Anda di halaman 1dari 1053

I I I l L I YESTADISTICA tt l TEOR.IA y 760 problennos resueltos r. LLI t I i i r I 'L iL .- L.-! L\-., l- r lLt\ L. _ I -L t rt, LL-t_ l'l L I \ 1 I ) - L\ \-[\:-LL-i I r. ll i , ,. ! L i -i I lI L !

! t --q-'l I ) r l . r. r-t -t_C_ L Il.-\I r,L\Ll Il-!' '-

---\- r l , i L-: MURRAY R. SPEGEL it I r- i_l 1 r- _l J. t l.r,.i \-L L L\*cLl I llriIi\.. \\r)ll [t.---i-] r-I I , .' l.'l

SERIE DE COMPENDIOS SCHAUM IEONIA Y PROBTEIUIAS LIIIAII TIGA Por: MURRAY R. SP!EGEL Ph.D. Antiguo hofesor y Director del Departamento de Matemticu Rensselaer Poly teehnb Institute Tladucido por: JAIRO OSUNA SUAREZ Bogott, Colombit Li iu DELHI MEXICO PANAMA MADRID BOGOTA SAO PAULO NUEVA YORK AUCKLAND DUSSELDORF JOHANNESBURG LONDRES MONTREAL NUEVA PARIS SINGAPUR SAN FRANC ISCO ST. LOUIS TOK IO TORONTO

PROBABI LIDAD Y ESTADISTICA por cualquier rnedio, sin autorizacin escrta del edtor. DERECHOS RESERVADOS Prohibida la reproduccin total o parcial de esta obra, Copyrght O 19zG,Vespecto a la edicin en espaol, por LIBROS McGRAW-HILL DE MEXtCO. S . A. de C. V. Atlacomulco 499-501, Naucalpan de Jurez, Edo. de Mxico. Miembro de l a Cmara Nacional de la Ind. Editorial. Reg. nm.465 0-07-090922-9 Traducido de la primera edicin en ingls de PROBABLITY AND STATISTICS copyrght @ lszs, by McGRAW-HtLL, BooK, co., tNC., U.s.A . 234567A901 cc-76 7.t23456981 printed n Mexico lmpreso en Mxico Esta obra se terrnin en enero de 1g77 en Ltogrfica Ingramex, S. A. Centeno 162, Col . Granjas Esrneralda, Mxico 13. D. F. Se tiraron 15 800 eiemplares.

Prlogo El importante y fascinante tema de la probabilidad comenz en el siglo XVII con lo s esfuerzos de matemticos como Fermat y Pascal en resolver preguntas relacionadas con los juegos del aza. Hasta el siglo XX se desarolla una teora matemtica riggrosa basada sobre axiomas, definiciones y teore' mas. Con el c orrer de los aos, la teora de probabilidad encuentra su cauce en muchas aplicacion es, no solamente en ingeniera, ciencias y matemticas sino tambin en carnpos como la agricultura, la administracin de empresag, la medicina y la sicologa. En muchos c asos las aplicaciones contribuyen al desarrollo ulterior de la teora El tema de la estadstica se origin con anterioridad al de probabilidad, trata prin cipalmente de la coleccin, organizacin y presentacin de los datos en tablas y grfico s. Con el advenimiento de la probabilidad se puso de manifiesto que la estadstica podra emplearse en la extraccin de conclusio' nes vlidas y en la toma de decisione s razonables sobre la base del anlisis de datos, por ejemplo en la teora de muestr eo y prediccin. El propsito del libro es presentar una introduccin moderna a la pro babilidad y la estadstica suponiendo un conocimiento del clculo. Por conveniencia el libro se divide en dos partes. La primera trata con probabilidad (y en s puede utilizarse como introduccin al tema) y la segUnda trata con es' tadstica. El libro se dise para utilizarse como texto de un curso formal en pro' babilidad y estadstica o como suplemento a los textcs tpicos. Tambin es de considerable valor como libro de referencia para investigadores o para aquellos interesados en el t ema. El libro puede emplearse para un curso anual o mediante una seleccin juicios a de los temas para un curso semestral. Agradezco al Ejecutor Literario del Sir Ronald A. Fisher, F. R. S., al doctor Fr ank Yates, F. R. S., y a Longman Group Ltda., Londres, por el permiso para utili zar la tabla III de su libro Statistical Tables for Biological, Agicultural and M edical Research (6a. edicin,1974). Deseo aprovechar esta oportunidad para agradec er a David Beckwith por su sobresaliente edicin y a Nicola Monti por su habilidad artstica. M. R. SPIEGEL Septiembre 1975

Contenido PRIMERA PARTE Captulo PROBABILIDAD Pg. f CONJUNTOS Y PROBABILIDAD 1 Ca1to 2 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD. 38 captulo 3 ESPERANZA MATEMATICA 76 Capftulo 4 DISTRIBUCION DE PROBABILIDAD CON NOMBRE Y nea inomial. Distribucin hiperg.eomtrica. Ditribucin uniforme. Diehibucin de Cauchy. Distribucin gamma. Distribucin beta. Distribucin chi+uadrado. Dstribucin de Sudent. D istribucin F. Relaciones entre lae distribuciones chi-cuadrado, t y ^F, Distribuc in normal bidimeneional, Distribucionee diversas, gunas propiedades de la distribucin normalr Relacin entre las distribuciones binom ial n n de poission. Rel las ditribucio. . 108 Distribucin binomial o de Bernoulli. Alguns propiedades de la distribucin b inomial. La ley de los grarides nmeros para las pruebas d Bernulli, Distribucin norm al. AlPROPIO .

SEGUNDA PARTE ESTADISTICA Oaptulo 5 TEORIADEMUESTREO.. Poblacin Pg. y Muestras aleatorias, Nmeros aleatorios, Parmetros poblacionales, Estadsticos muestr ales. Distribucin muestral. Media muestral. Distribucin muestral de medias. Distri bucin muestral de proporciones. Distribucin muestral de diferencias y sumas. Varia nza muestral. Distribucin muestral de varianzas. Caso donde la varianza poblacion al se desconoce. Dstribucin muestral de relaciones de varianzas. Otros estadsticos . Distribuciones de frecuencia. Distribuciones de frecuencia relativa y ojivas. Cmputo de la media, varianza y momentos para datos agrupa.dos. muestras. Inferencia estadstica, Muestreo con y sin remplazamiento, .....155 Captulo 6 TEORIA DE ESTIMACION Estirnas insesgadas y estimas eficientes. Estimas por puntos y estimas por inter valos. Seguridad. Estimas por intervalos de confianza, de parmetros poblacionales . Intervalos de confianza para medias. Intervalos de confianza para proporciones . Intervalos de confianza para diferencias y sumas. Intevalos de confianza para v arian4as. Intervalos de confianza para relaciones de varianzas. &timas de mxima v erosimilitud. . L94 Captulo 7 ENSAYOSDEHIPOTESISYSIGNIFICACION. .,...21-I Decisiones estadsticas, Hipesis estadsticas. Hiptesis nula, Ensayos de hiptesis y sign ificacin. Errores de tipo I y tipo II. Nivel de significacin. Ensayos referentes a la distribucin normal, Ensayos de una y dos colas. Ensayos especiales de signifi cacin para grandes muestras. Ensayos especiales de significacin pata pequeas muestr as. Relacin entre la teora de estimacin y ensayo de hiptesis. Curvas caractersticas d e operacin, Potencia de un ensayo. Grficos de control de calidad. Ajuste de las di stribuciones tericas a distribuciones de frecuericia muestrales, Ensayo chiruadra do para la bondad del ajuste. Tablas de contingeircia. Correccin de Yates para la continuidad. Coeficiente de contingencia.

Captulo 8 CURVA DE AJUSTE, REGRESION Y CORRELACION . .. 258 Curva de ajuste. Regresin. Mtodo de mnimos cuadrados. Recta de mfnimos cuadrados. R ecta de mnimos cuadrados en trminos de varianzas y covarianza muestrales. Parbola d e mnimos cuadrados. Regresin mItiple. Error tpico de la estima, Coeficiente de corre lacin lineal. Coeficiente de correlacin generalizado. Correlacin gradual' Interpreac in probabilstica de Ia regresin. Interpretacin probabilfstica de la conelacin. Teora m uestral de la regresin. Teora muestral de correlacin. Correlacin y dependencia. Captulo 9 ANALISISDEVARIANZA. .....306 Propsito del anlisis de varianza. Clasificacin simple o experimentos de un factor, Variacin total. Variacin dentro de tratamientos. Variacin entre tratamientos. Mtodos cortos para obtener variaciones. Modelo matemtico lineal para anlisis de varianza . Valores esperados de las vriaciones. Distribuciones de las variaciones. Ensayo F para la hiptesis nula de medias iguales. Notacin para experimentos de dos factor es, Variaciones para experimentos de dos factores. Anlisis de varianza para exper imentos de dos factores. Experimentos de dos factores con repeticin. Diseo experim ental.

Ps. ApndiceA Temrmemtico Apndice A .....341 e z .. .... 944 ... liberted . 345 B l1l U &denad(y)dclcurvanormltipificadt Andice ArearbrjolacurvnomltipicededeOz Percenil (r) de le diHbucin t dc Student Apndce D E F G H a\ con, gndo de 346 Apndice Percendla (f) delditribucinchiruedndocon/radordebcrtrd ..... f . . co ry gador de 947 Apndce Percentila 96 y 99 pera t. ditribuci 11, liberted . . . 348 Apndice Logaritmor dccimlc con cultro cifta 860

Apndice Vdores de -r . 962 T Apndicel Nmeroaletorio ..,..962 RESPT'ESTASAPROBLEMASSI.'PI,EMENTARIOS.. .... 863 INDIGT. . 369

Parte I PROBABILIDAD

_l 'Cuptulo Coniuntos y probqbilidqd EL CONCEPTO DE CONJUNTO 7 El concepto d,e conjunto es un pilar fundamental de la probabilidad y la estadsti ca y de la matemtica en general. Un conjunto puede considerarse como una coleccin de objetos, llamados membros o elernentos del conjunto. En general, mientras no s e especifique lo contrario, denotamos un conjunto por una letra mayscula A, B, C, y un elemento por una leha minsculao,b. Sinnimos de conjunto son c/cse, grupo y c oleccin. _ Si un elemento a pertenece a un conjunto C escribimos a C. Sic noperten eceaC escribimos a C. Si o y b pertenecen aC escribimos a, b e C.Para que un con junto seabiendefnido, como siempre lo supondremos, debemos estar capacitados para determinar si un objeto especfico pertenece o no al conjunto. Un conjunto puede definirse haciendo una lista de sus elementos o, si esto no es posible, describi endo alguna propiedad conservada por todos los miembros y por los no miembros. E l primero se denomina el mtodo de extensin y el segundo el mtodo de comprensin. uloporelmtododecomprensincomo{rlreeunavocal}, lase"elconjuntodeloselementostalesquees una vocal" donde la lnea vertical I se lee "tal que" o "dado que". EJEMPLO 1.2. El conjunto { Obsrvese que el mtodo de extensin no puede utilizarse aqu. EJEMPLO 1,1. El conjunto de las vocales en el alfabeto puede definirse por el mto do de extensin como { a, e, i, o, | es un tringulo en un plano ) es el conjunto de los tringulos en un plano. EJEMPLO 1.3. Si lanzamos un par de dados comunes los "nmeros" o "puntos" posibles que pueden resultar sobre la cara superior de cada dado son elementos del conju nto { 1, 2, 3, 4,5,6}. SUBCONJUNTOS Si cada elemento de un conjunto A tambin pertenece a un conjunto B llamamos a A u n subconjuntodeB,escritoAcB6B:Ayledo"AestcontenidoenB"o"BcontieneaA" respectivamente. Se sigue que para todos los conjuntos exactamente los mismos el ementos. A tenemos A C A. Si Ac B y B CAllamamosa A y B iguales y escribimos A : B. En este caso AyB tienen A+ Si A no es igual a B, es decir si B. A y B no tienen exactamente los mismos elementos, escribimos

de B. SiA C B pero A + B llamamos aA un subconjunto propio EJEMPLO 1.4. I a, i, u ) es un subconjunto propio de {o, e, i, o, u}. EJEMPLO 1.5. { 4 o, a, u, e } es un subconjunto, pero no un subconjunto propio, de {o, e, i, o, u}, puesto que los dos conjuntos son iguales. Obsrvese que la sol a redistribucin de los elementos no cambia el conjunto. EJEMPLO 1.6. Al lanza un d ado los resultados posibles cuando el resultado es "par" son elementos del conju nto {2, 4,6\, el cual es un subconjunto (propio) del conjunto de todos los resul tados posibles {L,2, 3,4, 5, 6).

a CONJUNTOS Y PROBABILTDAD lcAP. 1 El teorema siguiente es verdadero para cualesq Teorema I-I; Si AC B y B CC, entonces AC C. CONJUNTO UNIVERSAL Y CONJI.JNTO VACI( Para muchos propsitos restringimos nuestra d fico denominado el uniuerso del discurso, o simp espacio uniuersal y se denota p or u. Los elemenr Es til considerar un conjunto que no tiene r uaco o el conjunto nulo y se denota p or p; es un EJEMPLO 1.7. Un conjunto importante que no8 es famili que pueden reprecentarre p or puntoe en una lnea reol lor subconjuntos{ | o < x = } y{r I a1x(} deR (r ( b ee de nominan interualos centdo y abierto reepeciv I o 1x < b) se denominn intcrvalo eemi -abiertos o semi-t ,T, EJEMPLO 1.8. El conjunto de todos los nmeros reale nulo o vaco ya que no hay nfimer os reales cuyos cua nmeros complejoe el conjunto no es vacfo. EJEMPLO 1.9. Si lanzamos un dado, el conjunto de todoe los resultados posibles e s el universo {L,2,3,4, 5, 6}1. El conjunto de loe rcsultados que consisten de l as caras 7 u 11 sobre un solo dado es el conjunto nulo. DIAGRAMAS DE VENN Un rniverso u puede representarse geomtricamente por el conjunto de puntos dentro de un rectngulo. En tal caso los subconjuntos de zt (como A y B indicados y sombreados en la Fig. 1-1) se representan por conjuntos de puntos d entro de los crculos. Tales diagramas denominados diagramas de Venn, sirven para danos una intuicin geomtrica respecto a las posibles relaciones entre conjuntos. OPERACIONES ENTRE CONJUNT\OS 1. Unin. El conjunto de todos los elementos (o puntos) que pertenecen a A o a B, o t anto como aB, se llamala unin deA yB y se escribe Au B (regin sombreada en la Fig. 1-2). Fig. l -2 Fig. l-3

Fig. 1-4 2. Interseccin. El conjunfio de todos los elementos que pertenecen simultneamente a A y a llamala interseccin dd Ay By se escribe A B (regin sombreadaen laFig. 1-3).

cAP.1l CONJUNTOS Y PROBABILIDAD DosconjuntosyBtalesqueAnB:p,esdecir,guenotienenelementoscomunes'sellaran coniuntos disiuntos. En la Fig. L'L, A y B son disjuntos. 3. 4. Diferencia. El conjunto que consiste en todos los elementos de A qtlle no perten ecen a B llama la diferencia e A y B, escrita por A - B (regin sombreada en la Fig . 1-4). se B Si A : UB),. u el 1/, el B y lo escri se llama saXl-B Fig. 1'6). se escribe Fig. l-5 Fig. l-6 AIGUNOS TEOREMAS RELATIVOS A CONJI,'NTIOS AUB = BUA Au(BuC) : (.4u^B)uC I.cy conmutativa de ls uniones = AUBUC Ley asociativa de las uniones Ley conmutativa de las intersecciones Ley asociativa de las intersecciones Primera ley distributiva Segunda ley distribuva AB = Bl\A .An(BnC) = (nB) nC -- AB1C An(BuC) = (AnB)u(AnC') .4u(anC) = (AuB)n(AuC) A-B = AB' Si AcB, entonces A')B' 6 B'c.{ = A

Primera ley De Morgan Segunda ley De Morgan Para cualquier conjunto generalizarse (vanse Problemas 1.69 AUQ-A,AnQ=9 AU'al -- 11, AnU (AuB)' = A'B' (AnB)' = A'UB' A = (AnB)u(AnB') Los teoremas L-Lzo, t-Lzb A YB y 1-13 pueden y 1.74). PRINCIPIO DE DUALIDAI) Cualquier resultado verdadero relativo a conjuntos tambin es verdadero si remplaz-anosrniones -conjuntos por sus complementos y si invertimo s los por inteecciones, interrecciones por uniones, cyf. smbolos de inclwin

CONJUNTOS Y PROBABILIDAD [cAP. 1 EXPERIMENTOS ALEATORIOS Todos estamos familiarizados con Ia importancia de los experimentos en la cienci a y en la ingeniera. Un principio fundamental es que si efectuamos tales experime ntos repetidamenle bajo condiciones aproximadamente idnticas obtenemos resultados que son esencialmente los mismos. Sin embargo, hay experimentos en los cuales los resultados no son esencialmente los mismos a pesar de que las condiciones sean aproximadamente idnticas. Tales ex perimentos se denominan experimentos aleatorios. Los siguientes son aLgunos ejem plos. EJ EMPLO 1 .1 0. Si lanzamos una moneda eI resultado del experimento es un "sell o", simbolizado por S ( 0 ), o una "cara", simbolizadaporc(1),esdecirunodeloselem entosdelconjuntqs)({0, 1)). 'EJEMPLO 5,6). 1.11. si lanzamos un dado el resultado del experimento es uno de los nmeros en el conjunto {L,2, g, 4, EJEMPLO1.12. Silanzamosunamonedadosveces,elresultadopuedeindicarsepor{CC,CS,SC,S S) caras, cara la primera y sello la segunda, etc. ,dsdecirdos EJEMPLO 1.13. Si tenemos una mquina que produce tornillos, el resultado del exper imento es que algunos pueden estar defectuosos. As cuando se produce un tornillo ser un miembro del conjunto {defectuoso, no defectuoso}. EJEMPLO 1.14. Si un experimento consiste en medir "la vida" de las lmparas elctric as producidas por una compaa, entonces el resultado del experimento es el tiempo f en horas que se encuentra en algn intervalo, por ejemplo, 0 :: 4000, donde supon emos que ninguna lmpara elctrica dura ms de 4000 horas. = ESPACIOS MUESTRALES Un conjunto oj que consiste en todos los resultados de un experimento aleatorio se llama un espacio muestral y cada uno de los resultados se denomina punto mues tral, Con frecuencia habr qs de un espacio muestral que describe los resultados de un experimento pero hay comnmente slo uno que suministra la mayora de la informacin . Obsrves que eJ crresponde al conjunto universal. EJEMPLO 1.15. Si lanzamos un dado, un espacio o conjunto muestral de todos los r esultados posibles se da por {1, 6 | en tanto que otro es lpar, impar) Sin embar go, es lgico que el ltimo no sera adecuado pan determinar, por ejempio, si un resul tado es divisible por 3. 2,3, 4,5,

Frecuentemente es til dibuja-r un espacio muestral grficamente. En tal caso es des eable utilizar nmeros en cambio de letras siempre y cuando sea posible. EJEMPLO 1.16. si lanzamos una moneda dos veces y utilizamos 0 para represenmr se llos y l para representar caras el espacio muestral (vase Ejemplo 1.12) puede dib ujarse por puntos en la Fig. 1-7 donde, por ejemplo, (0,1 ) representaselloen el primer Ianzamiento y cara en el segundo lanzamien[tr, es decir SC, Si un espacio muestrdl tiene un nmero finito de puntos, como en el Ejemplo 1.16,s e denomina espacio muestral finito. Si tiene tantos punl'ig. l-? tos como nmeros naturales 1,2, 3,. . ., se denomina espacio muestral infinito contable. Si tiene tantos puntos como hay en algn intervalo en elejer,tal como 0 f r: S 1, sedenomi naespacio muestral infinito no contable. Unespacio muestral que es finito o infi nito contable frecuentemente se denomina espacio muestral discreto,en tanto que uno que es infinito no contable'se llama espacio muestral continuo o no discreto SUCESOS posibles. Si elemental o simple. Un suceso es un subconjunto A del espacio muestral.or , es decir es un conjunto de resultados el resultado'de un experimento es un elemento de A decimos que el suceso A ha ocunido. Un suceso que consiste de un solo punto de cJ frecuentement e se llama un sueeso

cAP. 1l CONJUNTOS Y PROBABILIDAD EJEMPLO 1.17. si lanzamos una moneda dos veces, el suceso que slo resulte una car a es el subconjunto del espacio muestral que consiste de los puntos (0, 1) y (1, 0), como se indica en la Fig. 1-8. Como sucesos particulares tenemos el suceso en s mismo. que es el suceso certo o s eguro ya que un elemento de eJ debe ocurrii, y el conjunto vaco Q, que se llama e l suceso imposible puesto que un elemento de Q no puede ocurrir. nes relativas a sucesos pueden traducirse en el lenguaje de-la Pu-esto que los sucesos son conjuntos es lgico que las particular tenemos pgina 3. w tlor de conjuntos e inversamente. En lgebra de sucesos que coffesponde al lgebra de conjuntos indicada en la e,[ proposicio Fig' 1-8 Empleando las operaciones de conjuntos en sucesos en As si A y B son sucesos, ent onces podemos obtener otros sucesos en cJ. 1. AU B es el suceso "A B o ambos". 2. A n B es el suceso'qtanto A como B" 3. A' es el suceso "no A". 4. A- B es el suceso "A pero no ,B". SilosconjuntosconespondientesalossucesosAyBsondisjuntos,esdecirAB:Q, frecuentemente decimos que los sucesos son mutuamente. excluyentes. Esto quiere decir que no pueden ocunir ambos. EJEMPLO 1.18. Haciendo referencia al experimento de lanzar una moneda dos veces sea A el suceso "por lo menos resulte una cara" y B el suceso "el segundo lanzam iento sea un sello". Entonces A : {CS, SC, CC}, B : { CS, SS } as tenemos A U B: {Cg A': {SSl SC, CC, SS) : eJ A-B-

A B: {CS} {^SC. CC} EL CONCEPTO DE PROBABILIDAD En,cualquier experimento aleatorio siempre hay incer tidumbe sobre si un suceso especfico ocurrir o no. Como medida de la oportunidd o pl obabilid.ad con la que podemos esperar que un suceso ocurra es conveniente asign ar un nmero enhe 0 y 1. Si estamos seguros de que el iuceso ocurrir decjmos que su probabildad es 100% 1, perosi estamos regutJs de que'el suceso no ocurri d_e9.lm9 s que su probabilidad es cero. Por ejemplo, si la probabilidd es de 1f4, diramos q ue hay y 26Vo de oportunidad de que ocurra y un 767" de opoitunidad de que no oc urra. Equivale adecirque laprobabilidad contrasu ocurrenciaesdel 75% al25vo o de B ai. Flxisten dos procedimientos importantes por medio de los cuales podemos obtener estimativos para la probabilidad de un suceso. 1. Enfoque'clsico o a priori Si un suceso puede ocurrir en h maneras diferentes de u n nmero total de n maneras posibles, todos igualmente factibles, entonces la prob abilidad del suceso es h/n. EJEMPLO 1.19. Supngase que deseamos la probabilidad de que resulte una cara en un solo lanzamiento de una moneda- Puesto que hay dos maneras igualmehte factibles del resultado de la moneda, simplemente "cara" y ,'sello" (suponiendo que la mo neda no se pierda ni caiga verticalmente), y de estas dos maneras una cara puede aparecer en una sola manera, razonarno{ que la probabilidad requerida es 112, Al llegar a este resultado suponemos que la moneda es honrado, es decir que no est cargado. 2. Enfoque- como frecuencia relativa o a posteriori. Si despus de n repeticiones de un experimento, donde n es muy gmnde, un suceso ocurre h veces, entonces ta prbau ilidad del suce es h/n. Esto tambin se llama laprobabilidad emprica del suceso.

CONruNTOS Y PROBABILIDAD EJEMPLO 1.20. Si lanzamos una moneda 1000 veces probabi lidad de una cara es 532/1000 = 0.632. [cAP. 1 y hallamoe que 532 veces resultan caras estimamos que la Ambos enfoques el clsico y el de frecuencia prcsentan serias dificultades, el pri mero debido a la vaguedad de las palabras "igualmente factibles" y el segundo de bido a la vaguedad incluida en un "nmero muy grande". A causa de estas dificultad es los matemticos en los ltimos aos se han orientado avn enfoque axiomtico utilizand o conjuntos. LOS AXIOMAS DE LA PROBABILIDAI) Supngase que tenemos un espacio muestral e.t. Si d es di5creto todos los subconju ntos corre6ponden a sucesos y recprocamente, peto si ef es continuo solamente sub conjuntos especiales (llamados medibles) corresponden a sucesos. A cada suceso A en la clase C de sucesos asociamos un nmero real P (A), es decir P es una funcin de valor real definida en f. As P se llama la funcin de probabilidad, y P(A) la pr obablidad del suceso A, si se satisfacen los axiomas siguientes: Axioma 1. Para cada suceso A en la clase C P(A) P(eJ) A,:<ioma > 0 (r) Axioma 2. Paru el suceso cierto o seguro eJ en la clase C =I At, Bz, . . . eh la clase C (2) 3. Para cualquier nmero de sucesos mutuamente excluyentes P(AtuAzu '..) P(/.1) + P(A2) + .'. (e) En particular, para solo dos sucesos mutuamente excluyentes At, Az,

P(AL:AI) = P(Ai+P(Ar) ALGUNOS TEOREMAS IMPORTANTES SOBRE PROBABILIDAD (4) De los Teorema Teorema a-r.iomas anteriores podemos demostrar varios teoremas sobre probabilidad que so n importantes en el estudio posterior. 7-14: 1-15: Si r cA2 entonces P(Ai < P(Az) y P(Az- ,) = P(42) P(A). (5) Para cada suceso es A 0<P() <1 P(9) = O decir la probabilidad de un suceso est entre 0 y 1. (d) Teor:rna 7-16: es decir el suceso imposible tiene probabilidad cero. Teorema 7-77: Si

A' es el complemento de A entonces P(A') Teorema = r-P@) (7) 7-78: Si A = AtUAzU. . .UA" y tes, entonces At, Ar,. . ., An son sucesos mutuamente excluyenP(Al = P(Al) + P(A2) + En particular si A "' + P(A") (8) et, el espacio muestral, entonces

cAP. 1l CONJUNTOS Y PROBABILTDAD P(Ar) Teorema +P(A2)+...+P(4") = 1 (e) 1-19: Si A y B son dos sucesos cualesquier4 entonces P(AuB) = P(A) + P(B) - P(A.B\ Generalizando, si A (10) t, Az, 3 son tres sucesos cualesquiera, entonces P(A:U AzU ") : P(.4,) + P(Ar) + P(As\ - P(Az\ P(A|A.]) - P(AsnA) (rr) + P(Lt\AzAs) Tambin pueden hacerse generalizaciones a n sucesos. Vase Problema 1.79. Teorcma 1-20: Para dos sucesos AvB P(A) Teorema = P(A1B)+P(A1B'\ (12) 7-21: Si un suceso A debe resultar en uno de los sucesos mutuamente excluyentes

At, Az,...,A,entonces P(A) = P(AnAi + P(AAz) *'.. + P(nA") (rr) ASIGNACION DE PROBABILIDADES entonces por el Teorema 1-18 Si un espacio muestral el' consiste nicamente de los sucesos elementales Ar, Ar,...,An (1+) P(Ai + P(Az) + ... + P(A") = t Se concluye que podemos escoger arbitrariamente cualquier nmero no negativo para las probabilidades de estos sucesos simples siempre y cuando se satisfaga (14). En particular, si suponemos probabilidades iguales para todos los sucesos simple s, entonces P(A: '!y si A es k=1,2,...,h h =: (15) un suceso compuesto por h sucesos simples tenemos P(A) (rd) Esto equivale al enfoque clsico de Ia probabilidad dado en la pgina 5. Podramos lgic amente emplear otros procedimientos para asignar probabilidades, como el de la f recuencia relativa de la pgina 6. La asignacin de probabilidades provee un modelo matemtico y su xito debe probarse experimentalmente en forma muy similar a como la s teoras en fsica u otras ciencias deben probarse experimentalmente. EJEMPLO 1.21. Se lanza solo un dado. Hallar la probabilidad de que resulte 2 5. El espacio muestral es e-I: {1,2,3,4,5,6}. Si asignamosprobabilidades iguales a lospuntos muestrales, esdecir si suponemos que el dado es honrado, entonces 1 6

CONJUNTOS Y PROBABILIDAD El uceso que resulte 2 5 ee [cAP. 1 indica por 2 U 5. Por tanto P(2u5) = P(2)+P(51 = *. PROBABILIDAD CONDICIONAL = t 1 Sean A yB dos sucesos (Fig. 1-9) tales que P(A)> 0. Denotamos por P(BiA) la prob abilidad de B dado que A ha ocurrido. Puesto que se sabe que A ha ocurrido, se c onvierte en el nuevo espacio muestral remplazando el original e-I. De aqu llegamo s a la definicin P(B:A) = o ry# (17) (f 8) QJ P(AIB) = P(A) P(B I A\ En palabras, la ecuacin (-18) nos dice que la probabilidad de que tanto A y B ocu rran es igual a la probabilidad de que A ocurra tantas veces la probabilidad de que B ocurra dado que A ha ocurrido. ilamamos a P(B I A\laprobabilidad condiciowl de B dada A, es decir la probabilidad de que B ocrura dado que A ha ocurido. Fcil mente se demuestra que la probabilidad condicional satisface los axiomas en la pg ina 6. AnB Fig. r-9 EJEMPLO 1.22. Hallar la probabilidad de que en un slo lnzamiento de un dado reqult e un nmero menorque 4, (o) no se da ninguna otra informacin, (b) se da que el lanz amiento result en un nmero impar, (o) Si B denota el suceso {menor que 4).Ya queB es la unin de los sucesos 1-18 qu e 7,2 6 g observamos por el teorema P(Bl = P(r) + P(2) + P(3') = -+-+-= 6662

1l1l suponiendo probabilidades iguales para los puntoc muestrale. (b)SiAeselsuceso{nmeroimpar}observamosqueP():316= Entonces 1/2. TambinP(ABr:216:1/3. P(BIA\:"+#=#=? Por tanto, el saber que el resultado del lanzarniento es un nmero iinpar aumenta la probabilidad de Ll2 a 213. TEOREMAS SOBRE PROBABILIDAD CONDICIONAL Teotema 1-22: Para tres sucesos cualesquieraAl, A2, A3 tenemos P(AtAzt\s) = P(A) P(A2l At) P(Asl Atn Az\ (1e) En palabras, la probabilidad de que At y Az y A3 ocunan es igual a la probabilid ad de que z4t ocrura tantas veces la probabilidad de que A2 ocurra dado que ,41 ha ocurido tantas veces la probabilidad de que A3 ocura dado que At y Az han ocu rido. El resultado se generaliza fcilmente a n sucesos. Teorema 7-23: Si un suceso A debe resultar en uno de los sucesos mutua[iente Ar, , .. , A. ent onces P(A',) excluyentes 1, = P(A)P(A|A,) + p(A)P(Al Azl + . . . + p(A")P(AlA") (20)

cAP. 1l SUCESOS INDEPENDIENTES CONJUNTOS Y PROBABILIDAD Si P(B lA) = P(B), es decir la probabilidad de que B ocuna no est afectada por la ocurrencia o no ocurrencia de , entonces decimos que y B son sucesos independicne s. Esto es equivalente a entonces A y B son independientes. como se deduce Algunas propiedades de la inde pendencia estn dadas en los Problemas 1.91 y 1.92. Si P(AnBl = P(A)P(B) de (I8). Inversanente, si se cumple (2I) (21) Ar, Az, As son independientes entonces deben ser independientes por parejas, P(AnAx) = P()P(A*) j+lc donde j,k=t,2,3 (221 'y tambin debemos tener P(ArAzAr) te. = P(A)P(Az)P(A) (qsl Ni (22) ni (23) son sufrcientes por s solo. La generclizacin a ms de tres sucesos se hace fcilmenTEOREMA O REGLA DE BAYES Supngase que .A1, Ar,..., An son sucesos mutuamente excluyentes cuya unin es elesp acio muestral ef, es decir uno de los sucesos debe ocurrir. Entonces si A es cua lquier suceso tenemos el siguiente teorema importante : Teorema 1-24 (re$ade Bayes): P(AklA\ = P(Ah) P(AlAx) (2t\

) P(r) P(AlAn) Esto nos permite hallar las probabilidades de los diferentes sucesos Ar, Ar, . . , An que pueden causar la ocunencia de . Por esta razn con frecuencia se hace r eferencia al teorema fle Bayes como el teorema sobre laprobabilidad de causs. AN ALISIS COMBINATORIO la enumeracin o cuenta directa de los puntos del muestreo necesaios para obtener l as probabili dades no es difcil. Sin embargo, surgen problemas cuando la cuenta d irecta se convierte en una imposibidad prctica En tales casos se ernplea el anliss c ombinntorio, que podra llamarse una forma sofisticad,a de contar. PRINCIPIO FUNDAMENTAL DE CUENTA. DIAGRAMAS ARBOL En muchos casos el nmero de puntos muestrales en un espacio muestral no es muy grande y as Si una cosa puede realizarse en nr maneras diferentes y despus de esto una segund a cosa puede .en n2 maneras diferentes, . . . , V finalmente una k-sima cosa pued e realizase Qr fl, maneras diferentes, entonces todas las fr cosas pueden realizar se en el orden especicado en nr rr2 . . . ?? rn?D rds diferentes. ealizase EJEMPLO 1.23. Si un hombre tiene 2 camias y 4 corbaac enoncee tiene y luego una cor bata. 2' 4 : 8 maneras de eacoger una camia Un diagrama, llamado diagrama rbol debido a su apariencia (Fig. 1-10), se emplea frecuente' mente en conexin con el principio anterior.

10 CONJUNTOS Y PROBABILIDAD [cAP. I 2 1 Fig. l-10. EJEMPLO 1.24. Si las camisas se representan por S, 52 y las corbatas por ?1, Tz, Tt, ?a, las diferentes maneras de scoger una camiea y luego una corbata se indica n en el diagrama bl de la PERMUTACIONES Supngase que se dan n objetos diferentes y deseamos ordenar r de estos objetos en una lnea pusto que hay n manera.s de escoger el primer objeto, y luego de hacer e sto n de - 7 manerias r * escoger t segunaoiUe_ to-, . . ., y finalmente n 1 forma s d escoger-el r-simo objeto, -se deduce por el principio fundarnlntal de cuenta q ue el nmero de ordencions, o permutaciones diferentes como generalmente se les Uarn c est dado { 5 6 8 por Fig. l-10 (25) ,P, = n(n. - l)(n - 2). . . (n - r + l\ donde se observa que el producto tiene r factores. Llamamos a ,P, elnmero de perm utaciones de n objetos lomados de r en r. Para el caso particular cuando r: ,P,, rr, (25) se conerte en = n(n-l)(n-z)...1 :

nt (26) que se denomina n factorial. Podemos escribir (25) en trminos de factoriales como (27) !2!\ -y realmente esto como una definicin de 0! Si r: n obsewamos que (26') se satisfacen slo si tenemos que 0! : I y tomaremos EJEMPLO 1'25. EI nmero de ordenaciones o permutaciones diferentes que consisten d e 3 letras cada una y que pueden formase de las ? letras A. B, C, D, E, F, G es P:t = fi. = ,.6.5 = 210 . clr no se Aqu, lgi tos es Sup n conjunto que consiste de n objetos de los cuales nr son de un nguir entre s), n 2 son de un segundo tipo, . . . , n; son del hnr + nz + . . . + ,to. As el nm&o de permutaciones diferentes (28) Vase Problema 1.34. consiste de LM, 41, 43 y 2p EJEMPLO 1.26. El nmero de permutaciones diferentes de las 11 leras de la palabra u M/SS/SSIPP.l, que rt4t4l't COMBINACIONES 11! = 34 650 una te e cion

En una perrnutacin estamos interesados en el orden de-la distribucin de los objeto s. As abc es di o lo Sin embargo, en muchos problemas estamos interesados solamenos sin inteiesar su orden. Dichas selecciones se llaman combinah misma combinacin.

cAP. 1l CONruNTOS Y PROBABILIDAD 11 El nmero total de combinaciones de r objetos seleccionados de n (tambin llamadas l as combinaciones de n cosas tornadas de r enr) se denota pot aC, U (n Tenemos (va se Problema 1.36) ln\ \"/:ntr=rl@=T. que tambin puede escribirse como (2e\ ("\ \r/ Fcilmente se demuestra que n(n-L\".(n-r-rr\ r! nP, r! (30) /n\ ( J=( /n '- r/\) \r/ \n EJEMPLO 1.27. EI n(mero de manera en lae cuales cartas diferentes es nU,:nC,_, escogerse o eleccionae de un (91') 3 cats pueden total de 8 sc = lt) = 8'J,'6 = - \s/ - s! COEFICIENTES BINOMIALES 56 Los nmers de (29) se les llama frecuentemente los coeficientes binomiales puesto q ue provienen de laexpansin binomiat (r 1u)^ : * . (|)*-lt * (i)*"-,r, + . . . . @-l (:,)"

(n) Tienen mucha.s propiedades interesantes. EJEMPLO 1.28. y)t = r:{ * ()",.(t)**.(t*" . (l)* = APROXIMACION DE STIRLING A r ! xa+ 4x3y!oxzyz *4xy3 +ya Cuando n es muy grande la evaluacin de aproximada n! no es prctica. En tales casos se utiliza la frmula (38) nl - yEn"e-n donde e : 2.71828. . . es la base de los logaritmos naturales. Vase Problema 1.48 . El smbolo - en (33) signifrca que la relacin del al lado derecho se aproxim a 1 a medida e /l + o. Por esta raz6n decimos que el I unaexpansin asnttica del lado izqui erdo. Para un estudio ms detallado de la frmula de Stirng vase el Andice A. Problenra,s resrreltoa CONJTINTOS 1.1. Sea A el conjunto de todos los nmeros reales cuyos cuadrados son iguales a 25. In dique cmo describir a.4 por (c) el mtodo de comprensin y (b) el mtodo de extensin. (a) A:kl* elementos. :25)que se lee"el conjunto de todosloselementosde talesque;r'2 :25". se.describ dando sus (D) Puesto que t2 :25parar:5y x:-S,podemosesaibir A: {5,-5),edecirA

L2 CONJUNTOS Y PROBABILIDAD lcAP. 1 L.2. seaA={rl*esunenteroimpar), B: {x I x2 -8r+.15:0).Demostrarque BcA. Yaque x2 -8x * 15:0 (r -3)(- 5)=0 slosi x:B6x:6,enemosB:{g,6}.pueotoqueloe elementos 3 y 5 son enterosimpares, pertenecen , es deeir B ee un subconjunto de A. aA. AscadaelementodeB perten.." y porantoBC 1.3. Es cierto que {2} : 2? No, 2 es wn nmero rel mientras que {2} esw conjunto que consiste del nmero real 2. Un conjunto oomo {2} que consiste nicmente de un elemeno algunas veces ae llzna con junto singulo o unitaio y debe distinguirse del elemento que contiene. 1.4. Determinar cules de las proposiciones siguientes son verdaderas y coregir las que son falsas. (o) (b) (o {rln+} -- lQ}. Si A = {r l r2=4, r>g} y B: {fr | r<l}, entonces B) A. ) La proposicin es falsa. Cualquier objeto particular se supone ee igual a sf mismo . Asf, no hay objeto que no sea igual a s mismo. Entonces {x I x * x} : e, el con junto vacfo. El error radica en escribi {@} por @, puesto que {9} es un conjunto no voclo que conriste del conjunto vaco. (b) "A es el conjunto de tal que 12 : 4 y ) 9',. Puesto que no hay un nmeror tal que

x2 :416x:2,-2ly * )9, se sigue queA: @. Puestoque el conjuntovacloesunsubconjunt odecualquierconjunto,sededucequeACB6B)Aylrrpropocicin Obarvese que esto se lee es verdadera1.5. Demostra que si Ac B y B cC, entonces AcC.

Sea r cualquier elemeno de , ee deci A. Entonces ya que AC B, es decir cada element o de A eet en 8, tenemos x B. Puesto quetambinBCC, tenemosque C. Aecadaelemenode esu emento de C y por tanto A C C. OPERACIONES ENTRE CONJUNTOS, DIAGRAMAS DE VENN Y TEOREMAS SOBRE CONJT.'NT\OS 1.6. si el universo 'u = {}, 0, r, 5, -rt, -4} y los subconjuntos de u estn dados por A : {-\n, r,0|,8 = {6,t,-rt,-qyC = {+,-4},enconhar(a) AnB, (b) AUB, (c) (AU B)nC, (d) B'u C', (e) A-8, (/) (Bn C),, (s) (AnC) e (Bne. (a) AnB = {-12,2,0}n { 5,+,-fr,-4} = t-\} (D) .4 u n = {-fr,",o} u {5, +,-r/2,-4} = {-18,o,0,5,+,-4} (c) (AuB) n C = {-{2,o,0,5,+,--4} n {+, -4} = {+,-.4} utilizando el reultado de ( b). (d) B' : conjunto de los elementos en t/ quenoestnen g = {0,r). C' : conjunto de los elementos en 'll que no estn en C : {0, Entonces B,u C, = {0,.o} u {0,r,5 ,_\E} - {0,r,6,_\E}, ",6,-fr}. (e) A - B: eonjunto de elementos en A que no estn en B : [0, n]. Otro mtodo. Por el Teorema 1-8, pgina 3, enemoe A-B = AB'= (f) BC = {6,+,-{2,-4}n{+,-4} = Entonces (BnC\' = {0,r,5,-{r). {*,0,o,5,-tf2,-4}n{0,r} = {0,r} {*,-}.

cAP. 1l CONJUNTOS Y PROBABILIDAD Obsrvese que este reultado conjuntamente con Tborema 1-12b, pgina 3. 13 el de la parte (d) ilustra la segunda ley De Morgan, (sl AnC = {-\/-2,2,0} n {*,-ll - @, elconjuntovaco. B n C = {},-} [Vase pate (f)]. ( AC\ u(BnC) : @u {*,-l = {+,-4} Entonces t,7. (c) Demostrar la primera ley De Morgan, Teorema !-L?tt, (o) Tenemoe pgrna 3: (A u Bl : A' n B'. (b) Ilushar el resultado de la pare (c) empleando un diagtama de Venn. (AuB)' = {r I r4Ar-tB} = {" I rCA,neB\ = {r I neA',r B') (b) = A' ^B' El resultado puede extenderse a cualquier nmero finito de conjuntos (vase Problema 1.69). En el diagrama de Venn de la Fig. 1-11 la regin sombreada representa (A U B)'. En Ia Fig. 1-12, A'se indica por lneas diagonales paralelas construidas de izquierd a a derecha en tanto que It se indica por lneas diagonales paralelas consruidae de derecha a izquierda. Luego At f|' se representa por la regin doblemente rayada e n donde se encuentran ambos conjuntos de lneas, y se observa que esta regin es igu al a la regin sombreada de la Fig. 1-11. Regin sombreada = (AUB)' Regin doblemente Erur qvvrsEw rayada ]_"7,nn, Fig. l-ll Fig. l-12 Obsrveee que un diagrama de Venn no suministra una prueba como la dada en la part e (o). Sin embargo, sirve para euminishar relaciones posibles entre conjuntos que luego pueden proba ree por mtodos similaree al dado en (o ). 1.8.

Demostra laprimeraley distributiva, Teorema 1-6, pgina3:Tenemoo An(Bu C) = (AnB)U(AnC). Ao(BuCl = = = = = l r A,reBuC} I re A,xeB 6 reC} I s A,reB 6 r A,reC) @ | reA"'B 6 xeAnC\ {, {r {" (AnB) u (A nC) 1.9. Demostra que para cualquier conjunto A y B tenemos A Mtodo 1. = (AnB) u (AB'). (AnB) u(AnB') A : {r I reA) = {, l reAB 6 neAnB'} M6todo 2, Sea C:8' en el Problem 1.8. Entonces A n (BuB') A r,al : (ArtB) u (A^B') : (AB') u (A,8') A = (AnB)u(AnB') El resultado puede generalizane (vase Problema 1.74).

L4 .CONJUNTOS Y PROBABILIDAD [cAP. 1 EXPERIMENTOS ALEATORIOS, ESPACIOS MUESTRALES Y SUCESOS 1.10. Se extrae una carta aleatoriamente de una baraja de 52 cartas. Describir e l espacio mueshal (o) no se tiene en consideracin el palo (b) si se tiene en cuen ta el palo. (o) Si no tenemos en cuenta los pdos el eepacio muestral consiste de as, dos, . . pu ede indicarse como {1, 2, .. . , 13}. si . , diez, jota, reina, rey, y (b) Si tenemos en cuenta los paloc el espacio muestral cronsiste del as de corazn , picas, diamanes y trboles; . .. ; rey de corazones, picae, diamantes y trboles. D enotando corazones, picar, diamantes y hboles respectivamente por l, 2, 3,4, por ejemplo, podemos indica una jota de picas por (11,2). Luego el espacio muestral consiste de 52 puntoo indicados en la Fig. 1-13. 1.11. Refirindose al experimento del Problema 1.10 sea,4 el suceso {se extrae un rey} o sencillamente {rey} y B el suceso (se extrae un trbol} o sencillamente {trb ol}. Describir los sucesos (a) AUB, (q AnB, @) AUB', (d) A,UB,, (e) A-8, (f) A,8,,(g) (AnqU (AnB,). (o) A U B = {o rey o trbol (o ambos, es deci rey () 4 n I : {rey y trbol} : {rey de trbol) de trbol)) (c) Puesto que B Luego A U Bt = {trbol}, B': {no trbol} : {corazn, diamante, pica}. : (rey o corazn o diamante o pica). (d) A'U B' : {no rey o no trbol} : {no rey de trbol } Tambin puede considerarse observando : ( cualquier carta pero no el rey de trboles} que A' V B' : (A B )t y utilizando ( ). (e) A- B -{reyperono trbol} Es lo mismo que A B' - {rey y no trbol}.

(n A'-3' :{no rey y no "no trbol") : {no rey y trbot}: (cualquier trbol excepto el rey). Tambin puede considerase observando que A, - B, - A,n(8,), = A,nB. (E) @ nB) U (A B'):{(rey y trbol) o (rey y no trbol)): irey}. Tambin puede consider ase observando que (A B) U (A n B') : A. 1.12. Emplear la Fig. 1-13 para describi los s sucesos (a),4 u B, (b\ A' se 1.11 com ^ B' . I diagrama eden de indicarse A U B, de acu gamas Fig.1-14. de Teorema 1 era simila todos lo obeervarse de la Fig. B.

cAP. 1l TEOREMAS SOBRE PROBABILIDAI) 1.13. Demostra el (c) Teorema 1-14, (b) Teorema 1-15, (c) Teorema 1-16, pgina 6. ( o) Tenemoe Az : At U (Az - A ) en donde .41 y Az - At son mutuamente excluyentee. axioma 3, pgina 6, asr que Entonces por el P(42\ = P(r) * P(A2- Ar, P(Az- At) = P(Azl - P(Ar) Puesto que P(,42 - Ar ) 0 por el Axioma 1, pgina 6, tambin ee rigre queP(.42 ) = P(Al ). (b) Con anterioridad sabemos que P(A) > 0 por el Arioma 1. Para demostrar que observamos que A C et. As por el Teorema 1-14 [partc (o)] y el Axiom 2 P(A) < 1 primero P(A)=P()=1 (c) Tenemos eJ : eJuQ.Puesto que P(eJ) sfnp = Q se sigue del Axioma P({)) 3 que s = P(d)+P(Q) 6 = 1.14. Demostrar (a) el Teorema 1-17 y (b) el Teorema 1-19. (o) Tenemos AV A' :s[. Entonceepuesto gue. A' : Qtenemog 1

es decir PIAJA') = P() 6 P(A)*P(A') = P(A') = l-P(A) (b) Tenemos el diagrama de Venn de la Fig. 1-15 (1) AUB: AUIB -(.4n8)l Entonces puesto que los conjuntos A y B - (A .B) son mutuamente excluyentee, ten emos usando el Axioma 3 y el Teorema 1-14: P (A u B) | i',^^'rl i' r"u r--' resultado (l ) puede establecerse directarnerte (vase Problema 1.77). Aunque hemos utilizado el diagrama de Venn el i rlu^') ", Fig. l-15 (An CALCULO DE PROBABILIDADES 1.15. Una carta se extrae aleatoriamente de una barqia de 52 cartas. Encontrar l a probabidad de

16 CONJUNTOS Y PROBABILIDAD [cAP. 1 que sea (g) un as, (b) una jota de corazones, (c) un tres de trboles o un seis de diamantes, (d) un corazn, (e) cualquier palo excepto corazones, (f) un diez o un a pica" (g) ni un cuatro ni un trbol. Por simplicidad uticelnos C, P, D. ? para indicar coraz6n, pica, diarnante, trbol, respectivamente,y 1,2, ..., 13 pot aa, doo, .,., rcy. Asf g n C significa tree de corazoneo, en tanto que S U C significa tres o corazn. Empleemoe el espacio mu egtral del Problema 1.10(tr), asignando probabilidades iguales de tl52 : L162. a cada punto muehal. As, por ejemplo, P(6 n (o) ") P(1): PG^e 1nP ,L D 1 n ") =P((1 n c) +P(1 nP) +P (1 nD) +P(1 n r) 11111 = 52n- 52- sz = Lg Tbmbin haba sidq posible conseguir este resultado del espacio mueshal del Problema 1.10(o) en donde cad punto mueehal, en particular "as" tiene una probabilidad de 1/13. Tambin se hubiera llegado a este resultado por un razonamiento sencillo de que hay 13 nmeros y as cada uno tiene una probabilidad de ger extrado igual a 1/13 , t (b) P(11 C= :(c) I * -I^ 26 ) +P(6 D: 62 52 = I " .* (d) P(c):P(ln c 62c6...lsnc) = #,* h* . # -- # = i P(s T 66D=P($ n Tambin s haba podido llegar a ete reultado observando que hay cuatro palos y cada uno tiene una probabilidad igual de ser extrafdo, eeto es 1/4. (e) P(C') 1 - P(C) = ! P(L0 Ln = ?uti[zando laparte (d)y elTeorema 1-1?, pgina 6. P @ Puesto que 10 y P no son mutuamente excluyentes tenemos del Teorema 1-19 UP):P(10) +P(P)-P(10

: 1/13 + rl4 7152 : 4lI3 @) La probabilidad de no cuatro no trbol pgina 9,4' T' = (4 U ?)'. Por tanto puede denotarse por P(4' ?'). Pero por el Teorem a 1-t2 (a), P(4'^T')= 4(4 U ")'l: LP(4 U ? : 1- [P(4) +P(")-P (4 n T)] _, l-r 1- 1l _ 9 - 13 - r-L-Z-521 Tambin podamos obtener este reeultado observando que el diagrama de Venn favorable a este suceso es el oomplemento del suceeo moetrado como la parte sombrcada en la Fig. 1-16, Puesto que este complemento tiene 52 - 16 : 36 puntos muestrales e n l y cada punto muestral tiene una asignacin de probabilidad Il52,la probabilidad requerida es 36/52 = 9/13. 1.16. Una bola se extrae aleatoriamente de una caja que contiene 6 bolas rojas, 4 bolas blancas y 5 bolas azules. Determinar la probabilidad de que sea (c) roja , (b) blanca, (c) azul, (d) no roja, (e) roja o blanca.

cAP. 1l CONJUNTOS Y PROBABILIDAD Mtodo 1. Dentese por R, B y A los sucesos de extraer una bola roja, blanca y azul, respect ivamene. Entonees L1 (o) P(n)= Mtodo 2. --6+4+5=1b=s 662 Nuestro espacio muestral corisiste de 6 * 4I 6:15 puntos muestrales. Entonces si asignamos probabili' dades iguales Ll15 a cada punto muestral observamos que P( .R ) : 6/15 : 215, debido a que hay 6 puntos muestrales que corresponden a "bola rojatt, (b) P(B) = 6i+5 = ft porparte(o) (c) P(A) = 6+j+b = # = i =? (d) P(noroja) = P(R") = 1-P(E) = l-? (e) Mtodo 1. P(roja o blanca) : P(R u r) : -"""';'"::,::"fl'"",J,t""i: ;H 10 2 6+4 6+4+5 - 15 - 5 o blanca Tambin puede resolverse ltilizando el espacio muestral como en la parte (c). Mtodo 2. r(RUB)=P(A'): 1-P(A): I - = | Mtodo 3. norparte(c). . Puesto que los sucesos R y B son mutuamente excluyentes se deduce de (4), pgina 6

, que P(nuB):P(R) +P(B):?*# = ? PROBABILIDAD CONDICIONAL Y SUCESOS INDEPENDIENTES 1.1?. Un dado honesto se Ianza dos veces. Hallar la probabilidad de obtener 4, 6 6 6 en el primer lanzamiento V 1, 2,3 6 4 en el segundo lanzamiento. ' SeanAl elsuceso "4rS 6 enelprimerlanza miento" y Az elsuceso "7r2,364en elsegundo lanzamiento". Luego estamos buscando P(Ar A2). Mtodo 1. P(AroAr) = P(At)P(A2lAr\ -- P(At)P(A,) '!' - l+)l+) = I \6/\6/ 3 Hemos empleado aqu el hecho de que el resultado del segundo lanzamiento esindepen diente del primero as que p(ArlAr): pier)- Tambin i"-or usado P(.4 1) :316 (ya que 4, 5 6 son 3 resultados de las 6 probabilidads igualmente factibles) y P(Az): lt O (ya que 7,2,3 4 son 4resultadosdelasGprobabilida' des igualmente factibles). . Mtodo 2. de las 6 maneras en que cae en el segundo lanzamiento, un total de factibles. Cada una de las 6 maneras en las cuales un dado cae en el primer lanzamiento pue de asociarse con cada una 6.6:36 maneras, todas igualmente Cada una de las tres maneras en que A1 ocurre puede asociarse con cada una de las 3 mrneraa en que A2 ocurre para dar 3. 4: 12 maneras en que tanto A1 como ,42 ocurren. Entonces P(ArnAzl . 19 1 ;; ;

18 coNJUNTos y pRoBABILTDAD lcAP. 1 Esto indica directamente que A 1 y A2 son independientes puesto que . r'(A,nA") =+:(;)() = P(ArP\A2l (2, 6) a 1.18. Encontrar la probabilidad de no obtener un total de 7 u 11 en ningun de los dos lanzamientos de un par de dados honrados. dados se muestra en la Fig. 1-17. Por ejemplo (5,2) signitica que el resultado d el primer dado es b y el del segundo 2. Puesto que los dados son honestos y hay 36 puntos muestrales asignamos la probabilidad 1/36 para cada uno. oaa (3, 6) ({, 6) El espacio muestral para cada lanzamiento de los (r.6) a (3,6) (2, I a a aa (r,6) I (, {) (5, aa {) (6,

r) (2,3) (3,3) (8,2) a a aa (5,3) (4,2 a (6,3) Si A es el suceso "7 u 11" entonces A se indica por Ia porcin sombreada en la Fig . 1-17. Puesto que se incluyen 8 puntos tenemos que P(A ): 8/36 : 219. (2,2l a a (6.2, a (2, l) (3, l) (1,1) a Se deduce que la probabidad de no dada por ? u 11 est 345 Primer dado P1A' '= | - P(Al -L 27 -::99 1o. l'ig. l-17 Utizando subndices t,2gara indica y 2o. lanzamientos de los dadosobservamosquelaprobabilidad de no 7 u 11 en el primero o segundo lanzamientos est dada por

empleando el hecho de que los lanzamientos son independientes. 1.19. Se extraen dos cartas. de una baraja de 52 cartas. Hallar la probabilidad de que ases si la cata (c) se remplaza, (b) no ambar sean se remplaza. Mtodo 1. Sea A1 buscando suceso ttas en la primera extraccint' y .42 suoeso "as en la segunda P(Ar A2): P(A 1) P(A2l A t). extraccin". Entonces estamos (o) Puesto que para la primera extraccin hay 4 ases en las 52 cartas, P(A): 4152. Tamb in, si la carta se remplaza para la segunda extraccin, entonces P(A2 | A r) : 4152 , puesto que tambin hay 4 ases en las 2 catas para la segunda extraccin. Entonces P(A,"A) = P(A) P(A, , A,) = (b) Como en la parte (o), /, \,' ( #)l#) == # r\ P(A1l:4152. = las 51 cartas restantes, as que P(A2l Ar Sin embargo si ocurre un as en la primera extraccin quedarn 3 en ) : 3/51. Entonce s P(ArnA,l Mtodo 2. p(A,tp(A2 A\ = (52")(*) = ,"t (ol La primera carta puede extraerse en una

de las 52 maner:u posibles y ya que hay rempl,azamiento la segunda cata tambin pued e extraerse en una de las 52 maneras posibles. As que ambas cartas pueden extraer se en (52)(52) maneras, todas igualmente factibles. En este caso hay 4 maneras de sacar un as en la primera extraccin y 4 maneras de saca un as en la segunda exhaccin de tal forma que el nmero de maneras de sacar :rs es en la primera y segunda extraccin es ( ) (a)i As la probabilidad requerida es (4)(4) = (52\(52\ 1 169 (b) La primera carta puede extraerse en una de las 52 maneras posibles y ya que no h ay remplazamiento la segunda carta puede extraerse en una de las 51 maneras posi bles. As ambas cartas pueden extraerse en (52 ) ( 51 ) maneras, todas igualmente factibles,

cAP. 1l CONJUNTOS Y PROBABILIDAD 19 En este caso hay 4 maneras de saca un as en la primera extraccin y 3 maneras de sa car un as en lia segunda extraccin de tl forma que el nmero de maneras de sacar are s en la primera y segunda extraccin es (4) (3). As la probabilidad pedida es (4X3) (52)(51) I 2 1.20. Se extraen tres bolas sucesivamente de la caja del Problema 1.16. llallar la probabilidad de que se extraigan en el orden roja, blanca y azul si las bolas (a) se remplazan, (b) no se remplazan. Si Rl - suceso "roja en la primera extraccin", I}2 : sc so "blanca en la segunda ext raccin", A3 "azul en la tercera extraccin". Requerimos P(Rl 82 n A!\. : guCeo (o) Si cada bola se remplaza, entonces los sucesos son independientes y p(.Rr n 82 At):p(,Rr ) p(82 lnr )p(A3 In, nar :P(Rr )P(82)P(A1) e \/ n u =(\6+4+5/\6+ 4+5/\/\6+4+5/\=_9_ 225 (b) Si no se remplazan las bolas, entonces los suceeos son dependientes y p(nr n 82 n At)=p(Rr ) p@2lR )p(Ar I Er n 82) :1\6 | u+ 5/\5 +4+5/\/ u 5/ el \/ n \5+ 3+ \=, 4 Az 1.21. Hallar la-probabilidad de obtener al menos un 4 en dos lanzamientos de un dado honrado. Sea A I: suceso "4 en el primer lanzamiento" y : suceso

"4 en el segundo lanzamiento", As Art.J requerimos A2: : suceso "4 en el prirner lanzamiento o 4 en el segundo lanzamiento o ambos" suceso t'al menos un 4" A2). P(ArU Mtodo 1. Los sucesos A t I Az no son mutuamente excluyentes, pero Bon independientes, P(A'tuA) = P(A) + P(A) - P(AL42) = P(A) + P(A!) - P(At) P(Az\ 1 r /t\/t\ rr Por anto, por (1Ol V QI ) = 6'u-\ui\u/ * = * Mtodo 2. P(al menos un 4) Entonces P(al menos un 4) P (ningn 4) = 1 : 1 - P(ningn 4) : 1 -P(no 4 en 1er. lanzamiento y no 4 en el 2o, lanzamiento) = | - P(A'rnA'"\ = | - P(A')P(A'2| = '! -(8X*) = *" Mtodo 3. Nfrmero total de maneras igualmente factibles en las que ambos dados pueden caer Tambin, : 6.6 : 36. nmero de maneras en las que A 1 ocurra pero no Az

nfmero de maneras en las que .A2 ocurra pero : no At : 5 5 nmero de maneras en las que tanto A 1 como ,42 ocurran : 1

20 CONJUNTOS Y PROBABILIDAD Luego el nmero de manera en las cuales por lo menos uno de los sucesos 11. Por tanto P(,41 U Az): 11/36. fcAP. 1 : Ar A2 ocurraes5 +5+ 1 L.22. Un talego contiene 4 bolas blancas y 2 bolas negras; otro contiene 3 bolas blancas y 5 bolas negras. Si se extrae una bola de cada talego, hallar la proba bilidad de que () ambas sean blancas, (b) ambas sean negras, (c) una sea blanca y una negra. SeaB : suceso "bola blanca del primer talego", I|2 : sc so "bola blanca del segundo talego". (d) P(BtnBil:P(Br )P(B2lBt):P(Br )P(B) = lt!")/-=) + 5/ = I 4 \4 + 2/ \3 P(B'tnb:pelp @;lB't)=P(B')P(Bi = 1-P(Br B)-P(Bin B'r): (b) (c) (-1=)1=+) + 2/\3 + 5/ \4 = : 24 La probabilidad pedida es t -i-* = # 1.23. Demostrar el Teorema 1-23, pgina 8. Demostramos el teorema para el cso n : 2.

Extensiones para valores mayores de n se obtienen fcilmente, Si el suceso .4 debe resultar en uno de los dos sucesos mutuamente excluyentes At, Az entonces A = (AnAr)u(A42) PeroA At y A Az son mutuamente excluyentes puesto que A1 y A2 lo son. Aspor P(A) = P(AIA)+P(A ^AI') = P(A) P(A i A) + P(42\ P(A I A2) 8. Axioma 3 empleando (I8), pgina t.24. La contiene 3 bolas rojas y 2 azules en tanto que la caja II contiene 2 bolas rojas y 8 azules. Se lanza una moneda honrada. Si se obtiene cara se saca una bola de la caja.I; si se obtiene sello se saca una bola de la caja /I. Hallar Ia probab ilidad de sacar una bola roja. Si R indica el suceso "sacar una bola roja" mient ras que 1 y 1I indican los sucesos escoger caja f y caja caja I /d respectivamente. Puesto que una bola roja puede resultar al escoger cualquier a de las cajas podemos em. plear los resultados del Problema 1.23 con A: R, At : I, Az: II. As la probabilidad de sacar una bola roja P(Rt P(nP@ Il+P\II\P(RIII = /t\/ I \ /r\/ z (;)("+-ri-r:ri ---r:\ \2/\2+8/ \-/\-,2/ 5 z TEOREMA DE BAYES L25. Demostrar el teorema de Bayes (Teorema L-24,pryina9). Puesto queA resulta en uno de lossucesos mutuamene excluyentes 1-22 (Problema 1.2 3)

Ay A2, ..., An tenemos por el Teorema P(A) = P(AI)P(A Ar) + ' " + P(A,\P(A:A,,) .. j Dor tanto ",O*' P(A\'Aki \ P1A A = P(A) P(A I Ak) P\Ak^A) = --Pt ) P(Al P(A' Akl 1.26. Supngase en el Problema 7.24 que quien lanzala moneda no revela si resulta cra o sello (de tal forma que la caja de 14 cual se sac la bola no se revela), pero revela que se sac una bola

cAP. 1l CONJUNTOS Y PROBABILIDAD 2L (es decir que el resultado de la roja. Cul es la probabilidad de que se escogiera la caja,f moneda sea cara)? Utilicemos la misma terminologfa del Problema I.24, ea decir, A : R, At : I, Az : I/. Buscamos la probabilidad de que se bscoja la caja / y se conoce que se sac una bola roja. Empleando la regla de Bayes con n: 2 er;ta probabilidad ect dada por P(Blr) P(I lP) = P(rl P(R | /) + P(I/) P(BlIIl P(r, As podemoo dar una probabilidad de 3 a 1 que s /r\/ + \ \-3 4 =/t\/r\ \ti /r\/z\ \zi \E-+z/ ' \t/\2 + 8/ la caja I. 3 4 ee escogi ANALISIS COMBINATORIO, CUENTA Y DIAGRAMAS ARBOL 1.27. Se va a conformar un comit de 3 miembros compuesto por un representante de los tr abajadores, uno de la adminishacin y uno del gobierno. Si hay 3 candidatos de los trabajadores, 2 de la administracin y 4 del gobierno, determina cuntos comits difer entes pueden conformarse, empleando (c) el principio fundamental de cuenta y (b) un diagrama rbol. (a) formarseesS'2'4=21. (b) Podemos elegir un representante de los trabajadores en 3 maneras diferentes y lu ego un repreeentante de la adminishacin en 2 formas diferentes. Aaf hay 3 . 2 : 6 mineras difeentes de elegir un representante de los trabajadores y de la adminitra cin. Con cada una de estas eleccionee podemoe escoger un representante del gobier no de 4 maneras diferentes. Asl el nm ro de los diferentescomits que pueden Reprentense los 3 candidatos de los habajadores por Lt, Lz,.L3; los candidatos de laadministracin pot My, M2; y la candidatos del gobierno pot Py,.P2, Ps, Pc. Enon ces el diagrama rbol de la Fig. 1-18 muestra que hay en total 24 comisiones difer ente. De este diagrama rbol podemos lista toda la comisionee, por ejemplo LrMrPr, L1M 1P2, etc. I 2 I 4 D

6 8 q 10 1l t2 t8 l{ l l6 1t l9 20 2l 22 28 24 Fig. l-rt PERMUTACIONES 1.28. De cuntas maneras diferentes pueden ordenase 5 bolas en una frla?

22 CONJUNTOS Y PROBABILIDAD [cA?. 1 Debemos ordena 5 bolas cualquiera de las cinco osicin. Cuando esto se hay 3 maneras de llena inalmente slo 1 manera en 5 posiciones as -. La primera posicin puede ocuparse por bolas, es decir hay cinco maneras de llenar la primera p haya hech hay 4 maneras de llenar la segunda posicin. Luego la tercera posicin, maneras de llenar la cuarta posicin, y f de llena la ltima poeicin, por tlnto:

El nmero de ordenacionesde lag 5 bolasen una filaes En general, = 5. 4. 3. 2. L = b! =. 120 Elnhmerodeordenacionesdenobjetosdiferentesenunafilaes=n(n-l)(n-2\...1 =nl Esto se conoce como el nmero de permutaciones de n objetos diferentes tomados de n en n y se denota por p n' n. 1.29. De cuntas maneras pueden 10 personas sentarse en una banca si slo bay 4 puest os disponibles? El primer puesto puede ocuparse con cualquiera de las 10 persona s y, cuando esto est hecho, hay 9 formas para ocupar el segundo puesto, S para oc upar el tercero y 7 para ocuparel cuarto. Por tanto: El nmero de ordenacionesde 10 En general, persona! tomadasde 4en 4es = tC. g.8.T = 5040 El nmero de ordenaciones de n objetos diferentes tomados de r en r ea n = n(n 1) . . . (n - r * l) Esto se conoce como el nmero de permutaciones de n objetos diferentes tomados de

r en r y se denota por P,. Obsrvese que cuando | = tr, nPr, = r ! como en el Probl em a 1.28, 1.30. Hallaelvalorde (a) ,Pr, (b) uPo, (c) tsPt, (d) rPr. () aP = 8.7.6 .- 336 (b) Pq = 6.5.4.3 = 860 (c) ,rP, = e 15 (d) P = 3.2.1 = 6 1.31. Se quieren sentar 5 hombres puede asociarse con cada ordenacin de las mujeres. As pues, y 4 mujeres en una fila de modo que las mujeres ocupen los sitios pares. De cuntas formas pueden sentarse? Los hombrcs pueden sentarse de 5P5 formas y las mujeres de 4Pa formas, Cada ordenacin de los hombres Elnmerodeordenacionespedidoes = "Pr.oPo = 514! = (lZO)\24) 2gg0 1.32. Cuntosnmerosdecuatrocifraspuedenformarseconlosl0dgitos0,1,2,3,...,9si(c)los nme ros pueden repetirse, (b) si los nmeros no pueden rcpetirse, (c) si el ltimo nmero ha de ser cero y los nmeros no pueden repetirse? (o) La primera cifra puede ser c ualquiera entre 9 (puesto que el 0 no tiene valor). La segunda, tercera y cuara p ueden ser cualquiera de las 10, Entonces I ' 10 ' 10 ' l0 : 9000 son los nmeros q ue pueden formarse. (o) La primera puede ser cualquiera entre g (el 0 no). La segunda puede ser cualquie ra entre 9 (no puede ser la que ocup el primer puesto), puestos). puestos). l,a tercera puede ser cualquiera entre 8 (no pueden ser ninguna de las que ocupa n los dos prifneros La cuarta puede ser cualquiera entre 7 (no pueden ser ninguna de las que ocupan los tres primeros Entonces 9 . I .8.7: 4536son los nmerosque pueden formarse. Otro mtod<. El primer nmero puede ser cualquiera entre 9 y los tres restantes puede n elegirse de gPa formas, Entonces 9' sPs : I . 9 . 8. 7 : 4586 sonlos nmerosque puedenformase.

cAP. 1l CONJUNTOS Y PROBABILIDAD La primera cifra puede elegirse entre g, la segunda entre 8 y la tercera entre ? . Entonces 9 son los nmeros que pueden formarse, 23 (c) ' 8'7 : 5O4 Otro mtodo, El primer dgito puede elegirse de 9 maneras y los dos siguientes de gP 2 formas. Entonces ' 7 : 504 ser el nfrmero pedido. g. ePz:9 . I 1.33. Cuatro libros distintos de matemticas, seis diferentes de fsica y dos difere ntes de qumica se, colocan en un eslante. De cuntas formas distintas es posibliorde nalos si (c) loslibrosde cada asignatura deben estar todos juntos, (b) solamente ios libros de matemtitas deben estar juntos? (o) Los libros de matemticas pueden ordenarse entre ellos de aPa: 4! formas, los libros de fsica de 5p5 :6! formas, loslibrosdequmicade2P2:2! formasylostresgruposd e3P3:3! formas. Entonces el nmero de ordenaciones pedido ser = 4't. 6l 2l3! 207 360 (b) Considerar los cuatro libros de matemticas como un solo libro, Entonces se tienen 9 libros que pueden ordenarse de 9P9 - 9 ! formas. En todos estos casos los lib ros de matemticas estn juntos. Pero los libros de matemticas pueden ordenarse entre ellos de aPa:4! formas. Entoncesel nmero de ordenacionespedido ser = 9l a! 8 709 120 1.34. Se ordenan en una fila 5 bolas rojas, 2 bolas blancas y 3 bolas azules: Si las bolas de igual color no se distinguen entre s de cuntas formas posibles pueden ordenarse? Supngase que hay N diferentes ordenaciones. Multiplicando N por el nmero de ordena ciones (o ) de las 5 bolas rojas entre s, (b) de las 2 bolas blancas entre s y (c) de las 3 bolas azules entte s (es decir, multiplicando N por 5! 2l 3!) se obtien e el nmero de ordenaciones de 10 bolas si todas ellas fuesen distintas.

es decir, 10 ! EntonceslSl 2: 3l)N = t0! y N 101/(5! 2t Bl). n En general el nmero de ordenaciones diferentes de n objetos de los eue ?r Sorigual es* donde, rt, 1 n"+ ... + tt = n. son iguales, n2 son iguales, , . . , n#l* 1.35. De cuntas formas pueden sentarse 7 personas alrededor de una (c) (b) mesa, si (o) pueden sentarse de cualquier forma, (b) si dos personas determinada s no deben estar una al lado de la otra? Considrese una de ellas sentada en cualquier parte. Entonces las 6 restantes pued en sentarse de ?20 formas, que es el total de caros que se dan en la ordenacin de 7 personas en un crculo. 6! = Considrense las dos personas que no han de ir juntas como una sola. Entonces hay 6 personas para sentarse en crculo, que lo pueden hacer de 5! formas. Pero las do s personas consideradas como una sola pueden ordenarse entre s de 2! formas. As pu es, el nmero de ordenaciones de 6 personN sentadas alrededor de una mesa con 2 det erminadas de ellas sentadas juntases de 5! 2! :24O. Entonces, mediante (o), se t iene el nmero total de formas en que 6 personas pueden sentarse alrededor de una mesa, de modo que dos de ellas no estn sentadas juntas es 720 - 24O: 480 formas. COMBINACIONES 1.36. De cuntas formas pueden 10 objetos dividirse en dos grupos de 4 y 6 objetos mente? es respectivaotros 6 Esto Io mismo que el nmero de ordenaciones de 10 objetos de los cuales 4 objetos son iguales y los tambinsonigualesentres.PorelProblemal.34estoes ft 10'f''8' ;

ll0.

24 CONJUNTOS Y PROBABILIDAD lcAP. 1 El problema es equivalente a encontrar el nmero de grupos de 4 objetos que se pue den formar con 10 objetos dados (o de 6 objetos con 10 objetos dados), no teniendo en cuenta el or den de los objetos dentro del grupo. En general el nmero de grupos distintos de r objetos que 8e pueden formar con, n.objetos dados, ae llamanmerodecorbinacionesdelosnobjetostomadosderenrysedenotapor,,C.Olf/Vvienedadop or ^ n"r nl /"\ \r / - rl(n-rll n(n-11"'(n-r+1) r! - rl nP' 1.37. Hallar el valor de (a) zCq (b) aCs, (c\ eC+ 7.6.5 71 ^ (ol ;ur - 4!B! = 7. 6,5.4 = l4;1 = o'' --ll (b) oCs = 6 ! = 6. 5. 4.5.2 = 6, 6 uCt=oC1 =6' 5 ff (c) +Ca es el nmero de grupos de 4 objetos que se pueden formar con 4 objetoa, lo que es evi dentemente 1. Entonces tC+:I. = #h = I si se define Ntese que formalmente aCa 0! = l. 1.38. De cuntas formas puede elegirse una comisin de 5 personas de entre 9 personas? /g) = ^c. _ e! _ \s/-sws-BJ]Te.8. b! ?.6.b =

126 1.39. De un total de 5 matemticos y 7 fsicos, se forma un corit de 2 matemticos y 3 fs icos. De cuntas formas puede formarse, si (c) puede pertenecer a l cualquier matemti co y fsico, (b) un fsico determinado debe pertenecer al comit, (c) dos matemticos de terminados no pueden estar en el comit? (a) 2 matemticos de un total de 5 pueden elegirse de sCz formas. 3 fsicos de un total de 7 pueden elegirse de zCs formas. Nfimero total de selecciones posibles = sCz' zCs = l0'35 = 350 (b). 2 matemticos de un total de 5 pueden elegirse de sCz formas. 2 fsicos restant es de un total de 6 puedtn elegirse de eCz formas. Nmero toal de selecciones posibles = sCz. oCz = 10 . 15 = 150 (c) 2 matemticoe de un total de 3 pueden elegirse de sCz formas. 3 fsicos de un total de 7 dan 7C3 formas. Nmero total de selecciones posibles = tCz'tCs = 3'35 = 105 L.4O. Cunts ensaladas pueden preparae con lechuga, escarola, endibia, beno y achicoria? Cada verdura puede tratarse de 2 formas, como si se escoge o como si se rechaza. Puesto que cada una de l 2 formas de considerar una verdura est asociada con 2 for mae de considerar cada una de las otras verduras, el nmero de formas de considera

r lias cinco verduras es 25 formas. Pero las 2s forma incluyen el cao de no selecc ionar ninguna verdura. Por tanto El nmero de ensaladas Otro mtodo. es:25 1 : 31 Puedeseleccionarseldelassverduras,2delasSverduras,...,SdelasSverduras.Entoncesel nmerorequerido de ensaladas es -,CL-l tC2+5Ca+ sC4+ scs : 5 *10+ 10* 6* 1 : 31

cAP.1l CONJUNTOS Y PROBABILIDAD 26 nCn Engeneral, raracualquier enteropositivo n, n0r+ ncz+.Cs+ -.. ! = 2r-1, de 1.41. Con 7 consonanps y 5-vogaJes diferentes, cuntas palabras pueden formarse, qu e consten 4 consonantes y 3 vocales? No es necesario que las patabras tengan sig nificado. La 4 coneonantes pueen elegirse (!e lC+ formas, lss 3 vocsles de s0g for mac consonantes, 3 vocales) pueden ordenae entre sf de zPz : ?! forma. Entonces: El nhmero de palabrae y las ? letraresultantee (4 q 7C1 ' Ca ' ?! : 35 . 10 ' 6040 : 1 ?64 000 COEFICIENTES BINOMIALES 1.42. Demostrar q"" Tenemos que 11) \r/ = l" - t) + f" - 1). \ r / \r-1l' (n-r*r)(n-1)! r! (n - r)l (n-r)(n-L)l * r(-1)! r! (n - r)'! r! (n - r)l (-l)! (-1)! ;tFV=fr - 1r - 1 1" - " /-r\ /"-r\ \ " )-\"-t) El resultado tiene la siguiente aplicacin interesante, Si escribimos lo coeficient es de la expanein binomial de (c * U)" pa n :0, 1, 2, . . . obtenemoa Ia distribuc in conocida como el tringulo de Poscal:

n=l n=2 n=3 n:4 n=5 n=6 et. 1 L 1 | I 1 6 4 3 6 2 1 1 3 4 1 1 5 10 10 5 15 20 15 6 1 1 Un resultado en cualquier rengln puede obtenerse sumando los dc coeficiente del re ngln anterior que encuenreninmediatamentealaizquierdayaladerecha. Ae10:4I6, 1b:10 * 6,ec. ee 1.43. Halla el trmino constan6 en h exDansin de 1r, De acuerdo al teorema del binomio *'\- +!\". 'xl (**!\" = r-:o (1?),*,,.11)"-- = xau /rz)',*-,, $ \k /' 3 \& /'- ' \"/ / \ El trmino conetante corresponde a aquel para el cual 3& - !2 = 0, ee decir k = 4,y por tanto eet dado por /12\ _ \n/= 12.11. r0. 4.B.z.r e =4e6

26 CONruNTOS Y PROBABILTDAD [cAP. 1 PROBABILIDAD T..TTEIZA}TDO ANALISIS COMBINATORIO

1.44. Una cqia contiene 8 bolas rojas, 3 blancas y 9 azules. Si se extraen 3 bol as aleatoriamente sin renplazamiento, determinar la probabdad de que (c) las 3 bo las sean rojas, (b) las 3 bolas sean blancas, (c) 2 sean rojas y 1 blanca, (d) a l menos 1 eea blanca, (e) se extraiga una de cada color, (f) las bolas sean extr adas en el orden rojo, blanco, azul. (o) Mtodo 1. Bz, Rc lol auceecr "bola roja en la primera erhaccintt, t'bol,a roja en l a aegunda extraccin", roja en L tecer ettraccint', rerpectivarnente. Af .Rt n .[l2 R3 reprerenta el guceso "la 3 "bola bola exhafda con rojEr". De eta marera tenemo Sean i, P(8rnP2nBJ = P(Fr) P(^R2 | A1) P(s l.B1nR2) - /e\/ z\/o\ \20l\i0l\18/ Mtodo 2. 14 Za,B Probabidadp did: (D) Empleando el reundo mtodo idicado en la parte (o), =g=i| zocs t9;= 1140 = zous j_ 296 P(3 bol blurcas) ' Tambin puede utilizarre el priraer m6todo indicdo en la parta (o). (cl P(2 bolar rojar y 1 blanca) = (gupoc de 2 entre 8 bol rojar)(grupoo de 1 entre 3 bola blancas) afir.ocro de rupoe de 3 bola entre 20 =-=-zocs (d) P(ninguablanca) = (CzXCr) 7 96 #=

ff, . Eotoo"". P(almenol blance) () P(tdecadacolor, =t-# =# = !9lff9 = *g (f) P(ertraer l bola en oden rojo, blanco, ezut) - * "O de cada color) = Oto mtodo. P(Rr g l/lg\ = fr' 6\96/ urando (e) ^ Bz ) : 4R) P(B? | 8r ) P(Ar I Rr n82) = f /s\/s\/e\ \*i\*/\r8/ = s e5 .45. Se extraen 6 cartas de rna barqia de 62 cartas. Halla la probabilidad de extraet ( a) 4 ases, (li) 4 ases y un rey, (c) 3 dieces y 2 jotas, (d) un 9, 10, jota, rei nq rey en cualqui,er orden, (e) 3 de un palo y 2 de otro, (f) al menos 1 as. @) pedc) = (b') W# = # = ufuo

P(4eroylrey) = ry

cAP. u (c) (d) P(3 diece y 2 jot) CONruNTOS Y PROBABILIDAD QCslQCzl 1 szcs 108 290 (4cr P(nueve, diez, jota, reina, rey) x4crx4crxrcr) (rcr) szCs 64 162 496 (e) P(3 de un palo, 2 de otro) = q#@ = ffi = t -;lf{| = 'ffi. un dado honrado. Cada eopacio tendr6 lo uceoc 6 o 6, etc. puesto que hay 4 form de eecoger el primer palo y 3 foims de ercoger el regundo. (/) P(ningrn *) = # = m. LuegoP(al menoa un ar) 1.46. Detenninar la probabilidad de tres seises en 5 lanzamientos de Represntense los lanzamiento del dado por cinco eepacioe no 6 (6'). Por ejemplo, h es 6 y dosno 6 puedenocutrir como 666' 66' 66'66' Asf la probabilidad del resultado 66 6' 6 6' e p(666'66')

p(6)p(6)p(6,p(6)p(6') - *..* = (il'eu)' : 10 de ertor nrceeor y pueeto que suponemoe que lor uoesos ron independientee. Anlogamente '" - /L\'/qY - \o/ \o/ para todc lo oEo resultado en los cuale ocuren hec 6 y dos no 6. Pero hay rCa son mu tuanente ercluyentes. Por tanto la probabilidad pedida e p(666,66, En generd, eractamene 66,66,6.. = - /r\3/s\2 = =*)t1l)'= = I 't 'v,\6/ \o/ BITT\6i \6i 8888 nc.p"en-' = (n\o'o'-' sip: P(A) y q:1--p:P(A'\,por elmiamorazonamientoaneriorlaprobabidaddeobtener r vec eA en n enaayos independientes ea \n/ 1.4?. Un estante tiene 6 bros de matemticas y 4 de fsica. Halla la probabidad determinados de matemticas estn juntos. de que S libros . Los libros pueden ordenare determindo de mtemtica ense enhe f dc 6Ps = 8 ! f de 3P3 = 3 ! form. L 8!3! 10! 1 15 APROXIMACION DE STIRLING A z! 1.4E. Hallar el valor de 50! Para n muy grande, n7 - {fi,n"-. Por tanto aot-t/ffi5oso-so:N Para evalua N uilizamoe logaritmoe de bae 10. Asf logN = los(/lofio5o-50) 1f = i los100 I |losr * 60 log60 50 log

ntre ef de roPro = 10! formar. Supongamos que lo 3 libro ee remplazan por 1. Arf tenemo un otd de 8 libroe que pueden or formas. Pero a su vez io 3 libro de matemtica pueden cdenre probabilidad pedida est dada por

28 11 CONJUNTOS Y PROBABILIDAD lcAP. 1 = los100 | lor3142 + 11 = i(zl * de donde 50 1og50 50 log2?18 ;10.4972) + 50(1.6990) 50(0.4343) = 64.4836 N= 3.04 x 100r, un nfimero que tiene 6b dgitos. PROBLEMAS DIVERSOS 1.49. A y B juegan 12 partidas de ajedrez de las cuales A gana 6, B gana 4 y 2 tnrmrnan en tablas. Acuerdan jugar un torneo consistente en 3 partidas. Hallar la piobabidad de que (o) A gane las tres partidas, (b) dos partidas terminen en tablas, (c) A y B ganen altemativamenie, 1 n gane al menos una partida. Dentese por A B t, Az, A 3 los sucesos " A gana" la 1.z., 2a., y 3a. partida respectivamene, t, B z, I|3 los sucesos "B gana" la 1a., 2a., y 3a. partida respectivamente. Atendiendo a la experiencia que han tenido (probabilidad emprica) suponemos que P(Aganeunapartida) = #=+ P(Bganeunapartida) = #=+ =I (o)

P(Aganelashespartidas) P(AtnAroA3') = p(At)p(A2)p(As) = (;Xt(;) suponiendo que los resultados de cada partida son independientes de los resultad os de la ohas. (Esta suposicin no sera justificable si un jugador fuera influenciad ,o sicolgicamenfe por loe resultados anteriores! (b) En cualquier partida la probabidad de no tablas (esto ee A o B gana)esg: ]-t2 +]-lg:516yla probabidaddetblasesp:1--q:1/6.Aslaprobabilidad,de2tablasenBpartidases( rase Problema 1.46) 5 /s\ " \)o'n'-' = t(;, \a) = n /r\2/<\ (c) P(A y B ganen alternavamente) : P(A gane, luego B, luego A o B gane, luego A, luego B) == ","u j /t\/r\/t\ * /r\/r \/r\ = \r/\5/\r/ \i \zi \i 5 ;:,,:',i :,':,:;',^;'J?fi ';ll 36 (d) P(B gane al menos una partida) : 1 - P(B no gane ninguna partida) t - P(B'roBjB'r) L - P(B') P(B;) P@;) , -/\/a\1\ = le ^ \3/\3/\3/ 27 1.50 A y B juegan lanzando alternativamente un par de dados. Quien obtenga prime ro un total de 7 q^? el juego. lallar la probabilidad de que (o) quien lanza pri mero los dados gane, () quien lanza segundo los dados gane. (o )

La probabilidad de obtener 7 en un slo lanzamiento de una pareja de dados, supues tamente honradoe, es 1/6 como se determin en el Problema 1.18 y Fig. 1-17. Si sup onemos que A es el primero en lanza entonces A ganar en cualquiera de los casos si guientes mutuamente excluyentes con las probabilidades asociadas indicadas: (1) (2) A gana en el ler. lanzamiento. Probabidad : 1 /6. A pierde en el ler. lanzamiento , luego pierde B, luego gana A. Probabidad = {)(f )($).

cAP. 1l CONJUNTOS Y PROBABILIDAD 29 (3) A pierde en el ler. lanzamiento, pierde B, pierde A, pierde B, gana A. Prqbabilidad = (X8X8X8X+). As la probabilidad de que g, gane es /t\ /s\/s\/r\ - /s\/\/o\/s\/r\ * \6/-\6i \6/\u/ \6i \6/\Bi \u/\6i 1l-. : 6L" /s\' * /r\* I _ \al \ui donde hemos utilizado el resultado 6 del Apndice A con x r/6 6 : (5rc)2 (b) Anlogamente la probabilidad de que B gane el juego es 1q)/l) - /l)/q)lq\It\ \6/\6,' \6/\6/\6/\6/ * = /q\/r\T,*/q\'*/q)'* \o/\e/t_' \o/',\6/ =5136=5 1 - (5/6)2 11 .tJ es cero ya As iramos 6 a 5 a que el primero que liance gana. Ntese que la probabidad de un empa te que 11 ' 6-5 11 1 Esto no serfa verdadero si el juego fuera limitado. Vanse Problemas 1.151 y 1.152 .

1.51. Una rnquina produce un total deL2 000 tomillos diarios de los cuales en pro medio elSVo son defectuosos. Hallar la probabilidad de que de 600 tornillos sele ccionados aleatoriamente 12 sean defectuosos. De 12 000 tornillos, el 3'/o 6 360 son defectuosos y 11 640 no lo son. As Probabid ad pedida = -H*-P 1.52. Una caja contiene 5 bolas rojas y 4 blancas. Se extraen dos bolas sucesiva mente de la caja sin remplazamiento y se observa. que la segunda es blanca. Cul es la probabilidad de que la primera tambin sea blanca? Mtodo 1. Bl, I|2 son los suceoos "blanca en la primera extraccin", "blanca en la segunda e xtraccin", respectivamente, estamos buscando P(Br lB2). Este resultado se obtiene as Si P(BJB)='+#=elwq=* Mtodo 2. Puesto que se sabe que la segunda bola es blanca solamente hay 3 formas de las restantes 8 para que la primera sea blanca, de tal manera que la probabil idad es 3/8. 1.53. Las probabilidades de que un esposo y una esposa estn vivos dentro de 20 aos estn dadas por 0.8 y 0.9 respectivamente. Hallar la probabilidad de que en 20 aos (a) ambos vivan; (b) ninguno viva; (c) al menos uno viva. Sean I, l|/ los sucesos que el esposo 0.8, P(W) : 0.9. Suponemos que .F/ y la esposa, respectivamente, estn vivos en 20 aos, Entonces y lI/ son sucesos ind ependientes, lo cual puede ser o no razonable. P(H): (o) P(ambosvan) = P(H1W) = P(H)P(W) : (0.8)(0.9) = 032 () P(ningunoviva) = P(H'nW' ) = P(H'\P(W') = (0.2)(0.1) = 0.02

30 CONJUNTOS Y PROBABILIDAD [cAP. 1 (c) P(al menoc und Ya): 1 -P(ninguno viva): 1 - 0.02 = 0.98 1.54. Una secretaria ineficiente coloca ncartasdiferentes en n sobres con destin os diferentes aleatopiada.

riamente. Hallar la probabilidad de que al menos una de las cartas llegue a la d estinacin aproDentensepor A,42, .,.,A,, lo sucelo primera, cegunda,.. ., n-sima carta encuentra en el gobre correcto. Entonce el uceso al menos una carta en el sobre c onecto es.4 U AzU'.,U An y deeeamos hallar P(A U A2V... U A,). A partir de la gene ralizacin de los resultados (10\ y (1 l), pgina 7, (vase Problema 1.79) tenemo (1) donde E P(A) + )P(AinAinAk) P(ruAru."uAn) = )r(*) -)e6'tnl'r) "' * (-t"-t P(At^A2 " n,u) las es la uma de las probabilidades de A desde t hasta n, E P(A Ar) es la suma de proba bilidadesdeAAconjyhdeedelhastanyh)j,etc.Tenemosporejemplolosiguiente: (z) P(A)=+ yanlogamente PlAr=L ya que de lo n sobres rolamente 1 tendr la direccin apropiada. Tbmbin (E) p(A,A2t : p(At\p(A2lAt\ = (*)("=) aProPi"ao ,",xt"1B"""ntJfi::::i*il'ff,i1-:.sobre "nto"o' *to '' de los rectantes n-

1 sobres estar (4) p(AtnAzr1A) = p(,) p\AztAttp(A.,lAtnAr) y as aucesivamente, finalmenrte - (+ll-+ll=+) \,/\, -r/\n-2/ (+) = + \.1/ nl (5) Entonces en la suma > Anlogamente en E p(A,nA2n...nA) = ''-n' P(A A ) hay (;) Ap) hay ( (+)l=+) \lr/\tt - 1/ =,,C2 trminos que tienen el valor dado por (3). ' P(4 A que tienen ) = "r"trminos el valor dado por (4). Por tanto la probabilidad pedida es p(ApAzu-..vAn 1\ t.\ /"\/t\/ I = (l)(t)-l:)/l)l \;/\ - 1) - \t/\;i \;=t \/ - r) ,.-, ,.i/ - \r i )\" " ' " + (-r)^-'l'\l+) = r-fr+i-"'+1-t"-'I cz \z/!t!/ Del clculo sabemoe que (vare Apndice A) = lf *#.#. aefqueparar:-l e-, ='-('-+r.ri- ) "1

1- f'.* r-e-l I : 0.6321. Esto quiere decir Se deduce que ai n es grande la probabilidad pedid a es aprorimadamente 1 -e que hay urra buena probabilidad de que al menos una ca rta llegue al destino apropiado. El resultado ee aombroso ya que la probabilidad permanececasi constante para n ) 10. Por anto, la probabilidad de que al menos un a cata llegue a su destino apropiado es casi la misma si n es 10 10 000.

cAP. 1l CONJUNTOS Y PROBABILIDAD 31 1.55. Halla Ia probabilidad de que n personas (n < 365) seleccionadas aleatoriamente tengan n das de cumpleaos diferentes. Suponemos que solamente hay 365 das en el ao y que to dos loe das de cumpleaos son igualmente probables, suposiciones que no se cumplen genetalmente en la realidad. La primer a de las n personar tiene lgicamente algn cumpleaos con probabilidad 365/365 : 1. En tonces, si Ia segnda persona tiene un cumpleaos diferente, debe ocurrir en uno de los otros 364 dlas. As la probabilidad de que la segunda persona tenga un cumpleao s diferente de la primera es 364/365. Anloga' mente la probabilidad de que l ercea p ersona enga un cumpleaos diferente de las dos primetas es 863/365. Finalmente, la probabilidad de que la n-sima persona tenga un cumpl'eoe diferent de las otras n * 1 )/365. Por tanto tenemos es (365 P(n cumpleaos diferentes) = #* # ffi = \'' 365 :-l! + 1 1\/'- z\...(,-4\ - l,- 165/\'- 865)"'\'- 865 ) de 1.56. Determinar cuntas personas se necesitan en el Problema 1.55 para que la pro babidad cumpleaos distintos sea menor que U2. Denotando la probabidad dada por p y tomando logaritmos naturales hallamos (r) @\ (3) lnp tnp =t"(r-#) -r'"(,-k). "'+rn(t-#) ln(1 Pero sabemos de clculo (Apndice A, ftmula 7) que -r) -= --c T3 as que (I ) puede escribirse como

= ft+z+ : 2, 3, . Enipleando los hechos de que para n .' (Apndice A' frmulas 1 y 2) (Ir\ I+2+ "'*(n-1) = @;), 12+22 i-...-*(n-1)2 n(n - r)(Zn -r) 6 obtenemos para (3) (5) *::":: 16) rnp = -!!+! - ^" --!,1\:{,;" - "' . tnp = - n(r-l) i30 para n pequeo comparado con 365, por ejemplo n ( 30, el segundo trmino y los trmino s superiores a la ae 1S son dlespreciables comparados con el primer trmino, asf qu e una buena aproximacin en este Paa (7) p : L12,ln p r(rr : -1) ?30 - 0.693. Por tanto tenemos n.2 -r-506 = 0 = 0.693 6 ln 2 =

6 (n - 23)(n'l 22) = g asf que n : 23. Por tanto nuestra conclusin es que si n es mayor gue 23 podemos decir con m ayor seguridad que al menos dos personas cumplen aos el mismo dfa. Problema,s supletnentarios CONJUNTOS 1.67. Sea A eI conjunto de los nmeros natwales entre 5 y 15 que son pares. Describir A de a cuerdo al (o) mtodo de extensin, (b) mtodo de comprensin. 1,58. SeaA = {r r2-3r*2=0}, D = {t I 12<16).DeterminarsiACB o no.

