X e Y ? que obtiene uno de los estudiantes (que continua 45. 0 . Considere sus estudios hasta graduarse) y sea Y su razón del la siguiente función: punto de calidad al graduarse (4 puntos = A).

.

. X2 . 1. . p) = p (1 − p)n−x . x = 0. . que se denota con p. Un ensayo de Bernoulli puede tener como resultado un éxito con probabilidad p y un fracaso con probabilidad 1 − p. Distribuciones discretas 3. . 3. . Cada ensayo produce un resultado que se puede clasificar como éxito o fracaso. La probabilidad de un éxito. El experimento consta de ensayos repetidos. x2 . 4. . .1 — Distribución geométrica. .2. el número del ensayo en el que ocurre el .2. que representan el número de ocurrencias para E1 . . . . es   n x f (x. es   n f (x1 . y ∑ pi = 1. entonces la distribución de probabilidad de la variable aleatoria X. . Los ensayos repetidos son independientes.2. 3. 2. Ek con probabilidades p1 . . n. xk 1 2 con k k ∑ xi = n. 3. p). p2 .1 — Distribución binomial. permanece constante de un ensayo a otro. . y V(X) = np(1 − p).1 En términos estrictos el proceso Bernoulli se caracteriza por lo siguiente: 1.3. . E2 . entonces la distribución de probabilidad de las variables aleatorias X1 . pk ) = px1 px2 · · · pxkk . 2. . i=1 i=1 3. . x1 . . el número de éxitos en n ensayos independientes. la distribución de probabilidad de la variable aleatoria binomial X. . pk . .2 Distribución binomial Definición 3. .2 — Distribución multinomial. . . xk . E2 . .1 La media y varianza de la distribución binomial son E[X] = np. p2 . . Definición 3.3 Distribución geométrica Definición 3. . x Lo cual denotamos X ∼ Bin(n. n. . Si un ensayo dado puede producir los k resultados E1 .1 Proceso Bernoulli Definición 3. Ek en n ensayos independientes. x2 .1. . . . Entonces. Teorema 3. . Xk . Si ensayos de Bernoulli independientes repetidos pueden tener como resultado un éxito con probabilidad p y un fracaso con probabilidad 1 − p. . p1 .

. . Lo cual denotamos X ∼ Geo(p). x = r. .4.5. Teorema 3. entonces la distribución de probabilidad de la variable aleatoria X. p) = p (1 − p)x−r . x = 1. n Lo cual denotamos X ∼ Hiper(N. N N −1 N N . Teorema 3. k}.5. . p p 3.4.4 Distribución binomial-negativa Definición 3. es f (x. . máx{0.1 — Distribución binomial-negativa. 3.1 La media y la varianza de la distribución hipergeométrica son   nk N − n nk k E[X] = . n. es   x−1 r f (x. 28 Capítulo 3.1 La media y varianza de una variable aleatoria que sigue la distribución geométrica X ∼ Geo(p) son 1 1− p E[X] = . Distribuciones discretas primer éxito. y V(X) = . n. es k N−k x n−x f (x. . Si ensayos de Bernoulli independientes repe- tidos pueden dar como resultado un éxito con probabilidad p y un fracaso con probabilidad 1 − p. 2. el número de éxitos en una muestra aleatoria de tamaño n que se selecciona de N artículos. r + 2.5 Distribución hipergeométrica Definición 3. . p) = p(1 − p)x−1 . r−1 Lo cual denotamos X ∼ BN(r. n − (N − k)} ≤ x ≤ mı́n{n. y V(X) = 1− . el número del ensayo en el que ocurre el r-ésimo éxito. y V(X) = 2 .1 — Distribución hipergeométrica. p). k). La distribución de probabilidad de la variable aleatoria hipergeométrica X. Teorema 3. k) = N .1 La media y varianza de una variable aleatoria que sigue la distribución binomial- negativa son r r(1 − p) E[X] = . en los que k se denomina éxito y N − k fracaso. N. p p2 3. r. r + 1. .3.

m. La distribución de probabilidad de la variable aleatoria de Poisson X. la cual representa el número de resultados que ocurren en un intervalo de tiempo dado o región específicos y se denota con t. A2 . . . x = 0. λt) = .1 Tanto la media como la varianza de la distribución de Poisson son λt.2 — Distribución hipergeométrica multivariada. . El número de computadoras que fallan por mes en b) ¿Cuál es la probabilidad de que todos los es- un laboratorio de cómputo tiene una distribución pecímenes de uno de los dos tipos de roca Poisson con un promedio mensual λ = 2 máquinas sean seleccionados para el análisis? descompuestas. . 2. ¿Cuál es la probabilidad que haya 4 días címenes de basalto seleccionado para anali- de consumo normal? zarlos? 2. . . . . . x2 . . . si 2 < x ≤ 6. a2 . . .1 — Distribución de Poisson.6 Distribución de Poisson Definición 3. . X2 . que representan el número de elementos que se seleccionan de A1 . 3. . Cuando se de especímenes de granito seleccionados para descomponen más de dos máquinas. no sobrepase un número determinado de basáltica y 10 de granito. . .6. 1. . Determinar la dis. las restantes su análisis esté a menos de una desviación se envían fuera del laboratorio para su reparación. n con ∑ki=1 xi = n y ∑ki=1 ai = N. . Un geólogo ha recolectado 10 especímenes de roca (es decir. una computadora por mes. 3x 9 f (x) = − 40 + 20 . es e−λt (λt)x f (x. si 0 ≤ x ≤ 2. c) ¿Cuál es la probabilidad de que la cantidad ra reparar hasta dos máquinas por mes. Ak con a1 . xk . . .6 Distribución de Poisson 29 Definición 3.7 Ejercicios 1. Xk . ak elementos. . . a2 . N. 3. Teorema 3. Ak en una muestra aleatoria de tamaño n. Lo cual denotamos X ∼ Poisson(λt). A2 .6.5. estándar de su valor promedio? 4. ak . a1 . 3. En una determinada región la distribución de los a) ¿Cuál es la probabilidad de que en un mes ingresos por familia en unidades monetarias (u. . . . distancia. . área o volumen. de laboratorio para que seleccione al azar 15 de los tribución de probabilidad del número de días de especímenes para analizarlos. consumo normal de energía eléctrica en un lapso de a) ¿Cuál es la función de probabilidad de espe- seis días. n) = 1 2 N  . La probabilidad que en cierto establecimiento in.) cualquiera sea necesario enviar máquinas fue- es una variable aleatoria continua X con función de ra del laboratorio para su reparación? densidad dada por: b) Responda el inciso anterior cuando se reduce 1  x la capacidad de reparación del laboratorio a  10 + 10 . El laboratorio tiene capacidad pa. . Si N artículos se pueden dividir en las k celdas A1 . . más probable en un mes? dustrial el consumo de energía eléctrica sea normal 3. respectivamente. x! donde λ es el número promedio de resultados por unidad de tiempo. Se instruye a un asistente kW) en 24 horas es igual a 3/4. entonces la distribución de probabilidad de las variables aleatorias X1 . c) ¿Cuál es el número de computadoras con falla  0 . en otro caso. es a1  a2  ak  x x · · · xk f (x1 .

¿cuál es la las más de tres veces. y funcionará siempre que dos de persona somete a prueba y de un lote grande extrae ellos trabajen adecuadamente. c) ¿Cuál es la probabilidad de que la cantidad de a) ¿Cuál es la probabilidad de que en cada uno especímenes contaminados seleccionados pa. da a la variable aleatoria X. consiste en el siguiente: cajas de 25 artículos son ciendo los supuestos necesarios determine la preparados para su embarque. a) Obtenga la distribución de X. artículos producidos antes de embarcarlos. 0.m. Suponiendo que el número de partículas b) ¿Cuál es la probabilidad de que todos los es. Hacien. Distribuciones discretas a) Calcule la probabilidad de que una familia ras 8 horas de operación de la máquina es 0. Suponga que la fina la variable aleatoria X como aquella variable probabilidad que el alumno sepa la respuesta co. De- be.10. b) Si una de estas preguntas. probabilidad de que sea necesario entrevistar 8. babilidad de falla durante las siguiente 8 horas es b) Se seleccionan familias al azar hasta encon. Una del mismo tipo. El SEREMI de Salud de la Región de Atacama. a procedimiento. sean emiti- vas cada una. Se lanzan dos moneda honestas simultáneamente. 1). a) Suponga que la persona decide comprar estos . Determine la probabilidad de que la máquina trar tres con ingreso superior a 3 u.m. ca. a recolectado un total de 30 especímenes a) embarcar una caja que contenga tres artículos de las cuales 10 están contaminados. Suponga que cierto alumno responde das 4 o más partículas? cada pregunta de acuerdo al siguiente procedimien. que cuenta los lanzamientos necesarios para obtener rrecta a una pregunta es p ∈ (0. la pro- 3 u. uno de los 7 intervalos de tiempo. todas las preguntas. lo inspecciona y lo devuelve a la so inferior a 1 u. digamos la prime. de los 7 intervalos de tiempo. emitidas. c) Calcule la probabilidad que haya que lanzar- ra. probabilidad que el alumno haya sabido la 11. to: si sabe la alternativa correcta. Una fábrica emplea un patrón de aceptación de los a 5 familias. y que las distintas preguntas se a) Determine el conjunto de valores que puede responden en forma independiente. valos de 10 segundos de duración cada uno y se pecímenes contaminados seleccionados para cuenta el número de partículas emitidas durante ca- analizarlos? da período. Un examen consta de n preguntas con k alternati.30 Capítulo 3. tomar la variable aleatoria X. funcione continuamente durante: (i) 8 horas. artículo defectuoso? zarlos. determinar la 16 horas. La probabilidad de estos artículos hasta lograr un artículo tipo A. constante para dos éxitos.4. Se observa una fuente radioactiva durante 7 inter- a) ¿Cuál es la función de probabilidad de es. Ha. Se instruye a defectuosos? un asistente de laboratorio para que seleccione en b) no embarcar una caja que contiene sólo un forma aleatoria 15 de los especímenes para anali. un inspector toma un probabilidad de que al menos 3 tengan ingre.m. artículo al azar. entonces escoge una al azar. el productor afirma que la máquina 7.2. Una máquina produce artículos de tipo A y B si- alternativa correcta? multáneamente. Una máquina es accionada por tres baterías. El plan c) Suponga que se seleccionan 50 familias. caja. sean emitidas 4 ra el análisis esté a menos de una desviación o más partículas? estándar de su valor promedio? b) ¿Cuál es la probabilidad de que el menos en 6. 9. si seleccionada al azar tenga ingresos entre 1 y supera las primeras 8 horas de operación. el número de b) Determine la función de probabilidad asocia- preguntas respondidas correctamente. no necesariamente consecutivos. y (ii) do los supuestos necesarios. ¿Cuál es la probabilidad de: cados. entonces escoge Consideraremos que el lanzamiento fue un “éxito” dicha alternativa con probabilidad 1. que una batería de este tipo falle durante las prime. si las dos monedas muestran el resultado “cara”. fue respondida correctamente. Si cualquiera de los tres inspectores partir de una serie de denuncias sobre alimentos encuentra un artículo defectuoso. si no la sa. un segundo y un tercero efectúan el mismo 5. la caja no embar- contaminados vendidos en una cadena de supermer. digamos X. todas produce 2 artículos tipo B por cada 3 de tipo A. durante cada período observa- pecímenes contaminados sean seleccionados do tiene una distribución de Poisson con parámetro para el análisis? λ = 5.

