DISTRIBUCIONES MUESTRALES n la mayoria de los métodos de inferencia que se estudiardn en este libro, se su- pondra que se trata con un tipo aspectfica de muestra llamada muestra aleatoria. Esta atencién a las muestras aleatorias. que se examinan en la seccién 6.1, se debe a que permiten generalizaciones validas, 0 légicas, de los datos muestrales. Entonces. en las secciones 6.2 a 6.4 se vera cémo ciertas estadisticas (es decir, ciertas cantidades de- terminadas a partir de muestras) es posible que varien de una muestra 2 otra.La seccion 65 vincula las distribuciones muestrales que surgen de las distribuciones normales. En las seccionas 6.6 y 6.7 s¢ describen técnicas para derivar distribuciones muestrales. El con- cepto de distribucién muestral —a distribucion de un estadistico calculado sebre la base de una muestra aleatoria— es basica para toda inferencia estadistica. 6.1 Poblaciones y muestras En estadistica, el use del término poblacién es una herencia de los dias cuando la estadistica se aplicaba principalmente a fendmenos sociologicos y econdmicos. Recuerde, del capitulo 1, que ahora se aplica a conjuntos o a colecciones de cbjetos, reales 0 conceptuales, pero sobre todo 2 conjuntos de mimeros, mediciones u observaciones que se investigan. Por ejemplo, si a uno le interesa determinar al mimero promedio de televisores por hogar en Estados Unidos, la totalidad de dichos nimeros de conjuntos, uno por cada hogar, constituye la poblacién para este estudio. Deigual modo, la poblacin de la cual los inepectores extraen una muestra, para determinar alguna cualidad 0 caracteristica de un producto manufactu- tado, pueden ser las mediciones correspondientes de todas las unidades en un lote dado: depentiendo de los cbjetivos de Ia inspeccién, también podria consistir de las mediciones corespondientes de todas las unidades que se fabriquen En algunos casos, como el ejemplo anterior concerniente al miimero de televisores por hogar, la poblacién es finita. En otros casos, como en la determinacién de alguna carac- teristica de todas las unidades pasadas, presentes y firturas que posiblemente se Zabriquen mediante un proceso determinado, es conveniente pensar en la poblacién como infinita. Asimismo, se observan los resultados obtenidos en una serie sin fin de lanzamientos de monedas como una muestra de la poblacidn hipotéticamente infinita, consistente en todos los lanzamientos posibles de la moneda. A menudo, las poblaciones se deseriben mediante la distribucién de sus valores. Es practica comin referirse 2 una poblacién en términos de su correspondiente distribucién de probabilidad o distribucién de frecuencia. Por ejemplo, quizd se refiera a un niimero fijo de lanzamientos de una moneda como una muestra de una “poblacién binomial”, o. ciertas mediciones como una muestra de una “poblacién normal”. De aqui en adelante, cuando se hhaga referencia a una “poblacién f(a)", se entenderd una poblacin descrita por una distri- buciéa de frecuencia, una distribucién de probabilidad o una densidad f(x) Si una poblacion es infinite, es imposible observar todos sus valores; incluso, si es finita quizd no sea practico ni econémico observarla en su totalidad. Entonces, por lo general es necesario usar una muestra, una parte de una poblacién, e inferir de ells los 61 62 6.3 64 65 66 61 CONTENIDO DEL CAPITULO Poblaciones ymuestras 175 La distribucion rmuestral de Is media (c conocida) 179 La distribucion muestra de Is media (c desconecida) 187 La distribucion rmuestral de la varianza 189 Represantaciones de las distribuciones de la teoria normal 192 Elmétodo de la funcion generadora de momentos para obtener distribuciones 194 Matodos de ‘ransformacion obtener distribuciones 197 Ejercicios de repaso 202 Terminas clave 203 1751%6 Capen Desuibuciones mucstrales Muestra aleatoria (poblacion finita) Muestra aleatoria (poblacién infinita) resultados para toda la poblacién, Evidentemente, tales resultados serian tiles tan solo si Ta mmestra en alauma forma es “represantativa” de la poblacién. No seria rzzonable, por ejemplo, esperar gensralizaciones ttiles acerca de la poblacicn de ingreses familiares en Estados Unidos en el afio 2010, sobre Ia base de los datos pertenecientes solo a los pro- piztarios de easz-habitacién De igual modo, dificilmente se esperarian generalizaciones razonables acerca del dasempaiio de un neumitico si se pone a prueba solo en caminos isos, Para asegurar que una muestra sex representativa de La poblacin de la que se obtie ne, y proporcionar um marco de referencia para la aplicaciin de la teoria de probabilidad a problemas de musstreo, daberd limitarse la diseusién a mmestras aleatorias. Antes de seleccionar una muestra aleatoria de tamatio n, las ebservaciones se modelan como varia- bles aleatorias 1}, 1p, ....K,. Para muastreo de poblaciones finitas, las muastras aleatorizs sedefinen dal modo siguiente: Unconjunto de observacionas 1}, JG, ...,, constituye tna muestra alestoria de tama- fo ma partir de uma poblacisn finita de tamatio N, si sus valores se eligen de modo que cada subconjumto de m de los. elamentos de la poblaciém tiene Ia misma probabilidad de-ser alazide, ‘Note que esta definicicn de aleatoriedad, en esencia, pertenece a la forma en que se seleccionan los valores de la musstra. Lo anterior también se sostine para la fe dafmicién de muestra alestoria 3 partir de una poblacisn imfinita: Un conjunte de observacione: 1, JG, ..., i, comstituys ua muestra alestoria de tama io ma partir de una poblacisn infinita f(x) si 1, Cada Jf es una variable alestoria cuya distribucién esta dada por fla). 4, Estas m variables aleatorias son independientes. También se aplica el término muestra aleatoria al conjunto de valores cbservados 2, 22, oe ey Ge las variables alestorias, La letra mimiscula distingus la realizarién de uma, nnmestra aleatoria de la letra mayiscula, la cual representa las variables aleatorias antes de ser observadas. Enisten rauchas formas de garantizar Ia seleccidn de una muestra que sea al manos aproximadamente aleztoria. Cuando se trata con uma poblacién finita, es posible mumerar ten serie los elementos de la poblacién y, luego, seleccionar unz muestra con la ayuda de vuna tabla de digitos aleatorios (véase el andlisis en la parina 8). Por ejemplo, si una pobla- sion tiene 1’= 500 slementes y se quiere seleccionar una muestra aleatoria de tamaio m= 10, se usan tres colummas, seleccionadas arbitrariamente de la tabla 7, para obtener 10 mi- rmeros diferentes de tres digitos menores que o iguales 2 500 que, entonces, servirin como los mimeros de serie de los elementos 2 inchuir en lz nuestra ‘Cuando el tamatio de la poblacién es grande, el uso de mimeros aleziorios podria vol~ ‘varse muy tedioso yen ocasionss pricticamante imposible Por ejemplo, si uma muestra de seinco envases de doramos enlatados se va a elegir para inspeceién, de entre los muchos nailes almacemados en una bodega, uno dificilmente esperariz nomerar todos los emvases, hhazer una saleccién com el uso de mimeros aleatorios y, después, szcar los que fuaron selec- ccionados. En una situacién como esta, en realidad uno tiene muy poca epcion, per lo que debe hacer la selecciGn relativamente fortuita, con