32 CONJUNTOS Y PROBABILIDAD Demoerar que para cualquier conjunto [cAP. 1 1.69. A tenemo A C A. 1.60. Etudiar la verdad o entonces A CB, =y. 1.61. 1.62. A)8,6 A: falredad de las propoeiciones siguientce. (o) Si A y B eon dos conjunos culeequien a, B. () Sir yy son do nmeroereales sralesquierq entonces x1y, x>y O i Demostra que cualquier aubconjunto del conjunto vacfo debe ser el conjunto vacfo. ei [e como I Sea ci eeI' o clse de todos loe conjunoc que no 8on elementos de eUos mimo. (o) Demostrar que (b ) Demoetrar que ri p-f Ge[, entoncq cJeeJ. I-a paradoja descrita se conoce Rusell. oPEBACIONES EITBE CON,ruNTOS, DIAGBAMAS DE VENN y TEOREMAS SOBBE CONJUNTOS

1.68. Seaununivero 'Ll:{L,2,3,4,5\ yrupngarequeloerubconjuntoede'll son A:{1,5}, B ={2,5,31, C = {4,2}.Encontrar (a) Av(BuCl, (b) (AuB)uC, (c) A(BuC), (d\ (AnBlu(An C), (e) A,(B,nC,), 0 @uB) - (AuC), (s) (AnC)' u B, () A - (B,uC'). 1.64, Sea'tl el conjunto de todos loi enteros no negativos y conaidrenee loe nrbconjuntoc A = {x leunenteope, 15(6,} ! B = {rlreounnfimeroprimo,0(=4) Encontra (a) AvB, (bl AnB, (c) A' B', (d') A-8, (e\ B-A, (fl (A-B) u (B-A). 1.66. Emplear un diagrama de Venn para dibujar ceda uno de loo conjuntoo eiguientec: () A n (Bucl () .4 u (BnC\ (c) A' n (BuC)' (rt) A - (BnC) (e) A'

(BuC)' 1.66. 1.6?. 1.68. EE (A B)' : A' - B'? Jutificar l olucin. B. Demostrael (a) Teorema l-2,p6gina 3, () Teorema l-8, pgina B, (c) Teorema 1-4, pgina (o) Eemortrar la segunda ley De Morgan, Tborema 1-120, pgina 3, y (D) ilustrala ut ilizando un diagrama de Venn. Generdiza las primen y eegunda leyec De Morgan a cu alquier nmero de conjuntos. (Vase Problema 1.?). Ilustrar el principio de dudidad haciendo referencie a losteoremas de la pfuina 3. 1.69' 1.?0. 1.?f . Demotrarque ( -A)UA = lo srBC A e ilugtrarlo utilizando un diagramade Venn. L.72, Afirmar -B = @, entonceA = B. 1.73. Demoharque .A r.t B = IA-(AnB)] u B-UnB)l 1.7 o negar: Si A u (Ar\B) eilushaloporundiagramadeVenn. .1. Generaliza el recultado del Problema 1.9. EXPEBTMENTOS ALEATOBIOS, ESPACIOS MUESTBALES Y SUCESOS L.76. Decribir un espacio muestral para cada uno una moneda, () el nhmero de fumdore. en un grupo de 600 hombre, (c) lanzar un moneda

hasta que aparezc un sello, (d) el nmer,o de llamadas recibida en une cettrat telefn ica, (e) el nmero de partcular nucleare que enhan a un contador Geiger, (fllanzat u na moneda y un dado. de loe siguientes experimentos aleatorios: (o) 3 lanzamientos de 1.76. Un erperimento consiste en el lanzamiento de una moneda y un dado. Si A e e l suceso "cara" en el lnzamiento de la moneda y I es el euc o "3 6" en el lanzamient o del dado, formule en palabras el (a't A', () B', (c) A)8, (d) AnB', (e) A-8, si gnifrcadodecadaunadelasoperacionessiguienee: (f) B A, (c) A'uB.. -

cAP. ll CONJUNTOS Y PROBABILIDAD 33 TEOREMAS SOBRE PROBABTLIDAD 1,77. Completar la demostracin en el Problema 1.14(b) demostrando (sin emplear el diagr ama de Venn) que AUB = AOIB-(AOB)I donde A y B - (A B) son mutuamente excluyentes. 7. 1.7t. 1.?9. 1.80. Demostrar el resultado (1 1), p6gina Generalizar los resultados (I0 ) 30. y (I I ), pfuina ?, y as demostrar eI resultado (l ) del Problema 7.54, pfuina Demostrar que P(A'uB') = 1 - P(AB). CALCULO DE PROBABILTDADES 1.t1. Determinar la probabilidad p, o un estimador de ella, para cada uno de Ios suces os siguientes: (c) La aparicin de un rey, as, jota de trboles o reina de diamantes al extraer una sol a carta de una baraja comn de 52 catas. 12 defectuosos. (b) La suma 8 agatezca en un solo lanzamiento de un par de dados honrados. (c) E ncontrar un tornillo defectuoso si despus de examina 600 tornillos se han encontra do (d) Un 7 u 11 reeulte en un solo lanzamiento de un par de dados honrados, (e) Al menos aparezca una cara en tres lanzamientos de una moneda honrada. ,1.82. Un experimento consiste en la sucesiva extraccin de tres cartas de una baraja. Sea A1 el suceso "reyen la primera extraccin", ,42 el suceso "rey en la segunda extraccin", y A3 el suceso "rey en la tercera extraccin". Explicar el significado de cada una de las siguientes: (a\ P(AroA!r), (b\ p(AluA2\, @) p(A'rr..tA'r), () p(A1^A'2A\), (e) pl

(A1nAr) u (A"nAr)]. Se exrae una bola aleatoriamente de un caja que contiene 10 bolas rojas, 30 blanc as, 20 azules y l5 naranjas. Hallar la probabilidad de que sea (c) naranja o roj a, (b) ni roja ni azul, (c) no azul, (d) blanca, () roja, blanca 1.83, o azul. 1.t4. Se extraen dos bolas sucesivamente de la caja del Problema 1.83, remplazando la bola extrada despus de cada extraccin. Halla la probabilidad de que (a) ambas sean b lancas, (b) la primera sea roja ylasegunda sea blanca, (c) ninguna sea naranja, (d) sean rojas o blancas o de ambos colores (roja y blanca), (e) la segunda no s ea azul, (g) al menos una sea azul, (h) mximo una sea roja, (i) la primera sea bl anca pero la segunda no, () solamente una sea roja. Resolver el Problema 1.84 si no hay remplazamiento despus de cada extraccin. 1.85. PBOBABILIDAD CONDICIONAL Y SUCESOS INDEPENDIENTES f .86. e (sin Una caja contidne 2 bolas rojas y 3 azules. Hallar la probabilidad de que si dos bolas se extraen aleatoriamenremplazamiento) (o) ambas sean azules, (b) ambas s ean rojas, (c) una sea roja y la otra azul. cartzs 1.87. Hallar la probabilidad de extraer 3 ases aleatoriamente de una baaja de 62 remplazan, (D ) si las cartas (o) se no se remplazan. 1.8t. 1.89. 1.90. 1.91. Si aI menos un hijo en una famia con dos hijos es un nio cul es la probabilidad de q ue ambos hijos sean nios? Demostrar que la probabilidad condicional definida por (17).pgina 8, satisface lo s axiomas de probabilidad en la pgina 6 y por tanto todos los teoremas sobre probabilidad. Demostrar que si P(A ) >P(B ) entonces P(A I B) Si > P(.8 I ,4 ). B', (b ) A' es independiente de A

es independiente de B demostrar que (o ) A es independiente de B . L,92. SiA, B, Csonsucesosindependientes,demostrarque pendientes. (c) AyBUC, (b)AyBC, (c)A y B-C, son inde-

34 CONJUNTOS Y PROBABILIDAD Sea lcAP. 1 1.93. A : auceao At, Az, .43 no son independientec. suceso "nmero impar en el primer dado", A2 = BuG so "nmeo impar en el segundo dado", 3 : "total impa en ambos dados". Demostrar que A , AziA2, Atl At, A3 lon independie ntes pero que 1.94. La escoge una bola aleatoriamente de la primera caja y se coloca en la s gunda cja sin obervar su color. Luego ee extrae una bola de la segunda caja. Hallar la probabi lidad de que sea blanca. caja / contiene 3 bolasrojasy Sblancas,entnoquelacajalfcontiene4bolarojasy2blancas. Se TEOREMA O REGLA DE BAYES 1.96. Una caja contiene 3 bolas azules y 2 rojas mienras que otra caja contiene 2 bola a zulee y 5 rojas. Una bola extrafda aleatoriamene de una de las- cajas reeulta azu l.Gul es la probabilidad de haberla exbado de la primera caja? Ttes joyeros idnticos tienen dos compartimiento. En cada compartimiento del primer joyero hay un reloj de oro. En cada compartimiento del Begundo joyero hay un re loj de plata. En el tercer joyero e un compartimiento hay un reloj de oro, en tan to que en el oho hay un reloj de piata Si seleccionamos un joyero aleatoriamente , abrimos uno de los compartimientoa y hallamos un reloj de plaa, cul es la pobabil idad de que el otro compartimiento tenga un reloj de oro? 1.96. 1,9?. La urna I tiene 2 bola blanca y 3 negras; Se selecciona una urna aleatoriamente

la urna II, 4 blancae y I nggra; y lrr urna ffl, 3 blancas y 4 negras. y una bol a ertrada aleatoriamente e blanca. Hallar la probabidad de haber escogido la urna I. ANALTSIS COMBINATORIO, CUENTA Y DTAGNAMAI ARBOL 1.98. 1.99. Se lanza una moneda tres veces. Utiliza un diagrama rbol para determinr la diferente s poribilidades que pueden suceder. Se extraen tres cartas aleaoriamente (sin rem plazarniento) de una baraja de 62 catas. Uilizar un diagrama bol paa determinar el nfm ero de maneras en las que se puede exhaer (o) un diamante y un trbol y un corazn e n secuencia (b) dos corazones y luego un trbol o una pica. De cuntas maneraa pueden colocase l.1OO. I monedae diferentes en 2 posiciones diferentes? PERMUTACIONES 1.101. Hallarelvalor de(a) oP2, () zPs, () roP. L.lO2. Para qu valor de n es ,+tPt = nPtl. 1.1O3. De cuntas formas pueden 5 personas sentarse en un sof si tiene solmente tres asientos? 1.104. De cuntas forma pueden ordenase 7 libros en un eEtane ei (a) er posible cualquier ordenacin, (D) 3 libros determinados deben esta r juntos, (c) 2 libros deerminados deben ocupar lo exremos? (o ) 1.106. Cunto nmeros de cinco cifras pueden formarse con los dgitos L, 2, 3, . . . , 9 i impares, (b) las primeras dos cifras de cada nmero son paes? lor nmeros deben ser 1.106. Resolver el problema anterior si la8 cifre de los nmeros pueden estar repetidas. 1.1O?. Cuntos nmeros diferentes de 3 cifra pueden formare con 3 cuaEog,4 doeee y 2 tr es s? 1.10t. De cuntas formas pueden 3 hombres y I mujerec sentarse alrededor de una meea ei (o

) no se impone ninguna resriccin, (b) doe mujerer determinadas no deben centare jun tar, (c) cada mujer debe eetarentre dos hombres? COMBINACIONES 1.109. Hallar el valor de (a) rC3, (b) C, () roC.

cAP. 1l 1.110. 1.111, Para qu CONruNTOS Y PROBABILIDAD valor de n s cumple que 35 3' n+rC : 7' nCzl. De cuntas maneras pueden seleccionarse 6 preguntae de un total de 10? 1--112" Ctntos comits diferentes de 3 hombres y 4 mujeres pueden formarse con 8 hom bres y 6 muieres? 1.113. De cuntas formas pueden seleccionarse 4 nios y 5 nias si (o) no determinados? 2 hombres,4 mujeres, 3 nios y 3 nias con 6 hombres,8 mujeres, s impone ninguna rest riccin, (b) deben seleccionarse un hombre y una mujer 1.114. f),e cuntas formas puede un grupo de 10 personas dividirse en (o) dos grupos de 7 grupos de 5, 3 y 2 personas? y 3 personas, (b) tres 1.115. Con 5 estadistas y 6 economistas quiere formarse un comit de 3 estadistas y 2 economistas. Cuntos comits diferentes pueden formarse si (o) no se impone ningu na restriccin, (b) dos estadistas determinados deben estar en el comit, (c) un eco nomista determinado no debe estar en el comit? 1.116. Halla el nmero de (o) combinacionee y (D) permuaciones de cuatro letras cada una quepuedenformarse con las letras de la palabra Tennessee, COEFICIENTES BINOMTALES 1.117. Calcular, (c) eC, () ( ), t"l kCz\QC)/DC;. \4 / 1.118. Expandir (o) (o+y)6, (b) /11 \ (r-a)4, (c) (t-r

t)s, (d) (rz*21t. 1.119. Hallar el coeficiente de en lt * )t. \ r/ 1.120. Demostrar que (c) (b) \rl \o/ \r / + 1") * '. +/"\ \2 / /"\ - /"\ .( ") - ...+ r-''i" 2/ \l )=o \o/ \r/ /"\ * /"\ I 1.121. Demostrar que (o) ,,"",, j=1 = n.2n-1, (b) j=t (-1);-tj(,C,) = 0. PROBABILIDAD UTILIZANDO ANALISIS COMBINATORIO 1.122. Hallarlaprobabilidaddeobten erunasumade?puntos(o)unavez,(b)almenoe dos lanzamientos de un par de dados honradoe. 1.f 23. Se extraen dos cartas suce sivamente de una baraja de 52 eartas, Hallar la probabilidaddeque (o)laprimera c arta no Bea un diez de trboles o un aa, (b) la primera cata sea un a pero la eegund a no, (c) al menos una carta sea un diamante, (d) las cartas no sean del mismo p alo, (e) no ms que una carta sea figura (jota, reina' rey), (f) la seErnda carta no sea una figura, (g) la seg.rnda carta no sea una figura dadoque la primera e l o es, (h) las cartar son frguras o picas o ambas. unavez'(c)dosveces'en 1.t24. lJna caja contiene 9 tiquetes numerados del 1 al 9. Si s extraen 3 tiquete s de la caja uno a uno' hallar la probabilidad de que alternativamente s an impar, par, impar o par' impar' par. 1.125. La apuestas en favor de A de ganar un juego de ajedrez contraB son 3:2. Si se van a jugar tres juegos cules son la apuestac (a) en favor de A de ganar al men oa doc de los tre juegos, (b) en contra de A de perder los prir4eros dos juegos? 1.126. En un juego de naipee ee reparte a cada uno de loe 4 jugadores 13 cartas de una baraja de 52 cartae. H alla la probabilidad de que uno de loe jugadores obtenga (o) ? diamantea, 2 hboles , 3 corazones y 1 pica; (b) un palo completo.

36 CONruNTOS Y PROBABILIDAD lcAP. 1 1.127. Una urna contiene 6 bolas rojas y 8 azules. Se extraen cinco bolas aleato riamente sin remplazamiento. Halla la probabilidad de que 3 sean rojas y 2 azules. 1.12E. (o) Hallar la probabilidad de obtener la suma 7 en al menos uno de tres l anzamientos de un par de dador honrados, (b) Cuntos lanzamientos se necesitan para quela probabilidad en (o) eea mayor que 0.96? 1.129. Se extraen 3 caas de una baraja de 52. Halla la probabilidad de que (o) las cartas eean de un palo, (b)al menos dos sean ages. 1.130. Hallar la probabilidad de que un jugador tenga de 13 cartas g de un mismo palo. APROXIMACION DE STIRLING A n! 1.131. De cuntas formas pueden seleccionase 30 indivi duos de un total de 100? 1.132. Demostrar que aproximadamente 2nCn 22"1\/, rara valores de n grandes. 1.133. Hallar porcentaje de enor en la frmula de Stirling para n : 10. 1.134. Obener una aproximacin al resultado del Problema 1.51. PROBLEMAS DIVERSOS 1.135. Un espacio muestral consiste de 3 puntos muestrales con probabilidadeg aoc iadas dadas gor 2p, p2 y 4p Halla el valor de p. L. 1.136. Demostrarque 1.13?. Demosrarque siACB' entonces AnB:Q. A-(A nf: AB'.

1.138. Cuntas palabras pueden formaree con 5 letras si (o) lae letras son diferent es, (D) 2 letras son idnticas, (c) todas las letras son diferentes pero dos letras determinadae no puden estar junt as? tes, (b) mximo dqs sean igualee. 1.139. Cuatro enteros se eligen aleatoriamente entre 0 y 9 inclusive. Halla la pr obabildad de que (o) sean diferen1.140. Un par de dados se lanzan repetidamente. Hallar la probabilidad de que ocurta 11 por primera vez en el sexto lanzamiento. 1.141. Cul es el menor nmero de lanzamientos necesarios en el hoblema 1.140 para qu e la probabidad de obtener 11 por primera vez sea mayor que (a) 0.5, (b) 0.95? 1.142, Esudiar lo eiguiente: no hy tal cosa de que una moneda sea honesta pu6to que en cualquier nmero de lanzamientos es extremadamene difcil qu e el nmero de caras y Eelor eea igual. 1.143. Supngaae que al lanzar una moneda 500 veces hay una secuenci de2(lsnzanient osqueresulan"carast'. Puede consideraee la moneda cmo honrada? Expcar. 1.144. Demostrar que para cualesquiera sucesos Ar, Az, . . . , An P(ArvA"u...uAn) < P(4,) + P(A)+ .'. +P(") 1.145, Al lanzar un par de dados la suma puede ser 2,3, . . ., 12. Podramos asigna r probabilidadee de 1/11 a cada uno de esos puntos? Explicar, 1.146. Enunjuegode pkerhallarlaprobabidaddeobtener(o)unaescaleraflor,queconsistedediez,jota,reina, re y y as del mismo palo; (b) tn full que consiste en 3 cartas de un valor y 2 de o tro (por ejemplo 3 diecer y 2 jotas, etc.); (c) catas diferentes, (d) 4 ases. l.l47.I's probabilidad de que un tirador d en el blanco eede 213. Si diepara al blanco hast aqueledalprimera vez, hallar la probabilidad de que necesie 6 disparos.

cAP. 1l 1.148. CONJUNTOS Y PROBABILIDAD 37 (c) Un estanque contiene 6 compa.rtimientos separados.De cuntas maneras pueden colocarse 4 bolas idnticas en los compartimientos? (b) Resolver el problema si hay n compar timientos y r bolas. Este ipo de problema se presenta en fsica en conexin eonlaesta dstica Bose-Einstein. 1.149. (a) Un estante contiene 6 compartimientos separados. De cuntas formas puede n colocarse 12 bolas idnticas en los compartimientos de tal manera que ningn compa rtimiento quede vaco? (b) Resolver el problema si hay n compartimientos y r bolas para r ) n. Este tipo de problema se presenta en fsica en conexin con la es tad sca Fermi-Diroc. 1.150. Un jugador de pker tiene las cartas 2, 3, 4,6,8. Desea descartar el 8 y re mplazarla por otra cara que espera sea un 5 (err ese caso obtendr una "escalera"). Cul es la probabilidad de que obtenga el 5 suponiendo que los oro tres jugadores en conjunto tienen (a) un cinco, (b) dos cincos, (c) trer cincoe, (d) ningfrn 5? Pu ede resolverse el problema sin saber el nmero de cincos que tienen los otros juga dores? Expcar. 1.151. Resolver el Problema 1,50 si el juego se mita a B lanzamientos. 1.152. Generaliza el resultado del Problema 1.151. 1,13. Hallar la probabilidad de que en un juego de bridge (o) dos jugadores, () tres jugadores, (c) los cuatro jugadores tengan un palo completo. 1.154. Demostrar que

/"\ = ! 1t'" - t't .)va", una interpretcin combinatoria. ,:).\/(;_ \r/ (1 + rt (1 + o" t y hallar el coeficiente de j en el producto). que (Sugerencia: Consisar 1.155. Demostrar l") - 11)'-* 1i)'-l \"/ \o/ \t/ - (i)'

una interpretacin combinatoria. "dar letras en los 1.156. Demostrar que la probabidad para que la secretaria del Problema 1.54 obten ga exacamente I -c / r\k sobres correctos ". ; u fi.ISr"r"ncia.' Denoando la probabilidad deseada comop (a), demostrar que p"(a) = 1 fipn-o (0) y luego emplear el resultado del Problema 1.541.

Captulo 2 Voriobles qleqtorios y distribuciones de probobilidod VARIABLES ALEATORIAS un espacio muestral asignamos un nmero. As definimos una en el espacio muestral. E sta funcin se llama wriable aleatoria (o uariable estocastiea) o funcin ms precisam ente funcin aleatoria (funcin estocstica). Comnmente se denota por una leha mayscula como X 6 Y. En general una variable aleatoria tiene algn signifrcado fsico, geomtri co u otro. Supngase que a cada punto de EJEMPLO 21. Supngase que se lanza una moned dos veces de tal forma que el espacio muestral es f : {Cq Cg Sq SS). Repreonteee por X el nmero de caas que pueden resulta r. Con cada puno muestral podemoe arcciar un nfrmeo para X como se muesha en la Ta bla 2-1. As en el caso de CC'(es decir 2 carae) X :2 e tanto que para SC (1 cara) X = 1. Se concluye que X eo una variable aleatorir. Tabl 2-1 Punto muestral cc E cs I sc ss 0 x I Debe obervare que tambin podran definirre otras muchac variables aleatorias en este espacio mueehal, por ejemplo el cuadredo del n(rmero de carac, el nlmero de caras men(x el nmero de eelloa, etc. Una variable aleatoria que toma un nmero frnito o infinito contable de valores (va se pgina 4) se denomina wriable aleatoria discreta mienhas que una que toma un nme ro infinito no contable de valores s llama variable aleatoria no discreta 6 conti nua. DISTRIBUCIONES DE PROBABILIDAD DISCRETA Sea X una variable aleatoria discreta y supngase que los valores posibles que pue de tomar estn ordenados en orden creciente de magnitud. Supngase tambin que los dad os por rr , x2, ! valores se asumen con probabilidades dadas por P(X=ryl=f(rx\ P(X = k=L,2,... (I) de (2) Es conveniente introduct la funcn de probabilidad, tambin conocida como la distrbucin probabiliM, definida por r) = l(a) si

Para : nr (2) se reduce a (l) en tanto que para otros valores de r, f() : 0. En general f() es una funcin de probabilidad 1. f(a) > o 2.- >(sl = t 38

cAP.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 39 donde la suma en 2 se toma sobre los valores posibles de probabilidad. r. Una grfica de f() se llama grdfica de (b ) EJEMPLO 2.2. (a) Halla la funcin de probabilidad correepondiente a La variable ale atoria X del Ejemplo 2.1 y construir la grfica de probabilidad. (o ) Suponiendo que la moneda es honrada tenemos P(CC) Luego I 4 P(CS) 1 4 P( SC) 1 4 P(SS) 1 4 P(X-0)=P(ss)=; P(X:1) = P(CSuSC) = p(cs)+ p(sc) = i*i P(X=21 = P(CC) As, Tabla 2-2 =I

r f(r) 0 I r/2 , r/4 =I r/4 la funcin de probabilidad est dada en la Tabla 2-2. (b) I grfica de probabilidad puede reprecentarse comoleindica en la Fig. 2-1, o por un histogromo, como se indica en la Fig. 2-2. En la FA. 2-1 la suma de las ordenada s es 1 mientras que en el histograma la suma de l reas rectangulares es 1. En el cao del hislogama podemos considerar la vaiable aleatoria X como continua, por ejemp lo X: 1 significa que es enre 0.5 y 1.6. Fig.2-f Eepectro Fg.2-2 Histograma FUNCIONES DE DISTRIBUCION PARA VARIABLES ALEATORIAS DISCRETAS varidble aleatoria X se define por La funcin de distribucin acumuhda, o simplemente la funcin de dstribucin, pata vrta donde obtenerse.de la funcin de probabilidad notando que r es cualquier nmero rl = F(u) real, es decir - - 1 x ( -. P(X < (8) La funcin de distribucin puede F(rl = P(x=r) -- )f(u) (0 donde la suma a la derecha se toma para todos los valores de z para los cuales u = x,. Recprocamente la funcin de probabilidad puede obtenerse de la funcin de disti bucin. Si X nicamente toma un nmero finito de valores lct, z rn entonces la funcin de

distribucin est dada por 0 f (r') f(rt\ + f(r F(r\ = -@<fr1It rt3fr1trz rz3fi1rt : (5) /(r,) +...+/(r") x. lxla

40 EJEMPLO VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD lcAP.2 su 2.3. (o) Halar representacin grfica. la funcin de distribucin para la vaiable aleatoria X del Ejemplo 2.2, (b) Obtener (a) f'a funcin de distribucin es lo F(r) = ll ln la ln [1 I -o((0 0<r--l l<r12 2<r1de (D) Larepresentacin grfica tra en la Fig. 2-3. F(r) se muesLos aspectos siguientes acerca de la funcin de distribucin anterior, que son verda deros en general, deben notane. 1. Las magnitudes de los saltos en 0" 1, 2 son LlA, 712, 714 corresponden exactanre nte a las ordenadas en la Fig. 2-1. Este hecho permite obtener la funcin de proba bilidad a paftir de la funcin de distribucin. 2. Debido a la apariencia de la grfica de la Fig. 2-3 frecuentemente se le llama fun cin escalera o funcin paso. El valor de la funcin n un entero se obtiene del paso su perior, as el valor en 1 es 314 y no Ll4. Esto se expresa matemticamente estableci endo que la funcin de distribucin es continua por la derecha en 0, 1, 2. 3. A medida que procedemos de izquieida a derecha (es decir subiendo la escalera) l a funcin de distribucin permanece igual o aumenta, tomando valores desde 0 hasta 1 . Debido a esto se dice que es vnafuncin monotnicamente creciente. DISTRIBUCION DE PROBABILIDAD

Si X es una variable aleatoria continu4 la probabilidad de que X tome un valor d eterminado generalmente es cero. Por tanto no podemos definir una funcin de proba bilidad en la misma forma que para una vaiable aleatoria discreta (pgrna 38). Para llegar a una distribucin de probabilidad para una variable aleatoria continua no tamos que la probabilidad de que X se encuentre entre dos ualores diferentes tie ne significado. EJEMPLO 2.4. Si se selecciona aleatoriamente un individuo de un grupo numeroso d e hornbres adultos, la probabilidad de que su estatura X sea precisamente 147 ce ntmetros sera cero. Sin embargo hay una probabilidad mayor que cero de que X est en tre 145 y 150 centmetros, por ejemplo. Estas ideas y la analoga de las Propiedades 1 y 2, pagjna 38, nos conducen f(r) tal que o a poshrlar la existencia de una funcin 1. f(r\ > 2. .)I__ f(r\dx=r donde la segunda es una proposicin matemtica del hecho que una variable aleatoria de valor real debe ciertamente encontrase entre - @ e -. Entonces definimos la pr obabilidad de que X se encuentre entre y b como P(a<X<b) : "' f (n) d.n (6)

CAP, 2] VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 4L Podemos demostrar que esta definicin satisface los axiomas de probabilidad dados en la pgina 6. Una funcin f(r) que satisface los requisitos anteriores se llama funcin de probabi lidad o distribucin de probabilidad para una variable aleatoria continua, pero co n mayor frecuencia se denomina funcin de densidad de probabilidad o simplementn f uncin de densdad. Cualquier funcin que satisface las propiedades t y 2 antnriores a utomticamente es una funcin de densidad y las probabilidades pedidas pueden obtene rse a partir de (6'). EJEMPLO 2.5. (o) HaIIar la constante c para que Ia funcin f(r = {"^* L0 sea una o.'" de otra forma " funcin de densidad y (b) calcular P(l < X < 2). (a) Ya que f(r) satisface la prop iedad 1 si c ? 0, debe satisfacer la propiedad 2 para ser una funcin densidad, Entonces de .l-*t'lol' = )ow2dr - ?1. = 13 t'n 3 .-g ec y puesto que esto debe ser igual a 1 tenemos c: tl9. (b) P(1< p(r<x<z) -.f,'!,,n* =. #f, = *-h=:h 7 En el caso de que f(r) sea continua, lo que supondremos al menos se establezca o tfa cosa, la probabilidad de que X sea igual a cualquier valor determinado es ce

ro. En tal caso podemos remplazar cualquiera o ambos de los signos ( en (6) por As, en el Ejemplo 2.5, X<2) = P(l<X<2) = P(\<X=Z) = P(l1X<2) = fr aFUNCIONES DE DISTRIBUCION PARA VARIABLES ALEATORIAS CONTINUAS Por analoga con (4) , pgina 39, definimos la funcin de distribucin F(x\ para una uariable leatoria cont inua por F(.r) = P(X=r) f(r), : P(- a1X<r) s = J_-" pau f' ( si se desea. V) En los puntos de continuidad de EJEMPLO 2.6. (a) Hallar resultado de (o) para hallar el signo en (7\ puede remplazarse por la funcin de distribucin para la variable aleatoria del Ejemplo 2.5. (b) Emplear P (l < r = 2\. el (o) Tenemos F(r) = Si P(X = r\ = o" __,UU ( 0 entonces F(.t) = 0. Si 0 f: x 13 entonces

F(rl Si>Sentonces = ou fo' ,ru, = ,'U", n, = # + F(r) = fo" ,tu, ou + f"'f@)au = fo'!u,au f""oou = 1 Por tanto la funcin de distribucin pedida es r(o [o F(r) - 1/27 0<'<3 fr Obsrvese que s>s F(r) aumenta monotnicamente desde 0 hasta 1 como lo requiere una funcin dedistribu cin. Tambin debe observarse que F(r) en este caso es continua.

42 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD [cAP.2 () Tenemoa P(r<x<2) P(X=21 P(X=1) f(2) F(1) n-n como en el Ejemplo 2.6. 2s137 n La probabilidad de que X se encuentr entre r yxt Ax est dada por (8) p(r= xtn+ta) as que si = .rr gau f'** : f(n\tn A* es pequeo tenemos aproximadamente P(r<X<a*tr) (e) Tambin observamos de (7) que al diferenciar ambos lados ry=r@) para todos los puntos donde funcin de densidad.

(10) es la /() es continu4 es decir la derivada de funcin de distribucin REGLA DE LEIBNIZ Paa obtener (101hemos empleado el hecho familiar del clculo de que $ !"' tlu) ou = Este es un caso especial de f (s) (11) h regla de Leibniz para diferencbcin de una integral: *"";,i,','r(u,x)itu donde = f""jl,',' T*0" + F(az(a),a# - F@t(n),# (121 at, az y F se suponen derivables con respecto a.r. INTERPRETACIONES GRAFICAS es la funcin de densidad para una variable aleatoria X entonces podemos reptesent ar y grficamente por una curva como en la Fig. 2-4. Puesto que f(r) Z 0, la cunra no puede caer por debajo del eje r. El rea total limitada por la cuwa y el eje d ebe ser 1 debido a la propiedad 2 en la pgna 40. Geomtricamente la probabilidad de que X est enhe a y b, es deci P(a 1 X < b), se representa por el rea sombreada de laFig.2-4. : f(x) Si f(r) Fig. 2-l

cAP.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 43 aumenta desde 0 hasta 1 y se representa por una culva como en la Fig. 2-5. La funcin de distribucin F(*) = P(X s ) es una funcin monotnicamente creciente que DISTRIBUCIONES CONJUNTAS Las ideas anteriores se generalizan fcilmente a dos o ms variables aleatorias. Con sideramos el caso tpico de dos variables aleatorias que son ambas discretas o amb as continuas. En los casos donde una variable es discreta y la otra connua, se ha cen fcilmente modifrcaciones apropiadas. Tambin pueden hacerse generalizaciones a ms de dos vaiables. 1. Caso discreto. Si X, y son dos variables aleatorias discretas definimos lafuncin de probabilidad conjunta por P(X=r,Y=E) = f(x,a) donde (18) 1. f(r,a) -- o 2. es decir la suma sobre todos los valores de x, y es uno. Supngase que X pucde tomar cualquiera de los m valoreg t, tz x^, y f puede toma cua lquiera de los n valores !t, !2,..., !n. Entonces la probabilidad del suceso X': qiY : /p est dada por P(X = rj, Y : Ar) = f(r,U*\ (141 Una funcin de probabitidad conjunta para X, Y puede representarse por una tabla d e probabilidad coniunta como en la Tabla 2-3. La probabilidad de que X : *, se o btiene sumando todas las enhadas en la fila conespondiente a x I est dada por P(X = r) = f'(n) = k=l f(a,A*) ) n {15) Parai:l,2,...,mestasseindicanporlaenhadadetotalesenlacolumnaomargendel se

extremo <ierecho como se indica en la Tabla 2-3. Anlogamente la probabilidad de q ue f = y obtiene sumando todas las entradas en la columna correspondiente a !r ! est dada por P(Y-ar): Para h : Tabla 2-3. fz(gl = t=r 2f@t,a*\ m (161 L,2,..,, n estas seindican porlaentradade totalesenlafilao margeninferiordela Tabla 2-B "'.'. f X\ 1 Ut u" U 'Yr y..t\ Totole f f f (rrai (rz, l(xr, f f (rr u,l t@) 2 a) (rz,

f (rz, an) it@zl ,m f (r-, f ai f (r^, yz) f (t*, a ul ft(s^l 1 Totales zfu) f zfuz) iz@") e Gran Total

44 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP.2 Debido a que las probabilidades (/5) v (16) se obtienen de los mrgenes de la tabl a frecuentemente nos referimos a fr(x) y fr9e) (o simplementn ft@l yfr(y))como la s funciones de probabilidad marginal de X, Y respectivamente. Tambin debe notarse que m i-- | ) /'(c, = mn i:r 1 k=l 2 f,@r) : t (17) que puede escribirse como (r8) k=1 Esto es sencillamente la proposicin de que la probabilidad total de todas las ent radas es gran total de 1 se indica en la esquina inferior a la derecha de la tab la. 1. El Lafuncin de dstribucin conjunta de X, Y se define por (1e) En la Tabla %3, F(x,y) es la suma de todas las entradas para las eue r; a r y An 5 A.

2. Caso continuo. El caso donde ambas variables son connuas se obtiene fcilmente por analoga con el caso discreto al remplazar las sumas por integrales. As la funcin de probabilidad coni unta patalas variables aleatoriasX, Y (o, como ms comnmente se llama,lafuncin de de nsidadconiunta de X, Y) se define por 1. f(r,u) > o z. J_* J_f" f" se f@,y\itrd,y = 1 Grficamente z : f(x, y) representa una superficie, llamada lasuperfieie de probabI idad, como indica en la Fig. 2-6. El volumen total limitado por esta superficie y el plano ry es igual a 1 de acuerdo con la propiedad 2 anterior. La probabilid ad de que X est entre o y b en tanto que Y .est entre c y d es,t dada grficamente po r el volumen sombfeado de la Fig. 2-6 y matemticamente por P(a<X<b,e<Y<d) : .f.'=..f":" f (r,y) dr dy (20) Fig. 2-6 A representa cualquier suceso existir una regin (.o del plano ry que corresponde a 1. En tal caso podemos hallar la probabilidad de A efectuando la integracin sobre fi.o, es decir Generalizando, si

cAP.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 4 p(A) La funcin de distribucin conjunta de = l ,r.,a\irrd.a (21) fi. X, Y en este caso se define por t)= ./t F(r,V) Se deduce en analoga : P(X<r,Y<U) = f' a2F -t f" f@,o\itnt.itn -o (22\ con (10), pgina 42,que a* a : I\x'a) (23) es decir,la funcin de densidad se obtiene devando la funcin de distribucin con respecto a X, !. P(X < De (221obtenemos

r) = Ft(r) : ""= -- "-= _f (u,a) itu d,u (24) (25) P(Y='y = Fr( = ,'=__,'=_.f(u,a)d,uila Llamamos a (24\ y (25) las funciones de distribucin marginal, o simplemente las f unciones de distribucin, de X y Y, respectivamente. Las derivadas de (24) y (25) con respecto a r, y se llaman las funciones de densidad nwrgirwl, o simplemente las funciones de densidad, de X y Y y estn dadas por f ,(x) = .f,"= _-f(n,o\da f ,@) = ).= __f (u,a) a; ituu (26) VARIABLES ALEATORIAS INDEPENDENTES X, Y son variables aleatorias discretas. Si los sucesos X : JC, Y : y son suceso s para todo *, y, entonces decimos que X, Y ion uariables aleatorios independient es. independientes En ese caso Supngase que P(X = o lo que es igual f, Y : a) : :

f P(X = r) P(Y = a) (27) (28) f(n,a\ ,(r)f"@) Inversamente, Si para todo r, y la funcin expresarse como el producto de una funcin las funciones de probabilidad marginal de f(x, y) no puede expresuse as entonces X son dependientes. de probabilidad conjunta f(x, y) puede de r y una funcin de y (que sbn entonces X, Y), X y Y son indep-endientes. Si y Y

Si X, y son variables aleatorias continuas decimos que son uarables aleatorins in dependientes si los sucesos X S x, Y I y son sucesos independientes para todo r, y. En tal caso podemos escribir P(X < o lo que es igual r, Y = a) = P(X < r\ P(Y =g) F(r,u) = (2e) F'(r)F,(u) (s0) donde mente, F, (x) y Fz@) son las funciones de probabilidad (marginal) de X y Y respectivame nte. InversaX, Y son variables aleatorias independientes si para todo r, y su fu ncin de distribucin

46 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAI) lcAP.2 conjunta F(x, y) puede expresarse como el producto de una funcin de r y una funcin de y (las cuales son las distribuciones marginales de X, I0. Si F(r, y) no pued e expresae as, entonces X y Y son dependientes. Paa vaiables aleatorias independientes continuas tambin es cierto que la funcin de d ensidad conjunta f(x, y) es el producto de una funcin de x,f ,(xl, por una funcin de y, fz(y), y estas son las funciones de densidad (marginal) de X, Y respectiva mente. GAMBIO DE VARIABLES Dadas las distribuciones de probabilidad de una o ms variables aleatorias con frecuencia estamos interesados en hallar las distribuciones de otras variables aleatorias q ue depende de ellas en alguna manera determinada Los procedimientos para obtener estas distribuciones se presentan en los tcoremas siguientcs para el caso de la s variables discretas y continuas. 1. Variables discretas. Teorema 2-1: X una variable aleatoria discreta cuya funcin de probabilidad es f(r). Supngase qu e se define una variable aleatoria discreta U en trminos de X por U : (X), donde a cada valor de X corresponde uno y solamente un valor de U e inversamente, as qu e X : (U). Entonces la funcin de probabilidad paru U est dada por Sea s(u) Teorema = f[,t@)] (s1) 2-2: Sean X, Y variables aleatorias discretas que tienen una funcin de probabilidad conjunta f(x , y\.Supngase que se definen dos variables aleatorias discretas U y V en trminos d e X, f por U:0r(X, Y'),V: Qr(X, I|), dondeacadaparejadevalores de X, Y cortespon de una y solamente una pareja de valores U, V e inversamente, as que X = t(U, n,Y: z(U V). Entonces la funcin de probabilidad conjunta de Uy Vest dada por g(u,u) = f l,l't(u,a), gr(u, a\)

(e2) 2. Variables continuas. Teorema 2-3: Sea probabilidad de Uest dada por g(u) donde X una variable aleatoria continua con densidad de probabidad f(r). Definamos U = (X) donde X : ([.I) como en el Teorema 2-1. Entonces la densidad de = f(r)ld,rl s@) = r@\l#l= rw@)rv'@)l g(u)ldul Teoema , (83) (34) 2-4: est dada por g(u, u) donde $ean X, Y variables aleatorias continuas que tienen una funcin de densidad conjun ta f(x, y). Definamos f/: r(X,Y),V:0"(X, Y) donde X: t(U, V), Y: z (U, n como en el Teorema 2-2. Entonces la funcin de densidad conjunta de U y V g(u,a)ldudal o = f(r,a\lda dy fl+,(u,a), e,(u,a)llJ (35) (36) s(u,a) = f(r,l#31 = En (Sd) el determinante Jacobiano, o sencillarente el Jacobiano, est dado por

cAP.2l VARIABLES ALEATORIAS Y DISIR,IBUCIONES DE PROBABILIDAD 47 A Ar (871 J= E(a,ul 6(u,o) A1r A, &u 0a DISTRIBUCIONES DE PROBABILIDAD DE FI.]NCIONES DE VARIABLES ALEATORIAS aa aa Los Teoremas %2 y 24 especficamente incluyen funciones de probabilidad conjunta d e dos variables aleatorias. En la prctica con frecuencia se necesita hallar la di stribucin de probabdad de alguna o vaias vaiables aleatorias determinadas. Cualquier a de los teoremas siguientes es frecuentemente til para este propsito. Teorema2-5: Sean X, Y variables aleatorias continuas y sea U = t(X, n, V:X (lasegunda seleccin es a rbitraria). Entonces la funcin de densidad pan U es la densidad marginal obtenida de la densidad conjunta de U y V tal como se hall en el Teorema 2-4. Un resultad o anlogo es vdo para las funciones de probabidad de las variables discretas. Teorema 2-6: Sea f(r, y) la funcin de densidad conjunta de X, Il. Entonces la funcin de densida d g(u) de la variable aleatoria U : Qr(X, Y) se encuenha derivando con respecto a la funcin de distribucin dada por G(u) = p,(X,y)<u) = fl ,rr,ylitrdy R (es) donde Q es la regin para la cual 4r(o, A) u. = ClDNVOLUCIONES 2.23\ que la suma de dos vaiables aleatorias continuas X, Y, como funcin de densid ad conjunta a f(x, y) est dada por Como consecuencia particular de los teoremas anteriores podemos demostra (vase Pro blema es decir de U : X * n, que tengan

s(u) = r) itn __ ,r.,u (8el En el caso especial donde X, Y son independientns, l(u,U) = f ,(r) f ,@) y (39) se reduce a (t o s@) = f' ., -6 fr(*)fr(u-r)iln que se conoce como la conuolucin de f t y f z, abreviado f ,* fz . Las siguientes son algunas propiedades importantes de la convolucin: 1. ft. fz = fz+ ft 2. f t* (f z* f t = gt* fz)'f 3. r* (fr'f fi = ft* fz * ft+ fs s Estos resultados demuestran gue fr , fr, f ,, obedecen las leyes conmutatiuq reo ciatiua del lgebra con respecto a la operacin de la convolucin. y distribr''.iw

48 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD IC.AP.2 DISTRIBUCIONES CONDICIONALES Con anterioridad sabemos que si P(A) > 0 P(BIA\ = (4t Si & y son variables aleatorias discretas y tenemos los sucesos (A: X (41) se co nvierte en = r), (B: Y: J), entonces (42) P(Y=ulX=r) : f\*'') f donde f(x, yl = P(X : , Y : y) es la fi:ncin de probabilidad conjunta probabilidad discreta para X- Definimos '(r) y fr(r) es la funcin de f@tr) = y la llamamc y8 ## es ('t g) funcin de probabilidad condcional de Y dada probabilidad condicional de X dada Y e s X. Anlogamente la funcin de r(rlut = Algunasvecesdenotaemosa @+ Estas ideas se amplan ejemplo, la funcin de densidad condicional de Y dada X

1xlu) y f(alr)porfr(rla) I fr@lr)respectivarente. fcilmente al caso en que X, Y son variables aleatorias continuas. Por fe1 = dadoquerlX(r*dres Ll++ r(r I &s donde f(x, y) es la funcin de densidad conjunta de X, Y, /, (r) es la funcin de de nsidad marginal de X. Utilizando (45) podemos por ejemplo hallar que la probabil idad de que Y est entre c y d p(c<y <iI | *<X< x *dr) : f"'" f{rlr)da (40 Tambin se dispone de la generalizacin de estos resultados. APLICACIONES A LA PROBABILIDAD GEOMETRICA Varios problemas en probabilidad surgen de las consideraciones geomtricas o tiene n interpretaciones geomtricas. Por ejemplo, supngase que tenemos un objetivo en la forma de una regin plana de rea K y una porcin de ella con ea K1 . Entonces es razon able suponer que la probabilidad de pegar a la regin de rea K, es pre porcional a K. Por tanto definimos P(pegar en la regin de rea K1 ) Kr K Qr donde se supone que la probabilidad de pegar al objetivo es 1. Lgicamente pueden plantearse ohas suposiciones. Por ejemplo, puede ser menos probable pegar a reas externas, etc. El tipo de suposicin empleado define la funcin de dishibucin de prob abilidad. Fis.2-7

cAP.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 49 Problerna,s restreltos VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD DISCRETAS 2.1. Supngase que se lanza un par de dados honrados y que la variable aleatoria X deno te la suma de-los punts. (a) Obtener la distribucin de probabilidad paraX. (b) Con sbuir una grfica para esta distribucin de probabilidad. (c) LospuntosmuestralesparaloslianzamientosdeunpardedadosestndadosenlaFig. variable aleatoria X es la suma de las coordenadas para cada punto. As para (3,2) tenemos X : 5. Utilizando el hecho de que los 36 puntos muestrales son igualmen te probables, as que cada punto muestral tiene probabilidad 1/36, obtenemos la Ta bla 2-4.Po ejemplo, garaX:5 corresponden los cuaho puntos muestrales (1,4), (2,3) , (3,2), (4,1) as que la probabilidad asociada es 4/36. Tabla 2-4 'x 1'17'pgina18.La 2 3 4 5 6 7 8 q l0 3i 36 11 t2 1/36 /(r) 1/36 2t36 3/36

4/36 5/36 6/36 o/.Jo 4/36 2/36 () Podemos emplear un espectro o un histograma como los dados en la Fig. 2-8 o en la Fig. 2'9, de acuerdo con si deseamos considerar a X como vaiable discreta o c ontinua. Ntese que en la Fig. 2-8 la suma de las ordenodas es 1 en tanto que en l a Fig. 2-9 la suma de todas las reos rectangulares es 1.

50 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP.2 2.2. (c) Hallar la disgibucin de probabilidad de nios y nias en familias con 3 hijos, su poniendo iguales probabilidades para nios y nias.. (b) Reprsentar grficamente la dis triUucin en (o). (a ) EI Problema 1.46 trat el caeo de n intentos mutuatente independientes, donde cada i ntento tenfa dos resultados posibles, A y A', c.on probabilidadesp y g: 1-prespe ctivamente. Se encontr quelrr probabilidad de obtener eractamente r veoea A en lo s n intentos es icrp'q,t-.. Este reultado se aplica a este problema bajo la supos icin de que los nacimientos eucecivos (loe "intentoe") eon independientes en cuan to se refiere al sexo del hijo. Por tanto, siA eeleuceeo"niott, D:3, ip=q:L12, tenemos P(eractamente r nios) = P(X = r) = ,".(;)"(t'-' = ,".(;)' Tabla 2-6 fr 0 donde la variable aletoria X representa el nmero de nios en la familia. (Obervese qu e X se define sobre el eepacio muestral de tres inentos). La funcin de probabilida d para X, I 3/8 .) 3 se indica en la Tabla 2-5. f(r) = ,c,(i) \-'l /r \3 f(r)

r/8 3/8 L/8 (b) La Erfrca vaiable X como discreta o continua. Obsrvese que el cero del eje r se ha desplazad o. Fig. 2-11, dependiendo sobre si deseamos considerar a puede representarse como en la Fig. 2-10 o en la la FI.JNCIONES DE DISTRIBUCION DISCRETA r/t 2,3. (a) Hallar la funcin de distribucin F(r) para la variable aleatoria X del Problema 2.L y (b\ repr sentar grficamente esta funcin de distribucin. 0123 Nmero de ioc X = Fis. 2-10 (o) Tenemos que F'(r) = P(X = tl u=x 2 fu. Enonces de los resultados del Problema 2.1 hallamos F(rl = 0 -e 1r<.2 1/36 2fr13 3/36 3fr<4 6/36 4f s<5

sslso rr<"<rz I 12 0123 Nmero de los X = lrlq Fig. 2-ll (b) Vase Fig.2-L2. F(r) 1 33/36 30/36 27 i36 I 24/',6 2r/36 18/3rt 15/36 12/36 9i 36 6/36 3136

cAP.2l VARIABLES ALEATORIAS Y DISIBIBUCIONES DE PROBABILIDAD 51 2.4. (c) Hallar la funcin de distribucin F(*) para la vaiable aleatoria representar grfrc amente esta funcin de dishibucin. X del Problema 2.2V @) (o) Uilizando la Tabla 2-5 del Problema 2.2 obtenemo F(rl () L8 grfica = de la funcin de distribucin de (o) se muestra en la Fig. 2-13. F() I 7t8 6/r 6tE 4/E 3/8 2t8 I UE t Fig.2-13 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 2.6. Un () (a) Debemostener aXtienelafuncindedensidad o". la constante c. (b) Hallar la probabilidad de que f(r)=c/(n2+l), donde -o(,<6, )? est entre 1/3 y 1. acf que c=Ur.

t:_flu)ttr = 1,edcir t-- / -\-'l (* :u,'= J-- 12 + | = "t"r-rrl r-o = "L;- (-;/J f = " =, z2 = 1 () si* = x2 =t,entonces -l < x = -f. t*tantolaprobabilidadpedidaes t(-'lstt oJ-t dn *lft dr IL'rJ5,r12*L =zC' oJ6," r*l = ?['*-'(1) - tn-r (+)] I = z(z-z\ = 6 6/ "\4 2.6. Hallar la funcin de distribucin conespondient a la funcin de densidad del Problema 2 .6. f , _...\r-. 1 C" F(r) = )_-t{")a" = i)__ n du _ = !l-t.rr_rrl, I -u, rL t__J = 11h,,-,r - ran-l(--)J = l[r*-' " "if = i.itan-rc

62 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP.2 2.7. La funcin de distribucin para una variable aleatoria X es (L-e-2" o>0 F(r\ : J^ x1O [u Halla (c) la tuncin de densidad, (b) la probabilidad de que X > 2, y (c) la probab ilidad de que-3<X<4. (o) , fir-\ = dt l-F1.l = f2"-u l0 r)0 r10 le-1 () P(X>z) Otro mtodo. Por defrnicin P(X =-21 = )" ze-z"du = -u-r"1, = = F(2) = | - e-4. Por tanto, P(X>z) = f -(1 -e-r) = (c) e-4 p(-B<x<4) = lnrulou = f_roa"+ ton2r-r,du = -e-2"1 = L-e-8 lo l{ Otro mtodo, P(-3<X<4) = P(X=4) -P(X<-3) = r'(4) - F(-g) = (1 -e-e)-(0) = l-e-B

DISTRIBUCIONES CONJUNTAS Y VARIABLES INDEPENDIENTES 2.8. La funcin de probabilidad conjunta de dos variables aleatorias discretas X, Y est dada por f(r,A) = c(2r *y), donde r, y pueden tomar todos los valores enteros ta les que 0 < n 3 2, 0 = U < 3,y f(r,U\ : 0 de otra forma. (o) Hallar el valor de la constante c. (c) Hallar P(X>l,Y s2\. (b) Hallar P(X =2, Y = l). (a) tos puntos muestrales (r, y) para los cuales las probabilidades son diferentes a cre ro se indican en la Fig. )-11,. las probabilidades asociadas con esos puntog dad as por c(2x * y), se indican en la Tabla 2-6. Puesto que el gran total,42c, debe ser igual a 1, tenemos que c : L142. Tabla 2-6 Y X 0 0 0 I c 2 3 Totales I 2c 4c 6c 3c 5c 6c I .) 2c 4c 6c 3c DC l4c 22c 42c

7c L5c Tota les+ 9c l2c

cAP.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD De la Tabla 2-6 determinamos que 53 (b) P(X=2,Y=l)=5"=a 42 (c) De la Tabla 2-6 determinamos que P(X>t,Y<2\ = t2l (2c g32 * Bc 1'4c) -f (4c*5c!-6c) :-: 'L 42 4 n otcomo se indica por las entradas sombreadas en la tabla. 2.9. Hallar las funciones de probabilidad marginal (c) de XV (b)de Yparalasvariablesa leatorias del Problema 2.8. (o) La funcin de probabilidad marginal para X est dada por P(X = r) = ft@) y puede obtenere de l os totales del margen en la columna derecha de la Tabla 2-6. De estos vemos que 6c=L/7 | P(X=r) = ft@) = jUc=1/3 verificacin:l+1*11 '7 3'21 (b) La funcin =r r=0 u=t.. l22c=17/2r n=2 fz(u) y puede obtenerse de los de probabilidad marginal pata Y est dada por P(Y = a) = totales del margen en la l tima fila de la Tabla 2-6. De estos vemos que P(Y=Y = verificacin:1*3 +!+1 ''7 74'7 t4 fz( =t

2.10. Demostrar que las variables aleatorias X, Y del Problema 2.8 son dependien tes. Si las variables aleatorias.{, Y son independientes debemos tener, para tod o r, y, P(X = t,Y : A) = P(X = r\ P(Y = Y Pero, como se determina de los Problemas 2.8 (b) y 2.9, P(X=2,Y=\ = asr que h P(x=4 = # P(Y=l) = I (2x rr y)142, no P(X--2,Y=L) + P(X=21 P(Y=L) E resultado tambin se deduce del hecho de que la funcin de probabilidad conjuna, pu ede expresarse como una fincin de veces una funcin de y. 2.11. La funcin de densidad conjunta de dos variables aleatorias continuas X, Y e s f (n,u) = lcnU 0(r<4, 1<g<5 de otra forma 1o (c) Hallar P(X>3, Y <2). (o) Hallar el valor de la constante c. (b) Hallar P(1< X <2, 2<Y <3). (o) Debemos tener la probabilidad total igual a 1, es decir | | f@,u) d,r du = I

54 vARIABLEs ALEAToRIAs y DrsrRIBUcIoNEs DErRoBABTLTDAD -l IcAp.2 Empleando la defrnicin de /(.r, y), la integral tiene el valor f4 5 J,:o J"=rcnvilxils ft rrs = " J,=oL.r"=, xaau )clx = "!,'=r$l'"-,o' = ",r=o(ry-;)* = ":=rr2adr = "tu*)l'_, = e6c Entonces 96c = 1 y c : 1/96. () Utilizndo el valor de c hdldo en (a) tenemoe P(l <x <2,2<Y ' (c) <3) = ,'=, 1""=140, Oo = #:=,1":=,'uau)a' = *f,'=,Yl'"=,* s /rz11z - 'J,=,Tn' = idt\t/|, = = 1 C' 5r, E P(x>s,Y=z) = :=""'=,frarau = * '^='l"'="u aafa' = + f"="#l'"='* L f4 Br. 7 J"="To' = ln 2.12. Hallar las funciones de distribucin marginal (c) de X V(bl de I' del Proble ma 2.11. (o) L funcin de ditibucin marginal para X i 0 < ( 4 ec Ft@) = p(X=r) = f' u=-4 O=-@ f"

fet,olduclo dudo = Pre o > ft (s J,=o J"=, fi uo = # 1,"=, [ =, 4, Ft() = 1; para 5 < 0, .F ,(a) = 0. Por tnto Fr(rl = 1, no ao)au =# [o (o n>-4 12/16 O=r14 [t () La funcin de disribucin marginal para y ai 1 PueetoqueF(r)escontinuaenr=Oy:4,podrfamocremplazarenlaerpreainanerior(por<. =y( 5 ec Fzful = P(Y <-vl = t=_@ f1 =l f" f@,o)ctud, fv J-"=oJ"'='ffiauao =

cAP.2l Para y VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD OD = 5, Fz@) = 1. Para U < l, F{A) = 0. Por tanto Fzfu) Puesto que F2 (y) es continua en y = 4@r-t)tz+ tfy<b a=6 l.t : 5, podramos remplazar en la expresin anterior [o u<r : 1, J ( por < . 2.13. Halla la funcin de distribucin conjunta para las variables aleatorias X, Y de l Problema 2.11. Del Problema 2,LL se observa que la funcin de densidd conjunta para X, Y puede escb irse como el producto de una funcin en r veces una funcin en y. En efecto, l\,ul = fr(r) f2(y), donde J tt,| l rr, t = 1. o 0 ( <4 f de otra forma .,(ul = { (,v I < Y < 5 [ 0 de otra forma L/96. Se deduce que X, Y son independientes, de tal manera que su funcin de distr

ibucin conjunta eet dada por F(r, y) : Fr G\ Fz@). Las distribuciones marginales . F (r) V Fzp) se determinaon en el Problema 2.L2; la Fig. 2-15 muesha la definicin por trazos de .F(r, y) resultante. ! c(t = c : F(r,Yl = rz(az - l\ (r6)(24) Fig. 2-15 2.14. En el Problema 2.11 hallar P(X+ y < conjunta de 3). En la Fig. 2-16 hemos indicado la regin cuadrada 0 ( ( 4, 1 < y ( 5 dentro de la cual la funcin de densidad X,Y es diferente de cero. La probabilidad rc,y)dxdy pedida est dada por p(x+y<s) = ff r*a-B donde ft es la parte del cuadrado sobre el cual r * y ( 3, regin sombreada en la Fig, 2-16. Puesto que f(x, 3, ryl96 sobre fi, esta probabilidad est dada por ' "'=, !""=,n ffia, av = ut-[:. [f=,' *u au)a* Fig. 2-I6

56 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP.2 1 L (" = J- (' 'u2 l3-' '- = fu ),=o g6.f ,_-, 2 lu=rd' CAMBIO DE VARIABLES [r(3-r)z r 'rldr 48 2.15. Demostrar el Teorema 2-t, p$na 46. La funcin de probabilidad para U est dada por s(u) = P(Lt ") = Plo(x) - Ll Plx = gfu)) = f lv@)l En una manera anloga puede demostrarse el Teorema 2-2, p4ina 46. Vase Problema 2.66 . 2.16. Demostrar el Teorema 2-3,pqina 46. Primero considere el caso donde u : @) 6 x : tenemos funcin creciente, esto es, u aumenta a medida que r aumenta (Fig. 2-1'7). Entonce s, como puede deducirse de la figura, (r) (t tlt(u) es una P(ut LI 1tt"): P(rtlX1rr\ f7 (2) Remplazando x escribirse como

/': | t\u) titr 'ul |, "rl "" /{..1 .;,' ut 12 : ttt V@) en la integral al lado derecho, (2) puede Fig. 2-17 f , ' ol au = 'tl f gqullv'tu:du Esto es vlido pr,,a todo u1 y u2 solamente si los integ'andos son idnticos, es dec ir g(u) _- fl,r\uti,t'@) Este es un caso especial de (34), pgina 46, donde ry''(u ) 0 (es decir la penCient e es positiva). Para el caso donde rlr'(u) -< 0, esto es, L es una funcin decreci ente de , tambin podemos demostrar que (31) se cumple (vase Problema 2.67). El teor ema tambin se puede demostrar si rl'(u) 0 r/'(u) ( 0. = 2.17. Demostxar el Teorema 2-4, p$na 46. Primero suponemos que a medida que r, y crecen, podemos demostrar que u y u tambin crecen, Igual que en el Problema 2.16 P(ut<Uiu,,u11V1o,\: ?u, - 4v, | trrr J| s(u,v)dud.u . Dr P(r1<X1rz,At<Y<Az) = |

fre | l(r,y) fe2 dr dy Remplazando avanzado que r : t@, u), y : Ju, z(u, u) en la integral de la derecha tenemos por un teorema de clculo flrrtu,a),,,2fu,1)llJ duda ("' ("'n,,u,rl duda = f"' (''' Ju, Ju, Jtl r s(u,a) a@'a) donde es d\u, u) ellacobiano. Por tanto = fIrfu,u), 92fu,o'tlJ J< que es (3ti), pgir.z 46, para el caso donde J 0. ) O. Anlogamente podemos demostrar ('36) para el caso donde

cAP.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD es 67 2.18. La funcin de ptobabidad de una variable aleatoria X (2-' =1,2,3,... f(r) = to de otra forma Halla la probabilidad para la vaiable aleatoria a = X4 + Puesto que l. u= r+11 6 r =n/F1,, U: * .+ l larelacin entre loe valoreedeuyrdelavariablesaletorias donde u:2,!7,82,.., UyXqtdadapor y8 hatomadolrazrealpositiva.Enonce1,funcin u = 2,17,E2, .. de otra forma . de probabilidad pedida para U ea ( z-ni i s("! = 1o utilizando el Teorema 2-1, pgina 46, o el hoblema 2.16. 2.19, La funcin de probabilidad de una variable aleatoriaX est dada por f(a) = iL0 (12/81 -3<c<6 de otra forma Halla la densidad de probabilidad pllra la vaiable aleatoria U : t$2X). recfprocamentg.Loe valore de u que correrponden a= - 3 y* = 6 rcn u = 6 y u -2reIect ivamente. Puesto que '(u) : dx/du : - 3 e deduc.e por el Teorema 2-3, pgina 46, o p or el Probler 2.16 que la Tbnemosu:tl3(L2-f,)x:L2-3u.Aparacadavalorderhayunoydamenteuvalordeuy funcin de densidad para U ee

s(ut Verificacin: = ilt'- sutz21 ];;"1:-. du 5 <tz:_su,2 = _,ttf",'ll = 1 2.2O. HaJlar la densidad de probabdad de la variable aleatoria U = )? donde X es l vaiable aleatoria del Problema2.I9. Tenemos tL = tr2 r = *\. As para cada valor de conesponde uno y colamente un valor ds u pero para cada valor de u # 0 corresponden do r( u( valores de . Los valores de r para los cuales- 3 ( 6 corresponden a los valores p ara los cualeo 0 S 36 como se muestra en la Fig. 2-18. Como se obeerva en esta ffuura el intervalo - 3 ( < 3 corresponde a 0 s z s 9 er tanto que 3 (( 6 corresponde a 9 ( u ( 36. En este caso no podemos emplear el Te orema 2-4 directamente rero podemor proceder de la manera eiguiene. La funcin de es disribucin para U G(ul = P('tlu') Entonces si 0 Fis.2-lt 5 r = 9 tenemos G(u) = P(Il =ul = P(Xz=u) = Pl'-\n=X=rF'l n = J| -V- @rar Perosi9(u(36tenemos G(u) rfr, = P(.U<u) = P(-B<X<\fr) = J-s f@lA, |

58 VARTABLES ALEAT1ORIAS Y DISTR,IBUCIONES DE PROBABILIDAD Pueeo que la [cAP.2 l*ibnz (12), funcin de denidad g(u) ee l derivada de G(u) tonemos, ueardo la regla de c@l Utizando la definicin dada de = f(r) eeto se convierte en 0<z<9 9.<<36 de otra forma 21rsrz Verificacin: zlb- 1. le * fil2136 z4B l, = 2.21. Si las variables aleatorias X, Y tienen funcin de densidad conjunta r(x,a) (vase Problema 2.11) hallar la Mtodo 1. funcin de densidad de U = X + ZY. = {;r'nu ffr:i:0" 'Sea u = t I 2y, u : r, etcogiendo arbitrariamente lr eegunda relacin. Entonces la olucin imultiinea reulta r : u, ! : ll2(u - u). Por ato la regin 0 I r 1 4, 1 < y ( orreeponde a la regiiin 0( u ( 4,2 < u - u 110 que e muesEa eombreada en la Fig. 2-19. El Jacobiano est dado por Fr 0r J_lr"0o oa lu la" att lo =l I

1 11 -, 1 tZ _1. 2 ea Fig. 2-r9 Entonce por el Teorem a 2-4 la funcin de densidad conjunta de U y V (u(u-t:l/384 21u-o( 10, 0 < a < 4 g(u'al = de oEa forma {o La funcin de denidad marginal de U est dada por 21u<6 ctfu) = f"^=oWo' J,=,-ro 0 6<<10 f4 afu- ol =#" , lo1u114 de otra forma

cAP.2l como VARHBLES ALEAI"ORIA"S Y DISTBIBUCIONES DE PROBABILIDAD 69 'lar p determina refirindoe a lae regioner ombreadas I, IL m de b Flg. 2-19. Dearollndo integn' cione encontramog 4)'12304 2<u16 6<<10 l0<<14 2128112804 de otra forma Puede efectuaEe una verificacin al demotra que la integrql de g1(u) ee igual a 1. Nlt od.o 2. [,a funcin de ditribucin de la variable eleatoria X + 2Y er dada por P(x *zY ut = l rr2y 3 t@,ytdrdy " = fta,au i*Z=.i 1<c<5 Pa 21u ( 6 obserraros al r ferirnoo a la Fig. 2'20 gue la ltim integral ee igud a "--,'

I":","'' gunoo = "::'lW-#fo' + 4)t2304. De un manera anloga podemoe obtener el Al derivala con respecto a 8e encuentra (u - 2)2 (u reeultado dd mtodo L para 6 ( u ( 10, ec. Fg.2-2O Fig.2-2L 2.22. Si las variables aleatorias & Y tienen la funcin de densidad conjunta 4' L <s <5 f(r,a) : {*''nu de otra forma :':' 0 L = XYz, V = )PY. Considree u : xy2 , u = x2 y , Al dividir ega ecaciones obtenemoe y/r = u/u aef que y = ut/v. Mo oe conducealasolucineimultnea s=p2/34-r/t,y=y2/3p-rl3. I/aimagende0(x14,L(y(Senelpla' (vase Problema 2.11) hallar la funcin de densidad conjunta de U no uu est dada por o<azlgu-r/t<4 gue son equivalentee a ,u2 t< 7) uztga-rls < L26'u 6 1 64u 1u2 < Eata regin ee muesba eombreada en la Fig, 2.21. El Jacobiao est dado por

60 VARABLES ALEATORTAS Y DISIR,IBUCIONES DE PROBABILIDAI) [cAP.2 l-lor,"u-n,r f.,-t rsu-ual J - l: l= | f,u-r,to-t,, -tuznr-trs I -lu-zrso-zrs Af la funcin de densidad conjunta de U y V es, por el Teorema 24, cer,o) = {*O=f3-Io ($u-2t3a-2rt') o2161u' tt de otra forma tt-z 1u2 < l26tt c@,xl = {u--''"o-rtsl288 IO CONVOLUCIONES < ilu' tt 1 u2 < l26tt de otra forma 2.23. Sean X, f variables aleatorias qup tienen una funcin de densidad conjunta f(x, y) . Demosbar que la funcin de densidad de U'= X * Y es s@l Mtodo 1. Sea LI = l-rO,u-a)ilo conecponden : X + Y, V : X, donde arbitrarianente hemo ag gado la *gunda ecuacin. A eta ecuaciones u: x i !, o= 6 x,:v. y: u- u. El Jacobiano de l tranfomacin ert dadopor rSe deduce de (261,

192 d'l l#'l = l: -l ee -l Ar por el Teoema 2-4, pgina 46, la funcin de deneidad conjunta ile (J y V ea g(,o) - f(t,u-o) pgin 46, que la funcin de densidad marginal de U c@l = f' f@,u-,ld, Mtodo 2. La funcin de ditribucin de U = X + Y es iguql a la integral doble de f(x, y) tomada obrc la regin definida pbr * f y s u, co ec G(ul = (( @,drdu ,i"au

Pueto que la regin eet por debajo de l lfnea * y = u, como e indic por la parte ombr a en lrr Fig. 2-22, vemor que G(u) o a u et dada = ./t=-a f f"-' f' Lnr1=-a c@l = 1r,yay]dr -J La funcin de denidad de U e la derivada de G(u) con repee por ef -a (' l@,u-r)ih F's.2-22 utilizando la regla de Leibniz (I2) primelo en la integralder y luego en la integral de y.

cAP.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD 61 2.24. R'ex,olver el hoblema nes de densidad f t@), 2.23 si X, Y son variables aleatorias independientes que tienenfunciof, (y) resp ectivamente. En este caso la funcin de denidd eonjuna et f(x, de densidad de U: X * Y e y): f t@) fz(yl, as que por el Problema 2.23 la funcin s(ul = t'.f ,{olf2(u-olito = f t* fz que es la conuolucidn de h y fz. 2.25. Si X, Y son variables aleatorias independientes que tienen funciones de densidad ft@l =112"-t' ,<0 L0 >o * fg"-to a=o " frfu\ '-\e' =1l0 a<0 Y. halla la funcin de densidad de su sumao U = X Por el Problema 2.241a funcin de denidad pedida es la convolucin de f t y fz y eet dada por c@) = ft*fz = f' fr(o,,f2(u-t:ld.a J_ En el integrando f1 se anula cuando u ( 0 y f2 8e anula cuando u

( u. Por tanto Cful = | JO f! (2e-2l(ge-sru-u))do (" = 6"-su.to iu>0yg(u):Oiu(0. Veificcin: ao ifui = 6o- ar@u - l) = 6(e-zt - e-tr f -'- o{au = tfo'k-r"-"-rv\d.u = (;-*) = 1 2.26. Demostra gue fi t.f - f 2* f1 (Propiedad 1, pgna 47\" Tenemos t* fz = | /r(") fz@-o) Jo=-a Haciendo fa da u)= a.u de tal maneraque u = u-u,d,u:-dw, obtenemos (-' trfz = .fw=n ,rru-u)f2@t)(-d.w) = (" DISTRIBUCIONES CONDICIONALES fz@\lt@-u)dut = fz'ft

"/u=-n 2.27. HaJlar (al f(y l2), (b) P(Y : 1lX : 2' pan la distribucin del Problema 2.8. (o) Empleando los esultado en los Problema 2.8 y 2.9 tnemo ftutrt = arf que con : 2 ffi:*+#t f(ylz\=g#f=+ P(Y=rlX=2\=/(1l3r=*z ()

62 VARIABLES ALEATORTAS Y DISTBIBUCIONES DE PROBABILIDAD lcAP.2 2.2E. Si X, Y tienen la funcin de densidad conjunta r(r,a) = {i.* :".ffr:j:r., rt*) hallar (a) f(alr), (b) P(v > + I + < X <*+d'r). (o) Para 0kc(1, : J'(i**r)0, = t*} ftulr\ ha oo ralore de = definid. , /( | y) no ert () P(Y>ll+<x<l*drl = tr*,rlrol+)0, = ,',rYP* est, dada I 16 2.29. La funcin de densidad conjunta de las vaiables aleatorias X, Y por f(r,a) = {t^" de otra forma 1=1=.t'o<a<r [0 se muestra Hallar (a) la densidad marginal de X, (b) la densidad marginal de Y, (c) la dens idad condicio nal de X, (d) la densidad de Y. La regin sobre la cual f(r, y) er diferente a cero sombreada en la Fig. 2-23. (c) Para obtener la denidad marginal de X fijamos r e integramde c"on reepecto a y ded e 0 hasta r como se indica por la franja verticalen laFg,2-23. El resultado es (' tu;) = Jt=o Sxydy - 4s pare 0 ( ( 1. Paa los ohos valoree de r, ft () = (b)

0. Anlogamente, la deneidad marginal de Y se obtiene fijando a y e L, como 8e integr ando con reapecto a desde r = y hasta : indica por la franja horizontal en la Fig . 2-23. El reultado es para 0 (y(r, !2@) Para = ' Brydr = 4a-u2'l lo otros valores de y, f2Q): O, Fig. 2-23 (c) La funcin de denidad condicional de X ec, paa 0 ( y ( 1, ft@la) (d) = ffi ,it\ = {o (2r/(L-azl a=r=l otra O. La funcin de denidad condiciond no est defrnida cuando L8 funcin de densidad condicional de Y es, para 0 ( r ( 1, hl.,): fz@lr\ = !(u'a'-l = {'u'* h@\ lo La funein de densidad condicional no est definida cuando JFr o=u=r otray ():

0-

cAP.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 63 Verificacin: fo' ,rrrro, = lo'Ar"d, = t, fot rrrora = fo 4A$-u2lda = | 7 f"'r,r'lttr = "' fo" &or : ,30, = , htotdda -o' 2.30. Determinar si las variables aleatorias del Problema2,29 son independientes . EnlareginsombreadadelaFig.2-23, + f t@) 2fu), y a { Y son dependientes. f(t,A\ = 8rA, t@l = 4r?, fz(A) : AaQ-A2'). Portanto f(r,U) Debe anotase que no puede deducirse a partir de f(x, y) : 8ry, que flr, y) puede expresarsecomo una funcin de r por una funcin de y. Eeto e debe a la restriccin 0 < y < . Si ecta ee remplazar pu alguna reshiccin en y no dependiente de r (como en el

Problema 2.21), tal conclusin serfa verdaderaAPLICACIONES A LA PROBABILIDAD GEOMETRICA 2.31. Una persona jugando a los dardos encuentra que la probabilidad de que el d ado caiga entre r y r t d es P(r= Rtr+d.r) = .[t - (;)']0" Aqu, R es la distarcia del impacto desde el centro del objetivo, c es rna constante y o es el radio del objetivo (vase Fig. 2-24). Hallar la probabilidad de pegar e n el blanco, que se supone ene radio b. Suponer que siempre se hace impacto en el objetivo. La funcin de deneidad ert dada por f(r) r_ /r)rl = "Lt - (; _., is.2-21 Puesto que siempre se hace impacto en el objetivo, tenemos ("fr, Jo L /r)'lo' = \a/ --) r de lo cual c = 312a. Entonces la probabilidad de pegar en el blanco es Jo I rb t(,), b(Boz-br =;ls rbF /"\2-1, : T zalo lr-(i) Jl,t L \a/ 2.32. Dos puntos se escogen aleatoriamente en el intervalo 0 < de que la suma de sus cuadrados sea menor que 1. < 1. Determinar la probabilidad Dentense por X Y la vaiables aociadas con lo puntos dados. Puesto que se supone que i ntenalc igualec tienen probabdadee iguales, la funcionee de densidad de X, Y estn d adas respectivamente por (r) f ,G't

= lI 0<<1 | 0 de oEa forma f zfu) : tf f 1 ofY=1 o de otra forma Entonces ya que X, Y son independientes, la funcin de densidad estd dada por

64 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAI) [cAP.2 (2t (t) donde r(x,yt = tr",t tztut = {; l;,.,l;t" s "r* O"O" rI Se deduce que la probabilidad peda *, a" au P(xz + Y2 = t er la regin defnida gnt r2*y2 5 l, x >: O, U = 0, o sea un cuadrante de una circ unferencia de radio 1 (Fig. 2-26). Entoncee puerto que (3) repreecnte el e de R obs ervamos que b probabilidad pedida es n14. r, = )) fr. ?f Fis.2-25 PBOBLEMAS DVERSOS 2.33. Supngase.que las variables aleatorias X, f tienen la funcin de densidad conjunta f(a, Hallar (o) la constante c" (b) las funciones de distribucin marginal para X y Y, (c) las tunciones de densidad marginal para XV f, (d)P(3 < X< 4,Y> Z),(elP(X > 3 ), (RP(X + Y > 4), (4t) la funcin de dishibucin conjunta, (h) si X, Y son independ ientes.

(o) t a probabilidad total est dada por f,'=, f"'=o o(2-r I sl itr dv = !,'=, "(u, * +)ltro" Pare que eto e igual a 1, debemor 0ener c ,"_r"(to, *+)0, = 2l0c : Ll2lO, (D) La funcin de ditribucin marginal para X er fr(a) = P(x = al = ,'=-. f"'= --rru,tsl duit't: ,'=-- "'=--odud'' = = "'=,f,:=,ffoua, '='"'=oLt!du.t La funcin de ditribucin marginal para Y es - | 126 ts) d.u do Fz@l = P(Y =- 'y = [,'= _- ""= _ - l(u, f,'=--"": -ot,ud'o I"=" !'"=o\ffauao ""=, = o u2 a<o I l6v

105 6=y(b t"'=ozffauao I y26

cAP.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD t'D (c) La funcin de deneidad marginal pa X es, de la parte (b), l\r*61/84 21x16 f(r) = tFr(") = deorraforma {o La funcin de densidad marginsl paa Y es, de la parte (b ), 2fu) (d) = trrfu) = 1o (Qa+t6l/I06 0<y<5 deotraforma 45 p(s<x <4,Y>2) P(x > = #I=, ,;, 5 .)^ f,'=rrr**y)drd.y rr, + al dr du = '# 209 (e) s) = h [,"=, Ju"=o = (f, donde P(x + Y > 4) = trr, itr da es ms { es la regin sombreada de la Fig. 2-26. aunqr} se puede encontra de esta forma, u tiliza el hecho de gue

fcil p(x+y>4) = L-P(x+t'=4) = ,- tfrw,fidxdv *' Tenemo. donde ft'es la regin doblemente rayada de la Fig. 2-26. P(x+Y=41 = h,'=, l"n=o'rtr*drctu Portanto P(X +Y > 4) = 33/35. = ?, Fig. 2-26 Fig.2-27 es @) La funcin de distribucin conjunta F(r, = P(X=r,Y < = En el plano uu (Fig. 2-27\ la regin de integracin y) como Ju=-q f' Jt=-. (" f@,o)duda s x, i < y yelrectngulo 21u( 6,0(u(5 se muestra en la figura, tenemos es la interseccin del plano en el primer cuadrante u [enelcual f(u, u\noescero]. Paralalocalizacinde(x, F(r,a\ = l"u=" J)="Wo"o, =

66 VARIABLES ALEATORIAS Y DISTB,IBUCIONES DE PROBABILIDAD [cAP.2 Cuando (, i) e encuentra dentro del rectngulo, obtenemos oha erprecin, etc. Lor resu ltdos completoe se muestran en la Frg.2-28. F(r,3') = g F(z,vl -| F(r,y) = I 2z2y*xy2-8!-ZV2 420 F(x,yl = F(r,yt = d+# F(r,) = I F(r'Y\ = I F(r,a\ o Fig. 2-2t (h) Las vaiable aleatorias aon dependientee ya que f(r,al + ft@lfzfu) o, lo que er equivalente F(r,al + Fr(r) F2fu), 2.84. Si X tiene la funcin de densidad f(s) = Halla la funcin Y

{ l6r-r\ L0 o(o(1 de oha fotma : h(X) que tenga la funcin de densidad s@) = {:zf(r-a\ 0 |. o<Y<1 de otra forma SuponemoequelafuncindeconoeidahestalqueloeinervalocXSr,Y=y:l(*)ienenuna correrpondencia uno a uno en una forma continu- Entonce. P(X = ditribucin deben er i gualee. Por tanto, para 0 ( r,y 1 l, r): P(ts< yI e decir la funcione de Jo f " au$ u) ttu = (u Prt(t Jo BAI t)2) d,1) &: a2 6 PortntoY:*tE. Por incpeccia, Br2 - 2rs = 2U8 a = h(r) =

fi e8 ua rolucin,yeatarolucintienelaepropiedadeodeseadas. 2.36. Hallar la funcin de densidad de U : Mtodo f Sea . Xf si la funcin de densidad conjunta de X,Y es f(.r, y). do por U: XY, V: X, alacuales correcponde u:1. u: x 6r:u, !: u/u. B,ntonc ,8 elJacobiano eetda-

cAP.2l VARIABLES ALEATORIAS Y DISTR,IBUCIONES DE PROBABILIDAD arl - la" | J _ l^ tdfr rt l# #l I o 1 | | lo-t -u,t-zl | _u-r Por;.anto la funcin de densidad conjunta de U, V es | ./ ,u) s(u = 6r\",;"\ ) aa a partir de La cual se obtiene la funcin de densidad marginal de U. s(u) Mtodo 2. La funcin de distribucin de U es = o@, J _* = J_-;,r\,';,r\, )0, t", d.r du ft t / G(u) = lf gSu Paa u =- 0 la regin de integracin ge muestra sombreada en la Fig. 2-29. Observamos que G(u)

= ,f_: t f"-,,,u,yaylar * [o'll:-' r(r,y\<t1)ar Derivando con respecto a u utilizando la regla de l,eibniz, obteneros g(u) : f: (+) ,(.,:)a, + !o'i,(,,1)* = :"r(',X)* por la hiprbola a Q, cuando la regin de integracin est mitada El mismo resultado se obtiene para u ( trazos en laFig.2-29. a Fig. 2-29 Fig. 2-30 2.36. Un piso tiene lneas paralelas a distancias iguales I entre s. Una aguja de l ongitud a1l cae aleatoriamente al piso. Hallar la probabilidad de que la aguja i ntersecte una lnea. (Este problema es conocido como el problema de la aguia de Bu ffon). Sea X una variable aleatoria que da la distancia del punto medio de ta aguja a l a lnea ms cercana (Fig. 2-30 )' Sea @ una variable aleaoria que da el ngulo agudo en tre la aguja (o su prolongacin) y la lnea- Denotamos porry0cualquiervalordeterminadodeXy@.SeobservaqueXpuedetcmarcualquiervalorentreO yll2, asque 0 s < t/2. Tambin @ puede tomar cualquier valor entre 0 y l2.Se deduceq ue

68 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILDAD lcAP.2 P(r<X<rIdr) =la, fr(): 2ll, fz|/) : 2ln. P(c<c=c+dc) =?d, esdecir, las funciones de densidad de notamos que X y @ estn "r" po. Comoverificacin 9 :de = | Jo Jo rl2 I ia'=r L ?ll2 , Pueto que X y @ son independientes la funcin de dencidad conjunta ee l(r'c)=?'Z=! ltlt De la Fig. 2-30 ee obeerva que la aguja realmente toca la lfnea cuando este uceso est dada por X = (ol2) s n @. La probabilidad de 1 r/2 f(a/2)se { | | li )s= ),= e drd o = 2A t" se Cuando la expresin anterior se iguala a la frecuencia de cadas observadas en exper imentos reales, obtienen valores precisos de Esto indica que el modelo de probab ilidad descrito es apropiado. 2.37. Dos personas acuerdan encontrarse entre las 2:00 P. M. y las 3:00 P. M. co n el conveniode que no se esperarln ms de 15 minutos. Cul es la probabilidad de que se encuentren? Sean X, Y las vaiables aleatorias que representan el instante de llegada, medido en fracciones de hora despus de las 2:00 P. M., de las dos personas, Suponiendo q ue a intervalos de tiempo iguales corresponden probabilidades de llegada igrales

las funciones de densidad de X, Y estn dadas respectivamene por ft@l= lzful = (r 0:<=l de otra forma lo lo lr 0=a<L de otra forma Fig. 2-31 Entonces, puesto que X, Y son independientes. la funcin de densidad conjunta es (r) f(r,ul = : 1/4 f t@) fzfu) = 1o (l 0SSL,0<a<L de otra forma es Pueeto que 15 minutos de hora, la probabidad pedida (e) e(rx vr 1) .R = lf a" au donde R es la regin sombreada que se muesha en la Fig. 2-31. El lado derecho de (

21 es el rea de egta regin, que es igual a t - {})(}) = !, Va que el cuadrado tiene rea 1, en tanto que loe dos tringuloe de lar esquinas tienen reas +(*X*) cada uno. Por tano la probabilidad pedida ee 7176.

cAP.2l VARIABLES ALEATORTAS Y DTSTR,IBUCIONES DE PROBABILIDAI) 69 Problenra,E suplernenta,rlo s VARIABLES ALEATOBIAS Y DISTRIBUCIONES DE PROBABILIDAD DISCBETAS 2.38. Una moneda e lanza tres vece& Si X es l variable aleatoria que indica el nmero de c aras que rerultan, (a) construi una tabla que muestre la distribuci6n de probabil idad de X V (b) representar grfrcamente la ditribucin. 2.89. Una urna tiene 5 bolas blancas y 3 nega. Si se extraen doe bolas aleatoriame nte sin remplazamieno y X denoa el nmero de bola blancas, (o) hallar la ditribucin de probabilidad para X V (b) repreeentar grficamente la distribucin. 2.4O. Resolver el Problema 2.39 si s extraen las bolas c.on remplazamiento. 2.41, 2.42. Sea Z lz vaiable aleatoria que repres nta el nmcro de caa menos el n(rmero de seo6 en d os lanzamientos de una moneda honrada. Hallar la dihibucin de probabilidad de Z, C omparar los reultados con los Ejemplos 2.1 y 2.2. repreeenar grficamente la ditribucin. Sea X la yariable aleoria que representa el nmero de ases extrafdos aleatoriamente en 4 catas de una baraja de 62 cart. (a) Construir una abla que muestre la distribuc in de probabilidad de X V () FUNCIONES DE DISTBIBUCION DISCBETA 2.18. La funcin de probabilidad de una variable aleatoria X ee muestra en la Tabla 2-7. (o) Conetrui una tabla que indique l funcin de dietribucin de X y (b) representar g r6ficarnente eta funcin de distribucin. lbbla 2-? 2 3 Tabla 2-8 r f(n) I

L/2 r F(r) I r/8 2 3 4 r/3 r/6 3/8 314 I 2.44. 2.46. Obtener la funcin de distribucin y su grfica para el (c) Problema 2.38, (D) Problem a 2.39, (c) Problema 2.40. Obtener l funcin de dishibucin y su grfica para el (o) Problema 2.4L, (b) Problema 2.42. 2.46. La Tabla 2-8 muestra la funcin de distribucin de la variable aleatoria X. pr obabilidad, (D) P(l < X g), (c) P(X >21, (dl P(X < 3), () P(X > r.41. = Determina (o) la funcin de VABIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 2.47. Una variable aleatoria X tiene funcin de denidad l(x) Ilallar (o ) = 1o = (ce-g" c)0 rso (d) P(X < 1). la contante c, () P(1 < X <

2), (r) P(; s), 2.48. Hallar la funcin 2.19. de digtribucin para la variable aleatoria del Problema 2.47. Rnpre*ntar grfrcamene las funciones de densidad y digtribucin, describiendo la relacin entre ella. Una va riable aleatoria X tiene funcin de deneidad f(n) = | "r' 1 "r L0 L< a2 21r13 de otra forma

70 VARTABLES ALEATORIAS Y DISTRIBUCIONES DE Hallar (a) la constante c, (b) P\X'> PROBABILIDAD [CAP. 2 2), (cl P(llz < X < 3/2). 2.60. Halla la funcin de distribucin para la variable aleatoria X del Problema 2.49. La f uncin de distribucin de una vaiable aleatoria X est dada por 2.t. SiP(X:3):0hallar(o)laconstantec, (b)lafuncindedensidad, (c) P(X>l), (d) P(l<X<2). 2.52. Puede ser la funcin (c(I-12) F(r\ = 1o una funcin de dishibucin? Explicar. 0= =1 deotraforma 2.63. Sea X una variable aleatoria que tiene una funcin de densidad (r, f(r) = 1o 0=r2 deotraforma Hallar (a) el valor de la constante c, (b) P(1-12< X <312), (c) P(X > 1), (d) la funcin de dietribucin. DISTRIBUCIONES CONJUNTAS Y VARIABLES INDEPENDIENTES 2.64, La funcin de probabidad conjunta de dos t6 dada por f(x, y): cxy parar: L,2,3,!: L,2,3, onstante c, (b) P(X=2,Y = 3), (c) P(I<X< 2, Y = (fl P(X = r), (g) P(Y = 3). 2.56. Hallar las funcionee de probabidad marginal de vaiablee aleatorias discretae )d Y ee cerode otra forma. Hallar (o)lac 2), (d\ P(X > 21, (e\ P\Y < 2), (c) X V (b)

(c ) y para las vaiables aleatorias del Problema 2.54, De'rerminar i X Y son independientes. 2.56. Demostrar que las variablec aleatoas dictetas X, Y son independientes solo si poro todos los uoloes de x, y su funcin de probabilidad conjunta puede expresarse por el producto de rfna funcin en y una funcin en v. Sean 2.57. X, Y variables aleatorias continuae que tienen funcin de densidad conjunta (c(r2*a2) 0r< 1, 0< gr< 1 f(r'u) = 1o deotraforma Determina(o)laconstantec,(b)P(X<+,Y>+),(c)P(|<X<*),(d)P(Y<{), pendientes. (e)siX Ysoninde 2.8. Halla las funciones de distribucin 2.67. marginal (a) de X, (b) de Y para la funcin de dencidad del Problema 2.69. E)emotrar el resultado del Problema 2.56 para el caso donde las variables son con tinuas. DISTRBUCIONES CONDTCIONALES Y FUNCIONES DE DENSIDAD 2.. Halla la funcin de probabilidad condicional (o) de Problema 2.54. X dada Y, (D) de Y dada X para la distribucin del

cAP.2l VARIABLES ALEATORIAS Y DTSTRIBUCIONES DE PROBABTLIDAD 77 2.6!. si f(r,at = 1;*, l;;rl:j"<s<L Hallar la funcia de denidd ondicional de (a) X dada Y, (b) Y dada X. 2.62, Hall la densidad condicional de (c) X dada Y, () Y dada X, para la digtribucin del Prob lema 2.57 . 2.63. Sea dada X. (e-(r+u) x>0, y>0 f@, = { 0 J^ ^_, de otra forma [^ la funcin de ilenidad conjuna de X, Y. Hallar la funcin de densidad condicional de ( c) Xdada Y, (D) Y CAITIBIO DE VARIABLES 2,64. Si X tiene funcin de densidad f(r) Hallar la funcin de denidad de l"-. n)0 = to r=o Y: X2. 2.66. (o ) Si la funcin de denidad de X es f(r ) hallar la funcin de densidad de X3 . (b ) Iluatrar el reultado en la parte (a) erco$endo f(rl = i: l0 y verificar la solucin. (*e-2, u

>0 n1O 2.66. 2.67. Demotra el Teorema 2-2,p6gna 46, DemostrarelTeorema 2-3,pgina46,paraloscaso (al g,@) < 0, () *,(ulZ 0, (c) r,() S 0. 2.6t. SiXienefuncindedenaidad f(r):(2v)-r/2"-rz, -a <a < ., hal|arlafuncindednidad deY =*. 2.69. Veficr que la integral de gr(?r) en el mtodo 1 del Problema 2.2L e igual a 1. 2.7O, SiladenidaddeXes f(r)=U"(r2 *1), -. < 5 < @, hallrladensidadde Y = tan-rX. 2.71. 2.72, Completar la labor necesaia para hallar gt(u) en el mtodo 2 del Problema2.2I y ver ificar su reapuesta. Sea la denidad de X @l = Halla l densidad de () 3X (l/2 to -l<r(l deotraforma - 2, (bl Xs + 1.

72 VABIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD Verifica por medio de integracin directa [cAP.2 2.75. 2.74. l funcin de denidad conjunta hlloda en el hoblema 2.22. Si X, y tienen funcin de denidad onjunta f(r'u) = y tJ (e-(t+vt r>0, yz0 deotraforma {o = X/Y, V = X I Y, hallar la fincin de denidad conjunta de U y V. 2.76. 2,76. Emplear el Problema 2.22 pare,halla la funcin de denidd de (a) U : XYz, (bl V = XzY. Sean funcin de densidad de X, Y variables aleatorias que tienen funcin de denidad conjuna @,a) = (2r\-rs-(r2+Yt ), -e 16 1o, < U < @, Si,R y @ott tt,r""""vaiablesaleatoriataleequeX:R coO, y:8 enO d emoeEarqne la -@ I e ob\=i r"-tz/2 r=0 r'(0 l0 2.77. Sea l(n'u) = ){ (1, ofrf 1, osv51 to deotraform

la funcin de densidad conjunta de Y. Hallar la funcin de dengidad de Z = XY. CONVOLUCIONES 2.7t. Sean X, Y variables aleatoria independientes didribuid8r idnticamente con funcin de denidad (l f(t) = Hallar la funcin de dengidad de X 0<<1 deotraforma 1o * Y y verificar su olucin' 2.79. Sean X, Y variablec aleatoria independientes distsibuidae idnticanente con funci6n de de nidad f (t\ = Ir-t 1o >0 de otra forma tlllar la funcin de deni<tad de X Y y vericar u solucin. 2.8O. f,),emoshaque (a) lt*(fz*fs)=ft*fz*ft*fs' (b)/rt'(lz+fs) =(/rof)*fs' = Z y lttryo utilizndo convolucione 2.t1. para hallar la funcin de denidad de U = X + Z. Reolver el Problema 2.21 primero efectuando la Eardormaci 2Y 2,t2, Si la vaiables aleatorias independienteo X1 y X2 estn ditribuidas idnticamente con fu

ncin de denidd | (t) f te-t t>:0 L0 <0 hallar la funcin de denidad de X1 * X2. APLICACIONES A LA PROBABILTDAD GEOMETRICA 2.8E. Doc puntor e seleccionn aleatoriamente obre un segmento de lfnea cuya longitu d a o ) 0. thllr probiUd"d la

de que lo trec regmentor de lfnea formado de et mnora puedan er los lados de un tring .

cAP.2l VARIABLES ALEATORIA,S Y DISTBIBUCIONES DE PROBABILIDAI) 73 2.E4. ir a egta estacin entre etos tiempoe aleaoriamente y eoperar por el buc mimo que un bus llega a una estacin deerminada entre la 8:00 P. M. y la 3:80 P. M. Un pcrna decide 6 minuto. 8i no lo toma, tomar el metro. Cul es la probabidad de que tome e l mero? Se sabe 2,t6. Dos segmentoe de lnea, AB yCD tienen longitude de 8 y 6unidadesrelpectvamente.Doopu ntosPyQ se escogen aleatoriamente sobre AB y CD reepectivamente. Demostrar que l a probabilidad dc gue el rea de un tringulo de altua AP y base CO sea mayor que 12 unidade cudradas ee igual a (1 - ln 2)lZ. ' PROBLEMAS DIVERSOS 2.86. Supngase que f(r) : cl3t, r :1, 2,... , e la funcin deprobabilidadparaunaviablcdeaoria X (o) Determinar c. (b) Hallar la funcin de distribucin. (c) Repreeentar grficament e la funcin de probabilidad y la funcin de distribucin. (d) Hallar P(2 = X ( 5). (e ) HtlarP(X > 3). Supngaee que 2.t7. f(r) = ( cre-22 r >- 0 {o deotraforma X. (o) Deerminar a (b) Hallar la funcin de ditribucin. (c) Representar grficamente la funcin de denidad y la funcin dedistribucin.(d)HallarP(X> 1). (e) HallarP(2 s X< 3) . es la funcin de densidad para una variable aleatoria 2.E8. La funcin de probabilidad de una variable aleatoria X est dada por f(r) dondep es una

constante. Halla (o)P(0 < X< 3), (b)P(X> 1). 2.t9. (a) Demostrar que para una constante c apropiada, F(rl = 1"0_"_,,1, t)o es la (0 rS0 (b ) Determinar P(1 funcin de distribucin para una variable aleatoria X, encontrar c. < X < 2). 2.9O. Una vaiable aleatoria X tiene funcin de densidad l$tr-z) o<51 f(xl = t; deotraforma Hallar la funcin de densidad de la vaiable aleatoria Y: X2 y verificar u olucin. 2.91. Dos variables aleatorias independientee, X, Y tienen funcione de denidad reapectiv ar f(n) "ao = {:'u-'" ro Lo (cl c@) = {o (c2Ye-st Y>o u=o (e) Hallar(o)ct!cz,GlP(x+r>1), 2.92. P(l<x<2,Y=ll, (d) P(l

<x<21, P(r=1). En el Problema 2.9L cuil ea la relacin en'tre la rcluciones (c), (d) y (e)? Jurtifr c .u r .ue.t.