Si se encuen- 15. a) por lo menos una falla en 1 000 vuelos. la máquina B produce disposiciones: si sólo hay 1 o ningún artículo de- 4 % de artículos defectuosos y contribuye a la pro. el lote se rechaza y si se en- fábrica de cierto artículo. el lote se aprueba. ¿cuál es la probabilidad que no compre? qué máquina pertenecen los artículos que contienen. Tres máquinas contribuyen a la producción de una artículos defectuosos. En la primera c) ¿Cuál es la probabilidad que no haya acciden. Determinar el recibe un lote y lo acepta si hay a lo más 1 artículo tamaño de la muestra (número de cm3 ) de aire que defectuoso en una muestra de tamaño 6 sin reposi. Suponga que la probabilidad de que un motor falle a) Encuentre la distribución de probabilidad de en un vuelo de rutina entre dos ciudades es 0.05 ¿cuál es la probabilidad de aceptar el ducción total. en caso contrario se ducción total con un 35 %. b) por lo menos dos fallas en 1 000 vuelos. 14. por la máquina A y así sucesivamente. Si la muestra contiene 4 o menos artículos y 1 con tipo B? defectuosos. Si la proporción real de defectuosos en el el 5 % de artículos defectuosos y 25 % de la pro. La máquina A produce cuentra 1 artículo defectuoso. mientras que C produce rechaza. se almacenan juntas. En determinada empresa minera han ocurrido acci. 3 con sangre tipo A se vende. babilidad de: 13. de éstos. se debe tomar para que la probabilidad de encontrar ción. El grupo contiene 5 personas con sangre piezas. que las moléculas de este gas están distribuidas in- veedor el lote completo. regresa al pro. tran más de 4 defectuosos se inspecciona cada uno dentes a razón de 1 cada 2 meses. Si hay 2 o más 16. Los artículos son almacenados en lote? . 6 con tipo A y 4 con tipo B. determine el año? costo promedio de inspección por lote. de los cuales 4 son defec- hacer un diagnóstico se necesitan 10 personas afec. Las cajas traer un artículo A antes de la tercera extrac. por lo tanto. y se toma una muestra ce de cierta enfermedad rara. En una población grande se sabe que el 10 % pade. ¿Cuál es la pro. Un fabricante vende cierto artículo en lotes de 5 000 personas. b) ¿Cuál es la desviación estándar del número 20.7 Ejercicios 31 artículos si logra extraer un artículo A antes cajas. máquina A? ¿Cuál es la probabilidad que proven- pondiente.99 como mínimo. sin que se pueda distinguir a ción. cada una contiene un número grande y fijo de la cuarta extracción. Suponga la calidad de un lote recibido es baja. De acuerdo con uno de sus clientes se adop- tipo O. Suponga que la compañía dependientemente y al azar en el aire. Defina X como el número de personas ga de la máquina B? ¿Cuál es la probabilidad que seleccionadas hasta que se tenga las 10 personas provenga de la máquina C? afectadas por la enfermedad. se toma una segunda 3 % de artículos defectuosos y contribuye a la pro. Suponga que las moléculas de un gas raro se encuen- que recibe para establecer la calidad del material.005. Si la inspección cuesta ocurren en forma independiente. Úsese la aproximación de Poisson a la distribución b) Calcular la probabilidad de que se necesiten Binomial para encontrar aproximadamente la pro- seleccionar exactamente 15 personas. La compañía revisa constantemente los lotes 18. Una empresa manufacturera recibe un lote que con. $75 dólares por cada 100 artículos. sos. la variable aleatoria X. y el fabricante a) ¿Cuál es el número esperado de accidentes al produce 2 % de artículos defectuosos. lote es 0. ¿cuál es la probabili. el cliente acepta el lote. producidos por una máquina. tiene 100 artículos de los cuales cinco son defectuo. En un estudio biológico se emplea un grupo de 15 19. tuosos. ¿Cuál es la probabilidad que provenga de la tadas por dicha enfermedad para el análisis corres. muestra de 40 artículos siguiendo las siguientes ducción total con un 40 %. muestra se toman 20 artículos y si no hay artícu- tes en determinado mes? los defectuosos. Si tra a razón promedio de 3 por cm3 de aire. dad que la persona compre estos artículos? el 40 % de las cajas contiene artículos producidos b) Suponga que la persona compra si logra ex. 17. ¿Cuál es la probabilidad de que se acepte un al menos una molécula de este gas en la muestra lote de 100 artículos que contenga 5 defectuosos? sea 0. 12. Se escoge una caja al azar. ta la siguiente regla de inspección: Se selecciona al babilidad que una muestra aleatoria de 6 contenga azar una muestra de 100 artículos de cada lote que 2 personas con sangre tipo O. Se va ha probar un lote grande de artículos por el de accidentes al año? siguiente método de muestro doble. Suponiendo que de los artículos del lote.3. fectuoso se aprueba el lote. Con la finalidad de aleatoria de 100 artículos.

.

y V(X) = . La densidad de la variable aleatoria normal X. es 1 (x−µ)2 2 − f (x. Teorema 4. np(1 − p) conforme n → ∞.1 La media y la varianza de la distribución uniforme continua son a+b (b − a)2 E[X] = . σ 2 ). µ.1 — Distribución normal. b). Para n → ∞ y p → 0. b) ⊂ R es 1 f (x. . b) = . σ ) = √ e 2σ 2 .2.2. a. Teorema 4.2. Teorema 4. Por lo tanto.1. es la distribución normal estándar. −∞ < x < ∞. respectivamente. Teorema 4. a < x < b. b−a Lo cual denotamos X ∼ Unif(a. X tiene distribución aproximadamente normal con µ = np y σ 2 = np(1 − p).1 — Distribución uniforme continua. entonces la forma limite de la distribución es X − np Z=p . Definición 4. 2 12 4.1.1 La media y la varianza de una variable aleatoria normal son µ y σ 2 . entonces.2. 4. La función de densidad de la variable aleatoria uniforme continua X en el intervalo (a.2.2 Distribución normal Definición 4. con media µ ∈ R y varianza σ 2 > 0.3 Sea X una variable aleatoria binomial con parámetros n y p.2 Si X es una variable aleatoria binomial con media µ = np y varianza σ 2 = np(1 − p). Distribuciones continuas 4. la desviación estándar es σ . σ 2π Lo cual denotamos X ∼ N(µ.2 La distribución de una variable aleatoria normal con media 0 y varianza 1 se llama distribución normal estándar.1 Distribución uniforme continua Definición 4.

4 Distribución gamma Definición 4. y V(X) = αβ 2 . con parámetro θ > 0.1 — Distribución χ 2 .4. Distribuciones continuas 4. 2ν/2 Γ(ν/2) donde ν es un entero positivo. 34 Capítulo 4. β ) = xα−1 e−x/β . si su función de densidad es dada por 1 f (x. 0 Definición 4.3.5. si su función de densidad está dada por 1 f (x.5.1 La media y la varianza de la distribución χ 2 son E[X] = ν. Teorema 4. para α > 0. θ Lo cual denotamos X ∼ Exp(θ ). 4. 4. si su función de densidad es dada por 1 −x/θ f (x. ν) = xν/2−1 e−x/2 .1 La media y la varianza de la distribución exponencial son E[X] = θ . La variable aleatoria continua X tiene una distribución χ 2 .3.3 Distribución exponencial Definición 4.2 — Distribución gamma.4. con parámetros α > 0 y β > 0.1 La media y la varianza de la distribución gamma son E[X] = αβ . La variable aleatoria continua X tiene una distribu- ción exponencial. La variable aleatoria continua X tiene una distribución gamma. Lo cual denotamos X ∼ χν2 . θ ) = e . y V(X) = 2ν. β ). y V(X) = θ 2 . Teorema 4. x > 0. β α Γ(α) Lo cual denotamos X ∼ Gamma(α.6 Distribución beta . con ν grados de libertad. 4.5 Distribución χ 2 Definición 4.1 La función gamma se define como Z ∞ Γ(α) = xα−1 e−x dx. Teorema 4. α. x > 0.4.1 — Distribución exponencial. x > 0.