la esperanza de que no se quebrantard se- rizmente la suposiciém de aleatoriedad que es bdsica para la mayoria de la teorla estadistica ‘Sise trata con poblaciones infinite, la situacisn es un tanto diferente, ya que no 25 pe- sible mumerar fisicamente los elementos de la poblacism; sin embargo, tienen que realizarse ‘esSuerzos para shordar las condiciones de aleztoriedad empleando dispositives artificiales, Por ejemplo, al seleccionar una muestra de una lines de produccién, es posible aproximar Js condiciones de slestoriedad cuando se elize una unided cada media hora; cuando seSolucion Figura 6.1 (Cémo alesis ddnde muestrear See. Poblaciones ymuectraz 77 Ianca una moneda, se puade tratar de arrojar en tal forma que ning lado se favorezca intenciomalmente, y asi por el estilo. E] uso adecuade de dispositives artificiales.o mecini- cos, para seleccionar muestras aleatorias, siempre es prefernble al juicio humano, pues es entremadamente dificil evitar sesgos inconscientes cuando se leva a cabo casi cualquier tipo de seleceidn. Tncluso con Ia eleccién cuidadosa de dispositivos artificiales, es muy ficil cometer ferrores graves al seleccionar uma muestra aleatoria. Para ilustrar algunos errores, suponza que se tiene Is tures de seleccionar les troncos que se Ilevardn 2 un aserradeto, mediante tum banda transportadora de rapidez constante, con Iz finalidad de obtener una muestra alestoria de sus longitudes. Un dispositive muestral, que a primera vista pareceria garan- tizar la aleatoriedad, consiste en madir los troncos que pasan por um punts dado al final de siario mimaro de intervalos de 10 minutos. No cbstante, mayor cousideracién revela que este método de seleccién favorece a los troncos mis grandes, pues requieren mas tiempo para pasar por él punto dado. Por consizuiente, la muestra no es alestoria, puesto que los ‘troncas mis grandes tienen mayor posibilidad de incluirse. Otro error conrin al seleccio- nar unz muestra es el muestreo 3 partir de la poblacién equivecada, o de una poblacién deficientemente expecificada Como se indicé anteriormente, dificilmente se obtendria una nanestra a partir de la cual se podria generalizar acerea da los ingresos familiares an Esta- ddos Unidos si la muestra se limita 2 los propietarios de casas-habitacién. De igual modo, si se quiere determinar el efecto de las vibraciones sobre un miembro estructural, hay que tener cuidado al delinear la frecuencia de la banda de vibraciones, que as de relevancia, ¥ poner a vibrer especimenes de prusbs tan sdlo 2 frecuencizs seleccionadas alestoriamante de esta banda ‘Cémo seleccionar dénde muestrear en una drea que puede estar contaminada En muchos estadios de limpisza ambiental, los ingenieros enfrentan el problema de eva- Tuar el astatus de las superficies de terreno o de cuerpos acuiticos. No siempre as facil recolectar una muestra representativa en lz eual las observaciones puadan tratarse como independientes y de la misma distribucién, Para ilustrar algunos aspectos clave, considere el mmestreo de uma ares contaminada en la ciudad C que cubre un blogue de la ciudad. Las ubicaciones deben selaceionarse al tomar muastras de suelo que luego se amalizarin para Ia presencia de metales pesados. ‘Un enfoque recomendado para las superficies de tereno homogéneas es muestrear de. acuerdo con una reticula rectangular, como se ilustra en la iewra 6.1a), Esta raticula incla- so podria colocarse aleatoriamente sobre al terreno. ‘Sin embargo, se sabia mas acerca de esta drea, En el momento en que courié la conta- mainaciGn, un homo de findieiGa se ubicaba en la posicién indicada por el drea sombreada en Ia fizura 6.18). Definitivamente, jla contaminacién del suelo con metales pesados no es homogénea! Los materiales del homo fluyeron hacia el lado morte del homo. Es clare ‘que esta drea es una “zona caliente”. La cantidad promedio de matales pesados, obtenida al promediar las mediciones de todas las ubicaciones, no es representativa del problems de178 CCapindo & Distrbuctones mocserles Solucién contaminacién. Al utilizar el promedio de toda el dnea como una descripcién resumen, s¢ resta importancia a la seriedad de la comtaminacién alrededor del horno. El drea de eseurri- niiento del homo deberia tratarse como ma poblacion separeda. Tendria que recolectarse: sualo de, al manos, dos ubieaciones dentro dal rez de esta presunta zon2 caliente. Se su- ieren tres sitios, indicados mediante circulos sélidos. Las mediciones correspondientes de rustales pesados deben usarve para describir solo dicha drea. Aumgue muestrear la “zona caliente" por separado pareceria el enfoque cbvio, los duatios dal sitio, on la situacim donde se basa el ejemplo, quieren recolactar datos de mis ubicaciones a lo largo de todo el terreno. Ello, esperam, reduciria suficientemente la can- tidad promadio de metales pesados, de modo que solo se requeririm tdcticzs de limpieza sencillas, en lugar de apoyarse en la costosa solucién de sacar en camiones el suelo. empre recolectar al menos una réplica de una medicién clave Consulte el estudio de limpiezs ambiental en el ejemplo anterior. Explique por qué debe- rian tomarse nmuzstras de suelo ex, al manos, dos ubicaciones dentro de la zona caliente, en ver de solo realizar dos andlisis quimicos esencialmente en una sola muestra del suelo. ‘Un 2specto fimdamental en la compronsién del problema de lz contaminacién es evaluar la condicida de la zona caliente conocida Incluso dentro de esta, Ia cantidad de contaminacién, podria variar considarablamente debido a, por ejemplo, alzuma posicién de ubicacin particu- Jr, on relacisn coe la antigua coriente de escurrimiento del home. Se sugiere encarecida- mente que del suelo se recolecten por lo menos dos muestras, no solo que se leven 3 cabo dos anilisis quimicos en suelo de uma sola ubicacién. Este enfoque dard madicionas que también, sirvan para estimar la cantidad total de variabilidad en las mediciones de la “zona caliente”. Alrepatir el anilisis quimico dal suelo de una sola ubicacisu, se podria estimar la va- riabilidad enel anilisis quimico y, posiblemente, identificar um valor atipico que sugiera un. anilisis quimico emineo. No cbstante, sin importar cuantas veces se repita el andlisis qui- niico, no se sabria cudnta variacisn esperar si se muestrea suelo dela misma zoma caliente, aro a muchos pies de Ia primera muestra; es decit, 22 probable que ubicaciones cereamas sean muy parecidas, pero las que estin alejadas tienen menos probabilidad. Es necesario mucstrear al manos dos ubicaciones diferante: para determinar al grado de komogeneidad dentro de la zona caliente. . El propésito de la mayor de las invastigaciones estadisticas consiste en generalizar, 2 partir de la informacion contenida en muestras aleztorias, acerca de la poblacién de dande se obtuvieron las muestras. En particular, por lo general uno se preocupa por el problema, dz hacer inferencias sobre los pardmetros de la poblacisn, como la media ys o la desvia- cign estindar o- Al hacer dichas inferencias, se utilizan estadisticas como cantidades calculadas sobre Ia base de observaciones muestrales. En la practica, eltérmino: estadistico también se zplica 2 las.correspondientas variables aleatorias