74 VARIABLES ALEATORIA"S Y DISTRIBUCIONES DE PROBABILIDAD sean lcAP.2 2.93. X Y vaiable aleatoria que tienen funcin de denidad conjunta f(r,a) = de deruidad (marginal) de Y. o<Y <2 | c(2r+Y) o((r' o de otra forma I (marginat)deX,(d)lafuncin Hallar(o)laconstantec.(b)P(X>Ll2,Y<312),(c)lafuncindedensidad 2.94, 2.96. 2.96. En el Problema 2.93 ee cumple que P(X > +, y < g) = p(X > p(y < +,). por qu? +l En el Problema 2.91 halla la funcinde denidd de (o) X2, (b) X Si -X, + y. f tienen funcin de denidad conjunta f (r' u) = t o llla 0((U,0<U<t de otra forma P(X + (a) Determinar ai Y> rl2r. x, Y son independientes. (b) Hallar p(X>tlz). (c) Illar p(x<rlz,y> 1/B). (d) Hallar

2.s7. 2.98. Generalizar (o) et hoblemz 2.78 y (b) el Problema 2.79 a tres o m vaiables. Sean -( _ Y varible aleatori independiente ditribuidae idnticamente y con funcin de densidad )-r/2-r2, -- ( tt ( -. Hallr ta funcin de densidad de Z - X2 + Y2. /(z) = 2.99. La funcin de probabidad conjunta para las vaiable X, Y est, nal de X y f. (b) ttallarP(l S X< 3, y > 1). (c) Dererminar si X y Yron independ ienter. dada en la Tabla 2-9. (o) Halla las funciones de probabilidad margiTabla 2-9 Y X 0 0 I 7lS 1/18 1/6 2 r/18 r/6 Ll9 1/18 2.11. Supngase que la funcin de probabilidad conjunta de las vaiables aleatoria X, Y est dada por I r/9 r/6 r(r,ur = {"-'o |. 0 os=2'o<Y=' de otra forma 2 (o) Determinar ei X, Y son independientes. (D) Hallarp(1 <x<1,y>1). t2<X< l).

(c) HallarP(Y = r). (d) Harlar P(Ll2 2.101. Sean X, Y variables aleatoria independientes cada una con funcin de densidad ,(u) = 1e:r donde l, u=0,L,2,... * Y es ) 0. Demotrar que la funcin de denidad de X s(u) I @# u=0,1,2,... 2.102. Cull er el anlogo del teorema de la convolucin para variables aleatorias dicr eta? Ilustrarlo usando el hoblema 2.101. 2.103. Un estaca de longitud .L se rompe en dos pares. Cul es la probabilidad de que una parte tenga una longitud mayor que el doble de la ora? Indica claamente qu supo siciones se hicieron. Estudia i considerra que eltar oupoeiciones Bon realistas y cmo podra mejorarlas si no lo son,

cAP.2l VARIABLES ALEATORIAS Y DIIT,IBUCIONES DE PROBABILIDAI) 76 2.1O4. Un piso ert conhuido de cuadrado de ldo L Una aguia de lonitud o1l a lanza al piro. Demorbar que la probabilidad de que l atuja intersecte al meno un liado, er igral a o(4t o\ltf . 2.1O5. Paa una aguja de longitud dada cull debe er el tdo del cuadrado en el Problen a 2.1O4 para que la probabilidad de interseccin ea mdma? Erpcar ru rcluci6n. 2.106. Si es l f (r'a' z) = ( 1 rv2zs 01r11, 0< y1l, 0121L o de oha form 1., P(Z<X+Y). funcin de denided conjuata de tres variable aleatoriea X, Y, Z. Ilallar (o) P(X > Y< +r, Z> $), ()

2.1O7. Un haz cilnico de partcula.s de radio q e dirige haci un obietivo hemifrico ABC co centro en O como e indica en la Fig. 2-32. Supngase que Ia ditribucin de l partfcu ct dada por l(r) = 1o donde es I lla 01r 1a deotrforma de lar partfcular a lo largo del objetivo r es la distnci desde

el eie OB. dada por Ilemoch que la dirtribucin s(o) = lcosa 0<c<n/2 deohaforme {o donde 0 es el ngulo que la lnea OP (de.ede O a cualquier punto P del objetivo) for ma con el eje. c Fis,.2-32 2.10t. En el Problema 2.107 halla la probabidad de gue una rarfcula pegue 8l objetivo entre A = O y0 : 14. 2.109. Supngase que la variable aleatoria X Y, Z tienen funcin de denidd conjuna r(r,a,z) Demoka que auque = ito-""trtcosracosrz :.'"L';J'v 1r' o1z. r *"loq,ri"r" dos de esta vaiables aleatoria eon independientee, es decir ur factores funci6n de densidad marginal, la! b s no son independientes.

Captulo 3 Esperonzo motemticq DEFINICION DE LA ESPERANZA MATEMATICA - Un concepto muy importante en probabilidad y estadstica es el de la esperanza m atemca, wlor esperado o brevemente esperanza de una variable aleatoria. Para una v ariable aleatoria discreta X que puede tener los valores xr, . .. , r^ la espera nza de X se define como E(X) = xrP(X=rr)+...+ rnp(X=r^\ = ixp(X=ri o igualmente, si P(X (I) = x\: f(x), tf(el\ E(n = + '.. + r^f(x^) : Lr,f(r,) = Zrf(r) r. Para el caso especial tt*Iz+ "'+I" 11 (z) donde la ltima suma se toma sobre todos los valores up-=or"Oo, de cuando las prob abilidades son iguales, tenemos de (2) E(X\ = (e) que se llama la media aritmtica o simplemente la rnedia de se , x2, . . . , xn . Paa una variable aleatoria continua X que tiene una funcin de densidad f(x) la esp eranza de X define como E(x) donde debe notarse la analoga con (2). = f:.,f(u)dr Xy se denota (t) A la esperanza de X frecuentemente se le llama la media de p cuando se sobreenti ende la vaiable aleatoria determinada.

por lrx, o simplemente se La media o esperanza de X da un valor tpico o promedio de los valores de X y por esta razn le llama medda de centralizacin. Otras medidas se consideran en la pgina 8 4. ganado. EJEMPLO 3.1. Supngae un juego con un dado. En ede juego el jugador gara g20 si obti ene 2, g40 si obtiene 4, pierde $30 gi obtiene 6; en tano que ni pierde ni gana s i obiene otro resultado. Hallarla suma esperada de dinero Sea X la variable aleatoia que representa la canidad de dinero ganada en cualquier lanzamiento. Las posibles cantidadededineroganadocuandoeldadoresultaL,2,,,.,6son xr,'.2...,6respectivamenteconprobabilidadea f(r1 ), f(xz), . . , , f(xc). La funcin de probabilidad para X se indica en la Tbbla 3-1. As el valor eeperado o eaperanze el E(n =,.,() +(r0)(:) .(.)(:) .,.r(t) .(.)() *r-'or(l) = 76 b

cAP.3l ESPERANZA MATEMATICA Tbbla 3-l l i@ j) 0 77 +20 0 +40 L/6 0 -30 L/6 r/6 r/6 t/6 r/6 por jugar. Se deduce que el jugador puede esperar una ganancia de $5. Por tanto en un juego honrado es de eeperarse pagar $5 EJEMPLO 3.2. La funcin de densidad de una variable aleatoria X est dada por f@l = El varor esperado de X es f*u 1; 0<r12 de otra forma E(xt = :_,r(r)dr = ,',(i,0, = o'tro,= *|;=+ aleatoria- Entonces Y FTJNCIONES DE VARIABLES ALEATORIAS Sea X una variable

: g(X\ tambin ( | s()==y) es una variable aleatoria y se deduce :* 1. Si P(Y=v: X es una variable aleatoria discreta con funcin de probabilidad /(), entonces E[s(x)] : g(n)f(r) + s(rz)(r"\ +'.. + g(x")f(n"\ (5) = ' s(r,) /(",) = ) i 2. Si s(r) /() X es una variable aleatoria.con funcin de densidad f(r), entonces (6) Elsul = f- oOf@)dr Generalizaciones a funciones de dos ejemplo si entonces la esperanza de g(X, Y) se obtiene por aleatorias se hacen fcilmente. As por " -Ur;;;ables X, Y son dos variables aleator ias continuas con funcin de densidad conjunta f(r, y\, Els(X,Y)l EJEMPLO " = -- Jf*f g@,a) f(r,y) r)r d.y

\7) 3.3. Si X es la vaiable aleatoria del Ejemplo 3.2, E'ex2_ zx) - f"_rt" -2x'f@)dx .. .fo" ,rrr-z.l(ir) a' = * : cE(X) ALGUNOS TEOREMAS SOBRE ESPERANZA Teorema 3-I: 3-2: 3-3: Si c es cualquier constante, entonces E(cX) Teorema Si (s) X, Y son variables aleatorias, entonces E(X+ y) = E(x) + E(y) entonces (e) Teorema Si X, Y son variables aleatorias independientes, E6n : E(X) E(Y) (10) Generalizaciones de estos teoremas se hacen fcilmente.

78 ESPERANZA MATEMATICA lcAP.3 TI|' VARIANZAY I,A DESVIACION TIPICA Anteriormente e_n la pgina ?6, anotamos que la esperanza de una vaiable aleatoria X frecuenemente se le llama la- media y se le denota por t. Otra cartidad de gran importancia en probabilidad y estdstica se llasra lautianza y se define por Var(X) est dada = E(X-*)'j (II) La varianza es un nmeo no negativo. A la raz cuadrada posiva se le llama ladesviacin tpica y por x = t/@ X = ,,tr71x-l f(*), plrf(a) ee\ Donde no exista lugar a confusin, la desviacin tpica se denota por o en cnmbio de o *, V la varianza por o2. Si es una vaiable aleatoria discreta con funcin de probabilidad entonces la varianza es a'l = E[(X- p)r) = 2 @,- p)rf(xtl = X (rEn el caso especial de (13) (I3) dondelas probabilidades son toda iguales, tenemos = l(u-p)r+(rr-p), +...+ (a"-plzlln que eslavarianzade turconjunto dez nmerosf ..., x^Si (1t) es X es una vaiable aletoria

continua con funcin de densidad f(r), entonces la varianza "? = Ei/. - t)rl = __ O ,)2 f(n) ita (151 I-a, varianza (o la desviacin tpica) es una medida de la dspersin o wriaein de los va lotes de la variable aleatoa alrededor de r. Si los valores tienden a concentrase a lrededor de la medi4 la varianza es peguea; en tanto que si los valores tienden a distribuirse lejos de la media, la varianza es grande. La situacin se representa grfrcamente en la Fig. &1, para el caso de dos distribuciones continuas con la m isma ,. Fis. 3-r EJEMPLO ' 3.4. Hallar la varianza y la desviacin tfpica de l vaiable aleatoria del Ejemplo 3. 2. De acuerdo con el Ejemplo 3.2 l, media 6 p = E(X) = 4/3. Entoncec l varianza re encuenha por 02 = r/ t\21 tl("-n/l es / \2 (z/ 2 \r/f \ , = J-- ("-) rota" = J. ("-i) l;'* = ; .y la desviacin tfpica "=\F=+ Obsrvese tonces la as mismas tiliza la que si X tiene ciertas dimensiones o unadeq por ejemplo entmetros (cm), en varianza de X tiene unidades cm2 en tanto que la desviacin tpica tiene l unidades que X, es decir cm. Es por esta rcz6n que con frecuencia se u desviacin tpica.

ALGI,NOS TEUREMAS SOBRE VARIANZA Teorema 3-4: : donde p = E(X\. E(X -p)'l = E(Pl p2

= E(X') - l0(Xll (161

cAP.3l Teorema 3-5: Si c es una constante ESPERANZA MATEMATICA 79 c2Yar(X) Teorema 3-6: La candad E 6 - a)" 1es mnima cuando a : p : E(X). Teorema Var(cX) -(17\ 3-7: Si X, Y son variables aleatorias independientes, y) = Var (X - Y) = Var (X + (Y) Var (X) + Var (Y) 6 Var (X) + Var o2.'.*y o?-v : = ol o2* * o2, o2* + (18) (19\ Generalizaciones del Teorema 3-7 a ms de dos variables independientes se hacen fci lmente. En palabras, la varianza de la suma de variables independientes es igual a la suma de sus vaianzas. VARIABLES ALEATORIAS NORMALIZADAS Sea X una variable aleatoria con media r definir una uariable aleatoria normaliza dd como y desviacin tpica o (o ) 0). Entonces podemos @ol x* - x---yUna propiedad importante de X* es que ti"rr" nombre de normalizcdc, es

decir -"Ol cero y vayianzal, as teniendo en cuenta el (91) E(X*) =6 Var(X*) : 1 o Ora propiedad importante de Xx es que es una cantdad adimensional no tiene unidade s aunque X las tenga. se dice est expresada en unidades sn dimensiones, esto es, Los valoes de una vaiable normalizada se denominan algunas veces referencias tipif icafus y X tipificadcs (es decir, o se toma como unidad al medir X - p). Las variables normalizadas son tiles para compar diferentes distribuciones. MOMENTOS El momento r de na uariable aleatoria X alrededor de la media p, tambin conocido c omo el momento central r, se define como p. : E[(X - p)'l @2) donde r:1,2..... Sededuceguel.o:1,lJr:0yre : 02,esdecirelsegundomomento central o segundo momento alrededor de la media es la varianza. Tenemos p, = i(r,j=l ti,f@) = )(rf@ p)'l\r) (variablesdiscretas) (variables \23) (24\ t', = 7)l momento'r de ,l (r) du -- l, - fi' f continuas) X alrededor del origen se define como pi'= E(X') dc:cler:0, l,2,...yenestecasohayfrmulasanlogasa(23)y(24)enlascualesp:0. La relacin entre estos momentos se expresa por

@5) t", = pi(l)r, ,r, + "' + (-\'(;)-l-t"i* "' * (-r)',6,' @61

80 ESPERANZA MATEMATICA lcAP.3 Como casos especiales tenemos, utilizando pl = p ygb:1, 2p" 6Ir12 tt, = l"L- t"2 lrt = t"L-Bp'rtr * l"t : t't- 4pip I FI.'NCION GENERATRIZ DE MOMENTOS (27) 'i|'a I-a,funcin generatrz de momentos se define como Mx$) ee decir = E(e'*) er"f (28) (variables discretas) (2el (30) M*(t) = M"(t) ,=t eo'f(r) = 2 ) _. erf(r\ dr (r) (variables continuas) Podemos demogtra que la expansin en serie de Taylor es [Problema 3.15 (c)] M*(t') : I + tLt * r;#l+ "' * r:#+''' "i (r 1) Puesto que los coeficientes en esta expansin nos permiten hallar los momentos, la justificacin del nombre funcin generatriz de momentos es lgica. De la expansin pode mos demostrar que [Problema 3.16(D)l

= fi*"Oll,-" (32) es decir, ri es la r-sima derivada de M * () evaluada en : 0. Donde no exista lugar a confusin escribimos M() por M"(tl. AIfUNOS TEOREMAS Teorema SOBRE LA FUNCION GENER ATR,IZ DE MOMENTOS 3'8: Si Mx () es la funcin generahiz de momentos de la variable aleatoria X y a y b (b 0) son constantes, entonces la funcin generatriz de momentos de (X + a)/b es + Mr*ro,,r(t\ Teorema = """'**(l) (33\ 3-9: Si X, f M " son variables aleatorias con funciones generahices de rnomentos M y "(t) (t) res pectivamente, entonces M**"(t) = Mx(t)MtQ) (3 /r) Generalizaciones del Teorema 3-9 a ms de dos variables aleatorias independientes se hacen fcilmente. En palabras, la funcin generatnz de la suma de vaiables aleator ias independientes es igual al producto de sus funciones generatrices de momento s. Teorcma 3-I0 (Teorerna de la unicidad): Supngase queX, Yson variables aleatorias con funciones generatrices de momentos M * (t) y M , (t) respectivamente. Entonces X, Y tiene n la misma distribucin de probabilidad solo si M. (r) .. IUI y (t\ idnticamente, FUNCIONES CARACTERISTICAS Si remplazamos : i<.r, donde i es la unidad imaginaria en la funcin generatriz de momentos obtenemos una funcin importante llamada lafun

cin caracterstca. La denotamos por

cAP.3l ESPERANZA MATEMATICA 81 *(') =Mx(i')=E(e"*) Se deduce que (35) *(,) = )er*t f(rl : ) fa a et',f (r) (variables discretas) (86) (37) *(,) = .,|_- et""f(r)dn .Los resultados correspondientes a (3I ) y (32) son (variables continuas) *(.) = L*it",- r;#,+ "' *t'ri#.+ "' t"i (38) (3e) donde = FL', fr+-Al.-, @(<.r Cuando no exista lugar a confusin escribimos ) por 4*(.). Los teoremas para las funciones ca:actersticas correspondientes a los Teoremas 38, 3-9 son los siguientes. Teorema y 3-10 3-II: Si *(ar) es la funcin caacterstica de la variable aleatoria constantes, entonces la fun cin caracterstica de (X + a)lb es

X y a,b (b + 0) son (+o ,**",20(') Teorema 3-12: Si " "t""r(;) X, Y son variables aleatorias independientes con funciones caactersticas {* (c,.r ) y (<^ ) respectivamente, entonces **r(,) = *(,)v(,) (t'1) En general, la funcin caracterstica de la suma de vaiables aleatorias es igual al p roducto de sus funciones caactersticas. Teorcma J-I3 (Teorema de la unicidad): Supngase que X, Y son variables aleatorias con funcione s caactersticas d*(<), "(<) respectivamente. Entonces X, Y tienen la misma distribucin de probabilidad slo si 4* (o ) : " (<..r ) idnticamente. Una an* de in razn importante de introducir la funcin caracterstica es que (37)representalatr formada de Fourier de la funcin de-densidad /(r). De la teora de transformadas Fourier podemos determinar fcilmente Ia funcin de densidad a partir de la func caracterstica. En efecto,

f(r) = * *. "-'.'f,,(,) d, (t g) que con frecuencia se denominalafrmuh de inuersin o la transformada inuers de Four ier. De una manera semejante podemos demostrar en el caso discreto que la funcin de probabilidad f(r) puede obtenerse de (36) empleando la serie de Fouier, que es el anlogo de la integral de Fourier para el caso discreto. Vase Problema 3.39. Oh:a raz6n para utilizar la funcin caacterstica es que siempre existe mientras que la funcin generatnz de momentos puede no existir. VARIANZA PARA DISTRIBUCIONES CONJUNTAS. COVARIANZA Los resultados anteriores para una vaiable pueden ampliarse para dos o ms vaiables. As, por ejemplo, si X, Y son dos variables deatorias continuas con funcin de dens idad conjunta /(r, y), las medias o esperanzas de X, Y son

82 ESPERANZA MATEMATICA [cAP.3 t"x = E(X) : .f"_.f"_ rf(r,a)d,rds, ty = E(y) : :f_'uf@,y)d,rits (48) y las varianzas son , = "? Er--,*),1 = El(Y :- f _- O- t )2f(r,ylitxd.y (t = l) -,")ul = l:!_'- to- t r),f(r,s)(tnity .(, Y es la covarianza definida por r")] Otra cantidad que aparece en el caso de dos vaiables xy = Cov (X, Y) = EUX - p*XY (45) En t{rminos de la funcin de densidad conjunta f(x, y) tenemos oxy

= :. 1"" @ - t")@ - t") f (r,y' itr (ry tal (t 6) caso Consideraciones semejantes pueden hacerse para dos variables aleatorias discreta s. En G3) V (46) se remplazan por /.* = 22rf(a,u) tll ," = X2uf@,ul x9 X, Y. (+r Ura oxy - > > (r - p*)@ - p")f(r,a) donde las sumas se toman sobre todos ro, u"ror". discretos de Los siguientes son algunos teoremas importantes sobre covarianza. Teorema Teorem a 3-14: 3-I5: Si oxy = E(XY) - E(X)E(Y) = o*", E(Xy) pxtry (+s X, Y son vaiables aleatorias independientes, = Cov (X, Y) = 0

(50) 2 Cov (X, Y) (51) (52) (5s) Teorema 3-16: (, Var (X * Y) Var (X) * S Var (Y) * o'**v: "2*+"'l!2o*, lo*"1 es Teorema 3-17: oro" El inverso del Teorema 3-15 no necesariamente cierto. Si X, Y son independientes, el Teorema 3-16 sd reduce al Teorema 3-7. COEFICIENTE DE CORRELACION Si X, y son independientes, entonces Cov(X, Y) : oxv : 0. De otra parte si X, Y son dependientes completamente, por ejemplo X : Y, en tonces Cov(X, Y) : oxv = oxoy. De esto llegamos auna medida de la dependencia de las variables X, f dada por oxY P(5tt\ "*"" que es una cantidad adimensional. Llamamos a p el coeficiente de correhcin. Del T eorema 3-L7 obsenamosque- L= p < 1. En el casodonde p: O (esdecir, lacovaianzaesce ro) decimosquelas variables X, Y no estn relacionadas. Sin embargo, en este caso las variables pueden ser independientes o no. Estudio posterior de la correlacin se ampla en el Captulo 8.

cAP.3l ESPERANZA MATEMATICA 83 ESPERANZA, VARIANZA Y MOMENTOS CONDICIONALES Si X, Y tienen funcin de densidad conjunta f(x, yl, entonces de acuerdo con lo vi sto en el Captulo 2 la funcin de densidad condicional de f dada X es f(y I x) = f( x, y)lf t@\ donde f1(r) es la funcin de densidad marginal de X. Definimos la espe nsnzrt condiciowl o media condiciowl de Y dada X por E(ylX:r) = .tf*rf@lx)da _^ Obsewamos las propiedades siguientes: @5\ donde "X: N" debe entenderse como x 1X S r * denelcasocontinuo.LosTeoremas 3-L, 1 2 y 3-3 tambin son vlidos para la esperanza condicional. 1. E(Y lX = r) = E(Y) si X' }z son independientes. = r)f 1(r)dr 2. EJEMPLO E(Y) : .tf- ,glX -.* Con frecuencia eb conveniente calcular las esperanzas empleando la Propiedad 2 y ro directamente. p rsona eeperado? 3.5. El tiempo promedio de viaje a una ciudad lejana es c horas en automvil o b h oras en bu. Una no puede decidir si conducir o tomar el bua, asf que lanza una mo reda. Cul ee su tiempo de viaje donde Aquf eetamo considerando la distribucin conjunta del resultado del lanzamienb, X, y el tiempo de viaje, { Y: Yauro si X:0; f : Y6,r"siX:l.Presuntamenb,YautoV Ybus sonindependientesdeX, as quepor la Propiedad 1 anterior y E(YIX -0) = E(fwolX=0) = E(Y*rol = c E(YIX= 1): Z'(ysorlX=l) = E(y5*) = b Entoncea la Propiedad 2 da (con la intcgral remplazada por una zuma), para una m oneda honrada,

E(Y) = E(YlX=0)P(X=0)* E(YlX=l)P(X=l) = + X como (56) De una manera semejante podemos definir la uarianza condiconal de Y dada E[(V donde .rr *r\2 | X = r) = _,o *r), f@ln) da alrededor de cualquier valor c como = E(Y lX: *). Tambinpodemosdefinir elmomento condicionalrde YdadaX a\, I nlv les. x = a) = __, al, f@lr) du \57) Los teoremas comunes para varianza y momentos se amplan a la varianza y momentos condicionaDESIGUALDAD DE CHEBYSHEV variables aleatorias discretas con media Chebysheu. Un teorema importante en probabilidad y estadstica que revela una propiedad gener al de las y varianza finitas se conoce con el nombre de desigualdad. de Teorema 3-18 (Desigualdad de Chebyshev): Supngrise que X es una variable aleatoria (discr eta o continua) son media t y vaanza o2 finitas. Entonces si e es cualquier nmero p ositivo, P|X-pl | 3.) s 4 rr | / (58) (5e)

o,con.:}(, Kti a2 P|X pl> ko) k2

84 EJEMPLO ESPERANZA MATEMATICA lcAP.3 3.6. Si h : 2 en la desigualdad de Chebyshev (59 ) vemoo que P(X-pl>2s) = 0.25 6 P(lx-pl<2"\ > 0.75 Literalmente, la probabilidad de que X diflera de su media en ms de 2 desaciones tp ica8 8 menor que o iEral a 0.25; equivalente, la probabilidad de que X se encuent re dentro de 2 dewiaciones tpicas de su media es rnayor que o igual a 0.75. Esto es bastante extraordinaio si se tiene en cuent que an no se ba eepecificado la dist ribucin de probabidad de X LEY DE LOS GRANDES NUMEROS El teorema siguiente, llamado la ley de los grandes nmeros, la desigualdad de Chebyshev. Teorema es una consecuencia interesante de 3.19 (LeV de los gnndes nmeros): Entoncessi S, Sean X, , Xz, .. . , variables aleatorias mutuamente independientes (discretas o continuas), cada una con media g y varianza o2 finitas. : Xt* Xz+ ... lim + X" (n=L,2,...\, =o "( *-" =.) Sn/n (60') Puesto que Sn/n es la media aitmtica de X1 , . . - , Xn, este teorema establece qu e la probabilidad de que la media aritmtica S,/n difiera de su valor esperado por ms de e, tiende a cero : g,pero cuando n '+ @. Un resultado ms fuerte, que esperam os sea verdadero, es que p con probabilidad uno. Con li31 frecuencia este resultado se denomtna ley de lo s grandes nmeros en forma fuerte, y, en contraste, el resultado del Teorema 3-19 se llama ley de los gundes nmeros en forma dbil. Cuando se hace referencia a la "l ey de los grandes nmeros" sin ninguna especifrcacin, se implica la ley dbil. realmente es falso. Sin embargo podemos demostrar que OTRAS MEDIDAS DE CENTRALIZ

ACION : li*S"/t Como hemos visto anteriormente la media o esperanza de una variable aleatoria X provee una medida de centralizacin para los valores de una distribucin. Aunque la ntedia es la ms empleada, tambin se emplean otras dos medidas de centralizaciiln. Estas son lamoda y lamediana. 1. Moda. La moda es el valor que con mayor frecuencia ocurtre, o en otras palabras, tiene la mayor probabilidad de ocurrir. En tal valor r, f(r) es mma. Algunas vece s tenemos dos, tres o ms valores que tienen relativamente grandes probabilidades de octrrrencia, En tales casos decimos que la distribucin es bmodal, trimodal o mu ltimodcl respectivamente. Mediana La mediana es el valor de r para el cual P(X = x): P(X. r): 1l2.En el caso de una distribucin continua la mediana corresponde a la ordenada que separa una curva de densidad en dos partes que tienen reas igual es de Ll2 cada una. En el caso de una stribucin discreta puede no existir una medi ana nica (vase Problema 3.34). 2. PERCENTILAS Con frecuencia es conveniente subdividi el rea bajo una curva de densidad empleand o ordenadas de manera que el tea a la izquierda de la ordenada sea algn porcentaje del rea unidad to tal. Los valores que corresponden a tales reas se llaman uolorc s percentila o simplemente percenths. As por ejemplo el rea a la izquierda de la or denada eD f,q en la Fig. 3-2 es c. Por ejemplo, el nea a la izquierda de r.ro sera 0.10 6lO% y se Fig.3-2

cAP.3l ESPERANZA MATEMATICA 85 llamara la dcima percentila (o la primua decilal, La mediana sera la quincuagsima pe rcentila (o quinta decila'. OTRAS MEDIDAS DE DISPERSION As como hay varias medidas de centralizacin adems de la media, hay diferentes medid as de dispersin o variacin respecto de estas medidas centrales adems de la varianza o desviacin tpica. Algunas de las ms comunes son las siguientes. 1. 2. 3. Recorrido. El recorrido es la diferencia entre los valores ms grande y ms pequeo de una distribucin. Lgicamente, esta medida no tiene sentido si alguno de los valore s extremos es infinito. Recorrido semi-intercuartlico. Si r.r5 y x.r representan los valores de la vigsima quinta y la septuagsima quinta percentila la diferencitr c.ts - r.25 se Ilama el recorrid intercuartiticoy Il2 (x.ts - x.zs) es el recondo semi-intercuartlico. esperanza Desviacin media La desuiacin media (D.M.) de una vaiable aleatoria de lX- .1, es dec ir D. M.(X) D. M.(X) X se define como la (6f ) ) lr- plf(r) (variablesdiscretas) = DllX-,ll : f_- O - tlf(r,l dr (variablesconti nuas) : EllX -.,11 : (62) SESGO Y CURTOSIS 1. Sesgo. Con frecuencia una distribucin no es simtrica con respecto a un mximo sino q ue ene una "cola" ms Iarga que la otra. Si la cola ms larga se extiende a la derech a, como en la Fig. 3-3, se dice que la distribucin est sesgada a la derechc, mient ras que si la cola ms larga se extiende a la izquierda, como en la Fig. 3-4, se d ice que eslsesgada a la izquierda. Las medidas que describen esta simetra se denom inan los coeficientes de sesgo o sencillamente sesgo. Una de las medidas es 'il "" D[(x - p)3]

ps (63) que es una cantidad adimensional. La medida es positiva sesgada a la derecha o a la izquierda respectivamente. Para una o, o negativa si la distribucin est distribucin simtrica o : 0. Fig. 3-3 F'ig. 3-{ Fis. 3-5 2. Cutosis. En algunos cafios una distribucin puede tener sus valores concentrados ce rca de la media as que la dishibucin tiene un pico grande como se indica por la cu rva slida de la Fig. 3-5. En otros casos la distribucin puede ser relativamente pl ana como en la cuna a trazos de la Fig. 3-5. Medidas del grado de apuntamiento de una distribucin se llaman coeficientes de curtosis o simplemente curosis. Una med ida empleada frecuentemente est dada por "4 :-_-----i--: E[(x- p)n] o* p+ o4 (64)

86 ESPERANZA MATEMATICA lcAP.3 que es una cantidad adimensional. Comnmente se compara con la curya nonnal (vase C aptulo 4), que tiene un coeficiente de curtosis igual a 3. Vase tambin Problema 3.4 1. Es posible definir coeficientes de sesgo y curtosis utilizando otras medidas de centralizacin y dispersin, pero los definidos anteriormente se emplean con much a frecuencia. Problerna,s resueltos ESPERANZA DE VARIABLES ALEATORIAS 3.1. En una lotera hay 200 premios de $150, 20 premios de $750 y 5 premios de $3000 Su poner que se colocan a la venta 10 000 boletos. Cul es el precio justo que se debe pagar por un boleto? Sea X la variable aleatoria qrre denota la canidad de Tabla 3-2 d:..ero que se ganar un boleto. [.os diferentes valores de X conjuntamente con su e probabilidades se muestran en la Tabla 3-2. Por ejemplo la probabilidad de obt ener uno de los 20 boletos que dan un premio de $ 750 es 20/10 000:0.002. La esp eranz de X en pesos es r (pesos) 150 0.02 750 0.002 3000 0.0005 0 P(X : r\ 0.977t D(x): (150) (0.02) +

750 (0.002) + 3000 (0.0005) + (0) (0.9?75) : 6.00 6 pesos. El precio justo a pagar por un boleto es 6 peeoo. Sin embargo una lotera gana dinero, el precio del boleto sera ms alto. 3.2. Hallar la esperanza de la suma de puntos al lanza un par de dados honrados. Sean X, Y los puntos que aparecen sobre los dos dados. Tenemog E(x) Entonces, por el Teorema 3-2, E(Y) ^/t\ = tll) * \o/ "' - o\El = t7 \o./ 'l*)* 7 E(X+Y) = E(X\*E(Y) = 3.3. Hallar la esperanza de una variable dada por aleatoria discreta X cuya funcin de probabilidad est Itrl Tenemos : (i)' (t=r,z,s,...) E(xt = Para halla esta suma, hgase ,(i)" = +.,(+).'(*). s = ;.,(i).'(+).'(#). Entoncee Restando, |s = i .,(*) .'(*) . js = !+ | + + # +... =

1 PorantoS:2.

cAP.3l 3.4. EsPERANZAMATEMATTcA Una variable aleatoria continuaX tiene densidad de probabilidad dada por Hallar (a) E(X), (b\ E(X,). f(r\ = {"-* lO o>0 r-=0 () () E(x): l-rrrr,o, = fo,e"-"\a, = zf-,"-r,a, ,rl _'/ _ / '-z'\-'tl' = ,fL. \ ":1"\ ( 1)\=4 /_jl, = ; 1 E(x2) = !l* x,l@ ar = z fo* xze-z,,rr /'-z'\ ,t(g=\ll' : ,fL. ,rrr(g-"\ e")\-) + tzt\ -a /Jl. = 1 , \-T) X, Y estdada por 3.5. La funcin de densidad conjunta de dos variables aleatorias f(r,a) = (a) E(xt : :" :r f(r,v) dx lra/96 o<r14'LcY15 de otra forma io l,o=o Halla(a) E(X), (b) E(Y), (c) E(XY), (d) E(zx +By). dv = "'=, .(#)0, o, = 3

: :- :- y f(r,y) dr dy = ,'=" f:=, ,(ffi)a, o, = + (c) E(xy) : !:" :. @ r(x,drda = ,n= l"'=, arl(ffi) a,a, = # (D) E(yt (d) (c) E(zx +Br) {

- !:" f-er+Byv(r,a\ dr da = E(xyt ,r.=, :=,e" *ta(#) dr ds = ! OEo mtodo. Puesto que Y eon independientes, tenemos utilizando partes (o) y (b) = E(x) E(y) = (*X+) = # = r(;)-' r(#) = + (d) Por los Teoremas 3-1 y 3-2, pgina Z?, conjuntamente con (o) y (b) E(zx+sy) = z^(x) + BE(y) 3.6. Demostrael Teorema X2, pgna?7. Sea f(r, y) la funcin de probabilidad conjunta de X, Y, considerada discrea. Entonces E(x+y) = ))t"*f(r,a) = +"'o'Y) + ) 2Yf.-'a) E(Y) = E(X) + Si cualquier variable ee continua, la demotacin se dearrolla de igual manera, @n las

sumar apropiadae remplazadas por integraciones: Obsrvese que el Teorema se cumpl e i X, Y son independientes o no.

88 ESPERANZA MATEMATICA [cA".3 3.7. Demoshar el Teorema 3-3, pgina 77. Sea t(, y) la funcin de probabilidad coniunta de X, independienteo, tenemoe f(x, y) : f tG) /2 (y). Por tanto Y, coniderada dicreta. Si la vaiablec X, Y rcn E(XY) = 22 !J! --t ra f@,u) = ) ) ,y f t@) fz(a) )1,'/'Q)2afztu) ;;" (')no(')l E(X) E(Y)

Si cualquier vaiable e continua la demoetracin ee desarrolla de igual manera, con l as eumas apropiadae remplazadas por integracioneg. Obsrvese que la validez de eat e teorema gira alrededor de si f(.r, y) puede expresarae como una funcin de r mul tiplicada por una funcin I, pa todo , y, ea decir, de i X, Y on independientes. Paa va lee dependientec generalmente no ee cumple. VARIAT'IZA Y DESVIACION TIPICA 3.8. Halla (a) la varianza y (b) la desviacin tpica de la suma obtenida al lanzar un par de dados honrados. (o) Del Problema 3.2, tenemos E(X): E(Y)= 7 12. Adems, E(x2) = E(vz =',(+)-Fr,(l) var(X) Var (X * ' .*() # :%1

Entonces, por el Teorema 3-4, = Var(Y) = +-(;)'= * Var y, pueto que X, Y ron independientee, por el Teorema 3.7 Y) = Var (X) (Y) = F (b) ox+). = Wa"(X+Y) = 1/g v6 3.9. Hallar () la varianz y (b\ la desviacin tpica para la variable aleatoria del Proble ma 3.4. (o) Como en el Problema 3.4 l media de X ee t= E(Xl -- 1/2. Entonce l varianza e Var (X) = Et - p\zt = '[(* -])'] = l:_ (" _'L)' t*, o. / .\2 ^a = f-('-L)''"-"0' = i = El(x-r)21 E(xz-ll(x))2 = t- (;)'= i o = tFf-var(x) = \E = t r" : Oto ntodo. Por el Teorema 3-4, var(X) (D) 3.10. Demostra el Teorema L4, p6gna 78. Tenerno E'(x ^"' * u' -'u;"*' ""'*"'

=i'|',:r::*

cAP.3] ESPERANZAMATEMAIICA 89 3.11. Demostrar el Teorema 3-6, pgina 79. Er(x-'''.':,t:;_i;,r.!^r_':i;;:.,,i,r?2," -- E6 - P)21 + (P - a)2 pueeo que E(X - tt): E(X)- lt:0, f)e esto vemos que el val or do (t - o)n = O, e decir cuando a : ll. mnimo de El(X-o)'l ocutre cuan3.12. Si X* : (X - tt)lo es una variable aleatoria normalizadq demostrar que (u) E(X* = 0' (b) Var (X*: 1. (a) pueso que E(X) = E(x*t r. = t(4=\ / =, !rw-u = Lnwl-r) = a' o \ (x*) 0 (b) var = u" (?) = \o1x u"1 oz =I utilizando el Teorema 3-5, pgina ?9, y el hecho de que E[(X tt)z1= 3.13. Demostrar el Teorema 3-7, pgna 79. Var (X + Y) = E[{(X + Y) (px + pv))2] = = = = utilizando el hecho de que - px) + (Y - pv)}21 EllX - px)2 * 2(X - px)(Y - py) + (Y - n)21 E[(X - pl|,2] +

zEl(X - u\(Y - pv)l * El(Y EI{(X Var (X) + Var (Y) px)(Y pvl2) El(X pv)l = E(X - pi E(Y py) o ya que X, Y y por tanto X gue al remplaz,ar Y gnr -Y - ltx, Y - ttv eon independiente. La demotracin de (I9), p{ina 79, se ri' y emplear cl Teorema 3-6. MOMENTOS Y FI.TNCIONES GENERATRICES DE MOMENTOS 3.14. Demeshar el resultado (26),pgna79. Pr = El(x-pl'l = nfL x, - (i\*,-'u \I/ + ... + r-rt('.\x,'tut '\'/ + "' + (-L)'-'( t .)"n'-' + (-t)'p'l J \r-r/. = .E(x,t - ft\tr*"-,), * . .. * t-t '(T)t1"'-,,u, \t / \r/ + ... + (-r\'-'( n .)t(")u'-l + (-t)rpr \,' - r,/ /\ /"\ = ,,, - (i )/,-,t'+ "' + {-r\r\l)r,-iut + "' + (-l)'-tur * (-l)-rnt donde al combinr loe do limo trmino reulta (-l)r-1(?'1)p'.

90 EspERANzA MATEMATToA [cAp. g s.16. Demoshar (o) el resultado (Br ), (b) el resultado (g2), pgina g0. (o) utlli zndo lrr erpanein en serie de potencia de eu (8., Apndice A) tenemoe Mxe) = E(etx = n(t+tX-t2x2,3x3, 'r"') \ - 2'. -T! \ 12 rg t + tU(x) + ae(xr) +a1xa a ... = L+tlt*uL#*ri#*... () dc=oer Sc dcduce inmeditamene del hecho conocido del clculo de que si la nie de Taylor de f() alrededor f(t) : enroncc ,) cn( o)" cn = i. ffirol,_" 3.16. Demostra el Teorema B-9, pgina g0. !utt" quc X, Y ron independiehtee, cualgu ier funcin de X y cualquier funcin de y son independientes. For tto Mx*vQ) = Elet(x+ Yr) = E(etxetv : E(etx) E(tv = MxG) My(t) 8.17. La variable aleatoria X pugd.e t-om a los valores 1 y - I con probabidad 1/2 cada uno. Eltt (o) la funcin genratriz de m omentos y (b) ls primeros-cuatro momentos alrededor del origen. (o) Eqetx = ,,,',(;) * ,,,-',() = |G,+"-,t (D)Tenemor hsonce et = e_t t+r+#..r|r*frr... (r) (zl (I)V e\

= 1_+ r+_#*fr_ ,Lf",*"-,1 = ,*#.*#*... = L*pt*uLr4.*r#*u,rfr.* pL=1, =0, p'+=L, Pcto Al comperu Mx(\ tenemog t!:0, Todo los momentos impares 6on cero y los pares Eon uno. 8-18. una variable aleatoria x tiene funcin de densidad dada por f(r\ = {z'-" [0 (ol r>0 r(0 momentos alrededor {4t* (o) la funcin generatriz de momentos y (b) los primeros cuafuo del origen. M(t) = Eletx = f" J eEf(t)dr fo" ""1,,-"'ro, = 2 fo'e<t-z>'d,r ze<t-Dt : -T=Tlol@ = z li't<2 z-t, =

cAP. 3] (b) S ll ESPERANZA MATEMATICA 91 ( 2 enemo z_t z L_tlZ 1 I = ',*L*!-L*!*... 2 4 8 p'n 16 Pero M(t) = * tt + u#* rtfr+ tt^fi+ "' = P. Por tanto, al comparar trminos, t = )2, /t = \, tti = *, 3.19. Hallar los primeros cuaho'momentos (c) alrededor del origen, (b) alrededor dc la media, para unavaiable aleatoriaX con funcin de densidad r(r) (c) = i;'''-r2)/8r :"=i;;*," = B t,, = E(X) =#""*zs-z)itr =f pL tt = Elxz = # 1"" *rn -

s2) d,r. = l(3.216 pi = E(Xr) = ,, Jo "ot, pi (b 12) dr = -51 ) Utizando el resultado (27\, p6gin 80, tenemos ttl t2 = r-(*)'= # = 02 Fr - 216 -r,r,1!) * r/9)' 85 ",",\51 , "\5/ tt4 y, = - 8?b B6eg 8?50 ztcy q\, = 27-s\s5;\;/+b(;r)\B/ -t\Ei _ ^,",/!\'_ ,/!\. = 2 ^f FI.'NCIONES CARACTERISTICAS 3.20. Halla la funcin caracterstica de la variable aleatoria X del Problema 3.17. La funcin caracterstica est dada por Eteiux, = ,,",',(+) * ,', ',(l) -- Lp,-+e i.) = \ -,/ \ -/ = cosa coso empleando las frmulas de Euler io con 0 * isena s-io = cos, - ien, : c, El resultado tambin puede obtenerse del Problema 3.17(o) al remplazar t

: i< 3.21. Hallar la funcin caacterstica de la vaiable aleatofia X con funcin de densidad dada por I r/2a lrl < a f(t) : io deotraiorma

92 ESPERANZA MATEMATICA La funcin caacterfstica est dada por lcAP.3 D(etx = f-."r,rrrrru, = *t_""^"0, = 2a io l-o = | al@t la ela@ - e-ho 2ia.,o = 8en C, u empleando las frmulas de Euler (vase problema 3.20) ce d = ao. 3.22. Hallar la funcin caracterstica de la variable aleatoria X con funcin de densi daa f@) = ee-atEt, -oo < 1 @,donde c ) 0 y c es una constante apropiada. Puesto que f(r) es una funcin de densidad tenemog ).,r', o" = asf que I , l:.c-atxt d,r = "l:. = "{lo 4f-o u-n<-,t an + !o' "-"r,, arf 2c

O + ,"-*l* = -Alo = I Entonces c: ol2, Por tanto, la funcin caacterstica est dada por E(eiax = .l*-ei.,f(r)dr tl-"eore-o<-x, a, + fo* n.f?o/.6-'l "iar-.o<t> sf ;LJ_-e(a+t@)ro" q, e<o+iarz * Jo -<a-;tit) l lo lo , e-(a-i@) 2 a*io l-" ' - _(a_io) a L 2(o* io) 2(a- io') = _a2 a2 * o2 COVARIANZA Y COEFICIENIE DE CORREIACION 3.23. Demostar el Teorema B-14, pgina 82. Por definicin la covarianza de X, Y es oxy = Y) = El(X - xXY - pv)] = E[Xy - p*y - pvX.* npv] = E(XY) - pxE(Y) - pyE(X) * E(px pvl = E(XYI - Fxpy - ryttx * pxpv = ElXy). - lxtty = E(XY) _ E(X) E(Y) Cov (X, 3.24. Demostra el Teorema B-15, pgina 82. Si X, y eon independientes entonces E(Xy ) : E(Xl E( y) . por tanto por oxy el problema 8.23 = Cov(X, Yl =

E(XYI -- E(X)E(ts) = 0

cAP. sl Hdla Cov (X, EsPERANZAMATEMATIcA y), (0 p, si las vaiables X, Y se definen como en el Problema E(x) (a) E(X', (b) t 93 () 3.26. E(Y), (c) E(XY), (d) E(X'), (e\ E(Y'), (/) Var(x), (s) Var(Y), 2.8, pgina 52. () (b) = ))o/(",y) = ?rh f(,,,at) = 4,,.O.(1)(1ac) +(2)(22c\ = 58o = E = n 78c E(Yt = 22af.-, = ;, [] tA,at) = rr,r",.(1)(9)+ (2)(L2cl+(3X15c) = = = 22nufia,a\ ,o,,ol,o, = E= + (c) D(xY, + (0)(1Xc) + (0X2X2c) + (0)(3)(3c) + (1X0)(2c) +

(1X1)(3c) + (1)(2Xac) + (1XBX6c) + (2)(0)(ac) + (2X1)(6c) + (2X2X6c) + (2XB)(?c) 427 ld.) (e) E(xz:22r2f(r,al = )"rl-)ftr,alf '* = *,ur", * (1)z(1ac) E(Y2') lllr"t *l =t ,or, =# =+ = 22u2f(u,ul = )y,[) @,a\l = ;;.',*,,,,,n", lr,r,lrrr"o*,o1,tuo = re2c: #= + = (fr (s\ (r)

( oxy o2* = var(x) = E(x2r-l*(x\)z = +-('*) ffi 4= = var(Y)= E(Y2')-lE(Ytl2= cov(X,y) = E(xy)-E(x\E(yt ?-(it)'=:* = +-/+)l+) = --+ r47 7 \21l\7/ -0.2103 apror. txv o = oxnv -- .lyL47- = = t/zwan ' 15514, ,/zso r/55 -20: = 3.26. Resolver el Problema 3.25 si las vaiables aleatorias X, Y se definen como e n el Problema 2.3, pgina 50. Utilizando c : LI 2LO tenemo: () (c) E(xt = E(Y\ E(xY) h + s) dr t,"=, f"t=u our, dy =

%T t 16 ri = )"=,J"-o{o)1"Iuld'rita = I70 6s = tf67580 ,:-* J,=, Ju=o {r{rr r sl dr dv = ;

94 ESPERANZA MATEMATICA fu'=o [cAP. 3 (d) (el u') b) (h') (t oxy =# E(Yz = h f,"=, f u',=o,rrrr, * a) dr tru = # otr - var(X) = E(xz-ll(xtl2 = #- ( #)' = *tq*$ o2, = var (y) = E(vz _ l'(y))2 = t# _ (#)' = t;# E(xz =h ,^:, ,,rrr, * v) dx da = cov(x,y) = E(xy)-E(x\E(y) = ?-(?f)(*t) oxy = -# -0.03129 aprox. p= oxoy -200l3969 /50s615e6-0 {r6nsn -200 t/zsnr/te zzs = ESPERA}IZA, VARIANZA Y MOMENTOS CONDICIONALES 3.27. Hallar la esperanza condicio nal de Y dada X : 2 en el problema 2.g, pgna 62. Como en el hoblema 2.27, pgina 61, la funcin de probabilidad eondicional de Y dada X : 2 es ftutz) = Entonces la esperanza condicional de Y dada

+ 2. Esto oru o"oo oo, X: 2 es E(Y =2) "x = ? r(+) X: donde la suma se toma sobre todo y que corresponde a E(y,x=2) = -,(#). ,(ui) . ,(#). ,(iu) = ii 3.28. Hallarlaesperanzacondicionalde(c)YdadaXv(b)XdadaYenelProblema2.2g,pg1na62. (o) () E(ylX=r) = -_afrtuldau = r'r(rr")* = + E(xly=y = f_-",,(rlytdr = "'"(#*S* El=a\ 3.29. Hallar lavariar,za condicional de Y dada 2(L-ys 2(l+y*y2) --O+7Ix para eI problema 2.2g, pgna62. [,a varianza pedida (segundo momento alrededor de la media) es 12 z"\'/zu\' =18 E[(v-pr)zlX=r] = f'w-td2fz@lr)da = ('/ Pz"'=J.\r-;)\t)* J_donde hemos utilizado el hecho de que ltz: E(Y lX: r) :2.zlB del Problema 8.28(o). DESIGUALDAD DE CHEBYSHEV 3.30. Demostrar la desigualdad de Chebyshev. Presentaremoe la demostracin para variables aleatorias ecntirruas. La demosbacin p ara variables discretas es semejante si ee remplazan las integralee por sumas. S i f(r) es la funcin de densidad de X entonces

cAP.3l ESPERANZA MATEMATICA 95 02 = EI(x p)21 (' = J-* @ p)2 l(r) dr Puesto que el integrando es no negativo, el valor de la integral solamente puede disminuir cuando el intrvalo de integracin se reduce. Por tanto 02 tz-ttlZe rlr-yl=. lr-al=e Pero Ia frltima integral es igual a P(lX pl ? .). Por tanto P(lX-rl > 6) 3.31. Para la variable aleatoria del Problema 3.18, (c) hallar P(lX - rl > 1). (b ) Utilizar la desigualdad de Chebyshev para obtener un lmite superior de P(lX - .r l > 1) y compararlo con el resultado en (a). DeI Problema 3.18, (o) = 1/2. Entnce P1x ,t <1) = "(l*-*l .t)/ = ,(-:.x.|) ol l \l \ o

= J | f :l/2 Ze-udr = 1 e-3 Portanto (b) Del Problema 3.18, ,(l*-*l \t o2 =t)/ = 1-(1-e'r) = p2 e-s = 0.04e?e = plr= 7/4. La desigualdad de Chebyshev P|X-pl > f) resulta P(lXr] = 1) < oz = 0.25 Comparando con (o) observamos que el lmite dado por la desigualdad de Chebyshev e batate crudo. En la prctica la desigualdad de Chebyshev se emplea para dar estimati vos cuando es inconvenientc o imposible obtener valores exactos. LEY DE LOS GRANDES NUMEROS 3.32. Demostrar la ley de los grandes nmeros estableci da en el Teorema 3-19, pgina 84. Tenemos E(Xrl = E(X2l = ... = E(X) = p Var(Xr) = Var(X2\ = "' = Var(Xn\ = o2 Entonces t(*) = "(*'*';'*"')

- |ww,t+...+E(x")l = L(nt) = = Var(Xr)*.'.*Var(X,) = toz tt Var(S") = Var(Xr*'..*X,) as que t'" (+) = 4 var (s") = * X: Sr/n enemos _/ls" | \ donde hemos empleado el Teorema 3-5 y una extensin del Teorema 3-?. As por la desigualdad de Chebyshev con Tomando el lmite cuando n ) -, '|; ",* - ul=') 02 esto se conviertq, como se pide, /ts r|; | \ _ ul=_ ,) = o

96 ESPERANZA MATEMATICA lcAP.3 OTRAS MEDIDAS DE CENTRALIZACION 3.33. La funcin de densidad de una variaut aleatoria continua x es osc<3 f(r) : 1:'@-r2)/8r de otra forma l0 (a) Hallar la moda. (b) Hatlar la mediana. (c) Comparar la moda" la mediana y la media. (o ) La moda se obtiene hallando donde la densidad f (x) ea mima. El mximo relativo de la derivada es cero, e8to e3 f(r ) ocurre dondc ,rL 81 -_l = 'r2) df ar.9 -'l 86 8l l2r2 = u Entonces , = fr: aegunda derivada, (b) La medianaee 1.?3 aprox., que ea La moda pedida. Obrvese que este valor da el mximo ya que la -2 4x 187 , ea negativa para x = 1f.

aquel valor deo parael cudlp(X a): ll2, Ahorapara0(a ( 3. P(x<a) Igualando eeta = *.[,"on-r2tdr = #(Y-t) 2aa_36a2 all2 hallamoe que *91 = 0 de donde _ia2 = 36a\436P-4(2X81-) - 36='r ze) az de donde o = sli{zq Por tanto la mediana pedida, que debe enconharse entre 0 y B, eet dada por = n-Zr/, r.60 = 1.62 apror. (c) ' E(x) = + ('z(g-xz\da = !(t*-+)l'= 8l\ 5/lo 8lJo que prcticamente ee igual a la mediana. La moda, la mediana y la media se muestra n en la Fig. 3-6. l(r't 3.84. una vaiable aleatoria discreta tiene una funcin de probabilidad f(r) : !12' donde 2, . . . . Halla (a) la moda y (b) la mediana, y (c) compararlas con la med ia. (a)/ La moda es el valor de 4 asociado con la probabilidad ms grande. En este cas o probabilidad esLl2. es : L,

r: 1, para el cual la

cAP.3l ESPERANZA MATEMATICA 97 (b) Siescualquiervalorentrely2,P(X=r):l12yP(X..t):ll2.Portantacualquienmeroentrel y 2 podrfa representar la mediana. Por coneecuencia escogemos el punto medio del intervalo, es dec 312. (c) Como se encontr en el Problema 3,3, I,l : 2. Por tanto el orden de las tres medidac es contrario al del hoblema 3.33. PERCENTILAS 3.35. Determinar los valores de la (c) dcima, (b) vigsima quint4 (c) septuagsima qu inta percentilas para la distribucin del Problema 3.33. Del hoblema 3.33(b) tenemos (o) LadcimapercentilaeselvalordeoparaelcualP(X5o):0.l0,esdecirlasolucinde(18a2 : 0 .10. Empleando el mtodo del Problema 3.33 hallamos que s : 0.68 aprox. (b) La vigsima quinta percentila es el valor de a tal que (L8o2 P\X<a)=#(Y-fl = "# aa -a48t \l8L : O.25, o sea 0.? 5, : 1,098 aprox. a (c) f,a septuagsima quinta percentila es el valor de tal que (18o2 a4 8t: o

@a, : 2.L21 aprox. OTRAS MEDIDAS DE DISPERSION 3.36. Determina (a) el recorrido, (b) el recorrido semi-intercuartlico y (c) la de sviacin media para la distribucin del Problema 3.33. (o) Puesto que todos ls valore s ) 3 tienen probabilidad cero, tomamoseluolor mximo de : 3. En forma anloga puesto que todos los valores ( 0 tienen probabilidad cero, tomamos el uolor mnimo de : 0. Entonces el recorrido es 3 - 0 : 3, (b) Por el Problema 3.35 los valores de l a vigsima quinta y septuagsima quinta percentilae son 1.098 y 2.121 reepectivamente. Por tanto Recorrido semi-intercuartflico = ?121 ,-1998 0.b1 aprox. (c) Del hoblema 3.33 la media Desviacin media ee lt : 1.60 : 8/. Entonces E(lX = D. M. = p|) = l_", :,r pl f (n) dr

= l"' l' - *l[#.n "fa' = ^" (; - ")[#.o - ")] d' + ,",, (" - ;)[#'n - '")a' = SESGO 0.655 apror. Y CURTOSIS de (a) sesgo 3.37. Hallar el coeficiente y (b) curtosis para la distribucin del Problema 3.19. Del Problema 3.19 tenemos 02 ll 25 It3 oo 32 8?5 -0.1253 3693 8750 (a) Coeficiente de sego -: o.r ::

98 ESPERANZA MATEMATICA lcAP.3 (b) Coeficientedecurtosis = et :- j - Z.tlZ Se deduce que hay un sesgo moderado a la izquierda, como se indica en la Fig. es algo menos apuneada que la 3 . Tambin la distribucin distribucin normal, que tiene una curtosis de 3. PROBLEMAS DIVERSOS 3.38. Si M(tl es la funcin generatriz de momentos para una variable aleatoria X d emostra que la media S g : M'(O, y la varianzaes 02 : M"(O)-M'1O12. De (32),pgina 80, tenemos remplazando r : L y r : 2, ti = M'(ol Entonces de (27) tL = M"(o) p = I'(0) 3.39. Sea p, = o" = M"(0) lM'1012 1, . , Qk). X una variable aleatoria que toma los valores t n. (a) Hallar la funcin caracterstica 0(n) de Xy (b) obtenerpk en trminos de es p: h con probabilidadespr donde k: + (a\

Lafuncin caacterstica -- > ]xeik. ,,, "r**:r; (b) Muliplicar ambos lados de la expresin (r) ; respecto I @ desde 0 hasta 22. "" Entonces j f'= " -iia 4,(ar tra -= k =S o*Ja " i{r'- i)o f, = 2p f -o --n .Iu-| (o) E1er,x ior = i -) r^. puesto que f_"n,,,r-,,.n. = I#+i:"-o 2 tt'' sr(,.rf t1o k+j k---j Por tanto rt P - ;t_ | e ., o1_o o, remplazaudo j por h, pk 1 12= T, J," ,, ,' '^'y',{o) r/o Con frecuencia llamamos Q$, yp los coeicietttes tte iour"r.Para una variable leatoria continua, la serie de Fourier se rernplaza por la integral de Fourier (vase pgina 81). 3.40. Utilizar el Problema 3.39 para obt ner 14 distribucin de probabilidad de una variable aleatoria X cuya funcin caracterstica es O(< ) : cos ,. Del Problema 3.39

I pt, = ;_ . ,1,, ,, n2; ,,,.,, coS c do -e ':. I zt;, f tl' ,1,, ,, " t*''L i:.. f-ri", k icr_.l rt" ,,r i r)d (@ I ir r 1;.l l''. ,,,.. rru,/" ;1- (". 4 J,u- ,

cAP.3l ESPERANZA MATEMATICA 99 Si&:lhallamosr'=$;si.k:-1hallmogp-r=*.PaalooEdvaloredektenemop*=0. Por tato la vaiable aleatoria ect dada por X=) Com una verificacin vas hoblema 3.20. (r |. con probabidad Ll2 con probabilidad Ll2 -r 3.41. Illa el coeficiente de (c) sesgo y (b) curtosis con densidad de la distribucin defrnida por la curua normal, (o) f(t)= l-"'" l/Zn-co<n<e l!\ : llt = O y lt\:0. Por tanto el coefiLa ditribucin tiene I apariencia de la Fig. 3-7. Por simetra, cientc de sesgo es cer o. \ Fig. 3-? (b) Tenemos p; = E(xz = -+ l" l/2r -. (.. = Z Jo {i ,2"-22/2 u = + 'to f'sz-x'/z, {2 or,,

"_, - = -z-rll) - 2.1"/1) = r \/;- \2/ {; 2'\2/ dadas en donde hemos efectuado la transformacin xz 12 : u y utilizando las propiedader de la funcin gama (2\V 6\ del Apndice A. Anlogamente obtenemos ti = E(xr = h fl= o, -f rz , = h ," *.x2/2 , # to' '"t2"-'d'o B L 4.8.1"/l) = -{./g\ = {; 2 2'\2/ = ,/;'\2/ Entonces = EI(X- p,)21 = E(X2) = p = ps = qllX -p){] = E(X4) = p'n -o2 'lt4-. 3 Por tanto el coeficiente de curtoi e -i-

100 ESPERANZA MATEMATICA p [cAP.3 3.42. Demosbar que -1 < s1 (vase pgina 82). Para cualquier constante real c tenemo - !\'Entonees el lado izquierdo puede escribirse El,Y El(Y _v)21 c(X Px))21 = 0 / ol, * c2El(Xr x)21 - zcEl(X- ,x)(Ypv)l = + c2al 2co*, = o?. + n?.( ", -2"":'\ -" -* \"r* ) -/ = o+oil"-.zl \ 'xv\2 "i" "x/ --t-"i = ""*"1-o'*"=-0 *=1 '7n queesequivalenteap2 < "'*"?- otr ___q__ - "\"-;{) * -, / - -".,r\' Para que Ia ltima cantidad sea mayor o igual que ceo para cada valor de c debemo te

ner 1 -1 < p < l. I Problerna,s suplernent&rio s ESPERANZA DE VARHBLES ALEATORIAS 3.49. Una variable aleatoria X se define | -2 prob. 1/3 por .Y = ] 3 prob. ll2 . Hallar (a) E(XI, (b) E(zX + 6), (cl E(X21. I 1 3.44. Sea prob. 1/6 X una variable aleatoria definida por la funcin de denidad ( 3n2 O< r=_L /(r) = 1 0 de otra forma Hallar (a) E(X), (bl E(}X-21, (c\ E(Xt). 3.45. La funcin de densidad de una variable aleatoria X es /(r) = (e-r r>0 de ora forrns 10 Hallar (o) Eo(l, (b) E(Xr), (c) E'l(X-1)21. 3,46. g.47. 9.48. Cul es el nmero esperado de puntos que resultan en 3 lanzamienos sucesivos de un dad o honrado? Parece razonable su solucin? Explicar. Una variable aleatoria X tiene la funcin de denidad (e-' r>0 /(r) = {l0 ^ (0 Hallar E(e2x/31. Sean X, Y variables aleatorias indeperrdientes cada una con funcin de densidad fZ"-" f(tt) = II 0 Hallar (o) u>0

de ota forme E(x+Y), (b) E(Xz *)a2), (c) E(XY).

cAP.3l ESPERANZA MATEMATICA Se cumple 101 3.49. 3.50. que (o) D(X + Y) = E(X) + E(Y), (b) E(Xy) -- E(X) E(Y), en el Problema 3.48? Exp licar. Sean X, Y vaiables aleatorias con funcin de densidad conjunta Hallar (o)^E'(X), 0f s<I,0=tt<2 lr(t*u) l\x'a) = f deoraforma 1o (b) E(Y), tc)E(X+Y\, (d)E(XY). E(Y\, (b\ E(XY) : E(X) E'(Y), en eI Problema 3.50? Explicar. 3.51. 3,62, Se cumple que (o) E(X + Y) = E(X\ + Sean X, Y vaiables aleatorias con deneidad conjunta f(r'al = iat' Io o-<:us1' o<tl<1 de otra forma Hallar (o) E(X), (b) E(Y), (c) E(X-rY), (d) E(XY). 3.53. Se cumple que (c) E(X + Y) = EIX) + E(yl, (b) E(.XY\ 2 = E(X) E(Y\, en el Problema 3.52? Explicar. (f,(zr+y) 0<r='I,0lyf 3.54. Si /(t, s) = ] : de otra forma |0 Y), (ft E(xY). 3.55. Sean

X, Y variable aleatorias independientes tales que ^ vt || prob. 1/3 \o prob.2/3 v) | 2 i -a prob. 3/4 prob. 1/4 Hallar (o) E(3X+2Y), (b) E(2X2-Y2), (cl E(XY), (d) E(X2t'). 3.66, Sean X1 , X2, . . . , Xn n variables aleaoria8 que estn distribuidas idnticamente tal que | 1 Xt, = I Z [ -_r Hallar (o) E(Xt+ prob.7/2 prob. 1/B prob. 1/6 Xzl .'. + Xn), () E6?+ X'r+ ... * Xil. VARIAT{ZA Y DESVIACION TIPICA 3.57. 3.58. Hallar (o) la varianza y (b) la desviacin tpica del nmero de puntos que resultan en un EoIo lanzamiento de un ddo honrado. Sea X una vaiable aleatoria con funcin de denidad (1/4 -2f x=2 l(rl = jo deotraforma

Hallar (o) Var (X), (b) "x. 3.69. Sea X una variable aleatoria con funcin de densidad f (e-, (x) = io x>-0 de otra forma Hallar (o) Var (X), (b) "x.

r02 3.60. 3.61. 3.62. 3.63. ESPERANZA MATEMATICA Hallar la vaianza y la desviacin tpica para la variable aleato ria X del Una vaiable aleatoria X tiene (a ) [cAP. g Problema 3,43, (b) Problema 3.44. E(X): 2, E(X2 ) : 8. Hallar (o ) Var (X ), (b ) ox. 2\21 Si una vaiable aleatoria X es tal que E[(X Demostrar el Teorema 3-1, pgina 77, 1)2] = L0, Ei6 - 6 hallar (a) E(X), (b) Var (X), (c) o. MOMENTOS Y FUNCIONES GENERATRICES DE MOMENTOS 3.64. Hallar (o) la funcin generatriz de momentos de la variable alatoria x = y (b ) los ( U2 1 prob. 1/2 prob. 1/2 -tn primeros cuatro momentos alrededor del origen.

3.65. (o ) Hallar la funcin generatriz de momentos de una vaiable aleatoria X con funcin de de nsidad (r/2 l(r\ = {-0 l(b ) Emplear la 0rl2 de otra forma funcin generatriz de (o ) para hallar loe primeros cuatro momentos alrededor del origen. (a ) 3.66. 3.67. Hallar los primeros cuatro momentos alrededor de la media en el Problema 3.43, ( ) Problema 3.44. (a) Hallar la funcin generatriz de momentos de una variable aleatoria con funcin d e densidad f(t) = fe IO y (b ) r r>o de otra forma determinar los primeros cuaho momentos alrededor del origen. 3,68. 3.69. En el Problema 3.67 halla los primeros cuatro momentos alrededor de la media. Si X tiene funcin de densidad t") : -i (l/(b-a\ O a'=r=b de otra forma. Hallar el hsimo momento alrededor (a)

del origer^, (b) de la media. 3,70.. Si M() es la funcin generatriz F:t de momentos de la variable aleatoria X, demostrar que el 3o. y 4o. momentos alededor de la media estn dados por = p1 ItI"'(.01 3M"(0) l'(0) + 2lM'(0\13 Ifrivr(Q) 4M,,'(0) f,(0) + 6M"(o)lM,(0)]2 3[M'(0)]4 FUNCIONES CARACTERISTICAS 3,71. 3.72. 3.73, Demostra el Teorema 3-11, pgina 81. Halla Ia funcin caacterstica de la variable aleatoria (a X = 7 I prob. p Prob' g=L-P Hallar la funcin caracterstica de la variable aleatoria X que tiene funcin de densi dad 'llZa f(r) = 1o 3.7 lxl I a deotraforma 4, Hallar la funcin carar:terstica de la variable alcatoria X con funcin de densidad

f): (x/2 io 05rtZ deotraforma

cAP. 3l ESPERANZA MATEMATICA 103 3.?5. Sean x.- = "l ] [ _l ::":,tfl *r,"0,". pr<tb. t/2 aleatoriasindependienres(E= t,2,...,n). Demosrrarquelafuncin caracterstica de la vaiable aleatoria x\+x2+...+x, \n es [cos (,,;/1)]". 3.76. I)emostrar que cuando n -+ @ la funcin caracterstica del Problema B.7b tiende Tomarel logaritmo d e la funcin caracterstica y emplear la iegla de L'Hospital). ^ "-o2/2. (Sugerencio: COVARTANZA Y COEFICIENTE DE CORRELACION 3.71. Sean X, Y variables aleatorias con funcin de densidad conjunta f (r'a) = (c) (x rA 1o (rt) 0.*1 r=1,0<U<L de otra forma Hhllar (o) Var (X), () Var (y), o, oy, (c oy.., (t') p.

3.?8. 3.?9. 3.80. Resolver el Problema 3.2? si la funcin de densidad conjunta es (2, y) = .fr'^ "'u' i0 r > 0' y > 0 de otra forma'. Hallar (o) Var (-Y), 1r) Vat Y, (c) o, ftt) oy-, (e) "xv, (/) pt para las variables aleatorias del Problema 2.5?. Resolver el Problema 3.79 para las vaiables aleatorias del prc,blema 2.99. 3'81. 3'82. '(l') - 3, E(XY).= 10, E(X2) - 9, Er(l':) Hallar (o) la covarianza y (b) el coeficiente de correlacin de la dos variables al eatorias X, Y si E(X) 2, = 16. es El coeficiente de correlacin de las dos vaiables aleatorias X, Y Hallar la covaria nza. 1/4 en tanto que sus varianzas son B y 5. ESPERANZA, VARIANZA Y MOMENTOS CONDICIONALES 3,83. Si X, 1l tienen funcin de densidad f(r,u) Halla la esperanza condicional de (a) =1 y fr*u o 0<=I,0ay<1 de otra forma

dada 3.g4. Resolver el problema 3.g3 si /(, y) (b ) X dada .f,2eX (b)X dada y. t' t tvt r > o', y 0 Io de otra forma 3.E5. Si x' y tienen la funcin de probabilidad conjunta dada en la Tabla 2-g, pgin a 24. Halla la esperanza condicional de (a ) Y dada { y, 3,86' 3.87. 3.88. 3.89. 3.90. 3.91. Si X' y son variables aleatorias independientes continuas demostrar que las dens idades condicionales de X dada Y y de Y dada X son las mismas respectivamente qu e las densidades marginales de X y y. Establecer y demostrar un resultado para variables aleatorias discretas anlogo al del problema 3.g6. Ilustrar por medio de un ejemplo el resultado del (o) Pro'rlema 3.86. (b) problem a B.g?. Hallar la vaianza condicional de (o ) Y dada X, (b ) X dada Y para la distribucin del problema S.gB, Resolver el Problema 3.89 para la distribucin del problema 8.g4. Resolver el Pr<bl ema 3.89 para ra distribuciorr del problema2.gg.

104 DESIGUALDAD DE CHEBYSHEV ESPERANZA MATEMATICA [cAP.3 g.g. Una variable 3.93. aleatoria X tiene media 3 y varianza 2, lJtilizzr la desigualdad de Chebyshev pa ra obtener un superior para (a) P(lX - 3l > 21, (b) P(lX - 3l > 1). lfmite Demostrar la desi;ualdad de Chebyshev para una variable digcreta X. (Sugerencio; Vase Problema 3.30). g.94. UnavariablealeatoriaXtienelafuncindedeneidad f(r)=[c-ltl,-@ <r < -. (o)Hall arP(lX-pl>21. Emplear la derigualdad de Chebyshev para obtener un lmite uperlor de P(lX - ,tl > 2 ) y compararlo con el resultado en (o). Sean X1 1 3.95. , X2, . . . , Xn n vaiables aleatoria independientes cada una con funcin de densidad f(r\ = [l/2 |. 0 Si S* -1 <c<1 de otra forma - Xr+ X2 + "' + X. demostrar que P{ ljl -\l LEY DE LOS GRANDES NUMEROS _/ls"l \ _ i.l "l / | 3ne2 3.96. Demostrar que la ley de los grandes nmeros (en forma dbil) puede establecerse como e interpretarla. l* "( l;-'l'') ^t( v /lsI \

= 1 3.9?. SeanX (h:1, ...,n) n variables aleatoriaindependientes tales que | \o ( orob. n prob. q =L-P qu interpretacin (o) Si X ( representa Puede darse el nmero de caras en el k-simo lanzamiento de una moneda, 8 S' = Xt * "' +X'? caao s reduce a ) I)enostrar que la ley de los grandes nfrmeros parg este e interpretar egte resultado. "trx "( /1s.,o1= | l;' 1= \ o g.g8. Sean X, h = I, 2,. . . , variable aleatorias independientes cada una con funcin de densidad f(r\ = -.+--^ TlL + r')

g.gg. (o) -@<s<@ Demostrar que la ley de los grandes nmeros no es vlida en este caso' Problema 3.98 se rempliaza por Sera vlida la ley de los grandee nmeros si la funcin d e denidad del f(r):cl(l*rt)? (b) Es necesaio que existan todos lo momentog nfimeros sea vlida? Justificar su reqpuest a. de una distribucin para que lrr ley de loa gnndes OTRAS MEDIDAS DE CENTRALIZACION 3.100. Hallar (o) la mod y (b) la mediana de una vaiable aleatoria X con funcin de dengidad f(r) = y (c) comparalas con la media. le-t {o r0 deotraforma

cAP.3l 3.101. Resolver ESPERANZA MATEMATICA el Problema 3.100 si la funcin de densidad es 105 (at-z l(r) = 1o ( 2 0<r<1 deotraforma 3.102. Hallar (a) la mediana y (b) la moda para la variable aleatoria definida p or y compararlas con la media. x = i -t prob. 1/3 prob. 2/B 3.103. Hallar media. (o ) la mediana y (b ) la moda del conjunto de nrneros l, 3, 2, 1, 6, 6, 3, 3 y comparala con la PERCENTILAS 3,104. Hallar los valores de la (o ) vigsima quinta y funcin de densidad f (b ) septuagsima quinta percentilas para la variable aleatoria con (2(l-r\ (rl = iu 0.1 x!-L de otra forma 3,10-5. Hallar los valores de la (o ) dcima, (b ) vigsima quinta, (c ) septuagsima quinta, (d ) nonagaima percentila paa una variable aleatoria con funcin de densidad f lc(r-rs\ (n) = i o

de densidad dada por -1 .1 r{1 de otra forma donde c es una coriatante apropiada. 3.106. Una variable aleatoria X tiene frncin f(u): I)emostra que la percentila 100p tiene el valor (e-, 1n -ln (1 rl:0 deotraforma donde 0 = p -p) < l. 3,f0?. UnavariablealeatoriaXtienefunci6ndederuidad f(r)=ll"(I*r'2), de La percen tila es tan (p - | lz)n donde 0 ( p ( 1. OTRAS MEDDAS DE DISPERSION -@ <n ( o.flemostrarqueelvalor 3.108. Hallar (o) el recorrido, (D) el recorrido semi-intercuatlico y (c) la decviacin media para !r vaiable aleatoria del Problema 3.104. 3.109. Resolver el Problema 3.108 para la vaiable aleatoria del Problema 3.105. 3 .110. Expcar por qu el recorrido no es una medida de dispersin til en el (o) Problem a 3.106, (b)Problema 3.1 07. 11. g.ll2. 3.1 Demostrar que el recorrido semi-ntercuartlico para la vaiable aleatoria del Problem a 3.106 es Ll2ln 3. Demostrar que eI recorrido semi-intercuartlico para la variable aleaoria del Probl

ema 3.107 es 1. S.1f 3. Hallar'la desviacin media de a vaiable aleatoria X en el (o) koblema 3.106, (b) Pr oblema 3.107. de su media por ms que el recorrido semi-in' 3.114. Obtener Ia probabilidad de que la vaiable aleatoria X difiera SESGO Y CURTOSIS tercuartlico en el caso del (o) Problema 3.104, (b) Problema 3.106, 3.115. Sea /(z) = I| ^ 0 (c(1 -t -1 <r:'1 donde de otra ^-.,_-, '. forma ,. c es una constante apropiada, la funcin de densidad de la variable aleatoria X. Halla el coeficiente de (o) sesgo, (D) curtosie.

106 ESPERANZA MATE\'ATICA para la distribucin del Problema 8.106. [cAP. B 3.116. Halla el coeficiene de (o) eergo y (b) curtosio 3.117. 3,118. Puede definire un coeficiente de cutosic para la distribucin del Problema 3.10?? Jusi fica su rerpuecta. Si f(r)=1t curtoii. l"(1 Io r/ l"l\ -;l rl=a lr )a donde c c. un contante apropiada. e la funcin de denidad de X, hallar el coeficiente de (a) ceego, (b) 3-1i9. Flalla el coeficiente de (o) sesgo, (b) curtosis, para la distribucin con funcin de deruidad fk\={ PBOBLEMAS DTVERSOS ftr-I l0 r>0 (0 8.120. Se X una variable aleatoria que puede toma los valore 2, L, g con probaSilid adea 1/3, Ll6 y Ll2 respectivamente. Halla (a) la media, (b) la varianza, (c) la funcin generaEiz de momentoe, (d)lafuncin cancerftica, (e ) el tercer momento alrededor de la media. 8.121. Reoher el hoblema 3.120 si X tiene funcin de denidad f(r\ = {c(t-r\ [0 donde c es una cotutante apropiada.

o(r(1 de otra forma 8.122. 8.129" Se ln2 tes dados honrado uc.ecivamente. Hallar (o ) la media y (b ) la vaianza de la euma. Sca X una variable letcia con funcin f de densidad (r\ = cr 1o f 0=r<2 de otra forma donde c es "'l constante apropiada. Hallar (o) la media, (b) la varianza, (c' la funcin generatriz de momentoq (d) la funcin cracterfstica, (e) el coeficiene de rerg o, (l) el coeficiente de curtoi. 8.124. Refuindoe al Problema 1.166, pgina 37, determina el nlmqo de crta apropiado. Si eeperado que llegarn al destno 8.12. X, ftienen funcin de denidad conjunta | f(x,u) = "ra 1o Haltar (a) E(X2 + Y2), (b) E({XzTF. 0(r(1,0<37(1 de otn forma 3.120. Reeolver el Problema 3.126 8i X, Y ron variable aleatoria independiente dirib uida idnticamente con funcione de densidad f(u\ = (2)-t/2e-!2/2, -@ < r < . 8.127. Sea X una vaiable aleatoria con funcin de denidad f(r) y rea

= {j ;;j;;" Y: X2. Halla (a) E(XI, (b) E(f), k) E(Xy't.

cAP.3l ESPERANZA MATEMATICA paxe ro7 3.128. Utiliza el resultado del Problema 3.L27 sean independientes. demotrar que podemos tener E(XY) : E(X\ E( Y) rin que X, Y 3.129. Demotrar que si { Y son variables aleatorias independientes, entonces Elf( X)g(Y)l = E'lf(X)l'Olc(ll donde f(X) y S|Y) son funciones de estas vaiables. Hay al guna reericcin sobre estr funcioneo? Elplicar. 3.130. Si )( y son variables aleator ias con funcin de X, Y se define como de densidad conjunta f(x, ?@ ?< y) la funcin generatriz de momentot M(t,u.\ = Elecx+r1 = | | ,tz+ut f(n, dr d.u (o) Hallar la funcin generatriz de momentos para la ditribucin del Problema 3.125. (b) Er la funcin generatriz de momentos de X, Y en este caso igual al producto de las funciones generatrices de mbmento de X y Y por separado? Expcar su respuesta y decidir si este es el caso para todas las funciones de densidad conjunta. 3.131 . f)emostra cmo puede emplearse la f uncin generatriz de momentoe del Problema 3.130 para hallar E(Xn Yn ) donde m y n son enteros positivos. 3.132: De acuerdo c.on el hoblema 3.130, cmo defrnira la funcin caacterfrtica de X y Y? trustrar por medio de un ejemplo. 3.133. Un juego conriste en lanza una moneda hasta que ap tezca una cara. Si eto lucede en el h-.imo lnzamien ' lia moneda ec honrada y dircutir el significado de su reepuesta (Eete juego se conoce como laporadojo de Son Petersburgol. to un jugador recibe 2h dlare. Halla l esperanza ruponiendo que Reeolver el Problem 3.133 si la moneda ect cargada. eon variables aleatoria entonce s /t \

3.134. 3.135. Demostrar que ei X1 , . . . , Xn var( )x* ) = k=r )va"(X.)* l*k cov(xxt) ), \t=r / 3.136. 3.f Sea M() entonces (a) K'(0) la funcin generakiz de momento de la variable leatoria X. Demoeha que si K() = ln.ltl (f) = p = E(X), () /<"(0) = o2 = Var (X). 37. Refirindoe at obtema 3.136, erpreear (o) el tercero y (b) el cuato momentos en t&tni noc de K y r derivada evaluadas en t: 0. 3.138. Obtener resulados correepondientes a los Problemas 3.136 y 3.137 para la funcin caacterftica . de denidd 3.139. Sean Xt, Xz, . . , , Xnvariablee aleatorias independientes distribuidas i dnticamente con funcin I l/2a l(t) = io donde o lrl I a deotraforma ) 0. Hallar la funcin caacterfetica de xl + x2+ ... + xn \/" Comparar 3.140. (a) Demostrar que cuando ,r + l funcin caactertica del Problema 3.139 tiende con los hoblema 3.75 y 3.76. (b) Qu conclusionee puede extraer acerca de lo s lfmites "-a2/2. de la ditribuciones en los dos casos?

Captulo 1 Distribuciones de probobilidod con nombre propio DISTBIBUCION BINOMIAL O DE BERNOULLI un experimento como lanzar una moneda o un dado repetidamente, uma repetidamente , etc. Cada lanzamiento o a hay una probabilidad asociada con un suceso a o la s eleccin de una bola roja. En algunos cas a pmeba a la siguiente (como en el lanza miento de la roneda o del dado). A estas pruebas se 9" }n" leg lln'na independien fes y se conocen como las pruebas d,e Bernoulli en memori de Jamej Bernoulli quie n las investig a finales del siglo XVII. Supngase gue tenemos probabi prueba Sea i:'aJ"Ti:i"3:"::T:xll"!'llff$:J,: ada pruebas de que el suceso ocurra.r veces en n por la funcin de probabilidad r)rqt.r donde la vaiable aleatoriaX denota el nmero de xitos en n pruebas y r : 0, l, . . . , fl. EJEFLO 4.1. La probabilidad de obtener exactamente 2 caas en 6 lanzamientos de una moneda honrada es f(r) :- p(X:n) = (])r,n"-, = f_; (r) PIX=2) = /e\/rf/r\6'? \,,, \2/t\Z/ ) _ /r\=/1 'z\!/ \, o-z ) 6: lb 61 puesto que para La funcin de probabilidad discreta (f ) con frecuencia se denomina distribucin bnom ial r = 0, 7,2, .. . , n correspondb a los trminos sucesivos enlaexpansin binomial \q+p)' = o" * ('i) q, 'p + (i)0" ,u, * + pn

: ('1'1r-,,,-, (2\ Tambin se llama distribucin de Bernoulli. Una variable aleatoria con la distribucin (f ) se dice que et distribuida binomiabnente o es de la distribucin de Bernoulli. AII.JNA.S PROPIEDADES DE 4-L. LA DISTRIBUCION BINOMIAL Algunas de las propiedades importantes de la distribucin binomial se presentan en la Tabla EJEMPLO 4.2. En 100 lanzamientos de una moneda honada el nmero esperado o media de cras es r = (100)($) = 60 en tano que La desviacin tpica es o : y'jfborr} : g.

cAP.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Tabla 4-l Media Varianza Desviacirn tpica 109 ! 'np o2 .. tt'lq o = ytirytq Coeficiente de sesgo _ q" |LIft p v npq Coeficiente de curt<sis Funcin generatriz de momenCos l-6pq y npq = ft l- yter)n Funcin caracterstica 4,6) = (qIpe,.)" LA LEY DE LOS GRANDT]S NUMEROS PARA LAS PRUEBAS DE BERNOULLI pruebas de Bernoulli y se presenta en el teorema siguiente. La ley de los glandes nmeros, pgina 84, tiene una interpretacin ineresante en el cas o de las Teorema 4-1 (Ley de alealoria proporci ro positivo, nrheros para las pruebas de mero de xitos en n pruebas Entonces si p es la probabil idad li,

: Sea as l'*"(l {i_ rl ,.) : o (3) En otras palabras: a la larga se hace extrerailamente factible que la proporcin de xitos, X/n, sea tan prxima como se clesee a Ia probabiliCad de xitc en una sola pru eba, p. Esta ley en un sentido justifica el emr!+n de la definicin de probabilidad en Ia pgina 6" Un resultado rns fuerte lo suministra la iey de los glandes nlner<; ; en forma fuerte (pgrna 84) que establece que con protrabilidad uno lirn .\/r --: ,l/, es decir X/n realmente conuerge o p excepto en un caso despreciable de cas os. DISTRIBUCION NORMAL Uno de los ms importantes ejemplos de una distribucin de probabilidad continua es la distri' bucin normal, algunas veces denominada la distribucin gaussian. La funcin de densidad para la distribucin est dada por f(x) : -L---r'-r'r2':'2 o/2-co <'t < oo () donde p y o son la media y la desviacin tpica respectivamente. La funcin de distrib ucin conespondiente est dada por I-(r) = P(X<r) : -!-; f' o\/Zr -'t -'"-u''/b'd1) (5) es c

110 vaianza DIsrRIBucIoNEs DE IRoBABTLTDAD coN NoMBBE pRoplo [cAp. 4 En este caso decirnos que la variable aleatoria X est normalmente distribuida con media g y l. Si hacemos que Z sea la variable normalizada correspondiente a X, es decir si hacemos (6) z=r= entonces denidad la media o el valor esperado de Z es 0 y la variartza es 1. En este caso la func in panZ puede obtenerseapartir de (4) alremplazar! = 0V o: 1, resultando de f(z) : le-"'" V2" . (r) Este resultado se conoce frecuentemente como la iuncin o la distribucin de densida d normal tipif!eada. La funcin de distribucin correspondiente est dda por F(z) = P(Z < z) = I t/2" '-"-,",, du = +

# fo' ,-,,,, du (s) se Algunas veces llamamos al valor encuentra relacionada con la funcin enor, ert (z). Tenemos z de la variable tipificada el wlor tipificado. La funcin F(z) e(z) = z-frr' e-u'd,u y F(z) : ['. *t(ft)] (e) En la Fig. 4-1 se muestra una representacin grfica de la funcin de densidad (7), al gunas veces conocida como la curva normal tipificda. En esta representacin grfica hemos indicado las reas dentro de L,2 y 3 desviacionestpicasde lamedia(esdecir ent ue z: -1y * L,z- -2y I2,z: + - 8 yque3) las cuales rcn iguales aJ.68.27%,96.451/ " y 99.73% del rea total, que es uno. Esto quiere decir P(-1<Z=L) = 0.6827, P(-Z=Z<2) = 0.9545, P(-3< Z<3) = 0.99?3 (10) $$.Nl/s-> 96.46%, 99.73% Fig. 4-l z En el Apndice C se presenta una tabla que da las reas bajo esta cuna limitada por l a ordenada O y cualquier valor positivo de z. A parr de esta tabla se pueden enco ntrar las eas entre dos ordenadas cualesquiera utilizando la simetra de la curva ale dedor de z : 0. :

cAP.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 111 ALGUNAS PROPIEDADES DE LA DISTRIBUCION NORMAL Algunas de las propiedades importa ntes de la distribucin normal general se presentan en la tabla siguiente. Tabla 4-2 Media Varianza Desviacin tpica 02 o Coeficiente de sesgo Coeficiente de curtosis 0l=0 01 D Funcin generatriz de momentos Funcin caracterstica II(t) : ettt+(2t2/2) (r) = "itto-'{'r2a2/2) RELACION ENTRE LAS DISTRIBUCIONES BINOMIAL Y NORMAL Si n es muy grande y ni p ni q estn muy prximas a cero, la distribucin binomial puede aproximarse estrechamente a la distribucin normal con vaable tipificada dada por z = 4_ll vnpq (rr) Aqu X es la variable aleatoria que da el nmero de xitos en n pruebas de Bernoulli y p es la probabilidad de xitos. La aproximacin es tanto mejor conforme aumenta n, y en el lmite es total. (Vase Problema 4.t7). En la prctica la aproximacin es muy bu ena si ambos np y nq son superiores a 5. El hecho de que la distribucin binomial tiende a la distribucin normal puede describirse aI escribir Literalmente, decimos x -'p - r) : L J" f"-u2tz r, n+ \ vnpq / 1/2n que la variable aleatoria tipificada (X - rup)ll/nfiqes tm P(a= (12) normol asintticamente. DISTRIBUCION DE POISSON Sea X una variable aleatoria discreta que puede toma X est dada por los valores 0, L, 2, . . . tal que la funcin (1g)

de probabilidad de f(r) = P(X--x): {] r=0, 1,2,... donde tr es una constante positiva dada. Esta airiUu"ir, se llama la distribucn dePo dsson (en memoria de S.D. Poisson, quien la descubri a comienzos del Siglo XIX) y una variable aleatoria con esta distribucin se dice que est distribuida de acuerd o con la distribucin de Poisson. Los valores de f(r) en (13) pueden obtenerse emp leando el Apndice H, que da los valores de e-r para diferentes valores de )., o u tilizando logaritmos. ALGUNAS PROPIEDADES DE LA DISTRIBUCION DE FOISSON Algunas de las propiedades imp ortantes de la distribucin de Poisson qe presgnfrr en la tabla siguiente.

TL2 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Tabla 4-3 Media Varianza lcAP.4 a2=tr Desviacintpica Coeficiente de sesgo I "=rA n -- 7/t/i "., Coeficiente de curtosis | = 3 + 11/x) Funcin generatriz de momentosl Il(t\ "rrrr--l) I Funcin caracteristica I O(") = -tr(c'(-r' RELACION ENTRE LAS DISTRIBUCIONES BINOI\IAL Y DE POISSON mientras que np es menor que 5. En tales casos l distribucin de Poisson (I3) con t r : np. Esto se ve comparando las Tablas 4-7 y 4-3, ya que al remplazartr:np,qN1 -yp=OenlaTabla4-1 obtenemoslosresultadosdelaTabla4-3. RELACION ENTRE LAS DISTRIB UCIONES DE POISSON Y NORMAL Puesto que existe una relacin entre las distribucione s binomial y normal y entre las distribuciones binomial y de Poisson, se deduce que hay tambin una relacin enhe las distribuciones de Poisson y normal. Efectivame nte esto sucede, Podemos demostrar que si X es la vaiable aleatoria de Poisson de (I3) y (X - r)/V[ es la variable a]eatoria tipificada correspondiente, entonces En la distribuci sucesoestcercad la prctica conside grande :1es raro l'* "(" x-r 1A

:j r ) : ,,,t* "'" '2t't ,, (1 4) estoes,ladishibucin de Poisson tiende aladistribucin normal a medida que n or mal asi n tt i came n te. TEOREMA DE LIMITE CENTRAL l - - (X- r)/V,f es La semejanza ente (1 2) y (14) naturalmente nos conduce a preguntarnos si existen ohas distribuciones ademas de la binomial y la de Poisson que tengan la distrib ucin normal como clso lmite. El extraordinario teorema siguiente revela que realmen te una gran clase de distribuciones tienen esta propiedad. T'orema . 4-2 (Teorema del lmite central): Sean X, que estn distribuidas idnticamente idad en el caso discreto o funcin de p y vatianza u2 finitas. Entonces si n- \m P( \ a s" = -l' o/?? = o) / = - l-= ('", ',',u d,t, V2=.J., (15) , Xr, .. . vaiables aleatorias independientes (es decir todas enen la misma funcin de probabil densidad en el caso continuo) y tienen media S, Xrl-Xr -1- . . +X,, (r - 1.2, . . .), =

cAP.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 113 es decir, la variable aleatoria (5"-np)/"1/, que es Ia variable tipificada a norm al asintticamente. S,, es Xr, Xr,... es verdadero bajo condiciones ms generales; por ejemplo, se cumple cuando son var iables aleatorias independientes con la misma media y la rnisma varianza pero no necesariamente distribuidas idnticamente. El teorema tambin DISTRtrBUCION MULTINOI\{IAL SilossucesosAl, Ar,...,AppuedenocurrirconprobabilidadesPt,Pz,...,pedondePt.*Pz X e sonlasvariablesaleatoriasrespectivamentequedanelnmero devecesqueA,A2,...,An ocur reenuntotaldenpruebas,demodoque X1 -lXz* "'*Xt = +...+ p;:1" SiXl , Xr,..., n" entonces P(Xt- llt, Xz:Tt2 donde . . ., Xr=nx) : nr, rr] - -6P\'P')'' "P',1,* (16) n, * n. + . . . + flh : f,, es la funcin de probabilidad Xr,Xr,..'rXk. + ph)" . conjunta para las variables aleatorias multinomial puesto que (16) es el trmino general en laexpansinmultinomiald" (pt EJEMFLO 4.3. Si un dado honrado se lanza 12 veces, laprobabilidaddeobtener uno e s ESta distribucin, que es una generalizacin de la distribucin binomial, se llama la dstribucin * pz * "'

1,2,3,4,5 y6exactamentedos veces cada p,x,=Z.x:-2, respectivamente, esto es ,Xo=2\ = z,--r.uv.hur(;xix*xxlx)' #, = 000344 ElnmeroesperadodevecesqueAt,Az,...,Ak'ocurraennpruebassonnpr,hPz,..-,ftPn E(X1\ -' np1, E(Xr) : rlp2, E(Xk) = nqk (17) DISTRIBUCION HIPERGEOMETRICA s n pruebas de un experiSuponga que una caja contiene b bolas blancas y se regre sa la bola a la caja. escoge una bola aleatoriamente, se mento.en t c se to. En tal caso si X es la Este tipo de experimento se conoce como muestreo variable aleat oria para el nmero de bolas blancas escogidas (xitos) en n pruebas, entonces emple ando la distribucin binomial (/ ) vemos que la probabilidad de r xitos es (r 8) ya que p: bl\lt'tr), q --.l- P: '/\b + r\. es Si modificamos el experimento anterior de modo que el rnuestreo sea sin remplaza miento, decir las bolas no se regresan a la caja despus de seleccionarse, entonce s p(x _ rl = Vlu\r* ,il \?i (b\( r \ (1e) Esta es la distribuci.n hipergeomtrica. La media y Ia varianza paxa esta distibucin son

114 DISTRIBUCIONES DE PBOBABILIDAD CON NOMBRE PROPIO [cAP.4 (20) 'tL -: D+r nb Si consideramos que el nmero total de bolas blancas y rojas es N, en tanto que la s proporciones de bolas blancas y rojas 6onp y q = L- p respectivamente, entonce s ,=#=*,s=#=# de modo que 6 b=Np, r=Nq (21) (I9) V e0\ se conviertan respectivamente en P(X = x' = (22) p--nP Obsrvese que cnando (23) escribirse como N -+ - ( N es grande comparada con n), (221 se reduce a (I8), que puede (24) p(x=t:) y (23) se reduce a

= (I)o,n'-" o2 = 'ILPQ p=nP esperbamos, ya que para (25) de acuerdo con las primeras dos entradas de la Tabla 4-L, prySna 109. Los resulta dos son los que N gmnde el muestreo sin remplazamiento realmente es idntico al nu estreo con remplazamiento. DISTRIBUCION I'NIFORME Una variable aleatoria X est distribuida uniformemente en a 3 fi 3 b si su funcin de densidad es f (t\ = Il/(b-a) {o a<r<A de otra forma (26) y la disbibucin se llama dunbucin uniforme. La funcin de distribucin est dada por F(rl = P(X = x) = j (t- a)/(b-a) a< n <b rzb |1 f o r<a (27) La media y la varianza son respectivamente u = |@+b) DISTRIBUCION DE CAUCHY Una variable ", = i@-a), (281 X tiene la dbtribucin de Cauchy, si la funcin de densidad de

X es (2el

cAP.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 115 Esta funcin de densidad es simtrica con respecto a x :0 as que su media puede tomase como cero. Sin embargo no existen la varartza y otros momentos superiores. Anloga mente no existe la funcin generatriz de momentos. Sin embargo la funcin caractersti ca existe y est,dada por $lu'): -o' (30) DISTRIBUCION GAMMA Una variable aleatoria tiene la distribucin gamma si la funcin de densidad es f(r) : donde -r p"t'(tt) lo F:all I ru--,t e-tttt r)0 rS0 A). La media y o2 : nF2 Qt,p,0) Ia varianza estn dadas por (81) f (a) es la funcin gamma (vase Apndice (32) La funcin generatriz de momentos y la funcin caracterstica estn dadas respectivament por M(t): (1-pr-" DISTRIBUCION BETA Una variable aleatoria (,) = (l- Bi"')-" (33)

X tiene la distribucin beta si la funcin de densidad es [*,"11 f(r) : 1 tA,Bl o I las funciones beta -j)u-' 0(r(1 ^ de otra forma (o,B>0) (3t\ donde B(a,9) es la funcin beta (vase Apndice A). En vista de la relacin (9), Apndice A, entre y gamma la distribucin beta tambin puede definirse por la funcin de densid ad I r'r,, + Br -' \jl-):-,.-:^:Jo-r(l -r\tt-t r(CI) l'(p) f(r) = I 0 ( <1 (35) o de otra forma donde o, p son positivos. La media y la vananza son ts=;+a Para a (lo rrB c-= (,t*B):(a+B+1) (s6) > L, P ) t hay una nica moda en el valor 4'lmoda ,t-1 t-lB2 (37) DISTRIBUCION CHI.CUADRADO Sean X, , X", . . , X, t, variables aleatorias independientes distribuidas norma lmente con media cero y vartartza 1. Considrese la variable aleatoria x":

X'i+xt+..-+x?, (3 8)

116 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO se [cA?.4 A, donde y2 llama chi-cuadrado. Entonces podemos demosha que para n > P(x' < r) = 2r:) o 0r,,,",-, e-ulz du (3e) YP(x'-r)=0Parar(0. La distribucin definida por (39) es la ddsfribucin chi-cuadrado y v es elnmero de g rados de libertad. La distribucin definida por (39) tiene la funcin de densidad co rrespondiente dada por f (r\ = ) 2'/! t'('/4 (t'/2'-r e[_ r_ lo r/2 r ) o (to r<o : t Se observa que la distribucin chi-cuadrado es un caso especial de la distribucin g amma con o ,12, B: 2. Por tanto tL = 1,, o2 : 2r,, M(t) = (l-zt-.tt, (') = (1 -2i,,''r'' (tr podemos ciemostar que{2y2 Para grande (, ', = 30) con media 0 y varianza 1. -

12, 1 est casi distribuida normalmente Las consideraciones anteriores se sintetizan en el teorema siguiente. Teorema4-3: Sean Xr, Xr,..., X, variables aleatorias independientes normalmente distribuidas con meia 0 y varianza 1. Entonc S 2 = Xt'+Xi+'.. f X,j tiene distribucinchicuadrado con z gra dos de libertad. con distribucin chi-cuadraOtros dos teoremas que son tiles en el estudio posterior son: Teorema 4-4: Sean U, , Ur, . , . ,Uo variables aleatorias independientes do ,.,, r'2, ..., ,r grados de libertad respectivame'hte. Entonces susuma fV: Ur | ' ,,, gradosde li+ U2 + - .-. t Un tiene distribucin chi-cuadrado corl r', -l- v" l bertad. y Teorema 4-5: Se V, y V, variables aleatorias independientes. Si V, tiene distribucin chi-cuadrado con r,, grados de libertad mientras que V : Vt * V, tiene distribucin chi-cuadrado con r grados de libertad, donde r, ) v,. Entonces V2 tiene distribucin chi-cuadrado co n v -- vr gIados de libertad. En conexin con la distribucin chi-cuadrado, la distribucin (ms adelante), la distrib ucin F y otras, es comn en el estudio estadstico emplear elmismo smbolo para la vari able aleatoria y el valor de esa variable aleatoria. As, los valores de las perce ntilas de la distribucin chicuadrado para grados de libertad se denotan por x;.,. , o simplemente xto si v se sobreentiende y no ' pot ftp,, r,,. (Vase Apndice E). E sta es una notacin ambigua y el lector debe emplearla con cuidado, especialmente cuando cambie de variables en las funciones de densidad. (pgrna 117), DISTRIBUCION DE STI.IDENT Si una variable aleatoria tiene la funcin de densidad lft\ : _/r + r\ r\--ct;'(;)t\-/ lt L1.,i( 1' /j' -) / 'l' -(f<o (42

cAP.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO LL7 t de Student, o simplemente la dstribucin t, con v grados de libertacl. Si v es gr ande (,, > 30) la grfica de f() se aproxima estrechamente a la curva de la distrib ucin normal como se indica e_n la Fig. 4-2 (vase Problema 4.161). Los valoles de li s percentilas de la distribucin f para v grados de libertad se denotan pot tr.,,, o sencillamente , si se sobreerltiende p. Para una tabla que da tales valores vas e el Apndice D. Puesto que la distribucin es simtrica, tr-o : -n; por ejemplo f o; se dice que iiene la distribucin Para la distribucin tenemos p:0 Y "z:;j (,> 2) (t*s El teorema siguiente es importante en el estudio posterior. Teorema *6: Sean Y y Z variables aleatorias independientes, donde Y est normalmente distribui da con media 0 y varianza L mientras que Z tiene distribucin chi-cuadrado con v g rados de libertad. Entonces la variable aleatoria 11Y lzt; (4t) tiene la dishibucin con ,,gmdos de libertad. DISTRIBUCION y v" grados de Una variable aleatoria liene distribucin F (en memoria de R.A. Fisher) con v, Iib ertad si su funcin de densidad est dada por

u)0 Los valores de las Fp,,,,,,n, o sencillam (.45) donde P: 0.95 Y P F. La media y la varianza estn dadas respecvamente por p?ra u,, r,., vr, vr.'IJn tabla que da tales valores en el caso z<0 grados de libertad se denotan por P : .:1,, "2 (r', ) 2) Y O-= (to La distribucin tiene una moda nica en el valor (t'nt?)(#) Teorema (u,>2) &r Los teoremas siguientes son importantes en el estudio posterior. 4-7: Sean Vt y V, v, gados variables aleatorias independientes con distribucin chi-cuadrado y vf de libertad respectivamente. Entonces la variable aleatoria @a tiene distribucin f' con ,t y uz grados de libertad.