β ) = αβ xβ −1 e−αx . σ x 2π Lo cual denotamos X ∼ LN(µ. La variable aleatoria continua X tiene una distribución Weibull. 0 < x < 1. La función de densidad de X que resulta es 1 − 1 (log(x)−µ)2 f (x. Definición 4. si su función de densidad es dada por 1 f (x. 4. Teorema 4. con parámetros α > 0 y β > 0. y V(X) = 2 .7 Distribución log-normal Definición 4. a+b (a + b) (a + b + 1) respectivamente. σ 2 ). La variable aleatoria continua X tiene una distribución log-normal si la variable aleatoria Y = log(X) tiene distribución normal con media µ ∈ R y desviación estándar σ > 0. 0 Γ(a + b) donde Γ(a) es la función gamma. 4. x > 0.6. Lo cual denotamos X ∼ Weibull(α. 4. La variable aleatoria continua X tiene una distribución beta con los parámetros a > 0 y b > 0. y V(X) = e2µ+σ (eσ − 1). µ. a.1 La función beta es definida por Z 1 Γ(a)Γ(b) B(a.1 — Distribución Weilbull. σ 2 ) = √ e 2σ 2 . si su función de densidad es dada por β f (x. b) = xa−1 (1 − x)b−1 dx = .8 Distribución Weibull Definición 4.1 La media y la varianza de una distribución beta en la que los parámetros a y b son a ab E[X] = .1 — Distribución log-normal. B(a. b).7 Distribución log-normal 35 Definición 4. b > 0. α.7.7.8.1 La media y la varianza de la distribución log-normal es 2 /2 2 2 E[X] = eµ+σ .2 — Distribución beta. para a. x > 0. b) = xa−1 (1 − x)b−1 . β ). . b) Lo cual denotamos X ∼ Beta(a.6.6. Teorema 4.

x > 0. donde Z X=p .10 Distribución F Teorema 4.10. 4. . β β β Definición 4. 4. Lo cual denotamos X ∼ tν .9 Distribución t-student Teorema 4. Sea 1 n 2 1 n X̄ = ∑ i n i=1 X . X2 .1 La media y la varianza de la distribución Weibull son        −1/β 1 −2/β 2 2 1 E[X] = α Γ 1+ .2 Sean X1 . Si Z y V son independientes. x > 0. la distribución de la variable aleatoria X = U/ν 1 V /ν es dada por la función de densidad 2  ν1 /2 ν1 +ν2   −(ν1 +ν2 )/2 ν1 Γ 2 ν /2−1 ν1 f (x.9.ν2 . Sean U y V dos variables aleatorias independientes que tienen distribuciones χ 2 con ν1 y ν2 grados de libertad. ν) = ν 2 √ 1+ . ν2 ) = ν1  ν2  x 1 1+ x . V /ν es dada por la función de densidad   − ν+1 Γ ν+1 x2 2 f (x. .8. .8. .1 — Distribución F. Lo cual denotamos X ∼ Fν1 . Distribuciones continuas Teorema 4. −∞ < x < ∞. Xn variables aleatorias independientes normales con media µ y desviación estándar σ .9. y S = ∑ (Xi − X̄)2. y V(X) = α Γ 1+ −Γ 1+ .2 La función de distribución acumulada para la distribución Weibull es dada por β F(x) = 1 − e−αx . n − 1 i=1 x̄−µ Entonces la variable aleatoria √ s/ n tiene una distribución t con n − 1 grados de libertad. Sea Z una variable aleatoria normal estándar y V una variable aleatoria χ 2 con ν grados de libertad.1 — Distribución t-student. ν1 . para α > 0 y β > 0. Γ 2 πν ν Ésta se conoce como la distribución t con ν grados de libertad. Entonces. respectivamente. Corolario 4. entonces la distribución de la variable aleatoria X. . 36 Capítulo 4. ν2 Γ 2 Γ 2 ν2 Ésta se conoce como la distribución F con ν1 y ν2 grados de libertad.

R1 (t) y R2 (t). llones de kilowatt-hora.m. El costo del proceso A es de c dólares a = 2 y b = 9. el tiempo. ¿Qué proceso deberá fenómeno aleatorio con distribución uniforme en el usar? intervalo de 20 a 25 minutos. calcule día dado? la confiabilidad del sistema para 10 horas. galón de petróleo y la temperatura de destilación T a) Encuentre la probabilidad que un satélite per- está distribuida uniformemente en [0. ¿Cuál es la probabili. calcule la confiabilidad. El tiempo (en años) que un satélite permanece en Gas menos de 20 C1 el espacio es una variable aleatoria exponencial T . Si una compañía emplea n vendedores. un año dado cualquiera habrá menos del 10 % de nente. mo una variable aleatoria que tiene una distribución . como una variable aleatoria que tiene la distribución des de las componentes. Los componentes electrónicos declaraciones erróneas? tiene un tiempo de falla exponencial con θA = 200 10. manezca en el espacio más de 4 años? 3. Producto destilación (C◦ ) por galón ($) 6. el consumo diario de energía eléc- dientemente. En como una variable aleatoria que tiene una distribu- √ este sistema las componentes están conectadas de ción gamma con α = 80 n y β = 2. denotémosla R(t).m. de esta ciudad tiene una capacidad diaria de 12 mi- nentes (en horas). a) Calcule e interprete P(X ≤ 4) y P(2 ≤ X ≤ 2. ¿cuál es la probabilidad de rias con distribuciones exponencial con media que esta oferta de energía sea inadecuada cualquier igual a 100. Si la planta generadora b) Supongamos que la duración de los compo. Si la proporción anual de declaraciones erróneas de 4. uno permanezca en el espacio más de 4 años? 7. En cierta ciudad. listado en la siguiente tabla: b) Calcule la probabilidad de que el tiempo entre dos llegadas sucesivas esté a menos de una Temperatura de Precio de venta desviación estándar el promedio. determine la confiabilidad del trica en millones de kilowatt-hora se puede tratar sistema. 4. ¿cuál es la probabilidad de que en y del proceso B es kc dólares por unidad de compo. 9. Si la proporción anual de nuevos restaurantes que para los fabricados por el proceso A y θB = 300 pa. paga- invierte en ir de su casa a la estación del tren es un rá una multa de M dólares. Ether 20 − 60 C2 cuya función de distribución acumulada está dada Ligroin 60 − 100 C3 por: Suponga que C dólares es el costo de producir un F(t) = 1 − e−t/2 . ¿cuántos todas las componentes dejan de funcionar. en función de las confiabilida. rentes productos. que cierta persona si una componente dure menos de 400 horas.11 Ejercicios 37 4.8. donde k > 1. sus ven- en donde T es la duración del componente (o siste. a las 7 : 05 a. 100]. 5). si sale de su casa exactamente bución exponencial con θ = 1/4. vendedores debe emplear la compañía para maxi- a) Suponiendo que el sistema en paralelo tiene mizar la utilidad esperada? 2 componentes los cuales funcionan indepen. El petróleo es separado por destilación en tres dife. Calcule manezca en el espacio entre uno y tres años.11 Ejercicios 1. Si X tiene una distri- 7 : 28 a. EL tiempo medio en minutos. t > 0. de manera que. T1 y T2 son variables aleato. La confiabilidad de un componente (o sistema) en c) Si son lanzados 3 satélites simultáneamente. tas brutas en miles de dólares se puede considerar ma). Un tipo especial de sistema es en paralelo. Sea X el tiempo entre dos llegadas sucesivas en la dad que alcance el tren que sale de la estación a las ventanilla de un banco local. fracasan en una ciudad dada se puede considerar co- ra B. el beneficio neto esperado (por galón) para cada b) ¿Cuál es la probabilidad que un satélite per- producto. en punto. El fabricante debe garantizar. gamma con α = 2 y β = 2. Suponga que un fabricante tenga que decidir entre impuestos sometidas al SII se puede considerar una dos procesos de fabricación de cierto componente variable aleatoria que tiene distribución beta con electrónico. R(t). 5. Si el costo tal manera que el sistema deja de funcionar sólo si de ventas es $8 000 dólares por vendedor. está definida como: ¿cuál es la probabilidad de que por lo menos R(t) = P(T > t).

