FUNDAMENTOS DE JAY L. DEVOREFUNDAMENTOS DE PROBABILIDAD Y ESTADISTICA Primera edicién Jay L. Devore California Polytechnic State Univesity, San Luis Obispo Joel Ibarra Escutia Instituto Tecnoldgico de Toluca ‘Traduceién Javier Leén Cardenas | _Jestis Miguel Torres Flores Revisi6n técnica Ana Elizabeth Garefa Hernindez Instituto Politécnico Nacional Instituto Tecnolégico de Celaya Instituto Teenol Maria Josefina Hernandez Patio Saulo Servin Guzmin Marfa Teresa Villalon Guzen Instituto Tecnol6gico de Toluca Instituto Teenolégico de Durango Yolanda Alvarado Pérez Maria de la Luz Torres Valles Nelson Garefa Garefa Monica Citlali Huerta Zepeda Instituto Teenolégico de Hermosillo Carmen Margarita Montiel Leyva Hilario Mayboca Araujo Carlos Alberto Pereyda Pierre Tecnolégico de Estudios Superiores de Jilotepec Rodolfo Guadalupe Alcantara Rosales Instituto Teenolégico de Leén Luz Marfa Trinidad Pérez Alvarado Teenoligico de Estudios Superiores de Jocotitkin Christopher Gutiérrez Luna Instituto Teenolégico de Pachuea Jorge Ubaldo Jacobo Sanchez Luis Garefa Gonzilez Isaias Virquez Juarez Instituto Tecnol6gico de Querétaro Universidad Politécnica de Querétaro ‘ns Sanchez Aguilar Alejandro Flores Rangel Everardo Santiago Rendén Alondra Ortiz Verdin 3 “2 CENGAGE ‘stra Brasl + Corea Espa» Estados Unidos apn» Nico» Reine Unido Singapural CENGAGE Fundamontos de probabiidad © DR 2018 por Cengage Learning Editores, SA. de CY, yestadistca ‘una Compania de Cengage Learning nc. fimera edicion Carretera Mexico-Toluca nim, 5420, ofcina 2301, Jay. Devore Col £1 Yaqui. Del. uajimalpa. CP. 05320, Gudad de Mexico Director Higher Education Cengage Learning es una marca regstrada Latinoamérica: sada bajo permiso, Renzo Casapia Valencia DERECHOS RESERVADOS, Ninguna parte de Gerente ealtoria Latinoamérica: {este trabajo amparado por la Ley Federal del Jests Mares Chacén Derecho de Autor, podrd ser reproducida, ‘ransmitia, almacenada o utlizada en Editora de desarrol ‘cualquier forma 0 por cualquier medio, ya sea Abril Vega Orozco grafico, electrénico 0 mecénic, incluyendo, pero sin limitarse alo siguiente: fotocopiado, CCoordinador de manutactura Feproduccién escaneo, dgitalizacién, Rafael Pérez Gonzélez grabacién en audio, distribucién en internet, distribucion en redes de informacién 0 Diseno de portada almacenamientoy recoplacion en sistemas karla Paola Benitez Garcia de informacién a excepcion de la permitide €en el Capitul il Articulo 27 de la Ley Federal Imagen de portada: {el Derecho de Autor, sin el consentimiento (© Vectorwork/Shutterstock por escrito de la Editorial. Reg. 453 composicién tipografica: Esta es una adaptacin del libro: Heriberto Gachue Chavez Devore, jay L.Probabilidad yestatstica para Ingenieria cencias. Novena edcién. ©2016 ISBN: 978-607-522-828-0 Tradiucido del libro Probabilty and Statstes ‘or Engineering and th Sconces Ninth Edition. Jay L. Devore. Publicado en inglés por Cengage Learning €2016. ISBN: 978-1-308-25180-9 Datos para catalogacién biblografcs: Devore, jay L. Fundamentas de probabliad _yestadistca, Primera edicién. ISBN: 978-607-526-663-3 Visite nuestra sitio web en: http:tiatinoamerica.cengage.com Impreso en México 1234567 20211918Para mis queridos nietos Philp y Eliot quienes son estadisticamente significativos.Contenido Capitulo 1 Generalidades y estadistica descriptiva Introducci6n 1 1.1 Poblaciones, muestras y procesos 2 1.2 Métodos pictoricos y tabulares en la estadistica descriptiva 9 1.3 Medidas de ubicacion 25 1.4 Medidas de variabilidad 32 Ejercicios suplementarios 43, Bibliogratia 46 Capitulo 2. Probabilidad Introduccion 47 2.1 Espacios muestrales y eventos 48 2.2 Axiomas, interpretaciones y propiedades de la probabilidad 53, 2.3 Técnicas de conteo 61 2.4 Probabilidad condicional 70 2.5 Independencia 80 Ejercicios suplementarios 86 Bibliografia 87 Capitulo 3. Variables aleatorias discretas y distribuciones de probabilidad Introduccion 88 3.1 Variables aleatorias 89 3.2 Distribuciones de probabilidad para variables aleatorias discretas 92 3.3 Valores esperados 102 3.4 Distribucién de probabilidad binomial 110 3.5 Distribuciones hipergeométrica y binomial negativa 119 3.6 Distribucién de probabilidad de Poisson 124 Ejercicios suplementarias 130 Bibliografia 131vi contenido Capitulo 4 Variables aleatorias continuas y distribuciones de probabilidad Introduccion 132 4.1 Funciones de densidad de probabilidad 133 4.2 Funciones de distribucién acumulada y valores esperados 138 43 Distribucién normal 147 4.4 Distribuciones exponencial y gamma 161 Ejerccios suplementarios 168 Bibliogratia 170 Capitulo 5 Estimacién puntual Introduccion 171 5.1 Algunos conceptos generales de la estimacion puntual 172 5.2 Métodos de estimaci6n puntual 188 Ejercicios suplementarios 198 Bibliogratia 199 Capitulo 6 Intervalos estadisticos basados en una sola muestra