118 Teorema DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.4 *8: 4-o,rr,r, : L/4'rr'r, RELACIONES ENTRE LAS DISTRIBUCIONES CHI.CUADRADO, Teorcma 4.9: Teorema fYF 4-r,r,, = t!-qprzt,, 410: 4.,,,- = + X, Y est dada DISTRIBUCION NORMAL BTDIMENSIONAL Una generalizacin de la distribucin normal por la funcin de densidad conjunta a dos vaiables aleatorias continuas f(r,u\ : 2rororl/T-p" ".' {-[(?)' -,0(* :,r'X?) . (+)' ) /,o- n] (4s donde -o ( t, 1, - <A <6', r p2son las medias de X, Y;ottoz sonlasdesviacionestpicas de X, Y; y p es el coeficiente de correlacin entre X y Y. Con frecuencia nos refe rimos a (49) como la distribucin normal bidimensioul. Para cualquier dishibucin con junta la condicin p = 0 es necesaria para independencia de las variables aleatori as (vase Teorema 3-15). En el caso de (491esta condicin tambin es suficiente (vase P roblema 4.51). DISTRIBUCIONES DIVERSAS En las diskibuciones descritas ms adelante, las constantes o, p, a, b, . .. se co nsidenn positivas al menos que se establezca lo confrario. La funcin caacterstica s e obtiene de la funcin generatriz de momentos, donde se da, remplazando t = ia. 1. Distribucin geomtrica f(t) = P(X=r) = pq'-'

r=t,Z,... r=l ""=# Me)=# r, = (X -t)o'n'-' r :. r,r *1, . . M(t\: aquella en que el primer xito ocura. Aqu La variable aleatoa X representa el nmero de pruebas de Bernoulli hasta, e incluye ndo, p es la probabilidad de xito en una sola prueba. 2. Distribucin binomial negativa o de Pascal. f (r) : P(x = . lt:po'=p2 r"rq E+S La vaiable aleatoria aquella en que el r-simo xito ocurra. El caso especial X representa el nmero de pruebas de Bemoulli hasta, e incluyendo, r : 1 da la distr ibucin geomkica.

cAP.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 119 3. Distribucin exponencial fkl = { lae-"' c)0 n=0 L0 M(t)= q,-t fi > O t'=; 4. DishibucinWeibull. 1"1 =j ( f(s) = rL o6*t-r {o 02 "-axt r<o * = o-','r(r / + |) a-2,b[.(r i) - "(t.+)] r >0 <0 5. Distribucin Maxwe.

f(r) lt= )o-l Problerna,a resueltos DISTRIBUCION BINOMIAL 4.1. Hallar la probabilidad de que al lall.zar una moneda honrada tres veces resulten (c) 3 caras, (b) 2 sellos y una cara, (c) al menos 1 cara, (d) no ms de un sello . Mtodo 1. Si C denota "cara" y S denota 'rlellot' y derignamos CSC, por ejemplo, para rign ificar cara en el primcr lanzamiento, c.llo en el regundo y cara en el tercero. Puesto que en ceda lenzamiento pueden ocurir 2 posibilidedec (cara o rello), hay untotalde (2X2)(2)= g reultados poeibles, es decir puntoc muesEalee, en el erpaci o muetral. Estoe lon ccc, ccs, csg css, ssq scq scq sss Para una moneda honrada a eto reultado re ler asignan probabilidadee iguales de 1/8, Por tanto (o) P(3 cetar) = P{CCC = } (b, P(2 sellor y 1 cara) = P(CSS U SSC U SCS) =p(css)+p(ssc)+p(scs): (c) P(al menoc una cara) +*** = 3 :P(L,2Scarar) : P(l caa) * P(2 carar) * P(3 carae) : P(CSS U sCs U SSC) + P(CCS U CSC U SCC) + p(cc?) :P(CSS) +P(scs) + P(ssC) + P(CCS) +P(csc) + P(Scc) i P(CCC\ = | s

I2O DISTRIBUCIoNES DE PRoBABILIDAD CON De otra forma, NOMBREPROPIO [CAP. 4 P(almenosunacara): |-P(ningunacara):1-P(SSS): t - = 3 (d) P(no ms de un sello) P(0 sellos o 1 sello) = P(0 sellos) * P(l sello) : P(CCC) +P(CCS u CSC U SCC) : : P(CCC) + P(CCS) + P(CSC) +?(SCC) 4l 82 Mtodo 2 (empleando frmula). (o) p(scaras) = (l)(;)'(i)'= (b) p(zserrosunacsra) :: (;X;)'(;)'= P(1 cara) 3 (c) P(aI menos 1 cara): P(1,2, 3 caras) : * P(2 caras) * P(3 caras) = /'\/l\'/t\',' /'\lrY/l\'., /l\/tYll\'= - \t/\t/ \z/ \z )\zl \zi \3 l\2) \2 / De otra forma, i 8

P(al menoe 1 cara) : 1 : , -1t\irY/'\'= \0/\2i \2/ (d) P(no ms de un P(ninguna cara) 1 8 sello): P(0 sellos o 1 sello) : P(0 sellos) * P(1 sello) 1 Debe mencionase que tambin puede usarse la notacin de las vaiables aleatorias. Ae por ejemplo si seleccionamo, qr" X- sea la vaiabi aleatoria que denote el nmero de car as en los 3 lanzamientos, (c) puede escribirse P(al menos una /s\/r\'/r\o /s\/rY/r\ = \s/\rl \ -\.r)\t)\r) , cara) = I'(X -1) = P(X = 1) + P(X =2\ * P(X: 3) - , Usaremos ambos de los enfoques intercambiablemente. 4.2. Halla la probabilidad de que en cinco lanzamientos de un dado honrad o aparezca 3 veces, (b) mximo una vez, (c) al menos dos veces. Sea la vaiable aleatoria honrado. Tenemos (c ) dos X l nmero de veces que un 3 aparece en lo cinco lanzamientos de un dado Probabidad de 3 en un solo lanzamiento = o=I q = t-U : * Probabilidaddeno3enunsololanzamiento ='

(o) P(Bocura2veces) = P(x-2) /l\llYll)' = i"' 3888 \2/\6/ \6/

cAp. 4l DTSTRIBUCIONES DE PROBABTLIDAD CON NOMBRE una PROPIO '..zL (b) P(3 ocurra mximo vez) = P(X 1) = P(X = 0) * P(X = 1) = = 1l\/rY1\'*' s) /r\'/rY - \o/\6i \6/ \r/\oi \o/ 3125 . 3725 3125 = n76r n76- = 8-888 (c) P(3 ocurra al menoa 2 veces) = = P(X>2) P(X =2) * P(X=3) * P(X=4) * P(X=5) = ll)/1\'19)'** II)/l\'/q)'* /u)1lY11\',- /s\/t\'/qY \2/\6i \6/ \'i \ei \o/ * \o /\e/ \6/ * \s/\a/ \a/ 626 r25 25 1 763 - 3888 ' 3888 ' 7776 ' 7776 - 3888 4,3. HaIaf la probabilidad (o) p(lnio) p(3nios) Entonc.es sea nio y al menos 1 Ll2. de que en una familia de 4 hijos (c) al menos 1 sea nio, (b) al menos 1 sea nia. S uponer que la probabilidad del nacimiento de un varn es t-. -' /t\/ 1l\'/+)' = t, \r \zi\z/ - \s/\z) \z/ - L' = /1\/1\'/l)'= l. P(al menos 1 nio) /t)l+)'ll\' = \.;i \t/ \t/ = 2 8 p(4 nios) = (l\ /1)'11)'= f x-/\z) \z/ - 16 P(2 nios) : P(l nio) * P(2 nios) 16 16 *

P(3 niror) * P(4 nloa) 1 3 1 1 4 8',4 16 Otro mtodo. P(almenorlnio):1-P(nirgfrnnio) = l(b) P(al menos 1 nio y al menos una nia) ll)t \2/ = , -l 16 = E 16 = 1 -P(ningn nio) -P(ninguna nia) =1-1-1-1 -16168 Tambin podemos resolver este problema si X e! una variable aleatori que denota el nmero de nio erl fania con 4 hijos. Entonces, por ejemplo, (o ) ee covierte en P(X>l) : P(X:l)*P(X=2)*P(X=3)*P(X=4) = 18 4.4, De 2000 familias r-:on 4 nios, cuntas calcula deben tener (c) al menos 1 nio, (b) 2 nios, (c) 1 2 nias, (d) ninguna nia? Refirindonos al Problema 4.3 vemoe que (o) (b) N(rmero esperado de familia con al menos 1 nio = ,ooo (lf) = 2000 18?5 Nmero esperado de familia con 2 nio 20OO ' P(2 nios) 2 nias) = (3) = \.i tUO (c) P(l : P(l nia) * P(2 nia) nioe) :P(l

nio)*P(2 : I +3 : *

L22 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.4 Nmero esperado de familias con 1 2 nias = tZOOOill) ' '\ 6 / \/ = 125 1250 (d) Nfrmero esperado de famias sin nias = (2000)( i ) = 4.6. Si el 20 % de los tornillos producidos por una mquina son defectuosos, determinar la probabidad de que de 4 tornillos escogidos aleatoriamente (a) 1, (b) 0, (c) m enos de 2, sean defectuosos. La probabilidad de un tornillo defectuoso e8 p :0.2, de un tornillo no defectuos o vaiable aleatoria X el nlmero de tornillos defectuosos. Entonces es g : I - p:0,8, Sea la (o) P(X: t) = (rn ),0.r,' (0.8)a = s.46e,; () p(X = 0) = (c) P(x <e) = (fi)to.rt't0.8)r

= .46e6 ffi ? ;;:: =:"0,,0, 4.6. HaIIar Ia probabilidad de obtener un total de 7 al menos una vez en tres lanzami entos d un par de dados honrados. pgina49),detalmodoquelaprobabilidaddenoTenunsolo lanzamientoesq:1-p:516.Entonces P(ningrrn z en B lanzamienros) En un lanzamiento de un par de dados honrados la probabilidad de un 7 es p:1/6 (vase Problema 2.1, = 1:)l+Y/q\' \"/ \"/ \6/ r25 216 y 4.7. P(al menos un ? en tres lanzamientos) = | - l# = fr X que est distribuida Hallar la funCin generatiz de momentos de una variable aleatoria binomialmente. Mdodo 1. Si X est'distribuida binomialmente, f (r) P(x = r) = (!\o,n" , \r/ Entonces la funcin generatriz de momentos est dada por M(t) = E(etx = )etxf(r' n /n\ = =0 ,,'(\*,/ ) _)p,q" , = = Mtodo 2. Para una secuencia de n pruebas de Bernoulli definimos n /n\ '?n ('/tr"')'0"-'

(a -l- pet" Xi ' |0 {[1 si fracaso en la prr.nba j-sima si xito en la prueba j-sima U=1'2,...,n)

cAP.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L23 de momento Entonces las X son independientes y tenemos X: Xr * Xz *..'* Xn. Paa la funcin geraeratr:iz Mj(t) = stoqlettp - e*pet M(t) = M tQ) LI2Q\' ' ' (i=1,2,...,n) (Q Entoncee por el Teorema 3-9, pgina 80, M"(t) 'f pstn 4.8. Demostra que la media y la varianza de una variable aleatoria distribuida binomia lnente son p: np Y o2 : npg respectivamente. Procediendo como en el Mtodo 2 del Problema 4.7 tenemos para/: L, 2, . .,, n, y1 E(X) = 0q*Ip = var (x;) + (r p)2p = i)", :-,i)'== ,)l*.lro,q Entonces o2 p:E(X)=E(X'\+E(X2)+"'+E(X")-np = Var(X) = Var(Xr) *Var(Xz) +." *Var(X) = npq donde hemos utilizado el Teorema 3-7 para o2 . de Los resultados anteriores tambin pueden obtenerse (pero con m difrculad) derivando l a funcin genaetriz momentc (vaee Problema 3.38) o direetamente de la funcin de prob

abilidd (vace Problcma 4.L52\. 4.9. Si la probabilidad de un tornillo defectuoso es 0.1, halla (a) la media y () la de sviacin tipiticada para el nmero de tornillos defectuosos de un total de 400 torni llos. (o) Medialt:np:(400)(0.1 ):40,esdeciresperamolque40tornillosestndefectuoos. (b) l'Iananza o2 : npq: (400) (0.1,)(0.9) : 36. Por tanto la desviacin tipifrcada o = y'56 = 6. LEY DE LOS GRANDES NT.IMEROS PARA LAS PRI.'EBAS DE BERNOULLI 4.10. Demostrar el Teorema 4-7,la ley de los grandes nmeros (en forma dbil) paa las pruebas de Bernoul li. Por la desigualdad de Chebyshev, pgina 83, si X es cualquier vaiable aleatoria con media tas, entonces ,t y varianza 02 ini(r) en tol P(X-11 -ko\ flp, o =.t/V6d,y (I)rc convierte En particular si X tiene distribucin binomial o de Bernoulli, entonces F = P(lX- npl > k1/i-npq) < i (3) Si hacemos c = k \l T, v (3 ) se convierte en P(lz -,1 = .) / \ 14 'l y tornando el lmite cuando n -+ @ = 2+ 4r. tenemos, como se requiere, li* Pll{-,i .) + \l ? -l = /

= 0 El resultado tambin se deduce directamnte en el Teorema 3-19, pgirra 84, con S, = X, tt = flp, o {-npq.

L24 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.4 4.11. Dar una interpretacin de la ley de los grandes nmeros (en forma dbil) por la aparicin de un 3 en lanzamientos sucesivos de un dado honrado, [,a'ley de los grandes nmeros establece en este caso que la probabilidad de la pr oporcin de los 3 en n lanzamientosdiferiendodel/6pormsquecualquiervalor )0tiendeacer oamedidaquen-+ . DISTRIBUCION NORMAL 4.12. Halla el rea bqio la curva normal tipicada (a\ enfte z: Q y z: 1.2,(b) entre z:-O.68 y z : 0, (c) entre z : -0.46 y z: 2.27, (d) entre z: 0.81y z = L.94, (e) a la derecha de z: L.28. \..L (o) Utizando la tabla en el Apndice,C, baje por la columna macada con z hasta alcanzar el valor /.Luego proceda a la derecha hsta la columna marcada 0. El recultado, 0. 3849, es el rea pedida y representa la probabidad de que Z est ente O y 7,2. Por tan to P\0=z=r.2) = | {u rz Jo r, = "-u!/t 0.gg4g z=O .=12 Fig. 4-3 (b) Area pedida : rea entte z : O y z: *0.68 (por simetra). Por anto', baje por la columna z basta alcanzar el valor 0.6, Entoncee, proceda a la derecha hasta la c olumna 8. El resultado, 0.2517. ee el rea pedida y representa la probabilidd de que Z et entr e -0.68 y 0. Por tanto P(-0.68 sz=o) = -! l'o {2 J = | r' -o.as

0.68 "u.rzu (c) J" Area pedida - (rea enhe z :-0.46 y z : O) * (rea ente z : O y z : 2.2L) : (rea en tre z : O y z : 0.46) * (rea enbe z:0 y z : 2.2I) : O.!772 + 0.4864 : 0.6636 e-'/! clu = 0.25f ? El rea,0.6636, represena la probabilidad de que Z eat entre -0.46 y 2.21. Por tanto . P(-0.46 f Z2.211 = + (''" {2r .t _o.+e "-u2t2f, -uzr!u = -! Jfo \E = ___1__ -o,u + t/2" 'lo + ('"' "-u2tz 14 2l 10.46 " 1 e-u.ildlt + _= |^2 = O.i77Z + 0.4964 | t/Zt Js \/2r Jo "-uz/z 1 (d) Area pedida : (rea entre z : : Eto es (rea entrez : 0.4738

: 1.94) O y z = 0.81 0.2910 = 0.1828 O yz ) lo mimo que P(0.81 = Z = L.941.

cAP.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPO Area pedida L26 (e) (rea entre z: -t.28'y z = O) T 1rea a la derecha de z : 0) = 0.3997 + 0.5:0.8997 Esto es lo mismo que P(Z > -1.28). 4.13. Si "rea" se refiere al rea bajo la curva nonnal tipifrcada, hallar el valor o los valores de z tales que (a) el rea entre 0 y-z sea 0.3??0, (b) el rea a la iz quierda de e sea 0.8621, (c) el rea enhe 1.5 y z sea 0.0217. (a) En la tabla en el Apndice C, el valor 0'3?70 se encuentra a la derecha de la fila macada 1.1 y bajo la columna 6. Entoncec la z pedida es 1.16. Por simetra, z : -t .16 es otro valor de z. Por tanta z: + 1.L6. El problema es equivalente a resolv er para z la ecuacin rfz G ), (b) Puesto que el rea es e-tt/2 du = 0'3770 mayor que 0.5, z debe ser positiva. Area entre 0 y z es 0.8621 - 0.5: 0.3621, de lo cual z:1.09. -1.5 y 0' (c) Si z fuera positiva el rea sera mayor que el rea entre que es 0.4332; por tanto z debe ser negativa. Caso

1: z es negativa pero a la derecha de -1.5, Area entre -1.5 y z : 0.0277 (rca entre -1.5 y 0 ) - (rea entre 0 y z) (rea entre 0 y z) 0.O2L7 : 0.4332Entonces el rea entre 0 y z es cual e: -1.35. Caso 0.4332: 0.4115 de lo 2: z es negativa pero a Ia izquierda de -1.5. o, Area entre z v -t'5: 9,:1T"11u (rea entre 0 y O.O2l7 : Entonces el ea entre z)- "O.4332. 0 y z esO.O2l7 + 0.4332 :0.4549 y z: l'ig.4-ll -1,694 utilizando interpolacin lineal; o, con menos precisin, z : -1.69. 4.14. El peso medio de 500 estudiantes varones de una universidad es de 68.5 kg y la desviacin tipiiicada es de 10 kg. Suponiendo que los pesos estn dishibuidos n ormdmente, hdlar el nmero de estudiantes que pesan (a) entre 48 y 71 kg, (b) ms.de 91 kg. (o) Los pesos registrados entre 48 y 7l kg pueden realmente tener cualquier valor en tre 47.5 y 71.5 kg, suponiendo que se regis' han al valor de kg ms prximo. : (47 .5: -2.7O ?1.5 kg en unidades tipificadas : (71.5: 0.30 47.5 kg en unidades tipificadas 68.5)/10 68.5 )/10

L26 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.4 Proporcin pedida de estudiantes : : = (rea entre z = -2.10 y z:0.30) : (rea entte z: -2.10 y z Ol * (rea ette z = O y z : 0.30) 0.4821 + 0.1179 = kS ee 0.6000 Entonces el nfimero de estudiantes que pesa entre 48 y 7f 500(0.600) kg. = 300. (D) toe etudiantes que pesan ms de 91 kg deben pesar al menos 91.5 Proporcin pedida de estudiantes 91'5 kg en unidadee tipificadas: (91.5 - 68.6)/10 : 2.30 = 600(0.010?): $. (rea a la derecha a. , : Z.SO) (rea a la derecha de z : 0 ) - (rea entre z : O y z : 2.300) 0.5 0.4893 =

0.0107 es 2.30 Entonces el nmero de estudiantes que pesa ms de 91 kg Fig. 4-r3 Si W denota el peso de un estudiante escogido aleatoriamente, podemos resumir lo s resultados anteriores en trminos de la probabilidad al escribir P(47.5<W<71.5)=0.600 P(W -- 91 = 6.9tOt 4.11. La media del dimetro interior de una muesha de 200 lavadoras producidas por una mquina es 1.275 cm y la desviacin tpica es 0.0125 cm. El propsito prira el cual se han diseado las lavadoras permite una tolerancia mxima en el dimetro de I.26 a 1.29 cm, de otra forma las lavadoras se consideran defectuosas. Determinar el porcentaje de lavadoas defectu osas producidas por la mquina, suponiendo que los dimetros estn dishibuidos normalm ente, 1.26 en unidades tipificadas 1.29 en unidades tipificadas : : (1.26 (1.29 - 1.275)l O.O]-25: -1.2 - I.275')lO.0126: L.2 : -7.2 L.2) yz Proporcin de lavadoras no defectuosas - (rea bajo la curva normal entre z : L.2) - (dos veces el rea enhe z : = 2(0.3849) = 0.7698 O yz : 77% -1.2 -77% = 23%. r.2 Por tanto el porcentaje de lavadoras defectuosa es 10002 Fig.

1-14 Obsrvese que si consideranros el intervalo L.26 s 1.29 cm como representando real mente los dimeros dede L.266 a 1.295 cm, el resultado anterior se modifica ligerame nte. Sin embargo para doe cifrar significativag los resultados son iguales. 4.16. Hallar la funcin generatrrz Tenemos de momentos para la distribucin normal general. M(tl = E(etx = L= Remplazando (x ot/2r J -(' ette-(t-tD2/2c2 dtr g.l, - tt)lo: uenlaintegralde M(tl = -= | \/2r J-14q modo quer:+ dx: o d4 tenemor dt, etrt+oot-tu2/2, d1) = "ut'<o2t2/2t (J- "-tr-ort" l/2"

cAP.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L27 Entonces sustituyendo u ot: u hallamoc que ettt+(c2t2/2)( M(t) : + f\t/2" J-* "--,,,*\ / = ewt+(ozt2/2) APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL 4.17. Hallar la probabilidad de obtener entre 3 y 6 caras inclusive m 10 lanzami entos de una moneda honrada utilizando (c) la distribucin binomial, (b) la aproxi macin normal a la distribucin binomial. (o ) Sea X la variable aleatoria que da el nmero de carag en 10 lanzamientos, Entonces p(x=B\ = P(x ('f)(;X;)'_ ,E \ /\2/ \2/ =5) = l,-o) l+Y 5 ll)' : ,* " Ar P(X=A) /ro\/fY/r\'_ = \4 /\z/ \z/ P(X=6) = 106 stz /to\/r\o/r\n _ = (; )\;)\;) ffi, ro Entonc.es la probabilidad pedida es

P(B=x<6) = #.#*%*# 03 = # = 0.7784 Probabilidad 2341678 Nfrmero de caras Fig. 4-r5 23{587E Nfrmero de caras Fig. 1-16 () La distribucin de probabilidad para el nmero de caras en 10 lanzamientos de la mon eda se presentan gtficamente en las Figuras 4-15 y 4-16, en la Fig. 4-16 trata lo s datos como gi fueran continuog. La probabilidad pedida es la suma de las reas d e los rectngulos sombreados en la Fig, 4-16 y puede aproximarse por el rea bajo la correspondiente curva ncrmal, mostrada a trazos. Corsiderando los datos como conn uoe, se'deduce que 3 a 6 caras pueden considerarse como 2.5 a 6.5 caras. Tqqbi"r! g_.p94!l y la varianza para la distribucin binomial estn = 1.58. Entonces dadas por/r= np=10(4\= 5yo = {nw = y'(10)(+)(+) 2.5 en unidades tipificadas : (2.6- 5)/1.8 : -1.58 6.5 en unidades tipificadas : (6.5 - 5)/1.58: 0.95 Probabilidad pedida : : z: -1.58 y z : 0.95) (rea entre z :-1.68 y z = O) * (rea entre z : 0 y z : 0.95) : O.4429 + 0.3289 : 0.7718 (rea entre d,e O.7734 que se compara muy bien con el valor verdadero superiores de n. obtenido en la parte (o). La precisin es an mejor para valores

L28 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP.4 4.18. Una moneda honrada se lanza 500 veces. Hallar la probabilidad de que el nme ro de caras no difiera de 250 por (a) ms de 10, (b) por ms de 30. t. = ,"p: ,mr,(i) = 250 s '= \/ill = ,,,,,(;)(+) = I 1.18 (o) Necesitamo la probabilidad de que el nmero de caras se encuentre enbe 240 y 26 0, o si conslderamos los datos como continuos, entre 239.5 y 260.b. 239.5 en unidades tipificadas hobabidad pedida - 250y11.18: - 0.94 260.5 en unidades tipificadas : : (rea bajo la curva normal e ntre z: -0.94 y z: 0.94) : (dos veces el rea enhe z: O y z :0.94):2(0.3264): 0.65 28 = (239.5 se 0.94 ib) Necelitamoe la probabilidad de que el n(mero de caras la encuentre entre22O y datos como continuos, entre 219.5 y 280.5. 219.5 en unidades tipificadas 28O, o si consideramos : (219.5 250 )/11.18

: -2.7 3 280.5 en unidades tipificadas : 2.7 3 Probabilidad pedida : (dos veces el ea bajo : 2(0'4968): 0'9936 la eurva normal enb.e z: O y z:2.73\ por ms de 30. As si resulta que el nmerc real de caraa ee Se deduce que podemos estar muy confiadog de que el nmero de caras no diferir del esperado (250) es honrada, es decir etabacargoda 280, podramos considerar que la moneda no 4.19. Un dado se lanza1-2O veces. Hallar la probabilidad de que resulte 4 (c) 18 veces o menos y (b) 14 veces o menos, suponiendo que el dado es honrado.' La probabilidad de que resulte un 4 es p: l16 y de que no reeulte esg : 5/6. pbr (o) Deseamos la probabilidad del nmero de 4 entre 0 y 18. Esta se encuentra exactamente rzo\/f\"i 5\'o' , rzo\1\''l5_\'o' r8 \.6/ r7 \ /\6/ \6/ \ /\6/ Conidenndo los datos como continuos que 0 a Tambin ,.

... , (rzo\/r\/!\',,, o \ i \6/ \6/ -{.5 a 18.5 cuatros. : 4.OB pero debido a que el habajo involucrado en la computacin es excesivo, empleamos l a aproximacln normal. l8 cuatros pueden tratarse como tt = ttp = Entonces 120( )l = ZO \o/ /t\ y q = 1/-n7tq ,',,,(lX*) : -5.02 18.5 en unidades : (rea bajo la curva normal entre z: -5.02y z: Probabili dad pedida -O.311 : (rea ente z: O y z: -5.02) : : -(rea enhe z O Y z : 0.6 - 0.144 3: 0.3557 -0.37) -0.5 en unidades tipificadas : 1-0.6 2O)l4.OB tipificadas : -0.3? (D) Procedemos como en ha parte (o), remplazando 18 por 14. Entonces -0.5 en unidadee tipificadas :-5.O2 14.5 en unidades tipificadas: (14.5 -- 20)14.08 .-1.31-i

Probabilidad pedida : (rea bajo la curva normal enhe z : -5.02 y 2 : -1.35) : (ea entre z : O y z : -5.02) (rea entre z : O Y z :-1.35) : 0.5 - 0.4115 : 0.0885 Se deduce que si furamos a tomar muestras repetidas de 120 lanzamientos de un dad o, un 4 debe apariecer 14 vece o menos en aproximadamente la dcima parte de estas muestras.

cAP.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L29 DISTRIBUCION DE POISSON 4.20. Establecer la validez de la aproximacin de Poisson a la distribucin binomial . Si X est dishibuida binomialmente, entonces (f) P(X=r\ = l'"lqrq-r \r/ : np, Hilgase , : rtp de modo que p : I/n. Entonces donde E (X) /-\ (I ) se convi'erte en rl Entonces cuando ,'ir - I \n/ / r \ - ) n1@, 1'-t)/'-?).. n/\ n/ \ en tanto que ('-+) +, (-r)(1) /,-r)" r?,/ \ --> = (r-\)'1t - i)-' + m/ \ \ clculo = -tr empleando el resultado conocido del ;rl ('* i) = Se deduce que cuando n (2') /

\ eu pero I permanece frjo (es decir p -+ 9 P(X=r) + :q; que ee la distribucin de Poisson. Otro mtodo. La funin generatriz de momentos para la distribucin binomial (3) es (q*pet)" = (1-p+pet)" = [1+p(et-l\]n Si \: np de modo que p : )t/n, esto se convierte en (+) [' * rc=t" o eto tiende a tr(et--l) A medida que n -+ (5) que es la funcin generahiz de momenos de la distribucin de Poisson. El reeultado pe dido entoncec e deduce utilizando el Teorema 3-10, pgina 80. 4.21. Verificar que la funcin lmite (2) del Problema 4.20 realmente es un funcin de probabili' dad. Primero, obseryamos queP(X: ) ) r=0 O para

r = 0, 1, ' . . , dado que ), ) 0. Segundo, tenemos >{] !a1*=" = t=O -. = "-^;+:: =(l ' ' e-)..er = 1 y se completa la verificacin.

130 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.4 4.22. Diez por ciento de las herramientas producidas en un proceso de fabricacin determinado re. sultan defectuosas. Halla la probabilidad de que en una muestra d e 10 henamientas seleccionadas aleatoriamente, exactamente 2 estn defectuosas, em pleando (o) la distribucin binomial, (b) la aproximacin de Poisson a la distribucin binomial. (o) La probabilidad de una herramienta defectuosa es p :0,1. Dentese por X el nmero de herramientas defectuosas de las 10 escogidas. Entonces de acuerdo con la distri bucin binomial p(x:zl (b) Tenemos )\: np (tJ )10.rr1s.e' = \z/ 0.1e37 o.re = (10)(0.1) 1. Entonces de acuedo con la distribucin de Poisson IP(x--x) - ;6 P(X=2) = %: = 0.183e 0.18 En general la aproximacin es buena si p 0.1 y \ = np 5 5. 4.23. Si la probabilidad de que un individuo sufra una reaccin por una inyeccin de un determinado suero, es 0.001, determinar la probabilidad de que de un total d e 2000 individuos (c) exactamente 3, (b) ms de 2 individuos tengan reaccin. Dentese por X el nmero de individuos que sufren una reaccin. X tiene una distribucin de Bernoulli, pero ya que las reacciones se suponen sucesos raros, podemoa supo ner que X tiene una distribucin de Poisson, es decir

P(X:x\ -;(d) I-)\ donde p(x-Bt - 1# ^:?p:(2000)(0.001) :2 _ 0.180 (b) P(X>2) = 1-[P(X=0) *P(X:1) +P(X=2)] _ I fzo-z- 2te-z --z! , Zze-21 -- r -Lt 1! ) = l-6e-z = 0.323 Una evaluacin exacta de las probabilidades empleando la distribucin binomial reque iira mucho ms trabajo. TEOREMA DEL LIMITE CENTRAL 4.24. Yerificar el teorema del lmite central para una variable aleatoria X que es t distribuida binomialmente y as establecer la validez de la aproximacin nonnal a l a distribucin binomial. La variable tipificada para X es X* = (X - np)/l/nW y la funcin generatriz de momentos Eletx' E(et<x-n/t'/-nil tnnr r liii g 1"txrl no "" = e-tnpt,/il 2 o et't-(, _/1t\ para X* es ". )r,0"-' , tfi-oa = > =0 |\_./)(p", e t,tr r/i 1o + per/ lliii tvr ll-nw 1n pt e ' tnp, vC,.' ,, t t qn- t n

= le(qe + pet, lioo ln ptar liii {ili n

cAP.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Entonces empleando la expansin 131 eL hallamoa = L*u* t+gl u2 uj +"' qe-to/,,tar I peta/tlnnf, = ,(t ) h+ m. /., tq , tzqz , "' \ -, o\t z"Pq-r / '/"oo(n-!-g\ * ... = q+p+-'iro o : L+h+... t2 Portanto E(etx'l: (r*!+"')" \2,?/ Pero a medida que n + e el lado a la derecha iende a et2/2,qte es la funci6n gene ratriz de momentos para la distribucin normal tipifrcada. As el resultado pedido s e sigue por el Teorema 3-10, pgina 80. 4.25. Demostra el teorema del lmite central (Teorema 4-2, pignaLL2\. Paran:L,2,...tenemosSn:Xr o2. Por tanto +X2+"'*Xr.EntoncesXt,Xz,...,XntienenmediallyvarianTa (s") = E(X)+E(X) + "'+ E(X,) = nu y, debido a que las X eon independienter, Var(S") = Var(X1)*Var(Xzl+" '*Va(X) Se deduce que la =

noz variable aleatoria tipificada correspondiente a S, es s La funcin generaEiz de momento para ,Sl es s" -JP oVn E(etsi Efet<s^-nutror/i 1 - Elet<xt-,)/ot/; e(x2-tt)/"G. , = {Eletrxr-utr"1" . . et<x^-tJ/ol;f = Efet(xr-lo6).Elet<xz-/"6)...Elet<x"-Dta{;1 donde, en los dos ltimoe pasoa, hemos utilizado respectivamente los hechos de que las X son independientes y que estn ditribuida idnticamente. Entonces, por una expan sin en serie de Taylor, Elet<xr-u)ro{i1 - r[r + L t(xt _ p) tz(x-t. p)2 ...-] + 2o2n + ovn J = de modo E'(1) + l;n6r-) n orJ + ft,r1*'-p)21 * .'. = r++@++Gz)-,.... = r+fi+... Zo'n o\/n que .E(er.si = / Iz (t*;+..)

\ n Pero el lmite de esta expresin a medida que n -+ @etet2/2,queeslafuncin genetafrizd e momentosdela funcin normal tipificada. Por tanto, por el Teorema 3-10, pgina 80, se sigue el reeultado pedido.

132 DISTRIBUCIONES DE PROBABILIDAD CON NQMBRE PROPIO lcAP.4 DISTRIBUCION MULTINOMIAL 4.26. Una cqia contiene 5 bolas rojas, 4 blancas y 3 azules. Una bola se selecci ona aleatoriamente de la caj4 se observa su color y luego se remplaza. Halla la p robabilidad de que de 6 bolas seleccionadas de esta forma 3 sean rojas, 2 blanca s y 1 azul. Mtodo 1 (por frmula). P(roja en cualquier extraccin) = # P(blanca en cualquier extraccin) = h P(azul en cualquier extraccin) p(B rojas, 2 brancas, - i Entonces r azur) = .h(r)'(#)'(,+)' = ffi es es Mtodo 2. La probabilidad de escoger cualquier bola roja es 5172. Entonces la prob abilidad de escoger 3 bolas rojas /5tl2\3 , En forma anloga la probabilidad de es coger 2 bolas blancas e (4ll2l2 y la de escoger 1 bola azul (3/12)t . Por tanto Ia probabilidad de escoger 3 bolas rojas, 2 blancas y 1 azul en ese orden es /s\'/\'/rY \tll \.rt.t \A/ Pero la misma seleccin puede realizarse en otros rdenes diferentes, y el nmero de e stas formas diferentes 6l 3!2!1! como se expuso en el Capftulo 1. Entonces la probabilidad pedida es lr Mtodo 3. 6t In\"lt\-/:lY z!r!\itl/ \itl \rrl $/ La probabilidad pedida es el trmino 44p" en la expansin multinomial de (p, i-paIpo )G donde p, 12, pb = 4/72, Po=' 3/12' Porexpansin se obtiene elresultado anterior . DISTRIBUCION HIPERGEOMETRICA 4.27. lJna caja contiene 6 bolas blancas y 4 rojas. Se realiza un experimento en

el cual se selecciona una bola aleatoriamente y se observa su color, pero no se remplaza la bola. Hallar la probabilidad de que despus de 5 pruebas del experimento se hayan escogido 3 bolas blancas. Mtodo 1. El nmero de formas diferentes de selecciona 3 bolas blancas de 6 blancas * \r/.El nmero de formas diferentes de seleccionar las 2 bolas restantee de las diferenes que contienen 3 bolas blancas /a\ 4 rojas * (; ) Por tanto el nmero de mueshas y 2 rojas ". ll )(l ) \"/ \-i Entonces el nmero total de formas diferentes de seleccionar 5 bolas de 10 bolas ( 6 + 4) en la caja Por tanto la probabidad pedida est dada por * /rr,\ [ ,t i . /o\ /r'i \,ri \z ) /ro\ \5,', rc 2l

cAP.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Mtodo 2 (empleando la frmula). Tenemos b 133 =6, r= 4, n=6, r = 3. Entonces por(I9),pginallS,laprobabilidadpedidaes . PIX=S) DISTRIBUCION T.'NIFORME 6 = \/4 }i|j.l \ /10\ \5/ 4.28. Demostrar que la media y la varianza de la dishibucin uniforme (pgina 114) e stn dadas respectivamente por () , : Ll2(a + b), (b) o2 : Ll72(b -a)2. (a) t, = E(x) = E(xz\ l"'* = #:af" b2-a2 Z(b-a\ a*b 2 (b) Tenemos = I.'f-+ = #tl. = ffi= Yt+Y = Entonces la vaianza est dada por s2 = E[(X-u21 = E(Xzl-uz ry4y_ (+), = firo_ot, X con DISTRIBUCION DE CAUCHY 4.29. Demostrar que (a) la funcin generatnz de momentos para una variable aleator ia distribucin de Cauchy no existe pero que (b) la funcin caracterstica s existe. (a ) La funcin gerreratriz de momentos de X es -, E(erx = g (" -J"- dz T .r-n '.r! * la cual no existe si

es real. Esto puede verse al notar por ejemplo que si r 0, > 0 e,, de,modo que = r*tu*lf*... -> t!! I y la integral a la derecha diverge, "- #ruo, = n# ,' 7't|^ou" (b) La funcin caracterstica de X es E(eiox) = g (, i J-6 x'' + a: ""'l' ,, a f - cos or = ; J-. 7+ azctr sin +-ai )-- rr rn' ("' 2o (" cosor r=. , Jo r.2+d2dr ' _ donde hemos utilizado el hecho de que los integrandos en el segundo rengln son fu nciones par e impar respectivamente. Puede demostrarse que la lima intcgral existe y es igual a e-aa (vase hoblema 4.159). 4.30. Sea @ una vaiable aleatoria distribuida uniformemente en el intervalo -l=t trarque X: atan @, o > 0, tiene unadistribucin Cauchy en- @ 1x1*.' La funcin de densidad de @ es < j. Oemos/(a) = ! -L2- " = o

134 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Considerando la baruformacin [cAP.4 : a tan 0 tenemog o-t-L! a . r Y dx z+a' Entonces por el Teorema 2-3, pgina 46, la funcin de densidad de X est dada por s(r) que es la distribucin de Cauchy. = r@l#l = :a+-a DISTRIBUCION GAMMA 4.31. Demostrar que la media y lavananza de la distribucin gamma estn dadas por (a ) p: aP, (b) o2 (a) = oB2. t, = ," "loo";1o" xlQ: t tenemos : f," ffi," = ffirt"+f = R RemPlazando p= Bon f' Fe-tdt aB () Remplazando E(Xz = t,"

",lff...,.,)*: = ift)"("+z) = n2 ,'#0" p2(a*t)a, ,19: t tenemos E(xz = ff"*, fo"' ,o*r"-ro, ya que I'(a + 2) = (c * 1) r(c * 1) = (a * 1)a I(a). Por tanto p2 = Bz(aIL)a"2 - E(X2) (ap)z "Bz DISTRIBUCION BETA 4.32. HaJlar la media de la distribucin beta. p = E(x) = ### fo'*,"-r{r-x)F-tlitr = frffiJ. l'(a r.^.t p\ f I sa(r )e-r fls rt"lrtBl r(a+1+B) I(a + ) dr(d) r(B) r(a) r(B) (" + P) f(4 + p) = 4.33. Hallar lavarianza de la distribucin beta. El segundo momento alrededor del origen

es * 0) l'(a + 1) r(B) o I a B E(xz = f(a)f(p) (t ,zro-r1l- ,a-\d,r - r",+fl Jo * l* _ r(a)I'(p) r(c r'(a + 4)Jo (t *su+t11 2) l'(B) n)e-r , r(a+2+ t) _ r'(a * ) (a * l)a r(a) r(B) t'(a) t'() (a * p * 1)(a + p) I(a + p) r(a) r() * B) r(d + _ (a-rB)@+B+1) "(el_! .

cAP.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 135 Entonces, utilizando el Problema 4.B2,la varianza es 02 = E(xz-l'(x)l= _(rro)'= cr6#T_Fn : (1- 2t)-,r2. DISTRIBUCION CHI.CUADRADO 4.34. Demostrar que Ia firncin generatriz de momentos de una variable aleatoria X con distribucin chi-cuadrado con I grados de libertad es M() M(t) = E(etx = +6 to* "r"rr,-rr/2e-./2d (-,s(v-2)/2e-<L-2t>r/2 dr =J-r(v/2) )o 2,r2 Al remplazar (l 2t)n/2 = 7.1 en la ltima integral hallamos M(tl = 2,t2r(v/2)Jo " r-2t \r-2t/ : ll - ztl-v/2 fa u<v/z)-re-udu = (L-zt-'rz r'( v/z) )o 4.36. Sean t y X, grados de liberta u2 Z:Xt *X, es con ( dA v, a

* v, grados de libertad. do ) funcin generatriz de momentoo de Z = X, ! X, ea M(t) : Enet(xr+x1 : E(etx,)Eqx" : 1l -2t-'r/2 1l-2t)-vz/2 utizando el koblema 4.84. t : (1 N-Qr+v2t/z (b) Se observa del Problema 4.34 que una distribucin cuya funin generatriz de momentos es (1 2t)-<vt+v2)/2 es la dishibucin chi-cuadado con v11- v2 gadosde bertad. Esta d ebe ser la distribucin de Z, por el Teorema B-18, pgina g1. Al generalizar los resultados anteriores obtenemos una demostracin del Teorema 44, p4ina 1-1.6. 4.36. Sea X una variable aleatoria distribuida normalmente con media 0 y varianz a 1. Demostrar que X2 tiene distribucin chi-cuadrado con 1 grado de libertad. cia entre Paray Deseamos hallar la distribucin de la manera siguiente. Y: x2 dad,a una distribucin normal para X. Puesto que Ia correspondenX y Y no es uno a uno no podemoe aplicar el Teorema 2-3 como est, pero procedemos de :0. Paa ( 0es lglco que P(Y SU) y> 0 tenemoe P(Y<u): P(Xz<a) = P(-\/u=X<+\/a) +fr"-,'rzs (-fr"-,'tzs = + J- f = + Jo 1/2n l2n donde en el ltimo rengln ae utiliza el hecho de que la funcin de densidad normal ti pificada es cero. Efectuando el cambio de variable x : *t/T en la ltima integral, obtenemos

P(Y < = -! fs rrrze-uz t/2r Jo d.t Pero esta es una distribucin chi-cuadrado con 1 grado de libertad, como se ve al pgina 116, y utilizar el hecho de que r() = V7. colocarz: 1 en (39),

136 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 2. lcAP.4 4.37. Demostrarel Teorema 4-3,pryina 116, para v : Por el Problema 4.36 vemos que si X y X2 es;tn distribuidas normalmente con media 0 y varinza 1, entonces X? V X3 tienen distribucin chi-cuadrado con 1 grado de libertad cada una . Entonces del Problema 4.35(b), u"mo. qi" Z = X?*X2" tiene distribucin chi-cuadr ado con 1 * 1:2gradosdelibertadsiXr y X2 son independientes. El resultado genera l para todos los enteros positivos l. se deduce en la misma manera. Vase Problema 4.150, 4.38. La representacin grfica de la dishibucin chi-cuadrado con 5 grados de liberta d se muestra en la Fig. 4-18. (Vase las consideraciones sobre notacin en la pgina 116 ). Hallar los valores de xf, x! por los cuales (a) el rea sombreada a la derecha: 0.05, (b) el rea total sombreada: 0.05, (c) el rea sombreada a la izquierda: 0.10, X,, Fig. X,, (d) el rea sombreada a la derecha: 0.01. 4-18 (o) Si el rea sombreada a la derecha es 0.05, entonces el ea a la izquierda de represen ta la nonagsima quinta percentila, x.esr. xl es (1 - O.O5): 0,95 y xz2 Refirindose a la tabla en el Apndice E, en la columna /, bsquese el valor 5. Entonc es procdase hacia la derecha hasta la columna x%r. El resultado 11.1 es el valor pedido de 12. (b) Puesto que la distribucin no es simtrica, hay muchos valores par a los cuales el rea totl sombreada : 0.05, Por ejemplo, el rea sombreada a la derec

ha puede ser 0.04 en tanto que el rea a la izquierda es 0.01. Sin embargo, se aco stumbra, al menos se especifique lo contraio, escoger las dos reas iguales. Entonces, en este caso cada rea:0.026, y Si el rea sombreada a la derecha es 0.025, el rea sombreada a la izquierda de x3 e s 1 j iepresenta la percentila 9?.5, xz:,r,la cual del Apndice E es 12.8. - 0.025: 0.9?5 Anlogamente, si el ea sombreada a la izquierda es 0,025, el rea a la izquierda de x? es O.O25 representa la percentila 2.5,x?os,la cual es igual a 0.831. Por tanto l os valores son 0.831 y 12.8. y x? (c) Si el rea sombreada a la izquierda es 0.10, xi representa la dcima percentila,2,,,,Ia cual es igual a 1.61. (d) Si el rea sombreada a la derecha es 0.01, el tea a la izquierda de percentila 99, x.2gs, la cual es igual a 15.1. a! es 0.99 y 22 representa la 4.39. Hallar los valores de 2 para los cuales el rea de la cola 15; (b) 32.? conespondiente a la derecha de la distribucin 2 es 0.05, si el nmero de gndos de liberbad v es igu al a (c) 15, (b) 2I, (c) 50' Utilizando la tabla en el Apndice E hallamosenlacolu mna 2er, los valores: (a)25.0 correspondientear: av:21, (c) 67.5 correspondiente a z: 50. 4.40. Hallar el valor de la mediana de libertad. !

que corresponde a (a) 9, (b) 28 y (c) 40 grados de UtIizando la tabla en el Apndice E, hallamos en la columna ,2-, (puesto que la media na es la percentila 50 ) los valores: (o) S.34correspondienteav:9;(b) 2T.3corres pondiente av:28; (c) S9.3correspondiente^v :40. Es de inters notar que los valores de la mediana estn muy prximos al nmero de los gr ados de libertad' En efeco, parav> 10 los valores de la mediana son iguales av 0,7, como puede observarse de la tabla.

cAP.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPTO 13? 4.41. Hallar xlerpm (a) v : 60 y (b) y - 100 gados de libertad. / mayor que 30, podemor utiliza el hecho de que ({Tx2 - r/2, - t etl ci dbEibuido nor mlmenc con medie certr y varianza uno. Entonca ti z, er la percentil 10Op de l ditrlb ucin nornd tipilicada, podemoe ercribir, oon un alo grado de aprorimacin, Para ,Elrode donde t6=t = ,o 6 ,FA = zp I t/Ft x| = *(zo+tffjz (o) Si v=50, (b) Si r=100, DISTRIBUCION x3s dado en el Apndice E. xlgs = \@.es+ftool-t)2= +(1.64+rfssz =69.2,locualetdecuerdooonelvalor6?.6 = f,,(z.ss+rtrOool-tz = |(1.64+/199P = 124.0(vlorrel =L24.3). DE STUDENT 4.42. Demostrar el Teorema 4-6, pgina 117. Pueeto que Y ert ditribuide nomalmente con media 0 y varianza 1 ru funcin de denidad e (r) Puesto que Z tiene distribucin chi-cuadrado con (21 1" --: e-!'/2 12" / gradoe de libertad su funcin de denidad ee 0 +GE2Q/D-!-zn z) 2 rcn \/21 2'/2 r(v/z\ 0. Debido a que Y y independientee u funcin de denidd coqjunta er 6l producto de (I ) y (2),er dccir z<v/z)_te_ :|-r+zr/2

para -o 1g 1lo, z ) La funcin de ditribucin de I = Ylt/ffi e F(u) = P(T=r) = P(Y=er/Zfi) = y@2,rzrl,/4 f ( 7<rrz>-r e-<yz+ztrz ,y 2 # donde la integral e toma obre la regin ( del pleno lz parn l crl g ut/. himero fijamor r z b = integramos con reepecto a y d ede - @ hast rl/z/r.Lu {p integrannr_conrespecto az dede 0hato. Por tanto tenemos Remplazando F(xl = ,-j(* - - va J"' {2r2,tzt'(vl2\ ),=o"r,,rr-r"-,,rf "ffi "-r,,tzul" LJ":_-e A = urfi en la integral entre parnteais rectangulares hallmo - (' F(r) = _ tf Jr=-. zo/2)-re-z/21ffi e-uzzr2, dud,z \f 2nz,tzl(vl7\ Jz=o = ,/ ..u\ - = ;lt * T ) eeto puede eocribire d,, *^ I' = *l ": como z('' - t' / 2 e- zl ztt + <t2 | v>r a")au ( " Susituyendo F(r) = G;,"^' + zo+"/2 "'=-* d.u [f=. #;#;"a']au

de acuerdo con lo pedido. -/, '\ z / (, tnr( z\ Ju= -' - \2/ r\ (l + u2'<'+t>rz

138 DTSTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP.4 4.43. La representacin grfica de la distribucin (c) el rea sombreada a la derecha en la Fig. 4-19. Halla el valor de 1 para el cual de Student con 9 grados de libertad se muesha : 0.05. (b) el rea total sombreada: 0.05, (c) el rea total sin sombrea: 0.99, (d) el rea sombreada a la izquierda : 0.01, (e) el rea a la izquierda de , sea 0.90 . ._tr Fig. 4-19 tt (a) Si el ea sombreada a la derecha es 0.05, entonces el rea a la izquierda de es (1 rep reeenta la percentila 95, .e;. - O.O5): 0.95 y r Refrrindonos a la tabla en el Apndice D, bsqueee en Ia columna y el valor 9. Entonc eg bequese la c.olumna .es. El resultado 1.83 es el valor pedido de t (b) Si el rea total ombreada es 0.05, entonced el rea sombreada a la derecha es 0.025 por simet ra. Por tanto el ea a la izquierda de 1 es (1 - 0.025): 0,9?5 y r reprecenta la perce ntila 9?.5, .er5. Del Apndice D hallamoe 2.26 como el valor pedido de . (c) Si el i rea total sin eombrear ee 0.99, entonces el rea total sombreada es (1 - 0.gg) = 0 .01 y el rea sombreada a la derech es 0.01/2 : 0.005. De la tabla hallamos t.css = 3.25. (d) Si el rea sombreada a la izquierda es 0.01, entonc s por simetra el rea so mbreada a la derecha es 0.01. De la tbla t ss = 2.82. Por tanto el rea de t para e l cual el rea sombreada a la izquierda es 0.01 es (e) -2.82. Sieleaalaizquierdade es0.90,entoncesl correspondealapercentilagO,.e0,quedelatab laes igual a 1.38. 4.44. HaJlar los valores de f para los cuales el rea de la cola a la derecha de la distribucin si el nmero de grados de libertad es igual a (c) 16, (b\ 27, (c) 200. es 0.05 Refirindonos al Apndice D, hallamos en la columna te, losvalores: (o)L,75 correcpo ndienteay:16;(b) 1.70 correspondiente a v = 27i (c) 1.645 correepondiente a y: 2 00, (El ltimo e el valor que se obtendra utizando la cuva normal, En el Apndice B ete

aloi corresponde a la enhada en la ltima fila macada ). DISTRIBUCION 4.45. Deimostrar el Teorema 4-?. La funcin de densidad conjunta de f '' V y V2 et, dada por 1 (, t, t;) = 6"i, -1)(v'\/2) "-.','') (? rr^ o(vz/2) -| "-',,r) a\, J z t - t u(v2/ 2) - 1 ez(vt+ v2)/2 lQl/21 f (u2/2) <t | + 2)' ri o, ) 0, a, ) 0 y 0 de otra forma. Efecte Ia transformacin u 1/ v1 ,lL=-=_r=02 L"a/ ar t'2 | vl1t2' . ODt=r,DZ= l1U7D Entonces el Jacobiano es i';:"i = l::"',:: ::',:,::l = l"*:" 'u':'" Denotando la densidad como funcin de u y w por g(u, t,rl), tenemoe | 1U) t,2 g(u,u) = .[,nD\]uJur0;l4\ -1f 'pw\"rz'-' ID'-''-"e '"''o'-, r / Ll+

lvt/v)),la/2, vlW v2

cAP.4l si u DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 139 > 0, u, > 0 y 0 de otra forma. r desde La funcin de densidad (marginal) de U puede encontraree integrando con recpecto a decir 0 hata , er hkt) = ei u (- *r,,,+t,2\/2)-t e-tt+<v{/v2)t(o/2> z(tt ' u2)/2 t0t/21 l,(vz/2) Jo -tL-!:j!:: -:(I5), Apndice A, ( " *, - t e- au d.ut = t'(P) ap Jo da) ) 0 y 0 ei rt 0. Pero de Tenemoe (r h(u) / v2\vr/2 4Q 1/'' - t ,\i = /v' I vr\ ) si u ) 0 y 0 i z 5 0,

que es el reeultado pedido. 4.46. Demostrar que la distribucin F es unimodal en el valol v' ' La moda localiza e! valor mximo de la funcin de deneidad. A diferencia de una cone tante, la funcin densidad de la ditribucin F es r[(t,i/2)--t (v2:L vru)-(r,t r rz)tz Si tiene un mximo relativo se presentar cuando la derivada sea cero, es decir (r, i \rn) 2\ / v' \ si v, ) 2' de (; ,\z ,,\rt,',r' / 2(,2* r,rt) ('r +t2)/2 .t,,,,t)tyt ('4fa) (,2* .\ z /.r1u)-(,,+v2't/2r-r = 0 Dividiendo Wt ut|ti2)-2(t2l tt)-[("\+t.\/2i-r, ir ua 0, hallamoa \-i.-'1t'"tvp)-uvr\j-:, /,,, \.

/,,1 -,'r2\ ) = 0 trt ry = /,1-2\/ /\;TZ) \ (-" se Utilizando el criterio de la segunda derivada podemos demoetra que realmente trata de un mximo. 4.47. Utilizando la tabla para la distibucin F en el Apndice F, hallar () F.o.r,s,so, (d) F.ot,rr,n. (o) DeI Apndice F, donde.ul F'.rr, ro. rr, (b) F .ee, rr.o, (c) = 10, \ : ,.., 15, hallamog .F' gs, ro, rs = 3.80, (b) Del Apndice F, donde vt -- L5, =9, hallamos F.oc.l,0 = 4.96. 11 ,. (c) Por el Teorema 4-8, pgina 118, r.ob,s,io = F_ .9.5,30,8 = 3.0g (d) Por el Teorema 4-8, pgina 118, = 0.326. F.o,,,r,l=

*;; = # = 0.257. RELACIONES ENTRE LAS DISTRIBUCIONES F, 2 y 4.48. Verificar que (o) /.ss : t?n (b) fl.ss : ", primera f.'rrr. (a) Comparar ia entradas en la columna de la tabla F. o5 en el Apndice F con ea en l distribucin bajo .e75. Vemos que 18.5 L6l = (72.71)2, : (4.502, 10.1 = (3.18)2, 7.7L = (2.78)2, etc.

140 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP.4 (b) Comparar la enhadas en la primera columna de la tabla F.ee en el Apndice F conegar enladistribucin bajo .eer. Vemos que 4050 : (63.66)2, 98.5 = (9.92)2, 34.1 = (5.84)2, 21.2 -- (4.60)2, etc. 4.49. Demostrar el Teorema 4-9, pgina 118, que puede establecerse simplemente com o F r-p = t? ott l(4),pgina 11?]. Entonces y a.s generalizar los resultados del Problema 4.48. Sea 11 - l, v2 = v en la funein de densidad para la distribucin F f (ul = ,t, ,'. '\2/'\2/ "11\ "/r\ t -/, + r\ r( ol -r-

,u/2-r/2(y + ul-(r1tr/2 ^/, \ : {",9 " / +1\ -t'* "" t / vv/21l-12v-(,,*rr,r( ,.',- o) r\ \ '/ ll '=2 | '\ ;4*)___\-,/ para u /_u_r,r(l +3!) t r-ru+l)/9 ) O, y que P(U 5 .Ft-o) f(u): 0 para < 0, Entonces por la definicin de un valor de percentila, P. Por tanto ^\ F,-,es el nhmero tal = 7* t\ "/" ,', I ^F, t { l'-'u-r,r n'(;)" ,./" + r\ \ / l+1) "/ \-(!!'/'l

tru = } -p En la integral efectfe el cambio de variable t=t t/-u: r)r'rl '\ J -'(f+- dt = t-p 2-r 2,-l r,rtF,l / +z\-r \ '/ =,(;)" \/ Comrarando con (42), pfuina 116, vemos que el lado izquierdo de la ltima ecuacin es igual a z. P(.0 <'T = *t/Ft_o) donde ? es una variable aleatoria con distribucin de Student con u grados de libertad, Por tanto t-P 2 = Pp<T:;+tfttur = P(T s +VFt-p) - P(f 0) = = P(T=+\E|-+ donde hemo usado la simetra de la distribucin . Reolviendo, tenemos P(T=+tlrno = t -Pi

CAP,4] DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L4t Pero, por definicin, tt tt/z. es el nmero al que P(T=tt,(p/z\\ = l-?, y este nfimero se determina finicamente, ya que la funcin de densidad de Ia distr ibucin positiva. Por tanto es estrictamente +\/F; que era lo que se querfa demostrar. = tt-(p/zt Fr-p : tl2t'-tptz', 4.50. Verificar el Teorema 4-10, pgina 118, para (a\ p : a1 0.95 y (b) p : 0.99. (c) Comparar las entradas en Ia ltima fila de la tabla F o= en el Apndice F (correspon dientes las entradas bajo .1; en el Apndice E. Entonces vemos que a r': ) con etc. -. 3.8t (b) -- ;. 3.94

3.00 =;, K (r(r .7 2.60 -- ;, 't7 2..,, _ 9.4! 4 2.21 , Ll .L ;+, lo cual provee la verificacin requerida. Comparar las entradas en la ltima fila de la tabla .F e,; er el Apndice F (corresp ondientes las enhadas bajo x:nn en el Apndice E. Entonces vemos que 6.GB a ', = @) con = "'13. 4.il = (4 . s.78 = #. s.s2 T r.02 = #. etc. lo cual provee la verificacin requerida.

La prueba general del Teorema 4-10 se deduce tomando el lmite cuando U2 la prfuin a 117. Vase Problema 4.145. + * en la distribucin F en DISTRIBUCION NORMAL BIDIMENSIONAL 4.51. Sean X, Y variables aleatrias cuya funcin de densidad conjunta es la distribucin normal bidimensional. Demostrar que X, Y s on independientes solo si su coeficiente de correlacin es cero. Si el coeficiente de correlacin p = 0, entonces la funcin de densidad normal bidim ensional (49), pgina 118, se convierte en l@, los valores de = t-+o-, !,,',r"?ll--+"-,, lotll, )Lo.:\/2= en ,,,',,r'il ) y y puesto que este es un producto de una funcin solamente r, y se deduce que X, Y son independientes. r por una funcin solamente en y para todos ser el Inversamente, si X, Y son independientes, f(x, y) dada por (49) debe para todos los valoxes de x, producto de una funcin solamnte en.r y una funcin solamente en y. Esto es posible slo si p : 6. DISTRIBUCIONES DIVERSAS 4.52. Hallar la probabilidad que en lanzamientos sucesivos de un dado honrado re sulte un 3 por primera vez en el quinto lanzamiento. Modo 1. La probabidad de no obtener un 3 en el primer lanzamiento es 5/6. Anlogamente la p robabilidad de no obtener un 3 en el segundo lanzamiento ee 5/6, etc. Entonces l a probabilidad de no obtener un 3 en lo primeros cuaho lanzamientos es (5/6)(5/6) (5/6X5/6): (5/6)4.Por tanto la probabidad de obtener un 3 en el quinto lanzamient o es 1/6, la probabilidad pedida es Y/r\ \6i \6/ / s c,25 77i6

L42 . DISTRIBUcIoNEs DE rRoBABTLTDAD coN NoMBRE Mtodo 2 (utilizando ftmula). pedida er pRopro [cAp. 4 Utilizando la ditribucin geomhica, pgina 118, eon p: Ll6,q:616, :6 Gzl vemo que la probabilidad /t\/o\' _ \6/ \6 / pgina 119. i7't6 4.63. Verifrcar las expresiones dadas para la (a) media, (b) la variarrza, de la distribucin Weibull, (o) t' = E(X) = JO f abrb e-o"o d,r I ), \i)"-";""tb)-t a-ub I ur/be-! du Jo a_,tbr donde hemo tilizado Lr ustitucin u f@ ab ('/"\ du /' (r. i) integral. : atb pa.ra evaluar la () E(Xz = fooOro*r-otolg r "b ('/z\r*ttro> e-!:u(t/b)-t = o"o )o \;/

du (' = o-r,oJs u,be-! = o-2/br\t + a) Entonce / o\ u 02 = El(X-u21 = E(Xz)-uz = PROBLEMAS DIVERSOS o-",of (1 + 3) b/ L\ - p(\ t + +)-l /J 4.64. La probabilidad de que un estudiarte que ingrese a la universidad se gradees 0.4. Determinar la probabilidad de que de 5 estudiantes (a) ninguno, (b) uno, ( c) al menos uno, se grade. (a) P(ninguno ee grade) = 5Cs(0.4)0(0.6)r : 9.977?6, aproximando 0.08 (D) P(re gr ade uno) = 5Cr(0.4)1(0.6)4 = 0.2692, aproximando O.26 (c) P(al menos uno re grade) = 1 -P(ninguno se grade) :0-92224, aprorimando 0.92. 4.55. Cul es la probabilidad de obtener un total de 9 (o) dos lanzamientos de rn pa de dados? en veces, (D) al menos dos veces en 6 eado por (1,

Ca un de le 6 form en la cuales el primer dado puede daer est aociada con cada una de s 6 forma lu crle cl rundo drdo puede crer, alf hay 6 . 6 = 36 forma en las cuales amb o dadoe pueden caer. Eta on 1 cn el grimer dado y 1 en el regundo dado, 1 en el prim er dado y 2 en el regundo dado, etc., f, 11, 2, etc.

cAP.4I DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 143 De estas 86 forma todar igualmente factibles i los dados on honrado, un total de 9 o curte en 4 cqlos (3, 6), (4, 5), (5, 4), (6, 3). Entonces la probabilidad de un t otal de 9 en un olo lanzamiento de un per dddados esp :4136:1/9 y la probabilidad de no obtener untotaldeg enunsololanzamiento esq=L-p8/9. (o) P(9 do veces en seis lanzamientos = 6"'\t/ /q\t-' - -"^11Y \0/ -61 441 6sl 440 (b) P(al meno 9 doeveces) (9 seis vecee) =P(9 dos vecee) *P(9 trecveces) *P(9 cuatro vec.er)*P(9cincovecer)*P - /r\'/e\a, ^ /r\'/e\', ^/r\'/a\', ^ /r\ta, ^ /r\u = 'c'(o/ \/ * '"'(;/ \;/ * '"' (;/ \/ * '"'foi * '''Gi 72689 1 10240 960 48 61 = 681 440 65f T - 5gr 441 * ss1 441 - 5Bt 441 = 531 441 441 Otro mtodo. P(al menoe 9 doa veco) : 1 P(9 cero vecer) P(9 una vez) : ,-- ."'\g/ ' ^/rY/s\u- 6u,\0/ \e/ \s/ ^/l\'/q\' ffitZ 7268s 4.6. Si la probabilidad de un tornillo defectuoso es 0.1, hallar (c) la media y ( b) la desviacin tpica para la distribucin de tornillos defectuosos de un total de 4 00. (a) Media :

np :400(0.1): 40, es decir podemoselpemr que 40 tornillo esn defectuosos. (D) Varianza : npe: (40OXO.1XO.9): 36. Por tanto la deacin tfpica = /56 = 6. 4.5?. Halla los coeficientes de (a) sesgo y (b) curtosis de la distribucin en el Problema 4.56. (a) (b) Coeficientedeeeego= Puesto que es positivo, la distribucin est sesgada a la derecha. == vnpq H = 0.133 coeficienedecutosis: l,a ditribucin ee s+l---^6:q : 3+ff1-6(0'1X0'9) = nuq 3'01 ligeramente m apuntada que la distribucin normal. 4.58. Las calificaciones de un parcial corto en biologa fueron 0, L,2,. . . , 10 puntos, dependiendo del nmero de respuestas conectamente solucionadas de un total de 10. La calificacin media fue 6.? y la desviacin tpica fue 1.2. Suponiendo que l as calificaciones estn distribuidas normalmente, determinar (c) el porcentaje de estudiantes con 6 puntos, (b) la calificacin mxima del L0% ms bajc de la clase, (c) la calificacin mnima delL0% ms dto de la clase. (a) la ditribucin normal a datos discetoe, eb necesario conidcrar los datoe como si fue ran continuoe. Por tanto una calificacin de 6 puntos e corsidera como 5.6 a 6.5 pun toe. Vase Fig. 4-20. Para aplicar

: 6.5 en unidader tipificadar : 5.5 en unidadee tipificadar hoporcin pedida: ea entre : : - 6,7)1L.2 = -'1.0 (6.5 - 6.7)1L.2:{).17 z: -1 y z:-4.17 (5.6 (rea entte 0.3418 y e = 0) (re entre z :{.17 z: -1 y 277o z: O) 0.0676 : O.2788:

L14 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP.4 - I -0.17 I'ig.4-20 Fig. 4-21 (b) Sea r la calificacin mxima pedida ] z !u equivalente en unidadec tipificadas. De la Fig. 4-2L el la izquierda de z eo LOT, = 0.10; por tanto rea, a Area entre zt y O: 0.40 : -L.28 (aproximadamente). zt Enonces zt = (xt - 6.7)lt.Z :-t.28y r:6.26 6 aproximando y al entero m cercano. (c) Sea .r2 la calificacin mnima pedida zz =L.28. Entonces (x2 6.7)17.2 ! 22 Eu equivalente en unidades tipificadas. Si (b), por simetra : L.28,x2:8.2 u 8 aproximando al entero m cercano. 4.69. Un contador Geiger se emplea para contar la llegada de partculas radioactiv as. Halla la probabilidad de que en un tiempo f no se cuenten partculas. La Fig. 4 -22 repteeenta el eje de tiempo c.on O como el origen. La probabilidad de que se cuente una parfcula en el tiempo Af ee proport t tatr cionl a At y puede eecribire como l, At. Por tanto la probabilidad de no contar en el tiempo At ec 1 - I At. Me precisamente, exiatirn trmino adicionalecqueincluyen a (A)'y rdene ruperiores, pero no se consideSea P6 () r-----]--l Fig.4-22 o ran si A es pequeo. la probabidad de no cuenta en el tiempo t Entonces Po ( + At) es e no cuenta en el iempo + A. Si se suponen lar llegadae de lae pendientes, la probabilidad de no cuenta en el tiempo t * At es el a probabilidad de no cuena en el tiempo y la probabilidad de no po Af. Por tanto, rin considerar los trminoe que incluyen (A)2 y tenemoS la probabilidad d partcula sucegos inde producto de l cuenta en el tiem trmino cuperiores,

(r) De (I ) obenemos (2) Po(+a) = l Ps()[1 -IA] = -IPo () At+0 lim Po(-f a) PoQ\ e decir (.r) dlu dt = -^po u dP" n 6 = ->'t Reolviendo (3) por integracin obtenemos lnPn = -X + cl PoQ) = -Lt Paa determinar c notamoc que si = 0,P6(0): c e la probabidad de no cuenta en eliempoG rro,que lgicamente e 1. Por tano c = I y l probabilidad pedida ee (11 Po() = -^t 4.60. Refiindose al Problem^ 4,69 halla la probabilidad de exactamente una cuenta e n el tiempo t.

cuerta en el iempo SeaPl() la probabilidad de una cuenta en el tiempo f+ I de modo queP(t + Af)er la probabilidad deun A. Entoncee tendremos una cuenta en e l tiempo f * Af en lor riguientee dos cao mutuamente excluyenter: (i) 1 cuenta en el tiempo f y 0 cuentar en el tiempo At (ii ) 0 cuenta en el tiem po y 1 cuenta en el tiempo A

cAP.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 145 La probabilidad de (i) es P1()(1 - I a). La probabilidad de (ii) es Po()I at. Por tanto, sin coruiderar los tminos que incluyen (A)2 y ruperiores, (r) Esto puede escribirse Pl ( + a) = Pr ()(1 r a) + P0 ()r a Pr ( + (2) l) Lt - I"(t) = XF'o() IP1 () ge Tomando el lfmite cuando Af -+ 0 y utilizando la expresin para Pe() obtenida en el Problema 4.59 esto convierte en dP, tr-At (3) dt = ^Pl o d.P, u) Multiplicando por (5) e^ d.t * \P, - e-rtt

esto puede escribirse como d. @xtPr) = x que al integrar (6) Pr(t) = \-r+c2e-\r Si : t:0, P1(0) eo la probabilidad de 1 cuenta en el tiempo 0, que es cero. Utilizando eto en (6) hallamos Pt () c2 0. Por tanto (7') = - rt Continuando de esta forma podemos demostrar que la probabilidad de exactamente n cuentas en el tiempo est deda por (8) Pn(t\ = (^t);i que es [a distribucin de Poisson. Problerna,s supletnenta,rlos DISTRIBUCTON BINOMIAL (BERNOULLI) 4.61. Halla la probabilidad de que al lznz,ar una moneda honrada 6 veces aparezcan (o) 0, (b ) 1, (c) 2, (d) 3' @l a, (n 5, @l 6 caras. caras, (b ) menos de 4.62, Illa la probabilidad de (o\ 2 o mr

honradas. 4 caras en un solo lanzamiento de 6 monedas hallar (o) P(X = 4.69. Si P(X=2), X denot el nmero (d) de caras en un solo !nzamiento de 4 monedas, 3), (b\ P(X <21' (c) P(1<x=3). Suponer 4.64. DeSOOfamiliacon Shijos, cuntaseeperarantener(o)3nios,(b)5niar, (c)o23nios? probabilidades iguales para nios y nias. 4.66. Hallar la probabilidad de obtener un total de 11 (c) una vez, (b) dog vece3' en dos lanzamientos de un par de dados honrados. con un par de dados? Cul es la probabilidad de obtener un 9 exacta mente una vez en 3 lanzamientos 4.66. 4.67. Hallar falo. la probabilidad de acerta correctamente al meno 6 de 10 resruestas en un examen tip o verdadero-

L46 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.4 4.68. Un agente de una compaa de reguros vende plizas a 5 personas, todas de edad idntica y c on buena salud. De acuerdo con las tablas de los actuarioe la probabilidad de qu e una persona de esta edad especfica est viva en 30 aos es 213. Hallar la probabili dad de que en 30 aos (o) Ias 5, (b ) al menos 3, (c) solament e 2, (dl al menos I persona est viva. 4.69. 4.7O. Calcular la (o) media, (b) desviacin tpica, (c) coeficiente de sesgo, (d) coeficie nte de curtois para una dishibucin binomial en la cualp : 0.? y n : 60. Interpreta r los resultados. Demostrar que si una dishibucin binomial con n : 100 es simhica, su coeficiente de curtosie es 2.9. 4.71. 4.72. Evaluar (o) ) (c p\3 f (r) v (b) > (r - r)af(rl para la distribucin binomial. Demostrar las frmulas en la pgina 109 para los coeficienes de seego y curtosis, DISTRIBUCION NORMAL 4.79' 4,74, En un examen la media fue 78 y la desacin tpica 10, (a)Determinarlas calificaciones tipificadasdedog estudiantes cuyos puntajes fueron 93 y 62 respectivamente, (b) Determinar los puntajes de dos estudiantes cuyas calificaciones tipificadas fuer on y 1.2 respectivamente,

-0,6 Hallar (o) la media y (b) la desviacin tfpica de un examen en el cual los puntaje s de ?0 y 88 corresponden a calificaciones tipificadas de -0.6 y 1.4 respectivam ente, entre (o) 4.75. llallar el rea bajo la curva normal z: 0.50. z:-I.2O y z --2.4O,(b)z=I.23yz:1.82, (c)z:-2,85V 4.76. Hallar el rea bajo la curva normal (o) a la izquierda de z : -1.?8, (b) a l a izquierda de z:0.56, (c) a la derecha d,e z: -1.45, (d) correspondientea z>:2, !6, (e)correcpondientea-0.80< z< !,58, (/)ala izquierda de z:-2.52 y a la derech a de z: 1,83. 4,77, Si (c) P(lzl > r). Z est distribuida normalmente con media 0 y varianza 1, haltar (a) P(Z = -1.64), (b) P(-1.96 =_ Z < t.96), 4.78: Hallar los valores sea 0.900. 0.0314, (c) el rea entre de z tales que (a) el rea a la derecha de z sea 0.2266, () el rea a la izquierda de z sea -0.23 y z sea O.5722, (d) el reaentre 1.15 y z *aO.O?30, (e) el iea ene-z y z 4.79. Hallarz si P(Z-21)= 0.8{, dondeZestdistribuidanornalmenteconmedia0yvarianzal. 4.80' 4.81' 4.82. Si X est distribuida normalmente con media 5 y desviacin tipificada 2, hallar P(X > S). entre 1.59 y 1.El m inclusive, (d) igual a 1.?0 m? cm, cuntos estudiantes tienen estaturas (o) nayores que 1.85 m, (b) menos que o igu ales a 1.55 m, (c) Si las estaturas de 300 estudiantes estn distribuidas normalmente c\on media 1.?O m y desviacin tpica 10 Si los dimetros de los cojinetes de municiones estn normalmente distribuidos con m edia 0.6140 pul y desviacin tipificada 0.0025 pul, determinar el porcentaje de lo s cojinetes de municiones con dimetros (a) entre 0.610 y 0,618 pul inclusive, (D)

mayor que 0.61? pul, (c) menores que 0.608 pul, (d) iguales a 0.615 pul. La calificacin media de un examen final fue 72 y la derviacin tpica g. El l}',b sup erior de los estudiantes recibirn una calificacin A (excelente). Cul es la cslificac in mnima que debe obiener un estudiante para recibir una A ? Si un conjunto de med iciories est distribuido normalmente, qu porcentaje de esas mediciones diferir de la media por (o ) ms de media desviacin tpica, (b) menos de hes cuartos de desviacin tp ica? Si 't es la media y o la desviacin tpica de un conjunto de mediciones que estn distr ibuidas normalmente, qu porcentaje de las medicione estn (o) dentro del recorrido I, t ! 2 o, (b) por fuera del recorrido t ! 1.2 o, (c ) mayor que g 1.5 o? 4'83. 4.84. 4.854.86. EnelProblema4.gShallarlacontanteatalqueelporcentajedelocasos(o)dentrodelreco rrido 7 ',t'c, (b) menos que p - oo ea 22c/a. lt!aosea

cAP. 4l DISTRIBUCIONES DTSTRTBUCTONES DE PROBABTLTDAD CON NOMBRE PROPTO PROBABILIDAD PRO PIO I47 L47 APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL 1.87. 4.88. Hallar la probabilidad de que en 200 lanzamientos de una moneda resulten (a) ent re 80 y 120 caras inclusive, (b) menos que 90 caras, (c) menos de 85 o ms de 116 caras, (d) exactamente 100 cara. Hallar la probabilidad de que un estudiante pued a acertar eorrectamente lasrespuestas a(a)12 o ms de 20, (bl 24 o ms de 40 pregunt as en un examen tipo verdadero-falso. 4.t9. 4.90. Una mquina produce tornillos, 36 LO"/o de los cuales son defectuosos. Hallar la probabilidad de que en un muestre oaleatorio de 400 tor4illos producidos por estamquina (a)mximo 30, (b)entre 30y 60 , (c)entre y 46, (d) 55 o ms, de loe tornillos sean defectuosos. Hallar la probabilidad de obtener ms de 25 "sietes" en 100 lanzamientos de un par de dados honradoe. DISTRIBUCION DE POISSON 4.91. 4,92. Si 3% de las lmparas elctricas producidas por una compaa son defectuosas, hallar la probabilidad de que en una muestra de 100 lmparas elctricas (a) 0, (b) 7, (c)2, (d ) 3, (e) 4,(n5lmparar sean defectuosas. En el Problema 4.9!, hallar la probabilid ad de que (of rns de 5, (b) entre 1 y 3, (c) menos de, o 2lmparas elctricas sean defectuosas. 4.93. Un talego contiene una bola roja y siete blancas, Se extrae una bola y se obsen'a su color. Entonce s se coloca la bola en el talego. Utilizando (o) la distribucin binomial y (b) la aproximacin de Poisson a la distribucin binomial, hallar la probabilidad de que e n 8 de tales extracciones se seleccione una bola roja 3 veces. Segn Ia National Office of Vital Statistics of the U. S. Department of Health, Ed ucation and Welfare, el promedio de ahogados en accidentes por ao es 3,0 de cada 100 000 personas. Halla la probabilidad de que 4.94. enunaciudadcuyapoblacinesde200000ocurran(a)0,(b)2,(c)6,(d)8,(e)entre4y8,(f)menosd eS

ahogados por ao. 4.95. Demostrar que si respectivostrr X1 l X2 son variables independientes con distribuciones de Poisson con parmetros y trz,entoncesXr+X2 tieneunadistribucindePoissonconparmetro),1 t\,2.(Sugerencia: Utiliz,ar la funcin generatriz de momentos). Generalizar el resultado a n va riables. TEOREMA DEL LIMITE CENTRAL 4.96. 4.97. Demostrar el teorema del lfmite central para el caso en q rre X , Xz, . . . son i ndependientes y estn distribuidas idnticamente con la distribucin de Poisson, ( t 3 ), pgina I 1 1 . Demostra el teorema del lmite central para las variables independientes xk = 4.98. ( L 1 prob. 1/2 prob. 1/2 -r -t Demostrar el teorema del lmite central para las variables independientes 'Yk donde g = | | 1 prob. p pr.b. r : L p, ar generalizando el Problema 4.97, del lmite central no sea vlido en el caso que X . Xz, . . , 4,99. Explicar por qu se podra esperar que el teorema

engan la distribucin de Cauchy, f(r) =, f,#Tf DISTRIBUCION MULTINOMIAL 4.10O. Demostrar el resultado (l 7), pgina 113. -', <x< @ 4.101. Se lanza un dado honrado 6 rece, Halla la probabilidad de que el resultado s ea: (o ) 1 "uno", 2 "doses" y . "heses"; (b) cada caa una vez. 3

148 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cA.4 4.102. Una caja contiene una gran cantidad de bolas rojas, blancas, azules y ama rillas en la proporcin 4t 3z 2: L. Hallar la probabilidad de que de 10 bolasextrad a: (o) 4 rean rojas, S blrncar, 2 zzulee y l amarilla;(b)8 sean rojas y 2 amarill as. 4.103. Hallar la probabilidad de no obte4er un 1, 2 3 en cuatro lanzamientoe de un dado honrado. DISTRIBUCION HIPEBGEOMETRICA 4.104. Una caja contiene 5 bolas rojas 5l l0 blancas. Si se seleccionan 8 bolaaleatoriamente (sinremplazamieno) determinar l a probabilidad de que (a) 4 sean rojar, (b) todas sean blancas, (c) al menos una sea roja. dad de que (a) 6 sean figuras, (b) ninguna sea figura. 4.105. Si se seleccionan 13 cartas aleatoriamente (sin remplazamiento) de una ba raja de 62 cartas, hallar la probabili4.106. De 60 aspirantes a una universidad 40 son del oriente. Si se seleccionan 20 aspirantes aleatoriamente, hallar la probabilidad de que (o) 10, (b) no ms de 2, sean del oriente. 4.107. Emplear la aproximacin binomial (18) obtenida. (24\ se para resolver el Problema 4.106 y etudia la precisin 4,108. Demostrar directamente que (22),pgin;z 114, DISTRIBUCION UNIFORME reduce a (I ), pgina 108, cuando N ' e. 4.109. SiXestdistribuidauniformemente en-2< x=2.Hallar(al P(X <1), (b) P(lX-11 = +). 4.110. Hallar la funcin generatriz de momentos para la ditribucin uniforme. 4.111. Hallar (a) el tercero y (D) el cuarto momento alrededor de la media de una dishi

bucin uniforme. 4.112. Determinar el coeficiente de (a) > ll 6/. sesgo y (b) curtosis de una ditribucin uniforme. 4.113. Si X, Y son independientes y ambas eetn distribuidas uniformemente en el i ntervalo de 0 a 1, hallar P(lX - fl DISTRIBUCION DE CAUCHY 4.114. Suponga que X tiene una distribucin de Cauchydeacuerdocon(29),pgrna114,con < 2), (b) P(Xz > r2). recorrido gemi-intercuartlico es un eustituto de la desviacin tfpica? aritmtica tam bin tiene esta distribucin. o:2.Hallat(a) P(X i.115. Demostrar que el recorrido semi-intercuatlico para la ditribucin de Cauchyeeo . Porqu en este caso el 4.116. Demostrar que si X1 y X2 son independientes y tienen la misma distribucin {e Cauchy, entoncel su mdia 4.11?. Generaliza el resultado del Problema i.116. 4.11E. Si Xt y Xz son independientes y distribuidas de Cauchy. normalmente con media 0 y varianza l Demostrar que Y: Xt lXz tiene una distribucin DISTRIBUCTON GAMMA 4.119. Verificar que (31 ), pgina 116, es una funcin de densidad. Z. 4.120. Una variablealeatoriaX tiene una distribucin gamma conQ:3,9: 4.121. Determ inar los valore modales de la distribucin gamma. 4.122. Yerificar la (a) funcin gen eratriz de momentos dadas por (33 ), pgina 115. tlllar(o) P(X= 1), (t) P(l = X=2). y (b) la funcin caracterfstica de la ditribucin gamma

cAP.4l DISTRIBUCION BETA DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO t49 4.123. Verificr que (34),pSrrra 115, es una funcin de densidad. Hallar 4.124. lJnavariablealeatoriaXtieneunadistribucinbetcono:3,9:2. 4.125. Demostrar qu e la distribucin beta tiene una moda lnica en DISTRIBUCION CHI-CUADBADO r: (a l)/(a P(lX-+l = +). + p - 2\' 4.126. Para una distribucin chi-cuadrado con 12 grados de libertad, hallar el val or ie ,ti til gue (o) el rea a derecha de l sea 0.05, (b) el rea a la izquierda de x i sea 0.99, (c) el ea a la derecha de xl sea 0.025. 4.12?. Halla los valores de 2 pa ra los cualec el rea de la cola derecha de la dietribucin x2 de grados de bertad z ec igual a (o) 8, (b) 19, (c) 28, (d) 40. 4.128. Resolver el Problemz 4.727 si e l rea de la cola derecha es 0.01. ee la 0.05, si el r.rmero e.129. (o) llaltar x! y x? tales que el rea bajo la distribucin x2 correspondiente a v -- 20 91tt: 1i Y_4_.? 9:?^5: suponiendo ireae'ig,rales a la derecha de xB y a la izquierda de x!. (b) Demostrar que si la suposicin de reae iguales en la par te (o ) no se cumple, los valo-res de x? y x! no son nicos' 4.130. Si la variable U tiene distribucin chi-puadrado P(u < x?) : 0.50, (c) P(x? < U < x2z) = 0.90. 4.131. Halla (o) 4.132. Hallar (a) es la x.%t con y :7, hallar x2, y x!

tales que (a) P(U > x?rl = 0'025; () y (b) x.2gs para r = 150. 250. 2o egt x?ozs y (b) xizs para'r = 4.133. Demostrar que para grandes valores de 4.134. Demostrar que (a) E(xz) = DI STRIBUCION DE STUDENT 4.136, / una buena aprorimacin para percentila (100p) de la distribucin normal tipificada . v, \b\ Yar (7zl -- 2,' dada Por r * ,ol/l',donde zo hra una distribucin f de Student con 15 grados de libertad, hallar el valor de tal que (a) el rea a Ia derechade1 seaO.01,(b)elreaalaizquierdadetlsea0.95.(c)elreaaladerech ade1 eea0.10'(d)el sea 0.01, (e) el rea entre -f1 f f1 sea 0.95. rea combinada a la derecha de 1 y a la izquierda de -f1 4.136. Hallar los .valores de grados de libertad I para los cuales el ea de la cola derecha de es igual z (a) 4, (b) 12, (c ) 25, (d ) 60, (e ) 150. la distribucin es 0.01, si el nmero de 4.13?. Hallar los valores de r para la distribucin de Student que satisface cada u na de'las condiciones siguientes:

combinada a la derecha de y a la izquierda de (a)elreaentre-1 yt seaO.90yy:25t (b)elreaalaizquierdade-1 sea0.02'5yv=20'(c)elxea 16. v: -f1 sea 0.01 y ., : 6, (d) el rea a la derecha de 1 sea 0.55 ! 4.13E. Si una variable Utiene una distribucin de Student con .,:10, hallarlaconsta ntec talque (a\ 0.05, (D) P(-a= U 3 c) :0.98, (c) P(U = cl = 0'20, (d) P(U 2 c) = Q.9' P(U>c)= 4.139. Demostrar que para 1 grado de libertad la distribucin es una distribucin de Cauchy. 4.140. Demostrar que la vaianza de la distribucin t de Student con t, grados de li bertad DISTRIBUCION x ,/(, 2), v ) 2. f f.or,.' 4.141. Hallar el valor de: (a) F.ss,rs,rz; (b) F.gc,rzo.eo; (c) F.ss,oo,zi (d) F.or'so'lr-; Q) F.os,g,zoi (. i) 4.142. Verificar que la integral desde u lsugerenca: Hgase a

: 0 hasta e v2u).1 de la funcin de densidad (45', pgirn 117, er igual a 1. = t2ul(v1*

150 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.4 4.143. Demostrar el resultado (46),pfuinal77. 4.144. Demostrar el Teorema 4-8, pg ina LL8. (Sugerencia: Ilaga la transformacin u : 1/u). RELACIONES ENTRE LAS DISTRIBUCIONES CHI-CUADRADO,I Y T' 4.145. Demostrar el Teorema 4-10, pgina 118, DISTBIBUCION NORMAL BIDIMENSIONAL 4,146. Suponer que X, Y tienen la funcin de densidad conjunta f(r,A) = ke-(!z+2bra +"v'l donde a, b, c, constantes y b2 < c. Verificar que estas constantes son ls dad as en (19), prfuina 118. mente con varianzas h aon 4.147. Si X, Y mnjuntamente tienen la distribucin bidimensional (19), demostrar q ue e8t6n distribuidas marginal"? y oi respectivamente. PROBLEMAS DIVERSOS 4.14E. Halia el valor aproximado de (t3o),0.0r,r,0.e8zsa \z /' * (tlu)to.o2)a(0.e8)2ez \3 /' y dar una interpretacin de probabidad. 4.149. Si X est distribuida normalmente con media g y variznza grado de libertad? Vase Problema 4.36. 4.150. Generalizar el P roblema 4,37 demostando que si buidas normalmente con media 0 grados de 4.1 o2 , tiene X2 una distribucin chi-cuadrado con 1 X1,...,X, k=l son variablee aleatoria independiente disrluna distribucin chi-cuadrado con y

libertad. y varianza 1, ento'nces ) Xf ti"tt" 51. Si Xr,...,X, libertad respectivamente, hallar la funcin de distribucin de lonvaiablesaleatoasindependientescon ditribucinchi-cuadradoypr,...,prgradoe X + . . . + Xn. de 4.162.Porevaluacindelasseries dos del Problema (") 4.8. ^ =o ,^h., () io ",7ffi1., demostrardirectamentelosresulta4.153. Hallar la funcin generatriz de momentos de la ditribucin hipergeomtrica. 4.15 4. Sean las variables independientes n X, k=1,...,n, (vase pgina cada unacondistribucingeomtrica. Demostrarque k=l ) X* tiene distribucin de Pascal 118). 4.155. Puede deducirse la ley de los grandes nmeros en forma dbil del teorema del lm ite central? JuEtificar su solucin. 4.156. Demosha el teorema del lmite central para el caso donde Xt, Xz, . . . son i ndependientes pero no necesaria. mente tienen una distribucin idntica, 4.157. Completar la demostracin de la ecuacin (8) del Problema 4.6O, pgina I44,

4.15E. Demostrar el Teorema 4-5, pgina 116. 4,159. Demostrar que 2u (- c<ts -;.r,, rj +n'r l = 'oof 4.16O. Demostrar los resultados (20) y (23), pgi na 114. (a > o' o ;' o) 4,161. Demostrar que cuando v "> @ la distribucin f de Student tiende a la distribucin normal tipificada.

cAP.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 4.162, Estudiar qu le sucede a la varianza de l distribucin t 4.163. Estudiar qu le sucede a la media i (o) r = .F' f, (b) v = 2. y varianza de la distribucin gas para loc casos (o) (b\ v2= 4, (c) v1* 4.164. La probabilidad de que una molcula de un ideal terga una velocidad enhe u y u I du est dada por cuze-mv2lzkT du donde k e! la conson te de Boltzmann y T es la emperatura Kelvin del gas. Determina r (a ) la conetante c, (b ) la velocidad media, (c) la velocidad ms probable, (d) la velocidad efectiva(rme,esdecirlarafzcuadradade la velocidad media al cuadrado). Comparar sus resultados con l entrada 5, pgina 119.