La variacién de una muestra a otra debe comprenderse para valorar con precisién la calidad total del agua Debe mantenerse la calidad del agua que sale de uma planta Se monitorea al tomar un pequaiio volumen de agua Iamado espécimen de prueba. Si la calidad del agua en el es- péeimen es mala, habrian de tomarse acciones. Tales acciones podrian variar al tomar mas espacimanes, hacer una llamada talefinica para alertar 2 los operadaras de la planta, prep2- rar un informe escrito, cambiar la manera cme opera Ia planta y hasta cerrar la misma. Si el agua en el expécimen es de buana calidad, a memudo se infere que el volumen total de dascarga es satisfactorio, Amalice al muestreo, Ademds de una buena prictica de laboratorio, los juicios dependen crucialmente de con~ seguir especimenes de pruchz que sezn representatives del volumen total de Ia descarzaSec.62 La domiuaon mucstral de a med (a conoes) 179 saliente, Puasto que la calidad dal agua variard sobre al fujo de salida total, en cualquier momento, los especimenes de prueba reales seleccionados pueden indicar correctamente 0 no la calidad del azua. La ides principal en este andlisis es Ia de la variabilidad del muestreo. No todas las opciones de especimenes de pruzba reales producirén los mismos valores para calidad dal agua, o incluso una valoracién correcta de la calidad. Esta varizbilidad es posible superarla, ex mayor o menor medida, al tomar un mimero suficientemente grande de especimanes de pruzba. Les resultados de examinar suficientes especimenss de prueba deberian refejar con bastante precision La calidad del agua Ia mayoria de las veces. . Puesto que Ia seleccin de una muestra aleatoria se controla bisicamante por azz, ‘tambidn los valores que se obtienen para los estadisticos. El resto de este capitulo se dedi- card 2 distribuciones musstralas; a saber, a distribuciones que deseriben las fuctuaciones fortuitas de los estadisticos calculados sobre la base de mmusstras alaatorias. 6.2 La tribucién muestral de la media (w conocida) Suponza que una muestra aleatoria de n cbservaciones, se toma de alzuna poblacién y que se calcula ¥, por decir, para estimar Ia media de Ia poblacion. Deberia ser claro que, si s¢ ‘toma una segunda musstra aleatoria de tamafio m de la poblaciée, seria muy irraciomal es- perar el valor idéntice para ¥, mientras si se toman muchas muestras més, quizé ningim par de las ®'serd igual. Las diferencias entre talesx’ se atribuyen genaralmente al azar, lo cual plantea prezuntas importantes en cuanto a su distribucién, especificamente en relacién con, lamedida de sus fluctuaciones azarosas. Para tratar experimentalmente esta cuestin, suponga que 50 muestras alestorias de ‘tamatio m= 10 se toman de uma poblacién que tiene Is distribuciém uniforme discreta 0 de otra forma El muestreo es con reemplazo, por decirlo asi, de modo que se muestrea de una poblacién, infinite. Una forma conveniente de cbtener dichas muestras os utilizar una tabla de digitos, aleatories, como la tabla 7, y hacer que cada mmastra consista en 10 dizitos consecutivos, en filas o columnas elegidas arbitrariamente. En realidad, al proceder de esta forma se ob- ‘tienen 50 muestras, euyas medias son. 44°32 50 35 41 44 36 65 53 44 31 53 38 43 33 50 49 48 31 53 30 220 46 S8 46 40 37 52 37 38 53 55 48 64 49 65 35 45 49 53 36 27 40 50 24 42 44 56 47 43 Al agrupar dichas medias en una distribucién com las clases [2.0, 3.0), (3.0, 4.0), [4.0, 5.0), [5.0, 6.0) y (6.0, 7.0), donde se incluye el extremo izquierdo, se cbtiene Frecuencia 12.0, 3.0) 2 [3.0,4.0) 4 14.0, 5.0) 19 15.0, 6.0) 12 16.0, 7.0) 3 so.180 Capmo 6 Dasribuciones mocstrales Figura 6.2 experimental de la media i que es aparente a partir de esta distribucién, asi como de su histograma, que se ilustra en la figura 6.2, que la distribusién de Las medias tiene e2si uma forma de eampana, 2m cuando Ja poblacisn en si tenga una distribucién uniforme. Esto formula la pregunta de si el re sultado 2s tipico de Io que se esperaria: esto es, si se cbtendrian distribuciones similares al repetir al experimento uma y otra vez. Para responder esta clase de prezunta, debe investizarse la distribuciém mmuestral te6~ vies de la media que, parz el ejemplo dado, da las probabiludzdes de obtener medias en al intervalo (2.0, 3.0) 0 2n[3.0,4.0), ....[6.0, 7.0) yacaso valores menores que 2.0 o:mayores que o iguales 2 7.0. Aunque se podrian evaluar dichas probabilidades para este ejemplo particular, por lo general es suficiente referirse 2 algunos teoremas generales concemientes 3 las distibuciones nauestrales. El primero de elles peoporciona expresiones para la media wg y ln varianza o” de distribuciones muestrales de la media ¥. ‘Teorema 6.1 Si una rmestra aleatoria de tamafio » se toma de una poblacién con la media wy la varianza o?, entonces Tes una variable aleatoria euya distribucida tiene la media 2 Formulas para sx ¥ Para musstras de pablaciones infinites, la varianza de esta distribuciin es oN Para muestras de una poblacién finita de tamaio N, la variznzaes 7" El resultado para poblaciones infinites se establecis en el ejemplo de la pézina 1: con las propiadadas de la esperanza De mamara altemativa, ahora se probard que pry para el caso continuo, divectamente a partir de la definicién de Iz pézina 152 eof. ff. So yen. wtm)dny da... din mi iz r f - ft fe 42... Xm) dry dy... din a donde f(x1,12,-.., 1) es a densidad conjunta de las variables aleatorias que constituyen la mmestra alaatoria. Al usar la supesicién de uma muestra alaatoria, s2 eseribe F015 225---) an) = fr) f02)--- Fm) por lo que ahora se tiene mea 20 [pend [7 wc rteddes [seedSec.62 La douibuson muestra de la mea feconocts) 18 Puesto que cada intezral x; filxj) es igual 2 1, excepto la que tiene el intesrando -; f(;) igual a ms, finalmente se obtiene 1 wen Jo cual completa la prusha (Para el caso discret, la prusba sigue los mismos pasos, aun~ aque los signos de integral sesustituyen con 3.) Para demostrar que #3, —7/, para el cao continua, se debe hacer la supesicign simplificadora de que -.=0, que no implica pérdida alzuna de generalidad, como se pedir al lector demostrar en el ejercicio 6.18. Al usar la defimicisn de la pagina 152, se tiene, entonces, By o =f fo FP te amdeidi dre riientras al usar el hecho de que i c FF flay ay, 5 tn) dy dey. dg BEE [lo [i sess teesnee mda deg i TF donde 53> 57 se extionde sobre toda i y,j desde 1 hasta », sin inchuir los tdmminos donde ij. De tnevo, al ullizar el hecho de que Fle 22-5 4m) = flee) Fea)... Aen) es posible escribir cada umz de las intazrales miltiples anteriores como un producto de in- tegrales simples, donde cada intezral con integrando f(x) es izual 2 1. Porende, se obtiene LS atmods LEE usodn ii < [nants {y como eads integral en Ia primera suma 2s igual 2 a2, mientras que cada integral en la segunda suma es iswal a 0, finalmente se tiene 1A oe of- 7-7 a Lo antarior completa la pmba de la segunda parte del teorama. No se probari el resultado corespondiante para musstras alestorias de poblaciones finitas; pero debe notar que, em la ‘formula resultante Para og, el factor Non wT 2 menudo llamado factor de correccién de poblaciém finita, esta cerca de 1 (puede omi- tirse para la mayorla de los propdsitos prdcticos), a menos que lz muastra constituy2 uma poreidn sustancial de la poblacisn.182 Copouto 6 Deenbuciones metres Solucien Ley de los grandes nameros Solucién Calculo de un factor de correccién de poblacién finita Determine el valor del factor de correccién de poblacién finita para n= 10 y N 1,000 710 _ 091 . 