Introduccién 200, 6.1 Propiedades basicas de los intervalos de confianza 201 6.2 Intervalos de confianza de muestra grande para una media y para una proporcién de poblacién 209 6.3 Intervaios basados en una distribucién de poblacién normal 219 6.4 Intervalos de confianza para la varianza y la desviacién estandar de una poblacién normal 228 Ejercicios suplementatios 231 Bibliogratia 232 Capitulo 7 Pruebas de hipotesis basadas en una sola muestra Introduccion 233 7.1 Hipotesis y procedimientos de prueba 234 7.2 Pruebas de hip6tesis z sobre una media de poblacion 248 7.3 Prueba t de una sola muestra 256 Ejercicios suplementarios 268 Bibliografia 269Capitulo 8 Capitulo 9 onenido Analisis de la varianza Introduccién 270 8.1 ANOVA unifactorial 271 82 Comparaciones mltiples en ANOVA 281 Ejerccios suplementarios 287 Bibliogratia 289 Regresion lineal simple y correlacion Introducci6n 290 9.1. Modelo de regresion lineal simple 291 9.2 Estimacién de parémetros de modelo 299 913 Inferencias sobre el parémetro de la pendiente p, 313 9.4 Inferencias sobre p,. ,-y prediccién de valores Y futuros 322 95 Cortelacién 330 Ejercicios suplementarios 340 Bibliografia 342 ‘Apéndice de tablas* Tabla A.1._Distribucién binomial acumulada A-2 Tabla A.2 Distribucién acumulada de Poisson A-4 Tabla A.3 Areas de la curva normal estandar A-6 Tabla A4 La funcién gamma incompleta A-B Tabla A.5 Valores criticos para distribuciones t A-9 Tabla A.6 Valores crticos de tolerancia para aistribuciones normales de poblacion A-10 Tabla A.7 Valores criticos para distribuciones ji-cuadrada A-11 Tabla A.8 Areas de cola de la curva t A-12 Tabla A.9 Valores criticos de la distribucion F.A-14 Tabla A.10 Valores criticos para la distribucion de rango estudentizado A-20 Tabla A.11 Areas de cola de la curva j-cuadrada A-21 Tabla A.12 Valores criticos para la prueba de normalidad Ryan-loiner A-23 Tabla A.13 Valores crticos para la prueba Wilcoxon de rangos con signo A-24 Tabla A.14 Valores crticos para la prueba Wilcoxon de suma de rangos A-25 Tabla A.15 Valores crticos para el intervalo Wilcoxon de rengos con signo A-26 Tabla A.16 Valores criticos para el intervalo Wilcoxon de suma de rangos A-27 Tabla A.17 Curvas B para pruebas t A-28 Respuestas a ejercicios seleccionados de nimero impar R-29 Glosario de simbolos y abreviaturas G-1 Indice analitico 11 7 Ete teria se encuentra aponible en linea, Aced a wn cengoge com eingree con SBN de Is beaPrefacio Propésito El uso de modelos de probabilidad y metas estadistios para analizar datos se ba convert en ‘na préctica contin en virtualmente todas las dsciplnas cienifiss. Est libro prctende ingoducir on ampitadaqvelios modelos y metodos que con mayor peobabiidad encuentran y uiizan Tos estudiantes en sus careras de ingeniert yas elencas natufate. Aun cuando los empl eer. ‘cio se disefaron pensando en los ceaficosy Ios ingeniros, la mayora de lo mods tatados Son bisicos en los aalsisestadisticos de muchas otras dsciplnas, po lo que los estudiantes de as clencasadminisvatiasy sociales tambign se beneficardn Con a lctra de este iro. Enfoque Los estudiantes de un coro de extasica dst para servira otras esecialidades de estudio al principio es posible que dden de valor y la elevanca del material, pro mi experiencia es que fos exudiantes pueden conecanse co la estaisca mediante buenos ejemplos ¥ eeciios ue cominen sus experenias daria com ss itereses cintfics, Ast pues, he aba dro para contra ejemplos eles no articles, qe alguien pens qe Vali la pes recopiary analiza Machor dels méladospresenados, sabre tod en los imas eapfulos sobre inferencta estas ‘ic, se osm analizando datos tomas de una fuente publica y muchos de Ts eeriios a= ‘en implica abaar con dichos datos. En ocasones es posible qu tector noes fanaa con cl cntexo de un problema particular (como muchas veces yo lo estve), pero med cena de {ue los problemas reas con un eootexio un tan extafosraca mn alo estudiantes que aquellos ‘oblemas defntvamente artis en un entrmo conocido Nivel matematico Laexposicion es relativamente modesta en funcién del desarrollo matematico. El uso sustancal de leu se hace ssl en el capftulo 4 y en partes de Tos capitulos 5 y 6. En particular, con excepeién 4e una observacién o nota ocasional, el edleulo aparece en la pare de inferencia de libro s6lo en la segunda seceig del capitulo 6, No se utiliza gebra matricial enabsoluto. Por tanto, casi toda Ia exposicin dehera de ser accesible para aquellos cuyo conocimiento matemético incluye un semestreo das trimestres de edleulo diferenciale integral Ayuda para el aprendizaje de los estudiantes [Aunque e! nivel matematico del libro representaré poca dficultad para Ia mayoria de los estu- iantes, es posible qu el abajo drigid hacia la comprensin de los conceptos y Ia apreciacién del desarrollo lgico de la metodologia en ocasionesrequicra