Farte tl ESTADISTCA

Captulo 5 Teoro de muestreo POBLACION Y MUESTRAS. INFERENCIA ESTADISTICA Con frecuencia en la pctica estamos interesados en extraer conclusiones vlidas respecto a un grupo grande de individu os u objetos. En cambio de examinar un grupo entero, llamado la poblacin,lo cual puede resultar difcil o imposible, puede llegarse a la idea de examinar solamente una parte pequea de esta poblacin, que se llarna la muestra. Esto se hace con el propsito de inferir cieitos hechos respecto de la poblacin de los resultados halla dos en la muestra, un proceso conocido como inferencia estodstica. El-proceso de obtener muestras se llama muestreo. EJ EMPLO 5, 1 . Deseaamos extraer conclusiones reapecto a las estaturas (o pesoe ) de 12 000 estudiantes (la poblacin ) examinando solamentc 100 estudiantes (la mu ertra ) seleccionados de esta poblacin. EJEMPLO 5.2. Desearamos extraer conchsiones respecto al porcentaje de tornillo defe ctuosos producidosen una fbrica durante una semana de 6 dfas examinando 20 tornil log diariamente producidos en tiempos diferentes duant el da. En este caso los torn illos producidos durante la emana conforman la poblacin, en tanto que los 120 torn illos escogidos constituyen la muesha. EJEMPLO 5.3, Desearfamos ertraer conclusi ones respecto a la honradez de una moneda deerminada al lanzarla repetidamente. L a poblacin consiste en iodos lc lanzamientos poeibles de l moneda. Se podra obtener una muestra al examinar, por ejemplo, loa primeros 60 lanzamientos de la moneda y notar los porcentqiea de caras y sellos. EJEMPLO 5.4. Desearamos extraer conclusiones reapecto a los colores de 200 bolas (la poblacin) en una urna seleccionando una muestra de 20 bolas de la urna, donde cada bola seleccionada se regresa luego de observar su color. Deben notase varias cosas. Primero, la palabra poblacin no tiene necesariamente el mismo significado como en el lenguaje comn, como en "la poblacin de determinada c iudad es de 180 000". Segundo, la palabra poblacn se utiliza para denota la.s obser vaciones o medida.s y no los individuos u objetos. As en el Ejemplo 5.1 podemos h ablar de la poblacin de 12 000 estaturas (o pesos) en tanto que en el Ejemplo 5.4 podemos hablar de Ia poblacin de todos los 200 colores en la urna (algunos de lo s cuales pueden ser iguales). Tercero, la poblacin puede ser finita o infinita, e l nmero se llama el tamao de Ia poblacin, comtnmente denotado por N. En forma semeja nte el nmero en la muestra se llama el tamo de la muestr,c, denotada pot n, general mente finito. En el Ejemplo 5.1, N : L2 000, n = 100 mientras que enelEjemplo S. S,Nesinfinito,n: 60. MUESTREO CON- Y SIN REMPLAZAMIENT\O Si extraemos un objeto de una urna, tenemos la alternativa de colocarlo o no en la uma antes de una segunda extraccin. En el primer caso un objeto determinado puede seleccionarse una y otra vez, mienhgs qu e en el segundo caso solamente puede seleccionarse una vez. El muesbeo donde cad a miembro de una poblacin puede seleccionarre ms de una vez se llama muestreo con rempla. zamiento, mientras que si cada miembro no puede seleccionarse ms de una v ezwllamamuestreo sin remplazamiento. 155

156 TEORIA DE MUESTREO lcAP. 5 Una poblacin finita muestreada con remplazamiento puede tericamente considerarse i nfinita ya qqe pueden extraerse mueshas de cualquier tamao sin agotar la poblacin. Para la mayora de propsitos prcticos el muestreo de una poblacin finita que er *y gr ande puede "otrrideturr" como muestreo de una poblacin infinita. MUESTRAS ALEATOR IAS. NUMEROS ALEAT'IORIOS penden de si la mqestra una muestra. Lgicamente, la confiabilidad de las conclusiones extradas concemientes a una pobla cin deha escogido de tal modo que represente la poblacin lo .se suficientemente bi en; un de los proble de la i4ferencla estdstica es "3-o "."og", Una forma de hacer esto para poblaciones finits es asegurarse de que cada miembro de la poblacin tenga igual oportunidad de encontrarse en la mueslra, lo cual J" co.o"e com muestra ales,toria- El muestreo aleatorio puede efectuarse para poblac iones relativamente pequeas extrayendo lotes o, en forma equivalente, utilizando una tabl de nmerosaleatorios 1epnaice I)especialmente construida para tales propsito s. Vase Problema 5.48. a que la inferencia _ Debido probabilidad en lenguaje de de la muestra a la poblacin no puede ser cierta debemos emplear el cualquier prop osicin e conclusions. PARAMETROS POBLACIONALES una poblacin cuando conocemos la disbibucin de probabilid ad -_ Se-consjdera que se conoceo funcin /(r) (funcin de probabilidad de densidad) de la variable aleatoria asoiada X. por fjemplo, en el Ejemplo 5.1 si X es una variable aleatoria cuyos valores son las estaturas (o pesos) los 12 000 estudiantes entonces X tiene una distribucin de pr obabilidad f(r). de Si, por ejemplo, X est normalmente distribuida decimos que la poblacin est normalme nte distribuida o que tenemos wa poblacin normaL En forma semejante, si X est bino mialmente distribuida, decimos que la poblacin est binomialmente distribuida o que tenemosunapoblacin bnomial. Existin ciertas cantidades que aparecen en f(r), como p y o en el caso de la distr ibucin normal o p en el caso de la distribucin binomial. Otras cantidades tales co mo la mediana, momentos, sesgo, etc., pueden determinarse en terminos de estos. Todas estas cantidades se conocen como panmetros pobhconales. Cuando nos dan la po blacin, de modo que conocemos /(r), entonces los parmetros poblacionales tambin son conocidos. robabilidad f(r) de la menos poder formular podemos tener alguna sabramos uno o ambos de los valores rt y o yas desearamos

estimarlos. mente' En tal caso no ESTADISTICOS MUESTRALES Podemos tomar mustras aleatorias de la poblacin que sirven para estimar los parmetr os poblacionales. y entonces emplearlas para obtener valores Como ejemplo ilustrativo, consideremos el Ejemplo 5.1 donde X es una variable al eatoria cuyos valores son las diferentes estaturas. Para obtener una muestra de tamao 100 debemos primLro escoger un individuo aleatoriamente de la poblacin. Este individuo puede tener cualquier valor, por ejemplo rr, de las diferentes estatu ras posibles y llamanos r, el vlor de la variabl aleatoriaX,, donde el subndice 1 se emplea ya que corresponde al primer individuo seleccionado. De la misma

cAP. 5l TEORIA DE MUESTREO L67 JC2 de las estaturas posibles, y 12 puede tomarse como el valor de una variable aleatoria Xr. Podemos continuar este proceso hasta Xroo puesto que el tamao de la muestra es 100. Por simplicidad supongamos que el muestreo es con remplazamient o de modo que el mismo individuo poa conceptualmente escogerse ms de una vez. En es te caso, ya que el tamao de la muesba es mucho ms pequeo que el tamao de la poblacin, el muestreo sin remplazamiento dara realmente los mismos resultados que el muest reo con rernplazamiento. marrera escogemos el segundo individuo para la muestra, que puede tener cualquie ra de los valores En el caso general una muestra de tamao n se describira por los valores )ct , 2c2, . . . , xn de las variables aleatorias Xr, X, Xr. En el caso de muestreo con re mplazamiento Xt, Xz, . . ., Xn seran variables aleatorias independientes distribu idas idnticamente con distribucin de probabilidad /(). Entonces su distribucin conju nta sera P(Xt:tt,Xz:n ...,Xn-frn\ = f(r)f(rz)..'f(u") (t) nal se llama estadstcos muestrales o brevemente estadsticos. Matemticamente, un esta d'tico muestral para una muestra de tamao n puede definirse como funcin de las vari ables aleatoris Xr , Xr, . . , X,, es decir g(Xt, . , Xn). La funcin9(Xr X,) es o travariable aleatoria, cuyos valores pueden representarse porg(r1 ,...,x^).I'a palabra estadstico se emplea fr ecuentemente para la variable aleatoria o para sus valores, el sentido determina do se deduce lgicamente del contexto. Cualquier cantidad obtenida de una muestra con el propsito de estimar un parmetro poblacio En general, correspondiente a cada parmetro poblacional habr un estadstico a calcul arse de la muestra. Comnmente el mtodo para obtener un estadstico de la muestra es semejante al de obtener el parmetro de una poblacin finita, ya que una muestra con siste de un conjunto finito de valores. Sin embargo, como veremos esto no siempr e produce el "mejor estimador" y uno de los problemas impclrtantes de la teora de muestreo es decidir cmo formar el estadstico muestral apropiado que mejor estime un parmetro poblacional dado. Tales problemas se consideran en captulos posteriore s. Donde sea posible trataremos de utilizar letras griegas, tales como J,o, etc., para valores de parmetros poblacionales y letras romanas m, s, etc., para valore s del correspondiente estadstic muestral. DISTRIBUCION MUESTRAL Xn es funcin de estas Como hemos visto, un estadstico mueEtral que se computa de X 1 variables aleatorias )' es por tanto una variable aleatoria. La distribucin de un estadstico muestral se llama la distribucion muestral del estadstico. De otra forma podemos considerar todas las muestras posibles de tamao n que puede n extraerse de la poblacin, y para cada muestra computar el estadstico. De esta ma nera obtenemos la distribucin del estadstico, que es su distribucin muestral. Para una distribucin muestral podemos lgicamente computar la media, variarrza, des viacin tpica, momentos, etc. Algunas veces se llama a la desviacin tpica, enor tpico. MEDIA MUESTRAL

Dentense por X, , Xr, . . . , Xn las variables aleatorias para una muestra de tam ao n como se describe anteriormente. Entonce s la media de Ia muestra o media mue stral es una variable aleatoria definida por .Yrf X--"''ffn ll (2) en analoga con (3), pgina 76. Si lct, x2 especfica de tamao n entonces la medi4pam r, esa muestra se denota denotan los valores obtenidos en una muestra por

158 TEORIA DE MUESTREO Jrf ll |"'Fi., n lcAP. 5 (3) EJEMPLO 5.5. Si una muestra de tamao 5 resulta en los valores muestrales 7, 9, 1, 6, 2 entonces la media muestral , = ll s_t_1_t_gl" 5 5 DISTRIBUCION MUESTRAL DE MEDIAS Sea /(r) la disbibucin de probabilidad de alguna poblacin dada de lia cual extraem os una muestra de tamao n. Entonces es natuml buscar la distribucin de probabilida d del estadstico muestral X, que se llama la distribucin muestral para h media de la muestm o la distribucin muestrcl de medias. Los teoremas siguientes son import antes en este sentido. Teorema 5'1: La media de la disbibucin muestral de medias, denotada por ,ux, est dada por E(X) = donde .r es F*. = t' es la media de la (l) poblacin. la media de la poblacin. El Teorema 5'1 establece que el valor esperado de Ia media muestral Teorema 5-2: Si una poblacin es infinita o si el muesheo es con remplazamiento, entonces la varianza de la distribucin muestral de medias, denotada por oi, est, dada por

E[(X-ti'l: "l = n donde o2 es la vaianza de la poblacin. Teorema (5) 5-3: Si la poblacin es de tamao N, si el muestreo es sin remplazamiento, y si el tamao d e la muestra es n S N, entonces (5) se remplaza por o2/N , oft = ;( -n\ -f / en tanto eue r* an se da por (4). Ntese que (6) se reduce a (5) cuando N - -. Teore ma (6) 5-4: p y vaianza o2 entonces la media muestral p y vananza /n. Si la poblacin de la cual se toman muestras est distribuida normalmente con media est normalmente dishibuida con media Teorema 5'5: Si la poblacin de la cual se toman las muestras tiene una distribucin de probabili dad con media p y vatianza o2 que no necesaiamente tiene una distribucin normal. E ntonces la variable tipificada asociada con X, dada por Z: es x-r "/\n es (7) normal reintticamente, estn lim P(Z -z z) = -= f = J 1 vzr -* "-uztz r, (s) El Teorema 5-5 es una consecuencia del teorema del lmite central, pgina 112. Se su pone aqu que la poblacin es infinita o que el muestreo es con rernplazamiento. De

otra forma Io anterior es conecto si remplazamos o/l/-n en (7\ por o* como se da en (6).

cAP.5l TEORIA DE MUESTREO 19 DISTRIBUCION MUESTRAL DE PROPORCIONES Si ura poblacin es infinita y distribuida b inomialmente, si p y q: 1 -p son las probabilidades respectivas de que un miembr o dado exhiba o no exhiba una propiedad determinada. Por ejemplo, la poblacin pue de ser los posibles lanzamientos de una moneda honrada, en el que la probabilida d del suceso "cara" es p : Ll2. Considere las posibles muestras de tamao n extradas de esta poblacin y para cada mu estra determina'r el estadstico que es la proporcin P de xitos. En el caso de la mo neda P sera la proporcin de caras que resulten en n lanzamientos. Entonces obtenem os qnad,istribucin muestrul de proporcdones cuya media pp y desviacin tpica op estn dadas por Pp:P que pueden obtenerse de (4) oP= p(r n p) (e) y (5) al colocar p = F, o = \/le. Para grandes valores de n(n > 30) la distribuc in muestral est muy prxima a una distribucin normal, como se ve del Teorema 5-5. Para poblaciones finitas en las que el muestreo es sin remplazamiento, la segund a ecuacin en (9) se remplaza por o corDo se da por (6) con o = {-pq. Ntese que las ecuaciones (9) se obtienen mucho ms fcilmente al dividir por desviacin tpica (np y {npq ) de la distribucin binomial. DISTRIBUCION MUESTRAL DE DIFERENCI AS Y SI'MAS n'la media y la Se nos dan dos poblaciones. Por cada muestra de tamao n, extrada de la primera pob lacin computemos un estadstico 51. Esto resulta en una distribucin muestral para 51 cuya media y desviacin tpica denotamos por Fs, 5l or, r sp ctivamente. En forma semej ante por cada muesha de tamao n, exftada de la segunda poblacin computamos un estads tico 52 cuya media y desviacin tpica son .tr, J o", r sp ctivamente. Tomando las posibles combinaciones de estas muestras de las dos poblaciones podq mos obtener una distribucin {e las diferencias, St - Sr, que se llama la distribu cin muestml de la diferencia de estadsticos. La media y la desviacin tpica de esta d istribucin mueshal denotada respectivamente Pof ps,-s, Y os,-sr, estn dadas por Ps l-Sz- ltsr-ttrs, os,-s,

= 1/Q "t", (10) dado que las muestras escogidas en ninguna forma dEpendan enbe s, es decir las mu estras son independienes (en obas palabras, las variables aleatorias Sr V Sz son independientes). Si por ejemplo Sr y Sz son las medias muestrales de dos poblaciones, denotadas p or Xr, Xz respectivamente, entonces la distribucin muestral de la diferencia de l as medias est dada para poblaciones infinitas con media y desviacin tpica lt o t y l tz, oz respectivamente por ,t*1-x2 : F*, - P*, P1 - P2t ox, - o*, = *4, (11) es con utilizando (4) V (5).Este resultado tambin es vlido para poblaciones finitas si el muestreo remplazamiento. La variable tipificada Z= (XrXr) 'rl tm* ^* (r,, pr) (12) en tal caso tiene casi una distribucin normal si n, y n2 son grandes (nr, n, 30). Resultados = semejantes pueden obtenerse para poblaciones finitas en las que el muestreo es sin remplazamiento empleando (4) v (6).

160 TEORIA DE MUESTREO lcAP. 5 Resuitados cortespondientes pueden obtenerse pan disfuibuciones muestrales de di ferencias de prcpordnes de doe poblaciones distribuidas binomialmente con parmetro s pt, et y pz, ez respectivanente. En este caso ,S, y S, corresponden a las propo rcioneJ de xitos P, y P, y iai-ecuacines (I1 ) resultan Ittt-?z - llpt iLp2 Pt,- P", opr-p, : {$j$ : Pt , PzQz (13) En cam!:i.o de rcnal diierencias de estadsticos algunas veces estamos interesados en la suma de estadsticos. En '"al caso ia distrbucin muestral de la suma de estods ticos S, y 52 tiene media y desviacin pica dada por Fsr+s, supotriendc rtii a-s = 's, * l's, osr.s, : {"'rr4r, (11) nrruestras son independientes, Se pueden obtener recultados semejantes a (1 1). VARIA,iZA MUESTRAL 9i Xtr Xr,, .., X, denota las variables aleatorias para una muesha de tamao n, en tonces la variable aleatoria que da la uarianza de la muestra o la uarianzt mues tral se define de acuerdo con (14), pgina 78, por (X,-i)'? + (Xz-.t)'' t(S2) : o2. Sienrpre que el valor .

.. i (X^-, X\z (15 ) Entonces en el Teorerna 5-1 hallamos que E(*) = A y sera increble si tambin pudiramo s tener esperado de'un' eit"drti"o sea igual al parmetro poblacional conespondient e llarnarnos al es+dstico un estimador insesgdo, y el valor una estima insesgada, de es+,e parmeto. Sin embargo. resulta ser que (vase Problema 5.20) '(St) est definido por = Asr : ?-Joz > 30). El estimador Q6) insesgado qu9 9sq rnuy prximo a o2 solamente para grandes valores de n (n q2 (x, -X), + (xz- X). + . -. + (x^Xz n-I (17 ) de modo oue u(D') = g' (t8) Debido a esto, algunos estadistas escogen para definir la varianza muestral por S, en cambio de 52 y sencillamente remplazan n por n -1 en el denominador de (15 ). Sin embargo, continuaremos definiendo la varianza muestral por (I5), puesto q ue al hacerlo as muchos resultados posteriores se simplifican. EJEMPLO 5.6. Refirindose al Ejemplo 6.5, pgina l57,la varianza mueshal tiene el valor a2 = en tanto que la ertima inseegada eet dada por +(6-6)2 z

Ao s- = 5 - = li4-6ri \"Los resultados anteriores son vlidos si el muestreo es de una poblacin infinita o con remplazamiento para una poblacin fnita Si el muesheo es sin remplazamiento de una poblacin finlta de tamao N, entonces la media de la distribucin muestral de var ianzas est dada por E'(s,) Cuando = ps2 : ("\) (+). Qe) N* sta se reduce a (16).

cAP. 5l TEORIA DEMUESTREO 161 DISTRIBUCION MUESTRAI. DE VARIANZAS Tomando todas las posibles muestras aleatorias de tamao n extradas de una poblacin y computando la varianza para cada muestra podemos obtener la distribucin mueshal de varianzas. En cambio de hallar la distribucin muestral de S' S' es convenient e hallar la distribucin muestral de la variable aleatoria relacionada nS! ,i2 o2 (20) oLa distribucin de esta variable aleatoria se describe en el'teorema siguiente. Teorema 5-6: Si se toman ruestras aleatorias de tamao n de una poblacin que tiene una distribucin normal entonces la variable de muestreo (20\ tiene una distribucin chi-cuadrado conn 1 grados de libertad. se Debido al Teorema 5-6 la variable en (20\ cin de este teorema vase Problema 5.22. denota con frecuetlcia por 2. Para una demostraCASO DONDE LA VARIANZA POBLACIONAL SE DESCONOCE En los Teoremas 5-4 y 5-5 hallamos que.la variable tipificada Z= X-t "/y, (21) est normalmente distribuida si la poblacin de donde se tomaon Ias muestras de tamao n est normalmente distribuida, en tanto que es normal asintticamente si la poblacin no es normal dado que n >: 30. En (2I ) hemos supuesto lgicamente que se conoce la varianza poblacional o2 . Es natural preguntar qu sucedera si no conocemos la v arianza poblacional. Una posibilidad es estimar la varianz poblacional utilizando una o ms varianzas muestrales y luego colocar la corespondiente^ desviacin tpica e n (21). Una mejor idea es remplazar la o e-n (21) por la variable aleatoria S da ndo la desviacin tpica muestral'e investigar la distribucin del estadstico correspon diente que designamos por ft1

X-t, S/\n X-t' slltn'(22) r Podemos entonces demostra utilizando el Teorema 4-6, pagjna 117, que ? tiene una distribucin de Student con n Teorema demuestra en el Problema 5.24. 1- grados'de libertad. Establecemos esto en el teorema siguiente, que se Si se toman muestras aleatorias de tamao n de una poblacin normalmente distribuida entonces el estadstico (22) tiene una distribucin de Student con n - 1 grados de libertad. Se encuentra que el Teorema 5-7 es vlido aun cuando las muestras se tom en de poblaciones que no son normales p-ero que tengan distribuciones en forma d e campana como la distribucin normal. Puesto que no tenemos que conocer la varian za poblacional con frecuencia nos referimos al anterior tipo de muestreo como la teora de pequeas muestras o teora de muestreo exacto. 5-7:

DISTRIBUCION MUESTRAL DE RELACIONES DE VARIANZAS En la pgina 159 indicamos cmo pue den obtenerse distribuciones muestrales de diferencias, en muesa la particular d iferencias de medias. UtilizAndo la misma idea po es ms buci " diferencias de vari anzas, Si- Si. Sin embargo, resulta ir ande o e un bien complicada. En cambio, po demos considera l estads prxima a 1 indicara una pequea pequea indicara una grrn i mientras que una relacin diferencia.

t62 Teorema TEORIA DE MUESTREO [cAP.5 5.-8: Si se extraen dos muestras aleatorias independientes de tamao m y n respectivamen te de dos poblaciones normales con valianzas oi, u,j respectivamente. Enlonces s i las varianzas de las muestras aleatorias estn dadas por .Sl, Sr respectivamente , el estads_ tico F lr^ -_ '1,!!1,-_.!f S,?/,,: nSj/('n 1)or, d ,ac\ \{r/ tiene la distribucin F con ffi 7, n 1 grados de libertad. EI teorema tambin puede aplicarse en el caso de que las distribuciones de poblacin no sean normales pero tengan forma de campana. OTROS ESTADISTICOS Muchos otros estadsticos adems de la media y la varianza o desv iacin tpica pueden definirse para muestras. Por ejemplo la mediana, la moda, los momentos, el sesgo, la curto sis, etc. Tabla 5-1 ERRORES TIPICOS PARA ALGUNAS DISTRIBUCIONES MUESTRALES Sus Distribucin muestral Error tpico Notas especiales Se cumple para muestras grandes o pequeas donde la poblacin es infinita o el muest reo es con remplazamiento. La distribucin Medias o,t o \/n muestal de medias se justa mucho a una normal (normal asintticamente) para n = 30 i ncluso para poblaciones no normales. r, ,: ir, la media poblacional en todos los casos. Proporciones

oP \ ^7ett " !; 6n Las notas anteriores para medias igualmente aplicables aqu . ttp - p en todos los casos son dncrr Medianas "!t;1,.2533 0 \/n Para n = 30 la distribucin muestral de la mediana es muy prxima a una normal. Los resultados dados son vlidos solamente si la poblacin es normal o aproximadamente n ormal. Para n =) 100 la distribucin muestral de la S es muy prxima a una normal. (l) Desviaciones tpicas o" Os !t/ 2n poblacin oq est dada por (1) solamente cuando es normal (o aproximadamente (r) normal). Si la poblacin noesnormal,puede utilizarse (2 ). Ntese que (2) se reduce a (1) cuando .ra : 3o4 , lo que se cumple para poblaciones normales. Para

n '- 100, /.s cin. (1) - o con gran aproximaO..i Las notas para desviaciones tpicas sqn igualmente aplicables aqu. Ntese que (2) se convierte en (.1 ) en caso de que la poblacin sea Vaianzas (-') O..t normal. (r/ I lo 't/tt l1(t1 que es casi igual a o2para valores deir trr j

cAP. 5l TEORIA DE iUESTREO 163 definiciones son anlogas a esas dadas para poblaciones en el Captulo 3. Distribuci ones muestrales para estos estadsticos, o al menos sus medias y desviaciones tpica s (errores tpicos), puecen enct-ntrarse con frecuencia, Algunos de estos, conjunta mente con los dados, se nuestqan en la tabla anterior. DISTRIBUCIONES DE F.'RECUE NCTA Si una muestra (o una poblacin) es grande, es difcil observar las diferentes carac tersticas o computal estadsticos tales como la media, desviacin tpica, etc. Por esta razn es til organzar o agrupar los dofos. Como ilustracin suponga que una muestra c onsiste de las estaturas de 100 estudiantes de la univelsidad XYZ. Orden3mos los datos en clases o categortbs y determinamos el nmero de individuos que pertenece n a cada clase, denominada la frecuencia de clase. La ordenacin resultante, Tabla 5-2, se conoce como dsribucin de frecuencia o tablade frecuencia. Tabla 5-2 ESTATURAS DE 1OO ESTUDIANTES DE LA UNIVERSIDAD XYZ o H o 10 (pulgadas) fir) Estatnra i Nmero -f;l ,) de tro estudiantes tr-r (::i t',:) riri {l lii 12 o ilr -71 27 8

;'J ir z 61 64 6tl0 ?3 76 (pulgadas) Estatura (p [:ig..-r-l correspondientes a esta clase Ia correspondiente frecuencia de clase es 5. Ya qu e una estatura registrada tromo 60 pulgadas realmente est entre 59,5 y 60.5 pulga das mientras que unaregistrada como 62 pulgadas realmente est entre 61.5 y 62.5 p ulgadas, podramos haber registrado el intervaIo de clase como 59.5-62.5. EI sigui ente intervalo de clase sera entonces 62.5--65.5, etc. En el intervalo de clase 5 9.5-62.5 los nmeros 59.5 y 62.5 se conocen como lmites reqles de clsse. El ancho d el intervalo de clase 7-simo, denotado por cr que comnmente es el mismo para todas las clases (en cuyo caso se denota por c), es Ia diferencia entre el lmite real s uperior e inferior. En este La primera clase o categora, por ejemplo, consiste de estaturas desde 60 hasta 62 pulgadas, inciicadas por 6G-62, Io que se llama uninterualo de clase. Puesto qu e 5 estudiantes tienen estturas casoc:62.5-59.5:3. 60-62 es 61. EI punto medio del intervalo de clase, que puede tomarse como representativo de la clase, se llama marca de clase. En la tabla anterior la marca de clase corres pondiente al intervalo de clase Una representacin grfica para Ia distribucin de frecuencia puede suministrarse por un hstograma, como se muestra sombreado en la Fig. 5-1, o por un polgono de frecue ncios uniendo los puntos medios de los techos del histograma. Es interesante obs ervar que Ia grfica parece indicar que la muestra se extrajo de una poblacin de al turas normalmente distribuida. DISTRIBUCIONES DE FRECUENCIA RELATIVA Y OJIVAS estudiantes err cada clase, el resultado sera una distribucn de frecuenciarelatiua oporcentual.Por eemplo, la frecuencia relativa o porcentual correspondiente a la clase 63-56 es 18/100 18'i. El histograma correspondiente es entonces semejante al de la Fig. 5-1 ercepto que el eje vertical es frecuencia relativa en cambio d e frecuencia. La suma de ias reas es 1 l-00'. . Si en la Tabla 5-2 registramos la frecuencia relativa o porcentual en cambio del nmero de

L64 TEORIA DE MUESTREO lcAP.5 Podemos c<nsiderar una distribucin de frecuencia relativa como una distribucin de p robabilidad en la que las probabilidades se remplazan por frecuencias relativas. Ya que las frecuencias relativas pueden considerarse como probabilidades empricas (vase pgina 6), podemos considerar a las distribuciones de frecuencia relativa como distribuciones de pr obabilidad emprica. En el Captulo 2 vimos que podamos asociar con cada distribucin de probabilidad f(r) una funi'in de distribucin definida por F(r) : P(X:1 r) y tambin podamos representa r graficamente esta funcin. P<.r analoga podemos asocia con cualquier distribucin de frecuencia una distribucin de frecuencia acumulada, o distribucin de frecuencia re latiua acumulada, cuyas representaciones grficas asociadas se conocen como ojiuas u ojiuas porcentuales respectivamente. Vase Problema 5.3u. COMPUTO DE LA MEDIA, VARIANZA Y MOMENTOS PARA DATOS AGRUPADOS Podemos representa r una distribucin de frecuencia como en la Tabla 5-3 dando cada maca de clase y la correspondiente frecuencia de clase. La frecuencia total es n, es decir ... fr I /:* "'-l,. = I/ Tabla 5-3 Frecuencia de clase Marca de clase .fl lt f,l : .r TOTAI, fk Puesto que hay f, nmeros iguales d media est dada por xt, fz nmeros iguales a xr, s tll f nmeros iguales ? rp, l3 ;r _

1 lt-_+-[291:-'' _l/1..1 n, (2Ir) Anlogamente la varianza est dada por (25) IL Ntese Ia analoga de (24) y (25) con los resultados (2), pagina 76, corresponde a p robabilidades empricas. y (13), pagina 78, si f/n transformacin de la marca de clase En el caso cuando todos los intervalos de clase tienen igual tamao c hay disponib les mtodos cortos para computar Ia media y la varianza. Se conocen como mtodos cla ves y emplean la r a un entero correspondiente u dada por 'r"= a+cu au (26\ donde claves para la media y Ia varianza estn dadas por c es una marca de clase escogida Lrbitrariamente que corresponde : 0. Lasfrmulas (27) (28)

cAP. 5l TEORIA DE MUESTREO 165 y al origen respectivamente estn dados por 'rt ..^, Itt Frmulas semejantes existen pa momentos superiores. As los momentos r con respecto a la media rl n (2e) . It.fi l-''' n * f rt'i' 4J s f,.r 11, (30) Las dos clases de momentos estn relacionados por ?ll1 Q tnz -: 1n:, : t: hl - tt'i2 ntlt - Snt\m + 2tn,\3 t)t1 mimit+n\2nt-Bn{ra f, /l tni (s 1) etc. Si escribimos il, l

I' - i7-xIif /' n entonces las relaciones (3f ) tambin son vlidas para las M. Pero 'rrr : >("j)l lln = /tlr = nz )'/[(a + cr) -- (tr l crde tal modo que obtenemos de (3I ) las frmulas claves 0 = c2(XIi-M'l) l1tt = cj(Mi, - gWiM + 2M'r3) lnt = cl(xIi- utiui+ 6It[i'M3 ,gM'r") (32) etc. Lgicamente la segunda ecuacin de (32) es igual a la (28). para muestras. De una manera semejante otros estadsticos como el sesgo, la curtosis, etc. pueden hallarse Probletna.s resueltos DTSTRIBUCION MUESTRAL DE MEDIAS 5.1. Una poblacin se compone de los cinco nmeros 2, 3, 6, 8, 11. Considerar todas las m uestras posibles de tamao dos que puedan extraerse con remplazamiento de esta pob lacin. Halla (a) la media de Ia poblacin, (b) la desviacin tpica de la poblacin, (c) l a media de la distribucin muestral de medias, (d) la desviacin tpica de la distribu cin muestral de medias, es decir, el error tpico de medias. (a) r o2 = 12___i_E_l_e_ll J :l --- -'(i)r ) ri 5b *rt-f- ll ---30

Lr.U (b) . ((i _1 (8- (ir, r !11 0, _ l(; '1 9 + 0 c + 41'21 10.8 y o = 8.29.

166 TEORIA DE MUESTREO lcAP.5 (c) Hay 5(5) : 25 muestas de tamao dos que pueden extraerse con remplazamiento (puesto que cualquiera de los cinco nmeros de la primera extraccin puede asociarse con cu alquiera de los cinco nfrmeros de la segunda extraccin). Estas so r (2,2) 12, 3) (2,6) \2,8) \3,2t (3, 3) (3, 6) (3,8) (6,2) (6,3) (6,6) (6,8) (8, 2 ) (8, 3) (rl, 6) (8,8) (11,2) (11,3) 111,6) (tt,8) Las correspondientes medias muestrales son 2.0 otr 3.0 (2,11) (3,11) (6,11) (8,11) (1r.11) 4.0 4.5 6.0 7.0 5.0 O.D 6.5 I.U t< (.r ) 4.0 5.0 6.1- .f.5 5.5 7.0 es 8.5 7.0 8.0 9.5 " (l 8.5 9.5 11.0 y la media de la distribucin muestral de medias ,,* ., l'I1!11-q9-"'-lgl-99'":'I9't3ls 25 comprobndose que ) 150 tt o''

t{' -, '. Para una demostracin general vase Problema 5.6. (d) I'a varianza o{. de la distribucin muestral de medias se obtiene restando el valor de la media 6 de cda nmero de (1 ), elevando al cuadrado cada diferencia, sumando los 25 nmero s as obtenidos y dividiendo por 25. El resultado final es ., 4 135 : -- 5.40 de modo que o.r' = 16.40 = 2'32 Esto pone de manifiesto el hecho de que para poblaciones finitas en las que se e fecta muestreo con remplazamiento (o poblaciones infinitas),"2*= o2/r.,puestoquee l segundo miembro es 10.8/2 = 5.40, de acuerdo con el valor anterior. Para una d emostracin general vase Problema 5.?. 5.2. Lo mismo que en el Problema 5.1 para el caso de muestreo sin remplazamiento. (o) y () como en el Problema 5.1, r: 6 y o2 :10,8, o: 3.29. (c) Hay iC-.-- 1 muestras (2,3), de tamao dos que pueden extraerse sin remplazamiento (esto significa que se extra er un nmero y despus otro nmero diferente del primero) de la poblacin, stas son (2, rj), (2, 8), (2, 11), (3;6), (3,8), (3, 11), (6,

8), (6, ll ), (8, 11) La seleccin (2,3), por ejemplo, se considera la misma que (8,2). Las correspondie ntes medias muestrales son 2.6, 4.0, 5.0, 6.5, 4.5, 5.5, 7.0, 7.O, 8.5, y la media de la distribucin muestra l de medias es 9.5 ,,* 2.5 1 4.0 : itO + 6.5 + 4.5+ 5.5 + 10 /r. 7.0 + 7.0 -i- 8.5 + 9.5 = 6.0 poniendo de manifiesto el hecho de que t (d) La varianza. de la distribucin muestral de medias x es 6.0), + l:1.0r 6.!lr_115.0 -('25-10 c.0:: -f -' . + (9.b 6.0)2

= 4.05 Y ox r- 2.01. 5.47. 10'8/5 - 2\ Esto pone de manifiestrque '' - o2/ N - "\, or".to oue el sesundo mi embro ^^ .; ) "l ;\ N _irl, nuesto que segundo -:^-L-^ "" (; _ ) - 4.05, que es e l valor obtenido anteriormente. Para una demostracin general de este resultado vas e hoblema I

cAP.5l TEORIA DE MUESTREO r67 5.3. Supngase que las estaturas de 3000 estudiantes de una universidad se distribuyen normalmente con media 68.0 pulgadas y dewiacin tpica 3.0 pulgadas. Si se toman 80 muestras de 25 estudiantes cada una, cul ser la media y'la desviacin tpica esperada d e la distribucin muestral de medias resultante si el muestreo se hizo (o) con rem plazamiento, (b) sin remplazamiento? El nmero de muestras de tamao 25 que tericamente pueden obtenerse de un grupo de 30 00 estudiantes con y sin remplazamiento son (3000)2s V aoooCzs, que son muchas ms de 80. De aqu que con 80 no se obtenga realmente una distribucin muestral de medias, sino solamente una distribu cin muestral experimen1. Sin embargo, puesto que el nmero de muestras es grande, hab ra mucha aproximacin entre las dos disbibuciones muestrales. Por ello, la media y desviacin tpica esperadas sern muy prximas a las de la distribucin terica. As se tiene, \a) p*. = tL = 68.0 pulgadas y Yox=ox = o=3 \/n {zs = 0.6 pulgadas 3000 3000 (b) p* = p 68.0pulgadas o vn N-n _3 N-1 \/% - 25 -1

que es ligeramente menor que 0.6 pulgadas y puede, por tanto, para todo propsito prctico, considerarse la misma que en el muestreo con remplazamiento. As, pues, cabra esperar que la distribucin muestral experimental de medias se distr ibuya aproximadamente normal con media 68,0 pulgadas y desviacin tpica 0.6 pulgada s. 5.4. pulgadas, (b) menor de 66.4 pulgadas? En cuntas muestras del Problema 5.3 cabra esperar una media (o) entre 66.8 y 68.3 La media X de una muestra en unidades tipificadas viene dada por Z X-p* aX X-68.0 0.6 (o) 66.8 en unidades tipificadas 68.3 en unidades tipificadas : : (66.8 - 68.0)/0.6 (68.3 - 68.0)/0.6 : -2.0 : 0.5 Proporcin de muestras con medias entre 66.8 y 68.3 pulg. : (rea bajo la curva norm al entre z : -2.0 y z : O.5\ :(reaentree:-2yz:O) * (rea entre z : O y z : 0.5) : O.4772 + 0.1915 : 0.6687 Entonces el nmero de muestras esperado es (80)(0.6682) 59. (b) 66.4 en unidades tipificadas: (66.4 68.0)/0.6 : -2.67 Proporcin de muestras con medias menores de 66.4 pulgadas - (rea a la izquierda de z : -2.67)

: : (rea a la izquierda de z : 0) y z : O) - (rea entre z : 0.5 0.4962 : -2.67 0.0038 -2 A7 Entonces el nhmero de mueshas esperado es : (80)(0.0098): 0,304 o cero. Fig. 5-3 5.5. Quinientos onzas. cojinetes de bolas tienen un peso medio de 5.02 onzas y una desviacin tpica de 0.3 0 onzas. Hallar la probabilidad de que una muestra af azar de 100 cojinetes eleg idos entre este grupo tenga un peso total (c) comprendido entre 496 y 500 onzas, (b) de ms de 510 Paa La distribucin muestral de medias oxo yn !* = p = N-n N-1 5.02 onzas, 0.30 500 /ioo 500-1 100 0.02 ?

168 (o TEORIA DE MUESTREO lcAP.5 se encuentra entre 4.96 ) El peso total se ncontra entre 496 y 500 onzas si la media de los 100 cojinetes y 5 .00 onzas. 4.96 en unidades tipificadas: (4.96 5.00 en unidades Probabilidad pedida tipificadas : (5.00 5.O2\10.027 5.02)lO.O27 : -2.22 : --0.7 4 : -2.22 y z : -0.7 4) (re^ entte z : -2.22 y z : O\ - (rea entre z : -4,7 4 y z : O) = 0.48(i8 - 0.2704 : 0.216-1 (rea entre z : : 222 -074 Fie- 5-4 () El peso total exceder de 510 onzas si el peso medio de los 100 cpjinetes sobrepasa las 5.10 onz as. 5.10 en unidades tipificadas: (5.10 - 5.02)lO.O27 : 2.96 Probabilidad pedida : 2.96\ (rea a la derecha de z:0) - (rea entre z : O y z = 2.96) :0.5 - 0.4985: 0. 0015 : (rea a la derecha de z As,pues, solamente se darn 3 casos cada 2000 de obtener una muestra de 100 cojinet es con un peso total superior a 510 onzas. F'ie.5-5 5.6. Demostrar el Teorema 5-1, pgina 158. Puesto que X1, X2,..., X, son variables aleatorias que tienen la misma distribuc in que la poblacin, la cual tiene media 1, tenemos l-12 E(X) = * Entonces ya que la media muestral se define como -Y='' x, '1-...+-\1L tenemos como se requiere l E(X) = ]lEtX,t -

- E6)) = L(rr\ = t! 6.7. Demostrar el Teorema 5-2. pgina 158. Tenemos - + "' + -' Entonces puesto que X, 3-7 " x, son ina"p"nl'i"nt".ttr rr"rr"n Var uuri^X,ruo2, tenemos por los Teoremas 3-5 y Var (X) -f vu. (x1) r rI (x,,) ,,(,+"'") =, DISTRIBUCION MUESTRAL DE PROPORCIONES 5.8. Hallar la probabilidad de que en 120lanzanientos de una moneda el nmero de caas (o ) est comprendido entre el 40% y el60%, (b) sea 5/8 o ms del nmero de lanzamientos. Se consideran los 120 lanzamientos de la moneda como una muestra da la poblacin i nfinita de todos los posibles lanzamientos de la moneda. En esta poblacin la prob abilidad de cara es p : I12 y la probabilidad de sello es C :1P : l12. (a) ' pide ra probabilidad de que el nmero de caras en los 12Q lanzamientos se encuentr e ente 4O(/o de 6 48, y 6Ol/" de l2O, 6 72. Se procede como en el Captulo 4, media nte la aproxlmacin normal a la binomial. Puesto que el nmero de caras es una varia ble discreta, se pide Ia probabilidad de que el nmero de caras se encuentre entre 47.5 y 72.5.

Se 1-2O,

cAP. 5l TEORIA DE MUESTREO r: nrnero de caae esperado - np = rzo(!) = oo o= 47 \/"pq 47.5 5.48 .5 en unidades tipificadas = 60 72.5 en unidades tipificadas = 72.5 - 60 5.48 Probai .idad pedida = 2.28 : : : Otro mtodo. (rea bajo la curva normal entrez=-2.28y2:2.28) 2(rea errtre z : O y z : 2.28) 2(O.4887 ) : O.977 4 ttp=P:i=o.uo ",=1p= ^FY = 120 = 0.0456 40Vo enunidades tipificadas 60o1c -2.I9 en unidades tipificadx: ffip z s la probabilidad pedida es el rea bajo la curva normal entre

0.971.1. = 2.I9 : -2.t9 yz : 2.19 : 2(0.4857) : Aunquees:cresultadotiene dos cifras significativas, no concuerda exactamente, pu esto que no se ha utilizado el hecho de que la proporcin es realmente una rariable discreta. Teniendo esto en cuenta se resta 11 Z" = Al, de 0.40 y se Buma ; = ,fn ficadas son, puesto que L1240: 0.0041 7, 0. 40 0.00.117 l1 a 0.60. As pues, las proporciones pedidas en unidades tip! 0.0r56 0.50 = _2.28 _ y 0.60+0.0041?-0.50 0.0456 = 2.28 que concuerda con lo obtenido por el primer mtodo. Advirtase que (0.40 72.51720 del primer mtodo. 0.00417) y (0.60 + 0.00417) corresponden a las proporciones 47.5/120 y

(b) Empleando el segundo mtodo de (o) se tiene, puesto que 5/8: 0.6250, que 0'00417 0.0456 (0.6250 0.00417) en unidades tipificadas Probabilidad pedida - 0'60 = 2.86 : (rea bajo la curya normal a la derecha de z : 2.65\ : (rea a la de recha de z : 0) - (reaentre z : 0 y z : 2,65) : 0.5 - 0.4960 : 0.0040 -_ 0'6250 5.9. Cada persona de un grupo de 500 lanza una moneda 120 veces. En cuntos individuos c abe esperar que (o) el nmoro de caras se encuentre entre eI 40% y el 60% desuslan zamientos, (b) 518 o ms de sus lanzamientos resulten cara? Este problema est estrechamente ligado al Problema 5.8, Aqu se consideran S00muest ras,detamao 120 cada una, de la poblacin infinita de todo.s los posiblea lnzamiento s de una moneda, (o) En el apartado (o) del Problema 5.8 se ha obtenido que todas las posibles muestr as de 120 lanZamientos de una moneda, i:abe esperar el encontrar un97.74% de ell as con porcentaje de caas entte AOVI y el

170 TEORIA DE MUESTREO lcAP.5 6OVo. En 00 muestras se puede esperar 97 .7 4% de 500, 489 muestras con esta prop iedad. Se sigue que en 489 individuos se esperara que su nmero de caras se encontr as entre eI 4O% y el 6O%. Es interesante advertir que en 500 - 489 : 1I individuos cabe esper: que su nmero de caras no se encuentre entre el 4O% y el 6O% de los lanzamientos, Tales indivi duos pueden razonablemente sospechar que sus monedas no estn bien hechas aunque s lo estn, Este tipo de error es un rresgo que se presenta siempre que se trata con probabilidades. (b) Razonando como en (o), se concluye que en (500X0.0040) de sus lanzamientos sean caras, : 2 personas se esperar que los 5/8 o ms 5.10. Se ha encontrado que el 2% de las piezas producidas por cierta mquina son d efectuosas. Cul es la probabilidad de que en una partida de 400 piezas sean defect uosa.s (o) 3% o ms, (b) 2% o menos? PP'=P=0.02 (o) y oP=tE= : 1/ 0.02(0.98) v = 400 _ 0.14 = 20 0.007 Mediante la correccin para variables discretas, L/2tt. 1/800 0.00125, se tiene (o.o3_o.oo125)enunidadestipificadas=W=|.25 hobabilidad pedida :

(rea bajo la cuva normal a la derecha de z : I.26): 0,1056 Si no se hubiese aplicado la coneccin se hubiese obtenido 0.0764. Otro modo. (3% de 400 ) : 12 piezas defectuosas. En concepto continuo, 12 o ms significa 11. 5 o ms. p0.1056. (2()'o de 400) = 3 Entonces 11.5 en unidades tipificadas : " : {"w : (11.5 y'1+oo)1onz)rsg : 2.a es - 8)12.8 : 1.25 y como antes la probabilidad pedida (b) {0.02 I 0.00125) en unidades tipificadas 0'02 r 010q1?5 - 0'02 -: 0.18

Probabilidad pedida : : (rea bajo la curra normal a La izguierda de z 0.18) 0.5000 + 0.0714 se : O.57L4 Si no se hubiese aplicado la correccin, mtodo del apartado (o). hubiese obtenido 0,5000. Tambin puede utilizarse el aegundo 5.11. Los resultados de una eleccin demostraron que un cierto candidato obtuvo el 46% de los votos. Determinar la probabilidad de que de (a) 200, (b) 1000 indivi duos elegidos aI azarde entre la poblacin votante se hubiese obtenido una mayora de votos para dicho candi dato. (a) Pueso que I.p = :p = 0.4G y ",,={-= ,-' 0.0352 L12n: ll40O: 0.0025, una mayora se obtendra en la muestra si la proporcin en favor del candidato fuese 0.50 + 0.0025 : 0.5025 o ms. (Esta proporcin puede tambin obten erse dndose cuenta que 101 o ms indica mayora, pero sta, como variable continua, sera 100.5 y as la proporcin sera 100.5/200 = 0.5025.) Entonces, 0.5025 en unidades tipificadas : (0.5025 Probabilidad pedida : - 0.46)/0.0362: 1,.21 (rea bajo la curva nonnal a la derecha de z : l.2t) :

0.5000 0.3869 :0.1131

cAP.6l (b) pp TEORIA DEMUESTREO = p: 0.46, o,, = t/f,q/n = y'd.46@Ba)/1000= 0.0158, y 0.5025 en unidades tipificadas = ff*s : 0.0036 = 2.69 Probabilid pedida : (rea bajo la curva normal a la derech de z = 2.6g) = 0.5000 0.4964 DISTRIBUCIONES MT.]ESTRALES DE DIFERENCIAS Y SUMAS 5.12. Sea Ut la variable de los elementos de la poblacin 3, 7, 8 y U2 lavariable de los elementos de lapoblacin2,4. Calcular (a) *u,, (b\ pu,, (t) vr,,_ri,, @),iu ,,-(e) ou", (f,) nu,_u". (o) (b) (c) y, = mediadelapoblacinU, = media de La ]{S*?*8) = l, 6 r,, =

poblaci n lJn = f,e + ll = La poblacin consistente en las diferencle de cualquier trmino de U y cualquiera de ( J2 ea 3-2 3-4 Entonces 7-2 7-4 media de 8-2 8-1 (U1- Ur) Fur-u, = FLrt = 4Lrr, sacado de (o) esto concuerda con el resultado general FLtr_uz= y (b). 14 (d.) o (e) .m=!T. ou, ofi, = varianza de la poblacin I/' (3-6)2 + (7-6)2 + (8-6)z _ 33 a2u, = varianzadelzpoblacin U, = (2-3)2 * (4-3)2

=l ou"= l. (f) n'u ru" = mrianza de la poblacin (U 1U 2) (1-3z + (5-3)2 + Oo,,,,j ut-v2 (6-3)21(-, -3)2 + (3-3)2 + (4-3'z b L7 3 Eeto concuerda con el reeulado general para muestras independient"" ou,_u,= \Ej7r -, (d) V @ ). [,a demostracin del resultado general se deduce del Teorema g-7 ,' i inz- 7 g .' ecado dc 5.13. Las bombillas elctricas de n fabricante tienen una duracin Lned,ia de 1400 ho ras con una desviacin tpica de 2OO horas, rnientras que las de otro fabricante B t ienen una duracin media de 1200 horas con una desviacin tpica de 100 horas. Si se t oman muestras al aza de 125 bombillas de-cada fabricante, cul es la probabilidad de que las bombillas deA tengan una duacin media que sea al menos (a) 160 horas, (b) 250 hras ms que las bombilhjde B?

L72 Dentense por TEoRTA DE MUEsTREo 1200 [cAp. 5 *n y )(o las duraciones medias de ls mueatraa A y B, respectivamente. Entoncee pxe *-* - ttxn ofr 1400 = 200 horas "2 o.. --, = 1l-+Y fly ^^- ^B z y se acerca = 1/(1qo]' v 125gry = 2o horas 125 xrr\ 20 La variable tipifieada para la diferencia de media es (X,+Xil 0'x (x^o.(., -

200 *o ss: (160 mucho a una distribucin normal. (o) La diferencia de 160 horas en unidades tipificadas Probabilidad pedida : : : : 2OO)\2O: -2. (rea bajo la curva normal a la derecha de z 0.5000 + 0.4772: : -2) O.9772 (b) La diferencia de 250 horas en unidades tipificadas es: (250 2OOll2O: 2.50. Probabilidad pedida (rea bajo la curva normal a la derecha de z : 2.50) 0.5000 0.4938 : 0.0062

5.14. Los cojinetes de bolas de una determinada casa pesan 0.50 onzas con una de sviacin tpica de 0.02 onzas. Cul es la probabilidad de que dos lotes de 1000 cojinet es cada uno difieran en un peso superior a2 onzas? Xr y Xo los Dentene por pesos medios de los cojinetes en los dos lotes. Entonces /x,-*o = trx, /ro o*, 0.50 0.50 0 -,t, = o Z = t":u'uuu6:'5 se distribuye muy prxima a una nor=1:lrmal. Una diferencia de 2 onzas en los lotes es equivalente a una diferencia de 2/1000 : 0,002 onzas en las medias, Esto puede ocurrir si X1 - X, 0.002 Xr - X2 -0.002, es decir = = o.o 02- 0 _ oo, -nnot-n 7 Z f -^j^j:;=- = -2.23 6 (r.t,uuy5 0.000895 La variable tipificada para la diferencia de nedias es Entonces ffif .ffif = o.ooo8eb P(z>-2.23 2=-2.23) = P(Z>2.23)+P(z=-2.2:t) = 2(0.5000-0.4871) :0.0258 6.15. A y B juegan a "cara y sello", lanzando cada uno 50 monedas. A ganar eI jue go si consigue 5 o ms caras que B, de otro modo gana B. Determinar la proporcin co nha de que gane un juego determinado. Dentese por P hechas, la probabilidad de caa es p y Pp la proporcin de caras obtenidas por A y B. Sisesuponequelasmonedasestnbien 1-12.

Entoncer, ApA 4I,B = !t',r. pn !#=0.10 La variable tipificada para Ia diferencia de lasproporciones es f q|li-t t Z = lP- PB0)/0.10. e el rea bajo la curva normal a la derecha de Z En una distribucin continua, 5 o m sera 4.5 o ms, de modo que la diferencia de propor ciones sera 4.6160 : 0.09 o ms, es decir, Z mayor o igual a (0.09 - 0 )/0.10 : 0.9 (<t Z > O.9). La probabilidad de esto :0.9 que es 0.5000 0.3159 : 0.1841. As,pues, laproporcincontraAes(1 -0.1841):0.1841 :0.8159:0.1841 64.43a,7.

cAP. 5l TEORIA DE MUESTREO 173 5.16. Dos distancias se miden obtenindo se 27.3 pulgadas y 15.6 pulgadas, con des viaciones tpicas (errores tpicos) de 0.16 pulgadas y 0.08 pulgadas, respectivament e. Determinar'la media y la desviacin tpica de (a) la suma, (b) la diferencia de l as distancias. Si las distancias se denotan por (ol D r,, y D2, se tiene , ' t,D,) r" : oD,t trnr* po, = 27.3 * 15.6 = 42'9 pulgadas = t/7,, + 4, trD, \:i6FJT8)t = 27.3 0.l8pu[adas (b) t,D,-D, oD,_r), I tro, - 15.6 = 11.7 pulgadas -- \/q + """ = /{oJG)t+ (0.08), =

0.18pulgadas 5.1?. Un cierto tipo de bombilla elctrica tiene una duracin media de 1500 horas y una desviacin tpica e 150 horas. Se coctan tres bombillas de forma que cuando- una se funde, otra sigue alumbrando. Suponiendo que Ias duraciones se distribuyen norm almente, cul es la p-U"Uina"d de que te tenga luz (c) al menos 5000 horas, (b) com o mucho 4200 horas? Sean las duraciones Lt, Lz y tr3. Entonces Itr.r* t.r4 r." = pt.,4' !rr, i t,." ot.,+I,+,., 1500 + 1500 + 1500 = 2G0 4500 horas - {t.!ffi., (5000 \mbO)t = = I.92. horas (o ) 5000 horas en unidades tipificadas : Probabilidad pedida : : 4500)/260 (rea bajo la curva normal a la derecha de z: t'92) (b) 4200 horas en unldades tipificadas - 0.4726:0.0274 : (4200 - 4500)/260 : -1.15' 0.5000 Probabilidad pedida: (rea bajo la curva normal a la izquierda dez : 0.5000 - O.37 49 : 0.1251 : -1'15 DISTRIBUCION MUESTRAL DE VARIANZAS 5.18. Con referencia al Problema 5.1, hallar

(o) la media de la distribucin muestral de varianzas, (b) la desviacin tpica de la distriucin muestral de varianzas, es decir, el error tpico de varianzas. (o) Las varianzas muestrales correspondientesa cada una de las 25 muestras del Probl ema 5.1 son 0 0.25 4.00 9.00 0.25 4.00 9.00 20.25 16.00 6.25 2.25 0 2.25 6.25 2.25 6.25 1.00 0 1.00 0 6.25 es 20.2t: /,.s2 16.00 2.25 La media de la distribucin niuestral de varianza - "-g39-!99q-le'"'ggg#4!Eaa* t# n: : b..ro Esto pone de manifiesto el hecho de que trs2 = (? -l\(ozl/n, puesto que para Prob lema 5.1(b)], el,segundo miembro se convierte en J(10.8) - 5.4' 2 y o2 :10.8 lvase Este resultado muestra Ia conveniencia de definir una varianTa cofiegidl para la s muestras, como 3, = ;= (b) La arianza 52, puesto que se seguira que 4.q, o2. (vanse tambin las notas de la pgina 160)'

de la distribucin muestral de varianzas ol, se obtiene restando la media 5.40 a c ada uno de Ios 25 nfimeros de la tabla anterior, elevartdo al cuadiido estas dif erencias, sumndolas y dividiendo el resultado por 25, As, o.2, : 575.75/25 == 23.0 3 o"z : 4.80'

t74 TEORIA DE MUESTREO [cAP.6 6.19. Solucionar el problema anterior para el caso en que el muestreo sea sin re mplazamiento. (o) Hay 10 mueetrae cuyas varianza vienen dadas por los nfrmeros po t encima (o por debajo) de la diagonat de cerog de la tabla del Problema 5.1g(a). Entonces u.' = Este es un ca.o particular del gener ' 'ar comprueba haciendo l0 6'25+16'00+1'00+6:25+2'26 = o.7 t\ p.r = / N \ /" : \=/\T)" [ecuacin (re), pgina 160], como se N: 5, n: 2 y o2 10.8 el segundo miembro pasa a ser rs, : (f )({)(10.8) : 6.75. () Rertando 6.75 de cada uno de los 10 nmeros por encima de la diagonal de ceros d e la tabla del Problema 6.18(o), elevando al cuadrado estos nfrmeros, sumndolor y i"idittdolos por 10, se tiene o!: =39.676 o"r =6.30. 5.20. Demostrar que E'(S') = |c se don{e S2 es la varianza mu stral _para una muestra aleatoria de tamao n, como la pgi na 160, y a2 es la varianza de la poblacin.

Mtodo 1. define en Teneno x,-* = x,-itxr+...+xtr) = *t"-l)xr-x2-...-x^l : *f"Entonce r)(Xr - tl - (Xz- ti .. . - (xn- p\) (x,-f,r = #U"-1)2(Xr- 2t(xz-pl2+ '..+ (x. -tl2 +tminodeproductocruzado] Pueto que las X eon independiente la eqreranza de cada trmino de producto cruzado tiene es ceror por tanto se E[(Xr- *21 = #U"L)2 El(Xt- t)r) + El(Xzd2) + ... + El(X,-p)2]] = I fr{("-L)znz * o2 * ... I o2l fiu"-l)-zoz* (n-L)oz) = #", Anlogamente, El(X*- *21 = @ - lloz/n para k : 2, . .., z. por tanto '(S2) = = ;nt<Xr1X)2 + . .' + (X"X\21

Mtodo z. Tenemos lfn-l o-r"'", - nL " -1 o-) "l = n-L " -o' p\(* ^ X-* = (X- -G-). Entonces g,- Xz = (xtp)2 - 2(x- r) + {i ,,z v (r) donde l suna es desCe )1x,-i, = )(xj: t p)2 - z(X-p))1x-r) +.)1x-uz hasta n. [.o que puede escribire como

cAP.5l (2) '"O*'O DE MUESTREO t76 uz )tx,-xlz > j )tX;- )(x;_-1 r - 2n(X- 2 + n(*p)2 - n(*-p)z ti2 -l puesto que 6r) = el Problema 5.7 hallamos Sv - np -"(X tp). Tomando la esperanza a ambos lados de (2) y utilizando EL> (X,-*zl = El >(X,-rr)2 l- nEl6-u)21 '_JL-) de donde no" - n("'\ 'r,n i o' (n_ 7)o2 '(S'z) n n L 5.21. Demostrar el Teorema 5-4, pgina 158. Si Xj, ,i : l, 2, . , f,, est distribui da normalmente con media .r y caracterstica es (vase Tabla 4-2, pgina 111)

vzrianza 02, entonces su funcin QiG) = oita-{o2a2)/2 La funcin caracterstica de X, * Xz* . .. * X,, es, por el Teorema 3-12, "iua-<nci2a2)/2 d(r) = cr(r) oz(r). . 'gn(r) puesto que las X.; son independientes. Entonces, por el Teorema 3-11, la funcin c aracterstica de -t= _ xt +x"l-... n 1x, t/2 02 es x(") = t( ;) : ,iu--t'o2/n)of Pero sta es la funcin caracterstica para una distribucin normal con mediia t y varian za deseado se deduce del Teorema 3-13. /n, y el resultado 5.22. Demostrar el Teorema 5-6, pgina 161. j,t,-X)r.S"deducede(2)delMtodo2enelProblemaS,20que V:Vt* Pordefinicin,(il--f3: = jr l',,. donde (j-L-:l' t/ - { t -, ir-;Enbonces por elTeorema4-3, prigina116, ve remplazando -X por r' - l'-: rt = o2--, ytiene distribucin de libertad [como se Tambin, por el h'oblema 5.21, X tiene dist ribucin normal con media .t y u)lo]. variunia o2 n. Pr fanto, del Teorema 4-3 con ., : 1 y X remplazadapor (X - p)/{tz/",vemos que V2 tiene una distribucin chi-cuadracl o con 1 grado de libertad, Se deduce del Teorema 4'5,pgina 116, que si I/1 y V2 s on independientes entonces V1 tiene distribucin chicuadrado con n - I grados de l ibertad. Ya que podemos demostrar que V1 y y2 son independientes (Problema 5.135 ) se sigue el resultado pedido. t, - (x-P\z v",-oznchi-cuadrado con n grados (X;5.23. (a) Emplear el Teorema 5-6 para determinar el nmero esperado de muestras en

el Problema 5.1 para las cuales las varianzas muestrales son mayores que 7.2.(b ) Verificarelresultadoen (o) con el resultado real. (a) Tenemos n : 2, o2 = 10.8 [del Problema 5.1(b)]. Para sf nt _ (2)(7.2\ = 1.33. 10,8 02 7.2, tenemos

176 TEORIA DE MUESTREO lcAP. 5 Entonces de acuedo con el Teorema 6-0 x2 = nS2/o2 = 2S2l10.g tiene la ciitribucin c hi-cuadrado con grado de libertad. De la tabla en cl Apndice E ae deduce que 1 P(S2>s!) = P(x2>1.33) = 0.2b (b) resultados son iguales. por tanto eeperaramos que alrededot del 26V. de lae muestras, o 6, tengan rdianzas mayores a ?.2. Del Problema 5'18 haltamog al contar que realmente hay 6 rarianz ag mayores que 7.2,de modo que los CASO DONDE SE DESCONOCE LA VARIANZA POBLACIONAD 5.24. Demostrar el Teorema 5-?, pgina 161. Si I'-'+, olln Y-" - nS2 z =ff, | = fl-1. Entoncespuesoquelas Xeetndistribuidasnormalmenteconmediar y varianza o2 sabemos (Problema 5.21) que est digtribuida normalmente con media g y varianza 02 /n, de modo que Y e distribuida normalmente con media 0 y varianza I, Tambin, del Teorema -6, pfuina 161, o del Problema 5,22 Z tiene digribucin chi-cuad rado con v : n 1 gradoa de libertad. Se deduce del Teorem 4-6, pgina l1Z, que f = tiene la distribucin ,/u, )' = -!-P

s/\/;= x-P Snla con n - 1 grados de libertad. 5.25. De acuerdo con la tabla de la distribucin f de Student para un grado de lib ertad (Apndice D) tenemos P(-1.3?6 <T< 1.326) = 0.60. Verificar si este resultado se confirma con los obtenidos en el Problema b.1. De los valores siguientee para d_e X e=n (J ) de la pgina 166 y loe valore ? = (X - p)/(S/t/1 \: de 52 en el hoblema 5,18(o) obtenemos los valores -1.0 -0.33 0.11 Realmente hay -;; -1"' -1.0 -0.20 0.25 -ll -lll ill 1.0 1.0 1.0 Z.Bg 1.0 2.BB

l6 valorespara loe cuale- 1,3?6 < ? 1.3?6mientraaqueesperaramo8(0.60X2b):1b. Eeto no ee tan malo gi ge considera la pequea cantidad = datoe involucrados. Este mtodo de de muestreo fue efectivamente la manera como "studen" originalmente obtuvo la ditribucin f. DISTRIBUCION MUESTRAI, DE RELACIONES DE VARIANZAS

5.26. Demostrar el Teorema 5-8, pgina 161. Dentene la muestra de tanaos m y n por Xr,. .. , X^ y yinz mueFale eetn dadas por Yl ,..,, Y reopectivamente. Entonces las si = * -J tx, - x', sj donde X, at' = ; -) rr', - i'r,

Ii on las medias muestrale. Entonces del Teorema 5'6, pgina 161, sabemosq:uemsl/oly nS:/"|tienen distribucin c hi-cuadrado con m 1 y n - 1 grados de libertad respectivamente. Por tanto del Te oreml 4-7,ggiru- 1l?, se deduce que F = ms?tn-t),i 9lt ;s76_q En 1 grados de libertad. tiene la distribucin F con m 1, tr -

cAP.5l TEORIA DE MUESTREO r77 5.2?. Dos muestras de tamaos 8 y 10 se extraen de dos poblaciones distribuidas no rmalmente con vatianza 20 y 36 respectivamente. Hallar la probabilidad de que la varianza de la primera muestra sea ms de dos veces la vartanza de la segunda. Tenemos r .- 8, n - 1O, = 20, -. "i "l 3e . Por tanto F ' 1.85---iJ s? El nmero de grados de libertad paraelnumeradoryeldenominadorson vt = ffill : 7, v 2 = -1= 9. Ent onces si Sf es ms de dos veces Si. es decir Sf > ZS!, entonces F > 3.70. Refirindonos a las tablas en el Apndice F vemos que la probabilidad es meno r que 0.05 pero mayor que 0.01. Para valoree exacto necesitamos una tabulacin ms arnplia de la distribucin F. DISTRIBUCION DE FRECUENCIA 5.28. En la Tabla 5-4 se registran los pesos de 40 estudiantes en State Universi ty con aproximacin de una libra. Construir una distribucin de frecuencias. El peso mayor es 176 libras y el menor 119 tibras, de modo que el recorrido es 1 76 - 119 57 libras. Tabla 5-4 138 r 61 150 r32 116 158 110 147 168 lzc' 138 176 14(i r73 r42 147 I 61 1,15 135 142 144 I25 r49 L67 136 148 L52 t44 163 119 154 165 135 153 140 135 150 156 145 128 Si utilizamos 5 intervalos de clase, el tamao de cada uno es 57/5 : 11 aproximadamente. Peso 1 Tabla 5-5 Si utilizamos 20 intervalos de clase, el tamao de cada uno es 57/20 : 3 aproximad

amente. Una eleccin conveniente para el tamao del intervalo de clase es de 5 libra s. Tambin conviene elegir las marcas de clase en 120, 125, 130, 135,.,.libras. As los intervalos de clase pueden ser 118-122,123-727, L28-132,. . . Con esta elecc in los lmites reales de clase sern 1-t1 .5, 122.5, 127.5,... que no coinciden con l os datos observados. La distribucin de frecuencias pedida aparece en la Tabfa 5-5 . La columna central. denominada columna de cuenla, se utiliza para tabular las frecuencias de clase de la totalidad de los datos y generalmente se omite en la presentacin final de la distribucin de frecuencias. Otr< mtodo. (libras) Cuenta Frecuencia 18- 0r/ I tl 'ft|+ I Tfl+ ,. 102 r28I DDI 3848A'1I AD 1 I 1 1 1 586373(;8- nt/ 27 :t2 37 42 47 52 67 62 67 ll il/t 2 4 o 8 'l|lJ lll ilil ll /il TOTAL A 2

D 1 1 77 lt I 40 Naturalmente, son posibles otras distribuciones de frecuencia. La Tabla 5-6, por ejemplo, muestra una distri bucin de frecuencias con 7 clases solamente en las q ue el intervalo de clase es de 9 libras. Tabl 6-6 Peso (libras) Cuenta Frecuencia 3 5.29. Construir un histograma y un polgono de frecuencia para Ia distribucin de Io s pesos del Problema 5.28. El histograma y el polgono de frecuencias para cada uno de los dos casos considerados en el Problema 5.28 estn dados en las Figs. 5-7 y 5-8. Niese que los centros de las bases de los rectng ulos se encuentran en las mar' cas de clase 118-126 / / / r27-r35 ll-ll 136-144 fitl llll 145-153 Ttll -ft/+ // 154-162 -ll/1 163-171 l/ll 172-180 / / TOTAL 5 q 12 D 4 2 40

178 TEORIA DE MUESTREO lcAP.5 :T83:ETg!E[' Peso (libras) f3 r40 14? t58 187 t76 165 Peso (libras) F Iris. 5-? ig. 5-8 5.30. Se lanzan cinco monedas simultneamente 1000 veces y en cada lanzamiento se observa el nmero de caras. Los nmeros de lanzamientos durante los cuales se obtien en O, 7, 2, 3, 4 y 5 caras se muestran en la Tabla 5-7. (a) Representar los dato s grficamente. (b) Construir una tabla que muestra el porcentaje de lanzamientos que resultan en un nmero de caas menor que 0, l, 2, 3, 4,6 6 6. (c) Representar grf icamente los datos de la tabla construida en (b). Tabla 5-7 Nfimero de Nmero de caras 0 1 lanzamientos (frecuencia) 38 t4.t 342 287 2 (o) Los datos aparecen grficamente en la Fig. 5-9 o en la Fig. 5-1 0. A

164 25 1000 La Fig. 5-9 es un grfico de empleo ms lgico, puesto que, por ejemplo, el nmero de ca ras no pueden ser 1.5 3.2. Este grfico es una especie de grfico de barras en el que las barras tienen una anc hura cero y a veces se llama grfico de uoro. Se utiliza especialmente cuando los datos son discre[os. 5 TOTAL ta Al emplear la representacin de histogtama o el correspondiente polgono do los datos como si fuesen continuos. Fig. 5-10 muestra un histograma de los datos. El rea total del histograma es la frecuencia total 1000. de frecuencia se estn tratano o) E N o o 350 300 o d N ^-^ ou soo 250 200 zso zoo 150 (d tt lcu roo 50 9 . roo 50 0

h !a z z 1234 Nfimero de caras tr'ig. 5-9 1231 Nmero de caras Fig.5-10 (b) Refirindose a la Tabla 5-8, advirtase que muestra nicamente una distribucin de frecu enciasacumulay una distribucin acumulada porcentual del nmero de caras. Las entrad as reflejadas como "menor que 1", "menor que 2", etc., podran igualmente haber si do "menor que o igual a 0", "menor que o das igual a 1", etc.

TEORIA DE MUESTREO Nfimero de lanzamientos Nfrmero de caras (frecuencia acumulada ) 0 Porcentaje de lanzamientos (frecuencias acumuladas porcentuales) 0.0 3.8 18.2 52.4 81 .1 menor que 0 menor que 1 menor que 2 menor que 3 menor que 4 menor que 5 menor que 6 100 38 t82 524 811_ 975 1000 9?.5 100.0 o o o C t{0 6 N^^ Eou o O ,10 N-^ EOU G' o :! ,10 Hzo o lzo A 0123456 Nmero de caras 6 0123,1 Nmero de caras Fig. 5-12 Fig.5-ll (c) La representacin grfica puede indicarse como en la Fig, 5-11 o en la Fig. 5-12. La Fig. 5-11 es Ia ms lgica para representar datos discretos; as por ejemplo, el po rcentaje de lanzamientos en los que haya menos de 2 caras es igual aI porcentaje

en las que haya menos de 1,75, 1.56 1.23 caras, de modo que eI mismo porcentaje l8.2ol,,aparece para todos estos valores (indicado por la lnea horizontal). La Fig. 5-12 muestra el polgono de frecuencias acumuladas u ojiva de los datos y los trata como si en esencia fuesen continuos. Ntese que las Figs. 5-11 y 5-12 corresponden a las Figs. 5-9 y 5-10 de la parte ( a). CALCULO DE LA MEDIA, VARIANZA Y MOMENTOS PARA MUESTRAS 5.31. Hallar la media aritmtica de los nmeros 5,3,6, 5,4,5,2,8,6,5,4,8,3,4,5,4,8,2 ,6,4. Mtodo l. 2x It 5 qA +3 | fi + 5 + 4 + 5 + 2 + 8 + 6+ 5+ 4 + 8l- 3 + 4 + 5+ 4 + 8 1 2+ 5+ 4 20 =:n'" Mtodo 2. Hay seis 5, dos 3, dos 6, cinco 4, dos 2 y tres 8. Entonces _ )/ n ,(6)(5) +(2)(3) +(2)(6) + r5)(4) I (2)(2) +(3)(8) 6+21-2+5+2+3 96 20 = 4.8 5.32. Cuatro grupos de estudiantes, formados por 76, 20,10 y 18 individuos regis tran una media de pesos de 162, L48, 153 y 140 libras, respectivamente. Hallar e l peso medio de todos los estudiantes.

180 sfn TEORIA DE MUESTREO lcAP. 5 = 150 libras 5.33. Utilizar la distribucin de frecuencias de estaturas en la Tabla 5-2, pgina 1 63, para hallar tatura media de los 100 estudiantes de la Universidad, XYZ. la es La solucin se indica en la Tabla 5-9. Advirtase que todos los estudiantes con esta turas de 60--62 pulgadas, 63-65 pulgadas, etc., se consideran como teniendo esta turasde 61,64, etc., pulgadas. Elproblema entonces se reduce a encontrar la esta tura media de 100 estudiantes, si 5 tienen una estatura de 61 pulgadas, 18 tiene n una estatura de 64 pulgadas, etc. Tabla 5-9 Estatura (pulgadas) Maca de clase (c) 61 Frecuencia (/) 5 fr 305 60-62 63-65 66-68 69--71 64 67 70 18 AO rt52 28t4 r890 584 27 8 72-7 4 -)/-100 2 fr = 6745 2lr >/ -

+ - ffiq = 6?.45 pulgadas Los clculos involucrados pueden conveitirse en tediosos, especialmente para los c asos en los que los nmeros son grandes y hay muchas clases. Tcnicas breves se encu entran disponibles para disminuir el trabajo en tales casos. Vase Problema 5.35, por ejemplo.

5.34. Derivar la frmula clave (27),pgina 164, para la media aritmtica. Dentese la clave de marca j-sima por .rj. Entonces la desviacin de.r con respec[o a alguna marca de clase determinada a, xj - o, es igual al tamao de intervalo de cl ase c multiplicado por algn entero u, es decir r -o:cltj x: a *cu, (tambinescrito brev mentecomor =a I cui. La media est dada por fi _ 2fr = = nnnn. )/'(o*crr) = o>f; alc" 2fu; = a*c! )/'rr' ,t yaque n=2f. T abla 5-lO 5.35. Utilizar la frmula clave del Problema 5.34 para hallar la estatura media de los 100 estudiantes de la Universidad XYZ (vase Problema 5-33). La solucin puede ordenarse como se indica en la Tabla 5-10. El mtodo se denomina el mtodo claue y debe emplearse siempre que sea posible. )fu = l5 u = "*(?t;)" = 67+ (i%),,, -. 67.45 pulgadas

cAP. 5l TEORIA DE MUESTREO 181 5.36. Hallar (c) la varianza y (b\ la desviacin tpica para los nmeros en el Problem a 5.31. (o) Mtodo 1. Como en el Problema 5.31 tenemos = 4.8. Entonces n20 _ 59.20 , ar 20 Modo 2. " 2f(r-r\2 _ n 6(5 - 4.8)2 = 2QA (2_20 4.8): + 3(8 4.8)2 _ (b) De (o\, s2 = 59.20 20 2.96 y "-rfzs6=1.36. 5.37. HaIIar Ia desviacin tpica de los pesos de los estudiantes del Problema 5.32. ,z -

2 f(r - r\2 n 15(162- 150)2 | 20(149-1si)i -tJ911!!:-!Li)2 + 18(140150z !5+20+10-f 18 Entoncee unidades siguen la leyes comunes del lgebra. = +:q = 65'6 en unidades libras cuadadas o (libras)2 , : y'Gb.6 (libras)2 : \6bS libras : 8.10 libras, donde hemos utilizado el hecho de que las 5.38. Hallar la desviacin tpica de las estaturas de los 100 estudiantes de la Univ ersidad XYZ Vase Problema 5.33. Del Problema 5.33, x: 67.45 pr.rlgadas, [,a solucin puede ordenarse como se indica en la Tabla 5'11. Ta bla 5.11 Estatura (pulgadas) Maca de clase 61 r rr-r = 67.45 lr fr) Frecuencia 5 / f(r \2 60-62 63-65 66-68 69-71

-6.45 4t.6025 11.9025 208.0L25 214.2460 8.5050 ID.DO'O 64 67 70 73 -3.45 -0.45 2.55 o.Do 18 42 27 8 0.2025 6.5025 30.8025 72-74 246.4200 n=)/=100 2 2f(r-lz= 852.7500 f(r TL n\z 852.7500 100 = {dEfB = 2.92 pulgadas 5.39. Derivar la frmula clave (28), pgina 164, para lavarianza. Como en el Problem a 5.34 tenemos ri = a + cui y ft = a*c'" 2f,u, = a*c' t

L82 Entonces s2 TEoBTADEMUEsTREo [cAp. b = f,> f ,{r,o, : }> f ,1"u,_ "o, = 2- f @,-az i) = "i 2 ,<"? - j. + tlz) 2xt = *2 : t,"? -'#2 22c2 ru, + c2z *> r,o, 2 't t f,u? = 2 2 * ,'r",u? -t t C2[ /2f,u,\t 't t l = = ",f!n'LN c2[u2 (;'1 \fu/J _

2]l 5.40. Utilizat la frmula clave del Problema 5.39 para hallar la dewiacin tpica de l as estaturas en el Problema 5.33. La solucin puede ordenarse como se indica en ta Tabla 6:12. Esto nos permite hall a 6.35. De la frltima columna tenemos como en el Problema a2 = "rfL>l!'- /)'l = 21 - az n \n /l = ta)'f-re? / rs Vl = Ltoo-\t*/J ^ 'b-275 y s: 2.92 pulgadas. Tabla 5-12 r 61 u t D fu -10 -18 0 fuz 20 18 0 64 +67 70 73 -2 -1 0 1 18 42 27 8 27 8 27 32 2 z=)/=100 5.41.

2lu=75 )fqz = 97 lalEr lo-s primeros del Problema 5.33. cratro momentos con respecto a la media para la distribucin de estatuas Continuando el mtodo del Problema 5.40 obtenemos la Tabla 5-13. Tabla 5-13 fi u f o 18 42 27 8 u -10 -18 0 fu2 fux fua 80 18 0 6t 64 67 70 73 -2 -1 0 1 '20 18 0 -40 -18 0 27 16 27 32 27 64 27 2 L28 2 fu+ z=

)/: 100 2fu=16 2fu2:97 I/aa:33 -253

cAP.6l Entoncee, utilizando La TEORIA DE MUESTB,EO notacin de la pgina 165, tenemoe 183 M] = >fu n = 0.15 ML=Zy = o.BB M= >fu2 n y de (32), lttt = ffi2= ffi3= 0 0.97 M,^=>+=2.53 M'r') = 9[0.9? - (0.1s)2] = ca(ML-gLI|Mi+ zM'Lz) = 2?[0.88 "z1ML8.6275 B(0.15X0.9?) + z(0.1b)B] = -2.6982 ,nL = ca(M't- 4MiML+ 6M'r2MLBMin) 81[2.53-4(0.15)(0.33) + 6(0.15)2(0.97) -3(0.15)41 : 199.3?59 5.42. Hallar los coeficientes de (o) sesgo y (b) curtosis para la dishibucin de e staturas del Problema 5.33.

(o) DeI Problema 5.41, ffi2=s2=8.5275 Entonces mB = -2.6932 a3 Coeficiente de eesgo = a, fflg = p: { (8.5275)3 (b) Del Problema 5.41, -0.14 m+ Entonces = 199.3759 ffiz:s2=8.5275 rttt Coeficiente de cutosis as=E = : 199.3759 qa-szrgy _ 6 al = z't+ De (o) vemos que la distribucin est modetadamente sesgada a la izquierda. De (D) y emos que e8 menoc apuntada que la dishibucin normal (que tiene un coeficiente de curtosir: 3). PROBLEMAS DIVERSOS 5.43. (a) Demostra cmo escoger 30 muestras aleatorias de 4 estudiantes cada una (c on remplazariiento) de la tabla de estaturas en la pgina 163 utilizando nmeros ale atorios. (b) Hallar la media y la desviacin tpica de la distribucin muestral de med ias en (o). (c) Comparar los resultados de (b) con los valores tericos, explicando cualquier disc repancia. (o) Emplear dos dgitoe para numerar a cada uno de los 100 estudianes: 00 , OL, 02,... , 99 (vase Tabla 5-14). Asf los 5 estudiantes con esaturas 60-{2 Tabl 6-14 pulgadas s numeran 00-{4, los 18 eetudiantes con estaturas 63-65 pulgadas se numeran 05-22, etc. Cada Nfmero Estatura n(rmero de estudiantes se denomina nmero'muestral. Entonces extraeremo8 nlmeros mu

estrales de la tabl de nfmeros aleaorios (Apndice I). Del primer rengln hallamos la s ecuencia 5I, 7'1, 27, 46, 40, etc., que tomamos como n(meros muestrales aleatorio s, cada uno de los cuales determina la estatua de un eetudiante determinado. As 51 conesponde a un estudiante con estatura 66-68 pulgadas, que tomamos como 67 pul gadas (la marca de elase). En forma semejante 77, (pulgadae ) Frecuencia 5 muestral 60-62 63-65 66-68 69-71 72-74 00-04 18 42 27 8 05-22 23-64 65-91 92-99 27, 46 resultan en'estatuas de 70, 67,67 pulgadas respectivamente.

184 TEORIA DE MUESTREO lcAP.5

Por eete proceso obtencmo l Tblr Fl quc rnuetra lo n(mcro muetrale extrafdor, l.8s correspondientee y la esttun mcdb pan cde un de h 30 muegtraa flebe menciorarse que aunque eecogimos el prirner rengl,n dc l trbl de nlrncro dcatoiio hbrfrmo podido inic eualquier parte y escoger cualquicr patrn dctetmindo, Tbh 6-r Nfmeros muesFale Esttwr oEla+ Nfrmeros muestralea extrafdo rrcqrondieatcc 67, 70, 67 , 67 67, 67, 67, 64 70, 67, 67, 67 64, 67, 73, 73 67, 64, 67, 70 64, 67, 64,70 medi 67.75 66.25 67.75 69.25 67.00 66.25 65.50 68.50 68.50 67.00 66.25 68.50 68.60 67 .75 67.00 extnfdo Estatras corespondientec 64, 67, 67, 67 70, 67, 73, 67 70, 67, 73, 67 70, 67, 70, 67 67, 67, 64, 67 rff media 66.25 69.25 69.25 68.50 66.25 69.25 64.00 67.75 69.25 66.25 67.00 70.00 68.50 68 .50 65.50 1. 51,77,27, 46 2. 40,42,33, 12 3. 90,44,46,62 4. 16,28,98,93 5. 58, 20,41, 86 6 . 19,64,09,70 7. 56,24,03,32 8. 34,91,83,58 9. 70, 65, 68,2L 10. 96,02, 13, 87 f l. 76, 10, 51,08 12. 63,97, 45, 39 13. 05,91, 45,93 14.96,0L,73,52 13. 11,64, 55, 58 70, 56,91, 43 1f. 19. 1t.74,28,93,50 79, 42,'7L,30 58, 60, 21, 33

m. 21. 75,79,74,54 2:2. 06,31,04, 18 70,70,70,67 64, 67, 6L, 64 67,67,6L,67 67, 70, 70, 67 70, 70, 70,64 73,6r,64,70 70, 64, 67, 64 67, 73, 67, 67 23. 67, 07, L2,97 24. 31, ?1,69, g8 25. tt,64,2L,87 26. 03,58,57,93 27. 53, 81, 93,99 23.23,22,96,79 70,64,64,73 67, 70, 70, 70 64, 67, 64, 70 6L, 67, 67, 73 67, 10, 73, 70 67, 64, 73, 70 73, 6 7, 67, 67 64,70, 67,73 73, 61, 70, 6? 15. 07,82,54,24 64,70, 67, 67 29. 30. 98, 56, 59,36 08, 15,08,84 64.64, 64,70 Trbl 6-16 Media muestral 64.00 64.75 65.50 66'.25 Clenta 1 u fu fu2 16 0 8 6 0 2 ( /t/t

)#{ 6 4 A a+67,00 67.75 68.50 69.25 70.00 -4 -3 -2 -1 0 1 -4 0 -4 -6 0 0 4 / 28 45 16 23 d D , 3 14 16 4 I l,f = n 30 4 ),fu. = 2 fuz = 123 (b) I Tabla 5-16 da I ditribuci6n de ftecucrci dc I media muestral de las estaturas obtenidas en (o). Esta ee una dist ribucin mucetal de mediu. L medi y la derviacin tfpica ee obtienen como es usual por los mtodos claves delcrito anterbrmeue. Medi = a*c Derviacin = o*c2fu tpicr = = e -

6?.00 (0'75)(23\ = * '67'58 Pulgadaa 2fuz />1"\' n -\ i " (0.76) = 1.41 pulgadar

cAP.5l (c TEORIA DE MUESTREO 185 ) es t a media terica de la distribucin muestral de medias, dada por a, es igual.a la med ia poblacional r que 67.45 pulgadas (vase hoblema 5.33), de acuerdo.con el valor d e 67.58 pulgadas de la parte (b). La desviacin tpica terica (error tpico) de la distribucin muestral de medias, dada po r o*, es igual a o/y'[, donde la dewiacin tpica poblacional o = 2.92 pulgadas (vase hoblema 6.40) y el tamao de la muestra n : 4. Puesto que o/t6':2.g2/fi = 1.46 pu lgadas, estamos de acuerdo con el valor de 1.41 pulgadas de la parte (b), Las di screpancias se deben a que solamente 30 muestras fueron seleccionadae y el tamao de la muestra fue pequeo. 5.44. La desviacin tpica de los pesos de una poblacin muy grande de estudiantes es de 10.0 libras. Se escogen muestras de 200 estudiantes de esta poblacin y se calc ulan las dewiaciones tpicas de las estaturas de cada muestra. Hallar (c) la media y (b) la dewiacin tpica de la distribucin muestral de las dewiaciones tpicas. Podemos considera que el muestreo es o de una poblacin infinita o con remplazamien to de una poblacin finita. De la Tabla 5-1, pfuina 162, tenemos: ( [,) ps: o = ts=-' o 10.0 lb ( lr) \/2" + = 0.50Ib v400 5.45. Qu porcentaje de las muestras del Problema 6.44 tendran dewiaciones tpicas (o) mayor es que 11.0 libras, (b) menores que 8.8libras? La distribucin mueetral de desviac iones tpicas es aproximadamente normal con media 10.0 libras y desviacin tpica 0.50 libras. (a) : 11.0 libra en unidades tpicas: (11.0 - 10.0)/0.50 : 2.0. El rea bajo la curva norma l a la derecha de z 2.0 es (0.5 - 0.4772) = 0.0228; por tanto el porcentaje pedi do es 2,3'/'.

de (b) 8.8 libras en unidades tpicas : (8.8 - 10.0y0.50 : -2.4. El rea bajo la curva normal a la izquierda z : -2.4 es (0.5 - 0.4918) : 0.0082; por tanto el porcenta je pedido ec 0.8%. 5.46. Una muestra de Por 6 observaciones se hace aleatoriamente de una poblacin. Cul es la probabilidad de q ue las dos ltimas observaciones sean menores que las primeras cuatro? Suponemos q ue la poblacin tiene funcin de densidad f(xl. Ia probabilidad de que 3 de las prim erae 4 observaciones sean mayores a u mientras que la cuata obsenacin se encuentre entre u y u I du et dada (1) .". - ?d L -r;t J, /(r) tr.rJ f eL) du La probabilidad de que las 2 ltimas obervaciones sean menores que u (y por tanto m enores que las primeras 4) est dada por (2) fnu12 l) --na a. ) ea el producto de (1 ) y (2), Entonces la probabilidad de que las primeras 4 sean rnayores que y las 2 ltimas 6 ean menores que u es decir nc,,f 'LJ" f t@ta*l'/t,,r ,t,,1 aJ. 1r)drl'z I J e la probabilidad total de que l as 2 ltimac'obervacione Puesto que u puede tomar valores entre menores que las prim eras 4 es la integral de (3 ) desde o hasta , esto es Q\ (r) f" sean ,r, :-l,' p a*)"lJ'"-r,a a,l'

ra,) au

186 Para evalua esta erpreein hacemos (5) TEORIA DE MUESTREO lcAP.5 1, : !l_ ,r" o' Entonces (6) d.o - f(u)itu @, u r-o = !"'nO* (4 ) se Cuando u : u : 1 y cuando u == 0. Por tanto convierte en F(B) cus t1 (' Jo f(4) z(t-)titp = 4=6-a = G I que es la probabilidad pedida. Es intereant notar que l,a probabilad no depende de la distibucin de probabilidad f(r). Este es un ejemplo del eatdstico no paromtrico pu esto que no ae necesita oonocer ningn rarmetro poblacional.

5.47. Sea xn} una muestra aleatoria de tamao n extrada sin remplazamiento de {xr, x2 una pob lacin finita de tamao N. Demostrar que si la media y varianza poblacional son J y o 2 entonces (a) E(Xi) = r, (b) Cov (X,X): -"21(N -L). Suponer que la poblacin conie del conjunto de nmeros {dt, ez,. . . , oN}, donde las c no son neceesriamente ditintas. Un procedimiento de muestreo aleatorio es aquel bajo el cual cada seleccin de n de un total de N c tiene h misna probabilidad (es decir LlttC"). Eato quiere decir que las XJ eetn dishibuidas idnticamente. prob. xj= prob. l/N l/N (i = 1,2,...,n) X Sin embargo, no son mutuanente independientes. En verdad, cuando est dada por i*h,la distribucin conjunta de X1 y P(Xr= a, X= ar) = P(X: a^) P(X = a, I X= a) au I = *4,"0 = X;: lt# \=y a) v dondelyzvarande1aN. N (o) (b) Qov E(xi\ (X,Xyl ).: I )

aP(X - a) = p)l J,* = tN P EIX:- pXxr NN = +("+)^, donde la (rltim suma contiene un total de N(N sibles de l, y z deaiguale.s. (or-r)(o'-r) 1) trminos, que correqronden a todas las parejas poN N ) = I=1 ("^-t'\2 +. l+v:l _ ("^-pl(o,-p) .). Entoncee, por lgebra elemental. t(or-,)I(oz-p)+'..*(or-p)12

cAP.6l TEORIA DE MUESTREO En esta ecuacin, el lado izquierdo e8 cero, ya que por definicin a1 187 -la2+'," +av = a N 02, N y la primera suma en el lado derecho er igual por definicin. Por tanto I+v:l Cov (X, g (o p)(o, - p) = -Noz r \ -2 'r' X) = ;( rr-:--r l(-,1'", = - N-1 ^' - N\N-rl' 't/ 5.48. Demostrar que (c) la media y (b) la varianza de la media muestral del Prob lema6.47 estn dadas respectivamente por t*= (o) E6) = "1 =*"(x=) /X' +...f x"\ D p (.' " ) = ;iE(x)+"'+E(x")l 1 =1 n (p -r "'+p) donde hemoe empleado el Problema 6.a7 @). =

p (b) Uilizando loe Teoremar 3-5 y 3-16 (generalizadoe), y el Problema 6-4?, obtenemos var(x) = Sv^,(,t ",) = #[, var(X) * ,, cov(x,x)] = #* *,,(n_',(-r_ i)] = Lfr-"-rf = 4(N-"\ nl- N-1J '\N-1/ Problern DISTRIBUCION MUESTRAL DE MEDIAS a,t suplernenta,rlo s 6.49, adecudas. Una poblacin est6 formada por los cuatro nfrmeros 3,7,LL, 15. Considerar toda lae posibleamuestrasde tamao dos que pueden extraers de esta poblacin con remplazamient o. Hallar (o ) la media poblacional, (b ) la dewiacin tpica poblacional, (c) la me dia de la digtribucin mueshal de medias, (d) la dewiacin tpica de la distribucin mue stral de media. Encontrar (c) v (d) directamente de (c) y (b) mediante las frmula 5.50. .51. Resolver el Problema 5.49 si el muestreo fuese sin remplazamiento. remplirzamiento.

Loa peeos de 1600 cojinetes de bolas se distribuyen normalmente con medla 22.40 onzas y dearriacin tfpica 0.048 onza. Si se erraen 300 mueetras de tamao 36 de ea pobl acin, determirar la media y la dewiacin tpica eeperada de la ditribucin muetral de me s si el muestreo se hace (o ) con remplazamiento, (b ) sin 6.62. 5.53. Resolver el Problema 6.51 si la poblacin 5e compone de 22 cojineter. En el Problema 5.51, en cuntae de lag muetras aleatoria cabe ecperar que sus medias (a) ertn enl'l.e 22.39 onzas, (b) sean rnayor de 22.42 onzae, (c) sean menor de 2 2.37 onzaa, (d) ean menor de 22.38 o mayor de 22.4L onzas? y 22.4L

188 TEORIA DE MUESTREO lcAP.6 6.54. Ciertos tubos fabricados por una compaa tienen una duracin media de 800 horas y una dewiaein tpica de 60 horas. Hallar la probabilidad de que una muestra aleatoria d e 16 tubos, tomada de entre ellos tenga una duracin media de (a) entre 790 y 810 horas, (b) menor de 785, (c) mayor de 820 horas, (d) enhe ??0 y 830 horas. 6.55. 5.56. Lo mismo del Problema 5.54 si la muestra extrada ee de 64 tubos. Explica la diferencia. Los pesgs de los paquetes recibidos n un departamento de almacenamiento tienen un a media de 300 libras y una desviacin tpica de 5O libras. Cul es la probabilidad de que el peso de 25 paquetes recibidos aleatoriamente y cargados en un ascensor su pere el lmite de seguridad del ascensor, que es de 8200 libras? DISTRTBUCION MUESTRAL DE PROPORCIONES 5.57. llallar Ia probabilidad de que de los prximos 200 nios nacidoe (o ) menos d, el 4Oi'o sean nios, ( ) entre el 43% y el 57% sean nias, (c) ms del 640/o sean nios. Supnganse iguales las probabilidades de nacimientoe de nio y nia. 5.5t. 5.59. 5.60. De un total de 1000 muestras de 200 nios cada una, en cuntas cabe esperar que (o) m enos del 4OVo sean nios, (b ) entre el 4O% y el 60% sean nias, (c ) el 63"h o ms se an nias? Resolver el Problema 5,57 si se consideran 100 en lugar de 200 nios resultados. y explic.ar las diferencias en los Una una contiene 80 bolas de las que 6oo/a son rojas y 4OToblanca* De un total de 50 muestras de 20 bolss cada una, sacadas de la urna con rempliazamiento, en cunt as cabe esperar (a) igual nmero de bolas rojas y blancas, (b) l2 bolas rojas y 8 blancas, (c) 8 bolas rojas y 12 blancas, (d) 10 o ms bolas blancas? Dsea un experim ento que ponga de manifiesto los resultadoe del Problema 5.60. En lugar de bolas rojas y blancas, se pueden usar hojas de papel, sobe las que se escrriba la inic ial .R o I en las proporciones adecuadas. Qu enores pueden introducirse al utiliza r dos conjuntos diferentes de monedas? lotes de 100 bombillas cada uno. Si norma lmente el 6Vo de las bombillas es defectuoso, en cuntos lotes cabe esperar (o) men os de g0 bombillas buenas, (b) 98 o ms bombillas buenas?