1,000 —1 Aunque no deberia sorprender que jy —, resulta interesante e importante el hecho de que «2 = 07/n para mmestras alestorias de poblaciones infinitas, Para puntualizar sus im- plicaciones, aplique el teorema de Chebyshev ala distribucién muestral de la media, lnego sustituya © por X'y any/m por orem la SSemmula para la forma alterna del teorema (véase la pagina 101). Por consiguiante, se cbtiene ko 1 p(ie-aleM)yar-4 (urasR)ete yy, alhacer kon\/n =<, 2 PUR -wi 0, a probabilidad da quo ¥ differs de yu por monos quo # puede hacerse arbitrariamente cercana a |, eliciendo n suficientemente crande- En lenguaje menos riguroso, cuanto mayor saa l tamatio de Is muastra, se eeperard que ¥ asté mis cer- ca de la madia de la poblacidn. En este sentido, puede decirse que la media se vuelve cada ver mis confiable como uma estimacién de p conforme aumenta el tamatio de la muestra. Este resultado (que © se vuelva arbitrariamente cercana a yu con probabilidad arbitraria- manta alts) 92 conooe como ley de los grande: mimeros. Teorema 6.2 Sean Jf, 43, .....X, variables alestorias indapendientes y cada una com as mismas media py varianza o?. Entoncas, P(X p|> 2) 0 conforme m— Conforms auments al tamaiio de la musstra, dimitedamente, la probabilidad de que la ‘media muestral difiera de Iz media poblacional m, por mis de una cantidad zrbitraria #, converge a cero. Ley de los grandes niameras y frecuencia rel Considere un experimento donde um evento especifico 4 tiene probabilidad p de ocurrir. Suponza que, cuando el experimento se repite n veces, los resultados de los diferentes en~ sayos som indapendientes, Demusstre que alargo plazo rniimero de veoes que ecurre A cnn ensayos frocucncia relativa.de A = se vuelve mbitrariamente cercma a p, con probabilidad arbitrariamente alta, conforme el mimero dz veces que se repite el experimanto crace ilimitadamente Se puadan dafimir n variables aleatorizs Yj, 1, ..X,, donde X= 1, sid ocurre enel i-dsimo (0 de otro modo. Los, son independientes y se distribuyen de manera idénti- cacon media =p y varinza o = p(1—p) puesta que E(X7) = 17-9 + 0(1—p)= p.Sec.62 La duetbudon muestra de meds (1 conccnis) 183, Entonces, Xi +--+ Xpeselmimero de veces que d ccurre en n ensayos del experimento y X as a frecugncia relativa de ‘Se aplica Ia ley de los grandes mimeros y se concluye que, para una cantidad positiva arbitraria e, P (| frecucncia rel deA— p|> 2) = P(|¥—p|>e) > 0 conforme n> © A partir de los zciomas de probabilidad, se avanza hacia un teorema que determina la frecuencia relativa a largo plazo de un evento. . Laconfiabilidad de la media como estimacién de jr2 menndosemide con ory ~ of", ‘también llamado error estindar de Ia media Note que esta madida de la confiabilidad de la media disminuye en proporcion com Ia rair cuadrada de mr; por ejemplo, es necesario cuadruplicar al tamatio de 1a muestra con Ia finalidad de reducir a la mitad la desvizcién, estindar de la distribucin muestral de Ia media. Lo anterior también indica lo que podria Tamarse “ley de disminucisn de rendimiantos”, en lo concerniante al aumento dal tamaiio de la muestra. Por lo general, no es rentable tomar muestras excesivamente grandes, pues Ia labor y al gasto adicionales no estin acompatiados por una ganancia proporcional en. confizbilidad, Por ejemplo, si aumenta el tamatio de una muestra de 25 2 2,500, los errores, alos que se expone se reducen solo por um factor de 10. Ahora regrese a la distribucién muestral experimental de la pagina 179; comprucbe cuin cercanamente sus media ¥ varianza coresponden a los valores que deberian esperar- 22, en concordauciz con el tearems 6.1, Puesto que La poblacidn de la que se obtavieron las 50 mmestras de tamatio n= 10 tiene media o w= Soa i ylavarianza 9 1 = — as? a 2 545g El teorama 6.1 indica que se espera una media de pry =4.5 y uma varianza de 8.25/10 = 0.825, Al caleular la media y la varianza de las 50 medias mmestrales de la psi nna 179, se obtiene Fz = 4.43 y ©? = 0.930, que estin razonablamente cerca de los valores, teériess, El teorema 6.1 solo offece informacién parcial acerca de la distribucién mnestral tes ricade la media. En general, es imposible determinar tal distribucign exactaments, sim co- nocimiento dela forma real de la poblacign. Incluse asi seria bastante dificil. Sin embarze, es posible encontrar la distribucién limite conforme n —- 20 de una variable alestoria, cuy ‘valores esta cereanzmente relacionados con X, si supone solo que la poblacién tiene una ‘varimza finitz o2, La variable alestoria a la que se hace referencia aqui es la media mues- tral estandarizada Xow 2= Rk cuyos valores estin dados por la difsrencia entre ¥ y 1 dividida entre el error estindar de la media. Com referencia a esta variable aleatoria, ahora se emmcia el siguiente teorema, Hamado teorema del limite central:184 ‘Teorema del limite central Figura 6.3 ‘Une iiusraciin de i tendencia ack a norwalidad pare be ist- ‘bucien muestra] de conforme zumenta el tm de lamest (Copmdo 6 Detritedones moertratee ‘Teorema 6.3 Si ¥ 2: la media da una musstra aleatoria de tamatio n tomada de una poblacién con media py varianza finitz 63, entonces, Xp oir 5 una variable alastoria, cuya fimeiin de distribuciin tiende a la distribucidn nommal es- tindar conformen — =. El teorema del limite central proporciona una distribucién normal que permite asignar probabilidades a intervalos de valores para X. Sin importar la forma de la distribucidn de poblacién, la distribucign de ® es aproximadamente normal, con media yy varianza on, siempre que n sez grande. Esta tendencia hacia la normalidad se ilustra en la figure 6.3, para tna distribucisn de poblacidn uniforme y una distribucién de poblacién exponencial Disrinin de place “Disc de poblaciin ao3 an Disitein macs de Disc metal deFigura 6.4 ‘Varificacidn experimental del ‘toorema dal Himite comral Solucion Se.62 La denbuson muss dea mada (rconacita) [85 dia masse Aunque la prueba del teorema del limite central estd mis alld del ambito de este tento, se puede obtener verificacién experimental al construir una erifica de puntuaciones nor- males de las 50 medias muestrales que vienen en la pazina 179, las euales se obtuvieron, al muestrear con sustitucién de uma poblacién tmiforme discreta. Como se observa en la Sgura 64, los puntos caen cerca de una lines recta, Perece que, incluso para n= 10, ladis- ‘ribucién mzuzstral de La media para este ejemplo tiene un patrén global que recuerda de mumera general la de una distribucién normal En [a préctica, la distribucidn normal ofrece una excelente aproximacida a la dis- tribucidn muestral de la media ¥ para m tan pequeia como 25 0 30, dificilmente con alguna restriceién sobre la forma de Ia poblacién. Come se vio en el ejemple, la disti- bbucién muestral de la media tiene la forma general de una distrbucién normal, incluso para musstras de tamaiio m= 10 de una