un exfuerzo ststancal. Para ayudar ‘que los estudiantes ganen en comprensi6a y apreciaci6n he proporeionado mumerosos eerccios 4e dificultad variable, desde muchos que impliean la aplicacién rutinaria del material ineluido en cl texto hasta algunos que le iden al lector que extenda los conceptos analizados en el texto a ‘iuaciones un tanto nuevas Existen muchos ejrcicios mis que la maoria de los profesores desea sa asignar durante cualquier curso particular, pro recomiendo que se les pida a los estudiantes que resuelvan un nimero sustancial de los mismos; en una disciplina de solucidn de problemas, compromiso activo de esta clase es la forma mas segura de identifica y cerrar las brechas en el entendimiento que inevitablemente surgen Para acceder al material aicional dl libro, por favor visite www-cengage.com ¢ ingrese con LISBN de la obra. Reconocimientos Mis colegas en Cal Poly me proporcionaron apoyo y etroalimentacin invaluables durante el curso 4e Tos ailos. Tamibgn agradezco a los muchos usuarios de ediciones previas que me sugitieron mejoras (y en ocasiones errores identificados). Una nota especial de agradeeimiento va para “Matt Caron por su trabajo en los dos manuales de soluciones, uno para profesores yl oto para estudiantes.La generosa revalimentacién provista por os siguientes revisores de esta edicién y de cediciones previas, ha sido de macha a¥uda para mejorar el ino: Robert L, Armacost, University of Cental Florida; Bill Bade, Lincoln Land Community College; Douglas M. Bates, Universi ‘of Wisconsin-Madison; Michael Berry, West Virginia Wesleyan College: Brian Bowman, Auburn University: Linda Boyle, University of owa: Ralph Bravaco, Stonehill College; Linfield C. Brown, Tuits University: Karen M. Bursic, University of Pittsburgh; Lynne Butler, Haverford College: Troy Butler, Colorado State University; Barret Caldwell, Purdue University; Kyle Caudle, South Dakota School of Mines & Technology; Raj S. Chhikara, University of Houston—Clear Lake; Edwin Chong, Colorado State University; David Clark, California State Polytechnic University st Pomona; Ken Constantine, Taylor University; Bradford Crain, Portland State University David M, Cresap, Univesity of Portland: Savas Dayanik, Princeton University: Don E, Deal, University of Houston; Annjanete M. Dodd, Humboldt State University; Jimmy Doi, Califor Polytechnic State University-San Luis Obispo; Charles E. Donaghey; University of Houston: Patrick J. Driscoll, U.S, Miltary Academy; Mark Duva, University of Virginia; Nassir Elina, Lincoln Land Community College: Thomas English, College of the Mainland: Nasser S. Fard, Northeastem University; Ronald Fricker, Naval Posigraduate School; Steven 7. Garren, James Madison University: Mark Gebert, University of Kentucky: Harland Gaz, University of Maryland: Ken Grace, Anoka-Ramsey Community College; Celso Grebogi, University of Marsland; Veronica Webster Grifis, Michigan Technological University; José Guardiola, Texas A&M Universit Corpus Christi: K. L, D. Gunawardena, University of Wiscoasin-Oshkosh: James J. Halavin, Rochester Insitute of Technology: James Hartman, Marymount University: Tyler Haynes, Saginaw Valley State University: Jennifer Hosting, Colorado State University; Wei-Min Huang, Lehigh University; Aridaman Jain, New Jersey Insitute of Technology; Roger W. Johnson, South Dakota School of Mines & Technology: Chihwa Kao, Syracuse University; Saleem A. Kessam, University ff Pennsylvania; Mohammad T. Khasawneh, State University of New York-Binghamton: ‘Kyungduk Ko, Boise State University; Stephen Kokoska, Colgate University; Hillel J. Kumin, University of Oklahoma; Sarah Lam, Binghamton University: M. Louise Lawson, Kennesaw State University; Faliang Li, University of Wiseonsin-Madison: Wooi K. Lim, William Paterson University: Aquila Lipscomb, The Citadel; Manuel Lladser, University of Colorado at Boulder, Graham Lord, Univesity of California-Los Angeles; Joseph L. Macaluso, DeSales Univer Ranjan Maitra, Iowa State University; David Mathiason, Rochester Insiute of Technology; Amold R. Miller, Univesity of Denver: John J. Millson, University of Maryland; Pamela Kay Miltenberger, West Viginia Wesleyan College; Monica Molsee, Pond State University: Thomas Moore, Naval Postgraduate School: Robert M. Norton, College of Charleston: Steven Pick Naval Postgraduate School; Robi Polikar, Rowan University: Justin Post, North Carolina State University: Emest Pyle, Houston Baptist University: Xianggui Qu. Oakland University: Kingsley Reeves, University of South Florida: Steve Rein, California Polytechnic State University-San Luis Obispo; Tony Richardson, University of Evansville; Don Ridgeway, North Carolina State University; Larry J. Ringer, Texas ARM University: Nabin Sapkota, University of Cental Florida Robert M. Schumacher, Cedarville University: Ron