5.61. 6.62. Un fabricante despacha 1000 DISTRIBUCIONES MUESTRALES DE DIFERENCIAS Y ST'MAS 5.63. A y B fabticzn dos tipos de cables, que tienn unas registencias ,nedias a l arotura de 4000 y 4500 libras con desviaciones tpicas de 300 y 200 libras, respec tivamente. Si se comprueban 100 cablesdeA y 50 cablesde B' cul es la probabilidad de que Ia media de resistencia a b rotura sea de (a) al menos 600 libras ms que A , () al menos 450 libras ms que A? 5.64. Cules son las probabilidades del Problema 5.63 si se comprueban 100 cables de cada fabricante? Explicar las diferencias. 5.65. En una prueba de aptitud puntos? la puntuacin media de lo estudiantes es de ?2 puntos y la dewiacin tpica de 8 puntos .' Cul es la probabilidad de que dos grupos de estudiantes, formados de 28 y 36 ee tudiantes, respectivamente, difieran en su puntuacin media en (o) 3 o ms puntos, ( b) 6 o ms puntos, (c) entre 2 y 5 Una urna tiene 60 bolas rojas y 40 blancas. Se extraen dos cotecciones de 30 bolas cada una con remplazamiento y s anotan sus co lores, Cul es la probabilidad de que las dos coleccionee difieran en 8 o ms bolag Resolver el Problema 5.66 si las exracciones son sin remplazamiento al obtener ca da coleccin, 5.66. rojas? 5.6?. 5.6t. 5.69. Los resultados de una eleccin mostraron que un cierto candidato recibi el 65% de l os votos. Hallar la probabilidad de que en dos muestras aleatorias compuesta cad a una de 200 votantec, haya una diferencia superior al1^o"k en las proporciones que votaron por dicho candidato. Si U y U2 s on los cor\ntos de nhmeros del Problema 5.12, comprobar que

cAP.5I TEORIA DE IIIUESTREO ttur2 189 (a) 4.tr*Lrr: ru, I 6.70. (b) ou1+ur = \Grtr. Se pesan tres cantidades dando 20.48,35.97 y 62.54 libras con dewiacionee tpicar de 0.21,0.46 y 0,54 libras, respectivamente. Hallar (o ) la media y (b ) la desv iacin tpica de la suma de las cantidades. 6.71. El voltaje medio de una baterfa e de 15.0 voltios y la dewiacin tfpica 0.2 voltios. Cul er la p robabilidad de que cuatro de estas baterfas conectadae en serie tengan un voltaj e conjunto de 60.8 o msvoltios? DISTRIBUCION MUESTRAL DE VARIANZAS 6.72. Con 6.73. 6.74. .75. referencia al Problema 6.49, hallar (o) Ia media de la distribucin muestral de va rianzas, (b) el error tfpico de varianzas. Reeolver el Problema 6.72 ei el muestreo es sin remplazamiento. Una poblacin normal tiene una varinza de 15. Si se extraen muestrae de tamao 5 de e sta poblacin, qu porcentaje puede tener varianzas (a) menores que 10, (b) mayores q ue 20, (c) entre 5 y 10? la duracin de tubos de televisin fabricados por una compaa tienen una media de 2000 horas una dewiacin de 60 horas, Si se seleccionan 10 .tubos aleatoriamente hallar la probabilidad de que la dewiacin tfpica muestral (o) no exceda a 50 horas, (b) se encuentre enre 50 y 70 horas. y Se halla que CASO DONDE SE DESCONOCE LA VARIANZA POBLACTONAL 5.?6. De acuerdo con la tabla de distribucin de Student para 1 grado de libertad (Apndic e D) tenemos P(-1 < 1) : 0.50. Verificar si los resultados del Problema 5.i se c onfirman por este valor y explicar cualquier diferencia. ?s 6.77. Verificar si los resultados del Problema 5.49 se confiman utilizando (a) P(

-1 < f < 1) = 0.50, () P(1.3?6 < ? 1.376) - 0.60, donde ? tiene, una distribucin d e Student con r, = 1. = 5.78. Explicar cmo podra utilizar el Teorema 5-7, pgina 161, para disear una tabla de distribucin f de Student como la dada en el Apndice D. DISTRIBUCION MUESTRAL DE RELACIONES DE VARIANZAS 5.79. 5.E0. Dos muestras de tamaos 4 y 8 se extraen de una poblacin distribuida normalmente, Es la probabilidad de que una ttarianza sea mayor que 1.5 veces la otra mayor que 0.05, entie 0.05 y 0.01, o menor que 0,01? Dos compaas, A y B fabrican bombillas. La duracin parz A tiene una desviacin de 40 horas la duracin de B tiene una desviac in tpica de 50 horas. Una en tanto que muestra de 8 bombillas se toma de A y 16 de 8. Determinar la probabilidad de que la varianza de la primera muestra sea mayor que (o) dos veces, (b) 7.2 veces, l a de la segunda. Tabla 5-17 Duracin (horas) 5.8f . Nmero de tubos L4 46 58 76 68 62 48 22 6 Solueionar el Problema 5.80 si las desviaciones tpicas de las duraciones son (o) ambas 40 horas, (b) ambas b0 horas. DISTRIBUCION DE FRECUENCIA 5.82. La Tabla 5-17 rmuestra una distribucin de frecuencias de la duracin de 400 tubos d e radio comprobados en la L & M Tube Company. Con referencia a esta tabla determ inar: () f 'mite superior de la quinta clase. (b) Lmite inferior de la octava clase. (c) Marca de clase de la sptima clase. (d) Lmites reales de la ltima clase, (e) Tamao de l intervalo de clase. 6 Frecuencia de Ia cuata clase. (g) Flecuencia relatira de l a sexta clase. (h) Porcentaje de tubos cuya duracin no sobrepasa - 399 400 - 499 500 - 599 600 - 699 700 - 799 800 - 899 900 - 999 300 1000-1099 1100-1199 las 600 horas. TOTAL 400

190 (i) (j) TEoRTA DE MUEsTREo Porcentaje de tubos cuya duracin es mayor o igual a 900 horas. Porcenaje de tubos cuya duracin es al menos de 500 horae pero menor de 1000 horas. lcAP.5 5.83. Construir (a) un histograma y () un polgono de frecuenciae ciaa del hoblema 5.82. correspondientes a la distribucin de frecuen5.t4. 5.E5' Para los datos del Problema 5.82 construir (o ) una distribucin de frecuencias re liativas o porcentual, (b un ) histograma de frecuencias relativas, (c ) un polgo no de frecuencia relativas. Para los datos del Problema 5.82 construir (o) una di stribucin de frecuencis acrmuladas, (b) una distribucin acumulada relativa o porcent ual, (c) una ojiva, (d) una ojiva porcentual. horas, (c) entre 620 y 890 horas. 5.86. 5.87. Estimar el porcentaje de tubos del Problema 5.82 con duraciones de (o) menos de 560 horas, (b) 9?0 o mg Los dimetros interiores de las arandelas producidas por una compaa pueden medirse c on aproximacin de milsimas de pulgada. Si las marcas de clase de gna distribucin de fiecuenciaa de estoe dimetros vienen dadas en pulgadas por los nmeros 0.321,0.324 ,0.327,0.330, 0.333 y 0.386, hallar.(a) el tamao de intervalo de clase, (b) los lm ites reales de clase, (c) los lmite de clase. 5-18 niuestra los dimetros en pulgada e de una muestra de 60 cojinetes de bolas fabricados por una compaa. Construir una distribucin de frecuencias de los dimetros utilizando intervalos de clase 5.88. La Tabla dos. "de"*Tabla 5-18 0.738 0.729 0.728 0.737 0.746 0.736 0.733 0.?30 0.735 0.732 0.732 0.737 0.743 0.740 0.?36 0.735 0.742 0.740 0.732 0.730 0.735 0.72t 0.731 0.746 0.736 0.724 0.128 0.739 0.734 0.735 0.741 0.733 0.738 0.734 0.732 0.735 0.735 0.731 0.742 0.736 0.725 0.733 0.738 0.?39 0.736 0.741 0.729 0.734 0.726 0.737 0.739 0.735 0.734 0.732 0.727 0.735 0.736 0.744 0.?30 0.740 una

5.89. Con los datos del Problema 5.88 consruir (o) un histograma, (b) un polgono d e frecuencias, (c) ditribucin de frecuencias relativas, (d) un histograma de frecuenoias relativas, ( e) un polgono de frecuencias relativas, (f) una distribucin de frecuencias acumula das, (g) una distribucin acumuhd porcentual, (h) una ojiva, (i) una ojiva porcentu al. .90. Con log resultados del Problema 5.89 determinar el porcentaje de cojinetes de bo las que tienen dimetros (o) superiores a 0.732 pulgadas, (b) no superioree a 0.?3 6 pulgadas, (c) entre 0.?30 y 0.?38 pulgadar. Comparar estos resultados con los obtenidos directamente de la coleccin de datos de la Tabla -18. Resolve el Problema 5.89 para los dato del hoblema 5.82. 6.91. CALCULO DE LA MEDIA, DESVIACION TIPICA Y MOMENTOS PARA MUESTRAS 6.92. .93. Las calificacione de un estudiante en cinco aeignaturaa fueron 85, ?6, 93, 82 y 9 6. Hallar la media aitmtica de dichas calificaciones. O.44 los. Los tiempos de reaccin de un individuo a determinadoe estmulos fueron 0.63, 0.46, 0.50, 0,49, 0.52, 0.63, y 0.55 segundos, respectivamente. Deerminar el tiempo med io de reaccin del individuo a los estmu6.94. Una 6.95. eeie de nfimeros est formada aitmtica ? por seis 6, siete 7, ocho 8, nueve 9 y diez 10. Cul es u media Las calificaciones de un estudiante en las tres asignaturas del curso fueron 77, 78 y 89. (c) Si las ponderaciones asignadas a cada asignatura rcn 2, 4 y 6, resp ectivamente, cul es el promedio adecuado para sus calificaciones? (b ) Cul sera si to das las ponderaciones son iguales? 6.96. Tles profesore de economfa regienron una ealificacin media en sus eimenes de 79,74 y 82; sue clasee

cAP.5l estaban formadas por 32, 25 las clases. TEORIA DEMUESTREO 191 y 11 estudiantes, reqrectivamente. Determinar lacalificcinmediaparatoda8 5.g?. El salario medio anual pagado a todos los empleados de una compaa fue de $6000. Log salarios medios anual es pagados a hombies y mujeres de la compaa fueron $200 y $4200, respectivamente. D eterminar el porcentaje de hombres y mujeres empleados en la compaa. 5.98. La Tabla 6-19 muestra la distribucin de las cargas mximas en toneladas cortas (1 tonelada corta : 2000 libras) que soporan cieros cables producidoe por una compala. Determinar la media de la carga mxima empleando (a) el "mtodo latgo", (b) el mto' do clave. para los daos de la Tabla 6'20 empleando (o) el "modo largo", (b) el mtodo clave. Tabla 6-19 Carga mxima Nlmero de cableg (toneladas cortas) 9.39.7 , i) 5.99. Halla i 9.8-10.2 10.3-10.7 10.8-11.2 11.3-11.7 t2 17 l4 6 3 1 Tabla 6-2O fr 11.8-r2.2 624 2

462 480 498 516 534 552 570 588 606 12.3-L2.7 L2.8-L3.2 TOTAL 98 75 56 42 30 21 15 11 6 compaa. Calcular el dimetro medio. Tabla 5-21 60 .100. La Tabla 5-21 muetra Ia distribucin de los dimetros de las cabezas de los rema ches fabricadoe por una Tabla 6-22 Freeuencia I 6 8 Dimetro (pulgadas) 0.7247-0.7249 0.7250-0.7252 0.7253-0.7255 0.7256-0.7258 0.7259-0.726L 0.7.262-0.7264 Clase Frecuencia de 16 de 20 25 3 7 15 42 68 49 25 18 L2 4 1 lG-menoe 16-menoe 20-menos 26-menos 0.7265-0.7267 0.7268-0.7270 0.7271-0.1273 0.7274-0.?276 0.7277-0.7279 0.7280-0.7 282 TOTAL de de Sfmenos de 36-menos de 40-menos de 16 L2 30 36 40 45 I o 2 TOTAL 54 250 6.101. Calcular la media de los datos de la Tabla 6'22. 6.102. Hallar la desviac in tpica de los nmero: (a) 3,6, 2, 1,7,5; (b) 3.2,4.6,2.8,5.2,4.4; (c) 0,0,0,0,0, 1' 1' 5.103. 1. (o)

Sumando 5 a cada uno de los nlmeros de la serie 3,6,2, L,7,6 se obtiene la s rie 8, 11 ,7,6, 12, 10. Demostrar que as dos series tienen lae mismas desviaciones tfpi cas, pero diferentes medias. Cmo estn relacionadas las medias? (b) Multiplicandocadaunodelosnmeros3,6,2,1,?,6por2ydespussumando6seobtienelaseriel l, L7,9, 7, 19, 15. (c) nfimeros de los apartado (o) y (b)? Cules 8on lias relaciones entre las desviaciones tpicas y las medias de las dos ser ies? lo Qu propiedades de la media y de la desviacin tfpica se ponen de manifiesto p or lae series de 6.104. Hallar la dewiacin tpica de la serie de nlmeros de la progreein aimtica 4, 10' 6,22,. . . ' 164. .106. tlalla la dewiacin pica para las distribuciones del (o) hoble ma 6.98' (b) 6.99.

L92 TEORIA DE MUESTREO lcAP. 5 5.1o6. Hallar (a) la media y (b) la desviacin tpicaparaladistribucindelProblema de los resultados obtenidos. S.30explicandoelsignificado 5.f 07. (o) Hallar la desviacin tpica s de los dimetros de los remaches del Problem a b.lOO. (b) eu porcentaje de dimetros se encuentra entre (r1 ,t s), (t t 2s), (t l3s)? (c) Comparar los porcet tajes'de (b) lo. teiicos esperados, si la distribucin fuese normal, y comentar las diferencias observadas. "on 5.108. (a) Hallar la media y desviacin tpica para los datos del problema 5.2g. ) Construi r una distribucin de frecuencias para los datos y hallar la desviacin (c) Comparar el resultado de (b) con el de (a). (b tpica, 5.109. Lo mismo del Problema 5.108 para los datos del problema 5,gg. 5.f f O. (a) De un total de n nmeros, la fraccinp son unos mient:'as que la fraccin q : 1 -p son ceros. Demostrar que la desviacin tpica de La serie de nmeros es fi. Aplicar el resultado de (o) al Problema b,102(c). 5.111. Hallar los momentos de (a) primero, (b) segundo, (c) tercero y (d) cuarto orden de los nmeros 4,,1 ,5,g,g, 3, 6. 5'112. tlallar los momentos de (o) primero, (b) segundo, (c) tercero y (d) cuart o orden con respecto los nmeros del Problema 5.111. a la media de 5.113. Hallar los momentos de (o) primero, (b) segundo, (c) tercero y (d) cuarto orden respecto al punto ? para los nmeros del Problema 5.111. 5.114. Con los resultados de los hoblemas 5.111 y 5.1!2, comprobar las relacione s entre momentos (a) mi2, (b) rr,, = nt.;-Btnini l2m'rs, (c) lrq - nl_ thnirni+6 ml2rn,2_ Bm,+. 8, 11, 14, 17. ,nz = ml5'115. Hallar los cuatro primeros momentos con respecto a la media de los nmeros de la progresin aritmtica 2, 5, 5.116. Si el momento de primer orden con respecto al punto 2 es igual a 5, cul

es la media? 5.117. Si loscuatroprimerosmomentosdeunaseriedenmerosrespectoalpunto3sonigualesa2,10,-2bybO, determinar los correspondientes momentos (o) respecto a Ia media, ( b) respecto al punto 5, (c) respecto al origen. 5.llE. Hallarloscuatroprimerosmomentosconrespectoalamediadelosnmeros0,0,0, l, 5.119. (a) Demostrar que ,,r5 1, l, 1,1. ?n: 1m'rm! * l}m'r2nt!, l}rnlstn" * 4n,r5. (D ) Derivar una frmula anloga par^rns. 5.120. De un total de n nmeros, la fraccin p son unos mientras que la fraccin q : 1 p son ceros. Hallar (o) m t , (b) mz, @') mt y (d) ma para los nmeros. Comparar con el problema b.11g. 5'121. Calcular los primeros cuatro momentos con respecto a la media para la distribucin de la Tabla 5-23. Tabla 5-23 f t2 t4 16 18 5.L22. Calcular los cuatro primeros momentos con respecto a la media para la dis tribucin del Prollema 5.98. I 4 o 10 7 5.123. Hallar (a) ntr, (b) m,, (c)

nt3, la distribucin del Problema 5.101. (l).mt, k) , (f) s, @;li, tt,l F, tl F, y (i) (i+ rFpara 5.124. Hallarelcoeficientede(c)sesgo,(b)curtosisparaladistribucindelProblema5.121 . 5.125. Hallar el coeficiente de (o) sesgo, (b) curtosis para la distribucin del Problema 5.98, Vase Problema 5.722. 20 22 2 AI, 30 5.126. Los momentos de segundo orden con respecto a la media de dos distribucion es son g y 16, mientras que los momentos de tercer orden con respecto a la media son -8.1 y -12.8 respectivamente. Qu distribucin est ms sesgada a la izquierda? 6.127. Los momentos de cuarto orden respecto a la media de las dos distribucione s del Problema6.126 son 230y 780 respectivamente. Qu distribucin se aproxima ms a la distribucin normal desde el punto de vista de (a) apuntamiento, (b) asimetra?

cAP.6l PBOBLEMAS DIVEBSOS TEORIA DE MUESTREO 193 5.128. Una poblacin de 7 nmeros tiene una media de 40 y una desviacin tpica de 3. Si muestras de tamao 5 se ertraen de esta poblacin y se calcula la varianza de cada muestra, halla la media de la distribucin muestral de varianzae si el muestreo ee (o) con remplazamiento, (b) sin remplazamiento. 5.129. Determinado tubos producidos por una compafa tienen una duracin de 900 horar y una dewiacin tpica de 80 horas. La compafa envfa 1000 lotes de 100 tubo cada uno. En cuntos lotee cabe esperar que (o) la duracin exceda 910 horar, (b) la dewirrcin tfpica de la duracin exceda 96 hora? Qu ruporicioner deben hacerse? 6.130. En el Problema 5.129 si la medina de duracin es de 900 horas, en cuntos lotes cabe eErerar que la mediana de duracin exceda a 910 horaa? Comparar u solucin con el hoblema 5.129(o) y explicar ous reeultados. 5.131. En un exarnen las calificaciones fueron normalmente disribuidas con media 72 y dewiacin tpica 8. (o) Hallar la calificacin mfnim del 2O% superior de los eetud ianes. (b) Hallar la probabilidad de que en una muestra aleatoria de 100 eetudiane s la calificacin mnima del 2O% superior Eea menor que 76. (n-1)d (eadecirun 6.132. (a) Demostrarquelarvarianzasdelconjuntoden nfrmerol a,a* d,al2d,...,aI progresin aritmtica con primer trmino o y raz6n d) erlt6 dada por tl1 -2 (n2 Dd2 .fsugerencio: Utilizar l+2+3+..'*(n-1)=in(n-1), hoblema 6.104. 1z+22+32+".+(n-l\z=fn(n-Il(2n-1).1 (b)Emplear(a)enel 6.133. Demoshar que los primeros cuatfo momentos con respecto a la media de prog resin aitmtica a, a * d, a * 2d,...,a|(n-l)dson 11 ffit = 0, mz = i,@z-L)dz, mt = 0, tno = (n2-l\3n2-7'td4 Com pararconelProblema 5.115. fSugerencia: 14+24 +34+' ..* (n - 1)a = $n(n-l)(2n-ll8 n2-Bn1 ).1 5.134. Una mueetra de 8 obeervacione se hace aleatoriamente de una poblacin. Cul es la probabilidad de que lae primeras tres obgervaciones sean mayores que las'ltimas cinco? .135. Demoetrar que Vt y Vz definidas en el hoblema 5.22, pgina 175, son independi entes. 6.136. Demostrar el resultado (I9), pfuina 160.

Captulo 6 rF I | .. eonq de esttmocton : . a ESTIMAS INSESGADAS Y ESTIMAS EFICIENTES En el Captulo 5-indicbamos que un estadstico se llama estrnador insesgado de un parme tro poblacional si la media o esperanza del estadstico es igual al parmetro. El va lor correspondiente del estadstico se llama estima insesgada del parmetro. EJEMPLO 6.1. La media X y la varianza 3' d"finid". en las pginas 157 y 160 son estimador es insesgados de la media poblacional r y de la varianza poblacional 02, puesto q ue E'(X) = u, U 13 t) = o2. Los valo^res i y 3 z se llaman estimas insesgadas, S in embargo, S realmente es un estimador sesgado de o, ya que en general Z(3) + o . Si las distribuciones muestrales de dos estadsticos tienen la misma media, el est adstico con la menor varianza se llama estimador eficiente de la media. El valor correspondiente del estadstico eficiente se llama estima eficiente. Lgicamente se prefiere tener estimas que sean eficientes e insesgadas, pero esto no siempre es posible. EJEMPLO 6.2. La distribucin muestral de la media y la mediana, ambas tienen la mi sma media, la media poblacional' Sin embargo, la vaianza de Ia distribucin muestra l de medias es ms pequea que la distribucin muestral de medianas. Por tanto, la media provee una estima ms eficiente que la mediana. Vase Tabla 5-1, pgina 162. En la prctica se ellas pueden obtenerse. utilizan estimas sesgadas o no eficientes, por la relativa facilidad con que alg unas de ESTIMAS POR PUNTOS Y ESTIMAS POR INTERVALOS. SEGURIDAD La estima de un parmetro poblacional dada por un nmero se llama estima de punto de .l parmetro. La estima de un parmetro poblacional dada por doS nmeros entre loJ cua les se considera que se encuentra dicho parmetro se llama estima de interualo del parmetro. EJEMPLO 6.3. Si se dice que una distancia viene dada por 5.28 pies, se est dando una estima de punto. Si, por otra parte, se dice que la distancia es 5,28 + 0.03 pies, es decir, la distancia real se encuentra entre 5.2_5 y 5.31 pies, se est d ando una estima de intervalo, La precisin o conocimiento del error de una estima se conoce tambin como su seguri dad. ESTIMAS POR INTERVALOS DE CONFIANZA, DE PARAMETROS POBI,ACIONALES Sean rs y o" la media y la desviacin tpica (error tpico) de la distribucin muestral d e un estadstico S. Entonces, si la distribucin muestral de S es aproximadamente no

rmal (lo que se ha visto-,.que es cierto para muchos estadsticos, si el tamao de m uestra es n > 30), cabe esperar que el estadsticoSseencuentreenlosintervalos&s o^ s8.s*o.s, &s-2o"EFsl%a'" r.r--Bo, u-r"* 3o" , l 68.27 % ,95.46% y 99.73% de las vece s, respectivamnte. L94

cAP.6l TEORIA DE ESTIMACION 195 Anlogamnte cabe esperar o se puede confiar en encontrar, ps er los intervalos S o. a S * o' delasveces,respectivamenllama a esto intervalos los interualos de conf ianza del68.27%,96.45%y te. Poi estos se 99.73% para la estima de rs (es decir, p ara estima el parmetro poblacional, en el caso de un S insesgado). Los nmeros extre mos de estos intervalos (S i o5, S -+ 2o., $ I 3or) son llamados los lmites de co nfianza del 68.27 %, 95.46% y 99.73% o, como otras veces s conocen, Imites fiducia les. S-2o" a S+2o" S-3o, & S*Sorenel 68.27%,95.46%y99.73% "pueden Anlogamente, S +- 1.96 o, y S -r 2.58 o, son los lmites de confianza del96% V 99% ( 0.9q -V 0.99) para p". El porcentaje e confianza se"llama tambin nivel de confanza . Los nmeros 1.96, 2.68, etn., de los lmites de confianza se llaman coeficientes d e confianza o ualores crticos y se denotan por zc. De los niveles de confianza se pueden obtener los coeficientes de confianza y recprocamente. En la Tabla 6-1 se dan los valores de z" que corresponden a distintos niveles de confianza utiliza dos en la prctica. Para niveles de confianza que no se encuentran en Ia tabla, lo s valores de z" pueden sacarse de las tablas de la cuwa normal en el Apndice C. Tabla 6-1 Nivel de confianza zc e9.73% s9% s8% s6% s5.46% 95% 90% 80% 68.27% 60% 3.00 2.68 2.33 2.05 2.00 1.96 1 .645 r.28 1.00 0.6746 En los casos donde un estadstico tiene una distribucin muestral que es diferente d e la distribucin normal (como chi-cuadrado, t 6 ,F') se hacen fcilmente modificaci ones apropiadas para obtener los intervalos de confianza. INTERVALOS DE CONFIANZ A PARA MEDIAS 1. ,Grandes muestras (n > 30). Si el estadstico S es la media muestral X, entonces los lmites de confianza d'el95 % y 99% para la estimacin de la media poblacional ,r, vienen dados por X r- 1.96 o 7 Y X + 2.58 ox respectivamente. Ms generalmente, los lmites de confianza esln dado s por X * z"o* donde z" depende del nivel de confianza que en cada caso se desee y puede obtenerse de la tabla anterior. Utilizando los valores de o;, obtenidos en el Captulo 5, se puede ver que los lmites de confianza para la media pblacional vienen dados por Xtz"* vn N-tt. N-1 (r) en el caso de muestreo en una poblacin infinita o si el muestreo es con remplazam iento en una poblacin finita y por X*2"* vn

(2) finita de tamao N. En general, la desviacin tpica poblacional o es desconoc^ida, de modo que para obtener los lmites de confianza anteriores, se utiliza la estima m uestral S o S. si el muestreo es sin remplazamiento n una poblacin 2. Pequeas muestras (z < 30). En este caso utilizamos la distribucin t para obtener los niveles de confianza. P or ejemplo si -t.szs y .szs son los valores de ? para los que el 2.6% del rea se e ncuentra en cada "cola" de la distribucin , entonces un intervalo de confianza par a ? est dado por (vase pagina 161) (N -t.srs - "\\ s (3)

196 13ORIA DE ESTIMACION lcAP.6 de lo que se deduce que p se encuentra en el intervalo X-t."rr* a < r ( X+ vn ,tS L 975---= vn (t') con el 95% de confianza. En general los lmites de confianza pa medias poblacionales estn dados por y*"1 vn (5) donde eI valor f" puede leerse del Apndice D. Comparando (5) con (I) se observa q ue para pequeas muestras remplazamoszc por t".Patan > 30, z" y t" son realmente i guales. Debe anotarse que una ventaja de la teora de pequeas muestra.s (que lgicame nte puede emplearse para grandes muestras, es decir, esexacta) es que S aparece en (5) de modo que la desviacin tpica puede utilizarse en cambio de la desviacin tpi ca poblacional (que generalmente se desconoce) en (l ). INTERVALOS DE CONFIANZA PARA PROPORCIONES Si el estadstico S es la proporcin de "xi tos" en una muesta de tamao n > 30 extrada de una poblacin binomial en la que p es l a proporcin de xito (es decir, la probabilidad de xito), los lmites de confianza par a p vienen dados porP ! z"op, dondeP es la proporcin de xitos en la muestra de tam ao n. Con los valores obtenidos en el Captulo 5 de op, S tiene que los lmites de con fianza para la proporcin poblacional son dados por Ptz" pq ?I = Ptz" (6) para el caso de muestreo en una poblacin infinita, o con remplazamignto en una po blacin finita. Anlogamente los lmites de confianza son , t ,"1pms exacto se da en el Problema 6.27. N-n N-1 (7) si el muestreo es sin remplazamiento en una poblacin finih rre hmao N. Obsrvese que estos resultados se obtienen de (I) y (2) remplazando X por P y o por Vpq. Para calcular estos lmites de confianza puede utilizarse la estima muestral P para p. Un mtodo

INTERVALOS DE CONFIANZA PARA DIFERENCIAS Y SUMAS Si Sr V S: son dos estadsticos mueshales con distribuciones muestrales aproximada mente normales, los lmites de confianza para la diferencia de los parmetros poblac ionales correspondientes a Sr y 52 vienen dados por S, S, t . 2.o..,-.s2 : S, - Sr! z"{fl--}s, r"1474, (8) mientras que los lmites de confianza p^ra la suma de los parmetros poblacionales s on ""nrr*.s2 con tal de que las muestras sean independientes. 51 +52 Sl + 52 t (e) Por ejemplo, los lmites de confianza para la diferencia de dos medias poblacional es, en el caso de que las poblaciones sean infinitas, vienen dados por \ T, "", (10) "r- ",

cAP.6l TEORIA DE ESTIMACION L97 'donde Xpopnr y X2,o2,n2 son las respectivas medias, desviaciones tpicas y tamaos de las dos muestras extradas de las poblaciones. siendo las poblaciones infinitas, estn dados por Anlogamente, los lmites de confianza paa la diferencia de dos proporciones poblacio nales, extradas de las poblaciones, y Pt V Pz). W*"-t z"orr_r, : P, - P, = ,"1=; *'T donde Pt y Pz son las dos proporciones muestr ales, flt! nz son los tamaos P, Pr. (11) pr y p2 de las dos muestas son las proporciones en las dos poblaciones (estimadas por INTERVALOS DE CONFIANZA PARA VARIANZAS El hecho de que nS2/o2=(n-t32A tenga una di stribucin chi-cuadrado con n-l gradosde libertad nos permite obtener los lmitesdec onfianzapra o2 6o. Porejemplosi x%rry X?szs sonlos valores de 2 para los cuales 2. 6% del rea se encuentra en cada "cola" de la distribucin, entonces un intewalo de confianzadel95% es v2 nS2 ^.02S o2 (12) ^.975 o de manera equivalente -.2 X!.ozs = (13) De esto vemos que o puede estimarse que se encuentra en el intervalo S\n X.ozs (1t

) S{n-7 X.szs (1 5) con confianza de g5%. En forma semejante ohos intervalos de confianza pueden enc ontrarse. Generalmente es deseable que la amplitud del intervalo de confianza se a tan pequeo como posible. Para estadsticos con distribuciones muestrales simtricas , como las distribuciones normal y , esto se consigue utilizando colas de reas igu ales. Sin embargo, para distribuciones no simtricas, como la distribucin chi-cuadr ado puede ser deseable ajustar las reas en las colas de tal manera que se obtenga el intervalo ms pequeo. El proceso se ilustra en el Problema 6.28. INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS y n con varianzas S, Si se extraen de'dos poblaciones distribuidas normalmente respectivamente, entonces la variable aleatoria En el Captulo 5, p$na 161, vimos que si dos muestras aleatorias independientes de tamaos m de vatianzas ol, of, S$ si,/4 s?/a s7/"7 A tiene una dishibucin F con fr - I, n L gndos de libertad. As por ejemplo si denotamos por F.ot y tr'.ss los valores de F para los cuales 1% del rea se encuentra en cada "cola" de la distribucin.F.entonc es con98% deconfianzatenemos F.or (r6) De esto podemos ver que un intervalo de confianza del98% para la relacin de vaianz as dos poblaciones viene dada por ql de las 1S? F;; g

4 Fo,S, (17)

198 TEORIA DE ESTMACION lcAP.6 Advirtase que F.ss se obtiene de la tabla del Apndice F. El valor de F.or s el inve rso de .F.ee con los grados de libertad para el numerador y el denominador inyer tidos, de acuerdo con el Teorema 4-8, pgina 118. De una manera semejante podramos hallar un intenalo de confianza del g0% empleando la tabla apropiada en el Apndice F. Esto vendra dado por r F.ss ,31 $z o-n o-t I' .05 p2 a2 (r8) ESTIMAS DE MAXruA VEROSIMILITUD Aunque los lmites de confianza tienen valor para estima un parmetro poblacional es conveniente tener un estimador por punto. Paa obtener el "mejor" de tales estimad ores, empleamos una tcnica conocida como el estmador de mxima uerosimilifud, debida a Fisher. Para ilustrar el mtodo suponemos que la poblacin tiene una funcin de densidad que c ontiene d-eterminado. Por tanto, la funcin de densidad puede denotarse por f (x, d ). Suponiendo que hay n obsenaciones independientes x1 ,. . . , xn, la funcin de densidad conjunta para estas obsenaciones es un parmetro poblacional, por ejemplo g, que se va a estimar por un estadstico L - f(r?\ f(n2,0). . . f(r",0) (1e) que se llama la uerosimilitud. Laruxima uerosimilitud puede obtenerse tomando la d erivada deZ con respecto a 0 e igualndola a cero. Para este propsito es convenient e tomar primero el logaritmo y luego la derivada. De esta manera hallamos f@;tr I af(rt|) + 1 0f(r",01 "'+ fl*,,e\ffi = o (20) De aqu podemos obtener 0 en trminos de

r. El mtodo puede generalizarse. As para el caso donde existan varios parmetros tomamo s las derivadas parciales con respecto a cada uno de los parmetros, los igualamos a cero y resolvemos las ecuaciones resultantes simultneamente. Problerna,s resueltos ESTIMAS INSESGADAS Y EFICIENTES 6.1. Dar ejemplos de estimadores (o estimas) que sean (c) insesgados no eficientes, ( c) sesgados y no eficientes. () La media muestral X y Ia varianz.zmuestral modificadas f eficientes, (b) insesgados y 3t = , --LtSz son dos de tales ejemplos. (b) La mediana muestral y el estadstico muegtral *(Qt + Qs), donde Qr y @ on las cuartilas muestrale inferior y superior, s on dos de talee ejemplos. Los dos son estimadores insesgadoe de la media poblaci onal, puesto que la media de sus dishibuciones muestrales es la media poblacional . Sin embargo ambo no son eficientes si se les compara con X. (c) fa desviacin tpica muestral g la desviacin tpica modificada ,3, semi-intercuartlico son cratro de tales ejemplos. h desviacin media y el reconido

cAP.6l TEORIA DE ESTIMACION 199 6.2. Una muestra de cinco medidas del dimetro de una esfera se registraron como 6.33, 6.37, 6.36, 6.32 y 6.37 centmetros. Determinar unas estimas insesgadas y eficient es de (c) la verdadera media, (b) la verdaderavarianza. (o ) Estima insesgada y eficiente de la verdadera media (es decir, de la media poblac ional). JC = , = S tr.JDani (b) Estima insesgada y eficiente de la verdadera varianza (es decir, de la varianza poblaci onal). = n . n-1" (6.336.35)2 2(n-\2 n-l = = es insesgada + (6.3?-6.35)2 + (6.36-6.35)2+ (6.32 6.35)2 F (6.3?-6.35)2 5-1 0.00055 cm2 Ntese que 0 = /0"00055 = 0.023 es una estima de la verdadera desviacin tpica pero e sta estima no ni eficiente. 6.3. Supngase que las estaturas de 100 estudiantes de la Universidad XYZ representan u na muestra aleatoria de las estaturas de los 1546 estudiantes de la universidad. Determinar unas estimas insesgadas y eficientes de (o) la verdadera media, (b) la verdadera varianza.

(o) Del Problema (b) .33: Estima insesgada y eficiente d la verdadera altura Del Problema 5.38: Estima inse sgada y eficiente de la verdaderavaianza media: t : 67.46 pulgadas. = i2 = ;!1t, iT $.5275) = 8.6136 s2 As ,? = /8.6136 : y.iroentre s yG. 2.93. Advirtase que puesto que n es grande, no hay esencialmente diferencia entre 6.4. Dar una estima insesgada Problema 6.2. y no eficiente del verdadero dimetro medio de la esfera del La rediana es un ejemplo de una estima insesgada y no eficiente de la media pobla cional. Para las cinco medidas puestas en orden de magnitud la mediana es 6.36 c m. ESTIMAS POR INTERVALOS DE CONFIANZA PARA MEDIAS (GRANDES MUESTRAS} 6.. Hallar los intervalos de confianza del (a) 95% y (b\ 99% para estimar la estatur a media de los estudiantes de la Universidad XYZ del Problema 6.3. (a) Los lmites de confianza del 95% son X t I.96"/\f;. Utilizando n : 67.45 pulgad.as y i : 2,93 pr]adas como una estima de o (vase Proble ma 6.3), los lnites de confianza son 6?.45 ! 1.96(2.93/V100) 67.45 ! 0.57 pulgadas

. As, pues, el intervalo de confianza del 95% para la media poblacional t es 66.88 a 68.02 pulgadas, que puede denotarse por 66.88 < tt<68.02. Se puede, por tanto, decir que ia probabilidad de que la estatura media de la po blacin se encuentre entre 66.88 y 68.02 pulgadas es, 4er. 95Vc 0.95. En smbolos se escribir P(66.88 < p < ti8.02): 0.96. Esto es equivalente a decir que se tiene u n 95% de confionzo en que la media de Ia poblacin (o verdadera media) se encuentr e entre 66.88 y 68.02 pulgadas. (b) Los lfmites de confianza del 99% son X 2.58o/t. Para la muestra dada 67.45 + z.saa = tln ! 2.58-?+ = V100 67.45 -0.TG pulgadas

200 TEORIA DE ESTIMACION lcAP.6 Asf, puee, el intervalo de confianza del 997o para la media poblacional r e 66,69 a 68.21 pulgadas, que puede denotarse por 66.69 ( < 68.21. Para obtener los intervalos de confianza, se supone que la poblacin es infinita o tan grande que se pueda considerar que las condiciones son las mismas que poblaciones finitas si el muesheo fuese con remplazamiento. lugar de Para y muestreo sin remplazamiento, se utilizara t;' o^. srn embargo, se puede considerar el factor es necesario = 0.96? como 1.0, de modo gue no 6?.45 t utilizalo. Si se utiliza, los lmites de confianza anteriores se convie:rten en 67. 45 1 0.b6 y 0.73 pulgadas, respectivamente. 6.6. Lad medidas de los dimehos de una muestra de 200 cojinetes de bolas hechos por un a determinada mquina durante una.semana dieron una mdia de 0.824 pulgadas y un des viacin tpica de O.O42 pulgadas- Hallar los lmites de confianza del (o) 55"1. v (bl9 9% para el dimetro medio de todos los cojinetes. (o ) Los lmites de confianza del g5% son 6 (b) x t 1.g6a = Vn 0-824:t 0.006 Pulgadas

,i :, r.so! = Vn 0.824 t 1.96ry = \/200 0.824 ! 0.00b8 pulgadas Los lmites de confianza d,el 99o/,, son xtz.sa| = r*z.ss9 = 0.824=z.E8y- = vn Vn V200 0.824 0.824:r0,00??putgadas t 0.008 pulgadas. Advirtase que se ha supuesto que la desviacin tpica dada es la desviacin tpiez modifi cd i Si la desviacin tpica dada fuese S, se habra empleado ?: \/n/@4s = y'200[99s que puede tomarse como i para todos los propsitos prcticos. En general, para n > 30 s e puede asumir que s y 3 son prcticamente iguales. 6.7. los cojinetes del Problema Hallar los lmites de confianza del (a) 98%, (b) 9O% y (c' 99.73% para el dimetro me dio de G.G. (a) " lok. Entonces por simetra, el rea a la izquierda de z:-zce8 tambin lVo, de modo q ue el rea sombreada eselgSVo del rea Sea z tal que el rea bajo la curva normal a Ia derecha de z : z, es total. z:zc Pueso que el rea total bajo la curva es 1, el rea desde z eE 0.49; de aqu que z":2.3 3. : O es

Asi pues, los lmites de confianz del 98% son r ! 23g+ = \/7i Asi 0.824 * 2.gg9!9 = \/zo0 0.824 t 0.0069 pulgadas Fig.6-l (b) S" busca z" tal que el ea desde z : entonces z. : t.645. Oa z : zc ea O.4. pues, los lmites de confianza del90ak son n!I.645a (c) ,{= 0.82!L.6450'942 = 0.824! 0.0049oulgadas t/-zoo sn 0.824t0.0U89pulgadas. Los lmites de confianza d,el 99.73V. !3+ \ 0.824tSL93 = \/zoo

cAP.7I 6.8. TEORIA DE ESTIMACION 20L es de Al medir el tiempo de reaccin, un siclogo estima que la dewiacin tpica del mismo (c) .f I l.9Tolfi,siendo 0.05 segundos. Cul es el nmero de medidas que deber hacer para que sea del (a) 96% y (b) 99% La confianza de que eI enor de su estima no exceda de 0.01 segundos? 0.05 segundoe, se tiene que el error ser6 igual a 0.01 si (1.96X0.05)/\,6 : 0.01 , er decir, 1fi = (1.96)(0.06)/0.01 : 9.8 n : 96.04. As, pues, se puede estar en la confianza del 96% de que el enor de Loe lmitee de confianza del 95% on s : el error de la etima l.g6ol{n.Tomando o = la estima eer menor de 0.01 i n e 97 o mayor. (b) Loe lmite de confianza del 99% son X t 2.58o/{i. Entonces (2.58')(0.051/\/n = 0.01, < n. : 166.4. Aef, p ues, 8e tiene la confianza del99% de que el error de la etima eer menor de 0.01 so liamente i n es 167 o mayor. 6.9. Una muestra aleatoria de 50 calificaciones de matemticas de un total de 200, arro j una media de 75 y una desviacin tpica de 10. (o) Cules sonloslmitesdeconfianzadel9% ara la estima de la media de las 200 calificaciones? (b) Con qu grado de confianza po .decirse que la media de las 200 calificaciones es 75 r 1? (o) Puesto que la poblacin no es muy gtande en relacin con el tamao de la mueetra, debe emplearse la frroul para poblaciones finitas con muestreo sin remplazamiento. Ent onces los lfmite de confianza del 964o eon .i=r.goo*. = * t1.9df (b) tos vn N-n A-1 = N-n N-1 75 t 1.96+ v50 (10)

200 - 50 2oo-L = 76!2.4 60 lmitee de confianza pueden repreaentarse por tz"ox deede z 68.21o. - X+r"L - r.*- r -.q'-: 200 v50 200-1 = 75 + 1.23 zc hestoqueestodebeserigualaTSll,setienequel.2S z"=L6 z"=0,81, Elreabajolacurvanormal : O t z: 0.81 es 0.2910; de aquf que el grado de confianza pedido *162(O.29lO): 0.682 ESTIMAS POR INTERVALOS DE CONFTANZA PARA MEDTAS (PEQUEAS MITESTRAS) 6.10. Los coeficientes de confianza del 96Vo ("d,oble cola") para la distribucin normal vienen dados por i1.96. Cules son los coeficientes correspondientes pala la distribucin si (a) v = 9, (b), : 20, (c) v : 30, (d) t= 60? Paa los coeficientes de confinza del 96% ("doble cola") el rea total en la Fig. 6-8 debe ser 0.05. Asf el rea ombreada en la col derecha es 0.026 y el valor crtico cor reepondiente es .orr.Entonces los coeficientes de confianza pedidos son t.e?'. Par a lo valores de v dados egtos son (a) t Z.Ze, () +2.09, (c' t2.04, (d) =2,00. Fig. 6-3 6.11. Una muestra de 10 medidas del dimetro de una esfera dio una media : 4.38 pul gadas y una desviacin tpica s : 0.06 pulgadas. Halla los lmites de confianza para el dimetro verdadero del (o) 96% y (b) 99%. (o) Los llmitee de confianza delglovo estn dados por.t = t.n r1s/t/. Puegtoque.,:n-L:10-1:g,hallamoat.gzs:2.26fvaeetmbinProblema6.10(c) ].Entonce utilizando : 4.38 y c : 0,06, lo lmitee de confianza del96% pedidos eon 4.38 t 2.26 &Vlo-1 =

4.38 + 0.0452 pulgadaa

202 Asf, pues, 0.045 TEORIA DE ESTIMACION lcAP.6 : se puede estar en la confianza del 96a/o de que el valor vedadero se encuentra en tre 4,38 4.335 pulgadas y 4.38 + 0.045 : 4.426 pulgadas. t.se5 (b) Para v = 9, = 3.25. Entonces loe lmites de confianza del 99lo rcn i t .ssr(S/t-l,l = 4.88 i g.Z5(0.06/y'10 - f) = 4.88 + 0.06b0 pulgadas y el inervalo de confianza del99% e 4.315 a 4.446 pr'lgadas. 6.L2. (a) Soluciona el hoblema 6.11 suponiendo vlidos los mtodos de la teora de muestras. (b) Comparar los resulados de los dos mtodos. (a grandes ) Mediante loe mtodos de Ia teora de grandes muestras los lmites de confianza del 95% son X t 1.96-9- = v-n 4.88 r

1.96-0-,qq /lo 4.88 + g.O37pulgadas ? donde se ha utilizado la desviacin tpica muestral 0,06 como estima de o. Anlogament e, los lmites de confianza del 99% son 4.38 * (2.58)(0.06) /\t1,0 = 4.38 t 0..049 pulgadas. (b) En cada caso, los intervalos de confianza muesras. obtenidos mediante ios mtodos de pequeas muestras o teora exacta del muestreo son ms anchos que los obtenidos por los mtodoe de grandes muestras. Esto era de esperar se dada la menor precisin que re obtiene en pequeas muestras con relacin a Las grand es ESTIMAS POR TNTERVALOS DE CONFIANZA DE PROPORCIONES 6.13. Una muestra de 100 votantes elegidos aleatoriamente entre todos los de un distrito dado, indic que el 55% de ellos estaban a favor de un determinado candid ato. Hallar los lmites de confianza del (a) 95%, (b) 99%y (c) 99.73% para la prop orcin de todos los votantes que estaban a favor de este candidato. (a ) Los lmites de confianza d,el95o/o para la poblacin p son P : l.l)6or, = P t 1.96./e(l -p) ? V = 0.55 '^^ I(0'55)(0'45) :r 1'e6!ff : = 0.55 = o'55t0'10 donde se ha tomado la proporcin muestral 0.55 para estimarp. (b) Los lmites de confianza del99% parap son 0.55 2.586:5EXb:BtTdd = Los lfmites de con fianza del 99.73% parap son 0.55

+ 0.13. (c) 6.14. t 3058)16:8 10d 0.55 t 0.15. Para hacer este problema de una foma ms exacta, vase Problema 6.27. Qr' tamao de muestra debe tomase en el Problema 6.13 para que la confianza de que el candidato sea elegido sea del g5% z El candidato se elige si p ) 0.50, y para tener una confianza del g5% de su elec cin necesitamos : 0.95. Puesto que (P - p')/\/p(l - pV" es normal asintticamente, 0D > 0.50) Prob( que hob / J--ct t)_p - -'\ r1/pg-p)/n / rB I l-r'-tt'/zy t/2, J_. Prob(p > e-Bt/p6-ffi = + J(t t/2r -- "-,2/zy L645 Al comparar con Prob(p > 0.50): 0.9 utilizando el Apndice C indica que e-Bt/fi-fl/n:0.b0 Entonces, utilizando P donde B = : 0.55 y la estima p : 0.55 del Problema 6.18, tenemoe

0.55- 1.6a5y'i6lBB)Io-75j7i : 0.50 n= 27r

cAP.6l TEORIA DE ESTMACION 203 6.15. En 40 lanzamientos de una moneda, se obtuvieron 24 caas. Hallar los lmites d e confianza d9l (c) 96% y (b) 99.73% para la proporcin de caras que se obtendran e n un ilimitado nmero de lanzamientos de la moneda. (a) Al nivel del g5o,/,,, z" = 1.96. SustituyendolosvaloresP:24140 = 0.6V n:40 e nlafrmula \tF(l=A/;, se tienep : 0.60 + 15, dando el intervalo 0.45 a 0.75. (b) A l nivel del 99.il3li, z" = 3. Mediante la frmula aproximada p = P + 0.23, dando, pu es, el intervalo 0.37 a 0.83. intervalo de confianza del 99.73% como 0.BZ a 0.?9 . gt= Ptz" t z/F(=ffi, se tienep = 0.60 La frmula ms exacta del Problema 6.27 da el intervalo de confianza del 95'ib como 0.45 a 0.?4 y el INTERVALOS DE CONFIANZA PARA DIFERENCIAS Y SUMAS 6.16. Una muestra de 150 bombillas del fabricante A dieron una vida media de 140 0 horas yuna desviacin tpica de 120 horas. Una muestra de 100 bombillas del fabric ante B dieron una vida media de 1200 horas y una desviacin tpica de 80 horas. Hall ar los lmites de confianza del (a) 95% y 99% para la diferencia de las vidas medi as de las poblaciones A y B. [-os lmites de confianza para la diferencia de medias de,4 y B son dados por (a) *o- Xn-. -loi*o'o -"1/"o-"" Los lmites de confianza del 9b7o son: 1400 1200 ,t 1. 96/il2OtG0I80)2/100 As, pues, se puede esperar con el encuentre entre 175 y 225 horas. 95"/o de = 200 t 24.g. ae confianza que Ia diferencia'de las medias de las poblrcionee (b) Los lmites de confianza d,el 99% son: 1400

1200 12.58\,/i120)r/15+-G0)r400 = 200 + 82.6. As, pues, se puede esperar con el 994n de confianza que la diferencia de las medi as de las poblaciones se encuentre entre 167 y 233 horas, 6.tr 7. En una muestra aleatoria de 400 adultos y 600 adolescentes que vean un cierto programa de televisin, 100 adultos y 300 adolescentes dijeron que lei gustaba. Ha llar toi t-mites ae confianza del (c) 967" y (b) 99% para la diferencia d propoione s de todos los adultos y adolescentes que ven el programa y les gusta. Los lmites de confianza para la diferencia de proporciones de los dos grupoe estn dados por 'll1 1t2 dondelossubndicesly2serefierenaadolescentesyadultos,respectivamente.AquPr :300/600:0.50 ! Pz : 100/400 : 0.25 son las proporciones respectivas de adolesce ntes y adultos a quienes les gusta programa. (a) Los lmites de eonfianza del 95Va son 0.50 encuentre entre 0.19 y 0. 31. PtQt , PzQz el O.Zb + 1.96 La verdadera = 0,25 = 0.06, se As, pues, se puede esperar con confianza d,el 96% que diferencia de proporciones () Los lmites de confianza d,el ggVoson 0,50 0.25 ! Z.5B =

0,25 = 0.0g. se As( pues, se puede encuentre entre 0.17 y 0.33. esperar con confianza d,el 99Vo que la verdadera diferencia de proporciones

204 TEORIA DE ESTIMACION [cm. o 6.f8. FfJ voltaje medio de las bateras producidas por una compaa es de 45.1 V y la desvia cin tpica 0.04 V. Si se conectan 4 bateras en serie, hallar ls lmites de confianladel (a) g5%, (b) 99%, (c) 99.73% y (d) 5O% para el voltaje total. Si Er, 82, Es y Eq representan los voltajes de las 4 bateras, se tiene ltlt+Ez+at+o = Fu, * uotr* l'a,, * l'a, Y t;r+r 2+Er+84 = ,[4: "'rJ o'r.* o", Entonces, puesto que /rr = lLEt lr',,= lr', = 45.1 voltioE y dc, = orr, oE,r-= oE, = 0.04 volios, osr* Ez+ t:.t+ti, = 1la1ffiy : 0.08 Er+nz+E+Eo = 4(45.1) = 180.4 V r de confianza del 99% s on: 180.4 + 2.58(0.08) = 180.4 t de confinza del 99.73% con: 180.4 t 3(0.08) = 18 0.4 t = 180.4 (o) (b Los lmites de confianza del95% son: 180.4 + 1.96(0.08) 0.16 voltios. 0.21 voltios. 0.24 ) Los lfmites (c) Loc lmites (d) toslfmitesdeconfianzadel voltios. 5O%son:180.4i0.6?45(0.08)=180.4:t0.0b4voltios.

El valor de 0.054 voltios se llama error probable, INTERVALOS DE CONFIANZA PARA VARIANZAS 6.19. La desviacin tpica de las duraciones de una muestra de 200 bombillas fue de 100 horas. Hallrr los lmites de confianza d el (a) 95% y (b) 99% para la desviacin tpica de la poblacin de tales bombillas. En este caso se aplica la teora de grandee muestras. Por tanto (vase Tabla 5-1, pgi na 162)loslmites de confianza para la dewiacin tpica de la poblacin son dados por S * z,.o/yEi, donde 2,. indica el nivel de confianza. Se utiliza la dewiacin tpica m uestral para estima o. (o) Alniveldel 95",/nloslmitesdeconfianzason:100 11.96(100)i/200 = 100:tg.g. As, pues, se puede esperar con confianz entre 90.2 y 109.8 horas. (b d,el 95Vo que la desviacin tpica de la poblacin se encuentre ) Al nivel del 99% los lmites de confianza son: 100 * 2.58(100)/r/Zbd = 100 r 12.9. As, pues, ee puede esperar con confianza del 99'y'" que la deerein tpica de la poblacin se en cuentre entre 87.1 y 112.9 horas. 6.20. Qu tamao de muestra en el Problema 6.19 deber tomarse para que con confianza d el 99.73% la verdadera desviacin tpica de la poblacin ::o difiera de la desviacin tpi ca muestral en ms del (c) 6%, (b)LO%? De igual forma que en el Problema 6.19, los lmites de confianza del 99,73"/o para o son S .r Bo/l-zn Ss/\/Zn, utilizando s como una estima de o. Entonceg el erro r porcentual de la desviacin es 3s/t/-at () Si 300 _ = s.x {2n 300//t = 5, entonces n : = 10, entonces n 1800. As, pues, el tamao de la muestra deber ser 1800 o ms. 46O. (b) Si }OO/\E : Aei pues, el tamao de la muestra deber ser 450 o ms. 6.2L. La desviacin tpica de las estaturas de 16 estudiantes seleccionados aleatori amente en un colegio de 1000 estudiantes es 2.4O pulgadas. Hallar los lmites de c onfranza del (c) 95% y (b) 99"/. de la desviacin tpica para todos los estudiantes del colegio. (a) Loslmites de confianza delgSv" estn dados por sy'7/x.e75

y st/n/x.ozs.

cAP.6l Para o TEORIA DE ESTIMACION 206 x?ozs = 161 = 15 gradoode libertad, x?szs = 27,5 6 x.!75= 5.24 y = 6.26 6 7.n25 = 2.50. Entonces los lmites de confianza del 95% son 2.40\f-I6/5.24 y 2.40\R/2.50, esto e s, 1.83 y 3'84 pulgadas. Por tanto se tiene la confianza del 95% de que la dewia cin tpica poblacional se encuentra entre 1.83 y 3.84 pulgadas. (b) tos lmites de confianza del 99\i, estn dados por Sy'-nlx ors y Sl-n/y.5. Paray:1 6-1:lSgradosdelibertad,]oor=32.8 .oe5=5.?3 y xz.oos:4.60 y.s5=2.14, Entonces los lmites de confianza del 997o son 2.40Vf 6 /1.73 y 2.40\f-16/2.14, ee decir, 1.68 y 4.49 pulgadas. Por tanto se tiene la confianza del 99/o de que la dewiacin tpica poblacionl se encuentra entre 1.68 y 4.49 pulgadas. 6.22. Solucionar el Problema 6.19 utilizando la teora de pequeas muestras. (o) Los lmites de confianza d,el95')h estn dados por Sy'-n;/x Para v : sr. y St/T/x.ozs. 200 - 1 : 199 grados de libertad, hallamos como en el Problema 4.11, pfuina 137' x,.n, x2nzs de donde .o75 = |{zsrr;_; X.ozs l-l Vz(rssl -r)z = itt.sor-79.9212

: 239 161 = olz02s+V2(199)-1)e =;t-t.SO+19.92)2 = : \2.7. - 15.5 y Entonces los lmites de confianza del 95o/,' son 100y'2b-0 115.5 = 91'2 y 100y'200 /12'1 = 111'3 horas respectivamente. Por tanto se tiene la confianza del 95% de que la desviacin tpica poblacional se encuentra entre 91.2 y 111.3 horas. Este resultado debe compararse con eI del Problema 6.19(a). (b) Los lmites de confianza d,el99% estn dados por Sy'-nl.ee5 Para v y Sy/i/7.s5. : 200 1 : 199 gados de libertad, x1,t," x%os 1_l . it.,,,,r+l/Z[I6Ef-Tz = jtz.sa+19.92)2 = 253 lL6.g = 88.9 y 1001800/t2.2= 115.9 horas respectivamente. Por tanto se tiene la confianza del 99% de gue la desviacin tpica poblacional se encuentra entre 88.9 y 115.9 horas. Este resultado debe compararse con el del Problema 6.19(b). = 15.9 y x.oos = 72.2. Entonces los lmites de confianza del 99% son 100/E6 de donde X sq INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS 6.23. Dos muestras de tamaos 16 y 10 respectivamente de confianza del (c) 98%

se extraen aleatoriamente de dos poblaciones normales. Si se encuentra que sus varianzas son 24 y (b\ 90% para la relacin de varianzas. y 18 respectivamente halla los lmites (o) Tenemos nt = l(t, rz = 10, s! = 20, 3? = t=r"i = (lf)rznl = "? = 18 de modo qrre 26.2 a;= r\ri= (f;)rto = \/ 2o.o

206 IEORIA DE ESTIMACION [cAP.6 Del Problema 4.47(b), pgina 13p, tenemos F ge = 4.96 parapl : 16 1 : 15 ! U2 =LO1 =9 grados de libertad. Tambin del Problema 4.47(d), tenemos pataUl: 15 y ez:9 g rado de libertad f or : 1/3.89 de modo que l/F.e = 3.89. Entonce utilizando (171, p fui1g 19?, hallrrmoe para el intervalo de confianza del 98%. (#)(ffi3) o.z8a =# : = rsee,(ffi) 4.eo = "; = (b) Como en (o) hallamos del Apndice F que confianza del g0% es F.e5 2.84 V F.os : 1t2.59. Por tanto el intervalo de #(ffi) s += 6 0.4437 o = * ('z'6'g)(?q,0.) Obsrvese que el intervalo de confianza del9O% e mucho ms pequeo que el intervalo de eonfianza del 98Vo, como lgicamente era de eryerarse. 6.24. Hallar los lmites de confianza del (al 98% tpicas del hoblema, 6.23. Al toma r la raz cuadrada 98% v el9o%. v Q) 90% para la relacin de las desviaciones de las desigualdades del Problema 6.23 hallamos los lfmitec de confianza para el () () ESTIMAS DE MAXIMA VEROSIMILITUD o.sg<!=z.zt oz 0.6?=1=r.eg oz

6.25. Si n obsewaciones Xr & se toman de una poblacin distribuida normalmente de la cual se desconoce la media y se conoce la varianza. Halla la estima de mxima ve rosimilitud de la media. gue tenemos (I) Puesto Por tanto l(rx, = \/2ro2 -Jr-<x-2rzoz L = f(nt, pl" 'f (r,, pl = (2to2)-tt2-zbk-r)2t2o2 (z') (r) Fijando Lldp = 0 tL = a -f,tn1z,'or g, reculta - #>@t-pl2 Tomando Ia derivada parcial con re4ecto raL 1:' fr, = 3)@*-Pl reeulta Q, )("*-p) = o edecir )"*-nr p-n 2 an = o (6) Af l ectima de mrima veroimilitud e la media muetral.

cAP.6l TEORIA DE ESTMACION 207 6.26. Si en el Problema 6.25 se conoce la media pero se desconoce la varianza, h alla la estima de mxima verosimilitud de la vaiarza. Si escribimos f (rx,"2) en cambio d,e f(x,p), todo lo efectuado en el hoblem 6.25 hata la ecuacin (2) aplica. Entonces tomando la derivada parcial con reqrecto a 02 , tenemos ee i'# Fijando aLl0o2 - 0 hallamos Vse Problema 6.63. = -fi+ ur> @t-r)2 02= 2 (rr pl2 PROBLEMAS DIVERSOS 6.27. (a) Si P es la proporcin observada de xitos en una muesha de tamao n, mostrar que los lmites de confianz^ para estimar la proporcin de xitos p en la poblacin a u n nivel de confianza determinado po zc esn dados por pP +ft* 22 z" P(l-P) , z7 n -4 r+4 n o P (b) Utilizar la frmula de () para obtener los lmites de confianzadel99.TS% delProbl ema 6.13. (c) Mostrar que pa grandes valores de n la frmula de (c) se reduce a p=P2" \FF -nn, (a) como la utilizada en el Problema 6.13. La proporcin muestral P en unidades tipificadas - P)/n Los valores mayor y menor de esa variable tipificada son tzc, donde z" deer mins el nivel de confianza. En estos valores extremos, por tanto, se tiene P-P Elevando al cuadrado los dos miembros,

- p oP = -1, {P(L = *2" p(,L n pl pz-2pp*p2: (nI nes para zp\p2 "?P# z?lp Multiplicando los dos miembros por y simplificando, queda, (2nP I * nPz = 0 Si o=n+z!, b--(2nP+"7) y c=nP2, estaecuacinsereduceaafi*bp*c:0,cuyassoluciop son dadas por La frmula cuadrti,ca p= _6 + 1/@=lo" 2a z"P+27=W 2(n* z7\ 2nP I 22" * ""t/6F(L1VlT7" 2(nI zf,) Dividiendo numerador y denominador por 2n, se tiene

e+ flt "" P(L-PI , zi n -4nz | +!

208 TEORIA DE ESTIMACION (b) Paraloslmitesdeconfianzadelgg.TSVo,z,,=B.Entonces,utiliz ando de (a), se tienep : 0.40 y 0.69 en acuerdo con el problema 6.13(a). (c) Si n es gtande, entonces zf,/zn, zf,/Anz que se obtiene la frmula pedida. lcAP.6 p=0.55yn:100enlafrmula y 22"/nson despreciables y pueden sustituirsepor cero, de forma 6.28. cuya amplitud sea menor que la del Problema 6.22(al? Es posible obtener un intervalo de confianzadelg]c%para la desviacin tpicapoblacional Loe lmites de confianza del 95 para la desviacin tpica poblacional como se hallaron en el Problema 6.22(a) fueron obtenidos escogiendo valores crticos de y2 de tal m anera que las reas en cada cola fueran 2.6%.Es posible haltar otros lmitee de conf ianza escogiendo valores crticos de X2 gar;a los cuales la suma de las reas en las colas sea61,', 0.05, pero de tal manera que las reas en cada cola no sean iguales . En la Tabla 6-2 se indican varios valores crticos y los conespondientes intetwalo s de confianza del 95%. Valores Crtico Tabl 6-2 Intervelo de confianza d.el 95"tb Amptud 2r.4 20.2 19.8 .6 = 12.44, 2g.e6 : 15.32 92.3 91.7 a Lt3.7 7.s2=12.64,7s7=15.42 a a 111.9 7.$=12'76, es=15.54 .e4 91.0 a 110.8 89.9

110.0 = 12.85, X.ge = 15.?3 20.r De la tabla se observa que un intervalo del95%, de amplitud sol.amente 19.8, es d e g1.O a 110.8. empleando talores crticos tales como justifica el trabajo involucrado. Un intervalo con amplitud afn menor puede hallaree continuando el mismo mtodo de a proximacin x.or y x e8l, X 032 y X 12, etc. Sin embargo, en general, la disminuein e n el intervalo que 8e obtiene es comnmente despreciable y no Probletn.a,s srplernenta,rlos ESTIMAS INSESGADAS Y EFICIENTES 6.29. 6.30. 6.31. Las medidas de pesos de una muestra fueron registradas como 8.8, 10.6, g.7, 8.8, 10,2 y 9.4 libras, respectivamente. Determinar estimae insesgadas y eficientee de (o) la media de la poblacin v (b) la varianza de la poblacin. (c) Comparar la d esviacin tpica muestral con la desviacin tpic de la poblacin estimada. horas Una muestra de 10 tubos de televisin producidoe por una compaa, dieron una duacin med ia de 1200 y una desviacin tpica de 100 horas. Estimar (o) la media y (b) la desvi acin tpica de la poblacin de todos los tubos de televisin producidos por esta compaa. (o) Solucionar el Problema 6.30 si se obtienen los mismos resultados para 30, 50 y 100 tubos de televisin muestreados' (b) Qu se puede deduc de la relacin entre las desviaciones tpicas muestrales y las estimas de las desviaciones tpicas de la pobl acin para los diferentes tamaos de mueetra? ESTIMAS POR INTERVALO DE CONFIANZA DE MEDIAS (GRANDES MESTBAS) 6.32. La media y la desviacin tpica de las cargas mximas soportadas por 60 cables (vase Pr oblema 5.98) estn dadas por 11.09 ton. y 0.?3 ton,, respectivamente. Hallar los lm ites de confianza del (o) 951/,, y (b)99dto para la media de las cargas mximas de todos los cables producidos por la compaa. 6'33. La media y la desviacin tpica de los dimetros de una muestra de 250 remaches fabricado s per una compaa gon O.72642 pulgadas y 0.00058 pulgadas, respectivamente (vase Pro blema 5.100). Hallar los lmites de confianza del (o ) 99%, (b) 98Vo, (c) 95% y (d ) 90% para el dirimetro medio de todos los remaches fabricados por la compaa.

cAP.6l' TEORIA DE ESTIMACION lmites de confianza del 5O% 209 6.94" Hallar () los Problema 6.33. y (b) el error probable para la media de los dimetros del 6.g5. 6.86. Si la desviacin tpica de la duracin de los tubos de televisin se estima en 100 horas , qu tamao de muestra deber tomarse pua que sea del (a\96%, (b)g|%t (c)997oV @)59.73% la confianza de que el error en la media de la duracin estimada no exceda de 20 horas? no debe Cules sern los tamaos de muestra en el Problema 6.36 si el error en la durac in media estimada superar las 10 horas? ESTTMAS POR INTERVALO DE CONTIANZA DE MEDIAS (PEQUEAS MUESTRAS) 6.g?. 6.gg. 6.g9. y una Una muestra de 12 medias de resistencia a la rotura de hebras de algodn dio una media de 7.38 onzas los lmites de confianza del (c) 95% y (b) 997o para la r esistencia real' desviacin tpica de 1.24 onzze. Hallar grandes muestras y comparar Solucionar el problema 6,3? suponiendo aplicables lo s mtodos de la teora de los resultados obtenidos. como 0'28, Cinco medidas del tiempo de reaccin de un individuo a un cierto estmulo fueron registradas real de 0.80, 0.2?, o.3g, 0.g1 sfoundos. Hallar los lmites de confianza del (a) 95% y (bl99% para el tiempo reaccin. ESTIMAS POR INTERVALO DE CONFIANZA PARA PROPORCIONES 6.40. Una rrna contiene una proporcin desconocida de bolas rojas y blancas. Una muestra aleatoriade 60 bolas extradas con remplazamiento de la urna, dio el 7O% de bolas rojas. Hallar los lmites de confianza del (c) g5%, (b\ 99% y G\ gg.7g% para la pr oporcin real de bolas rojas en la urna. Dar los resultados utilizando la frmula ap roximada y la ms exacta del Problema 6'27. para que la confianza de que la proporcin Qu tamao de muestra se debera tomar en el P roblema 6.40 verdadera no difiera de la proporcin muestral en ms del 6Vo sea (a) d el 95Vo, (b ) del 99%, (c) del 99.73V"? 6.41. 6.42.

Se cree que una eleccin resultar muy reida entre dos candidatos. Cul ser el nmero mni de voranes que se deber mue\trear para quelaeonfianza sea del (a) 8O%,(b\95%'(c\99 % deladecisinen favor de uno de los candidatos? INTERVALOS DE CONFIANZA PARA DfFERENCIAS Y SUMAS

6.43. De dos grupos anlogos de enfermos A y B formados de 50 y 100 individuos, respecti vamente, al primero le fue dado un nuevo tipo de somnfero y al segundo un tipo co nvencional. Para los pacientes del primer grupo el nmero medio de horas de sueo fu e 7.82 con una desviacin tpica deO.2[horas.ParalosdelgrupoB fueron 6.76 y 0.30 hor as, respectivamente. Halla los lmites de confianza del (a) 96%V @)99% para la dife rencia del nmero medio de horas de sueo inducidas por los dos tipos de somnferos. U na muestra de 200 cerrojos producidos por una mquina mostr que 15 eran defectuosos , mientras que de 100 cerrojos de otra mquina 12 eran defectuosos. Hallar los lmit es de confianza del (a) 95%' (b)99o/oy (c) gg .7 Bdn p.a h diferenc de proporcione s de cerrojos defrctuosos de las dos mquinas' Estudiar los resultados obtenidos. 6,44. 6.45. 0.012 libras. Hallar los lmites de confinza (a) del 95% Una compaa fabrica cojinetes de bolas que tienen un peso medio de 0.638 libras y u na desviacin tpica de y (b) del 99Vo pata los pesos de lotes de 100 cojinetes cada uno. INTEBVALOS DE CONFIANZA PARA VARIANZAS Y DESVIACIONES TIPICAS 6.46, La desviacin tpica de resistencia a la rotura de 100 cables producidos por una com paa fue de 180 libras. HaIIar los lmites de confianza del (o) g5%, (b)gg%y (c)99J37 " para la dewiacin tpica de todoslos cables producidos por la compaa. 6.41. Hallar eI error probable de la desviacin tpica del Problema 6'46'

2to 6.48. TEORIA DE ESTIMACION [cAP.6 Qu tamao de muestra deber tomarse para que la confianza sea del (a) 95%, (b) gg% y ( c) gg,7T% de que la desviacin tpica de una poblacin no difiera de la desviacin tpica muestral en ms del 2%? 6.49. La desviacin tpica compaa. lmites de confianza del (o) 96'/o y (b)99Eb paa la desviacin tpica de todas las bomb illas fabricadas Solucionar el Problema 6.49 si 25 bombillas tienen la misma desviacin tpica de 120 horas. de la duacin de 10 bombillas fabricadas por una compaa es 120 horas. Hallar los igr la 6.50. 6.51. Solucionar el Problema 6.49 utilizando la distribuciny2 si una muestra de 100 bom billas tiene la misma desviacin tpica de 120 horas. Comparar los resultados con lo s obtenidos empleando la distribucin normal. INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS 6.62. 6.53. 6.54, 6.55. 6.56. Las desviaciones tpicas de los dirnetros de los cojinetes de bolas producidos por dos mquinas son 0.042 cm y 0.035 cm respectivamente, basados en muestras de tamao 10 cada una. Hallar Ios intervalos de confianza del (a) 98% y (b) 90% para la re lacin de Ias varianzas. hoblema 6.52. Determinar los intervalos de confianza del (o) 98%v @\gOVapara larelacindelasdesv iacionestpicasdel Dos muestras de tamaos 6 y E respectivamente tienen la misma varianza. Hallar los intervalos de confianza del (o) 98% y (b)907, para la relacin de las varianzas d e las poblaciones de donde se exhajeron. Considera que las dos muestras del hoble ma 6.54 fueron extradas de la misma poblacin? Justificar su solucin. Solucionar el (o) Problema 6.52 y (b) Problema 6,54 si las muestras tienen tamao 120 cada una. ESTIMAS DE MAXIMA VEROSIMILITUD 6.57. Si n observaciones 6.58, 6.59. X1, . . , , Xn se toman de una distribucin de Poisson con parmetro tr desconocido. Hallar el estiniador de mxima verosimilitud de )., Una poblacin tiene una funcin d e densidad dada por i@l = 2rt/r/" 2s-v*, -t 1 r ( -. Si Xr, . . , , Xn de esta po

blacin, hallar la estim-a de mxima verosimilitud de z. Una poblacin tiene una funcin de densidad dada por 8e toman n observaciones l(r) = l^0 [ Si se toman n observaciones X1 , . . . , [(A'+t)st 0<:<1 de otra forma Xn de esta poblacin hallar la estima de mxima verosimilitud de h. PBOBLEMAS DIVERSOS 6.60. 6.61. Los coeficientes de confianza del 999 ("doble cola") para la distribucin normal es tn dados por 12.58. Cules son los coeficientes correspondientes para la distribucin f si (o) v = 4,(b)v:12,(c)v:25,(d)v : 30' () v: 40? Una compaa tiene 500 cables. En una prueba de 40 cables seleccionados aleatoriamen te resulta una media de la resistencia de rotura d,e 24OO libras y una dewiacin tp ica de 150 libras. (o) Cules son los lmites de confianza del 951/o y 99% para estim ar la media de la resistencia de rotura de los 460 cables restantes? (b) Con qu gr ado de confianza podramos decir que la media de la resistencia de rotura de los 4 60 cables restantes es de 2400 1 35 libras? Cul es el intervalo de confianza del 957. del Problema 6.51 que tiene la menor amp litud? 6.62. 6.63. 02 desconocidas. Si se toman n observaciones, X, . . . , Xn de una poblacin distribuida normalmente con media l y varianza Pueden determinarse estimas de mxima verosimilitud de t y o2 en trminos d,e 11, . . , , r,,? Son lc mismos a los dados en los hoblemas 6.25 y 6.26? Explicar.

Captulo 7 Ensoyo de hiptesis y srgnlllc(Iclon DECISIONES ESTADISTICAS t cJo . a Muy a menudo, en la prctica se tienen que tomar decisiones sobre poblaciones, par tiendo de la informacin muestral de las mismas. Tales decisiones se llaman decisi ones estadsticag Por ejemplo, se puede querer decidir a partir de los datos del m uestreo, si un suero nuevo es realmente efectivo para la cura de una enfermedad, si un sistema educacional es mejor que otro, si una moneda determinada est o no cargada, etc. HIPOTESIS ESTADISTICAS. HIPOTESIS NULA Para llegar a tomar decisiones, conviene hacer determinados supuestos o conjetur as acerca de las poblaciones que se estudian. Tales supuestos que pueden ser o n o ciertos se llaman hiptesis estadsticas y, en general, lo son sobre las distribuc iones de probabilidad de las poblaciones. En muchos casos se formulan las hiptesis estadsticas con el solo propsito de rechaz arlas o invalidarlas. Por ejemplo, si se quiere decidir si una moneda est cargada , se formula la hiptesisde que la moneda est. bien, es decir, p : 0.5; donde p es la probabilidad de cara. Anlogamente, si se quiere decidir sobre si un procedimie nto es mejor que otro, se formula la hiptesis de que no hay encia observada se de be meramente a diferencia entre ios procedimientos (es decir, hiptesis se llaman tambin hiptests fluctuaciones en el muestreo de la misma po y se denotan por flo . nulns Cualquier hiptesis quedifiera de una hiptesis dada se llamahiptesis alternat iuc. Por ejemplo, siunahiptesis-esp:'0.5,hiptesisalternativassonp:O.7;p#O.56p>0.5.Unahiptesis alternativa de la hiptesis nula se denota por Ilt . ENSAYOS DE HIPOTESIS Y SIGNIFICACION evidencia obtenida). Por ejemplo, si en 20 lanzamientos de una moneda se obtiene n 16 caras, se estara inclinado a rechazar la hiptesis de que la moneda est: bien, aunque sera posible que fuese un rechazamiento enneo. Los procedimientos que facil itan el decidir si una hiptesis se acepta o se rechaza o el determinar si las mue stras observadas difieren significativamente de los resultados esperados se llam an ensayos de hiptesis, ensoyos de significacin o reglas de decisin. ERRORES DE TIPO Si en el supuesto de que una hiptesis determinada es cierta, se encuentra que los resultados observados en una muesha aleatoria difieren macadamente de aquellos q ue caba esperar con la hiptesis y con la variacin propia del muestreo, se dira que l as diferencias observadas son significatiws y se estara en condiciones de rechaza r la hiptesis (o al menps no aceptarla de acuerdo con la I Y TIPO II /. Si por el contrario, Si se rechaza una hiptesis cuando debera ser aceptada, se dice que se comete vn er ror del Tipo se acepta una hiptesis que debera ser rechazada, se dice que se comet e un 277

212 error del Tipo da. ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. ? II. En cualquiera de los dos casos se comete un error al tomar una decisin equivocaPara que cualquier ensayo de hiptesis o reglas de decisin sea bueno, debe disearse de forma que minimice los errores de decisin. Esto no es tah sencillo como pueda parecer puesto que para un tamao de muestra dado, un intento de disminuir un tipo de error, va generalmente acompado por un incremento en el otro tipo de error. En la prctica, un tipo de error puede tener ms importancia que el otro, y as se tiend e a conseguir poner una limitacin al error de mayor importancia. La nica forma de reducir al tiempo ambos tipos de error es incrementar el tamao de la muestra, lo cual puede ser o no ser posible. NIVEL DE SIGNIFICACION La probabilidad mxima con la que en el ensayo de una hiptesis se puede cometer un error del Tipo I se llama niuel de significacn del ensayo. Esta probabilidad se de nota frecuentemente por o; generalmente se fija antes de la extraccin de las mues tras, de modo que los resultados obtenidos no influyen en la eleccin. En la prctic a se acostumbra a utilizar niveles de significacin del 0.05 0.01, aunque igualmen te pueden emplearse otros valores. Si, por ejemplo se elige un nivel de signific acin del O.05 6 6"/,, al disear un ensayo de hiptesis, entonces hay aproximadamente 5 ocasiones en 100 en que se rechazara la hiptesis cuando debera ser aceptada, es decir, se est con un 95% de confianza de que se toma la decisin adecuada. En tal c aso se dice que la hiptesis ha sido rechazada aI niuel de significacin del O.O5,lo que significa que se puede cometer error con una probabilidad de 0.05. ENSAYOS REFERENTES A LA DISTRIBUCION NORMAL Paa aclarar las ideas anteriores, supngase que con una hiptesis dada, la distribucin muestral de un estadstico S es una distribucin normal con media p" y desviacin tpic a o". Entonces la distribucin de la variable tipificada dada por Z : (S ,.)/o., es una normal tipificada (media 0, varianza 1) y se muestra en la Fig. 7-1. Como se indica en la figura, se puede estar con el 957o de confianza de que, si la hiptesis es cierta, el valor de e obtenido de una muestra real para el estadsti co S se encontrar entre 1.96 y 1.96 (puesto que el rea bajo la curva normal entre estos valores es 0.95). --lglj .=lD6 I'ig.7-l Sin embargo, si al elegir una muestra aleatoria se encuentra que z para ese estadstico se halla fuera del recorrido - 1.96 a 1.96, lo que quiere decir q ue es un suceso con probabilidad de solamente 0.05 (rea sombreada de la figura) s i la hiptesis fuese verdadera. Entonces puede decirse que esta z difiere signifcat iuamente de la que caba esperar bajo esta hiptesis y se estara inclinado a rechazar la hiptesis. El rea total sombreada 0.05 es el nivel de significacin del ensayo. Representa la probabilidad de rumeter error al recbazar la hiptesis es decir, la probabilidad d e cometer error del Tipo I. As pues, se dice que la hiptesis se rechaza al niuel d e significacin del0.05 o que la z obtenida del estadstico muestral dado es signifi

catiua al niuel de significacin del 0.O6El conjunto de las z que se encuentran fu era del rango -1.96 a 1.96 constituyen lo que se llama regin crtica o regin de rech ace de Ia hiptes's o regin de significacin.El conjunto de lasz que se encuentran den tro del recorrido - 1.96 a 1.96 poda entonces llamase regin de aceptacin de h hiptesi s o regin de no significacin. De acuerdo con lo dicho hasta ahora, se puede formula la siguiente regla de decis in o ensayo de hiptesis o signi{icacin: (o) Se rechaza la hiptesis al nivel de significacin del0.05 si la z obtenida para el estadstico S se encuentra fuera del recorrido - 1.96 a 1.96 (es decir, z > I.9 6 z 1- 1.96). Esto equivale a decir que el estadstico muestral observado es significativo al nivel d el 0.05.

cAP.7l / ENSAYOS DE HIPOTESIS Y SIGNIFICACION 2L3 (b) Se acepta Ia hiptesis (o si se desea no se toma decisin alguna) en caso conhario. Debe ponerse de manifiesto que puedgn igualmente emplearse otros niveles de sign ificacin. Por ejemplo, si se utilizase el nivel del 0.01 se sustituira 1.96 en tod o lo visto anteriormente por 2.58 (vase Tabla 7-L). La Tabla 6-1, pgina 195, puede tambin emplearse, puesto que la suma del nivel de significacin y el nivel de conf ianza es L00%. ENSAYOS DE UNA Y DOS COLAS En el ensayo anterior se atenda a los valores extremos del estadstico S o su corre spondiente z a ambos lados de la media, es decir, en las dos "colas" de la distr ibucin. Por esta raz6n, tales ensayos se llaman ensayos de dos colns o ensayos bi laterales. Si4 embargo, con frecuencia se puede estar solamente interesado en lo s valores extremos a un solo lado de I media, es decir, en una "cola" de la distr ibucin, como por ejemplo, cuando se est ensayando la hiptesis de que un proceso es mejor que otro (que es diferente a ensayar si un proceso es mejor o peor que otr o). Tales ensayos se llaman ensayos de una cola o ensayos unilaterales. En tales casos, Ia regin crtica es una regin a un lado de la distribucin, con rea igual al ni vel de significacin. La Tabla 7-1, que da los valores crticos de z para ensayos de una y dos colas a distintos niveles de significacin, ser de utitidad para propsito s de referencia. Valores crticos de z para otros nivelei de significacin, se puede n encontrar utilizando la tabla que da las reas bajo la curva normal. Tabla 7-1 Nivel de significacin o Valores crticos de z para ensayos unilaterales Valores crticos de z para ensayos b ilaterales 0.10 0.05 001 45 0.005 0.002 -t.28 1.28 -1.6

1.645 c 2.33 -2.33 -2.58 2.58 -2.88 2.88 y -1.645 1.645 y 1.96 1.96 y -2.58 2.58 y -2.81 2.8I -3.08 y 3.08 ENSAYOS ESPECIALES DE SIGNIFICACION PARA GRANDES MUESTRAS Para muestras grandes, las distribuciones muestrales de muchos estadsticos son di stribuciones casos' se pueden tpica a !s V casi normales tesis y significan o en r eglas ante utilizar lo de inters prctl de los ente u asos cin. Los co. En cada caso , los resultados son para poblaciones infinitas o para muestreo con remplazamien to' Para muestreo sin remplazamiento de poblaciones finitas los resultados debern modificarse. Vanse pginas 158 y 160. 1. Medias. media muestral; tss =,.i: t, media poblacional; o, = op: o/1/i, donde o es la des viacin tpica poblacional y n es el tamao de la muestra. La variable tipificada vien e dada por Aqu S : X,la

X-,, Z = -.-: 1V11, Cuando es necesrio se utiliza la desviacin muestral observada s ( G), para estimar o. Para ensayar la hiptesis nula (f) co (I ). Entonces, utilizando un ensayo de dos colas, aceptaramos -EI6 de que la media poblacional es p : o utilizaamos el estadsti-Ee (o al menos no lo

2I4 ENSAYoS DE HIPoTESIs Y sIGNIFIcAcIoN lcAP. ? rechazaramos) al nivel 0.05 si pa una muestra especfica de tamao n con media r (2) -1.e6 = "+ = 1.e6 y lo rechazaramos por el contrario. Para (2) apropiadamente. Para ensayar la hiptesis de que la media n la hiptesis nula I/o de que es igual a cola, aceptaramos Ilo (o al menos no la otros niveles de significacin cambiaramos poblacional es mayor que o utilizamos au a. Entonces, utilizando un ensayo de una rechazaramos) al nivel 0.05 si

ry olVn ramos.EIo al nivel 0.05 si (vase Tabla 7-1). Para ensay la hiptesis de que la media poblacional es menor que a aceptai 2. Proporciones. de xitos en la poblacin (4) Aqu S : P, la proporcin de "xitos" en una muestra; r" : ltp : p, donde p es la propo rcin y n es el tamao de la muestrsi o" : o, : ltulln, donde e : ! - p. La variable tipificada viene dada por z: En el caso de que P .= X/n, donde X en es el P-p \/pql" (5) nmero real de xitos en una muestra, (5) se convierte (6) Z= X-np \nLPrI Consideraciones semejantes a las hechas anteriormente para medias pueden hacerse .

3. Diferencias de medias. Sean Xr V iz las medias muestrales obtenidas en dos muest ras gtandes de tamao nt y nz extradas de poblaciones respectivas qqe tienen de med ia lt y ttz y desviaciones tpicas ot y oz. Considrese la hiptesis nula de que no ha y diferencia entre las medias poblacionales, es decir, lt : !z- De (//), pgina 15 9, haciendo gr : Irz s ve que la distribucin muestral de la diferencia de medias s e distribuye aproximadamente como una normal con media y desviacin tpica dadas por ,r.*r_*, = 0 O:. '\ l x2 (7) donde se puede, si es necesario, utilizar las desviaciones tpicas muestrales sr V sz ( 0t y 3, como estimas de or y 02. Con la variable tipificada dada por X,-X2-0 z _:.-'.;;.;,_ = Xr-X" \; 18) de una manera semejante a la descrita en la Pate 1 se puede ensayar la hiptesis nu la contra la hiptesis alternativa (o la significacin de una diferencia observada) a un nivel de significacin apropiado.

cAP. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 2L6 4. Diferencias de Proporciones. y P2 las proporciones muestrales de dos grandes muestras de tamaos txt Y ttz extr adas de poblaciones respectivas que tienen proporciones pr V p2 . Considrese la hi ptesis nula de que no hay diferencia entre los parmetros poblacionales, es decir, p1 : p2, y as lasmuestras son realmente extradas de la misma poblacin. Sean P1 De (JJ), pgina 159, haciendop, : pz: P, se ve que la de pioporcines se distribuye aproximadamente como una dadas por traldeladiferencia y desviacin tpica (e) Itn, r" : 0 donde P = orr-*, = t;T;se utiliza como una estima de la proporcin poblacionalp. Con la variable tipificada 2 v _ Pt-Pz-O "Pf \ Pt-Pz oPf P, (10) se puede ensayar las diferencias observadas a un nivel de significacin apropiado ensayu la hiptesis nula. y de este modo Ensayos referentes a otros estadsticos pueden disearse anlogamente. (vase Tabla 5-1, pgina 162). ENSAYOS ESPECIALES DE SIGNIFICACION PARA PEQUEAS MUESTRAS En el caso de pequeas muestras (n < 30) podemos formular ensayos de hiptesis y sig nificacin utilizando otras distribuciones adems de la normal. como Ia de Student, chi-cuadrado, F, etc. Estas distribuciones incluyen la teora de muestreo exacto y lgicamente son vlidas an cuando las muestras son grandes, en cuyo caso se reducen a las dadas anteriormente. Los siguientes son algunos ejemplos. 1.

Medias. Para ensayar la hiptesis IIo de que una poblacin normal tiene de media r utilizamos q1 ,t.: X-, _s-6-: X-l ?/t (1 1) donde es la media de una muestra de tamao n. Esto es anlogo al utilizar la variable A X,t para grandes n, excepto que se utiliza 3:tftl@=TS enlugardeo. La tipificada t =:# X diferencia estriba en que mientras Z se distribuye normalmente, ? sigue una dist ribucin de Student. Los resultados tambin pueden emplearse cuando la distribucin no es exactamente normal pero tiene una curva de distribucin en forma de campana. E nsayos de hiptesis semejantes a los de las medias en la pgina 213 pueden hacerse e mpleando valores crticos de en cambio de valores crticos de z. 2. Diferencias de medias. Supngase que se extraen aleatoriamente dos muestras de tam aos nr Y n, de poblaciones normales cuyas desviaciones tpicas son iguales (ot: o2) . $upngase tambin que estas_dos muestras tienen medias y desviaciones tpicas dadas por X,, X: y Sr l 52 , respectivamente. Para ensayar la hiptesis I/o de que las mu estras provienen de la misma poblacin (es decir, Pt : trz lo mismo que 01 : sz) s e utiliza el valor de dado por TXt-Xz 11 "\l nr- n" 1 donde rrS? rr+n!-2 + n:S:2 (1 2)

2L6 ENsAyos DE HrporEsrs y srcNrFrcAcroN / Se'tt. t La distribucin de ? es una distribucin de Student conv: n, * n., -2 gradosde'liber tad. El empleo de (12) est plenamente justificado al hacer o, - oz : o en(12), pgi na 159, y despus utilizar como estima de o2 la media ponderada (n, (rz' - 1)^ii + fn, - J)9j 1) + (nz -1)-l' n,s? + + n.;t n,s', combinada obtenida al donde ^31 t ,3 son estimas insesgadas de oi combinar los datos. y o!. Esta es la uarianza 3. Varianzas. Para ensayar la hiptesis 116 de que una poblacin normal tiene varianza o2 consider amos la variable aleatoria (13) que (vase pgrna 161) tiene la distribucin chi-cuadrado con n - 1 grados de libertad . Entonces si una muestra aleatoria de tamao n tiene varianza s2 aceptaramos flo , basados en el ensayo de dos colas, (o al menos no la rechazaramos) en el nivel 0 .05 si X.'oz o<nsz< (14) semejante puede obtenerse para el nivel 0.01 u y la rechazaramos de otra forma. Un resultado otro nivel. Para ensayar la hiptesis H, de que la varanza poblacional es mayor que o2 emplearam

os la hiptesis rilo , pero entonces emplearamos un ensayo de una cola. Por tanto r echazaramos Hs, en el nivel 0.05 (y por tanto concluiramos que f/, es correcta) si la varianza muestral especfica, s2, fuera tal que nsz t2 y aceptaramos IIo (o al menos no la rechazaramos) de otra forma. 4. Relaciones de varianzas. En algunos problemas deseamos decidir si dos muestras de tamaos m y n respectivam ente, cuyas varianzas medidas son sl y sr2, provienen o no de la misma poblacin n ormal. En este caso utilizamos el estadstico (vase pgina 161) F= donde (16) fi, fi son las varianzas de las dos poblaciones normales de donde se extraen las muestras. Si /o denota la hiptesis nula de que no hay diferencia entre las varian zas poblacionales, es decir = o3. Bajo esta hiptesis (16) se convierte en "! F::-l q2 q2 \,.) (17) Para ensayar esta hiptesis al nivel 0.1.0, por ejemplo, primero anotamos que F en (16) tiene la distribucin F con fr - t, n - 1 grados de libertad. Entonces, util izando un ensayo de dos colas, aceptaramos,EIo (o no la rechazar4mos) en el nivel 0.10 si Fo, ; s s = F'o. (/8) y lo rechazaramos en el caso contrario. Procedimientos semejantes empleando ensayos de una cola pueden formularse en el caso que deseemos ensayar la hiptesis de que una varianza poblacional determinada sea mayor que otra.

cAP. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 2t7 R,ELACION ENTRE LA TEORIA DE ESTIMACION Y ENSAYO DE HIPOTESTS las estimacin notamos q De alos de confianza y la teora de en aceptar flo en el nivel 0.05 es eq pigtm 195 c onducente al intervalo de confianzadel96"/o se puede obsenrar que existe u eora de ejemplo, (/ ) en la (1e) _ L.elo vn vn Por tanto, al menos en el caso de los ensayos de dos colias, poamos realmente empl ear el intervalo de confiaza del Captulo 6 para esayar ttiptesir. Un resultado semeja nte para_ ensayos de una cola requerira intervaloi de confianza unilaterals. A pes ar de que la necesidad de tales intervalos es rara' es posible definirlos (vase P roblema 7.136 y tambin Problema 6.14). CURVAS CARACTERISTICAS DE OPERACION. POTEN CIA DE UN ENSAYO Se ha visto cmo el error del Tipo I pued, significacin. Es posibl e evitar el riesgo de error < nunca la hiptesis. Sin embargo, en muchos casos uti lizan a menudo curuos caracterstcas de Ia opet las probabilidades de errores del T ipo II bajo dife cmo en ensayos dados se logra minimizar los errt ensayo para evi tar el toma decisiones equivoci mostrar, por ejemplo, qu tamaos de muestras deben e mplearse. GRAFICOS DE CONTROL DE CALIDAD importante conocer cundo un proceso ha cambiado su ficientemente, la si de modo que puedan darse los pasos rpid ejemplo en control d e calidad, donde s camb se deben simplemente a fluctuaciones causa de deterioro en las mquinas, rrores de los empleados, etc. Los grficos de control suministran un mtodo til y sencillo para tratar tales problemas (vase Problema 1.29). Es a menudo en la prctica AJUSTE DE LAS DISTRIBUCIONES TEORICAS A DISTRIBUCIONES DE FRECUENCIA MUESTRALBS Cuando se tiene algiuna indicacin sobre la probabilsticos u otra causa, es posible frecuenten llamadas "modelos" o distribuciones "esperadas") tras de la poblacin. El mtodo utilizado general: tpica de la muestra para estimar la media y des 7.30, 7.32 y 7.33. r

a la bondad d.el aiuste de las distribuciones tericas a las distribuciones muestra les es esencialmente el mismo que l de decidir si hay diferencias importantes ent re los de significacln imporante para la bondad del valores cle la poblacin y la mu estra. tt "trrayo ajuste de distribuciones teric as, el enmyo chi-cuadrado, se des cribe ms adelante. El problema de ensay En un intento para determina si una distribucin normal representa un buen ajuste p ara datos dados, conviene utllizar papel grfico de curua normal o papel grfico de probabilidad, como a veces se le llama (vase Problema 7.31).