distribucién uniforms discreta. Si las muestras aleatoria: provienen de una poblacién normal, la distribucién mmuestral de la media es normal, sin importar el tamaiio de la muestra. Uso del teorema del limite central para calcular la probabilidad de cobertura de pintura Si tma lata de 1 galén de pintura cubre, en promedio, 513.3 pies euadrados con uma des- ‘viacién estindar de 31.5 pies euadrados, geuil es la probabilidad de que el area madia muestral, cubierta por una nmestra de 40 de dichas latas de 1 galén, estard en alzma parte entre 510.0.a 520.0 pies cuadrados? Por al teorama 6.3, se deberd encontrar el rea de curva normal entre 510.0 513.3 go NOT SBS p= 200-5133 315/40, 0.066 y = 31SN40 Iuago, al comprobar estos valores en la tabla 3, se obtiene uma probabilidad de 0.6553, Advierta que, si ¥ evidencia ser mucho menor que 513.3, por decir, menor que 500.0, elle provocaria serias dudas acerca de si la muestra realmente proviene de una poblaciéa com = 5133 y o= 31.5; la probabilidad de obtener tal valor pequatio (um valor z menor que 2.67) tam solo es de 0.0038, .196 Copenso € Dustribuctoner muestraee Ejercicios 61 63 64 66 ‘Uninspector examina cada vigdsima pleza que provie ne de una linea de entamble. Mencione algunas de las condiciones con lar cuales este mitoda de muestro podria no dar una muestra alestoria 2. Elsollo de pléstico wasparemte para envolver se fabrica eu hojas de 100 pies de largo y se devana en rollos. Un inspector selecciona 7 rollos y mide Ia claridad de una pequelia pieza tomada dz una esquina al final de cada rollo, Mencione una condiciéa con Ia cual este méindo de muestreo quird no prodaciria una muestra alestoria, Explique por qué lo siguiente no conducird a mmeswas aleatorias de las poblaciones deseadas. 4) Para determinar cuinto gasta un individuo prome- io an una: vacaciones, un investigader de merce dos entrevista a pasajeros de un crucero de Injo. 6) Para determinar el ingreso promedio de sus ezre- sados, 10 afios después de 1a graduscién, la oficina de alumnos de ma universidad envid cuestionarios 2010 a todos Los miembros de la claze d2 2000 ¥ base su estimacisn en los cuestionarios devueltos. €) Para determinar el sentimiento piblico acerca de clara: resmicciomes importantes, un entrevistador pregunta 2 los votantes: “cree usted que esta prac: fica injusta deberia detenerse?” ‘Una organizaciGn de investigacién demercados quiere prober tm nuevo producto en 8 de 50 estados. Use la tabla 7 para realizar esta seleccidn i Cuiintas mmestras diferentes de tamafio n= 2 pueden legirse de una poblacicn finita de tamaiio av )y=2 Con referencia al sjercicio 6 5, ;cual es Is probabilided de quecada muestra en el incisoa),v la probabilidad de cada muestra en el inciso 8), si las musstras deben ser sleatoria:? ‘Tome 30 tras de papel y marque cinco de ellas con —4 ¥-4, custo con —3 ¥ 3, tres can —2y 2 y dos con —1, byl 2) Sicada tia de papel tiene I mizma probabilidad de extreerse, determine la probabilidad de obtener ~4, 3,2, -1, 0,1, 23,4, luego encoemre lamedia ys varianzs de dichs distnbucién, 4) Extraige $0 muestras de tamaiio 10 de ests pobla idm, cada muestra extaida sin reemplazo, y calcule sus medias. ©) Caleule la media y Ta varianza de les 50 medias ob tenidas an el incize 3) 4) Compare los resultados ottenides en al incizo ©), con los correspondiente: valores esperados, de acuerdo con al teorema 6.1. [Note que #¥ a? se cbeuvieron en elinciso a).j 63 69 6.10 om on 61a os Repita el sjercicio 6.7, pero seleccione cada muestra ‘con reemplazo; esto es, sustituya cada tira de papel revuelva nuevamente antes de extraer la siguiente, ‘Dada le poblacién infinite cuya distibucidn esté dada por fo 02s 02s 02s 02s mencioue las 16 posibles exuestras de tamafio 2 y use ddicha lists para construir la diswibucin de para imuestras alestorias de tamafio 2 de la poblacisn dads ‘Verifigue que Is medis y la varianza de esta distribu- ‘én nuestral zean idénticas con valores comespon- ddiontes esperados, de acuerdo con el teorema 6.1 ‘Suponga que se convierten les 50 mouestras referidas Ia pagina 179, en 25 muestras de tamaio 1 =20, al ‘sombinar Jas dos primaras, Iss siguientes dos asi ou- ccestvamente. Encuentre las madiss de dichas muestras, nego calcule sus medias y sus desviaciones estinda- res, Compare estamedia y asta desviscicn estindar com los valores correspondientes esperados, en concordan- ‘cia com el toorems 6.1 ‘Cuando se muestrea una poblacién infinta, ;qué ocu- mre conel error estindar de ls media si el tama de La muestra ‘d} aumenta de 50 2 200; ‘by sumenta de 400 2.800; ¢) disminuye de 2 @) disminuye de 690.407 Cuil es el valor del factor de cosrecciéa de la pobla- ‘in Gnita on la fermula para 0 cuando: a) n= Sy N= 250, 4) m= Wy NSO; ©) m= 100 y N= 5.0002 Para un tamaio muestral n srande, verifique que haya vans postbiltdad de 50-50 de que le media de una mes wa alestoria de una poblacién infinita, con la desviacién sesthadar ja diferitd de @ por manos de 0.6745 -a/va. Es comin referirse 8 esta centidad como el error pro- le de Ia medi La media de una muesua aleatoria de tamaio x= 25 ‘se usa para estimar Ia media de una poblacién infinita ‘sou desviaciGa entandar o=2.+, ,Que se puede sfimar aacerea de la probabilidad de que el error seri mener ‘que 1.2 si se utiliza 49) el teorama de Chebyshev; (4) el teoremes del limite central?os duros de computadara deben girar de ma- nora cquilibrada, mentas queun slejamiento del nivel se conoce como rodamients, El rodamiento para cual- ‘quier disco puede modelarve como una variable aleato- ‘Ha, con media de 0.2250:mm y desviacion estindar de 0.0042 mum. El redamieuto medio de la musrwa X 2 cobtendrd a partir de una muestra aleatoria de 40 {Cadles la probabilidad de que ¥ casra entre 0 6.2260 mm? ‘Se dice que tm proceso de alambrado ectard bajo con- ‘ool sila resistencia ala tensin madia ox de 10 Lbras ‘Se sabe que las mediciones de resistencia a la tension ‘enan una diswibucion nommal con una deeviacion es- tndar de 15 bras. De este proceso se toman muestras 61s Sec.£3 Ladlstribuctin mucstral de media (or descomactds) 617 «18 619 \s7 alestorias periddicas de tamaiio 4, por Jo que se dice que ol proceso end “fuera de control” si una media smiuestal es menor que 7.75 bras. Comente Si le distibucién de los pesos de todos los hombres ‘que viajan por avién, entre Dallas y EL Pa: media do 163 bras y una dosviacidn ertindar ds 18 Iubras, ceudl 25 Is probabilidad d= que el peso bruto ‘combinado de 36 hombres que visjan en un avién entre sdichas dos ciudades sea mavor que 6,000 libras? ‘Si Xs una variable aleatoria continua y T= — a, demuestre que uf — a} Prosbe que yey — para muestras aleatorias de pol ‘siones discretas (nitas o contabl 6.3 Ladistribucion muestral de la media (@ deseonocida) La aplicacisn de la teoria de la seeciGa anterior requiere conccimiants de la desviacién estindar poblacional o: Sin es grande, esto no plantea problema aleuno am cumdo 0 sea desconocida, pues en diche caso es razonable sustituirla por la dasviacién estindar mues- tral s. Sin embargo, cuandc se trata de la varizble alaatoria euyos valores estin dados por rn sivn se sabe muy poco zcerea da su distribucién mmuestral axacta para valores