Schwartz, Florida Atlantic University; Kevan Shafizadeh, California State University Sacramento; Mohammed Shayib, Prairie View A&M; Alice E, Smith, Auburn University; James MacGregor Smith, University of Massachusets; Paul J. Smith, University of Maryland; Richard M, Soland, The George Washington University: Clifford Spiegelman, Texas A&M University; ery Stedinger, Cornell University; David Steinberg, Tel, ‘Aviv University; Wiliam Thistleton, State University of New York Institute of Technology’ 1 Stephen Viggiano, Rochester Institute of Technology: G. Geoffrey Vining, University of Florida; ‘Bhutan Wadhwa, Cleveland State University: Gary Wasserman, Wayne State University: Flaine Wenderholm, State University of New York-Oswego; Samuel P. Wilcock, Messiah Colleze, Michael G. Zabetakis, University of Pitsburgh; y Matia Zack, Point Loma Nazarene University ha de MPS Limited ha realizado un trabajo excelente al supervise la pro- ‘ucci6n det libro. Una vez mas me veo obligado a expresar mi grated a todas aquelas personas fen Cengage que han hecho contribuciones importantes lo largo de mi carera como escritor Je libros de texto. Para esta edcin mas recente, un agradecimicnto especial a Jay Campbell (por Spencer Arsitt Cathy Brooks y Andrew Coppola. También apreciamos la labor estelar de todos los representantes de ventas de Cengage Learning que han trabjado para hacer que tis libros sean nds visible para la comunidad estaistica. Por Gltimo, pero no por ello menor, un sinero agrade- cimientoa mi esposa Carol por sus déeadas de apoyo, y a mis hijas por proporcionarinspiracién através de sus propios logos. Jay L Devore Agradecimientos {Queremos agradecer a todos fos profesores que participaron en esta obra sus aportaciones y suge- reneias fueron invaluables para el desarrollo de la misma. Cengage LatinoaméricaGeneralidades y estadistica descriptiva INTRODUCCION Los conceptos y métodas estadisticos no son slo utiles sino que can frecuencia son indispensables para entender el mundo que nos rodea, Proporcionan formas de obtener ‘ideas nuevas acerca del comportamiento de muchos fendmenos que usted encontrar fen el campo de especializacion que haya escogido en Ingenieria o ciencas. La estadistca como disciplina nos ensefa a realizar juicos inteligentes y to- mar decisiones informadas en la presencia de incertidumbre y variaci6n. Sin estas hhabria poca necesidad de métodos estadisticas o de profesionales en estadistica, Si los componentes de un tipo particular tuvieran exactamente la misma duracién, si to- dos los resistores producidos por un fabricante tuvieran el mismo valor de resistencia, si las determinaciones del pH en las muestras de suelo de un lugar en particular dieran resultados idénticos, etcétera, entonces una sola observacién revelara toda la informa- cion deseada La estadistca oftece no sélo métodos para analizar resultados de experiments luna vez que se han realizado sino también sugerencias sobre cémo pueden llevarse a abo los experimentos de una manera eficiente para mitigar ls efectos de la vaiacion y tener una mejor oportunidad de legar a conclusiones correcta. Capitulo2 caPlruo 1 Genesaldadesy estadiica deserptva 5 eo) lt Los ingenieras y cientficos constantemente estin expuestos a la recoleccién de hechos © datos, tanto en sus actividades profesionales como en sus actividades diarias, La estadistica proporciona métodos de organizar y resumir datos, y de obtener conclusiones basadas en la informacién contenida en los mismos. Usualmente una investigacién se centrari en una coleccisn bien definida de abjetos que constituyen una poblacién de interés. En un estudio la poblacién podria consistir en ‘todas las edpsulas de gelatina de un tipo particular producidas durante un petiodo espe- cifco. Otra investigacién podria implicar la poblacidn compuesta de todos los individuos {que obtuvieron una licenciatura de ingenieria durante el tllimo ciclo académico. Cuando la informacién deseada estd disponible para todos los objetos de la poblacién, se tiene lo {que se conoce como censo. Las restreciones de tiempo, dinero y otros recursos escasos casi siempre hacen que un censo sea imprictico 0 poco factible. En su lugar, se selecciona tun subconjunto de la poblacién —una muestra—, de alguna manera recomendada. Ast pues, se podrfa obtener una muestra de cojinetes de una corrida de produccién particular ‘como base para investigar si se ajustan a las especificaciones de fabricacién; 0 se podria seleceionar una muestra de los graduados de ingenieria del sltimo aio para obtener retroalimentacién sobre la calidad de los programas de estudio de ingenieria Por lo general existe interés s6lo en ciertas caracteristicas de los objetos de una poblacién: el ndmero de grietas en la superficie de cada recubrimiento, el espesor de cada pared de la cépsula, el género de un