llamamos al técnico después de que la máquina ha a) Calcule la probabilidad que una piedra extraí. y desviación estándar de 48 hrs. Se sa- falla independientes. puede esperar que fracasen en la ciudad dada.38 Capítulo 4. 15. mos además que. donde el diámetro de las piedras tiene una técnico vendrá a inspeccionarla. primeras 700 horas de alumbrado? es decir. do? Determine la probabilidad de que el técnico c) ¿Después de cuántas horas de alumbrado llegue tarde más de 12 veces. la máquina ya ha dejado de funcio- b) ¿Qué número de lámparas estima usted que nar. ¿cuál es la probabilidad sen en la ciudad dada en un año cualquiera. golpear con un punto acerado la superficie del metal Las especificaciones exigen que X esté entre 30 y y después se mide la profundidad de penetración 35 por ciento. encuentre: ta aleación está normalmente distribuida con media a) la media de esta distribución. se ocasiona un costo de a estándar de 5 cm. La dureza Rockwell de un metal se determina al porcentaje (digamos X) de un compuesto particular. b) Si se extrajeron 10 piedras. En una cierta ciudad se decide instalar 2 000 lámpa. en el combustible (por galón) que es la siguiente . Un combustible para cohetes va a contener cierto 14. 80 + c). media µ = 1 000 horas y una desviación estándar b) Suponga que el técnico es llamado en un tiem- σ = 200 horas. mente tenga una dureza aceptable? nentes de un mismo tipo. Encuentre el valor de k para que la pro. y desviación nico antes de que falle. Si diámetro se encuentra entre 15 y 30 cm. considerando que el tiempo hasta que el ras eléctricas en sus calles. po de t = 816 hrs. funcionamiento de la máquina. calcule la proba- bilidad de que 8 o más piedras sean útiles. Si llamamos al téc- distribución normal con media 22 cm. c) Si se seleccionan aleatoriamente especímenes a) Calcule la probabilidad que una componente para examinar hasta encontrar 3 con una du- cualquiera dure más de 110 horas. fallado. ¿para qué valor de c tendría una tas componentes sigue una distribución normal con dureza aceptable el 98 % de todos los especí- media igual a 100 horas y desviación estándar de menes? 20 horas. Un sistema cuenta con un gran número de compo. Suponga que la dureza Rockwell de cier. a) Determine una expresión para el costo espe- 13. rado. Si la vida útil de estas técnico es llamado a inspeccionar la máquina lámparas obedece a una distribución normal con es de t horas. Suponga que el tiempo b) Si la escala aceptable de dureza es (80 − de falla T (medido en horas) de cualquiera de es. c. Sea X la variable aleatoria que mide el tiempo de c) Considere 10 componentes con tiempos de funcionamiento en horas de cierta máquina. Suponga- 90 horas. fallarán entre 900 y 1 300 horas de alumbra. se ocasiona un costo de b dólares por el no da de este terreno sea útil. za está entre 75 y 85. b) la probabilidad de que al menos 25 % por a) Si un espécimen es aceptable sólo si su dure- ciento de todos los nuevos restaurantes fraca. ¿cuál cualquier componente que dure menos de k es la probabilidad de tener que examinar 5 horas. reza aceptable (considere que la escala de du- b) Se desea dar una garantía de reemplazo para reza aceptable es como en el ítem (a)). Calcule la probabilidad be que X se distribuye normalmente con media de de que más de un componente dure menos de 720 hrs. 80 y desviación estándar de 5 (la dureza Rockwell porción anual de nuevos restaurantes que se se mide en una escala continua). la pro. en el momento que la máquina 12. esto es. c) Se observa este proceso durante 15 períodos. Las piedras sólo son útiles si su dólares por haber desperdiciado una inspección. El fabricante tendrá una utilidad neta del punto. especímenes? babilidad de que se haga efectiva la garantía sea sólo de un 1 %. Una constructora usa piedras extraídas de cierto comienza a funcionar debemos decidir cuando un terreno. Calcule la probabilidad de a) ¿Cuál es el número estimado de bajas en las que el inspector llegue tarde a la inspección. aproximadamente el 10 % de las lámparas de- ja de funcionar? 16. Distribuciones continuas beta con a = 1 y b = 4. de que un espécimen seleccionado aleatoria- 11.

reemplazo. y desviación estándar de 0. minado que aquellas baterías con vida inferior b) El porcentaje que estará fuera de los límites a 2. de longitud especificados. en cinco puntos de la puntuación que marca 0. X > 95. Si X ≤ 95.4. Si X tiene distribución N(33. 67 años tendrán derecho a la garantía de especificados de diámetro.58 cm. De 5 clientes cual es la probabi. en otro caso. si 25 < X < 30. Suponiendo que la duración y sus diámetros entre 1. y desviación es- Encuentre el valor de k para que la probabi.10 .65 ción entre 2.65 cm.45 y 8. estándar de 0.5 años. no más de dos hagan uso de la 20. Determine los siguientes datos lidad de que se haga efectiva la garantía.  que obtuvieron las puntuaciones más bajas). Los tornillos de las baterías tiene distribución normal. si estándar de 36. que siguen una distribución normal con media 8. sea para tornillos que fabrica esta máquina: sólo en un 25 % casos. a) El porcentaje que estará fuera de los límites c) El departamento de control de calidad a deter.  la frontera entre “apto” y “no apto” (son de- T (X) =   0.10 . si 35 < X < 40. lidad. tándar 0.05 . producidos por cierta máquina tienen longitudes a) ¿Qué porcentaje de baterías tiene una dura. ¿cuál es la probabilidad de que al menos dos tengan una puntuación inferior a 65? 17. un objetivo diferente y se obtiene una utilidad de na que se presenta al examen obtenga una $10 por alambre. El departamento de control de calidad de una fabri. Encuentre la utilidad esperada por calificación superior a 72? alambre. Suponga que X es la resistencia a la ruptura de una garantía. si 30 ≤ X ≤ 35. cuerda (en libras) tiene distribución normal con me- 18. de acero de sección transversal circular requiere que medio de éstas es de tres años con una desviación sus longitudes se encuentren entre 8. independiente con media 1. Cada 100 pies de alambre una distribución normal con media 78 y desviación para cuerda produce una utilidad de $25 dólares. a determinado que la duración pro.55 y 1.001 cm. 9).05 . de que.05 cm.11 Ejercicios 39 función de X: b) Calcular la proporción de estudiantes que tie-  nen puntuaciones que exceden por lo menos   0. . La especificación con la que se fabrican los tornillos ca de baterías. c) De cinco estudiantes seleccionados al azar. Se supone que los resultados de un examen siguen dia 100 y varianza 16. la cuerda puede utilizarse con a) ¿Cuál es la probabilidad de que una perso. 5 y 4 años? cm.19. calcule E[T ]. y diáme- b) Se desea dar una garantía de reemplazo para tros que siguen también una distribución normal cualquier batería que dure menos de k años.60 cm. clarados “no aptos” el 25 % de los estudiantes −0. c) El porcentaje que no cubra la especificación.

.

53 7.3 Ejercicios . . . . . .2 Estimación de la diferencia entre dos medias 6.2 Pruebas sobre la media 7. . .5 Estimación de la varianza 6.6 Estimación de la proporción de varianzas 6. . . . 47 6. . . . .3 Estimación de la proporción 6.7 Ejercicios 7 Pruebas de hipótesis .2 Métodos de estimación puntual 5. .1 Conceptos generales 5.4 Estimación de la diferencia de dos proporciones 6. . .3 Ejercicios 6 Estimación por intervalos . .1 Estimación de la media 6. . . . . . . . .1 Conceptos generales 7.II Estadística 5 Estimación puntual . . 43 5. . . .

.

Si θ̂ no es insesgado. Si el error estándar implica parámetros desconocidos cuyos valores pueden ser estimados.1 Conceptos generales Definición 5.3 — Principio de estimación insesgada. Estimación puntual 5.4 — Principio de estimación insesgada con varianza mínima.1.2 Se dice que un estimador puntual θ̂ es un estimador insesgado de θ si E[θ̂ ] = θ con todo valor posible de θ .1.1. .5 El error estándar de un estimador θ̂ es su desviación estándar σθ̂ = V(θ̂ ). Definición 5. 5. q Definición 5.1. El error estándar estimado puede ser denotado o por σ̂θ̂ . Definición 5.1.1 Una estimación puntual de un parámetro θ es un número único que puede ser con- siderado como un valor sensible de θ . Cuando se elige entre varios estimadores diferentes de θ . la sustitución de estas estimaciones en σθ̂ da el error estándar estimado (desviación estándar estimada) del estimador. se elige uno insesgado. Definición 5. El estadístico seleccionado se llama estimador puntual de θ . Se obtiene una estimación puntual seleccionando un estadístico apropiado y calculando su valor con los datos muestrales datos. se selecciona el de varianza mínima. la diferencia E[θ̂ ] − θ se conoce como el sesgo de θ̂ . Entre todos los estimadores de θ insesgados. El θ̂ resultante se llama estimador insesgado con varianza mínima (EIVM) de θ .