pequatios dem, a smaznos que s2 hag: la suposicién de que la muestra proviene de uns poblacién normal. Con ‘esta suposicién, uno probaria lo sizuiente: Teorema 6.4 Si ¥ es Is madia de una muestra sleatoris de tama n tomada de una Una variable aleatoria que tiene la distribucién t ‘entonces, poblacién normal con Iz media wy la varinza 0%, asi como S*=)~ (Ay)? nT 1 ‘es uma varizble alestoria que tiene Ja distribucién : con al pardmetro v=n1— 1 La notacién mimiseuls ¢ aruda a diferenciar aste estadistice importante de otros, El tec- rema es mis general que d teorema 63, en al santido de que no requiere conocimiento de oF, por otro lado, es menos general que el tecrema 6.3 en el sentido de que requiere la suposicidn de-uma poblacida normal. (Come se observa en Is figura 6.5, la forma gonaral de una distrib ym res similar a Ia de una distribucién normal: ambas tienen forma de campana y som simutricas en tomo ‘Nowa y= 4) Figura 6.5 Distrbucidn y disribuctén normal extindar188 Copmudoé 9 Desaribucones mucstraies, Figura 6.6 ‘Valor tabulado det, Solucién a ls media. Como la distribucién normal estandar, Is distribucién ¢ tiene la media 0, pero su variaza depende del parémetro v (mu), Ilamado mimero de grado: de libertad. La ‘varianza dz la distibucién ¢ supera 1, pero tiende a 1 comforme m — ae. De hecho, puade demostrarse que la distribucidn r con v grados de libertad tiende 2 [2 distribucién normal estindar conforme vo. ‘La tabla 4 al final del libro comtiane valores seleccionados de ¢, para diverses valores dev, donde , estal que el area bajola distribucién ta su derechs es igual a a: En esta tabla, Ja columna izquierda comtiene valores de w, los encabezados de eolumna son areas a an la cola derecha de la distribucién r, y las entradas som valores det, (Véase tambign [2 figura 6.6.) No es necesario tabular valores de fg para a> 0.50, pues se sigue, dela simetria de Ia distribuciin , que 4—q=—‘ar. Por Jo tanto, al valor de r que corresponde a una drea de cola izquierda de aes ~t,, Distibucin# conv grads ibe ‘Note que, en la fila inferior de la tabla 4, las entradas corresponden a los valores de= que cortan colas derechas de drea a bajo la curva normal estindar. Al utilizar la notacinza para tal valor de z, se observa, por ejemplo, que zy 35 = 1 96 = 995 para v=00. De hecho, al notar que los valores det, para 29/0 mas eratios de libertad estan cerca dz los correspon- dizntas valores de ,, 22 concluye que la distribuciéa normal estindar ofrece una buena aproximacién a la distribucién ¢ para nmestras de tamaiio 30 o més, Uso de un calculo de probabilidad a partir de la distribucién t para rechazar una afirmacién ‘Un fabricante de fasibles afirma que, con una sobrecarga de 20%, los fasibles estallarin en 12.40 minutes en promedio. Para probar tal afirmaciéa, una muestra de 20 de los fusibles se-sometié.2 uma sobrecarza de 20%; Ios tiempos que tardaron en estallar tuvieron uma me- dia de 10.63 minutos yuma desviaeisn estindar de 2.48 minutos. Si se puede suponer que Jos datos comstituyen una muastra aleatoria de una poblacin normal, ;tienden 2 zpoyaro a rechavar la afirmacion del fabricante? Primsro se caleuls 043-1240 24g que es um valor de una variable aleatoria que tiene la distribucién t con grados de libertad. Ahora, 2 partir de la tabla 4, se encuentra que, para v = 19, la pro~ babilidad de que t excederd 2.861 2s de 0.005; por consizuiente, le probabilidad de que 1 serd menor que ~2.861 también es de 0.005. Puesto que r=—3.19 es menor que ~2.861 ¥ 0.005 es una probabilidad muy pequeiia, se concluye que los datos tienden a rechazar la afirmacién del fabricante. Con toda probabilidad, al tiempo de estallido madio de sus fusibles con una sobrecarga de 20% es menor que 12.40 minutos. .Una variable aleatoria que tiene la distribucién chi cuadrada Figura 6.7 ‘Valores tabulados de chit ccuadrada Sek Ladunbusonmeerratée barns 189 La suposicién de que la muestra debe provenir de una poblaciin nonual no es ua restriccicn tan severa como pareceria, Los estudios demuestran que la distribucién de la ‘variable aleatoria xe Siva esti bastante cerca de una distribucién 1 incluso para musstras de ciertas poblaciones no normales. En la practica, es necesario asegurarse principalmente de que la poblacin de la que s2-toman muestras tiene aproximadamante forma de campana y no esti muy seseada. ‘Una forma prdctica de verificar esta suposicidn es construir una grdfica de puntuaciones normales, como se describe en la pagina 163. (Si tal grafica mmestra uma curva distinta en ‘var de uma recta, 2s posible “volverla recta” modificando los datos, por decir, al tomar sus logaritmos o sus raices cuadradas, como se vio en el capitulo 5, seccién 5.13.) 6.4 La distribucién muestral de la varianza Hiasta el momento, tinicamente se ha estudiado la distribucién muestral de la media, pero si se hubieran tomado las medianas o las desviaciones astindar, de las 50 muastras manciona- das enel ejemplo de la pizina 179, de igual modo sehabrian obtenide distnbuciones muzs- ‘rales experimentales de dichos estadisticos. En esta seccién se abordard la distnbuciin niuestral tacrica de la varianza musstral para muestras aleatorias de poblaciones normales. Puesto que St no pusde ser negativa, se deberia sospechar que esta distibucién muestral no 25 una curva normal; de hecho, se relaciona con Ia distribucisn gamma (véase la pizina 139) con aw? y B= 2, llamada distribucién chi cuadrada. De mmera expecifica, al usar el cuadrado de la letra griega x-(chi), se tiona el siguionte toorema. Teorema 6.5 Si Ses la varimza de una muestra aleatoria de tamaiio m tomada de una poblaciia normal con la varianza 0, entomces, Say —¥F ga re ys® 2 2 ‘es uma variable alestoria gue tiene Is distribucidn chi cuadrada con el rardmetro w= n=l La tabla 5 al final del libro coutiane valores saleccionados de y2 para diversos valores dev, mevamente llamado mimero de grades de libertad, donde ys tal quel dreabajo la dictribacidm chi cundrada2 su daracha es igual a a. En asta tabla Ia columna inquiarda contia- ne valores de v, los encaberados de colmma son areas «en le cola derecha de la distribucin chi cuadrada y las entradas som valores de x2. (Véase también la figura 6.2.) rnc yon prada ce eri Key190 Capo Dastribuciones muestrales Solucién Una variable aleatoria que tiene la distribucién F Solucion Adiferencia de la distribucién z, ex necesario tabular valores de Me para a> 0.50, porque: Ia distribucién chi cuadrada no es simétrica Un calculo de probabilidad basado en la distribucién x? ayuda a monitorear la variabilidad ‘Uns firms de Sptica compra vidrio para lentes, y se sabe por experiencins anteriores que la ‘varianza del indice de reffacciin de este tipo de vidrio as 1.26- 10 * Como es importante ‘que las diversas piezas de vidrio tengan casi el mismo indice de refraocién, I firma rechara ‘tal embarque si la varianza muastral de 20 piezzs seloceionadas al zzar supera 2.00 +10 Si se supone que los valores musstrales pueden considerarse muestras aleatorias de una poblacién normal, zouil es 1a probabilidad de que un embarque se rechazard zum cuando o? =1.26-10 (Al sustituiren la fSmaula para el estadistico chi cusdrada, yz = 1200-10 4) 126-10 4 entonces, se