graduado de ingenierta, la edad a la cual el individuo se gradué, etcétera, Una earacteristica puede ser categérica, tal como el género 0 el tipo de funcionamiento defectuoso, o puede ser de naturaleza numérica. En el primer caso el valor de la caracteristica es una categoria (p. ej, femenino o soldadura insuficiente), ‘mientras que en el segundo caso, el valor es un ntimero (p. ej, edad = 23 alos, 0 di ‘metro = 502 cm). Una variable es cualquier caracteristca cuyo valor puede cambiar de tun objeto a otro en la poblacién, Las dltimas letras de nuestro alfabeto, en mindscula, wo 040 om th Parece la grificarazonablemente simérica en torno a un BSE OS 086136087888 01D O40 Valor representativo,o deseribira su forma de ota manera? eI ad a OO OLA {Habe algunos valores de resistencia extremos? 04S 046 046 047 O48 O48 O48 OSI O54 {Qué proporcion de las observaciones de resistencia en 054 055 058 042 0166 065 067 068 075 ‘esta muestra exceden de 10 MPa?2. CConstruya una gefica de tll y hojas com tallos epetidos ¥ comente sobre cualquier caraterfstica interesante de la ‘rica ‘Los datos juntos de granulomas (nm) de CeO, bajo cer. condiciones experimentales fueron leidos de un griica en cf aniculo “Nanoceria—Bnergetis of Surfaces, Interfaces and Water Adsorption” UJ. ofthe Amer Ceramie Soe, 2011 3992-399) R0-<35 35-<40 40-<45 45-50 50-255 5 Is 2 Pa 2 55-<60 60-<65 65-<70 1.0-<75 75-<80 4 7 2 4 1 Qué proporcién de las obsevaciones son menores de 5? Qué proporcién dels vbservaciones son al menos 6? ‘¢ Construya un histograma con frecuencia relaiva en el eje vertical y coment las carscteristicasiteesantes. En pot= ticular, Ia distribu de tamaes de pareula parece razonablemente simetica 0 algo sesgada? ow: Los investgadoresajustan los datos a una distibuci logait- ‘mica-normal esto se analiza ene capitulo 4.] 44. Constuya un histograma con la densidad ene ee vertical 1 eompérelo com el hstograma del incso¢). ‘Las propiedades mecénicas permisibles paa el disco estruc- ‘ural de vehiculos aeroespaciales metilicosrequieren un met do apeobado para analiza estadsticamente los datos de pruch cempirces. El aniculo “Establishing Mechanical Property Allowables for Metals” J. of Testing and Evatuation, 1998 293.209) uiliz6 los datos anexos sobre resistencia ala tnsi6n 1 (ke/pul) como base para abordar Is difeutades que se presetan en el desarrollo de dicho método. m2 ims 130 isis 127 1332 140 1347 1352 1357 59 1366 ins 18 9 09 M36 naa m9 sos 1323 ing 1333 140 1347 1352 ss 1360 1368 wis ines 95 M409 mas 1243 1286 1263 1265 1265 1272. 1273 1286 1288 1290 1292 1294 1296 1302 113 BL4 BLA 1315 BL6 316 BLS 1324 1324 1328 1325 1325 1325 1326 1330 131 1381 1334 1381 1332 1332 1333 1335 1335 1335 188 1339 1340 140 1341 142 1343 144 134 1346 1347 48 1348 148 19 1349 1352 1353 1353 1354 1355 1385 1356 1356 TSS 1358 1358 1358 13591359 1359 1360 1361 1362 13621363 1364 13664 1369 1369 1370 137.1 1372. 1376 1376 IBIS 1379 1379 13821382 13831383 D384 1385 1385 1386 1987 1387 1590 1396 1398 1398 1400 400 1407 407 M12 Ld MLS M16 42.9 34 135 M38 1439 14h 1445 1445 1477 477 4 46 12 1s 3 54 16 34 84 su wos 18 93 83 15, Am Pr 1.2. Métodos pictrics yabuares en estadstia desciptia 21 ‘a. Construya una grifca de tll y hojas de los datos elimi ‘mando (runcando) los digitos de décimos y luego reitien- dd cada valor de tallo cinco veces (ana vez para las hojas 1'y2, una segunda vee para las hos 3 y 4, ee). Pr que relativamente fell idemtifiear un valor de resistencia representativo? 1b. Consiuya un histograma uilizando clases con ancho igual con la primera clase qu tiene un limite inferior de 122 y un limite superior de 124. Enseguida comente sobre cual uier earacterstica interesante del histograms, El conjunto de datos adjunto se compone de observaciones del flujo de una egadera (L/min) para ura muestra den = 129 ass cen Pent, Australia (“An Application of Bayes Methodology to the Analysis of Diary Records in a Water Use Study", J Amer. Stat, Assoc 1987: 705-711) 23 11 70 40 92 67 69 1S Sa WS 43 80 BS 64 5:1 56 96 75 62 58 23 34 104 98 66 37 64 65 76 93 92 73.50 63 138 62 48 75 60 69 108 75 66 S033 39 119 22 150 72 64 133 189 72 55 43 90 17 113-74 50 3S 82 73 103 19 60 56 95 93 14 97 67 102 62 $4 70 48 56 9S 146 ISS 1S 64 34 55 66 59 150 96 20 69 41 36 119.37 57 68 113 96 104 93 69 98 91 16 45 62 32 49 50 60 82.63 38 60 Consruya una gif de tallosy has de os datos. {Cull es una velocidad de fyjo o gasto tipco o repesen- La prifica parece estar ltamente concentra 0 disperss? 