. Entonces. . con fun. θ̂2 . Considere una muestra aleatoria X1 . 3. . θm ). . . . θ2 . . los estimadores de momento θ̂1 . . . . Xn son una muestra aleatoria de una distri- bución con función de masa de probabilidad o función de densidad de probabilidad f (x. Entonces. θm ). . . . θ1 . θ2 . . x 2. . . θ2 .2 — Método de momentos. Encuentre un estimador para el parámetro λ usan- 5. Xn . θ2 . . 0 < x < 1. con fun- con x = 0. ción de densidad de probabilidad dada por: es decir. . θm son parámetros cuyos valores son desconocidos. θ̂m ) ≥ L(θ1 . θ2 . θ − <x<θ+ . θ2 . . . . Considere una muestra aleatoria X1 . Γ(a + b) a−1 f (x. . 0 < x < 1. . el estimador de máxima verosimilitud de cualquier función h(θ1 . θ̂2 . Xn son una muestra aleatoria de una distribución con función de masa de probabilidad o función de densidad de probabilidad f (x. . 2. de modo que L(θ̂1 . . θ̂m son aquellos valores de las θi que incrementan al máximo la función de verosimilitud. . . . . donde θ1 . . . . . es E[X k ]. . θ2 . . X2 . .4 — Principio de invarianza. θ̂2 . Definición 5. . . . Utilice el método de momentos para hallar los estimadores de p y r. x > 0. .3 — Método de máxima verosimilitud. θ2 . el k-ésimo momento de la población o el k-ésimo momento de la distribución f (x). θ̂2 . . con fun- do: a) El método de momentos. 2. . . . θ2 . Xn constituyen una muestra aleatoria proveniente de una función de masa de probabilidad o de una función de densidad de probabilidad f (x). . Definición 5. Considere una muestra aleatoria X1 . Cuando x1 . θ ) = 1. p) = p (1 − p)x . . X2 . . . θm ) = ∏ f (xi . .2. θm . . X tiene distribución binomial-negativa de f (x. . . . θm ). λ > 0. θm ) de estos parámetros es la función h(θ̂1 . b) = x (1 − x)b−1 . . r. Encuentre el EMV de θ . θ1 .2. . Definición 5. . . i=1 Las estimaciones de máxima verosimilitud (EMV) θ̂1 . a. θm . θ̂m ) de los estimadores de máxima verosimilitud. ción de densidad de probabilidad dada por: Γ(a)Γ(b) f (x. . . . θ̂m los estimadores de máxima verosi- militud de los parámetros θ1 . . . . . 2. . Xn . . Encuentre el EMV de θ . . . . 2 2   r+x−1 r f (x. . . .2. θm son parámetros cuyos valores son desconocidos. Considere una muestra aleatoria X1 . con fun- 1 1 ción de masa de probabilidad dada por: f (x. θ > 0. donde a > 0 y b > 0. . θ1 . . . . . θ2 . . θ ) = θ (1 − x)θ −1 . es decir. . . . θ2 .3 Ejercicios 1. x2 . . . Estimación puntual 5. se define la función de verosimilitud n L(θ1 . . θ̂m se obtienen igualando los primeros m momentos muestrales con los primeros m momentos de la población correspondientes y resolviendo para θ1 . θm ). . . . b) El método de ción de densidad de probabilidad dada por: máxima verosimilitud.2. Xn . . .1 Si X1 . . . . . . con todos los θ1 . Con k = 1. . con fun. . . . parámetros p y r. Xn . . Si X1 . . ción de densidad de probabilidad dada por: 4.2 Métodos de estimación puntual Definición 5. 44 Capítulo 5. . θ̂2 . X tiene distribución . El k-ésimo momento muestral es (1/n) ∑ni=1 Xik . Considere una muestra aleatoria X1 . . . . X2 . 3. 5. . . . Si X1 . donde θ1 . . Sea θ̂1 . . Xn . λ ) = λ 2 xe−λ x . . 1. xn son los valores muestrales observados. θm . y donde 0 < p < 1 y r = 1.

λ > 0. Considere una muestra aleatoria X1 . x > 0. α. . . 1 x f (x.3 Ejercicios 45 beta de parámetros a y b.73.5. . Considere una muestra aleatoria X1 . . θ mentos y máxima verosimilitud para obtener el esti- mador de θ y calcule el estimador correspondiente Estudie el sesgo del EMV de θ . f (x. t > α > 0. 0 ≤ x ≤ θ . . θ Estudie el sesgo del EMV de θ . σ 2 ) = √ e 2σ 2 . . . θ > 0. σ 2. Sea X la proporción de tiempo asignado que un ción de densidad de probabilidad dada por: estudiante seleccionado al azar utiliza trabajando 1 − 1 (log x−µ)2 en una determinada prueba de aptitud. de la variable aleatoria X con función de densidad 6. 10. . estimador (θ̂1 ó θ̂2 ) es preferible considerar? 7. β ) = β e−β (t−α) . x10 = 0. x2 = 0. rámetro θ : trónico. α) = −x + α + 2 . . Xn una muestra aleatoria de tamaño n mentos para hallar los estimadores de a y b. 0 ≤ x ≤ 1. de probabilidad dada por: ción de densidad de probabilidad dada por: 1 2 f (x. res para θ : (i) θ̂1 = 2X̄ − 5. Xn . . ción de densidad de probabilidad dada por: x4 = 0. x − 2x 5 − θ f (x. . θ ) = 2 . . Sea X1 . con fun- ción de densidad de probabilidad por: Se proponen los siguientes estimadores para el pa- rámetro α: f (x. Calcule e interprete el sesgo en ambos casos. Xn con fun. . con fun- ción de densidad de probabilidad dada por: ción de densidad dada por: θ f (x. representa el Se proponen los siguientes estimadores para el pa- tiempo de falla (en horas) de un instrumento elec. . . Xn . Considere una muestra aleatoria X1 .92. x5 = 0. x9 = 0. . Además. ¿Cuál b) Calcule el sesgo del estimador de θ .77. que la función de densidad de probabilidad de X es: x 2πσ 2 donde µ ∈ R y σ 2 > 0. 15. y α̂2 = ∑ (Xi − 1).47. Utilice el método de mo. 11. x > 0. . . .97. . Use el método de mo- f (x. Supongamos f (x. Considere una muestra aleatoria X1 . . x ≥ 0. x7 = 0. Suponga que la variables aleatoria T .65. . y θ̂ 2 = ∑ Xi 2n i=1 n i=1 f (t. con fun- es decir. θ ) = 2 xe−x/θ . en otro caso. . x > θ > 0. . θ ) = (θ + 1)xθ . θ ) = .13. Considere una muestra aleatoria X1 . x > 0. θ donde θ > 0.12. x6 = 0. Xn con fun- produce los datos x1 = 0. 9.94. Calcule e interprete el sesgo en ambos casos. .86. Considere una muestra aleatoria X1 . . . que tiene la siguiente función de densidad 1 n 1 n de probabilidad: θ̂ 1 = ∑ Xi . con los datos dados. . Xn con fun.79. n i=1 n i=1 go y el error cuadrático medio para el estimador encontrado. θ ) = .  falla t1 . . calcule el ses. Suponga además que se prueban n artículos y que se registra los tiempos de  x−α . θ ) = 2 e 2θ . Xn con fun- 14. . Encuentre los EMV de µ y f (x. . x3 = 0. 1 n 1 n Encuentre el EMV de λ . Una muestra de diez estudiantes 8. Se proponen los siguientes estimado- a) Encuentre el EMV de θ . . Considere una muestra aleatoria X1 . µ. . α̂1 = ∑ Xi . Encuentre los estimadores de máxi. si α < x < α + 1. . ma verosimilitud de α y β . . x8 = 1 0. si α + 1 ≤ x < α + 2. Xn . θ > 0. . T tiene una distribución exponencial trun- ción de densidad dada por: cada a la izquierda en α. donde −1 < θ . y (ii) θ̂2 = X(1) .90.tn . . θ < x < 5.  0 . λ ) = λ 2 xe−λ x .

.

4 — Intervalo de predicción cuando se conoce σ 2 . ` Definición 6. Definición 6. con T ∼ tn−1 . Si x̄ y s son la media y la desviación estándar de una muestra aleatoria de una población normal de la que se desconoce su varianza σ 2 . un intervalo de confianza del 100(1 − α) % para µ es s s x̄ − tn−1. podemos tener 100(1 − α) % de confianza en que el error no excederá a zα/2 √σn .1. lo que da un intervalo de confianza de 100(1 − α) % para µ es σ σ x̄ − zα/2 √ < µ < x̄ + zα/2 √ .α/2 √ < µ < x̄ + tn−1.α/2 √ . Definición 6. Si x̄ es la media de una muestra aleatoria de tamaño n de una población de la que se conoce su varianza σ 2 . un intervalo de predicción del .1 Si utilizamos x̄ como una estimación de µ.1. los límites de confianza unilaterales del 100(1 −√ α) % para µ son dados por Límite unilateral superior: x̄ + zα σ /√n.1 — Intervalo de confianza de µ cuando se conoce σ 2 . Para una distribución normal de mediciones con media µ desconocida y varianza σ 2 conocida.1. Si x̄ es la media de una muestra aleatoria de tamaño n a partir de una población con varianza σ 2 .1 Estimación de la media Definición 6. 6.2 Si usamos x̄ como una estimación de µ. 1).2 — Límites de confianza unilaterales de µ cuando se conoce el valor de σ 2 .1. Teorema 6. Límite unilateral inferior: x̄ − zα σ / n.α/2 ) = α/2. n n donde tn−1.1. con Z ∼ N(0.α/2 es tal que P(T > tn−1. n n donde zα/2 es tal que P(Z > zα/2 ) = α/2. Teorema 6.3 — Intervalo de confianza de µ cuando se desconoce σ 2 .1. Estimación por intervalos 6. podemos tener 100(1 − α) % de confianza en que el error no excederá a una cantidad específica ` cuando el tamaño de la muestra sea 2 zα/2 σ  n= .