encuentra da la tabla $ que para 19 grados de bertad, xo2 = 30.1. Por lo tanto, la probabilidad de que un buen embarque serd rechazado erréneamente es menor que 0.05, 7 0.2 Un problema estrechamente relacionado com al de encontrar lz distribucién de la va- Fianza muestral es encontrar Is distribucién de la razin de las varimnras de dos mmestras aleatorias independiontes. Este problema es importante porque surze de prusbas donde se quiere determinar si dos muestras provienen de poblaciones con varianzas iguales. Si es asi, las dos varianzas muestrales deberian ser casi iguales, 2s decir, sus razones tienen que ser cercamas a |. Para determinar si la razénde dos varianzas muestrales es muy pequeiia o nuny grande, se utiliza Ia teoria dada en el sizuiente taorema: ‘Teorema 6.6 Sis? y x} som las varianzas de las musstras aleatorias independiontes de ‘tamaiio my my, respectivamente, tomadas de dos poblaciones normales con la misma vvarianza, entonces, ‘2s ma variable aleatoria que v= mg— 1. La distribucién F se relaciona com Ia distribucin beta (pizima 141), por lo que 2 sus dos pardmetros, vy y vp, se les llama numerador y grados de libertad del denomina- dor. Como s¢ requariria una tabla muy grande para dar valores de Fy comespondientes 2 muchas probabilidades diferentes a de cola derecha 5. puesto que a= 0.05 y a= 0.01 se utilizan ms comimmente an Ia prctica, la tabla 6 contiene solo valores Fy 95 ¥ Foo, Fara ‘varias combinaciones de valores de w; y va. (Véase también la fizura 6.8.) Uso de la tabla 6 para evaluar una probabilidad Si dos mmestras alestorias independientes de tamaiio m = y m= 13 se toman de uma poblacin normal, :eudl es la probabilidiad de que la verianze dela primers muestra serd al manos tres veces mis grande que Iz varianra de Ia segunda muestra’ De la tabla 6 se encuentra que Foo: = 3.00 para =7 — L=6y y= 13 —1=12; por consiguiente, la probabilidad deseada es 0.05. .Sec 64 Laduirbucin mucsial de barnes 191 Distnacn com , 9 , ros de libertad wey Figura 6.8 ‘Valores tabulados de F * Faas Fase ‘También es posible usar la tabla 6 para encontrar valores de F que correspondan 2 probabilidades de cola izquiarda de 0.05 0 0.01. Al escribir Fa(v1, vp) para Fy, com vy y vy gzados de libertad, simplemente se utiliza Ia identidad Fi-al¥i¥2) = Foe vy Uso de la tabla 6 para encontrar una probabilidad de cola izquierda Encuantre el valor de Fy ¢5 (correspondiente 2 una probabilidad de cola inquierda de 0.05) para v= 10y vp =20 etados de libertad Solucién Al usar la identidad y la tobla 6, Faos(20, 10) 277 8 = Fos(10, 20) = Note que los teoremas 6.4 6.5 requieren la suposicién de que son muestras de pobla- cionas normales. A diferencia de Ia situscién con la distribucisn r, las desviaciones de una distribucign normal subyacente, como una cola lanza, pueden tener un serio afecto sobre dichas distribuciones muestrales. En consecuencia, es mejor transformar a casi normalidad usando al enfoque de la seccicn 5.13, antes de invocar las distribuciones musstrales de asta Ejercicios La resistence o ls tenia (2,000 pal) de un nuevo compusrte puede modelarse como una distibucicn wormial. Una muestra aleateria de tamatio 25 expeci rmenes tiene media = 45.3 ¥ desviacion estindar 7.8, {Esta informacion tiende a spoyar o rechazar la sfirmacién de que la media de la poblacin e: 40.57 Los discos duros de computadoras deben girar de ma- nara equilbrada, y un aljamiento del nivel s¢ Hama cabeceo, Las mueswas se toman regularmente de la produccién y cada disco en la muestra se coloca en equipo de prusba que da como resultado uxa med dal cabaceo. A partir da diversas muesuas, se concht- ye que la poblacién 2: normal. La varianza e: of 62) Los siguientas som los tempos ante 6 Mamadas para tans ambulancia (en cierta ciudad) ylallezads del po (0.065 cuando al proceso esta ea comol. Una muestra ‘clente al hospital: 27, 15, 20, 32, 18 y 26 minutos. Use de tamafio 10 se recolecta cada semana. E] proceso 52 dhehas cifras para juzzar lo raronable Ge la afmacion declarara fuera de control si la varianza de le muta dal servicio d= ambulances de queen proms == t- supers 0.122, {Cuil es Ia probabalidad de que se decl- ddan 20 minutos en Ie Tameada por usa ambulancia tara foera de contol sun cuando o = 0.0857 Is llegada del pacente al hospital {Una muestra slestoria de 10 observaciones ve toma 6.22 Un proceso para fabricar ciertos cojinetes esta bajo de wna poblaciéa normal con la varianzs @? = 42.5 contol, si los diimetros de los cojinetes tienen una media de 0.5000 cm. :Qué puede decir acerca de ext proceso, situa muestrade 10 de dichos cofinetes tiene ‘un diametro medio de 0.5060 cm yuna desviacion es- tindar de 0.0040 cma? Encuentre la probabilidad aproximada de obtener una desviacign estindar muestral entre 3.14 y 8.94. ‘St musits alestonies independiente: de tamaiio ng = S provienen de poblaciones normales con la mis ma varianza, ;cual es la probabilidad de que alguna192 Capito 6 Dretnbucones muss: vvarianza musstral serd al menos 7 veces mayor que la otra? 626 Encuentre los valores de 4} Fags para 12 y 15 grados de libertad; 5) Fagg para 6y 20 grados de libertad 6.27 La distribucién chi cuadrada con 4 grados de bertad esti dada por Lieet® aro fiay-4 4 o a0 Encuentre la probabilided de que la varianza de una muestra aleatoria de tamaiio 5, de una poblacién nor- mal con e'= 12, exceda 180. #23 6.29 La distibucién recon I grado de Mbertad extd dads por 1 Ho - har Ay) we <1 “Variique el valor dado por (pqs para w= 1 en la tabla 4. La distibuciia F con 4 grados de Nberad ext dads mr fora nys jo Feo F>0 SFY ~ ‘Si se toman muestzas alectorias de tamaiio $ de dos oblicione: normale: que tienen la misma varanzs, ‘sucuentre la probabilidad de que la razén de la mavor ala menor varianza muestral excederd 3. 6.5 Representaciones de las distribuciones de la teoria normal Las distribuciones bisicas de teoria normal pueden definirse todas en términes de variables, aleatorias nonmales estindares independientes. A la definicidn de una nueva variable ales- toria, Sean Z,Z), Zp, ‘términos de otras, se le lama representacioa, _ Variables aleztorias normales estindares independientes con medis O-y-variamza 1. Primero, defina una variable chi cundrada. _,Z, variables alaatorias normales estindares independiantas. Sean Zi, 22, Representacion de variable aleatoria xB chi cuadrada ~ suma de cuadrados de v varizbles nomnales estindaves indepandientes = SC), 2? tiene una distribucigm chi cuadrada com v grados de libertad. (Considere dos varizbles alestorias chi cusdrada que tengan las representaciones x7 = = one 23 Poato que dependan de diferentes conjumtos de Z. son independiantes AT aunts estas dos representaciones, se coneluye, como en al ejercicio 635, gus ln suma de dos variable: chi cuadrada independionter, y3 + y}. tiene una distribuciSn chi cuadrada con grados de libertad + v3 Acontinaacién, puasto qua y2= J? 22 solo dependa da Z), Zp, Z,y son in- dependientes de Z, esta x2 y Z son independientes. Se define una variable aleztoria ten términos de dos varizbles aleatorias independiantas Zy x2 Sem independientes Ia Z normal estindar y chi cuadrads (x? Wbertad. Representacion de la variable aleatoria t armal cstindar ‘chi