4 (Es la disibucin de valores razonablemente simi? Sino, godmo deserbiea el alejamiemo de a simetria? ‘€¢Deseribina alguna observcin como alejada del resto de fos datos (un valor atipico)? ‘Los tiempos de duracin dels peliculas estadounidenses fi ren.de alguna manera de as del cine francs? El autor imvestig6 ‘esta cuestin seleccionando sleatoramente 25 pelculsrecien: tes de cada tipo, lo que resulta en los siguientes tiempos de buracin (i 94 90 95 93 128 95 125 91 104 116 162 102 90 110 92 113 116 90 97 103 95 120 109.91 138 123 116 90 158 122 119 125 90 96 94 137 102 WS 105 95 125 122 103 96 111 81 113 128 93 92 CConstruya una. réfca de tallos y has comporaiva y haga na lista de tll ala mitad deta gina, y lego ubigue las hojas Am a la izquierda y las ra la derecha. A continua comente las caractristicas ineresantes dela sifica.22 cAPMULO t Goneraidadesyestaesca desciptha 16, Elantculo citado en el ejemplo 1.2 también dio las observacio nes de resistencia adjuntas para los elindos 61 58 78 71 72 92 66 83 10 83 78 81 14 8S 89 98 OT 141 126 112 ‘4. Consirya una grifia de alos y hojascomparaiva (vase cl ejereicio previo) de los datos dela vigay el ino y Tego responds las preguntas de los incisosb) ald) de jetccio 10 para las observaciones de os elias. Ein qué formas son similares los dos lado de Ia grea? {Eisten diferencias obvias entre las observaciones de la Vga y las observaciones do indo? ‘& Constr una grifica de panto de los datos del 17, Los dos adjunton proceden de un estudio de contuberios en ts lictaciones dentro de la industria de la consrucciGn (Detection of Callusive Behavior”, J. of Construction Engr ‘and Mgmnt, 2012: 1281-1258) ind, [Néim, Concursantes [Nem Contratos 2 1 3 20 4 2% 5 16 6 n 7 9 5 6 9 4 10 3 u 2 8. :Qué proporcin de contrtos implica 8 lo ms a cinco ‘concursantes?;Y al menos a cinco concursanes? 'b {Qué proporciGn de conrats implica entre cinco y 10 ‘oncursantes, inclusive? :Y estrictamente ente cinco y 10 concursantes? & Consiruya un histograma y comente las caactersticas 18, Cada corporacién tiene un consejo de directores. El nimero de personas en un consejo vara de una empresa a otra Uno de Jos autores del aticulo “Does Optimal Corporate Board Size Exist? An E Analysis” U. of Applied Finance, 2010: 57-69) proporciona los datos del ndimro de direcores en cada consejo, en una muestra aleatoria de 204 corpora Nim.dedivciows: 4 5 6 7 8 9 Frecuencia 3 2 Bow mM 2 Nom, deditcctores: 10M 1213S Frecuencia 3 1 6 Ws 4 Nim, deditectores: 16 17 22432 Frecuencia Pos bong 1», 20. ‘4 Construya un hstograma de los datos con base en fre- euencias relativas y comente cualquier caracterts ‘b. Consirya una dstbucién de frecuencia en la cual se inlays en la tima fils todos los consejos con al menos 18 dirctores. Si sta dstrbucion se muestra en el citado atcul, podria dibjar un histograma? Explique {Qué proporcin de estas coporaciones tienen ao mas 10 tirectores? 4. :Qué proporcién de estas empresas tiene més de 15 firectores? ‘Se determine nimero de particu contaminants en una Blea desilco antes de cieno proceso de enjuague para cada oblea en ‘una muestra de tamafo 100 y se obtuvieron ls siguientes Frecuencia Mimerodepanieuas 0 1 2 3 4 5 6 7 Frecuencia 12 3 12 was 1) 0 Mimerodepaniculas 8 9:10 M12 13 14 Frecuencia Ras 3a124 {Qué proporcin de las obleas dela muestra tayo al menos ‘una partcula? ;Y al menos cinco parculas? ‘bh. : Qué proporidn de ls obleas de la muestra tuo entre cinco Y diez paniculs, inclusive? ZY estretamente ene cinco y tie pares? ‘Trace un hstograma con la frecuencia relativa en el je vertical. Céimo describ la forma dl histograma? FEI anticulo “Determination of Most Representative Subdivision” UJ. of Energy Engr, 1993: 43-88) proporciona datos sobre varias caacterstias de subvsiones que odrian ‘liars para decid ise uminisia energetic median te lines elevadas 0 por medio de lineassuberrneas. He agut Jos valores de la variable = longitud total de calles dentro de una sbaiviin: 12805320 4390 2100 1240 3060. 4770, 1030 360 3330 3380 40. 1000960 1320 520 3350, 540.3870 1250 2400 960 1120 2120 430 2250 2320 2400 “3150. 5700 5220 500 1850 2460 5850 2700 2730 1670 100 5770 3150. 1890 S10 240 396 1419. 2109 ‘Consiuya una grifia de hos tallos come digit de os nillares como tallo y el dgito de las centenas como las hojas. y comente sobre las diferentes caracteisticas de la ifia 'b. Construya un histograma con los limites de clase, 0, 1000, 2000, 3000, 4000, 5000 y 6000. .Qué proporeién de subdivisones tiene una longitud total menor que 20002 {Entre 2000 y 4000? ;Cémo describira ta forma el histograma?a. Fl anculocitadoen el eerici 20 tambign sports fos siguen- tes valores dels variables y = nero de calles cerradas y 2 = niimero de inersecciones y1o1o020111210011011 c1861153004400121404 yl1aoo11201221102110 £O301101324660118335 ylso3o1iog 2052310003 | Constuya un histogram con los datos y. Qu proporcién de estas subivsiones no tena calles ceradas? ZA menos una calle cermada? ‘bh Construya un histograma con los datos. ;Qué proporeign de estas subdivisiones tenia cuando mucho cinco intersec- iones? £¥ menos de cinco imtersecciones? {{Cémo varia a velocidad de un corredor