2 — Estimado agrupado de la varianza.2. Estimación por intervalos 100(1 − α) % de una observación futura x0 es r r 1 1 x̄ − zα/2 σ 1 + < x0 < x̄ + zα/2 σ 1 + . Definición 6.α/2 s p + < µ1 − µ2 < (x̄1 − x̄2 ) + tn1 +n2 −2. 1).α/2 ) = α/2. con T ∼ tn−1 .α/2 s p + .1 — Intervalo de confianza para µ1 − µ2 cuando se conocen σ12 y σ22 . n n donde zα/2 es tal que P(Z > zα/2 ) = α/2. Si x̄1 y s21 y x̄2 y s22 son las medias y varianzas de muestras aleatorias independientes de tamaños n1 y n2 . (n1 − 1)S12 + (n2 − 1)S22 S2p = .3 — Intervalo de confianza para µ1 − µ2 cuando se desconocen σ12 = σ22 . n1 n2 n1 n2 donde s p es la estimación agrupada de la desviación estándar de la población y tn1 +n2 −2. con T ∼ tn1 +n2 −2 . respectivamente.1.α/2 s 1 + . con Z ∼ N(0.α/2 s 1 + < x0 < x̄ + tn−1. Definición 6. con Z ∼ N(0.α/2 es tal que P(T > tn−1. n1 n2 n1 n2 donde zα/2 es tal que P(Z > zα/2 ) = α/2. 1).4 — Intervalo de confianza para µ1 − µ2 cuando se desconocen σ12 6= σ22 . Definición 6. Para una distribución normal de mediciones con media µ y la varianza σ 2 se desconocen. n1 + n2 − 2 Definición 6. tomadas de poblaciones aproximadamente normales con varianzas desconocidas y .2. un intervalo de confianza del 100(1 − α) % para µ1 − µ2 es dada por s s 2 σ1 σ2 2 σ12 σ22 (x̄1 − x̄2 ) − zα/2 + < µ1 − µ2 < (x̄1 − x̄2 ) + zα/2 + . Si x̄1 y x̄2 son las medias de muestras aleatorias independientes de tamaño n1 y n2 .2. respectivamente. tomadas de poblaciones más o menos normales con varianzas iguales pero desconocidas. 6.5 — Intervalo de predicción cuando se desconoce σ 2 . 48 Capítulo 6. un intervalo de confianza del 100(1 − α) % para µ1 − µ2 es dado por r r 1 1 1 1 (x̄1 − x̄2 ) − tn1 +n2 −2.2 Estimación de la diferencia entre dos medias Definición 6. respectivamente.α/2 ) = α/2. n n donde tn−1. de poblaciones que tienen varianzas conocidas σ12 y σ22 .α/2 es tal que P(T > tn1 +n2 −2. Si x̄1 y x̄2 son las medias de muestras aleatorias independientes de tamaño n1 y n2 . un intervalo de predicción del 100(1 − α) % de una observación futura x0 es r r 1 1 x̄ − tn−1.2.

respectivamente.1 Si p̂ se utiliza un estimado de p. un intervalo de confianza del 100(1 − α) % para µd = µ1 − µ2 es sd sd d¯ − tn−1.3 Estimación de la proporción 49 diferentes.1 — Intervalo de confianza para p1 − p2 . con T ∼ tn−1 . n n donde tn−1. `2 6. Si p̂ es la proporción de éxitos en una muestra aleatoria de tamaño n. un intervalo de confianza aproximado del 100(1 − α) % para el parámetro p se obtiene por medio de r r p̂(1 − p̂) p̂(1 − p̂) p̂ − zα/2 < p < p̂ + zα/2 . 1). con T ∼ tν y (s21 /n1 + s22 /n2 )2 ν= . n n donde zα/2 es tal que P(Z > zα/2 ) = α/2. un intervalo de confianza aproximado del 100(1 − α) % para µ1 − µ2 es dado por s s 2 2 s1 s2 s21 s22 (x̄1 − x̄2 ) − tν. n1 n2 n1 n2 donde tν. de las diferencias distribuidas normalmente de n pares aleatorios de mediciones.α/2 es tal que P(T > tν.α/2 ) = α/2.4 Estimación de la diferencia de dos proporciones Definición 6. podemos tener un 100(1 − α) % de confianza en que el error será menos que una cantidad específica ` cuando el tamaño de la muestra sea aproximadamente z2α/2 p̂(1 − p̂) n= .α/2 + .2. Si p̂1 y p̂2 son las proporciones de éxitos en muestras aleatorias de tamaños n1 y n2 . 6.1 — Intervalo de confianza para p.α/2 es tal que P(T > tn−1. con Z ∼ N(0. 1). un intervalo de confianza aproximado del 100(1 − α) % para la diferencia p1 − p2 es dado por s s p̂1 (1 − p̂1 ) p̂2 (1 − p̂2 ) p̂1 (1 − p̂1 ) p̂2 (1 − p̂2 ) ( p̂1 − p̂2 )−zα/2 + < p1 − p2 < ( p̂1 − p̂2 )+zα/2 + n1 n2 n1 n2 donde zα/2 es tal que P(Z > zα/2 ) = α/2. con Z ∼ N(0.3 Estimación de la proporción Definición 6. respectivamente. Si d¯ y sd son la media y la desviación estándar.4.3.3. . (s21 /n1 )2 (s22 /n2 )2 n1 −1 + n2 −1 Definición 6.5 — Intervalo de confianza para observaciones pareadas. Teorema 6.α/2 √ .α/2 √ < µd < d¯ + tn−1.α/2 + < µ1 − µ2 < (x̄1 − x̄2 ) + tν. 6.α/2 ) = α/2.

1−α/2 2 son tal que P(χ > χn−1. Si una muestra de 30 lámpa. eléctricas producidas por esta empresa.n2 −1 . tomadas de poblaciones normales.5. con F ∼ Fn2 −1.α/2 2 y χn−1.6 Estimación de la proporción de varianzas Definición 6.9 centí.5 centímetros? para tener un 95 % de confianza en que esta media 3. Una empresa de material eléctrico fabrica lámparas con una desviación estándar de 3 900 kilómetros.n2 −1. un intervalo de confianza del 100(1 − α) % para σ 2 es (n − 1)s2 2 (n − 1)s2 2 < σ < 2 .α/2 σ22 s22 2 donde fn1 −1. Si s2 es la varianza de una muestra aleatoria de tamaño n de una población normal.7 Ejercicios 1. ¿Qué tan grande debe ser la muestra en el ejercicio para la estatura media de todos los estudiantes (1) si deseamos tener un 96 % de confianza en que universitarios.1−α/2 ) = 1 − α/2. con F ∼ Fn1 −1. Una muestra aleatoria de 100 propietarios de auto. b) ¿Qué podemos afirmar con un 99 % de con- 2.α/2 ) = α/2. entonces un intervalo de confianza del 100(1 − α) % para σ12 /σ22 es s21 1 σ12 s21 < < fn −1. 6. Las estaturas de una muestra aleatoria de 50 estu. s22 fn1 −1.1−α/2 2 donde χn−1. en promedio.n1 −1. les conducen un promedio de 23 500 kilóme- metros. Estimación por intervalos 6. χn−1. nuestra media muestral estará dentro de 10 horas a b) ¿Qué podemos afirmar con una confianza partir de la media verdadera? del 98 % acerca del posible tamaño de nues. con una desviación aproximadamente normal. respectivamente. a) Construya un intervalo de confianza del 99 % ras eléctricas tiene una duración promedio de 780 para el número promedio de kilómetros que horas.1 — Intervalo de confianza para σ12 /σ22 . muestral estará dentro de 15 segundos de la media móviles de la región revela que éstos conducen su verdadera? Suponga que por estudios previos se automóvil.α/2 es tal que P(F > fn2 −1.5 Estimación de la varianza Definición 6.α/2 χn−1.n2 −1.α/2 ) = α/2.1 — Intervalo de confianza para σ 2 .n2 −1. tros por año? a) Construya un intervalo de confianza del 98 % 4.α/2 2 ) = α/2 y P(χ > χn−1. si estimamos que la estatura media promedio que toma perforar tres hoyos en cierta pla- de todos los estudiantes universitarios es de ca metálica.α/2 es tal que P(F > fn1 −1. Un experto en eficiencia desea determinar el tiempo tro error.5 estimamos que los propietarios de automóvi- centímetros y una desviación estándar de 6. eléctricas que tienen una duración distribuida de for.α/2 . 50 Capítulo 6.n1 −1 .6. sabe que σ = 40 segundos. Si s21 y s22 son las varianzas de muestras independientes de tamaño n1 y n2 . 5. y fn2 −1. si diantes universitarios tienen una media de 174. Suponga que la distribución de las mediciones es ma aproximadamente normal.n1 −1. estándar de 40 horas. fianza acerca del posible tamaño del error. con 2 . calcule un intervalo de confianza del 96 % un propietario de un automóvil conduce para la media de la población de todas las lámparas anualmente en la región. ¿De que tamaño debe ser una muestra 174.n1 −1. . χ ∼ χn−1 6. 23 500 kilómetros por año.