2r8 EI{SAYOS DE HTPOTESIS y SIGNIFICACTON lcAP. ? ENSAYO CHI.CUADRADO PARA LA BONDAD DEL AJUSTE )s" en una muesha de tamao n extrada de una acional p de xitos, hemos utilizado el estadstico s sucesns A 1 en pyq-1-p.Unvalor tanto que np se llama la fteuencia esperad At, Az pueden obserwdn para el suceso EJEMPLO 7'1- Si obtenemos una muestra de 100 lanzamientos.de una moneda honrada, de modo que n : lO0, p entonces la frecuencia esperada de caras (xitos) es np : (1OOX1/2) : 50. La frecuenci observada en la muestra podrfa lgicamente ger diferene . : Il2, _ pgina 113). Si - 9n" generalizacin al c bilidades Pt , Fz , - . . , Pk, , extraemos At, . . , An os 11, x2, . . . speradas estar e hace en la Ta

sucesos posibles Ar, A, A con probacaso tenemb, unapoacn muiti-omial'(vare io n de est poblacibn las frecuencias obsenadas por las variables aleatorias Xr, . .. , X (cu yos uencias observadas para la muestra), en tanto que . , npp respectivamente. L os resuitados pu"den ir k Tabla 7-2 Suceeo A1 X1 A2 42 Ak X

Frecuencia observada Frecuencia esperada nPt npz npk EJEMPLO 7.2Si obtenemos una muestra de 120 lanzamientos de un dado honrado, de modo que n as l, 2, uencias caras q ..., p6 t y todas ig lgicarnen ente y = 120, La 20)(t) rentes. : 20. son todae . La clave para la posible generalizacin del estadstico (6) que poa medir las discre pancias existentes entre las frecuencias observadas y esperadas en la Tabia 7-2 * obtiene al eleva al cuadrado el estadstico (6) y escribindolo como 22 = (X - nP\' = (Xt- np)2 * npq np (Xz nq ne)2 (20) donde Xt = X es la variable aleatoria asociada con ,,xitos,, y X, : n-X1 es lavar

iable aleatoria asociada con "fracaso". Ntese que ng en (20\ es la frecuencia obs enada de iraca.os. das La forma del resultado (20) sugiere que una medida de la discrepancia entre frec uencias observay esperadas para el caso general se suministra por el estadsfico x, = (Xt:-!t?t)z n?t * (xz-nqz\2 ... nPz + (xn-npn\z 'nPr t?, $.(x-np\z np (21) donde la frecuencia total (es decir el tamao muestral) es n, de modo que Xt*Xz+"'+Xr=n Una expresin equivalente a (21) es k22' (22) x2 ).!-n " = -=t nP (28)

ENSAYOS DE HIPOTESIS Y SIGNIFICACION Si v2 : 0, las frecuencias observadas y esperadas concuerdan exactamente, mientr as que si z- ) 0; no toinciden exactamente. A valores mayores de y2, mayores son las discrepancias entre las frecuencias obsenadas y esperadas. por (21) se muestral a Como se demuestra en el eleccin de or tanto, c aproxima mu y estrechamente cin mejora iguales a simbolo en (-21) si las frecuen para los val ores superiores. El nmero de gradosrde libertad z est dado por (a) v : h - | si la s frecuencras esperadas pueden calcularse sin tener que estimar parrmelros poblac ionales con los estadstics muestrales. Advirtase que el restar 1 a k es a causa de la ondicin restrictiva (221 que denota que si son conocidas k - 1 de las frecuenci as esperadas, la fiecuencia restante puede ser determinada. (blv : k - L - m si las frecuencias esperadas solamente pueden calcularse estimando m parmetros de la poblacin a paftir de los estadsticos muestrales. En la prctica, las frecuencias es peradas se calculan de acurdo con una hiptesis flo- Si bajo esta hiptesis el valor calculado de x' como xf,, f;r, que son los valores crt -se deduce que las frecuenc ias mente), rechaza llo al nivel de significacin correspondienl rechazar.-Este procedimiento s e llama ensayo o prueba de ehi-cuadrado de la hiptesis. las esperadas. pa examfuia tales situaciones se puede determinar si el valor calcul ado 4" I' ": -"noi eue 2", Xl,, en cuyos casos se decide que i" concordancia es b astante buena a los niveles de significacin de 0.05 a 0.01 respectivamente. aq con cierto recelo, pu-esto queDebe advertirse que en a, cero debe mirarse demasiado bien con ncias obiervadas concuerden en que x2 est muy prximo Adems de aplicarse a la distribucin multinomial, la prueba chi-cuadrado puede-ser empleada para determinar de qu forma distribuciones tericas tals como la normal, de Poisson, etc., se ;j*h a distribuciones empricas, es decir, aquellas que se obti enen de los datos muestrdes. Vase Problema 7.44. TABLAS DE CONTINGENCIA (lase "1por h"). en las que las fre tabla de clasifict' tabhs gencia. d,e continCorrespondindose con cada fiecuencia obsenada en una tabla de contingenciahX k, ha y un-a y segn las reglas de probabilidad' o esperada gue se calcula bajo ncia se llaman frecuencas elemen' q,re cupan ias corliilas de un t tales. La frecuenci total de cada fila o columna es la llamada frecuencin marginalPara estudia el acuerdo entre las frecuencias observadas y esperadas, se calcula el estadstico (2tt\ x2 =

?g#a donde la suma se extiende a todas las casillas de la tabla de contingencia, los smbolos X Y nP representan respectivarnente las frecuencias obsenradas y esperadas en la casilla i. Esta suma que es anloga a (21), contiene hh trmnos. La suma de to das las frecuencias obsenadas se denota por n y es igual a la suma de todas las frecuencias esperadas [comparar con la ecuacin (22)1.

220 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP. ? I estad de Y de es tal (a) v :. (h - L\q 1) si las frecuencias-.esperadas pueden calcularse sin tener que est imar -parmetros ooblacionales con los estadsticos muestrales. Para.rtt" pr.rU" de e sto vase el Problema 7.48.

in muestral muy prxima a la distribucin no sean demasiao pequeas. Et nmer dado pa l, k il por (b) u : (h.- L)(k - 1F nz si las frecuencias observadas pueden solamente calcularse esti mando m parmetros poblacionares con los estadsticos muestrales. - Los ensayos de significacin para tablas h x h son anlogos a los de las tablas 1 X k. Las frecuencias esperadas-son halladgf bajo una determinada hipteiis llo. Un a triptesis normalmente supuesta es la de que las dos clasificaciones son indepen dientes enhe si. ejemplo, se pueden tener tablas h X h X I donde estn presentes 3 chsicaciones. Las tablas de contingencia pueden extenderse a un nmero mayor de dimensiones. As p or CORRECCION DE YATES PARA LA CONTINUIDAD - Cuando se aplican a datos discretos los resultados para distribuciones continu as deben hacerse ciertas correcciones, como se ha visto en captulos ant-eriores. Una correccin anloga cuando se utiliza la distribucin chicuadrado-. La correccin con siste en poner (21) coimo sigue "r "pii""ui 2 (corregida) = tL\-g!)!'5Y * !4-grP +...*!4t_"p_4;t. nPr En general, la correccin se hace solamente cuando el @s) se conoce frecuentemente como correccin de Yates. Tambin existe una modificacin anlo ga de (24).

nmero de grados de libertad es z : 1. En COEFICIENTE DE CONTINGENCIA Una medida del grado de relacin, asociacin o dependenc ia de las clasificaciones en una tabla de contingencia est dada por (26) que se llama coeficiente de contingencia. A mayor valor de Q mayor es el gr ado de asociacin. El nmero de filas y columnas de la tabla dg contingencia determi na el valor rximo de C, que no es nunca superior a uno. Si el nmero de filas y colu mnas de una tabla de contingencia es ilrrh ah, el mximo valor de c viene dado por 1frn - rytc (vanse problemas 7,62,7 .6g y 1.L27\.

CAP. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION 22r Problema,s resueltos ENSAYOS DE MEDIAS Y PROPORCIONES UTILIZANDO DISTRIBUCIONES NORMALES 7.1. Hallar la probabilidad de obtener entre 40 y 60 caras inclusive en 100 lanzamien tos de una moneda. Segn la distribucin binomial, la probabilidad pedida es /1\'t0 'oocoo( i) /r \6r' . /1Y. \ql - /lY' (;/ 1" (;) +'noc.'lJ /1Yo - ... ,'| rrx'ti'\r/ /tY' \-/ \-/ \-/ \-/ \-/ La media y la desvicin tpica del nfmero de caas en 100 hnzamientos vienen dadas por t, -- ,tp = 1oo(;) =. uo Pueeto que np o-{ffi=['r{ffi=' = _2.10 y nq son ambas mayores de 5, puede utilizarse para la eraluacin de la suma anteriq r la aproximacin normal a la distribucin binomial. En una escala continua, entre 4 0 y 60 caras inclusive es lo mismo que entre 39.5 y 60,5 caras. 39.5 en unidades tipificadas = q9'5-:-E 60.5,en unidadee tipificadas = 60.5 50 = 2.I0 Probabilidad pedida : : rea bajo la curva normal

ete z: 2(reaentre z: O y z: -2.1O y z: 2.lO 2.10) 7.2. la hiptesis de que una moneda est bien hecha, se toma la siguiente regla de decisin : (1) se acepta la hiptesis si el nmero de caras en una serie de 100 lanzamientos se encuentra entre 40 y 60, ambos inclusive; (2) de otro modo, se rechaza. Para ensayar (c) Hallar la probabilidad de rechazar la hiptesis, cuando en realidad es cierta. (b) Interpretar grficamente la regla de decisin y el resultado del apartado (c). (c) Qu conclusiones se sacaran si en la muestra de 100 lanzamientos se obtuviesen caras? 60 caras? (d) Podan ser errneas las conclusiones de (c)? Explicar. 53 (o) (b) Por el Problema 7.1, la probabilidad de no obtener entre 40 y 60 caras inclusive si la moneda est bien hecha 1 - 0.9642 : 0.0358. Entonces la probabilidad de rec hazar la hiptesis cuando es correcta : 0.0358. La regla de decisin se ve grficament e en la Fig. 7-2,que muestra la distribucin de probabilidad de caras en 100 Ianza mientos de una moneda bien hecha. Si en una serie de 100 lanzamientos sg obtiene una z entre -2.L0 y 210, se acepta la hiptesis; de otro modo se rechaza y se dec ide que la moneda no est bien hecha. cuando debera aceptarse q el error del Tipo.I de la regla de decisin y la probabil idad de cometer este error es igual a 0.0358 del apartado (o), est representado p or el rea total sombreada de Ia figura. Regin de recbace ? El error que se puede cometer de rechazar la hiptesis (39.5 - -210 caras) FiE.7-2 z

(60.5 caas) = 2 l0 Si en una serie de 100 lanzamientos se obtiene un nmero de caras cuya z se encuen tra en las regiones sombreadas, se dir que esta z difiere significatiuamente de l ia que cabra esperar si la hiptesis fuese cierta. Por esta razn, el rea total sombre ada (es decir, probabilidad de error del Tipo I) se llama nuel de significacin d,e la regla de decisin y es igual a 0.0358 en este casc. As, pues se habla de rechaz ar la hiptesis a un nivel de significacin de 0.0358 6 3.58%.

222 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. ? (c) Segn la regla de decisin, en ambos casos se aceptara la hiptesis de que la moned a est bien hecha. Se puede argir que con solo una cara ms que se hubiese obtenido, se habra rechazado la hiptesis, Esto es lo que se debe afrontar cuando para tomar decisiones se toma cualquier lnea de divisin. (d) Si. Se puede aceptar la hiptesis cuando realmente debera rechazarse como, por ejemplo, sera el caso cuando la probabilidad de cara fuese realmente 0.? en lugar de 0.5. El error que se comete al aceptar la hiptesis cuando debera decisin. Para mayor discusin vanse Problemas 7 rechazarse ea error del Tipo 1I de la .23-7.25, 7.3. Disear una regla de decisin para ensayar la hiptesis de que una moneda est, bien hec ha si en una muestra de 64lanzamientos de la moneda se toma un nivel de signific acin de {c) 0.05 y (b) 0.01. (o) Primer mtodo: Si el nivel de significacin es 0.05, cada6rea sombreada en la Fig. 7-3 es 0.025 por simetra. Entonces el rea entre 0 y zr = 0.50 00 - O.O25O : O-4750,y z : 1.96. As, pues, una posible regla de decisin es: (I ) Aceptar la hiptesis de que la moneda est: bien hecha si Z est entre -1.96 y 1.96_ (2) Rechazar la hiptesis en cualquier otro caso. -zr Fis.7-B 2r Los valores crticos la Tabla 7-1-1.96 y 1.96 pueden

ser tambin sacados de Para expresar esta regla de decisin en trminos del nmero de caae a obtenerse en los 64 lanzamientos de la moneda, ntese que la media y la desviacin tpica de la distrib ucin binomial exacta de caras estn dadas por ! - np: 64(0.5) - 32 y o -= t/iw = y'6llos)(05) = = (X p)/o 4 bajo Ia hiptesis de que la moneda est bien hecha. Entonces Z la regla de decisin resulta: = (X 32\14. SiZ:1.96,(X-32)l:1-96X:39.84.5i2:-1.96,(X-32)14:-1.966X=24.t6.Aspues, (i ) Se acepta la hiptesis de que la moneda est bien hecha si el nmero de 24.16 y 3 9.84, es decir, entre 25 y 39 ambos inclusive. caras se encuentra entre (2) es Se rechaz la hiptesis en caso contrario. Segundo mtodo: Con probabilidad 0,95, el nmero de caas se encontrar entre decir, np- 1.96ypq lleva a Ia regla de decisin anterior, Tercer mtodo: y np+1.96{npq o entre 32 1.96(4) :24.76y 32+ -1.96(4): 1.960 y J + l.960,

89.84que 32) < 1.96(4) la regla de decisin anerior. (b -1.96 < z < 1.96 equivale a - 1.96 <(x-gz)l,< 1.96. Entonces- 1.96(4)< (x6 32- 1. 96(4)< X< 32 + 1.96(4), es decir, 24.16<X< 39.84,que tambin conducea ) obtenerse de la Tabla ?-1. Si el nivel de signilicacin es 0.01 , cada rea sombreada en la figura anterior es 0.005. Entonces, el rea entre 0 y zr es 0.5000 0.0050 :0.4950 ! zt = 2.bg (msexacar nente 2,575). Estopuedetambin el nmero de caas se encontrar entre lr 2.58(4\: 42.32. Siguiendo el mismo procedimiento del mtodo segundo del apartado (o ), se ve que c on probabilidad 0.99 - 2.58o y pt*. 2,58o, es decir, g2-2.58(4):21.68 y Bz + Entonces la repla de decisin sera: (l) Aceptar la hiptesis si el nfrmero de caras se encuentra entre 22 y 42 inclusive. (2) Rechazarla en cualquier otro caso.

cAP. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 223 7.4. Cmo se podra disea una regla de decisin en el Problema ?.3 que evite el enor del Tipo T? El error del Tipo I[ se c.omete al aceptar una hiptesis que debera ser rectrazada. Para evitar este etlor, en lugar de aceptar la hiptesis, lo que se hace es simpl emente no rechazarla, lo que efnificarfa que ee rehuaa cualquier decisin en este caso. As por ejemplo, la regla de decisin del Problema 7.3(b) serfa: (I ) (2) No recltzz,ar la hiptesis si el nmero de caras se encuentra efte 22 y 42 inclusive. Rechazar Ia hiptesis en ca6o contrao. Sin embargo, en muchos ejemplos prcticos es importante decidir si una hiptesis deb e eer aceptada o rechzada. Una completa discusin de tales casos requiere l consider acin de errores del fipo II (vanee hoblems 7.23-7.26'). 7.6. En un experimento sobre percepcin extrasensorial (E.S.P.) un individuo (sujeto) en una habitacin fue preguntado sobre el color (rojo o azul) en una carta elegida por otro individuo en otra habitacin-de un conjunto de 50 cartas bien barajadas. Es desconocido-par a el zujeto cuntas cartas rojas o azules hay en el lote. Si el zujeto identifica conectamente 32 cartas' determinar si los resultados son significativos al nivel de significacin de (c) 0.05 y (b) 0.01. p es la ptobabilidad de que el sujeto elija conectamente el color de una catta, entonces se tiene que decidir entre las dos hiptesis siguientes: Si Hoi p: 0.5 V el sujeto est simplemente adivinando, es decir, los resultado son totalmente casuales Ht: p ) 0.5 y el sujeto tiene fuerza de E.S.P. Se elige un ensayo de una cola, puesto que no se est interesado en la facultad de obtener valoree bajos, sino en la facultad de obtener aciertos numerooos. Si la hiptesis est dado por ff6 es cierta, la media y la desviacin tfpica del nmero de cartas identificadc

correcamente 3.54 p=.np = 50(0.5) = zb ! o=\/wq = /86(05)(-05) = /Es = (a) Para un ensayo de una cola al nivel de significacin de 0.06 se debe elegit z1 en la Pig. 7-4 de modo que el rea sombre ada en la regin crtica de ralores alos sea 0.05, Entonces el rea enre O y zt = 0.4500, Y zr : 1.645. Esto puede tambin eacarse de la Tabla 7-1. Asfrpues, la regla de decisin o enaayo de significacin es: (f ) Si la z observada es mayor que 1.645, los resultados son significativos al nivel del 0.05 y el indiduo tiene fueza de E.S.P. zl (2) Si z es menor de 1.645 los resultados Be deben a la casualidad, es decir, no sig nificativos al nivel del 0.05. Fig. 7-4 Puesto que 32 unidades tipifrcadas (32 - 25\15.64:1.98 es mayor que 1.645, la de cisin rnantiene es decir, se concluye que al nivel del 0.05 el individuo tiene fu erza de E,S.P. (I) ee Adrtase que tealmente debera aplicarse una coneccin de continuidad, pueso que 32 en u na eecala continua est entre 31-5 y 32.5. Sin embargo, 31.5 iene un valor tipifica do de (31.5 - 26)13.64: 1.84 llegndose a Ia misma conclusin anterio, (D) Sielniveldesignificacines0.01,entonceselreaenteOyzt:0.4900Y2r:2.33.Puestoque32( 31.5) en unidades tipificadas es 1.98 ( 1.84) que es menor que 2.33, se deduce qu e los reeultado no son significauos al nivel de 0.01, Algunos estadsticos adoptan la terminologa de qu e lios resultados significativos al nivel del 0.01 on altomente significatiuos, l os resultados significativos al nivel del 0.05 pero no al nivel del 0.01 son pro bablemente significotiuos, mientras que los resulados significativos a niveles su perriores al 0.06 son no

significatiws. Seglrn la erminologfa, se concluye que los resultados del experimento anterior wn probab lemente significatiuos. de modo que posteriores investigaciones del fenmeno estn p robablemente justificadas.

224 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP. 7 Puesto que los niveles de significacin sirven de gua en la toma de decisiones, alg unos estadsticos citan las probabilidades reales inherentes. Por ejemplo, en este problemapuesto quep(Z > 1.84):0.0322 el estadstico puede decir que en base a la posibilidad de que en el experimento se llegue a una conclusin errnea sobre que el individuo tiene fuerza de E,S.P, es sobre el 3 por 100. ta probabilidad citada en-este caso 0.0322, se llama a veces niuel de significacin erperimental o descri ptiuo. 7.6. El fabricante de una patente mdica sostiene qu la misma tien'e un 9O% de efectivid ad en el alivio de una aler_gia, por un perodo de 8 horas- En una muestra de 200 individuos que tenan la alergia la medicina suministrada alivi a 160 personas. Det erminar si la aseveiacin del fabricante es cierta. Dentese porp la posibilidad de obtener alivio de la alergia utilizando la medicin a. Entonces tre las dos hiptesis: se debe decidir Ho: p: 0.9 y la aseveracin es correcta es falsa Hy: p10.9 y la aseveracin Se elige un ensayo unilateral, puesto que Ee es interesado en determinar si la pro porcin de gente aliviada por la medicina es demasiado baja. Si se toma el nivel de significacin del 0.01, es decir, si el rea sombreada en la Fig. 7-5 es 0.01 , entoncegz : -2.33, como puede deducirse del koblema 7.5(b), me diante la simetra de la curva, o de la Tabla 7-1. Se zl Fig. 7-5 toma como regla de decisin: (1) La aseveracin no es legtima si Z es menor de -2.33 (en cuyo caso se rechaza H). (2) En caso contrario, la aseveracin es legtima y los resultados obtenidos se deb en a la casualidad (en cuyo caso Si se

acepta 116 ). , altamente significatiuos (vase final del Problema ?.5). \/"pq = /?2ooxo.9)(o.r = a.23. Ahora 16O en unidades tipificadas (160 - l8O)14.23 : -4. 3, que es mucho menor de -2,33. Aspues, por la regla de decisin se deduce qu e la aseveracin no es legtima y que los resultados muestrales son fle es cietta p : np = 200(0.$) : 1AO y " 7.7. La duracin media de una muestra de 100 tubos fluorescentesproducidosporuna esulta ser 15?0 horas, con una desviacin tpica de 120 horas. Si .r es la ia de todos los tubos producidos por la compaa, comprobar la hiptesis ontra la hiptesis altemativa r # 1600 horas con un nivel de significacin 5 y (b) 0.01. Se tiene que decidir entre las dos hiptesis: Ho; lt:1600 hora.s, H1: t* 1600horas Un ensayo bilateral debe utilizarse aqu puesto que g * 1600 incluye valores mayores y menores de 1600. (a) Paraunensayobilateralalniveldesignificacinde0,Ossetienelasiguienteregladedeci sin: (/) Se rec}raza 116 si la z de la media muestral est fuera del rango - 1.96 a 1.96. (2) Se acepta l/6 (o no se toma decisin alguna) en caso contrario. El estadstico bajo consideracin es la media muestral X. La distribucin muestral de X tiene una media compaa r duracin med : 1600 horas c de (a) 0.0

rx-yunades.viacintpicaop:s/1/i.,dondegvoscnlamediayladesviacintpicadelapoblacin de tod s los tubos producidos por la compaa.

cAP. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 226 eneuentra fuera del rango Bajo la hiptesis I/6, se tiene g : 1600 y o* = a/t/n = 120/\/L00 = 12, utilizando la desviacin tpica muestral como una estima de o. Puesto que / : (X - 1600)/12 : (L570 - 1600y12 : -2.50 se -l .96 a 1 .9 6, se rechaza /16 al nivel de significacin del 0.05. ' (b) Si el nivel de significacin es 0.01, el rango -1.96 a 1.96 en la regla de decisin del apartado (c) se sustituye por -2.58 a 2,58, Entonces, puesto que z -2.50 se encuentra dentro de este rango, se acepta Ile (o no se toma ninguna decisin) al n ivel de sfinificacin del 0.01. , 7.8. En el Problema 7.7, ensayar la hiptesis p : 1600 hora.s frente a la alternativa h oras, con los niveles de significacin de () 0.05 y (b) 0.01. Se debe < 1600 decidir entre las dos hiptesis: Ho: lJ: 1600 horas, II1: t{ 1600 horas. Debe aqu utilizarse un ensryo unilateral (vase Fig. 7-5). (a) Sielniveldesignificacines0.05, lareginsombreadadelaFig.T-Stieneunreade0.0Syseti eneque zt : Se adopta, por tanto la regla de decisin: -L.645. (1 Hs si Z es menor de -1.645. ) (2) Se acepta.Ff6 (o no se toma ninguna decisin) en caso contrario, Se ecltaza 7 ,7 Como en el Problema

de significacin del 0.05. Advirtase que esta decisin es idntica a la obtenida en el Problema 7.7(a) mediante un ensayo bilateral. (a), el valor de z es -2,50, que es menor de -1 .645, se rechaza pues, fle al nivel (b) Si el nivel de significacin es de 0.01 eI valor de z1 en la Fig, 7-5 es -2.33. De aqu que se adopte la regla de decisin: (I ) Se rechaza H si Z es menor de -2.33. (2) S. acepta H6 (o no se toma ninguna decisin) en caso contrario. Como en el Problema 7.7(a), el valor de e es -2.50, que es menor de -2,33, se re chaza pues, /ls al nivel de significacin del 0.01. Advirtase que esta decisin es la misma que la obtenida en el Problema 7.7(b) mediante un ensayo bilateral. Las d ecisiones concernientes a hiptesis'lfe dadas, basadas en ensayos de una o dos col as, no estn siempre en concordancia. Esto cabe, naturalmente esperarse, puesto qu e se ensaya I/6 conha una alternativa diferente en cada caso. 7.9. La resistencia a la rotura de los cables producidos por un fabricante tienen una media de 1800 libras y una desviacin tpica de 100 libras. Mediante una nueva tcnic a en el proceso de fabricacin se aspira a que esta resistencia pueda ser incremen tada. Para ensayar esta aspiracin, se ensaya una muestra de 50 cables y se encuen tra que su resistencia media es de 1850 libras. Puede mantenerse que, en efecto, hay un aumento de resistencia al nivel de significacin del 0.01? Se tiene que decidir entre las dos hiptesis: Ho: lJ: Ht: lt > 1800 libras, y realmente no hay cambio en la resistencia 1800 libras, y hay un cambio en la resistencia Aqu debe emplearse un ensayo unilateral (vase Fig, 7-4). Al nivel de significacin d el 0.01 la regla de decisin es: ) Si eI valor de z es mayor que 2.33 los resultados son significativos al nivel de 0.01 y.F/0 (2) De otro modo, Ilo es aceptada (o no se toma decisin alguna). Bajo la hiptesis de que (I es rechazada. I/e

es cierta, se tiene X-p ol\n 1850 - 1800 -------------.oo loo/v5o que es mayor de 2.33. De aqu se deduce que los resultados son olamente significati uos y Ia aspiracin de mejora debe ser admitida.

226 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [g.lp. z ENSAYOS RELACIONADOS CON DIFERENCIAS DE MEDIAS Y PROPORCIONES 7.10. Se hizo un examen p dos clases formadas por 40 y 50 estudiantes respectiva mente. En la primera clase la puntucin media fue de 74 con una desviacin tpica de 8, mientras que en la segunda clase la puntuacin media fue de 78 con una desviacin tp ica de 7. Hay una diferencia significativa entre el restfltado de las dos ciases al nivel de significacin de (a) 0.05, (b) 0.01? ces, se tiene que Supngase que las dos clases provienen de dos poblaciones que tienen de medias res pectivas decidir entre las hiptesis: l\ y tJz. EntonBajo ferencia de medias estn dadas por Ho: ltt : llz, ! la diferencia se debe simplemente al azar H t : Pt * t2 ,hay una diferencia significativa entre las dos clases la hiptesis lls, ambas clases prov ienen de la misma poblacin. La media y la desviacin tpica de la diuir-i, = o n*r-'^" = !t-", l"? , "Z= l8r- , ?, !40*50 = 1.606 donde se han utilizado las desviaciones tpicas muestrales como estimas d.e o1 y o 2. Entonces z= (a) () Pata un ensayo bilaeral, los resultados son significativos al nivel de 0.05 si Z se encuentra fuera del recorrido -1.96 a 1.96. De aqu se deduce que al nivel de 0 .0 hay una diferencia significativa entre las dos clases y la segunda es probable mente mejor. Para un ensayo bilateral, los resultados son significativos al nive l de 0.01 si Z se encuentra fuera del iritervalo -2.58 y 2.58. De aqu se deduce q ue al nivel de 0.01 no hay diferencias significativas entre ambas clases.

= o*r-fr, = 1# = -2.4s Puesto que los resultados scin significativos al nivel de 0.05 pero no al de 0.0 1, se deduce que los resultados son probablementesignificatiuos, de acuerdo con la terminologa utilizada al final del Problema 7.5. 7.11. La estatura media de 50 estudiantes de un colegio que tomaban parte en las pruebas atlticas fue de 68.2 pulgadas con desviacin tpica d,e 2.5 pulgadas, mientr as que 50 estudiantes que no mostraban inters en tal participacin tenan una estatur a media de 67.5 pulgadas con desviacin tpica de 2.8 pulgadas. Ensayar la hiptesis d e que los estudiantes que participan en las pruebas atlticas son ms altos que los otros. Se debe decidir entre las hiptesis: Ho: llt : H t: Ft ) Bajo la hiptesis.El6 , ltz , p2 ,la estatura media del primer gtupo ^o hay diferencia entre las estaturas mediases mayor que la del segundo ur?,-*, =o n*r-rr"= "? , ft1 "8, n2 = 0.53 donde se han utilizado las desviaciones tpicas muestrales como estimas de o1 y o2 Entonces Con un enrayo unilateral y al nivel de significacin del 0.05, se rechaza la hiptesis lls si el valor de z fuese mayor de 1.645. As pues, no se puede rechaz ar la hiptesis a este nivel de significacin. Debe sin embargo ponerse de manifiest o que la hiptesis puede rechazarse al nivel de 0.10 si se est dispuesto a correr e

l riesgo de tomar una decisin errnea con una probabilidad de 0.10, es decir, I vez cada 10.

CAP. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION 227 7.L2. En cunto debern incrementarse los tamaos de muestra de cada uno de los dos grupos en el Problema 7.II para que la diferencia observada de 0.7 pulgadas en las estatur as medias sea significativa al nivel de significacin (o) 0.05, (b) 0.01? Supngase que el tamao muestral de cada grupo eB n y qLe las desviaciones tpicas man ecen iguales a las de antes. Entonces, bajo la hiptesis tiI6, se tiene ,ir_*, = 0 V p"."io" dos grupos pero*r*, = o?,"2 nn (2.5z ".t, 14.09 3.75 n ,/" Para la diferencia de 0.7 observada en las estaturas medias se tiene xt - xz 4 - - o*r-*, (a) o.7 3.75/\n 0.7\n 3'75 La diferencia observada ser significativa al nivel de 0.05 si Yif-t'uou (b) La diferencia observada 1/-n=8.8 n>78 50 As pues, deber incrementarse el tamao de cada grupo en ?8 ser significativa al nivel de 0.01 si :

28 al menos. ui'!!=r.tt d \/a>r2.5 t57 n>1b? 50 De aqu que se debera incrementar cada muestra en al menos : lO7 . 7.13. Dos grupos A y B fomados cada uno de 100 individuos, padecen una enfermedad . Se administra un suero al grupo A, pero no al grupo B (que se llama gtupo cont rol); siendo en todo lo dems los dos grupos tratados idnticamente. Se encuentra qu e en los grupos Ay 8,75 y 65 individuos, respectivamente se han recuperado de la enfermedad. Ensayar la hiptesis de que el suero ayuda a curar la enfermedad al n ivel de significacin del (a) 0.01, (b) 0.05, (c) 0:10. Dentese por P utiliza suero. Se debe r! p2, respectivamente las proporciones poblacionales curadas ( I ) utilizando el suero , (2 ) sin decidir entre las dos hiptesis: es decir, el suero no es efecivo Ho: Pt : Pz,l las diferencias observadas son debidas al az,zt, H t : pt ) pz,y e l suero es efectivo Bajo la hiptesis 116, urr-r', = o o,r-r, = p de curas 0.650 0.0648 ro.zorro.ebr(-#.#) = 0.0648 donde se ha utilizado como estima de la proporcin 65)1200 : 0.70 y donde q : 1 p : 0.30. Entonces ryen los dos grupos muestrales el valor (?5

* P,_P" orr- r, 0.?50 = 1.54 (c) De acuerdo con un ensayo unilateral al nivel de significacin del 0.01, se r*}lraz ara lahiptesis1116 solamente si z fuese mayor de 2.33. Puesto que el valor de z es 1.54, se debe deducir que los resultados se deben al azar a este nivel de signi ficacin. al nivel de significacin del 0.05, se rechazara la hiptesis IIs solamente s i z fuese mayor de 1.645. De donde se deduce que a este nivel tambinlas diferenci as se deben al azgt, () De acuerdo con un ensayo unilateral (c) Si se utilizase un ensayo unilateral al nivel de significacin de 0.10 se rechazara f/e solamente si el valor de z fuese superior a 1.28. Puesto que esta condicin e s satisfecha, se deducira que el suero es efectivo al nivel de significacin de 0.1 0.

228 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. z Adrtase que las conclusiones anteriores dependen de lo que se est dispuesto a arrie sgar de tomar una decisin errne. Si los resultados se deben realmente aL azar y se toma la decisin de que son debidos al suero (error del Tipo I), se puede proceder a dar el'suero a grandes grrlpos de gente solamente para obtener entonces que r ealmente es inefectivo. Este es un riesgo que nb siempre deseamos suponer. Por o tro lado, se puede deducir que el suero no ayuda cuando realmente s lo hace (erro r del Tipo II)Tal decisin es muy importante especialmente si hay vidas humanas en juego. ?.14. Solucionar el Problema 7.13 si cada grupo dividuos del Grupo,zt y 195 del grupo B. se compone de 300 individuos y si se curan 225 i* : 0.750 y 195/300 Advirtase que en este caso la proporcin de gente curada en los d os grupos son 225/300 : 0.6b0 respectivamente, que son las mismas del problema a nterior. Bajo la hiptesis ^FIe, l'pr-pz = donde (225 0 ',-t'r= se 'G;t 0.750 = ro.zol ro.sol( r*-L * r*-L ) : 0.0374 - 195y600:0.70 utiliza como estima dep. Entonces 0.650 0.0374 P,-P, z==

= 2.67 es puesto que el valor de z es mayor de 2.33, se puede rechazar la hiptesis al nivel de significacin del 0.01, decir, se deduce que el suero es efectivo con solo una probabilidad de 0.01 de equivocacin. Esto muestra cmo al incrementarse el tamao de la muestra aumenta la seguridad de l as decisiones. Sin embargo, en muchos casos es imposible el aumentar el tamao de la muestra. En tales casos, se est forzado a toma decisiones en acuerdo con la inf ormacin utilizable y as se tendr que correr mayor riesgo de tomar decisiones errneas . ?.15. Una muestra de 300 votant s del distrito A y 2O0 del distrito B mostr que el 66% y el 48% respectivamente, estaban a favor de un candidato dado. Al nivel de significacin del 0.05 ensayir la hiptesis de que (o) haya diferencia entre los dis tritos, (b) el candidato sea preferido en el distrito A. Dentese por pr y p2 las proporciones de todos los votantes de los distritos A y B, respectivamente, que estn a favor del candidat<. Bajo la hiptesis (Ho: pt:pr ) se tiene l,, _ 1," 0.472. Entonces = 0 or,, ,, = (D=@=00456 f(0.56)(300) 0.560 dondesehautilizadocomoestimadepyqlosvalores +(0.48)(200)l/500:0.528 l'75 y 1-0.528 = z P, - P" = rrar, () Si solamente se desea determinar si hay diferencia entre los distritos, se deb e decidir entre la hiptesis (Ho : P t : pz\ y (Ht : P t * pz), que se estudia con un ensayo bilateralCon un ensayo bilateral y al nivel de significacin del 0.05, se rechazara Hs si Z estuviese fuera del in' tervalo-1 .96a1.96.Puesto queZ:1.?S,encontrndosedentrodelintervalonosepuedetechaz atH

a este (b - 0.480 = -0^0456== nivel, es decir, no hay diferencia significativa entre los distritos' : ) Pt : Pz)y (Ht: pt ) pz Si se desea determinar si el candidato es preferido en el distrito A, se debe de cidir entre la hiptesis (f/e ), que se estudia con un ensayo unilateral. Cor un ensayo unilateral y al nivel de significacin del 0.05 se rechaza H si Z fues e mayor de 1.645. Puesto que ste es el caso, se rechaza 16 a este nivel y se deduc e que el candidato es preferido en el dis' trito A

cAP. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION ENSAYOS RELACIONADOS CON LA DISTRIBUCION DE STUDENT 7.16. En el pasado una mquina ha producido arandelas con un grosor de 0.050 pulga das. Para determinar si la mquina sigue en buenas condiciones de produccin, se tom a una muestra de 10 arandelas, que resulta tener un grosor medio de 0.053 pulgad as y una desviacin tpica de 0.003 pulgadas. Ensayar la hiptesis de que la mquina est en buenas condiciones de p roduccin al nivel de significacin del (o) 0.05, (b) 0.01. Se desea decidir entre las hiptesis Ho: lt:0.050, y la mquina Ht: P + 0.050, y la mquina de modo que se requiere un ensayo bilateral. se encuentra en buenas condiciones no se encuentra en buenas condiciones Bajo la hiptesis (o H se tiene , = 4---f, -t/nt = 9!$-.f;4!9 0 -t -_- g.00. ) Para un ensryo bilateral al nivel de significacin del 0.05 se adopta la regla de d ecisin: (I) (2) () Se acepta fle si f se encuentra dentro del intervalo-f cz a f e75, lo cual para 1 0 libertad es eI intervalo -2.26 a 2.26. Se rechaza -1 :9 gradosde lls

en caso contrario. se rechaza Puesto que ?: 3.00, I/6 al nivel de 0.05. Para un ensayo bilateral aI nivel de significacin del 0.01 se adopta Ia regla de decisin: (I ) (9) Se acepta .F/6 si ? se encuentra dentro del intervalo --f.ee; .ee5, que para 10-1 tad es el intervalo -3.25 a 3.25. Se rechaza.16 elr cso contrario. : 9 grados de liberPuesto que ?: 3.00, se acepta,Efs al nivel 0.01. Ya que se rechaza lls al nivel 0.05 pero no al nivel 0.01, se dice que lamuestra resultaproboblemente significatiua (vaee la terminologa del final del Problema 7 . 6), ABI sera aconsejable comprobar la mquina o al menos toma otra muesha. 7.17. Un ensayo sobre resistencia a la rotura de 6 cuerdas fabricadas por una co mpaa mostr una resistencia media de 7750 lb y una desviacin tpica de 145 lb mientras que el fabricante sostena que la resistencia media de sus cuerdas era de 8000Ib. S e puede admitir la afirmacin del fabricante aI nivel de significacin del (a) 0.05, (b) 0.01? Se tiene que decidir entre las hiptesis Ho:. H lJ: 8000 libras, y la afirmacin del fabricante est justificada es falsa 1 : t 1 8000 libras, y la afirmacin del fabricante de modo que se requiere un ensayo unilateral. Bajo la hiptesisae se tiene (o

, - L7"1= ?l|'!-_99rnJ ,i6= = -8.86. : ) Para un etsayo unilateral al nivel de significacin del 0.05 , se adopta Ia regla d e decisin (l) (2) (b Seacepta116 si ?esmayorde -.o., que para 6 Se rechaza.F/6 eri caso contrario. -1:5 gradosdelibertad da ?) -2.01 . Puesto que T = -3.86, se rechaza .F/s. : ) Para un ensayo unilateral al nivel de significacin del 0.01 , se adopta la regla de decisin (1) (2) Se acepta f/ : si ? es mayor de -f.un, que para 5 grados de libertad da 7') -3.36. Se rechaza.F/e en caso contrario. Puesto que ? -B

.86 , se rechaza ffs . Se deduce que la afirmacin del fabricante es extremadamente improbable que est justificada.

ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. ? ?.18. El I. Q. (cociente de inteligencia) de 16 estudiantes de una zona de una c iudad dio una media de 107 con una desviacin tpica de 10, mientras que el L Q. de 14 estudiantes de otrazona de la ciudad dio una media de 112 con desviacin tpica d e 8. Hay diferencia significativa entre el I. Q. de los dos grupos al nivel de si gnificacin del (o) 0.01, y (b) 0.05? Si se denota por l-. y r2 las medias poblacionales del decidir entre las hiptesis I. Q. de los estudiantes de las dos zonas, se tiene que Ho: lt : ltz ! no hay diferencia esencial entre los grupos Hti ltt =* tlr,y hay diferencia esencial entre los grupos Bajo la hiptesis lls, Txt-x, "t/U"t+ Y"2 donde o n,S! + nrS! n1 -ln2-2 Entonces t6+L4-2 =9.44 y T= ltz t07 9.44\/ l/16 + l/t4 = 1.45 () Con rn ensayo bilateral al nivel de significacin del 0.01, se rechazar la hiptesis l{6 si ?se encuentra fuera del recorrido --t rg, a .ee5, eue para n I nz - 2:.16 + 7 4 - 2: 28 grados de libertad es el recorrido -2.?6 a 2.76.

As pues, no se puede rechazar,Ef6 al nivel de significacin del 0.01. (b) Con un ensayo bilateral aI nivel de significacin del 0.05, se rechazar Hs si T se encuentra fuera del recorrido -t.ctsa e75, eue para 28 grados de libertad es el recorrido -2.O5 a 2.05. As pues, no se puede rechazar Se deduce que no 116 al nivel de significacin del 0.05. hay diferencia significativa entre el I. Q. de los dos grupos. 7.19. En una estacin agrcola se deseaba ensayar el efecto deun determinado fertili zantn sobrela produccin de trigo. Para ello, se eligieron 24 parcelas de terreno de igual superficie; la mitad de ellas fueron tratadas con el fertilizante y la otra mitad no (grupo control). Todas las dems condiciones fueron las mismas. La m edia de trigo conseguida en las parcelas no tratadas fue de 4.8 fanegadas con un a desviacin tpica de 0.40 fanegadas, mientras que la media en las parcelas tratada s fue de 5.1 fanegadas con una desviacin tpica de 0.36 fanegadas. Puede deducirse q ue hay un incremento significativo en la produccin de trigo por el empleo del fer tilizante al nivel de significacin del (a\ 7% V Q) 6%? Si r y pt2 son las producciones poblacionales medias en los suelos tratados y no t ratados, respectivamente, tiene que decidir entre las hiptesis se Ho: lt : ltz,y la diferencia se debe al azar H t: pt ) tt1- ,y el fertilizante i ncrementa la produccin Bajo la hiptesis I/6, T= Entonces xtX, "tf;ffi + 12(0-36)2 t/", donde nrsl + n252, n1*n2-2 "=!ffi (a) I 12(0.4012 =o'397 v T=

5.1 4.8 0.3s7\n/12 + Urz = 1.85 Con un ensayo unilateral aI nivel de significacin del 0.01, s rechazar Ia hiptesis f 16 si ? fuese mayor que .ee, lo cualpara n1 * nz - 2 : 72 + t2 - 2 : 22gradosde l ibertad es 2.51. As pues, no se puede rechazar 16 al nivel de significacin del 0.01.

cAP. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 237 () Conunensayounilateralalniveldesignificacindel 0.05,serechazarlahiptesisfl6si?fues emayor que .e5, lo cual para22 grados de libertad esL.72. As, pues, se rechaza.Ffs al nivel de significacin del 0.05. Se deduce que el incremento en la produccin de trigo alttilizar el fertilizante e s probablemente significoiuo. Sin embargo antes de sacar conclusiones definitivas referentes a la conveniencia del fertilizante. sera deseable tener alguna prueba ms. ENSAYOS RELACIONADOS CON LA DISTRIBUCION CHI-CUADRADO 7.?0. En el pasado la desviacin tpica de los pesos de ciertos paquetes de 40.0 onz as, llenados por una- mqlLlina era de 0.25 onzas. Una muestra aleatoria de 20 paq uetes dio una desviacin tipica de 0.32 on?T. Es el aparente incremento de vaiabilid adsignificativa al nivel de signifiacin del (a) 0.05 y (b) 0.01? Hay que decidir entre las dos hiptesis: Ho: o :0.25 onzas, y los resultado observados se deben alazar H 1 : o > O .25 onz as, y la variabilidad se ha incrementado El valot de 12 para la muestra 8 X2 : nsz/sz :20(0.32)2/(O.Z5l2 = 82.8. (o) (b) Mediante un ensayo unilateral, se rechaza .EI6 al nivel de significacin del 0.05 Si el valor de X2 muestral fuese mayor 9ue x?gs, que es igual a 30.1 para v : 20 - 1 : 19 grados de libertad. As puee, se rechaza ^Ef6 al nivel de significacin de l 0.05. 12 fuese mayorMediante un enaayo unilateral, se rechazar.EIe al nivel de vel de significacin del 0.01. 9tt" 4'rn, que s igual a 36.2 para 19 grados sig de I O.01 si el valor muestral de pues, no se rechaza.16 al niSe deduce que la variabilitlad se ha, probablemente incrementado. Y deber efectuas e una revisin en la mquina.

ENSAYOS RELACIONADOS CON LA DISTRIBUCION ' 7-2L. Un instructor tiene dos clases, A y B. en una asignatura especfica. Laclase A tiene lGestudiantes en tanto que la clase B tiene 25 estudiantei. En el mismo examen, aunque no hubo diferencia significativa en medias de las calificaciones, la clase A tuvo una desviain tpica de 9 en tanto que la clase B tuvo una desviacin tp ica de1'2. Podemos concluir al nivel d-e significacin del (c) 0.01, (b) 0.05 que l a variabilidad de la clase B es mayor que la de la clase A? (o) Tenemos, emplean do eubndices 1 y 2 para las clasee A y B respectivamente, sr g, sz :12 de modo -q ue G? = ,,_Lr'? = if Itr (e)2 = 86.4, 4 = ,!4 = '*rrrr'= 1Eo Hay que decidi entre las dos hiptesis : o = o2, y cualquier vaiabilidad observada se debe al azol i1: o1>- oz,y la varia bilidad de la claseA es mayor que la de la B La decisin debe por tanto baearse en un ensayo unilateral de la dietribucin F. El nmero de grados de libertad para las clases son respectivamente rr :16-1:lb, Vz:26 -L=24.Alnivel 0.01 paraZ = L5,v2 = 24 tenemos del Apndice F, F.ee : 2.8g. Entonces , p.t h. muestras en cuestin, , = E = *n@ = r.74 e Entonces, ya que Ad F( F .nn no podemos techazar ff6 al nivel 0.01. (b) Ya que f'.er:z.LL para 15, 24 grados de libertad (vase Apndice F), vemos que tampoco podemos rechaza r.ltle al nivel 0.06. f (

F.sr.Por tanto

232 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP.7 7.22. Canbiaran sus conclusiones en eI ProblemaT.2L si existe una diferencia signi ficativaenla media de las calificaciones de las clases? Justificar su solucin. Puesto que la media real de las calificaciones no se us para nada en el Problema 7 ,2L no ineiresa su valoree. Esto es de esperarse ya que no estamos tratando de d ecidi si hay una diferencia en las medias de las calificaciones, sino solamente s i hay una variabilidad en las calificaciones. CURVAS CARACTERISTICAS DE OPERACION 7.23. Con referencia al Problema 7 .2 es decir, cu6l es la probabilidad de aceptar la hiptesis de que la mohecha cuando la probabi lidad real de caa es p : Q.J? neda est bien La hiptesis ff6 de que la moneda est bien hecha, nmero de caras en 100 lanzamienos se encuentra entre 39. y 60.5. La probabilidad de rechazar Ffe cuando debera aceptarse (es decir, probabilidad de error del Tipo I ) viene: dada por el rea tod c de la regin sombreada ba,jo la curva normal de La iz quierda en la Fig. 7-6. rOalculada en el Problema 7.2(ol, esta ea d, que represent a el nivel de significacin del ensayo de lfe, es igual a 0.0358. se acepta cuando el p = 0.6 p-0.5 p=o.7 39 5 caras 60.5 caras Fig.7-6 Si la probabilidad de cara es p : 0.? , entonces la distribucin de carag en 100 l anzamientos eet representada por la curva normal de la derecha en la Fig. ?-6. En el diagtama se ve claramente que la probabilidad de acepLr .Efs cuando realment e p : 0.7 (es decir, probabilidad de error del Tipo II), est dada por el rea rayad a p de la iigura. Para calcular esta rea se obeerva que la distribucin bajo la hipt esisp : 0.? tiene una media y una desviacin tpica que Bon dadas por p=np=(100)(0.7)=70 60.5 en unidades 39.5 en unidades ' = : r/"pq 60.5 4.58

= 70 y'6oo)(oJ)(0.3) = 4.58 tipificadas = ipificadas = = : -2.07 -6.66 to'l.O tn Entonces I: teabajo la curva normal entre z --6'66 y z -2-O7 : 0.0192 As, pues, con la regla de decisin dada hay muy poco riesgo de aceptar la hiptesis d e que la moneda eetd bien hecha, cuando realmente P : 0.7. Advirtase que en este problema se tena la regla de decisin de la que se obtenfa c y p. En la prctica se pue' den presentar otras dos posibilidades: (I ) Se decide sobre c (tal como O.O5 O.O1), llegando a una regla de decigin (2) Se decide sobre Q y P y despus se llega a una regla de decisin. y despus se calcula p. ?.24. Solucionar el Problema 7.23 si (a)p:0.6, (b)p : 0.8, (c)p :0.9' (d) P : O4. (a) Sip : 0.6, la media y la desviacin tpica de la distribucin de caras vienen d

adas por !=np=(100X0.6)=60 = lnpq = 60.5 39.5 4.90 4.90 V(100)(0.6)(0.4) = 4.99 60.5 en unidades tipificadas = 39.5 en unidades tipificadas = 60 60 = = 0.102 -4.18 Entonces 9: rea bajo la curva normal entre z : -4.18 yz : O.tO2: 0.5405 Asi pues, con la regla de decisin dada hay un gran riesgo de aceptar la hiptesis d e que la moneda est bien hecha cuando realmente P : 0.6.

cAP.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION y'(100X0-S)(0) 233 =. (b) Sip=0.8,enoncea p=np = (100)(0.8) = 80 y o=,,/nW= 60.5 en unidades tipificadaa 39.6 en unidadeb tipificadas Entonces = ry = q9? : = = -4.88 -10.12 p: rea bajo la curva normal entre z : -10,12 y z -4,88 = 0.0000 muy aproximadamene. 1c) Comparando con (b) o por clculo, Be ve que sip = 9.9,9: 0 paa todos los propeit os prcticoe. (d) Porsimetrap = 0.4 da el miemo valor deq.t"p:0.6;eedecir,p:0.5405. 7.25. Representar grficamente los resultados de los Problemas 7.23y 7.24 construy endo un grfico cuyos ejes sean (a\ I y p, (b) ( 1 p ) y p. Interpreta los grficos o btenidos. blemas7.23y7.24. La Tabla 7-3 muestra los valores de p correspondientes a valores dados dep, como lorobtenidosenlosProTabla 7-3 p B 0.1 0.2 0.0000 0.3 0.0192 0.4 0.5 0.6 0.5405 0.7 0.0192 0.8 0.0000 0.9 0.0000 0.5405 0.9642 0.0000 la Tabla 7-3. Ntese que p representa la probabilidad de aceptar la hiptesis p : 0,5 cuando realm

ente p tiene un valor distinto a 0.5. Sin embargo, si realmente'p : 0.5 se puede interpretar p como la probabilidad de acepoar p : 0'5 cuando debiera ser acepta do. Esta probabilidad es igual a 1 0.0358 :0.9642 y ha eido introducida en L-p 1.0 0.9 1.0 0.9 0.8 0.? 0.8 0.6 0.6 0,6 0.4 0.3 0.2 0.1 06 0{ 0.3 02 0.1 0 0 (a) (D) Fig. 7-z (o) El grfico p, p ee muestra en la Fig. 7-1.(a),se gla de la decisin o enoayo de hiptesis. llama curua caroctersca de operacin o curva OC de la rela ditancia del punto mximo de la curva OC a la lnea p cin del ersayor : I es igual a a : 0.098 al nivel de significaEn general, el apuntamiento mayor de la curva OC es la mejor regla de decisin paa techazar hiptesis que no son vlidas.

234 (D ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. ? ) E grfico (1 - P), p e muestra en la Fig. 7 -7 (b), e llama curua de potencio de la re gla de decicin o ensayo de hiptesis. Esta curva ae obtiene encillamente invirtiendo la curva OC, de modo que realmente ambos grficoe aon equivalenee. I cantidad (l - p) e llama a menudo funcin d.e potencia, puesto que indica la aptit ud o potencb de un ensyo para rechazar hipesie que son falsas, es decir, que debie ran ser rechazadas. La cantidad p se llama tambinfuncin caructerstico de operocin de un ensayo. 7.26. Una compaa fabca cuerdas cuyas resistencias a la rotura tienen un valor medio de 300 li bry" y una desviacin tpica de 24libras. Se cree que mediante un nuevo p roceso de fabricapuede incementarse la resistencia media. (c) Disear una regla de decisin para recha zar el proceso primitivo al nivel de significacin del 0.01 si se pone d manifiesto qu debe rechazarse al ensayar 64 cuerdas. (b) Bajo la regla de decisin adoptada e n (a), cul es la probabilidad de aceptar el proceso primitivo cuando en efecto el nuevo proceso incremente la resistencia media a,310 libras? Supngase que la desvi acin tpica se mantiene en z4libras. Si cin (a) ! es la resistencia media, ae quiere decidir enhe las hiptesis: Ho: U: Ht: ! ) Paa 300 libra, y el nuevo proceso es igud que el primitivo 300 libras, y el nuevo poce so es mejor que el primitivo se un ensayo unilateral d nivel de significacin del 0.01, tiene la siguiente regla d e decigin (referene eon la Fig. ?-8): (t ) Se rechaza

lle si la e de la media de resistencia muestal es riayor que 2.33. en caso contrario. (2) Se'aceptqlfq pueto 'que z = cessi Z>2.33, X>300+3(2.33) =30?.0 lb. *r.J = 't- 9qo, i 800 *sz.Enton= "lr/ 24/\/u As, la regla de decisin anterior se convierte en: (I ) (2) () Se rechaza 116 si la reeistencia media de 64 cuerdae excede a 30?.0 libras. Se a cepta ^fs en caeo contraio. Considrense las doe hiptesis (Ho: bras) Las distribuciones de las resistencias medias correspondiente a estas dos hipteeis se repreeentan, respectivamente con las distribuciones normales de la izquierda y de la derecha de la Fig. 7-9. y (Ht: tt: 310 libras). tt: 300 liIa probabilidad de aceptar el proceeo primitivo cuando la nueva resistencia medi a sea realmente 310 libras se representa por el rea de la Fig. 7-9. Para hallar s u valor ntese que 307.0 libras en unidade tipificadas : 300 (307.0 tb 307 tb

3r0 lb -1.00; de aqu que A 310)/3 = Fig.7-9 = iren, bajo la curva normal de la derecha a la izquierda de z dect, Esta es Ia probabilidad de aceptar Ho: ! : 300 libras cuando realmente es la pro babilidad de comeer error del Tipo II. : -1.00 = 0.158?. H t : ! -- 310 libras es cierta, es 7.27. Constmir (a) una curva OC v (b) una cuna de potencira para ei Problema 7.26 , suponiendo que la desviacin tpica de las esistencias se mantiene en z4libras. Razonando anlogamente a como se hizo en el Problem 7,26(br, se puede hdla p para lo e caeor en que el

cAP. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 235 nuevo proceco da un resistencia media r igual a 306 librar, 315 librae, etc. Por e jemplo, ri r tonces 307.0 libra en unidades tipificadas: (307.0 - 305y9 = 0.6?, y de aqu 396 librae, en9: iea bajo la curva normal de la derech a la izquienda de z :0.6? : 0.?4Eo De esa forma se obtiene la Tabla 7-4. Tabla 7-4 tt 290 1.0000 296 1.0000 300 305 0.7486 3r0 0.1687 316 0.0038 320 0.0000 p 0.9900 L1.0 B 0.9 0.8 o.7 0.6 0.5 0.,1 0.

o.2 0.1 p (lb) 300 300 3to 3t5 (o) () Fig.7-r0 () La curva OC se muestra en la Fig. ?-10(o). En esta curva 6e ve que la probabil idad de seguir con el proce' so primitivo, si el nuevo da una resistencia menor de 300 librar, es picticamente,l (excepto para el nivel de significacin del 0.01 c uando el nuevo proceeo da una media de 800 librar). Eeepus, la curva baia rpidamente hacia cero, de modo que no hay probabilidad de aeguir con el proceeo p rimitivo cuando la media de resistencia es mayor de 316 libras, (b) La curva de potencia se ve en la Fig.7-10(b); sepuedenobtenerdeellalaomismas interpretacionesque de la curva OC, ya que lae dog curvag eon esencialmente equivalentes. 7.28. Para ensayar la hiptesis de que una moneda est bien hecha (es decir, p : 0.5 ) mediante un nmero de lanzamientos de la moneda, se desea imponer las siguientes restricciones: (A) la probabilidad de rechazar la hiptesis cuando sea realmente conecta debe ser a lo sumo 0.05; () U probabilidad de aceptar la hiptesis cuando r ealmentep difiera de 0.5 en 0.1 o ms (es decir, p > 0.6 6 p f 0.4) debe ser lo su mo 0.05. Determinar el tama1o mnimo de muestra necesario y enunciar la regla de de cisin resultante. lmite al riesgo de error del Tipo I Por ejemplo, la restriccin (A) impuesta requie re que la probabilidad de error del Tipo I sea a lo sumo c : 0.05, mientras que la restriccin (B) requiere que la probabilidad de error del Tipo II eea a lo sumo 0 : 0.05. La eituacin planeada se ve gtficamente en la Fig.7-11. Aqu y Tipo II. se ha puesto Dentese por n el tamao de muestra pedido y por el nmero de caras en los n lanzamien tos, por encima del cual se rechaza la hiptesis de que p : 0.5. De la Fig. 7-11 s e tiene:

236 ENsAyos DE Hrpornsls y sIGNIFrcAcroN lcAP. es 0.025. ? (f.) Elreabajolacurvanorrnalp:0.Saladerecha a" 7 (9) El rea bajo la curva normalp 09" O.t/n Vnpq= ":0.6 a la izquierda ae es 0.05. 7 0.49{n vnpq = '--...0'6n Realmente el rea entre -f.4r rt(n- r) 0.6 n Y x 0.6n 0.4s 1/A 0.05 en el "peor de loc casos", p = 0.6, automticamente tomaramos como 0,05 o meno s cuando p tiene cualquier otro valor por fuera del recorrido 0.4 a 0.6. Por tan to un promedio ponderado de todas estas probabilidades, que representan la proba bilidad de error del tipo II, tambin s r 0.05 o menoa. es 0.05; (2) es una cantidad muy aproximada. Obervese que tomando la probabilidad de aceptacin como De(/) x - 0.5n = 1.96 r (Sl u, = 0.6 r * 0.5\/n De 0.9801fae' 9-.9!= -r.645 (t) o.49\/n n = o.6 n0.806y'-n es

De (3) y (4),n: 318.98. Se sigue que el tamao de la muestra debe ser al menos 31g , la moneda al menos B1g veces,.Haciendo n : 319 en (3) o (4),x :177. Para decir, se debe lanzar p 0.5, np :1-77 159.5 : . L7 .5. As pues, se adopta la riguiente regla de decisin: (o) Se acepta la hiptesiep:0.5, (b) S rechaza la hiptesis + 17 .5, e decir. enfte 742 y 177 si el nmero de carac en Slg lanzamientos est dentro del recorrido 159.5 en caso contrario. GRAFICOS DE CONTROL DE CALIDAD 7.29. Se construye una mquina que pr-oducfu cojinet s de bolas teniendo un dimetro me dio de una desviacin tpica de 0.008 pulgadas. Para determinar si la mquina esconstr uida para el fin que se destina, se toma una muestra de 6 cojinetes ejemplo, y s e obsena el dimetro medio de la muestra. (o) Disear una.egla de decisin mediante la cual se puede estar razonablemente cierto de qe la calidad del producto es de acuer do con las nonas requeridas. (b) Mostrar cmo se.re'presentara grrticamente la regla de decisin de (a). (o ) 3o) a (p*3o) con el 9 .73% de O.O\4\'\/E) o Con confianza del 99 ,7 3% se puede decir que la media muestral X debe estar denr o del intervalo (p entre cae a m

p t:0.674,o:0,008yn=6,seeigueque I se encontrar entre (0.574 - 0.014l\/6\ y (0.524 * Puestoque De aqu que la regla de decicin eea como sigue: (l ) Si la media muestral decuada para el trabajo pedido. dentro del intervalo 0.564 a 0.584 pulgadasi ee supone que la mquina es a(2) De otro modo, la mquina (b) Un registro de las medias no s r adecuada y habr que buscar la razn de su ineptitud. . muestrales puede tlevarse por medio de un grfico tal como ee muestra n la Fig. 7'l 2,llamado grfico de control de colidad. Cada vez que se observa una media muestra l se represent por un punto en el grfico. En tanto que los punoe se encuentran entr e los lmites 0.564 y 0.584 pulgadas, el procelo est bajo control. Cuando un punt'o se rale de estoe lmite control (tal como en la tercera muestra tomada el jueves), hay la posibilidad de que falle algo y se precisa una invesigacin del posible fal lo. Los lmites de control determinadog anteriormente se llaman lmites de confianza del gg.7 BVo o brevemente lfmite 3o. Sin embargo, pueden igualmente determlnarse otr os lfmies de confianza, tales como los lmitee d'el 99% o d,el 95V". La eleccin en c ada caso depende de la circunetancias particulares del tnismo.

cAP.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 297 Lunes Martes Mircoles Jueves Viernes $ bD osal 1} a a t {, x F a os74 a a a t I a : o 0 s64 o Fis. 7-12 AJUSTE DE DATOS A DISTRIBUCIONES TORICAS 7.30. Ajustar una distribucin binomial

pectivas de cara a los datos del Problema 5.30, pgina 178. Se tiene P(x caras en una serie de 5 lanzamientos) : f() = sCrprqs-", dondep y q son las probabilidades resy sello en un solo lanzamiento de la moneda. La media del nmero de caras es ,1: np : 6p. Para la distribucin de frecuencias observada, la media del nmero de caras es 2fr_ / _2470=2.47 rooo Igualando las medias tericas y real se tiene 5p da viene dada por /(r) = .C..(0.94 )(0.506)5-. : 2.47 6 p :0.494. As pues, la distribucin binomial ajustaEn la Tabla 7-5 se han obtenido estas probabilidades as como las fecuencias espera das (tericas) y las observadag. El ajuste se observa que es bueno. La bondad del ajuste se estudia en eI ProblemaT.43. Tabla 7-5 Nmero de caras (r caras) Frecuencia esperada Frecuencia observada 38 0 1 0.0332 0.1619 0.3162 0.3087 2 3 ^ 0.1507 0.0294 5 6 33 161.9 162 316.2 316 308.7 309 150.7 151 29.4 6 29 33.2 t44

342 287 164 25 7.31. Utilizar papel grfico de probabilidad para determinar si la distibucin de fre cuencias de la Tabla 5-2, pgina 163 puede ajustarse a una distribucin normal.

238 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla [cAP. ? 76 Frecuenei Estatun (pulgad) menor que 61.6 menor que 64.6 menor que 67.5 menor que 70.6 menor que 73.6 Rcltiv Acumulada (%) 6.0 23.0 65.0 92.0 100.0 Io a E ql a () 95 90 80 70 Q0 a (t 6 .E 50 40 30 20 Primero, la distribucin de frecuencia dada se convierte en una ditribucin de frecuen cia relativas acumuladas, como se muestra en la Tabla 7-6. Despus, las frecuencias relativa acumuladas expreeadar en porcentajes, son pasadas sobre los lmites reale s superiores de clase, en un papel.grfico de probabilidad eepecial, como se ve en la Fig. 7-13. El grado en que los puntoe as dibujados ee encuentran sobre una lne a recta, determina la bondad de ajuste de la distribucin dada a la distribucin nor mal. Por lo anterior, se observa que hay una distribucin normal que se ajusta etre chamente a los daos. Vase o a I to 5 o a d E 62.5

66.6 68.5 7.5 7t.6 &tatura (pulgada) Fis. ?-r3 hoblema ?.32. 7.32. Ajustar una cunra nonnal a los datos de la Tabla 5-2, pgina 163. Tabla ?-7 Lfmite realee Estatura de clase z pan los lmites reales de clas Area bajo la cuna normal desde 0 hata z Area para cada clee Flecuencia eeperada Frecuencia observada (pulgdas) 60-62 r 59.5 62.5 oD.a -2.72 -1.70 -0.6? 0.36 1.39 2.41 0.0413 0.2068 6L65 6&68 69-71 68.5 7L.6 74.6 + 0.4177 0.4920

0.3892 0.2771 0.0743 72-74 6 4 20.68 6 2l 38.92 39 27.7L 6 28 7.43 t 7 4.t3 D 18 42 27 8 , = 61.46 pulgadar, s = 2.92 pulgadas (x mente El trabajo puede organizase como en la Tabla 7 -7 . Par:a. caicular e de los lmite s reales de clase, se rutiliz,z z = - tlls, donde la media i y la desviacin tpica 6 se han obtenido en los Problemas 5.35 y 5.40 respectivaLa cuata columna, que da las reas bajo la curva normal de 0 a z se obtiene con la tabla del Apndice C. De aqu se sacan las reas bajo la curva normal entre los valore s sucesivos de , dadas en la quinta columna. Estas se obtienen restando las eas suc esivas de la cuarta columna cuando las correspondientesz tienen igual signo y su mndolas cuando ienen aigno contrario (lo cual solo ocurre una vez en la tabla). Laa z6 de esto se ve claramente con un diagrama. Multiplicando lo valores de la quinta columna (que representan las frecuencias re lativas) por la frecuencia total n (en ete ceso n = 100), se obtienen lae frecuen cias esperadas de la sexta columna. Y se pone de manifiesto que ee ajuetan batant e bien con las frecuencias observadas realmente, anotadas en la ltima eolumna, La "bondad {el ajuste" de la distribucin qe congidera en el Problema ?.44.

CAP. ?] ENSAYOS DE HTPOTbSIS Y SIGNIFTCACION Tabla 239 7-t 7.33. La Tabla 7-8 muestra el nmero de das f durante un perodo de 50 das, durante lo s cuales r autos tuvieron accidentes en una ciudad. Ajustar los datos a una dist ribucin de Poisson. El nmero medio de accidentes es Nmero de I Nmero de accidentes,rj das,f 0l2r + : (21)(0) '50 (18X1) + (7X2) + (?liQ_l q)(a) = ;* : P(r accidentes) 1118 2 7 o.eo Entonces, de acuerdo con la distribucin de Poisson, 313 {11 = Iq"+ill

En l Tble ?-9 aparecen lae probabilidadee para 0,1,2,3 y 4 accidentes de esta dist ribucin de Poisson, a com.o loe nmeros tericos de das en los que ee presentarn accid es (obtenidos multiplicando las correspondientes probabilidades por 50). Para co nveniencia de la comparacin, la euarta columna que da los nmeros de das observados se ha repetido. Tabla 7-9 Nmero de accidentes, 0 r N(rmero de dasr

Nmero de das obsenado 2L 18 7 3 1 {r accidentes) 0.4066 0.3659 0.1647 espeado 20.33 I 2 3 18.30 8.24 2.47 0.56 6 20 18 8 2 1 0.0494 0.0111 4 6 6 Ntese que el ajuste de los datos dados a una distribucin de Poiseon es bueno. Para una verdadera distribucin de Poisson, la varianza d : L. El clculo de la varianza de la distribucin da' da, da 0,9?. Comparando con el valor de \ : 0.90 hallado, puede ser esto un indicio de la adaptabilidad de la distribucin de Poison a la mu estra de datos. LA PRUEBA CHI.CUADRADO ?.34. En 200 lanzamientos de una moneda se obsen'aron 115 caral y 85 sellos. Ensayar la hiptesis de que la moneda est bien hecha con un nivel de significacin del (c) 0.05, (b) 0.01. Las frecuencias de caras y sellos observadas son, respectivamente rr = 115,'12 85. Las frecuencias de caras vamente. Entonces y eeos esperadas si la moneda est bien hecha son np : 100, np2

: tOO, respectixz = (o) El valor crtico (b @t:lptlz -(rz:..np)z npt npz (115__100)2 Pueeto que el nmero de categoras o clases (caras, 100 sellos) es h:2,v: + (85:!00)2 = 100 h 4.50 - 7:2 -L = l. > 3,84, se rechaza la xlo para 1 grado de libertad es 3.84. Entonces, puesto que 4.50 ptesis de que la m oneda est bien hecha al nivel de significaein del 0.05. hi' la ) El valor crtico xlso para 1 grado de libertad = 6.63. Entonces, puesto que 4.60 h iptesis de que la moneda est bien hecha al nivel de significacin del 0.01. blemente ben heclu. < 6.63, no se rechaza Se deduce de los resultado observados que aon probablemente significotivos y la m oneda no est probaPara una comparacin de este mtodo con los mtodos utilizadog anteri ormente, vaee mtodo 1 del Pro" blema 7.36.

240 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. ? 7.35. solucionar el Problema 7.34 utilizando la correccin de yates. x2 (conegida) = = (lzt nptl nPt 1001 0'5)z + !1""np2l npz 0'5\2 (1115 100 _ 0.5)2 , (185 _ __ 1001 4.5)z _ - 0.5)z = _100 )_ (L[.s)z = 100_ 100 tt q^< 4.zvb Puesto que 4'205 > 3.84 y 4.2o5 < 6.63 se deducen las mismas conclusiones que en el Problema ?.84. Paa una comparacin con los mtodos a4teriores, vase mtodo 2 del Problema 2.86. 7.36. Solucionar el Problema 7.34 mediante la aproximacin normal respectivamente.

a la distribucin binomial. radasen200 lanzamientosdelamonedasonr=np=(200)(0.5) =100yo=1fipq=/IZOOO.S(0f)--7.07 , Mtodo 1. 115 caras en unidades tipificadas Bajo la hiptesis de que la moneda est bien hecha, la media y la desviacin tpica del nmero de caras espe: (l1b -lOO)t7.07 :2.L2. 7.34' Esto Con un nivel de significacin del 0.05 y un ensayo bilateral, se rechaza la hiptesi s de que la moneda eet bien hecha, si el valor de z est fuera del intervato -1.96 a 1.96. Con un nivel de 0.01 el intervalo sera -2.b8 a2,58. Se sigue como en el P roblema 7.34 que la hiptesis se rechaza al nivel de 0.05 pero no al de 0.01. Ntese que el cuadrado del valor anterior, (ZJ2)2 : 4.60, es el mismo valor de X2 obte nido en el probl,ema se cumple siempre que la prueba de chi-cuadrado comprende dos categoias. Vase Prob lema 4.86, Mtodo 2. Con la correccin para la continuidad, 115 o ms caras equivale a 114.5 o ms caras, Entonces 114.5 en uni: (114.5 - 7OO)17 .O7 : 2.06. Esto conduce a las mis mas conclusiones que por el primer mtodo. dades tipifica5 : 4.20, es igual al valor de 2 corregido con la correccin de Yates pra la continuid ad del Problema7.35. Esto se cumple siempre que la prueba de chiruadrado eompren de dos categoras y se aplica la correccin de Yates, de nuevo en consecuencia del P roblema 4.86. Ntese que el cuadrado de este valor, (2.05)2 7 -37. La Tabla 7-10 muestra las frecuencias observadas y esperadas allanzat un da do 120 veces. Ensayar la hiptesis de que el dado est bien hecho al nivel de signif icacin del 0.05. Tabla 7-10 Cra Frecuencia obaervada I 25 2 3 15 4 23 5 24 6 t7

20 l6 20 Frecuencia eeperada 20 20 20 20 np2 np| np4 np| np6 _ (25-20)2,93_4)' _(15-20\2 , (23-20)2 +--lO , (24-20\2, (16 _20z _ *--lO-+ +=5.00 20-+ n 20 Puestoqueelnmerodecategorasoclases(carasl,2,g,4,5,6) esh:6,v:h-1-:6-1:b. El valor crtico a2e5 para 5 gados de libertad es 11.1. Entonces, puesto que 5.00 la hiptesis de que el dado est bien hecho. ^-------::-:-;npr o _ (rt-np)2 , (rz-npzl2 , (rs-np,)z , (rt-nptl2 , (rr,-nps)2 (ra-npe)2 < 11.1, no se puede rechazar Para 5 grados de libertad x%s: 1.15, de modo que X2 : 5.00 > 1.15. De ello se si gue que la concordancia entre ambas frecuencias no es tan buena como para no dud ar de Io deducido.

cAP.7I ENSAYOS DE HIPOTESIS Y SIGNIFICACION 241 7.38. ,L,2, ucin Tabla Una tabla de nmeros aleatorios de 250 dgitos mostr la distribucin delosdgitos 0 . , . , 9 que se da en la Tabla 7-11. Difiere sigrificativamente la distrib observada de la distribucin esperada? 7-11

Dgito Frecuencia obserrada Frecuencia eoperada 0 1 2 3 4 5 6 7 8 9 L7 31 29 18 l4 20 35 30 20 36 25 26 26

25 25 25 25 26 26 26 x2 = ry*ry.Qe-2512 try+ ... r ry = 2s.g El valor crtico d" x.'nr parav: h -1:9 gradosdelibertad es21-.7;como 23,3 >2!3 se deducequeladistribucin observada dfiere significativamente de la esperada al nivel de significacin del 0.01. Se deduce que cabe sospechar alguna tendencia no aleatoria en dicha tabla de nmeros. ?.39. En los erperimentos de Mendel con guisantes, obsery 315 lisos y amarillos, 108lisos y verdes, 101 rugosos y amarillos y 32 rugosos y verdes. De acuerdo con su teora, estos nmeros deberan presentarse en la proporcin 9:3:3:1. Hay alguna evide ncia que permitadudarde su teora al nivel de significacin del (a) 0.01; (b) 0.05? El nmero total de guisantes es 315 + 108 + 101 + 32:556. Puesto que los nmeros esp erados estn en la proporcin 9:3:3:1 (y 9 * 3 + 3 + 1 : 16),se esperaran fttssel = -312.75lisosy amarillos tol.zS lisos y verdes Struol = frtssol 104.26 rugosos y amarilloe B4.zb rugosoe y verdes ft Entonces tssol =

x2= (o) (b) Para v Para v (3L5 3L2.76\2 3t2.76 *W = 0.470 Puestoquehaycuatrocategoras,h=4yelnmerodegradosdelibertadesv=4-1=3. : 3, x?ss: 11,3, de modo que no se puede rechazar la teora al nivel de 0.01. x2.ss= = 3, ?,81, de modo que no se puede rechazar la teora al nivel de 0.05. teora y los reeu ltados del experimento estn de acuerdo. Se deduce pues, que la Ntese que para 3 gtados de libertad, $5: 0,352 y X2 :0.4?O > 0.352. De modo que au nque el acuerdo es bueno, loe resultados obtenidoe estn sujetoe a unh razonable i nfluencia de error muestral. 7.40. Una uma contiene un gran nmero de bolas de cuatro eolores difeentes: rojo, n aranja, amari'llo y verde. Una muestra de 12 bolas extrada aleatoriamente de la u rna dio 2 rojas, 5 naranjas, 4 amarillas y 1 verde. Ensayar la hiptesis de que la urna contenga proporciones iguales de los diferentes colores. Bajo la hiptesie de que la urna contiene proporciones iguales de los cuatro color es, cabra esperar 3 bolas de cada clase en la muestra de 12 bola. Puesto que eetos nmeros esperados Bon menores de 5, la aproximacin de chi-cuadrado ser errnea. Para evitar esto se agrupan las categoras de modo que los nmeos esperado s en cada categora sea al menos 5.

242 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. ? Si se desea rechazar la hiptesis, se agrupan las categoras de forma que la evidenc ia en contra de Ia hiptesis se muestre claramente. Esto se consigue en nuestro ca so considerando las categoras "roja o verde" y "naranja o amarilla", para las que la muestra dio 3 y 9 bolas, respectivamente. Puesto que el nmero esperado en cad a categora bajo la hiptesis de iguales proporciones es 6, se tiene (9 ^cuando las proporciones de los colores sean iguales. ez -9 Parav:2-l:1,1.-ss:3.84.Asnosepuedetechazrlahiptesisalniveldesignificacindel 0.05(au nque s se puede al nivel de 0.10). Los resultados observados pueden imaginablemen te deberse al azar, aun Otro mtodo: Utilizando la correccin de Yates, se tiene x: = 0qj:_6Fo..(ig:lf-!E. = ry.tz;rP. = siempre reduce el valor de 2 . z.r que conduce a las mismas conclusiones anteriores. Esto caba esperarse puesto que la correccin de Yates Debe ponerse de manifiesto que si se emplea la aproximacin de siado pequeas, se ob tendra 2 a pesar de que las frecuencias sean dema(2-3z , (5-e)z , (4--3)2 , ., x' _ (1 -3:r ooo Puestoqueparav=4-1:3,xjr;:?.81 sellegaraalasmismasconclusionesqueantes.Desgraciada mente, la aproximacin ' para frecuencias pequeas es pobre, de aqu que cuando no sea aconsejable agrupar frecuencias se debe recurrir a los mtodos exactos de probabil idad incluyendo la distribucin multinomial. 7.41. En 360 lanzamientos de un par de dados, se observaron 74 veces "siete" y 24 veces "once".

Ensayar la hiptesis de que el dado est bien hecho al nivel de significacin de 0.05. Un par de dados puede caer de 36 formas. "Siete" se puede presentar de 6 formas y "once" de 2 formas. Ento-,ces P("siete") : 1/6(360):60 veces 6/36 : 1/6 y P("once") :2136: 1/18. As pues, en 360 lanzamientos cabra esperar "si ete" y 1/18(360):20 veces "once", de modo que (74-60)2 , (24-20\2 .) x2 _ = -6-.:-:_+r::__-::_:sis de que los dados estn X 4.07 Parav:2-1:7,x2l)s==3.84.Entonces,puestoque4.0?>3.84seestarainclinandoarechazarlah iptebien. Sin embargo, empleando la correccin de Yates, se tiene (174 (correglda, = 60l 60 - 0.5)2 (124 2ol 0.5)2 #-g*): = 3.65 De acuerdo, pues con la X2 corregida, no se rechazara la hiptesis al nivel de 0.05 . En general, para grandes muestras tales como las de aqu, los resultados que se ob tienen utilizando la correccin de Yates son ms dignos de confianza que los resultados no corregidos. Sin emba rgo, puesto que incluso el valor corregido de y2 se encuentra cerca del valor crt ico, se duda acerca de la decisin que se debe tomar. En tales casos, lo mejor quiz sea incrementar el tamao muestral haciendo ms observa

ciones si se est interesado de una manera especial por alguna razen el nivel de 0.0 5. De otro modo, se rechazara la hiptesis a algn otro nivel (tal como 0.10). 7.42. l)na n la Tabla de varn y igualmente encuesta sobre 320 familias con 5 nios dio la distribucin que aparece e ?-12. Es el resultado consistente con la hiptesis de que el nacimiento hembra son probables?

cA. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla ?.12 243 Nmero de nios y nias 5 nios 0 nias 18 4 nios 1 nia 56 3 nios 2 nias 110 2 nios 3 nias 88 I nio 0 nios 4 nias 5 nias 40 8 TOTAL s20 Nmero de fmilias .".,i". Seap:probabilidaddenacimientodevarn,yg:1-p:probabilidaddenacimientodehembra,Enton piobabilidadee de (5 nios), (4 nios y 1 nia), . . . , (5 nias) son dadas por loe trmi nos del desarro(p llo binomial * C)5 = p5 + 5p1q I l|psqz l0pzqs

Spqt 1qs

SiP:O:t12,setiene P(niosy0nias) = (+)5 : # P(4niosylnia) = 5(-)4() : tz P(3niosy2ni 0(l)3(i)2 = # Enonces el nmero de familiae que 8e espera P(2nioey3nias) : f0(l)2(l)3 = i8 P(lnioy4nias) = 5(+X+)4 = t P(OnioeySnias) = (+)5 = + tengan 5,4,3, 2,1y0 nioseobtiene multiplicandolasres' (40-50)2, . pectivas probabilidades anteriores por 320, y los reaultados son 10, 50, 100, 10 0, 50, 10, De aqu (8_10)2 _,,^ _ (18_10)2 (56_60)2, (110_100)2, (88_100)2., x.=--_a6---_E-----J-----i 6b--_-Ed.--_-16-_&.U Puesto que x:e5:11.1 y x.sss:15.1 para y:61:6gtadosdelibertad,serechazarlahiptesis alnivel de significacin del 0.05, pero no al 0,01. As se deduce que los reeultados son probablemente significativos y el nacimiento de varn y hembra no son probabl emente iguales. BONDAD DE AJUSTE ?.43. Utilizar la pmeba chi-cuadado para determinar la bondad de ajuste de los da tos del Problema 7.30. x- = (s8_33.212.(L44_161.9)2 .(342_316.2)2 .(287_308.?)2, (164-150.?)2 ,(26-29.412_ -58:t-- --II- ---rIf,:z - ---T08J- - --lo:t- -El: - -,. "! Puesto que el nmero de parmetros utilizados para estimar las frecuencias esperads e8 m metro p de la dietribucin binomial), v : k - L - m : 6 - 1 - 1 : 4. Para V 1 (que er el parlos datos es muy bueno. Para y : 4,x2.os:0.?11. Asf'puesto que X2 = 7 .64 > O.?1 1, el ajuate no es tan bueno como pudiera = 4, X?ss = 9.49. De aquf queel ajuste de creerse.

7.44. Determina la bondad de ajuste de los datos del Problema 7.32. ,!.-r3)2 ,z = 6 4.13 *(18-2-0:68)2 *(a2:^-39=92\2-(27:3ft7rl2 *(8:?'j13)z:0.959 7.43 20.68 38.92 27.7t Puecto que el nmero e parmetros empleadoc en estimar las frecuencias esperadas es m dia g y la dewiacin tpica o de la distribucin normal), v = k - 1 - m : 5 - 1 - 2 : 2. Para v : 2 (que son la me= 2, x2.os= 5.99. Se deduce que el ajuste de los datos es muy bueno. Paa rr = 2, xLs:0.103. Entonces, puesto que X2 = 0.959 > 0.103, el ajuste no es "demaiido bueno". TABLAS DE CONTINGENCIA 7.45. Solucionar el Problema 7.13 utilizando la prueba chi-cuadrado. La condiciones del problema se presentan en la Tabla ?-13, Bajo la hipteeis nula l fq de que el suero no tie' ne efecto, cabra esperar que 70 individuos de cada uno de los grupos Be recuperase y 30 en cada grupo no se recuperase, como 8e indica en la Tabla ?-14. Advirtaoe que fo es equiyalente a afirma que la recuperacin eeind ependiee del empleo del suero, es decir, lag claificaciones 8on independientes.

244 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla 7.13 FRECUENCIAS OBSERVADAS Se re- No ee recuperan cupetan TOTAL [cAP. ? Tabl 7-14 FRECUENCTAS ESPEBADAS BAJO Ho Se re- No e recuperan cuperan TOTAL Grupo A (utilizando suero) Grupo B 75 25 Grupo A 100 100 (utilizando suero) Grupo B 70 30 100 (no utilizando suero ) 65 35 60 (65 (no utilizando suero) TOTAL (25 70 30 60 100 200 TOTAL 14r, 200 140 30)2

o _ (75 x-1rc-?o70)2 70)2 - 30\2 (36 *ffi = 2'38 Tabla 7-16 Para determinar el nmero de grados de libertad, conaidrese la Tabla 7-15, que es i gual a la dos dadas anteriormente, pero en la que solamente se han puesto los tot ales. Est claro que solamente se tiene libertad lara colocar un nmero en una de la s cuatro casillas vacas, pueeto que una vez hecho esto loq nmeros de las restantes casias vienen obligados por los otales ya indicados. De modo que hay un grado de libertad. Se No e recuperan recuperan TOTAL 100 100 Grupo.A Grupo B TOTAL 140 60 200 Puesto eue X.ss : 3.84 para 1 grado de libertad y puesto que 2 = 2.38 < 3.84, se deduce que lob resultados no son significativos al nivel de 0.05. No se est as en condiciones de rechazar Il a este nivel y se deduce o que el suero no es efectivo o se deja sin tomar decisin en espera de posteriores ensayos. Ntese que X2 : 2.38 es el cuadrado del valor de z : 1.54, obtenido en el Problema ?.13. En general, la prueba chi-cuadrado en relacin con proporciones muestraleg de una tabla de contingencia 2 X 2 equivale a un ensryo de significacin de difere ncias de proporciones mediante la aproximacin normal, como en la pgina 215 (vase Pr oblema ?.51). porejemplo, x2)x2ss correrpondea x>x.e5x{-x.gs.Puestoqueparalastablas2Xz,Xz egelc uaNtese tambin que yn ensayo unilateral utiliaando 12 equivale a un enEayo bilateral utilizando;, ya que, drado Cel valor de z,^se sigue que X er lo mismo que z en es te caso. Asf pues, al rechaza una hiptesis al nivel de 0.05 utilizando X" equivale a rechazar esta hiptesis con un ensayo unilateral al nivel de 0.10 uilizando z. 7.46. Solucionar el Problema 7.45 aplicando la correccin de Yates. or^_.--.-,!t_, _ (corre(rda) = (i75 -70\- 0.5)2 * ----?O(i65-701 -0.5)2 , (125-301 -0.5)r , (35-301 -0.5)2 * ----TO* ?O S0

_ . ^. = I.v Obtenindose que las conclusiones del Problema 7.45 son tambin vlidas aqu. Esto podra haberse visto rpidamente, ya que la correccin de Yates siempre disminuye el valor de ". 7.47. En la Tabla 7-16 se indican los estudiantes aprobados y suspendidos por 3 profesores: Sr. X, Sr. Y y Sr. Z. Ensayar la hiptesis de que las proporciones de estudiantes suspendidos por los tres - profesores son iguales. Tabla ?-16 FRECUENCIAS OBSIERVADAS Sr. X Sr. Y 47 L4 61 Sr.Z 56 8 64 TOTAL 153 27 180 Aprobados Suspendidos TOTAL 50 D Bajo la hiptesis H de que las proporciones de estudiantes suspendidos por los tres profesores son las mismas, habran suspendido 27 lL80 : Ic/o de los estudiantes y DO

CAP. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION habran aprobado el 86Vo de los estudiantes. Las frecuencias esperadas bajo FI se m uestran en la Tabla 7-17. Tabla 7-17 ITRECUENCIAS ESPERADAS RAJO Sr. X IO Tabla 7-18 Sr. Sr. Y 85% de S. Z TOTAI, 153 qn X Sr. Y St. Z TOTAL 153 27 Aprobairc didos TOTAL 85% de 55 : 6l 4G.75 = = 51.85 85V" d.e 64 54.40 : Aprobados SuapenSuspen- L5% de 55 : I5% de 6t 9.15 61

15% de 64 8.25 OD : didos TOTAL 55 61 9.60 64 180 64 180 Entonces o x-- _ (50-46.75\2 , (47- 51.85)2 (56-54.40)2 (5-8.25)2 , 4-9.15)2 (8-9.60)2 4175 -- 5135-547-----d25 9J5 --.60-=4.+ Paa determinar el nmero de grados de libertad, considrese la Tabla 7-18, que es igu al que la Tabla 7-L7 pero en la que solamente se han puesto los totales. Est clar o que como cada fila y cada columna han decumplir con lo totales, solamente se es t en libertad de poner al azat un nmero en una de las easillas de la primera colum na y oto en una de las casillas de la segunda o tercera columna, despus de lo cual , todos los nmeros restantes vienen obligados por lo8 totales. As pues, hay en est e caso dos grados de libertad. Puesto que x.zs : 5.99, no se puede rechazar I/e a l nivel de 0.05. Ntese, sin embargo, que puesto que x:eg : 4.61, se puede rechaza r lfs aI nivel de 0.10 si se est dispuesto a correr el riesgo de estar equivocado 1 vez de cada 10. 7.48. Mostrar que para una tabla de contingenciah X h tad es (h - 1Xk - 1). Hay h (fz > 1, k > 1) el nmero de grados de libereg * & 1 totales independientes de un total h. Se deduce que el nmero de gtados de libert ad hk - (h+Ic-l) = (h-lx/1)

como se requera. Ntese que este resultado es vlido si se conocen los parmetros pobla cionales necegarios para obtener las fr.ecuencias teiicas; de otra forma se neces itan ajustes como los descritos en ( b ), p,gina 22O , 7.49. Demostrar que -paa la tabla de contingencia 2 X 2 que se muestra en la Tabla 7-L9 x2= Tabla 7-19 n(arb2azbt\2 Tabla ?-20 TL\lLzlLfl's RESULTADOS OBSERVADOS I A B TOTAL at br RESULTADOS ESPERADO.S II A2 TOTAL fL fiB I A B TOTAL II n2nln n2n/n 'tL2 TOTAL n1nln rl fl3 b2 rL2 nrnsln n1 nl tt n

Como en ql Problema 7-45, los resultados esperados bajo la hiptesis nula aparecen en la Tabla 7-20. Entonce8 *. Pero : (arnrnn/n)z (a"- n"nln\z' nrnn/n ntftl. at__n_ = -nrrxJn (r nrnsln)2 (b2- n2nslnl2 - -- nnR/n "r',r"/" a1b2 (o, * 1)(o1 * o2) o1*q*a21b2 n a2b,

246 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP. 7 Anlogamenta As, se puede escribir az-ry = ur-ry = 2fts , Or--m arb2 = a2b, .. ^ (t) n /otbr-ozbt\2 n lotbr- ozbr\2 n /orbz-ozt\2 ml?B\ n n nzn\ n nr\ / / / n fatbr-tzDt\2 n ?zrs\ / que al simplificar, da x' : D'n(a,bq aqb'12 donde A:&tbz-azbt, f,=&r*a2*b1*b2, n1=at*b nz=a2*b2, frA=r*az, ns = r*2. Sise aplica la correccin de Yates, (/ ) se remplaza por (21 "rr"r"^"" : nL2 nrnznAnB x2 (conegida n(ltl- ln)? = -"r!rrrr" 7.50. Ilustrar el resultado del Problema 7.49 paralos datos del Problem^I.45. En

elProblemaT.4S, a1 =75, a2=26, Dr = 65, bz:35, nt=140, n2:60, r = 100, ns = 100, y n:2OO; entonces riI ) del Problema 7.49 da x2 = n(1aft2- azbtl - tn)z = 200il(?5x35) 2.38 : Empleando la correccin de Yates, el resulado eg el mismo que en el Problema 7.46 2 (corregida) = ---^"" = (25X65)l (140)(60X100X100) - 10012 = 1.93 7.51. Demostrar que una prueba chi-cuadrado que se refiera a dos proporciones mu estrales es equivalente a un ensayo de significacin de diferencia de proporciones utilizando la aproximacin normal (vase pagina 215). Dentese por P1 y P2 las dos proporciones muestrales y blema 7.49, se tiene p la proporcin poblacional. Con referencia al Pro(r) (2') P, = #,, P, O2 lz' fL tl' , 1-Pr ,=;, -flg L-p l-P2 =

bc -= = q = -; de modo que (r) (4) 1 = nlPy az = nzPz, r : 'tL = flP, rr(1 Pr), bz = nz(lPz) tlg = flq Utilizando (3) y (4), e tiene del Problema 7.49 x2= n(ap2- a2b)2 -T nrn2nAnB nrn2(Pr- P)2 nWtPrA$ - Prl - n2P2n{l - Pr)]2 nrnnpnq = nfri\+LlllrJ (Ya que n = nt+tt2l (Pt- P)2 que es el cuadrado del estadstico Z, dado en (IO) en la pgina 215. COEFICIENTE DE CONTINGENCIA ?.52. Halla el coeficiente de contingencia para los datos de la tabla de continge ncia del Problema 7.45. C= vra = {*#fu :

r/d'6112e = 0'1084

cAP. 7l ENSAYOS DE HIPOTESIS Y STGNIFICACION 24V 7.53. Hallar el valor mximo de C para la tabla 2X 2 del Problema 7.13. do clasificaciones son perfectamente dependiente o aociadas. En tal caso, todor loe que tomen el suero 8e recuperarn y todor lor que no se lo tomen no Be recuperarn. Esta tabla de contingencia aparece en la Tabla 7 -21. Pueeto que las frecueneias eeperadas, suponiendo independencia total, son todas igualea a 50. D Tabl,a 7.21 valor mximo de C ee presenta cuando la Se recuperan No se recuperan 0 TOTAL 100 GrupoA (utilizando auero) (no utilizando ;ueno) TOTAL 100 (irupo 0 100 100 100 100 200 - 50)2 (0 - 0o)z (0 - ro) , (100 - 60)2 50 - ---80- - -60 - ----80Entonceg el val or mximo de C e ,/Zt(xz + n'l = t/l@6T 2oo-) = 0.?0?1. " x- = (100 zw En general, para la dependencia total en uua tabla de coningencia, en la gue el nm ero de fils y columnas eon ambas iguales a &, las nicas frecuenci de casillas que no Eon cero aparecen en la diagonal que baja de izquierda a derecha de la tabla. P ara taleo caos, C.o, = 1/@-ffi. (Vase Problema 7 .L27). PROBLEMAS DIVERSOS 7.64. Un instructor hace un cuestionario forurado por 10 preguntas falso-verdade ro. Para ensaya la hiptesis de que el estudiante acierte por carudidad, adopta la s iguiente regla de decisin: (i) si 7 o ms respuestas son acertadas el estudiante no

las acierta por casualidad; (ii) en caso contrario, el estudiante est adivinando . Hallar la probabilidad de rechazar la hiptesis cuando es corTecta. Seap la probabilidad de que una pregunta sea contestada correctamente. La probab ilidad de conteetar correctament Bajo la hiptesisp r pregunta de las 10 ser rcCrqqto-', donde g =Lp. = 0.5 (ee decir, el etudiante acierta alazar). P(7 o ms correctas) : P(7 correctas) * P(8 conectas) + P(9 corectae) * P(10 correctae) = ,,",(+X) * ,,".(iX;i . ,,",(;X;* ,.",,() = 0.,?1e Asi ee que sta pues, la probabidad de decidi que el eetudiante no reeponde al aza cuando es que si , ee 0.1?19. Ntees la probabilidad de error del fipo I. 7.55. En el problema 7.54, hallar la probabilidad de aceptar la hiptesis p P : 0.5 cuando realmente = O'7' : O.? Bajo la hiptesis p P(menoc de 7 corectas) : 1 -P(7 o mc conectas) 1 - [roOi(0.7)7(0.3)3+ r0Cs(0.7)8(0.3)2+ r0Ca(0.7)e(0.3) +

r0Cr0(0.3)10] = 0.3504 7.56. En el Problema 7.54, hallar la probabilidad de aceptar la hiptesisp = 0.5 c uando realmente (a) p : 0.6, (b)P : 0.8, (c)p : 0.9, (d) p : O.4, (e) p : 0.3, ( f) p : 0.2,(g)p : O.t. (a) Sip : 0.6 la probabilidad pedida ser 1 [P(? conectas) * P(8 correctas) + P(9 cotrectas) + P(10 correctas)] =|ho0?(0.6)?(0.4)3+ roOs(0.6)8(0.4)2+ ro0a(0.6)e(0.4) + 10010(0.6)101 = 0.618

248 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. ? Loa resultados de (b), (c), . . . , (g) pueden hallare anlogamente y se indican en la Tabla 7-22 junto con el valor correspondiente a p : 4.7 hallado en el Proble ma 7 .65. Ntese que la probabilidad se denota por p (probabilidad de error del Ti po II). Se ha irrcluido tambin el valor para p : 0.5 dado por p : 1 - 0.1?19 : 0. 828 del Problema 7.54. Tabl ?-22 p B 01 1.000 0.2 0.999 0.3 0.989 0.4 0.945 0.5 0.6 0.618 0.7 0.350 0.8 0.121 0.9 0.013 0 828 7.57. Utilizar el Problema 7.56 para construir el grfico de y p obteniendo as la c una caracterstica de operacin de la regla de decisin del Problema,1.64. virtase la semejanza con Problema 7-27. l0 09 08 0? El grfico pedido es el de la Fig. 7-14. Adla curva OC del 06 Si se hubiese dibujado (1 -p) yp, se habra obtenido la curvo de potencia de la re gla de decisin. 03 02

0.1 El grafico indica que la regla de decisin dada ee muy odecuado para rechazat p:0. 5 cuando realmente p > 0.8. 7.68. Una moneda que se lanza 6 veces da 6 veces cara. Puede deducirse que al niv el de significacin (c) 0.05 y (b) 0.01 la moneda no est bien hecha? Considerar ens ayos de una y dos colas. Sea p la probabilidad de caa en un solo lanzamiento de la moneda. Bajo la hiptesis (Ho: p: 0.5)(ee decir, la moneda est bien hecha), caraa en 6 f(x\ = P(x lanzamientos) = Entonces lae probabilidsdes de 0, 1, 2, 3, 4,6 y 6 caras son dadas, respectivame nte, por #,qn, +i,t+, **,t v i,!, como se muestra grficamente en la ditribucin de pro babilidad de la Fig. 7-15. Ensayo unilateral: Aqu se deeea decidi entre las hiptesis (Ho: p: 0,6) y (Ht: p > 0.5).Puesto queP(6 c aras): f :0.01662 y P(6 6 carad) = * +-# : 0.1094, ee puede rechazar fe Ensayo bilateral: al nivel 0,05, pero no al 0,01 (es decir, el resultado observbdo es significativ o al nivel 0.05, pero no d 0.01). Aqu se desea decidir entre la hiptesir (Ho: p : 0.) y (Ht:. p + 0.5). Puesto que P(0 6 carar): t'o+* = 0.03125, se puede rechazar.Ele al nivel 0.06, pero no al 0.01. 7.59. $oluciona el Problema 7.58, si en la moneda sale 5 veces cara. Ensayo uilate ral. Pueeto que P(6 6 earar): * + # = a:0.1094, 0.05 0.01. 0.05 0.01. Ensayo bilateral. Puesto queP(0 no ee puede rec}ntzar H al nivel de 1 5 6 caras) = 2(t) = 0.2188, no se puederechazar.trf6 llnivelde

cAP.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 249 7.60. Mostrrir que una prueba en chi-cuadrado que comprende dos categoras es equi valente al ensayo especial de significacin para proporciones (pagina 214). Tabl ?.23 Si P es la proporcin muetral para La categoes la proporcin poblacional y n eo la fr ecuencia total, ce pueden describir las eira I, p I Frecuencb observada Frecuencia esperada nP np II n(l- Pl n(l-p)=nq TOTAL n ,L tucione por medio de la Tabla 7-23, Enoncec, por definicin, . = (nP - np\2 -p nP [n(r P) n(L Pll2 nz(P-p)z*n2(P-plz "q Pq que es el cuadrado del estadstico Z, (5) de la pgina 214. n(P- p)z = ,,p_rrll*l)q/ = '' \P Pq =

(P-.p)2 PQI'I 7.61. Suponga que Xt; Xz X tienen una distribucin multinomial, con frecuencias esp eradas flPt,nPz,. .., npp respectivamente. Sean f, iYr,...,Yt vaiablesmutuaienteide pendientes con distibucin de Poisson y parmetros tr : npt,l\z : npz trr : zpr respec tivamente. Demostra que la distibucin condicional de las f dado que Yt*Yz+ "'+Yx = es precisamente la distribucin multinomial de las X. Paa la funcin de probabdad conjunta de ft l Y tenemos (r) (21 p(y,= ut, y2= u2, ..., yx= ax) = 19#)1-+gj; Yr + )...1'"'-;:-^*f e-^ dondehemouuizadoelhechodequept*pz+.'.+ph=L, buscndo est dada por Iadiribucincondicionalqueeetamos P(Yt- aL,Yz=Az, ...,Y=Ur I Yz* ... *Yr= n PlYr=At,Y2=U2, .,.Yt=Ur Y Yt+Yz+ "' *Yr= P(Yr+ Yz| "' * Y = n e-n n Entonces, el numerador en (2) tiene, de (I ), el valor En cuanto aI denojminador, sabemos del hoblema 4.96, pgina 14?, que Yr + Y, + ' ' ' + Y es en s migma una valble de Poieon con parmetro np * np2 + . . , i npn: n, Asl l denominador tiene el valor "":;" Por tano (2) ee conerte en P(Yr=Ur,Yz=U2r ...tYx=at I Yr* Yz-1.., *Y= n = que ee la distribucin multinomial de la X [comprese

(I6), pgina 118]. ^#--"Jpltpf2"'plk 7.62. Epplear el resultado del ProblemaT.6t paa demostrar que 2, como se define po r (21),pgtna 218, tiene aproximadamente una distribucin chi-cuadrado. Tal como oe establece, (21) ea diffcil de manipular ya gue las X diribuidas multin omialmene son dep.endientec, de acuerdo con la resriccin (221. Sin embargo, el Prob lema 7.61 demuestra que podemos remplaza las X por lae Y independienes con dietrib ucin de Poisson ai ae cumple que Y + Y2 + " '* Y": . Por tnto reeecribimo (2/ ) como (r) x2 = /t'=^')'*f"'=^'\'*...*/t'-^'\' \Vrr, / \V^r/ \Vrzl

250 Cuando n (2) ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP. ? * [(1 4 ), pgi'nla 1L @, todos loe L tienden 2] resulta I @, y el teorema del lmite central para las distribuciones de Poircn x2 zi+ zZ+ ...+ zi I cuya digtribucin es condicional 0 donde las Z son variables norniales ind.ependientes con media 0 y varianza dependiendo del suceso. (s) (t') Dentese (5) llrzr+t/xrzr+...+ tf-xrz* - o 6 {eLzL+\/pzzz+...+ {przr = rl-prz*l o, ya que las variables son continuas, l{nz,+162+...+ PQI+ z3+ ... + zi = < , r.r por Fy(r) la funcin de distribucin acumulada para una vaiabli chi-cuadrado con

bertad. Entonces lo que desearnos demoetra es: grados de lir I lfnrzt+ \/p2z2l- ... + lTt zrl <,) pe?+zi+... r7f,<r y !{ltZtr.,/pzZzr... +f pylrld P(l{-ptzt+\/pzz2+'..+l/lrz*l<,) _ D,-\ = '\r) para un valor apropiado de y. tra que la distribucin incondicional de (6) Es fcil establecer (5) si utilizamos nuestra intuicin geomtrica. Primero que odo, el Teorema 4-3 demueg221 + Z|+ . , ' + Zles chi-cuadrado con k grados de libertad, Por tanto, ya que la funcin de densidd pan cada Z e (2r)-r/zs-z2rz, Ft @) = (2n'-r,rz ., I f ,, zl'zl+. . +zl3-t ,-tzl+zl+ ' +z!)/2 dzldzr...dz Adems, tenemos para el numerador de (5): (?) Numerador = (Zr)-krz ( ( e-(zl+zl+ " +zl)/2 dz1dz2. . .dz JJ :l+zl+ ..+z!=r, ' + 6;zhl < l Fo rz r+ vF.+ ' G Recordamos de la geometra analtica que en el espacio tridimensional rl+ r2"* n! = o2 representa un slido esfrico de radio c con centro en el origen, en tanto que rr1 ! a2r2 i a3r, i= 6 6s un"plano a travs del origen cuya normal es el vector unita rio (at,qz, a3). La Fig, 7-16 indica la intere ccin de los dos cuerpos. Es lgico que cuando una funcin que depende solamente de la distancia desde el origen, es deci r f (r\ donde , = ,[r,r+ ,?+ ,1 se integra sobre el ea circular -o a ravs de una tira delgada en esa rea- el valor de la integral es completamente independiente de los cosenos direccionale et, dz, d

3. En otras palabras, todos los planor cortantes a trav del origen dan la misma integral , Por analoga concluimos que en (7), donde sirLlgra sobre la interseccin de una hipere sfera "-/t2 alrededor del origen, se pueden da los valores convenienteg arbitraios a las p. Escogemos Pt=Pz="'=Pk-r=0,Pt=| y obtenemos Fig. 7-16 (s) Numerador = (Z)- rtz f . ( *",1-,=, eQ1+ zi+. .. + z!- )/2 dz1 dz2. . . d.z_ /2e) = 4r4l. (2r)rrz P'r-tlrrrrr', utilizando (6). El factor 2e es el eopesor de la tira.

cAP.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 26L Para evaluar el denominador de (5) notamos que la variable aleatoia W = lptZl * es l-p222 + ... + {pt Zt, normal (puesto que e8 una combinacin lineal de la variablee Z normaies e independientee), y que E\W\ = VE(O) + \/p2(o)+ ... + V!f,(o : 1 s Por tanto la funcin . Var (W) = pr(l) * pz$) * ... * p(1) = de denidad paraW es p(rr) : (Zr)-r/2e-u2/2 , y Denominado (.e) = p(lWl < e) e4(0)(Z ) = 7. (Zr)-t/2(ze) Al dividir (8) por (9) obtenemos el resultado deseado, donde z : h las bases para las reglas dadas en la pgina 219.