durante un maratén ona distancia de 42.195 km)? Consiere determina tanto el tiempo de reorrdo de los primeros 5 km com el tiempo de recorrido ente Ios 35 y los 40 km, y luego reste el primer tiempo del segundo, Un valor postivo de esa diferencia co- respond a un comedor que avanza ms lento hacia fina de la camera, EL histograma adjunto esté basado en los tempos «de corredores que paticiparon en varios maratones japoneses (Factors Affecting Runners’ Maraton Performance”, Chance, otobo de 1993: 24-30). ;Cuales son algunas carac- teristicasimeresantes de este histoprama? ;Cudl es un valor de diferencia tpico? ;Aproximadamente qué proporciéa de Jos participants coren ls ima distancia mas rpido que Is primera? Histograma para el eric 22 20 150 so 2 Frecuencia Diferencia eiempos =100" 0100 200" 300" 800" S00" 6a 700" 800 EI aniclo “Statistical Modeling of the Time Course of ‘Tantrum Anges” (Annals of Applied tas, 2009: 1013-1034) analiza cémo I inlensidad de I ira en lon berrnches de los nis puede estar elacionada con la duracign de la rabieta, 1.2. Métodos pictricas yabuares en stadia descptva 23 sf como con Ios indicadores de comportamiento, tales como vila, araar y empujar 0 iar. Se proporciona siguiente ht isuibucién de frecuencia (y también el histograma comres- pondiente: 0-2: 136 <0 26 <9 20-630: 7 sen 71 w0-<40; 3 ‘Construya un histograma y comente sobre las earaetersticas El conjunto de dato juntos consist en obsersacones de resis teacia al esfuezo cortante (1b) de sldaduras de puntos ultras nicasaplicada en un cero tipo de limina alclad. Construya un histograma de frecuencia relativa basado en diez clases de aneho gual con limites 4000, 4200. [EI histograma concor: ars con el que se muestra en “Comparison of Properties of Joints Prepared by Ultrasonie Welding and Other Means” U. of Aircraft, 1983: 582-856), Comente sobre sus carat S44 4948 45214570 4905702241 S112 S01S 46594806 4637 $670 4381 4820 50134886 459952885209 dass S378 5260 S0SS S88 S2IB 48594780 5027 S008 460947725133. 50954618 4848 S089 SSIS S333 SIGH 5325069 4755 4925 Sol 4803 495156795256 S207 S621 4918 S138 47864300 S461 sos 4974 459241735296. 49655170, 414) SITS 4568 5653 SOE 49004968 S248 S245 47235275. S419. 52054852 S227 S855 S388 498468 S076 4774 4931 4493 530955824308 4823. 4817 5364 S610 5069 S188 S764 5273 S082 5189 4986 ‘Una wansfonnacién deve de datos mediante alguna fon «iia matemiicy, tl como Yo Ur a menido produce un Conjumo de nimers con “nejres" propiedad estiticas {elo aon rns Fa partial owl encontrar fencign pra la cual hstograma de vars transfor cx ins sme (nls mej ms como un cave forma 4 campana) ue los datos oztls. Por cempl. el aicuo Time Lapse Cinematographic Anas of Bey am Lan Fibroblnt Interaction” (iron. Research, 1983: 3-3) repens elon experimen dead pra et iar ol comporamiont de lea els indivi uc huh xa expen ero Uns important erate de ices cls invalid {IDT, por sn sizlos em ingle). Se dsterminaron temps de intr de wn gran mimew de els, at en eon nes expt (rate) como ch no expen oat)24 cAPIULOt Goneraidadesy esaesca desciptia wr 281 312 iar 460 258 168 ery 3 20 9 195 au 319 239 26, 2. [Los autores del antiulo utlizaron una tansfrmacin logart mica, es dei, vlorranformado = logtvalr original). Cons dere los siguientes tiempos de intrdivisin representatives. og,(IDT) DT tog,J1DT) IT tog, DT) Te 14800717 ge ieee tt issH 19 1660214183836 isl 66128 1232S 1s¢ 3201S] 281.86 Os is eo 1 14500741 1250 R59 PL 19306 DTS LT 132 5567S, 4096 toon ss a 146 524d ‘Use Los imtervaos de clase 10-20, 20-<30,.. para contrir tum histograma de los datos originales. Use los intervalos L1-<12, 12-€13,.. para hacer Io mismo eon Tos datos ‘ransformados. ,Cual es el efecto de la ransformacién? nla acialidad se est wilizando la ditacein retrodispersa ds de electrones en el estudio de fendmenos de fractar. La ‘Siguiente informacin sobre ngulo de desoientacin (grads) ‘sentra del articulo “Observations on the Faceted Initiation Site in the Dwell-Patigue Tested Ti-6242 Alloy: Crystallo sraphic Orientation and Size Effects” (Metallurgical and Materials Trans., 2006: 1507-1518), Clase: 0-85 S-<10WH 2) se pueden utilizar las k proporciones muestrales para responder preguntas sobre las proporciones de poblaci6 p,,... Py \CICIOS Seccion 1.3 (33-43) 33. E11° de mayo de 2009 The Montctarianrepors los sivientes 1. Suponga que la 6 abservacisn hubiera sido 985 en lyr sumentos alos precios de venta de una muestra de casts en de 1285, mo cambiarfan la media y ta medians? ‘Alameda, CA, después de las que se vendieron el mes anterior ‘& Calcule una media recortada 206 eliminando primera ls (miles de dolares: dos observaciones muestales mis pequtiasy Its dos més 590 815 S75 608 350 1285 408 S40 555.679 srandes. ‘a. Calcul e interpret media y ls medians muesieales, 4. Calcule una media record 1563M. La exposicidn