0.0 5. en tanto que para la segunda muestra. Se comparan las resistencias de dos clases de hilo. sA = 5 000 kilómetros 10.01 y 1. el tiempo de secado. Con referencia al ejercicio anterior. supo- Suponga que las mediciones representan una mues. fianza del 95 % para la diferencias de las medias de 14. Calcule un intervalo de confianza del 98 % una muestra aleatoria de 12.8 3.9 milíme- well en la cabeza de alfileres para costuras se toma tros.04. Calcule un intervalo de confianza del 94 % para Marca A: x̄A = 36 300 kilómetros µ1 − µ2 .01. Una segunda dos marcas realiza un experimento utilizando 12 muestra aleatoria de tamaño n2 = 36. en tanto que Calcule un intervalo de confianza del 95 % para la marca B tiene una resistencia a la tensión prome.2 3.97. 1. somete al tratamiento.8 Calcule un intervalo de confianza del 90 % para la 4.7 2. de 10 lotes utilizando el catalizador 2.3 kilogramos.6 kilogramos.1 milímetros de metal. Se realiza un estudio para determinar si cierto tra.03 centímetros. Construya un intervalo de con. con una desviación estándar muestral de 5. Marca B: x̄B = 38 100 kilómetros Se prueban 50 piezas de cada clase de hilo en condi- sB = 6 100 kilómetros ciones similares.98.2 milímetros de metal 0. la reacción del proceso. Una empresa de taxis trata de decidir si compraría 9. Su.8 diferencia entre las medias de la población. flotilla de taxis.7 Ejercicios 51 6. En un proceso químico por lotes se comparan los ponga que las mediciones se distribuyen de forma efectos de dos catalizadores sobre la potencia de normal y con base en esto construya un interva. de cierta marca de pintura viní. Suponga una distribución aproximadamente mersión en el baño. el promedio fue 3. tiene una media x̄2 = 75. los cuales utiliza hasta de una población normal diferente con una des. registran las siguientes distancias.50.03. eliminación promedio de 9.99. no suponer que las varianzas son iguales.6 de 81. calcule un in- la población. Una máquina produce piezas metálicas de forma Una muestra aleatoria de 100 piezas se sumerge cilíndrica.8 2. 1. con una desviación estándar muestral 0. Los resultados son: viación estándar σ2 = 3.5. Una muestra aleatoria de tamaño n1 = 25. µA − µB .99. Para estimar la diferencia entre las dar σ1 = 5. asignan al azar neumáticos de las dos marcas a las tamiento tiene algún efecto sobre la cantidad de ruedas traseras izquierda y derecha de 8 taxis y se metal que se elimina en una operación de encurtido. Se toma una muestra de las piezas y los en un baño por 24 horas sin el tratamiento. que se desgastan. Se prepara una muestra de lo de confianza de 90 % para la dureza media de 12 lotes utilizando el catalizador 1 y una muestra Rockwell. 13. lo que da como resultado una normal. ¿El tratamiento parece reducir la cantidad cabezas y se obtiene un valor promedio de 48. niendo que las poblaciones se distribuyen de forma tra aleatoria de una población normal y con base en aproximadamente normal y que tienen varianzas esto calcule el intervalo de confianza del 95 % para iguales. La marca A tiene una resistencia a la tensión promedio de 78. Se registran las siguientes mediciones del tiempo para los que se utilizó el catalizador 1 en la reacción de secado.0 4. la de 10 lotes. lo que diámetros son: 1.4 4.1 de confianza del 99 % para la media del diámetro milímetros. tomada neumáticos de la marca A o de la marca B para su de una población normal con una desviación están.6 3.12. con una desviación estándar de 5.6. Puede de 6. suponiendo que las poblaciones se distri- dio de 87. produce un promedio de 12. Se toman mediciones para la diferencia entre las medias de las pobla- de la dureza de Rockwell para cada una de las 12 ciones. tervalo de confianza del 99 % para µA − µB si se 11. 1. 0. 2.2 kilogramos con una desviación estándar buyen de forma aproximadamente normal.3 5. que se toma neumáticos de cada marca. media del metal eliminado? con una desviación estándar muestral de 1. tiene una media x̄1 = 80. en kilómetros: .4 2. 7. dieron un rendimiento promedio de 85 con una des- lica: viación estándar muestral de 4. en horas. Los 12 lotes 8. 0. Calcule un intervalo eliminados y una desviación estándar muestral 1.9 3. En un estudio para determinar la dureza de Rock. Una segunda muestra de 200 piezas se de las piezas que se manufacturan con esta má. seguido de 24 horas de in- quina.5 4.3 kilogramos.

. 3. Los datos son los siguientes: un intervalo de confianza del 90 % para la propor. ¿Hay diferencia significativa? 83 100 83 400 18. que el pulido aumenta el límite medio de resistencia valo de confianza del 99 % para la proporción de a la fatiga (para la flexión inversa).2 años y los dos métodos. Desde un punto viviendas es esta ciudad que utilizan diesel con el de vista práctico. 4.4. 15 no pasan una o más de las pruebas. el cual se sabe. después decida si la afirmación 1 34 400 36 700 del fabricante de que σ 2 = 1 es válida.4 % la venta. que es de 4 000 psi. En 2010 se realizó una encuesta similar con 89 400 81 700 760 estudiantes y 240 de ellos también eligieron a 84 000 79 500 ese equipo como su favorito. Se reali- deben pasar todas las pruebas antes de ser puestos a za un experimento sobre acero al carbono al 0. Estimación por intervalos Taxi Marca A Marca B za del 95 % para σ 2 . Una teoría indica combustible para la calefacción. distribuyen de forma aproximadamente normal. Un fabricante de baterías para automóvil afirma que sus baterías durarán. Una muestra aleatoria de 20 estudiantes obtuvo una 5 48 400 47 800 media de x̄ = 72 y una varianza de s2 = 16 en un 6 32 800 36 400 examen universitario. en promedio. Se llevó a cabo un experimento para determinar si 15. En una muestra aleatoria de 1 000 viviendas en cier.9. 20.52 Capítulo 6. Límite de fatiga (psi) ción de los smartphone de la población que pasan Acero Acero al carbono todas las pruebas. a partir de la pruebas exhaustivas para evaluar el funcionamiento realización de diversos experimentos de límite de electrónico de su producto. el acabado superficial tiene un efecto en el límite de ta ciudad se encuentra que 228 utilizan diesel como resistencia a la fatiga del acero. distribuyen de forma aproximadamente normal. Suponga que las poblaciones se con base en esto construya un intervalo de confian. usando especímenes sin pulido y especímenes con ne. Suponga que 2 45 500 46 800 las duraciones de las baterías se distribuye de forma 3 36 700 37 700 aproximadamente normal. 3. 78 700 69 800 porción de estudiantes que favorecen al equipo A 87 500 79 900 en las dos encuestas. Calcule pulido suave. De una muestra aleatoria de 500 smartpho. al carbono al 0. Suponga que 5 de estas baterías diferencia entre las medias de la población para tienen duraciones de 1. 3 años con una Calcule un intervalo de confianza del 95 % para la varianza de 1 año.4 % al 0. Calcule un intervalo 89 900 79 400 de confianza de 95 % para la diferencia entre la pro. 2. alguno sobre la desviación estándar del límite de 16. Todos los smartphone resistencia a la fatiga. Suponga que las calificacio- 7 38 100 38 900 nes se distribuyen normalmente y con base en esto 8 30 100 31 500 construya un intervalo de confianza del 98 % para Suponga que las diferencias de las distancias se σ 2. Una encuesta de 1 000 estudiantes reveló que 274 85 500 82 600 eligen al equipo de fútbol A como su equipo favo. el pulido no debería tener efecto fin mencionado.5. Calcule un inter. Un fabricante de smartphone utiliza un conjunto de resistencia a la fatiga.0.4 % sin pulir 17. 4 32 000 31 100 19. 91 900 82 400 rito.

3 Un procedimiento de prueba se especifica como sigue: 1. Definición 7. Un error de tipo II implica no rechazar H0 cuando H0 es falsa. Pruebas de hipótesis 7.4 Un error de tipo I consiste en rechazar la hipótesis nula cuando es verdadera. Un estadístico de prueba.1 Conceptos generales Definición 7. es la aseveración contradictoria a H0 . Proposición 7. 2. Si la muestra no contradice fuertemente a H0 . Definición 7. el conjunto de todos los valores estadísticos de prueba por los cuales H0 será rechazada. Definición 7. Una región crítica. La hipótesis alternativa denotada por H1 .1 Una hipótesis estadística es una aseveración respecto a una o más poblaciones. La hipótesis nula será rechazada en favor de la hipótesis alternativa sólo si la evidencia muestral sugiere que H0 es falsa.1. 7. es la pretensión de que inicialmente se supone cierta (la pretensión de “creencia previa”).2 La hipótesis nula denotada por H0 .1. Las dos posibles conclusiones derivadas de una análisis de prueba de hipótesis son entonces rechazar H0 o no rechazar H0 . .1. La hipótesis nula será rechazada entonces si y sólo si el valor estadístico de prueba observando o calculado queda en la región de rechazo.1. se continuará creyendo en la verdad de la hipótesis nula. β =P(Error de tipo II).1. Donde α =P(Error de tipo I). Entonces si se reduce el tamaño de la región crítica para obtener un valor más pequeño de α se obtiene un valor más grande de β con cualquier valor de parámetro particular compatible con H1 .1 Supóngase que un experimento y un tamaño de muestra están fijos y que se selecciona un estadístico de prueba. una función de los datos muestrales en los cuales ha de basarse la decisión (rechazar H0 o no rechazar H0 ).