cuadrada ados deliberad = tiene una distribueién t con v zrados de libertad, Una variable alestoria F'se define an términos de dos variables chi cuadrada indepen diantes 4} y y3 com wy y vy grados de libertad, respectivamente,Representacién de la variable aleatoria F Seck5 Representaciones elas Geirbuclonss dela tzorta normal 193 Sean indepandiantes las variables chi cuadrada 7, con v, grades de libertad, y Ni.com vy grados de libertad. chi cusdrada Ey) # srados de libertad 1 chi eundrada vit srados de iberiad ot tiene una distribuciém F com (wy, v2) grados de libertad, El caso bisico surge a partir dem variables aleztorias normales independientes Xj, todas con la misma media uy desviacisn estindar 0. Entonces, tiene una distribucién normal estindar para cada i. Entonces, se sostiene que o("") B2-61Y" A término ala derecha es el cuadrado de la variable normal esténdar yf Z; por lo tanto, tiene vuna distribucién chi cuadrada con 1 grado de libertad. Puede demostrarse que los dos tét- minos ala derecha de Iz ecuacién son independientes y que se concluye que (m— 1)S%o? tiene uma distribucién chi cuadrada conn — 1 grados de Ubertad #2 tiene una distribucién F ‘Sea quer se distribuye como una distribucién ¢ com v grades de libertad. a) Use la representacién de t para damostrar que F tiene una distribucién F con (I, ») szados de libertad. 8) Utiliee el inciso a) para demostrar que f,/9 = Fa (I, v).194 CCoptudo & Disrbuciones mucsrabes Solucién a) Al usar Ia representacién de una variable aleatoriat, 2 Vy Puesto que, por Iz primera representacign anterior, Z? tiene una distribucién chi cua- rads con I grado de libertad y 2s independiente del denominador, s¢ confirma la representaci 8) l-«@ de Ia distnbucién F con (1, v) erados de libertad, P (tan StS tan) = PCP = ter) Por el inciso a), 12 =F, asi que se tiene 1-@=P{F ety) Pussto que 12,, satisface la definicién de F, (1, v), Ejercicios 620 631 Sean Z), .., Zsindependientes y coda una con distribu- ign normal estindar. a) Eopecfiquela dsvibucin de 2 + + 22+ 3) Eepecifiqueladseibucn de a laqva+qea a Sean Zi, Zpindapendientes y cada una con distibu- can normal estindar. Espectique la disembucién do te B+ Be RB ® 6m 633 dosdebenserizuales, Seam ZZ independents y cada una con distribu. isn normal astndsr ) Especifique ladiswibuciénde 22 + 22+ 22+ 72 8) Especifique la diswibucida de Z + 22 + 2 ©) Especifique la dicwibucién de Is suma de variables de los incisos a) y 8). Seam las variables chi cuadrada xf, com vp sradios de Ie bertad, y 93, com vp etados de libertad indanendientes sblazca el resultado de la pagina 192, cuy: es una variable chi cuadrada con»; + ¥, grados de I berad 6.6 El método de la funcién generadora de momentos para obtener tribuciones* Elmétodo de Ia fem es una herramianta muy convenionte para cbtanar la fumcién de distri- bbucign de La suma de variables aleatorias independientes. Sex que J} tiene fem Mj(#), que EX, tiene fom M.(0}, que X; tiene fam M,(), y asi sucesivamente. Entomces, por imdepen- dencia, la fem dels suma Xj + Xp + X3es (Ale! at Ey ie Cae B(eM Alats) ay Miya re x (= Miy(t)~ M(t) My(r) Myx iO Para cualquier mimero de + sultado, ables alestorias independientes, se tiene el siguiente re- ‘Bata seccin puede setae en una primera lectura Se verifican algures distibuciones mnestrles ceFuncién generadora de momentos para suma den variables aleatorias independientes ‘Solucién Sec 66 El metodo de lafuncion generadora de momencos paracbtaner duarbuciones 195 Teorema 6.7 Sean 4}, .... variables aleatorias independientes y sea X(, que tiene funciéu generadera de momentos My, (1) para f= 1, ..., m donde todas las funcionas generadoras de momentos existen para toda r< T alguna T> 0, Entonces, la fimeién ge- neradora de momentos de lz suma existe para toda tz Ty Max, (0) Mx (0) tx (0) Maxyexyrou alt ‘La fem de la suma de variables alestorias independientes es el producto de los compo- nantes de la fam Cuando al producto puede idantificarse, se econoce la distribueign de la suma. A este arzumento se le llama método de fumcién generadora de momentos. La suma de n variables aleatorias normales independientes es normal Sea Xi, Nqw,0°3); 15, Ns2,03)y4G, N(q3, 09), donde las tres variables aleatorias son independientes. @) Encuentre la distribucion de Xy + X2 + 03. 8) SeaX, Muj,07), para i=, 2, ..., my seaX; independiente, Demuestre que la distri- ‘bucién de su suma,)°"_| Xj, 2s normal con @) Sesabeque Xj tien: fem aneey = oe Shot de mode que My ong 9(0) = eR IPE ge PED gs Pe} H(ni tn ts) 42(oE ek bef Esta ikima foema se identifica como una M(js} + yep + 3,02 +62 + 02). Esto os 1a suma tiene una distribucién normal donde la media es la suma de las medias com- pponentas y Ia variznga es la suma de las variznaas 8 Myatt) = [Lem ite! = (tam) Net) A cde modo que Iz suma tiene una distribucién normal con media igual a la suma de las madias componantes, asi como varizuza igual a la suma de varianzas. 7 La suma de variables aleatorias de Poisson independientes sigue siendo una distribucién de Paisson ‘Sea que 1, tiene una distribucién de Poisson con parametro A., para i= 1,2, ... m, aX, independiente Demuestre que la distribuciim de eu sumz, 90" | Xj, es una distribuciin de Poisson con parametro:196 Caputo. Drentuctones mueetraer Solucién Se sabe que i; tiene fem En consecuencia, Mss Mie ek tke xlo= Tle At = (EM EE ae ma Esta es la dem de una distribucidn de Poisson con pardmetro 327 A / La suma de variables aleatorias independientes chi cuadrada es una distribucién chi cuadrada ‘Sea que X; tiene una distribucién chi cuadrada con v, grades de libertad, para i LQ ny sem las J; independientes. Use el mitodo de la fuacién generadora de momentos para demostrar que Ja distribucin de su suma, 377) ¥;, es uma distribuciém chi euadrada con grades de libertad EF Solucién a) Se sabe que X, time fom (1 - 21) %/7, de modo que 57%, X;jtione fem Ne o-Tl 1 - + Di C2? aay Lian? que se identifica como la fem de una distribucién chi cuadrada con 577 vj grades de ‘bertad. : Ejercicios 644 Sean ¥), X,, .., Up, variables aleatorias indapendion ‘te. Encuentre la famcicn generadora de momento Ms (0) — Be EEO de la suma, cuando X; tiene wna distribuciin de Poisson, ‘con media ay A, 05 8) A, 004 6.35 Sean 4, X3, .., Xs, 5 variables aleatorias independien- ves, Encuantre Ja fimcién genoradora de momentos is (BBE 4) ode I sums, cuando 1; tiene uns distibucién gamma cna; — 23 y B 2 Sean Hj, 3) y Hs variables normales independiente: 636 Un) - 2 of-4 B0R)- 1 y oF-9 BU) “1 oy oft 42) Damuesue que Jy +2.X;~ AX, tiene una distribu. cién normal 5) Encuontre la media y la varianza dela variable alea- toria en el inciso a}. Consulte €l jercicio 6.36. a) Demuestre que Xy— 33 +24 —5 tiene una dise ‘ibuciga nomal 2) Enquenye ls media y Ie varianza de la variable ales toria en el inciso 2) Sean Xj, 4 y ¥j varisbles aleatorias independientes 4 y o?-1 oy of-4 ey of-1 Mg t SX; tone uaa distribu: BK) B(X2)— B(x) — jestre que 2X; 2) Enquentae ls media y le varianza de la variable ales toria en el incise a) Consults el sjercicio 6.38. a) Demuestre que 7X; + Xz - 2X's +7 tiene una dis- ‘ribuciga nomal 2) Enquenae la media y Ie varianza de la variable ales toria en el inciso a)