a productos microbianos, especalmenteendo- ‘oxina, puede tener un impacto en la vulnerabildad respecto a enfermedades argcas. El ail for (Undoor Air, 2006: 20-27) considers temas asociados com la terminacidn dels concentacin de endotoxing. Los siguientes datos sobre eoncenracin (EU/mg) en polvo asentida de una muestra de hogaes urbans y otra de casas campestes fueron roporeionados or los autres del arcu ita, U: 60 5.0 110 330 40 50 800 180 350 170 230 F. 40140 110 9090 80 40200 50 $9 210 92 30 20 03 ‘Determine la media muestra de eada muestra {Cém0 se ‘comparan? Determine la modians muestra de cada muestra. :Cémo se ‘comparan? ;Por qué la mediana dela muestra urbana es tan diferente de la media de dicha muests? ‘& Cakule la media recortada de cada muestra climinando la bservacin mis pequefa y la mis grande. :Cuiles son los poreentajes de recortecorrespondientes? {Cémo se com para los valores de estas medias ecortadas com as meas ¥ las medianas correspondients? 38, EI mercurio es un contaminante del ambiente persstente y Aisprsivo en muchos. ecosistemas alrededor dol mundo (Cuando se libera como un subproducto indutial 2 menudo encuentra su camino en los sistemas acuiens donde puede tener efectos deletéres sobre diferentes especies acusticas y en aves, Los datos juntos en la concentracin de mercurio de 1a sangre (gfe) pa las hembras adults cerca de 1s conta rminados en Virginia se obtuviron den grifica en el articalo ercury Exposure Effects the Reproductive Saccess of Free-Living Terrestrial Songbird, the Carolina Wren” (The Auk, 2011: 759-769; esta es una publicaidn de la American Ornithologists’ Union, 020 022 025 030 034 041 055 056 La 170 183 220 225 307 3.25 ‘8 Determine los valores dela modi y Ia mediana mucstaes Y expigue por qué son diferentes, [Sugerenciar x, 1855) Determine el valor de Ia media recortada 10% y compare con la media y la median, ‘6 {Cusnto podria aumenta Ia observacidn 0.20 sin afectare ‘alr de la medina dela mest? 36, Una muestra de 26 trabaadores de plataforma perolera marina tom pate en un ejereicio de escape y se obtuviron lox datos juntos de tiempo (5) para completar ef escape (“Oxygen ‘Consumption and Ventilation During Escape from an Offshore Platform”, Ergonomics, 1997: 281-292) 389 356 359 363 375 424 25 304 402 373373 310 364 365 364 325 339 393 392 369 374 359 356 403 334.397 37. 1.3 Medes de ubeacén 31 ‘a. Constraya una grfia de alloy ojas de los datos. {Cém0 sugiere la grfica que se comparen la media y la mediana muestra? 1 Calcul los valores de la media y 1a mediana moestales [Sugerencar Bx, = 9638, {En culo se podria increment el tiempo més largo, fctualmente de 424, sin afectar el valor de la medina rmuestal? {En cui se pods disminir este valor sin fecal valor dela mean muestral? 44. {Cusles son los valores de y¥ cuando las observaciones ‘se elven a expresan en minutos? Elarculo “Snow Cover and Temperature Relationships i North America and Eurasia” UJ. Climate and Applied Meteorology, 1983: 460-469) tli enica estadtias para ‘elacionr la eobertura dela capa de nieve en cada continent ‘on la temperatura promedio continental Los dats al presen: laos incluyeroa las siguientes diz obsorvaciones dela cap de nieve en octubre en Eurasia durante el periodo 1970-1979 (ca millones deka’ 65 120 149 100 107 79 219 125 145 92 {Que reportara como valor represetativo, ico, de la cober- Tura de a capa de nieve en octubre durante este periodo y qué rmotvarta su clecin? Los valores de presin sanguinea a menudo se reportan en los 5 mmF¥g mis coreanos (100, 105, 110, et). Supoaga que los ‘valores de presi sanguinea reales de nveve inividuos selec ionados al azar son 186 1274 1384 1300 1137 1220 1083 Bs 132 ‘8. :Cul es In median de los valores de presiin sanguinea eportados? 'Suponga que la presidn sanguinea del segundo individuo 8 127.6. lugar de 127.4 (un pequeto eambio enn solo valor). (Cémo afect esto a la mediana de los valores reportados? 2Qué dice esto sobre la sensibilidad de la ‘mediana al redondeo ol agrupamiento de Tos dats? La propagacién de gretas provocadas por fatiza en diferentes partes de un avin ha sido el tema de extensox estudio en fos recientes. Los dtos aunts se componen de vidas de props _ocin (horas de vuelo/10" para aleanzar un certo tamaio de las grictas en los orificos para los sujtadoresenaviones mil tures (“Statistieal Crack Propagation in Fastener Holes Under Spectrum Loading”, J. Aireraf, 1983: 1028-1032): 0736 0863 O65 0913 0915 0.937 0.983 LOM 1061 1.109 1.132 114011531283 oo? 130 CCaleule y compare tos valores de la media y la mediana estas 1 {En cudnto se pra disminur fa observacin muesteal Ini grande sin afectarel valor dela medians? CCalcule Ja mediana muestra, a media recortada 25%, la media recoriada 10% y la media mvestal de ls datos de duracién ddados en el eericio 27 y compare las medidas,