si una muestra aleatoria de 50 mujeres año. Si una muestra aleatoria de 12 hogares. hora. histórica. si una muestra de 0. tarios de automóviles seleccionada de manera alea- 2.α/2 µ1 − µ2 = δ0 1 −x̄2 )−δ0 (x̄r µ1 − µ2 < δ0 t < −tν. ¿esto sugiere que las aspiradoras gastan.α x̄−µ √0 (σ desconocido) z= s/ n µ > µ0 t > tn−1. de 162. Se afirma que los automóviles recorren en prome- promedio.9 centímetros. de 23 500 kilómetros y una desviación estándar de Pruebe la hipótesis de que µ = 800 horas contra la 3 900 kilómetros? Utilice un nivel de significancia alternativa de que µ 6= 800 horas.3 Ejercicios 1. en 4. Utilice un nivel de piedad importante de la fibra es su absorbencia de significancia de 0. con una desviación ro de kilowatt-hora que gastan anualmente varios estándar de 6. aleatoria de 30 lámparas eléctricas tiene una dura. ¿Estaría usted de acuerdo con esta afirma- de forma aproximadamente normal con una media ción. indica que las promedio de 165.α/2 7.05. 54 Capítulo 7. que del grupo actual de primer año tiene una estatura se incluye en un estudio planeado. tal afirmación se pide a una muestra de 100 propie- blación de kilowatt-hora es normal. Pruebas de hipótesis 7.α pareadas) µD 6= d0 |t| > tn−1. un nivel de significancia de 0.9 kilowatt. si la muestra aleatoria indicara un promedio de 800 horas y una desviación estándar de 40 horas. una pro- ción promedio de 788 horas.α/2 µ1 − µ2 = δ0 x̄1 −x̄2 )−δ0 (r µ1 − µ2 < δ0 z < −zα z= (σ1 y σ2 conocidas) σ12 σ22 µ1 − µ2 > δ0 z > zα n1 + n2 µ1 − µ2 6= δ0 |z| > zα/2 µ1 − µ2 = δ0 −x̄2 )−δ0 (x̄1q µ1 − µ2 < δ0 t < −tn1 +n2 −2.2 centímetros? Suponga que la aspiradoras gastan un promedio de 42 kilowatt-hora desviación estándar permanece constante.05? Suponga que la po.α/2 µD = d0 µD < d0 t < −tn−1.α sp n1 + n2 µ1 − µ2 6= δ0 |t| > tn1 +n2 −2.α t= (σ1 6= σ2 desconocidas) s21 s22 µ1 − µ2 > δ0 t > tν. De acuerdo con Chemical Engineering.05. ¿Existe alguna razón aparatos electrodomésticos. El Edison Electric Institute publica cifras del núme.5 centímetros. Utilice al año con una desviación estándar de 11. para creer que ha habido un cambio en la estatura piradora gasta un promedio de 46 kilowatt-hora al promedio.α (σ1 y σ2 desconocidas) t= 1 1 µ1 − µ2 > δ0 t > tn1 +n2 −2.05.α n1 + n2 µ1 − µ2 6= δ0 |t| > tν. cionados al azar es 20. Se encontró que el porcentaje promedio de 3. mente. Se afirma que una as. menos de 46 kilowatt-hora al año a un dio más de 20 000 kilómetros por año. Una empresa de material eléctrico fabrica lámparas toria que lleven un registro de los kilómetros que eléctricas que tiene una duración que se distribuye recorren.α ¯ 0 d−d (observaciones t= √ sd / n µD > d0 t > tn−1. La estatura promedio de mujeres en el grupo de absorción de 25 pedazos de fibra de algodón selec- primer año de cierta universidad ha sido. agua. 5. con una desviación estándar .α µ 6= µ0 |t| > tn−1.2 Pruebas sobre la media Estadístico Región H0 H1 de prueba crítica µ = µ0 µ < µ0 z < −zα x̄−µ √0 (σ conocido) z= σ/ n µ > µ0 z > zα µ 6= µ0 |z| > zα/2 µ = µ0 µ < µ0 t < −tn−1. Para probar nivel de significancia de 0.

¿Existe evidencia sólida de que el porcentaje promedio de absorción Marca A: x̄1 = 37 900 kilómetros de la población es significativamente mayor para la s1 = 5 100 kilómetros fibra de algodón que para el acetato? Suponga que Marca B: x̄2 = 39 800 kilómetros el porcentaje de absorbencia se distribuye de forma s2 = 5 900 kilómetros casi normal y que las varianzas de la población en Pruebe la hipótesis de que no hay diferencia en el el porcentaje de absorbencia para las dos fibras son desgaste promedio de las 2 marcas de neumáticos. Pruebe la afirmación del fabrican. Los tiempos muestra se dividió en dos submuestras y se apli- de supervivencia.9 Sin tratamiento 1. se realizaron 12 a la tensión del hilo A excede a la resistencia a la reacciones que produjeron una velocidad promedio tensión promedio del hilo B en al menos 12 kilo.5 micromoles por estándar de 6.7 kilogramos con una desviación media de la reacción de más 0. iguales.05.5 2. modelos nuevos. Utilice un nivel de significancia de dad promedio de 7. Utilice un nivel de significancia de 0. El hilo tipo A tuvo una resistencia promedio de sustrato ocasiona un aumento en la velocidad a la tensión de 86. en años.3 2. una desviación estándar de 1.8 kilogramos con una desviación estándar de de forma aproximadamente normal con varianzas 5.6 0. Con una concentra- 7. mientras que el hilo 30 minutos? Utilice un nivel de significancia de tipo B tuvo una resistencia promedio a la tensión 0. Cinco rato.9 2. a partir del momento en caron los dos tipos de análisis. al nivel de significancia de 0. De acuerdo con informes publicados.5. rescencia de rayos X del contenido de hierro.05.1 2.1 Muestra Análisis 1 2 3 4 5 A un nivel de significancia de 0. Con una concentración de sustrato de 1.4 poblaciones se distribuyen de forma normal con varianzas iguales. Una segunda 10.2. todos en análisis químico de laboratorio y un análisis de fluo- una etapa avanzada de la enfermedad. el ejercicio en decisión se realiza un experimento en el que se usan condiciones de fatiga altera los mecanismos que de- 12 neumáticos de cada marca.4 cir que el suero es eficaz? Suponga que las dos Químico 2. te usando un nivel de significancia de 0. Suponga que las poblaciones se distribuyen de for- 6. para creer que este incremento en la concentración lares. ción estándar σ2 = 3.61 kilogramos.28 kilogramos.05.1 5. Los resultados son acetato reveló un porcentaje promedio de 12 con los siguientes: una desviación estándar de 1. Cinco muestras de una sustancia ferrosa se usaron 8.3 Ejercicios 55 de 1.0 2. tiene una media x̄1 = 81. dar σ1 = 5. iguales. Los ingenieros de una armadora de automóviles de be.5 micromoles por 30 minutos y 0.2 1.3 1.0 moles por litro. ¿se puede de- Rayos X 2. Un fabricante afirma que la resistencia promedio ción de sustrato 2. 11.8 micromoles por 30 minutos y una desvia- gramos. Una muestra aleatoria de tamaño n1 = 25.05. en promedio.5. Se realizó un experimento . con una veloci- nativa µ1 6= µ2 .0 2.4 4. Con el fin ayudarlos a tomar una 12.5 2. Suponga que las poblaciones son normales y prue- 9. el mismo resul- neumáticos de la marca A o de la marca B para sus tado.05.25. la reacción se realizó 15 veces. que se toma en la concentración de sustrato tiene un efecto apre- de una población normal diferente con una desvia.7. de 8.3 2.8 3.01. ciable sobre la velocidad de una reacción química.9 0.5 moles por Pruebe la hipótesis de que µ1 = µ2 contra la alter. Los neumáticos se terminan el desempeño. Una muestra aleatoria de 25 pedazos de utilizan hasta que se desgastan. Se llevó a cabo un estudio para saber si el aumento muestra aleatoria de tamaño n2 = 36. si los dos mé- gran tamaño están tratando de decidir si comprarán todos de análisis dan. Para indagar si un nuevo suero frena el desarrollo para determinar si existe una diferencia entre un de la leucemia se seleccionaron 9 ratones. A continuación se que comienza el experimento son los siguientes: presentan los datos codificados que muestran los análisis de contenido de hierro: Con tratamiento 2.01 y suponga que las poblaciones se distribuyen de 77. Utilice un nivel de significancia de 0. tiene una media x̄2 = 76. de una población normal con una desviación están. tomada ma aproximadamente normal con varianzas iguales. litro. ¿Hay alguna razón prueba 50 pedazos de cada tipo en condiciones simi. Para probar esta afirmación se pusieron a ción estándar muestral de 1.2. Cada nes reciben el tratamiento y cuatro no.4.

en milisegundos. desde un micro. y se registraron las siguientes 10 117 116 sumas de las diferencias absolutas para las cinco 11 74 153 ejecuciones: 12 66 219 13 109 143 14 57 164 15 85 100 Un aumento en la diferencia media absoluta de tiempo cuando la tarea se ejecuta en condiciones de fatiga apoyaría la afirmación de que el ejercicio. Utilice un nivel de significancia de 0. 8 58 177 cipante ejecutó la tarea cinco veces en condiciones 9 142 134 sin fatiga y con fatiga. 3 65 215 necilla del reloj a la posición de las 6 en punto. de derecha a izquierda. 1 158 91 interruptor hasta una barrera.56 Capítulo 7. entrena. Cada parti. en condiciones de fatiga. que toma golpear sobre la 6 89 91 barrera y el tiempo para que la manecilla alcance la 7 148 92 posición de las 6 en punto (500 mseg). Suponga que las poblaciones se distribuyen normalmente y pruebe tal afirmación. Diferencias absolutas dos para realizar movimiento horizontal continuo Sujeto Sin fatiga Con fatiga del brazo.05. altera el mecanismo que de- termina el desempeño. Se 4 98 226 registró el valor absoluto de la diferencia entre el 5 33 223 tiempo. . golpeando sobre la 2 92 59 barrera en coincidencia con la llegada de una ma. Pruebas de hipótesis con 15 estudiantes universitarios hombres.