La "demostracin" anterior (que puede hacerse rigurosa) muestra incidentalmente qu e cada restriccin lineal colocada alas Z, y por tanto a la Y o a las X reduce el nm ero de grados de liberta en X2 en 1. Eso provee Problernas suplem,entarios ENSAYOS DE MEDIAS Y PROPORCIONES UTILIZANDO DISTRIBUCIONES NOBMALES ?'63. Una urna contiene bolar roja.e y azules. Para ensayar la hipteeis de proporciones iguales de eto colores, se acuerda en tomar una muesra de 64 bglas con anotando lo colore extrados y adoptando la siguiente regla de decisin: (I ) se acepta la raen e ntre 28 y 36 bolas rojae;1i ee rechaza en caso cortraio. (o) Hallar la probabilidad de rechazar la hiptesis cuando en realidad aea correcta. () Interpretar grficament e la regla de decisin y el resultado obtenido en (o). se adoptara en el Problema 7.63 si ee quisiera que la probabitidad de rechazar la hiptesis siendo realmente conecta sea a lo sumo 0.01, ee decir, se quiere un niv el de significacin del 0.01? (b) A qu nivel de confianza ee aceptara la hiptesis? (c) Cul era la regla de deciein si ee adoptara un nivel de significacin del 0.05? 7.64. (o) Qu regla de decisin ?.65.

Supngase que en el Problema ?.63 se desea eneayar la hipeeis de que hay moyo, propo rcin d,ebolac rojas que de azules. () Cul eera la hiptesis nula y cul la alternativa? b) Se utilizara un ensayo de una o doe colas? Por qu? (c) Qu regla de deciin se adopt a si el nivel de significacin fuera del b.0? (d) Cul sera la regla de decisin si el ni vel de significacin fuera del 0.01? Se lanza un par de dado 100 veces y se observa que un total de ('siete" apasce 23 veces. Enaayar la hipteaie de que los dados esn bien hechos, es decir, no cargados, mediante (of un ensayobilateralyla,,trLtroyo uniiateral y un nivel de significacin del 0.05. Discutir las razones de las posib les preferencias de uno de estoe ensayos sobre el otro, 7.66. 7.67. Solucionar el Problema 7.66 ei el nivel de significacin es del 0.01. 7'68. 7.69. Un fabricante sostien que al menos el 95% de los equipos que Euministra a una fbri ca eet de acuerdo con las especificaciones requeridas. Un examen sobre una muegtr a de 200 de talee equipos revel que 18 eran defectuosos. Ensayar la afirmacin del fabricante al nivel de aignificacin del (o) O.Of O.OO. ,lO La experiencia ha demostrado que la media de resistencia a la rotura de una dete rminada clase de hilo e de 9-72 onzas con uria desviacin tpica de 1.40 onzas. Recie ntemente, una muestra de 36 piezas de hilo dieron una resistencia media de 8.93 onzas. Se puede deducir al nivel de signicacin del (o) 0.05 y () 0.01 que el es ahora peor? hilo 7 .7

o. yos. En un examen dado a un gtan nmero de estudiantes de muchas escuelas distintas, la puntuacin medi fue de 74.1 y la desviacin tpica fue 8.0. En una escuela determinada con 200 estudiantes el mismo examen dio una puntuacin media de 75,9. Comentar la significacin de este resultado al nivel de 0,05 desde el punto de vista de (o) u n ensayo unilateral y (b) un ensayo bilateral, erplicando las conclusiones sacad as con estos ensa-

252 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Solucionar el Problema 7.70 si el nivel de significacin es del 0,01. lcAP. ? 7,7L. ENSAYOS REFERENTES A DIFERENCIAS DEMEDIAS Y PROPORCIONES 7,72. Una muestra de 100 bombillas de un fabricante A dio una duracin media de 1190 hor as y una desviacin tpica de 90 horas. Una muestra de 75 bombillas de otro fabrican te B dio una duracin media de 1230 horas con una desviacin tpica de 120 horas. Hay d iferencias entre las duraciones medias de las bombillas de los dos fabricantes a l nivel de significacin del (o) 0.05 y (b) 0,01? En el Problema 7 ,72 ensayar Ia hiptesis de que las bombillas del fabricante B sean mejores a las del fabricante A utilizando un nivel de significacin del (o) 0.05, (b) 0.01. Explicar las difere ncias entre esto y lo que se peda en el problema anterior. Se contradicen los resu ltados con los del problema anterior? En un examen de ortografa en una escuela el emental, la puntuacin media de 32 nios fue de 72 con una desviacin tpica de 8, mient ras que la puntuacin media de 36 nias fue de 75 con una desviacin tpica de 6. Ensaya r la hiptesis de que a los niveles de significacin (a) del 0.05 y (b) del 0.01 las niastengan mejor ortografa que los nios. Para ensayar los efectos de un nuevo fertilizante sobre la produccin de trigo, un a parcela de terreno se dividi en 60 cuadrados de reas iguales, todos ellos tenan i dnticas caractersticas de suelo, exposcin a la luz del sol, etc. El nuevo fertiliza nte se aplic a 30 de estos cuadrados y el antiguo fertilizante a los restantes. E l nmero medio de fanegadas de trigo cosechadas por cuadrado en los que se utiliz e l fertilizante nuevo fue de 18.2 con una desviacin tpica de 0.63 fanegadas. [,a me dia y desviacin tfpica correspondientes a los otros cuadrados fueron 17.8 y 0,54 fanegadas, respectivamente. Con un nivel de significacin del (a) 0.05 y (b) 0.01, ensayar la hiptesis de que el nuevo fertilizante sea mejor que el antiguo. Muest ras al azar de 200 tuercas fabricadas por la mquina A y de 100 tuercas fabricadas por la mquina B dieron 19 y 5 tuercas defectuosas, respectivamente. Ensayar la h iptesis de que (o) las dos mquinas tengan diferente calidad de fabricacin y (b) la mquina B sea mejor que A. Utilizar el nivel de significacin del 7.73, 1 .7 4. 7.76. 7.76. 0.05. ENSAYOS EN RELACION CON LA DISTRIBUCION DE STUDENT 7.77. La duracin media de Ias bombillas producidas por una compaa ha sido en el pasado de

1120 horas con una desviacin tpica de 125 horas, Una muestra de 8 bombillasdelapr oduccinactualdiouna duacinmedia de 10?0 horas. Ensayar la hiptesis de que la duracin media de las bombillas no ha cambiado, con los niveles de significacin de (o) 0.0 5 y (b) 0.01. 7 .7 8. En el Problem a 7 .7 7 ensayar la hiptesis : 1120 horas contra la hiptesis alternat iva tt diante un nivel de significacin del (o) 0.05 y (b) 0.01. < 1-t2O horas, me7.19. Las especificaciones para Ia produccin de una cierta aleacin piden el 23.2% de cob re, Unamuestrade 10 anlisis dio una media de contenido en cobre de 23,5% y una de sviacin tpica de 0.24%. Puede deducirse al nivel de significacin del (c) 0.01 V (b) 0.05 que el producto presenta las especificaciones requeridas? ?.80. ?.8f En el Problema 7.79 ensayar la hiptesis de que el contenido medio de cobre sea ms alto que el que marcan las especificaciones, mediante un nivel de significacin de l (a) 0.01 y (b) 0.05. . Un experto efieiente mantiene que introduciendo un nuevo tipo de maquinaria en u n proceso de produccin se puede disminuir sustancialmente el tiempo de produccin, A causa de lo costoso del mantenimiento de estas mquinas resulta que a menos que el tiempo 4e produccin ee disminuyaen un8.O7o laintroduccinde tales mquinas en eI p roceso resulta antieconmico. En seis pruebas de este tipo se obtuvo un decrecimie nto en eI tiempo de produccinde 8.4a,/o con una desviacin tpica de 0.32%. Utilizand o un nivel de significacin del (a) 0.01 y () 0,05 ensayar la hiptesis de que las mqu inas deben ser introducidas. Dos tipos de soluciones qumicas, A y B fueron ensayadas paa ver su pH (grado de ac idez de la solucin). Anlisis de 6 muestras de A dieron un pH medio de 7.52 con una desviacin tpica de 0.024. Anlisis de 5 muestras de B dieron un pH medio de ?.49 co n una desviacin tpica de 0.032. Mediante unniveldesignificacin del 0.05, determinar si los dos tipos de soluciones tienen diferentes valores de pH. En un examen de psicologa de 12 estudiantes de una clase hubo una puntuacin media de 78 con una d esvia7.a2. 7.83. cin tpica de 6, mientras que 15 estudiantes de otra clase tuvieron una puntuacin me dia de 74 con una des-

cAP. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION es 263 superior al segunviacin tpica de 8. Con un nivel de significacin del 0.05 determinar si el primer gr upo do. ENSAYOS EN RELACION CON LA DISTBIBI'CION CHI.CUADRADO 7,84, La desviacin tpica de resistencia a la rotura de ciertos cables producidos por una compaa viene dada por 240 libras. Despus de introducir un cambio en el proceso de produccin de estos cables, La resistencia a la rotura de una muestra de 8 cables dio una desviacin tpica de 300 libras, Investigar la significacin del aparente incr emento enla variabilidad, mediante un nivel de significacin del (a ) 0.05 y (b ) 0.01. desviacin tpica de las temperatwas anulegde una ciudad en un perodo de 100 aos fue de 16" Fahrenheit. Con la temperatura media del da 15 de cada mes, durante los 15 lt imos aos, Ia desviacin tpica de las temperaturas anuales fue calculada como de 10o Fahrenheit. Ensayar la hiptesis de que las temperaturas en esta ciudad presentan ahora menos variabilidad que en el pasado, al nivel de significacin del (a) 0,05, (b ) 0.01 . ?.85. t ?.86. En el Problema 7.77 una muestra de 20 bombilta revel una desviacin tpica en la durac in de 150 horas. Concluira que esto no es comn? Explicar. ENSAYOS EN RELACION CON 7 LA DISTBIBUCION F .81 . Dos muestras consisten de 21 y 9 observaciones, tienen varianzas dadas por s? : 16 y s2 : 8 respectivamente. Ensayar la hiptesis de que la primera varianza pobla cional es mayor que la de la segunda a un nivel de significacin del (o ) 0.05, (b ) 0.0f . Solucionar el Problema 7.87 si las dos mueetras coniten de 60 y 120 obse rvaciones respectivamente. ?.E8, ?.89. En el Problema 7.82, podemos concluir que hay una diferencia significativa en la variabilidad de los valores del pH para las dos soluciones al nivel de significa cin del 0.01?

CUBVAS CARACTERISTICAS DE OPEBACION ?.90. En relacin con el Problema 7.63, determinar Ia probabilidad de aceptar la hiptesis de que haya igual proporcin de bolas rojas y azules, cuando la proporcin real p d e bolas rojas sea (o) 0.6, (b) 0.7, (c) 0.8, (d) 0.9, (e ) 0.3. ?.91. Representar grficamente los resultados del Problema ?.90 construyendo un grfico de (c)p V p, (b) (1 -p) y p. Comparar estos grficos con los del Problema ?.25 consi derando Ia analoga de bolas rojas y azules con caras y sellos respectivamente. (o ) Solucionar los Problemas 7 .26 y 7 .27 si se eruayan 400 cuerdas. (b ) Qu conc lusiones pueden sacarse de acuerdo con Ios riesgos de error del Tipo II cuando s e incrementan los tmaos muestrales? 7 .92. ?,93. Construir (a) unacurva OC y () . una curva de potencia correspondientes al Problema 7.65. Comparar estas curvas con las del ProblenaT .27 GBAFICOS DE CONTROL DE CALIDAD 7.94. En el pasado, un cierto tipo de hilo producido por un fabricante tena una resistencia m edia de roura de 8.64 onzas y una desviacin tpica de 1.28 onzas. Para determinar si el producto est de acuerdo a estas normas, se toma cada 3 horas una muestra de 1 6 piezas de hilo y se determina la resistencia media. Hallar los lmites de contro l del (a) 99.731o 3o, (b) 99% sobre un grfico de control de calidad y explicar su s aplicacones. 7.95. Alrededor del lVo de las tuercas producidas por una compaa son defectuosas. Para mantener esta calidad de produccin, se toma un a muestra cada 4 horas de 200 de las tuercas producidas. Determinar los Imites de control del (a ) 99% y (b)95% pam el nmero de tuercas defectuosas de cada muestr a. Advirtase que en ese caso solo son necesarios los lmies de control super,ores.

254 ENSAYOS DE HIPOTESTS Y SIGNIFICACION Tabla f 0 [car. 7 z AJUSTE DE DATOS A DISTRIBUCIONES TEORICAS -24 2 7.96. 7 '97 Ajustar una distribucin binomial a los datos dela Tabla 7 _24. de probabilidad pa ra determinar si los datos del Problema 5.g8 pueden ser aproximados estrechament e a una distribucin normal. Ajustar una distribucin normal a los datos del problem a 5.gg. Ajustar una distribucin normal a los datos del problema 5.100. 3 4 . utilizar papel grfico 30 62 16 l0 , 7.98. 7.99. 7.100. Ajustar una distribucin de poisson a los datos del hoblema 2.96 y comparar con el ajuste obtenido utilizando la distribucin binomial. Tabla 0 ? -25 I ?-101. En 10 unidades del ejrcito prusiano y en un perodo de 20 aos 1875-1894, el nm ero de muertos por unidad y ao debido a coz de caballo se dan en la Tabla ?-2b. A justar una distribucin de Poiss<n a los datos. I 65 22

a l 10! I LA PRUEBA CHI.CUADRADO 7'102' En 60 lanzamientos de una moneda se observaron 37 caras y 23 sellos. Ensayar la hiptesis de que la moneda est bien hecha utilizando un nivel de significacin del (o) 0.05, () 0.01. 7.103. solucionar el Problema 7.r02 utirizando la correccin de yates. 7.1'04. Durante un largo perodo de tiempo, las puntuaciones dadas por un grupo de profesores en un determinado curso dieron un promedio d,e 12% A,LB% B,40% C,Lg? o D y 12% F. Un profesor nrevo da durante dos se_ mestres 22 A,34 8,66 C' 16 D y 12 F. Delerminar al nivel de significacin de 0.05 si el profesor nuevo sigue las mismas nornns de puntuacin que los otros. 7.105. Se lanzaron tres monedas un total de 240 vese observ cada vez el nmero de c aras obtenido. Los resultados aparecen en la Tabla 7-26 junto con las frecuencia s esperadas bajo la hiptesis de que las monedas estn ces y Tabla 0 caras Frecuencia observada 7 -26 2 caras 3 caras t,l 1 cara 108 bien hechas. Ensayar esta hiptesis al nivel de significacin del 0.0b. ,^ 30 Frecuencia esperada )0 90 3() ?.106. El nmero de libros sacados de una biblioteca pblica durante una semana dete rminada viene dado en la Tabla ?-22. Ensayar la hiptesis de que el nmero de libros sacados no dependa del da de la semana, con un nivel de significacin del (o ) 0.05, (b ) 0.0r . Nmero de libros sacados

Tabla 7 -27 Lun. Mar. 108 Mierc. Juev. 114 Vier, 146 t20 7.107. Una urna contienc 6 bolas rojas y B blancas. Se Tabla 7-28 0 rojo 2 blanco 1 rojo 1 blanco 53 si los extraen aleatoriamente dos bolas de la urna, se anota su color y se vuelven a la urna. Este proceso se repite un total de 120 veces y los resultados obtenidos.s e muestran en la Tabla ?-2g. (o) Determinar las frecuencias esperadas, (b) Deter minar al nivel de significacin del 0.05 2 rojo 0 blanco Nmero de extracciones con Ios esperados. resultados obtenidos son consistentes (; 6l ?.108. Se eligieron aleatoriamente tuercas de la produccin de ,rrru de 4 mquinas. El nmero de defectuosas ""d" fueron 2, 9, 10, 3. Determinar si existe entre las mq uinas una diferencia significativa al nivel dc significacin del 0.05.

cAP. 7l BONDAD DE AJUSTE ENSAYOS DE HIPOTESIS Y SIGNIFICACION 265 7.f09. (a) Utiliza la prueba chi-cuadrado para determinar la bondad de ajuste de los datos del Problema?.96.(b) Es el ajuste "bastante bueno"? Emplear el nivel de significacin del 0,0, 7.110. Mediante la prueba chi+uadrado determinar la bondad de ajuste de los dato sde (o)Problem 7.98. (b)hoblema 7.99. Utilizar el nivel de significacin del 0,05 y en cada caso determinar si el ajuste es "bastante bue. Dott. 7.111. Mediante la prueba chicuadrado determinar la bondad de ajuste de los dato s de (c) Problema ?.100, (b) Problema 7.101. Es consistente el resultado de (o ) con el del problema 7 .LOg? TABLAS DE CONTINGENCIA 7 Tabla 7-29 Se .112. IA Tabla 7 -29 muestra el resultado de un erperimeno para investigar el efecto de vacunacin de animales de laboraorio contra una determinada enfermedad. Mediante un nivel de significacin del (o) 0.01 y (b) 0,06, ensayar l a hiptesis de que no haya diferencia entre los grupos vacunados y no vacunados, e s decir, la vacunacin y esta enfermedad son independientes. enfer No se maron 'enfermaon Vacundos No Vacunados I L7 42 28 ?.113. Solucionar el Problema 7.112 introduciendo la correccin de Yates. Tabla ?-30 Aprobados Clase 7,114. La Tabla ?-30 muestra el nmero de estudiantes de cada una de dos clases didos A y B que aprob y suspendi un examen dado a ambos grupos. Mediante un nivel de sig nificacin del (o) 0.05 V (b) 0.01, ensayar la hiptesis de que no haya diferencia e

ntre. las dos claees. Hacer el problema con y sin la correccin de Yates, A 72 64 t7 23 Clase B 7.115. De un grupo de enfermos que se quejaban de que no dorman bien, a unos se l es dio pfldoraspaadormi, mientras que a otros se les dio pldoras de azcar (aunque to doselloscreonque suspldoraseranparadormir). Posteriormente, se Ies pregunt si las p astillas haban surtido efecto o no. El resultado de sus respuestas se muestra en la Tabla 7-31. Suponiendo que todos los pacientes dijeron la verdad,ensayarlahipt esis de que no hay diferencia entre las pldoras de dormir y las de aziucar al niv el de significacin del 0.06. Tabla 7.31 DurmieTabla 7-32 ron bien Tomaron pldoras para dormir 44 No durmieron bien Demcratas 10 A favor 85 118 En contra Abstencionistas 78 61 37 Republicanos 25 Tomaron pfldoras de azcar 81 35 7.116. Sobre una decisin de importancia nacional, los votos de los demcratas y rep ublicanos registraron los resultados que se observan en.la Tabla 7-32. N nivel d e significacin del (a)0.01 y (b)0.05,ensayarlahipteois de que no hay diferencia en tre ambos partidos en lo que a esta decisin se refiere. 7.L17. Ia Tabla 7-33 da la relacin entre las notas de los estudiantes en matemticas y fsic a. Ensayar la hiptesis de que las notas de fsica sean independientes de ls obtenida s en matemticas, mediane un nivel de significacin del (o) 0.05 v (b) 0.01. 7.118. Los resultados de una encuesta hecha para determinar si la edad de los co nducores a partir de los 21 aoe, tiene su efecto en el nmero de accidentes de automv il (incluyendo todo tipo de accidentes) se indican en la Tabla 7-34. A un nivel de significacin de (a) 0.05 y (b) 0.01 ensayarlahipteaisdequeelnmerodeaccidentes es independiente de la edad del conductor. Qu poeiblee dificultades en las t&nicas d

e muestreo como en otras consideraciones pueden afectr las conclusiones?

266 ENSAYOS DE HIPOTESIS Y SIGNIFICACIOD Tabla 7-33 lcAP. ? MATEMATICAS Notas altas Notas altas O CA Notas medias 71 Notas bajas L2 Dt) AO Notas medias Notas bajaa 163 42 38 85 T4 Tabl 7-34 EDAD DEL CONDUCTOR 21-30 31-40 41-50 78s 51 51-60 720 66 16 5 61-70 672 50 RH HE< 0 748 74 82r 60 26 10 oz E

I 2 Bg z< 3l 22 6 ID 7 lMsde2 I 7.119. (o) Demostrar eu 2 = 2@l/np,) 7.1 - ?r para toda tabla de contingencia, donde n s la frecuencia total de todas las casillag. (b) Con el resultado de (c) hacer el Problema 7.117, 20. Si nI y n! denotan, respecivamente, la suma de frecuencias en la fila y en la columna j de una tabla de contingencia (frecuencias marginales), mostrar que la frecuencia esperada para la casilla perteneciente a la fila i y a la columna j es nn;/n, donde n es la frecuencia total de todas las casillas. 7'.121. Demostrar el resultado (2) det Problema 7.49. 7.122. Por similitud con las ideas desanolladas para tablas de contingencia h X &, discutir las tablas de contingencia h X k X I, sealando las posibles aplicacio nes que pueden_tener. COEFICIENTE DE CONTINGENCIA 7.L23. La Tabla 7-35 muestra la relacin entre el color del pelo y los ojos de una mestra de 200 estuTabla ?-36 resultado contingencia, diantes. ( sin y con coeficiente de n de yates. (b) el coeficiente COLOR DE PELO Rubio No rubio 25 96 7.121. Hallar el coeficiente de contingencia sin y con la correccin de Yates para los datos de (o) problema 7.1L2 y (b) Problema 7.LL4. Xu) rY Azules No azules 49 30

8- 7.125. Hallar el coefieiente de contingencia para los datos del Problema ?,11?. ?.126. Demostrar que el coeficiente de contingencia mximo para una tabla 3 X 3 mente. es JUS:0.8165aproximada7.127. Demostrar que el coeficiente de contingencia mximo para una tabla fr X k e s 1/1t PROBLEMAS DTVERSOS - . 7.128. Dos urnas A y I contienen igual nmero de bolas, pero se desconocen las proporciones de boias ro jas y blancas en cada una de las urnas; se toma una muestra de 50 bolas con remp lazamiento de cada una de las urnas,

cAP.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 267 dando la de A 32 bolas rojas y la de B 23 bolas rojas. Mediante un nivel de sign ificacin del 0.05 ensayar la hiptesis de que (o) las dos urnas tengan igual propor cin de bolas rojas y (b)A tenga una proporcin de bolas rojas superior a 8. ?.129. Con referencia al Problema ?.54, hallar el menor nmero de preguntas que un estudiante debe contesta correctamente para que el instructor est seguro al nivel de significacin del (o) 0.05, (b) 0'01, (c) 0.001' (d) 0.06 de que el estudiante no est contestando al azar. Comentar los resultados. ?.130. Construir grficos anlo gos a los del Problema 7.23 pzra el Problema 7.55. es ahora 8. ?.131. Solucionar los Problemas 7.64-7.56 si el 7 en la regla de decisin del Prob lema 7.54 ?.132. Una moneda se lanza 8 veces y se obtienen ? caras. Se puede rechazar la hiptesis de que la moneda est bien hecha al nivel de significa cin del (o) 0.0, (b) 0.10, (c) 0.01? Utilizar un ensayo bilateral. ?.133. Solucionar el Problema 7.132 empleando un ensayo unilateral. 7.134. Soluc ionar el Problema 7.132 si salen 6 caras. ?,135. Comentar cmo puede utilizarse la teora del muestreo para investigar las proporciones de diferentes tipos de pescado presentes en un lago. ?.136. Explicar cmo podra definir interualos de confianza unilateroles y dar una p osible aplicacin. 2.13?. El porcentaje de calificaciones A dadas en un curso de fs ica en una universidad determinada durante mucho tiempo fte L0%. Durante un perod o particular hubo 40 calificaciones A en un grupo de 300 estudiantes. Ensayar la significacin de este resultado a un nivel de (a) 0.05, (b) 0.01. ?.138. Con una determinada marca A de gasolina, el nmero medio de millas por galn consumido en 5 automviles anlogos bajo idnticas condiciones fue de 22.6 con una desviacin tpica de 0 .48. Con otra marca B, el nmero medio fue de 21.4 con una desviacin tpica de 0.54. Al nivel de significacindel 0.0Sinvestigarsila marca A realmente es mejor que B proporcionando mayor recorrido por galn. ?.13g. En eI Problema ?.138 hay mayor variabilidad en millas por galn utilizando l a marca B que utilizando la marca A? Explicar. 7.140. Demostrar que para la Tabla ?-36 y2 " n = o(l++"?\ * 2a (u" ++ rt2 'tL2 ns/ rr o?) ns \ ?t

I \tr / -, A B Tabla 7-36 I &1 II A2 III dg 3 'tLg TOTALES ?.141. Generalizar el resultado del Problema 7.140. 7.142. Utiliza el resultado d el Problema 12 para el Problema ?.4?. 7 n ng t fl1 b2 .l4O para obtener el valor de TOTALES lr2 n

Captulo B Curvq de oiuste, regresin y correlocin CURVA DE AJUSTE Muy a menudo en la prctica se encuentra que existe una relacin entre dos (o ms) var iables, y se desea expresar esta relacin en forma matemtica determinardo una ecuacin 'que cnecte las riables. Un primer paso es la cbleccin de datos indicando los valore s correspondientes de las variables. Por ejemplo, si r y y denotan la estatura y peso de un adulto; entonces una muestra d.e n individuos resultara en las estatu rtsr, x2,.. .,xn y los pesos correspondientes !t,!2,. .. ,!n. El paso siguiente es dibujar los puntos (xt, y, ), (, , lz\, . . . , (xn, y, ) er r un sistema de coordenadas rectangulares. El conjunto resultante de puntos se l lama a veces diagrama de dispersin. Del diagrama de disper'sin es posible frecuent emente visualizar una curva que se aproxime a los datos. Dicha curva se llamacur ua de aproximacin. En la Fig.8-1, porejemplo,seoservaq.,e los datos se aproximan b ien por una recta y decimos que existe una relaci lieat entre las vaiiables. Sin em bargo, en la Fig. 8-2 aunque existe una relacin entre las vaiables sta no es una re lacin lineal y por esto la llamamos relacin no lineal. En la Fig. 8-3 parece que n o hay ninguna relacin entre las variables. Eig. 8-L Fig. tl-2 ['ig. 8-3 El problema general de hallar ecuaciones de curvas de aproximacin que se ajusten a conjuntos de datos dados se denomina curua de ajuste. En la prctica el tipo de ecuacin se sugiere frecuentemente del diagrama de dispersin. As para la Fig. 8-1 po dramos utilizar una recta U = a*br (1) mientras que para la Fig. 8-2 ensayaramos una curua cuadrtica o parablica ll = a*lr*crz (Z'l Algunas veces conviene dibujar los diagramas de dispersin en trminos de uariables transformadas. As por ejemplo, si logy vs. conduce a una recta trataramoslogy: a* bx comoecuacinpara la curva de aproximacin. 258

cAP. 8l CURVA DE AJUSTE, REGRESION Y CORRELACION 269 REGRESION Uno de los propsitos principales de la curva de ajuste es estimar una de las vari ables (lauariable dependiente) de la otra (la uariable independienfe). El proces o de estimacin se conoce como regresin. Si y se va a estimar a partir de r por med io de alguna ecuacin la llamamos ecuacin de regresin de y sobre r y a la curvarorre spondiente curua de regresin de y sobre x. METODO DE MINIMOS CUADRADOS Generalmente, ms de una curva de un tipo dado parece ajustar un conjunto de datos . Para evitar el juicio individual en la construccin de rectas, parbolas, u otras curua.s de aproximacin, es necesario obtener una definicin de la "mejor recta de a juste"; "mejor parbola de ajuste", etc. la Fig. 8-4 en la cual los puntos de datos son (.r, , Jr ), , (n, y"). Para un va lor dado de .r, por ejemplo r , habr una diferencia entre el valor de ! t y el va lor correspondiente determinado de la curva C. Denotamos esta diferencia por d, , que algunas veces se conoce como des uiacin, error, o residuo y puede ser positivo, negativo o cero. Anlogamente, corre spondiendo a los valoresfz, . . ., xn obtenemos las desviaciones d2, . . ., dn. Para motiva una posible definicin considrese Una medida de la "bondad del ajuste" de la curva C- al conjunto de datos la sumi nistra la can. + d?". Si la suma es pequea tidad d + d; + el ajuste es bueno si es grande el ajuste es malo. Por tanto tomamos la siguiente Fig. 8-4 Definicin. De todas las curvas de aproximacin de un conjunto de puntos de datos dados, la curva que t enga la propiedad de que ?+A?'+ es la "'+dl = unmnimo mejor curua de ajuste. Una curva con esta propiedad se dice que ajusta los datos en el sentido de mnimos cuadrados y se llama curua de regresin de mtnimos cuadrad os o simplemente curua de mtnimos cuadrados. Pot tanto una recta con esta propie dad se llama recta de mtnimos cuadrados, una parbola con esta propiedad se llama pardbola de mnimos cuadrados. etn. Se acostumbra a emplear la definicin anterior c uando r es la variable independiente y y es la variable dependiente. Si r es la variable dependiente, la definicin se modifica al considerar las desviaciones hor izontales en cambio de las verticales, que se reduce a intercambiar los ejes r, y. Estas dos definiciones conducen en general a dos curvas de mnimos cuadrados di ferentes. Al menos se especifique lo contrario consideraremos a y como la variab le dependiente y a.r como la independiente. desde los puntos de datos a la curva en cambio de sus distancias verticales u horizontales. Sin embarEs posible definir otra curva de mnimos cuadados considerando distancias perpendic

ulares go, esto no se emplea con frecuencia. RECTA DE MTNIMOS CUADRADOS Empleando la definicin anterior podemos demostrar (vase Problema 8.3) que la recta de mnimos cuadrados de aproximacin al conjunto de dato s (r1,3lr ),. .. ,(xn, y,) tiene laecuacin A = a*bu (e)

260 CURVA DE AJUSTE, REGRESION Y CORRELACION lcAP. I donde las constantes a y b se determinan solucionando simultneamente las ecuacion es 2u = an*b)r 2rs =.a}r+b)12 por brevedad hemos utilizado (/r) que se conocen como las ectnciones normales para la recta de mnimos cuadrados. Ob srvese que 2a, 2ra en cambio de 2 o,, j= r,o,. Lr t=r Las ecuaciones normales, (4), se pueden recordar fcilmente si se observa que la primera ecuacin se obt iene formalmente sumando ambos lados de (3), mientras que la segunda ecuacin se o btiene primero multiplicando por r ambos lados de (3) y luego sumando. Lgicamente esta no es una derivacin de las ecuaciones normales sino solamente un medio para recordarlas. Los valores de c y b obtenidos de (a) estn dados por n_ ()sX)r')-()cX)cs) "-w h - n2ry n2r2 - (>oX>y) (2u12 (5) El resultado para b en (5) tambin puede escribirse como (6) Aqu, como es comn, una bana indica media, primera ecuacin normal en (4) por n resul ta es decir, = (2r)ln. Al dividir ambos lados de la (7\ = a*bi

Por tanto, si se desea podemos hallar primero b de (5) o (6) y luego emplear (7) para hallar a = b. Esto es equivalente a escribir la recta de mnimos cuadrados co mo a- = b(r-i:) o u_ =t&#p@_it\ (8) El resultado (8) indica que la constante b, que es la pendiente de la recta (3), es la constante fundamental para determinar la recta. De (8) tambin se ve que la recta de mnimos cuadrados pasa a travs del puno (i, y), denominado el centroide o centro de gauedod de los datos. La pendiente b de la recta de regresin es independiente del origen de coordenadas . Esto quiere decir que si hacemos la transformacin (comnmente llanada traslacin de eies) dada por n = a'Ih u a'+k (e) donde h y h son constantes arbitrarias, entonces b tambin est dada por bn2r'g' n2fr'2 (2r"(2y') - ()c'z (101 donde r, y han sido simplemente remplazadas por r', y' lpor esta razn decimos que b es invariante bajo la transformacrn (9)1. Sin embargo, debe notarse que , que d etermina el intercepto sobre el eje r, depende del origen (y por tanto no es inv ariante). En el caso particular cuando h = , k -- , (I0) u-2f,2 se

simplifica a (11\ . 2fr,U, Los resultados (I0) u (I.f ) son tiles frecuentemente en simplificar el trabajo i nvolucrado en obtener la recta de mnimos cuadrados. Las anotaciones anteriores tambin son vlidas para la recta de regresin de r sobre y . Los resultados se obtienen simplemente intercambiando x y y. As, porejemplo, la recta de regresin de mnimos cuadrados de * sobre y es

cAP. 8l CURVA DE AJUSTE, REGRESION Y CORRELACION 26r Uz) n-n = >(=o)t'=;l@-u\ 2(u - a\' \'| Debe notarse que en general (12) no es la misma recta que (8). RECTA DE MINIMOS CUADRADOS EN TERMINOS DE VARIANZAS Y COVARIANZAS MUESTRALDS Las varianzas y covarianzas muestrales de r, y estn dadas por )(c - i)2. si : 2(U - )" ora 2(r - I;\(U_- ) ) _ , "-. , -s "" n -n n Q3) sobre En trminos de stas, Ias rectas de regresin de mnimos cuadados de y sobre den escribirse respectivamente como _ r y de r y pueUt+) u-=$t*-*l Su, n-r:rrt@- S Sy Si formalmente definim os el coeficiente de correlacin muestral por Icomparat (54 ), pgina 82] ,= entonces (14) puede escribirse como l'\ ry : ,(Y- 3) : a e) v-g : ,(* o\ 8u\s"/s.\ssi trul En vista de que (r - )/s" y (U - U)/s" son valores muestrales. tipificados, Ios r esultados en (16) proveen unaiorma muy simple de rcordar las rectas de regresin. E s lgico que las dos rectas en (l e ron diferentes al menoJ eu r = + 1, en cuyo caso todos los puntos-mue_strales estn sobre una iecta [esto se demostrar en (26)] y h ay una cotelacin y regesin lineal perfecta. :

Tambin es de inters notar que si las dos rectas de regresin (f 6) se escriben como y c * dy respectivamente, entonces bcl -_ t2 * b3c, (17) Hasta ahora no hemos considerado la significacin precisa del coeficiente de conel acin sino so' lamente lo hemos definido en trminos de las vaianzas y covarianza. En la pgrna 263 se dar la significacin. PARABOLA DE MINIMOS CUADRADOS Las ideas anteriores se amplan fcilmente. Por ejemplo,laparbola de nnimos cuadrados q ue ajusta un conjunto de puntos muestrales viene dada por ?l = a*br*cr2 (f8) donde a, b, c se determinan de las ecuaciones normales 2u : na-tb)*+c2n' Zr'u : a2r +b>r2*c)rt 2*"u -' o2*" +r>#+c}ra (19) Estas ecuaciones se obtienen formalmente sumando ambos lados de (18) despus de mu ltiplicar sucesivamente por 1, x y x2 respectivamente.

262 CURVA DE AruSTE, REGRESION Y CORRELACTON lcAP.8 REGRESION MULTIPLE Las una ces busc hay s variables. por ejemplo, si creemos que dos variables inaependi"fus y, entn", tenga la forma (20) z = a*br+cy Esta se denomina ecuacin de regresin de z sobre r, y. Si r es la variable dependie nte una ecuacin semejante se llamar ecuacin de regresin de x sobre y, z. representa un plano en un sistema de coordenadas rectangulares tridimensional __Puesto se l lama con frecuencia plano de regresin Paa hallar el plano de regresin de mnimos cuad rados determinamos o, , c en (20) de modo que que (20) lz = tmtb)r+ "2a 2*, = o2r +b>12*c)ry 2u" : "2u + b> ry 1- c)y2 (21) tado de aplicar una definicin anloga a la de la pgina 2sg. nvirtase qe pueden obteners e formalmente de (20) multiplicando por L, x, y respectivamente y sumando. Genetalizaciones a ms variables, incluyendo ecuaciones lineales y no lineales con ducentes a s- - -' perficies de regresin en espacios tridimensionales y superiores , se hacn fcilmente. ' Estas ecuaciones, llamadas las ecuaciones normales correspondientes a (20), se o btienen como resulERROR TIPICO DE LA ESTIMA Si.denotamos por U".r l valor estimado de y para un val or dado de , obtenido de la curva de regresin de y sobre r, entonces una medida de la dispersin con respecto a la curva de regresin est suministrada por la cantidad sg.- : que se llama el error tpico de ple en la definicin de la pgin mnimos cuadrados tiene el ms En el caso de una recta de regresin lest > (g/ n u".r)2 (22) r. puesto que >(A U."t)z = 22, como se emtodas la.s curvas de regrein posible, la cuna de o de la estima. : a*

br, con a y b dados por (4), tenemos (23) (24) Tambin podemos expresu s,2, por la recta de mnimos cuadrados en trminos de la varian za v del coeficiente de correlacin como s?.' : f"(L-r') l, esto es -1 < r < 1. (25) de donde incidentalmente se deduce como corolario que r2 _ El error tpico de la estima tiene propiedades anlogas a esas de la desviacin tpica . Por ejemplo, si construimos pes de rectas paralelas a la recta de iegresin de y s obre r a distancias vertiales te, debemos hallar si n es lo suficientemente grand e para que estn rectas alrededor del 68%,96% y 97% de los puntos muestrales res.2 3.

cAP. 8l CURVA DE AJUSTE, REGRESION Y CORRELACION 263 As como hay una estima insesgada de la varianza muestral dada por 3t : nsz/(n - 1 ) igualmeninsesgada del cuadrado del error tpico de la estima. Este est dado por 3 r2., : nsl ./(n - 2). Por esta raz6n algunos estadsticos prefieren expresar (22) con n - 2 en cambio de n en el denominador. te hay una estima Las anotaciones anteriores se modifican fcilmente para Ia recta de regresin de r s obre cuyo caso el error tpico de la estima se denota por s r) o para regresin no li neal o multiple. y (en COEFICIENTE DE CORRELACION I,INEAL Hasta el momento hemos definido eI coeficiente de conelacin formalmente por (I5) pero no hemos examinado su significado. Al tratar de hacerlo notemos que de (25\ V las definiciones de sy... y sy tenemos )('?-U""')' D2 = r Entonces podemos demostrar que (vase Problema 8.24) (26\ 2@-' = 2ta -?/"..)2 * 2(u.*-u)' (27) La cantidad a la izquierda de (27) se llama la uariacin total. La primera sunra a la derecha de (27) se conoce como la uarincn no explicadc, mientras que la segund a suma se llama uariacin explicadn. Esta terminologa surge debido a que Ias desvia ciones y -U...r s comportan en una manera aleatoria o impredecible en tanto que l as desviaciones /esr - .r7 se explican por Ia recta de regtesin de mnimos cuadrado s y as tienden a seguir un patrn definido. Se deduce de (26) y (27) que (28) Por tantc 12'puede interpretarse como la fraccin de la variacin total que se expli ca por la recta de regresin de mnimos cuadrados. En otras palabras, r mide qu tan b ienla recta de regresin de mnimos cuadrados se ajusta a los datos muestrales. Si l a variacin total se explica totalmente por la recta de regresin, es decir, si 12 : L ; r : + 1, decimos que hay una correlacin lineal perfegta (y en tal caso tambin regresin lineal perfecc). De otra parte si la variacin total no se puede explicar, entonces la variacin explicada es cero y as r : 0. En Ia prctica la cantidad 12, al gunas veces llamada coeficiente de determinacin, se encuentra entre 0 y 1. El coeficiente de correlacin puede calculase de cualquiera de los resultados Sru S Sv /t6=w\/t6

)( )(u -a\ -nP (2e) o (30) que para regresin lineal son equivalentes. La frmula (29) se conoce como la frmuln producto-momento para correlacin lineal. Frmulas equivalentes a las anteriores, que se utilizan en la prctica son M n2ry - (>rX>y) (3r) ra-ra (? - x"l(E (32) a,)

264 CURVA DE AruSTE, REGRESION Y CORRELACION [cAP. 8 Si utilizamos la transformacin (9), pgina 260, hallamos n2n'y'- ()r')()y') (83) que indica que r es invariante bajo una traslacin de ejes. En particular, si lz : , k = A, (33) se convierte en 2'r'a' (2x'2)(2y'2) que comnmente se emplea en computacion. (8t) El coeficiente de correlacin lineal puede ser positivo o negativo. Si r es positi vo y tiende a aumentar con (la pendiente de la recta de mnimos cuadrados es posit iva) en tanto que si r es negativo y tiende a disminuir con r (la pendiente es n egativa). El signo se toma en cuenta automticamene si empleamos el resultado (29), (31\, (32), (33) o (34). Sin embargo, si utilizamos (30) para obtener r debemos aplicar el signo apropiado. COEFICIENTE DE CORRELACION GENERAL I ZADO La definicin (29) [o cualquiera de las formas equivalentes (3/) a @ )l para el co eficiente de conelacin incluye solamente valores muestrales r, y. En consecuencia da el mismo nmero para todas las formas de curvas de regresin y no es til como med ida de ajuste, excepto en el caso de regresin lineal, donde coincide con (30). Si n embargo, la ltima definicin, esto es 12=: (85) refleja la forma de la curva de regresin (va y*t) y de este modo es apropiada como la definicin de un coeficiente de correlacin generalzado r. Utilizamos (35) para o btener coeficientes de correlacin no lineales (que mide qu tan bien se ajusta unz cun)a de regresin no lineal a los datos) o, por generalizacin apropiada, coeficien tes de correlccin mltiple. L'a conexin (25) entre el coeficiente de conelacin y el e rror tpico de la estima es vlida para corelacin no lineal. Puesto que un coeficiente de cortelacin simplemente ride qu tan bien se ajusta una cuna de regresin (o superficie) a los datos muestrales, es ilgico utiliza un coefici ente de conelacin lineal donde los datos no son lineales. Sin embargo, suponga qu e se aplica (29) a datos no lineales y se obtiene un valor que es considerableme nte menor que 1. Entonces la conclusin a extraerse no es que hay poca correlacin ( conclusin algunas veces alcanzad,a pot aquellos laicos con los fundamentos de la teora de correlacin) sino que hay poca correlacin lineaL En efecto, puede existir v na gran correlacin no lineal. CORRELACION GRADUAL En cambio de utiliza valores muestrales precisos, o cuando la precisin no puede ob tenerse, los datos pueden clasificase en orden de tamao, importancia, etc., emplea ndo los nmeros t,2, . . . n. Si dos conjuntos correspondientes de valores.r, y se

clasifican de tal forma, el coeficiente de conelacin gradual, denotado por rgrad o sencillamente r, es dado por rsad donde d 6>d L-i@r_l) = . r, y (86) : n: diferencias entre las clasificaciones de los conespondientes nmero de pares de va lores (r, y) en los datos cin graduaL La frmula (36), es derivada en el Problema 8.36, se denomina frmula de Spearman pa ra la conela-

cAP.8l CURVA DE AJUSTE, REGRESION Y CORRELACION 266 INTERPRETACION PROBABILISTICA DE LA REGRESION Un diagrama de dispersin, como el de la Fig. 8-1, es una representacin gnfica de lo s puntos de datos para una muestra particular. Al escoger una muestra diferente, o aumentar la original, un diagrama de dispenin algo diferente se obtena generalme nte. Cada diagrama de dispersin resultara en una recta o curva de regresin diferent e, aunque esperamos que las deencias no sean significantes si las muestras se extr aen de la misma poblacin. Del concepto de cun'a de ajuste en muestras pasamos al de curva de ajuste para la poblacin de donde se tomaron las muestras. La dispersin de puntos alrededor de una recta o curva de regresin indican gue para un valor p articular de r hay realmente varios valores de y distibudos drededor de la recta o curva Esta idea de distribucin nos eonduce naturalmente a la realizacin de que ha y una conexin entre curva de ajuste y probabilidad. La conerin se implementa intro duciendo las variables aleatorias X, Y que toman log diferentes valores muestral es r, y respectivamente. Por ejemplo X, Y pueden representar las estaturas y pes os de adultos en una poblacin de la cual se extraen las muestras. Entonces se sup one que X, Y tienen una funcin de probabilidad conjunta o funcin de densidad, f(x, y), segn si se consideran discretas o continuas. rias Dada la funcin de densidad conjunta o funcin de probabilidad, /(.r, y), de dos var iables aleatoX, Y, es lgico de las anotaciones anteriores preguntar si hay una fu ncin g(X) tI que E{Y - s(Xl)'} = un mnimo (sr) Una cuna con ecuacin y : g(r) con la propiedad(37) se llana curua de regresin de mnim oa cuadrados de Y eobre X. Tenemos el teorema siguiente: Teoreru Ntese & y son variables aleatorias con funcin de densidad conjunta o funcin de probabili dad f(x, y), entonces existe una curua de regesin de mnimos cuadrados de Y sobre X con la propiedad (37), dada por (88) u = s(n) = E(Y lX=c) siempre y cu-ando X, f tengan una varianza finita. que E'(Yl X = rl es la esperanza condicional de da da X = x, como se define en ia pgina 83. 8-7: Si Anotaciones anlogas pueden hacerse para ura curua de regresin de mnimoe ctndradoe de sobre Y. En tal caso (37) se remplaza por X

E{X diferentes en general. - h(Yll'l = un mnimo y(SS) seremplaza porr = h(y)-- E(XIY = y). Lasdoscurvasderegresiny=g(rl,= h(y)son Un caso interesante se presenta cuando ta aistribucin conjunta es la distribucin n ormal bidimensional dada por (491, fgna 118. Entonces tenemos el teorema siguient e: Teoeru 8-2: Si X, y son variables aleatorias con la distribucin normal bidimensional, entonce s la cun'a de regresin de mnimos cuadrados de Y sobre X es una recta de egesin dada p or (3e) donde representa el coeficiente de conelacin poblacional. (40'

266 CURVA DE AJUSTE, REGRESION Y CORRELACION lcAP. s Tambin podemos escribir (39) como U-t"v = F@donde px) (41) (42 e:fr Anotaciones semejantes pueden hacerse para la cuva de regresin de mnimos cuadrados de X sobr9 Y, que tambin resulta ser una recta [dada por (39) con X, Y; x, y int ercambiadas]. Estos resultados deben compararse con los correspondientes en la pg ina 261. - En cry9 d9 que no se conozca f(x, y) podemos an emplear el criterio (37) para o btener cunas de regresin de aproximacin para la polacin. Por ejemplo, si suponemos'qu e g() : a I px obtenemos Ia recta de regresin de mnimos cuadados (39), donde a v g v ienen daas en trminos de los parmehos (desconocidos) /r,_ I'y, oy, r", p. Anlogamente sig(r) =a*Br*Tc2podemos obtener una parbola de regresin de mniinos cudrados, etC. Va se Problema 8.39. En general todas las anotaciones de las pginas 259 a 264 para muestras se amplan fc ilmente a la poblacin. Por ejemplo, el eror tpico de la estima en el caso de la pob lacin vi-ene dado en trminos de la varianza y el coeficiente de correlacin por n.x que debe compararse con (25), pgna262. = "'0e') (t s INTERPRETACION PROBABILISTICA DE LA CORRELACION De las anotaciones anteriores es lgico que una medida de qu tan bien una curva de regte nales. Todas las anotaciones previamente enuncia la poblacin. Por ejemplo, sig() se determinapor (37), entonces acin poblacional debe da ajusta a los datos poblacioen una muestra se-aplican a Qrr) Eg donde Y."t i)'l = E[(v - Y"",)'] * E[(Y*t -Y\'] se uda y expliuda respectivamente. Esto conduce a la definicin del coeficiente de co tehcin poblacional p, donde : g(X) V Y

: E(Y). Las tres cantidades en (44) llaman las tnriaciones total, no expli' no lineal. p ------------------rariacin explicada variacion E(Y*, El(Y total - if1 Y)rl Para el caso lineal, (45) se reduce a (40). Resultados anlogos a (31)-Q$ pueden e scribirse para el caso de una poblacin y regresin lineal. EI resultado (45) tambin se empleapara definir p en l caso (ts TEORIA MT.'ESTRAL DE LA REGRESION La ecuacin de regresin y : a I bx se obtiene bas ados en los datos muestrales. Con frecuencia estamos interesados en la correspon diente ecuacin de regresin !: q. * pr.paralapoblacindela cual s9 extrajo la muestra . Los siguientes son algunos ensays relacionados con una-poblacin normal. Para con sewar una notacin sencilla seguimos la convencin comn de indiearvalores de las vari ables aleatorias muestrales en cambio de las variables aleatorias en s mismas. 1. Ensayo de la hiptesis 0 : b. Para ensayar la hiptesis de que el coeficiente de regresin p es igual a algn valor especfico b utilizamos el hecho de que el estadstico t - B-b t/n-2 Sy.zl8x (40

cAP.8l CURVA DE A'USTE, REGRESION Y COBRELACION 267 tiene una distribucin de Student con n - 2 grados de libertad. Esto tambin puede u tilizase para hallar intenalos de confianza pua coeficientes de regresin poblacional es de los valores muestrales. Vanse Problemas 8,43 y 8.44. 2. Ensayo de hiptesis para valores predichos. Dentese por lo el valor predicho de y co nespondiente i f : ts estimado de la ecucin de regtesin muestral, es decir, lo : a * bxs. Dentese Por Jp el valor predicho de y conespondiente 2, : s para la poblacin . Entonces el estadstico tsu.,ffi @oa"\{n-2 Urr tiene una distribucin de Student con n - 2 grados de libertad. De esta ecuacin se pueden ha' llar lmites de confianza para valores de poblacin predichos. Vase Proble ma 8.45. 3. Ensayo de hiptesis para valores medios predichos. Dentese por Jo eI valor predicho de y correspondiente o,8 : to estimado de la ecuacin de regresin muestral, es dec ir, lo = a * bxs. Dentese por p elvalormedb predichodey correspondiente a x = o par a la poblacin [esto es, fo = E(YIX = co)]. Entonces el estadstico tru.'\[+Fi;m (aoor\ @a tiene una distribucin de Student con n - 2 grados de libertad. De aqu pueden halla rse los tes de confianza para valores medios poblacionales predichos. Vase Proble ma 8.46. lmi TEORIA MUESTRAL DE CORRELACION Con frecuencia tenemos que estimar el coeficiente de correlacin poblacional p a p artir del coeficiente de correlacin muestral r o ensayar la hiptesis relacionando a p.Para este propsito debemos conocer la distribucin muestral de r. En el caso de que p = O esta distribucin es simtrica y se puede utiliza un estadstico con distrib

ucin de Student. Para p + Ola distribucin es sesgada. En ese caso una transformacin debida a Fisher produce un estadstico que aproximadamente tiene una dishibucin no rmal. Los ensayos siguientes resumen los procedimientos involucrados. 1. Ensayo de la hiptesis p = 0. Aqu utilizamos el hecho de que el estadstico f = rl/n-z \/fr (+s tiene distribucin de Student con n 2 grados de libertad. Vanse Problemas 8.47 y 8.48. 2. Ensayo de la hiptesis p * 0. Aqu utilizamos el hecho de que el estadstico z =*r"(i+) = r.1618"",,(i#J aproximadamente tiene una distribucin normal con media y desviacin tpica dadas por (50) -Zt" /1+p\ *, = 1. (i=/ : 1'1513 tos'o(1 Estos hechos pueden tambin utilizarse para hallar los lmites de confianza para los coeficientes de correlacin. Vanse Problemas 8.49 y 8.50. La transformacin (60) se llama transformacin /1+p\ I o/' ", = ffi (51) Z de Fish.er.

268 CURVA DE AJUSTE, REGRESION Y CORRELACION [cAP. 8 3. Significado de una diferencia entre coeficientes de conelacion. rt y nz respetivamente difieren Paa determinar si dos coeficientes de correlacin rr y tz extrados de muestras de tamaos n1 apreciablemente entre s, calculamos Z, y 22 conespondientes a y rz utilizando (50). Luego utilizamos el hecho de que el e stadstico Zr- Zrpzr-2, ozr-2, (521 donde se Itzr-|, = Pzr- lLzr, ozr-2, = Y nrn^ = nt-3' nz-B (53') disbibuye norma[mente. Vase Problema 8.51. CORRELACION Y DEPENDENCIA Si dos variables aleatorias X, Y tienen un coeficiente de correlacin diferente a cero, sabemos (Teorema 3-15, pgina 82) que son dependientes en el sentido de prob abilidad (esto es, su distribucin conjunta no se factoriza en sus distribuciones marginales). Adems, cuando p + O, podemos utilizar una ecuacin de la forma de (39) pata predecir el valor de Y a partfu del valor de X. Es importante aclaa que "correlacin" y "dependencia" en el sentido anterior no nece sariamente implica una independencia causal diecta de X y Y. Esto se demuestra en los ejemplos siguientes. EJEMPLO 8.1. Sen X, Y variables aleatoria que representsn eetaturas y pesos de ind ividuos. Aqu hay una independencia directa enre X Y. EJEMPLO 8.2. Si X representa los slarios anuales de los profesores en tano que Y r epresenta la cantidad de crmenes, eI coeficiente de correlacin puede eer diferene d e cero y podramos halla una ecuacin de regreein prediciendo una variable de la otra,

Pero diffcilmente diramos que hay interdependencia decta entre X y Y. Problerna,s resueltos NECTA DE MINIMOS CUADROS 8.1. Una recta pasa por los puntos (xr, lt ) y ( rr, y, ). Demostrar = que la ecuacin de la recta es U-Ut tenemoe (Ty,)w-.,t [,a ecuacin de una recta es ! : a * b*. Entonces ya que (r, yr ) V @2, y2 ) son pu ntos sobre la recta yt = a+bn1, Por tanto (1) A2 = aibr2 u-a1 = @*br)-(a+b*t) (2\ - b(r-r-1\ 2trt Uz-Ut - (.a*br)-(a*br1l = b(r2-r1l Obteniendo que b : (yz - yt)lfz - 11 ) de (2) y (l pedido sustituyendo en ), el resulado se deduce. diente de la recta. La gfre de la reca .@ se mueetra en la Fig. 8-5. La consante b : (yz - yt)l@z - r ) es la pen-

cAP.8l 8.2. CURVA DE AJUSTE, REGRESION Y CORRELACION Tabl 8-1 u 1 269 (c) Construir una recta que se aproxime a los datos de la Tabla 8-1. (b) Hallar una ecuacin para esta recta. (o) Dibujar loe puntos (1, 6), (9, 7), (11, 8) y (14, 9) sobre un istema de coord ena' das rectangulares corno se muesha en l Fig. 8-6. 3 2 4 6 4 891114 o a t), (3, 2),(4,4\, (6, 4), (8, I 4 8 I Una rect que se aproxime a los datoc se dibuja a mono olzada en la figura, Para u n mtodo que emine la ne' eecidad de juicio individual, vee Problema 8'4 que emplea e l mtodo de mfnimos cuadrados. (b) Para obtener la ecuacin de la recta construida e n (o), escjarrse dos puntoe cualesquiera sobre la recta, tales como P y 8, por ej emplo. Las coordenadas de etos puntoa tomadoc de la grfica eon aproximadamente (0, 1 ) y (72,7 .61. Entonces el Problema 8.1 .rA' ")t)'6"' Fig. 8-6 .tl' a-r =ffiO-l, 6 y-l=0.542r U=l+0.642r.

8.3. Derivar las ecuaciones nonnales (4), pgina 260, para la recta de mnimps cuadrados. Refirindonoa a la Fig. 8-?. f.os valores de y sobre la, recta de mnimos cuadrados conespondientes a 11, 12,...rfnSOn a*bry albr2, ..., albnn Las dewiciones verticales correapondientes son dt = a*br1-yt, dz: albr2-9", dn = a*bxn-yn Fis. E-7 Entonces la suma de loe cuadrados de las dewiaciones e8 a?+ a3+ "' + dl = (a4'br-at)z * (a*br2-Uzl2* "'* (a*bnn-An)2 >d2 : )(o+br_yz Esto e una funcin de o y b, es decir, F(a,b) = l(o * br - g2, Una co ndicin mfnimo (o un mximo) es necesaria para que esto sea un que aFlaa = O, aFlab = 0. Ya que # = >f,t"*br-y\z = # = I$r" *br-y)z : obtenemos )2(a+br-ul 2zr(a*br-al 0 )("+ br-y) 2a = an*b)n 0 )r(o* bx-ul es decir, 2ra = a2r*b2r2 como 8e pedfa. Puede demostrarse que eetas realmente resultan en un mnimo. 8.4. Ajustar una recta de mnimos cuadrados a los datos del Problema 8.2 utilizando a ( c) variable independiente, (b) como variable dependiente.

r como

CURVA DE AJUSTE, REGRESION Y CORRELACION [cAP.8 (o) La ecuacin de la recta es y : o * b. ts ecuaciones normalee son )Y: 2ru: an*b)r a)r*b),sz El trabajo involucrado en el crilculo de las sumas puede ordenarse como ae indic a en l Tabla 8-2. Aunque la ltima columna no se necesita para esta parte del probl ema, se ha agregado a la tabla para emplearla en la parte (b). Tabl t-2 i 1 a 12 nu 1 a2 I 2 4 4 6 a 3 I I 16 36 64 81 I 4 6 4 6 8 16 24 40 63 88

l6 l6 25 49 64 81 I 11 8 Lzl 196 l4 I 2v=40 t26 524 )r=56 2r2 = 2ry = 364 2a2 266 : 8 y lias ecuaciones normles se convierten a 8o*56 = 40 56a*524b = 364 Resolviend osimultneamente =il 0.545, b=+ 0,636; yla rectade mnimoecuadradoopedida es S t + lrx 6 U = 0.546 + 0.636 r. Ntese que esta no es la recta obtenida en el hoblema 8.2 u tiPuesto que hay 8 pares de valores de.r, y, n lizando el mtodo a mano alzadt. Otro mtodo. a = ()y)()r2) - ()r)()ry) = (40)(524\ - (56X364) lt 0'545 = 6 --lE f8-i6 g=w =qffiffi#l )c = cnld)y = frao.oso (b) Si se considera a r como la variable dependiente y a y como la variable independ iene, la ecuacin de la la recta de mnimos cuadrados es : c * dy, las ecuaciones nor males son

2ru = c2y*d2a2 Entonces utilizando la Tabla 8-2, las ecuacionee normales se convieten en dedonde c=-* -0.50, d=9 1.50. 8c*40d = 56 40ci256d = 364 Estos valoree tambin pueden obtenerse de ()rx)sz - Ga)(.)ru) c=ffi==-0.50 d= 1.60

cAP.8l CURVA DE AJUSTE, REGRESION Y CORRELACION Por tanto la ecuacin pedida de la recta de mnimos cuadrados es r = 0.60 * 1.60 y. Ntese que al solucionar esta ecuacin para y obtenemos y obtenida en la parte (o). 0.333 + 0'667 ' que no ee l mim rect 8.6. Representar grficamente las dos rectas obtenidas en el hoblema 8.4. {.60 + 1.50y, se indican en la Fig.8.E. Ntese quelas dos nciden, lo cual es un indicacin de que los datos cin lineal. La recta obtenida en la parte (o ) se y sobre r y ce utiliza para estimar y para valores en la parte (b) se llama la recto de regreein de mar r para valores dados de y. Lar grficas de ls dos rectat, y : 0.546 f 0.636, =-0.500*1.60y t2 10 = y= e, 0.333 * rectas en ete caso prcicamente coi estn muy bien descritos po una rela llama la recta de regre' ein de dados de r. La recta obtenida x eobre y, se utiliza para esti

0.66? r 8 6 1 u= 0.546 * 0.636 2 0 6tl012 Fig.8-8 8.6. (o) Demostrar que las dos rectas de mnimos cuadrados obtenidas en el Problema 8.4 intersectan en el punto (,,). (b) Estimar el valor de y cuando x: L2. (c) Estimar el valor de cuan' doY: 3' -2a40 a=T=-=o Luego el punto (6, ), llamedo el centroide, es (7,6). (o) El punto (?, 6) se encuentra en la recta U = 0.546 + 0.636 r o, ms exactament e, U = &* Lrrr, pueeto eue6=*+t(?).Elpunto(?,6)seencuenhasobrelarerfar=-++$y,pueoq ue7=-*+*(6). Oto mtodo. y E=-t+*y.Resolviendoeimultnesmente,ha*+, = 7 ,! :5. Por anto la rectas se intercept an en el punto (?,5). (b) Al remplazar x.: L2 en la recta de regresin de y sobre n, U = 0'646 + 0'636(12) = g'Z' (c) Al remplazary:3 enlarectaderegresinde sobre a, F = -0.60+1.50(3) = {.9. [secuacionee delaedosrectassona= llamos 8.7. Demostrar que una recta de mnimos cuadrados siempre pasa por el punto (i,,r. Caso 1. es la variable independiente. de la recta de mnimos cuadrados I ecuacin

es (f Una ecuacin normal para la recta de mfnimoa cuadrados es (21 2U = Al dividir ambo lados de (2 ) por n da a- = b@-n) = o I br an i D)r (t) A = a * bn ) U Reetando (3) de (I ), la recta de mnimos cuadrados puede escribirse como Q) Caso que muestra que la recta pas por el punto (, ti), 2. y es la varirrble independiente. mfnimos cuadrados puede eecribirs como hocediendo como en el co 1 intercambiando r, y; remplazando las constantes o, b po r c, d respectiremen' e, hallamos que la recta de (5) que indica que la recta pasa por el punto (4, r- f). = tllu-l Ntese que en general, las rectas () V (S) no coinciden, pero e intergectan en (a,fi ).

272 CT'RVA DE AJUSTE, REORESION Y CORRELACION Demostr^ar que la tecta de regresin de mnimos cuadrados de y sobre forma (8), pgina 260. Tnemo de 11) [eAP. g 8.8. r puede escribirse en la (l), Problema 8.7 , U - = b(x- t). De la segunda ecuacin en (5), pdgina 260, tenemos D_ 2(r n2xy - ()X)y) n)z - (2rlz 2(z-2nr*12) 2r2-22r*2i:z 2r2-2n82 lniz 2s2 - n8z 2r2 I Entonces - tz = t )(>x)2 |n2rz - (Ic)z Tambin >(r t)(v - l = 2(rs-i:y-ir*efrl 2ra-2u-2n1'2e 2rU-nE-nfrE*nitfi

- nE (IX)z) ru - -; j[n2ra Por tanto (I ) oe conerte cn 2rU t (>X>y)] de donde e obtiee el resultado (S ). Ir 2(a - ez demotracin de (12),pdgina 261, re rigue intercambiando D >(z::elfu;al r, y. 8.9. sean c = d *h, u=u'*k, h_ vdondeh n2uU yk son constantes.Demosharque - (2r)(2r'l n2r,y, - (2r,)(2g,1 -F-tr- =-Ep=Tst Del Problem 8.8 tenemos f, = n8ru-(2rl() _ n2xz _ (2r)z Entonces ti = t I h, U g, + k,tenemos ,,=7+h, u=7+tc Por anto - n2r'a' - (2x')(2y'l n)s'2 - (>,p'12 El resultsdo er til para dessrrolle un camino corto para obtener recte de mfnimo cudr

ado al eta contanter epropirad de lo valore dadoo de r, y (vae problema g.12). 8.10 Si en el Problema 8.9, = , h = f, demostrar que D--i#

cAF.8l CURVA DE AJUSTE, REGRESION Y CORRELACION 273 Se deduce inmediatamente del Problema 8.9 ya que 2fr' = l(c-t) y anlogamente = 2r-n = 0 ly' = 6. &11 La Tabla 8-3 muestra las respectivas estaturas lc,y deuna muestra de L2 padres y sus hijos mayores. (c) Construir un diagrama de dispersin. (b) Hallar la recta d e regresin de mnimos cuadrados de y sobre r. (c) Hallar la ecta de regresin de mnimos cuadrados de r sobre y. Tabla 8-3 Estatura r del padre (pulgadas) 65 63 67 64 68 62 70 66 68 67 69 7L Batua y del hijo (pulgadas) 68 66 68 65 69 66 68 65 7t 67 68 70 (o) El diagrama puntor (r, y ) sobre un sistema de coordenadas rectangulares como se muestra en la Fig. 8-9. 72 de dispersin se obtiene dibujando los r = _8.88+r.086/___V (b) f,a recta de regresin de y sobre r est dada por y = a + b*, donde o y b se obt ienen resolyiendo las ecuaciones normales. ./ 70 6 !a

2a'= an * lr 2ra - a2n*b2n2 [,ae sumas se muestran en la Tabla 8.4. de modo que lae ecuaciones normales se c onvierten en 9oe 2? 666 864 E 12o*800:811 800o*63,418b = 64,L07 de donde hallamoe o : 36.82 y b = 0,476, de mod o que y :96.82 + O.476x. La grfica de esta ecuacin e muesta en la Fig, 8-9. 62 62 6{ 66 Fig. 6t E-9 ?0 72 Estatura del padro (pulgadas) Tabla E-4 g t)o a 68 66 68 65 69 66 68 65 t2 4225 3969 4489 4096 a 4420 4158 4624 4356 63 67 64 68 62 70 66 68 67 69 7L 4566 4160 4624 4225

4624 3844 4900 4356 4624 4489 4761 6041 4692 4092 4760 476L 4356 4624 4226 6041 4489 4290 4828 4489 7l 67 68 70 4692 4970 4624 4900 )c = 800 ly=8u lcz = 63,418 Zny = 54,197 )92 = 64,849

274 Otro mtodo. CURVA DE AJUSTE, REGRESION Y CORRELACION lcAP. 8 "= (c) ecuaciones normales I]4ff de sobrey viene = 85.82, b = dada por ry# = 0.4?6 Larectaderegresin x:c* dy,dondecydseobtienensolucionandolas 2a = cntd,2y 2uY = c2Y*d2Y2 L2c Utilizando las sumae en la Tabla 8-4. se convierten en -f SLld = 800 64,L07 E1lc#54,849d muestr en la Fig. 8-9. = delascualeshallamosc:-3,38,d=1.036,asfque:-3.38*1.036y.Iagrficadeestaecuacinse Otro mtodo. . (>XI=y2l- (lyX>ay) n2yz - 12sz _ _s.g8, = n>r!: (>!)l?nl = n2a2 - ()y)2 1.086 8.12. Solucionar el Problema 8.11 utilizando el mtodo del Problema 8.9. Rstese un

valor apropiado, por ejemplo 68, de r, y ( los nmeros restados de r tee). Esto nos conduce a la Tabla 8-5. y de y podrfan ser diferenTabla 8-5 & g' 0 l'2 t'U' 0 10 0 0 4 -3 -6 I 26 -2 0 -l -4 0 I 16 0 0 -6 2 -3 I -2 0 12 0 I I 4 0 9 36 4 4 L2 0 t) -2 0 -3 3

0 0 I 1 -l -1 I 1 I 0 I 3 0 2 0 4 I 2r'2 = lO6 6 )t = -16 De la tabla hallamoe b 2a' = -6 2rtg'47 2a'2 = 4l = U' -3l (12)!47); (12X106) (-16)f;5) (10)z = 0.476

Tambin ya que &' = - 68, 68 tenemos r, = - 68, y, = 68. Por tanto 6?.58 n I =7*68 = -**68 = 66.6?, u =7*68 = -**68 = IZ-LZ = b(u- ), esto ee a = 36.86 * 0.476u u - 67.68 = 0.476(n-66.07) 6 ecuecin de regreein pedida de y sobre x ea a - de acuerdo con el Problema 8.11, aparte de los enores de redondeo, De una manera anloga podemos obtener l ecuacin de regreain de r sobre y.

cAP.8l CURVA DE AruSTE, REGRESION Y CORRELACION 276 ECUACIONES NO LINEALES REDUCIBLES A FORMA LINEAL 8.13. La tabla 8-6 da valores experimentales de la presin P de una masa de gas da da correspondiente a varios valores del volumen V. De acuerdo con los principios de la termodinmica una relacin de la forma PV, = C, donde y y C son constantes, d ebe existir entre las variables. (c) Hallar elvalorde y y C.(b) Escribirlasecuac idnes queelacionan aPy V. (c) EstimarPcuando V = 100.0 pulgadas cbicas. Tabla 8-6 Volumen V (pul3 ) 54.3 61.8 49.5 72.4 37.6 88.7 28.4 118.6 194.0 10.1 Presin P (lb/pul2 ) Ya que 6r.2 t9.2 PVt = C, tenemos tomando logaritmos de base 10 clculos involucrados en eI cmputo de la recta de mnimos cuadrados (l ). Las ecuacio nes normales qorrespondientes a la recta de mnimos cuadrados logP = logC-ylogV logC logP*ylogV: Tomando log I/: x,log P : y, la ltima ecuacin p uede escribirse (r) U = oibr donde:logC,b:-'1. La Tabla 8-? da los valores , y con espondientes a los valores de V, P de Ia Tabla 8-6 y tambin indica los (l ) son 2a = on*) de las cuales 2ry - a2r*b2r2 4.20, a =

()y)()rz)-(>rX:gl _ n2"2-1>n\z , n.2ry - ()rX>u) 6=-ffi;ffiaf'=-1.40 Luego Y = 4.20-l.4Ou. Tabl 8-7 s = logV L.7348 1.7910 1.859? A = logP 1.7858 1.6946 1.6762 1.4533 1.2833 1.0043 12 ra 3.0997 3.0350 3.0095 3.2077 3.4685 3.7943 4.3019 6.2340 2.9294 2.8309 t.9479 2.074L 2.2878 2.66L7 2.2976 )r = 11.6953 (o) Puestoqueo=4.20=logCy (b) Pvt.to = 16,000. (c) CuandoT=100, r=logV:2 25.1 lu = 8'7975 b )12 = 23.0059 2xa 16.8543 =-1.40=-y, C=1.60X104 y y=1.40. Entonces P=antilog1.40= lb/pulg2.

y y= logP=4.20-1.40(21 =1.40. 8.14. Solucionar el Problema 8.13 dibujando los datos en un papel logJog. Para cada pareja de valoree de la presin P y el volumen V en la Tabla 8-6, obtene mos un punto que se dibuja en el popel log-log construido especialmente como se muestra en la Fig, 8-10.

276 CURVA DE AJUSTE, REOBESION Y COBRELACION [cAP.8 l0 ' 3o {0 , m 60 so r00 Volumen Y '{l Fig.8-r0 150 00 t00 Tambin e indica un rectr (dibujada a mano alzada) que re aprorima a eeto puntos. Ir g rifflca reultte muerb que hay una relacin lieal entre log P y log V que puede repreeen tarre por l ecucin logP - o*blogV g = o*bn Ie pendiente D, que er negatlva en ete ce!o, re de numricrnente por l relacin-de la l ongitud AB a le longitud AC. [ medida en este eo indica que D = -1.4. Paa obtener e neceit un punto sobre ce8 l recta. Por ejemplo cuado V: 100, P: 26 de la glfic. Enton4.2 a = logP-log7 = lo926*1.4 los100 = l.a*(1.a)(2) = de modo que logP* 1.4 logV = 4.2, logPTlle - 4.2, y PVtl = 16O00 PARABOLA DE MINIMOS CUAI)BAI)OS E.16. Deriva las ecuaciones nomales (I9), prigina

261, para la parbola de mnimos cudradoo. U = a*ba*crz l pabol de mfni-

Sen lo puntos muetalec (aIttl, (r*uzl, .. ., (nn,!nl. Entoncee lo veloree de y obe mo rdrdor cotrecrondieatet a a1, e2, . . .1rn on olbrlcu!, Por tnto albn2*ct/, of bur*wl l devircionee de.Ut U2, . . . U ertfa dadar por dt = qtbxIc,?"-al' dc = o*bu21-c-!2, ...) d^ = o*c"lorl-t^ y lrr ruma de lo cuadrado de le deviacionee eot dada por )t = )(o+ bxlca2-t)1

cAP.8l Et ec CURVA DE AUsTE, REGRESION Y CORRELACION funcin de o, b, c, e decir 277 F(o,b,cl = )(o I Para minimizar esta funcin debemo tener bx * cx2 U)z Ti=o' ;t=o' *=o Enonces # = ),o3to*c*cr2-a)2 = )2(o+br*crr-a) k = )*a{o*br]-cnz-u)2 = 2Zr(a*brtc2-a) aF :d, ? = )f,t"+ bx-tcr2-a\2 = )2rz1a*bnl crz-a) Al eimpficar cada un de eeta BurnaE e a^F^a'^dF dF od igualndola a cero 8e obtienen la ecuacionee (I9), pgin 261. 8.16. Ajustar una parbola de mnimos cuadrados de la forma ! Tabla 8-8. Tbb u 1.2 1.8 3.1 : 8.6 a I bx * cr2 a los datos de la t D.' 7.7

4.9 9.8 2.7 4.6 5.9 7.0 7.8 7.2 6.8 4.6 2A = an*I*c2n2 [s (r) ecuacionec normales son 2ry = o)*b2r9*c2rs 2n2a = o,2r2]- lcs*clra H trabajn involucrado en computa la uma puede ordenarce qomo 8e mueha en la Tabla 8-9. Tabl u 1.2 1.8 3.1 t 14 a 4.5 6.9 7.0 ?.8 7.2 6.8 4.6 2.7 12 n3 xy 6.40 10.62 21.70 38.22 rzy 6.48 19.12 67.27 1.44 3.24 9.61 24.OI 32.49 60.41 73.96 96.04 1.73 5.83 29.75 117.65 185.19 36?.91 636.06 941.19 2.08 10.49 92.36 5?6.4E 1065.58 4.9 5.7 7.1 8.6 9.8 r87.28 233.93 342.79 s32.82 4t.04 48.28 38.70 26.46 254t.L6 6470.t2 9223.66 259.8r 2n2g I= 42.2 )u=

46.4 2r2 Ic3 = 2276.36 2ua = Zxu 291.20 18,971.92 230.42 1449.00 Puecto que n (2) Reolviendo, o cin = 8, lar ecurcior normler (I ) rc convierten en 8a I 42.2b + 291.20 c = 48.1 12.2a* 2SL.2Ob+2275.36c = 230.42 291.20 o + 2276.360 + 18971.92c : 1449.00 2.688, b = : 2.066, c = {).2110 ar la parbola 2.588 de mfnimoq cuadrado pedida tiene l ecr, = + 2.065 t - O.2ll0rt

278 CURVA DE AJUSTE, REGRESION Y CORRELACION la. lcAP.8 8.17. Utilizar parbola de mnimos cuadrados del Problema 8.16 para estimarlos valores de y de los valores dados de r. Pata r = 1.2, Ue" = 2.588 + 2.065(1.2) - 0.2110(I.2)2 = 4.762. Anlogamente se obti enen otros valores estimados. [.os resultados se muestran en la Tbbla 8-10 junto con los valores reales de y. Tabl 8-10 Uest 4.762 4.5 5.621 5.9 6.962 7.0 7.640 7.8 7.503 7.2 6.613 6.8 4.741 4.5 2.56L 2.7 u REGRESION MULTIPLE 8.18 la forma z r, y por medio de una ecuacin de regresin de a ! bx * cy. Demostrar que la ecuacin de regresin de mnimos cuadrados se obtiene al determinar a, b, c de modo que satis faga (21,), pgna 262. Se desea estimar una variable z de las variables : Sean los puntos muestrales (ryUyzr), ..., (n,Un,zn\, Entonces los valores de z so bre el plano de regresin de mnimos cuadrados correspondientes a (r1, all, , . ., ( rn,An) son respectivamene

a*br1*ey Por tanto las desviaciones de z, . . ., z, vienen dadas por a*bnr*cyn dn = a* bnr* cUr- z dt = a* br1 * cUt- zt, 2d2 = 2(a* br I y la suma de los cuadrados de las desviacionee est dada por cy zz Considerando esto como funcin de o, b, c e igualando las derivadas parciales con respecto za, b y c a cero, las ecuaciones normales pedidas (21) en la pgina 262 se obtienen, 8.19. La Tabla 8-11 muestra los pesos z ala libra ms cercana, las estaturas x, al a pulgada ms cercana y las edades y al ao ms cercano de 12 muchachos. (c) Hallar la ecuacin de regresin de mnimos cuadrados de z sobre x, y. (b) Determina los valores estimados de e de los valores dados de r, y. (c) Estimar el peso de un muchacho de 9 aos y 54 pulgadas de estatura. Tabla 8-11 Peso (z) 64 7l 59 53 49 6 67 62 11 DO b 50 d 77 DD DI 48 56 52 10 51 76 61

68 Esatura (z) Edad (s) ol 8 5l 8 42 6 ol l0 10 I t2 I (a) La ecuacin de regresin lineal de z sobre r, y puede escribirse z: albnlcy Las ecuaciones normales (21),pgina 262, vienen dadas por (f) 2z = na*b2r*c2y 2rz : a2a * b2r2 * c2rg 2gz : a2y * b2rg -f c2yz El trabajo involucrdo en computar las sumas puede otdenarse como se indica en la Tabla 8-12.

cAP.8l CTRVA DE AruSTE, REGRESION Y CORRELACION Tabla t-12 fi 64 Df 59 49 62 51 a 8 10 6 11 z. 4096 5041 2809 4489 3026 3364 6929 12 y2 64 100 36 uz 3648 4189 uz nu 466 690 3249 3481 5t2 710 318 787 7l 53 67 OD 2401 3844 2601 2500 3026 2697 4L64 2805 2900 4296 254 682 408 :t50 Lzl 64 49 100 81 100 36 8 7 10 440 406 770 613 58 77 67 66 61 60 oo 48 62 42 61 67 60 492 620

I 10 6 3249 3136 2601 2304 2704 2756 2St2 660 306 t764 3721 8245 2t42 4686 8876 262 732 618 76 68 t2 9 6776 4624 t44 81 912 6L2 2z= ?53 )c= 643 )?= 106 222 = 2a2 = 2az = 9?6 2rz = 40,830 2yz =

6796 2uy = 6779 48,139 34,843 Utilizando esta tabla, las ecuaciones normales (I ) ee convieren en l2a1-643b *106c (2) 643 = 769 * 34,8436 * 6779c = 40,880 106o*67?9b+976o Rerolviendo, a = 6796 = 3.6612, = 0.8646, c = 1.6068, la ecuacin de regrerin pedida es (t) (b z = 3.66+0.865r+1.606u zesb al susti) tui los valores correspondientes de x, y, r,e resultado e dan en la Tabla 8-18 junto con lo mueshaleg de z. Utilizando la ecucin de regrecin (3) obtenemos log valores egtimados de z, denoado8 pot valoreg Tabl 8-13 2est

2 64.4t4 69.136 64.664 78.206 69.286 66.926 66.7r7 68.225 68.168 48.682 ?8.86? 65. 920 64 7l 63 67 DD 68 77 67 66 61 76 68 (c) Remplazando : 54,! : 9 en (3), el peeo estimado es zest : 63.356, o aprorimadamente 63 lb. ERROR TIPICO DE LA ESTIMA 8.20. Si la recta de regtesin de mnimos cuadrados de y sobre que el error tpico de la estima sy. st dado por r viene dada por ! : a * b*, demoss'?- = v., 2a'a2g n

b2rY por Ueet Loe valoreg de y ectimadoa a partir de la recta de regrerin viene'r dados = @ * . Entonces ^, =.r=n= = 2(a-a."r)2 2afu 2fu-o-brlz o.2(Ufl -a.-brl o-bu) - b2r(u -a-br)

280 Pero CURvA DE AJUSTE, REGREsIoN Y coRRELAcIoN lcAP. 8 2(A-a-bn) - 2y-an-Ir = 0 2r(a-a-br) - 2na-o,2r-b2rz = 2A = on * )c 0 pueso que de las ecuaciones normales 2ru - a2r * = b2u2 Entonces s., = 2a@-a-bt\ nll 2a2-a2a-b2ra Este esultado puede extendere a ecuaciones de regresin no lineal. 8.21. Demostrar que el resultado del Problema 8.2O puede escribirse como ^z u. Mtodo 1. 2(a - )'b)(c n )(u 'l Si = r' * A, g = A'+ . Entonce del hoblema 8.20 N3' = 2u2-o'2a-b2xy = 2(a' + )2 - o2(g' * fil - b2(r' * l@' * l = 2(y'2*2ytfi*z - a(2 U,*n') - b2(r,y, I yt * r,!* e!\ = 2a'2 + 2y29' * n2 - ana - b2r'g' - bt2y' - bi2r' - bn! = 2U'2 + n2 - an - b2t'g' - bn, = 2u'2 - b2rtgt * n( - o- bl = 2O'' - b2r'Y' = (a - a)2 - )(a - al@ - l donde hemooutilizadoloreultedot2r'=0, 2u'=0 y = o*bt (que r e deducen aldidiramboslado de

l ecuacin normal 2A = an * b)r por n. Erto demueetra el resultado pedido. Mtodo 2. Sabemo que la recta de regreein puede eecribiroe oomo blem 8.20 se obtiene el reultdo pedido. / - = b(r - ), que corteeponde a empezar con l--o+bryremplazando:oporcero,UpotA-,x pot-.CuandoeehacenestoeremplazoenelProlos datos del Problema 8.11. E.22. Catcular el error tpico de la estima 8.2 par Del hoblema 8.11(b ) la recta de regresin de y cobre x ea ! : 36. 2 + O,47 6r. En l a Tbbla 8-14 ee listan los valores reales de y (de la Tabla 8-3) y los valorec e stimado de y, denotados por lresr, como se obtienen de la recta de regresin. Por e jemplo, cotrespondiendo a = 65 tenemotgest:36.82 + 0.476(66) : 66.76. Tambin e indican lor valorea y Uest, ge e neceaitan para el clculo de oy.r. Tabl t.14 a Uesl 65 68 66.76 L.24 63 66 65.81 0.19 67 68 67.7L 64 66 66.28 68 69 68.19 0.81 62 66 66.33 0.6? 70 68 69.14 66 65 67.24 68 67 67 67.71

69 68 68.66 7l 70 69.62 0.38 7l 68.19 2.81 U Aest 0.29 -1.28 -1.14 -2.24 -0.71 -0.66 >(u-u.")z = "1." y 8t.x = lTiltr= 1.28 pulgadac. (1.24)2+(0.r9)z:l-...+(0.98)2 12 = L64z

cAP. 8l CURVA DE AJUSTE, REGRESION Y CORRELACION 28L 8.23. () Construir dos rectas paralelas a la recta de regresin del Problema 8.11 a una distancia vertical sy.,. (b) Determinar el porcentaje de puntos de datos qu e se encuentren enhe estas dos rectas. (o) ta recta de regresin y : 35.82 * 0.476 obtenida en el hoblema 8.11 se muestra slida en la Fig. 8-11. Las dos rectas paralelas, cada una a una distancia vertical su., = 1.28 (vase hoblema 8.22), se muestrana trazos en la Fig. 8-11. de datos, 'tz ?0 (b) De la figura se ve que de los 12 puntos 7 se encuentran entre las rectas en tanto que 3 66 rior utilizando el ltimo rengln en la Tabla 8-14 revela que 2 de estos 3 puntos se encuentran entre lasiectas. Entonces el p orcentaje pedido es 9lL2: 7 5%. parecen estar sobre las rectas. Uir examen poste66 6l 62 Otro mtodo, Del ltimo rengln de la Tabla 8-14, y-gfo", se encentra entre -1.28 y 1,2 8 (es decir, ts,,) para 9 puntos (, y). Entonces el porcentaje pedido es 9l12 : 7 5d,,. Si los punto s estn distribuidos normalmente respecto a la recta de regresin, la teora predice q ue alrededor d,el 6812 de los puntos se encuentra entre las rectas. Este hubiera sido el caso aproximado si el tamao fuera ms grande. NOTA: Una mejor estima del error tfpico de Ia estima de la poblacin de la cual so ., = tpiLo (1.28) = 1.40 pulgadas. ne dada por 6r., = 1/@ se tomaron las estaturas vieCOEFICIENTE DE CORRELACION LINEAL 8.24. Demostrar que >(g

Elevando al cuadrado A"'r)'* 2(U*r- A)'. Il - [t = (y - y""t) * (Uost - g) sumando, tenemos 2(u-)2 - ) (y-uu.t)2* )(yn"t-)2+ z>fu- un"J(v.,t-ti) A)" = 2(A El resultado pedido se deduce si podemos mostrar que la ltima suma este es eI caso, ya que es cero. En el caso de regresin lineal )(v Y'"')(v" "r - a) = =Q :y,; :: :;:: ;::;,:'- abn) a - brt Q. >@ a bn) puesto que de las ecuaciones normales 2(a = 0, 2r(u - a-bxl = Anlogamente puede demostrarse que el resultado es vlido para regresin no lineal uti lizando una curva de mnimos cuadrados dada por Aes = ao* ap t a2r2 I " ' * a,nrr, 8.25. Calcular (a) la variacin explicada, (b) la variacin no explicada y (c) la va riacin total para los datos del Problema 8.11. Tenemos

Uest de : 67 .58 del Problema 8.12 (o de la Tbbla 8-4, ya qve la Thbla 8-14 podemos cons truir la Tabla 8-15, Tabla,S-15 Uest : 8]-LlL2: 67.58). Utilizando los valores a -0.82 -t.77 )(U".r 0.13 -1.30 0.61 -2.25 1.56 -0.34 0.61 0.13 1.08 2.04 (a) Variacin explicada = (b) Variacin no explicada -)2 = (-0.82z+.'. + (2.0tz - rn.rr. = )(U - U""t)2 - ne?., = 19.?0, del Problema 8. 22.

282 CURVA DE AJUSTE, REGRESION Y CORRELACION lcAP.8 (c) Variacin total : 2(a - A)z = 19.22 + 19.70 = 38.92, del Problema 8.24, Los result ados (b) y (c) pueden obtenerse por clculo diecto de la suma de los cuadrados. 8.26. Halla (o) el coeficiente de determinacin y (b) el coeficiente de correlacin p aa los datos del Problema 8.11. Utiliza los resultados del Problema 8.25. (a) coef icientededetermiracin = t = '1Hi1if*1"io" =m= 0.4e88. (D) coeficiente de conelacin = r : tV7d58- = !0.7027. Puesto que la varirable yn", aumenta a medida que r aumenta, la conelacin ec poei tiva y por tanto escribimo r : O.7027 o con dos cifrar significativas r : 0,?0. 8.27. A partir del resultado general (30), prgina263, para el coeficiente de cone lacin, derivarel resultado (34), pgina 264, (la frmula producto momento), en el cas o de regresin lineal. La reca de regreein de mnimos cuadrado de y sobrer puedeescribfuse 1lest= b = 2r,A,l2at2, trt =rE, y Ulst = U.s- f. Entoncee, utilizando A, = y -f, tenemoa &*br 6 Ulr= bx,,donde 2= variacin explicada vaiacin no explicada 2b2r,z b22r,2 /?r,o,y = EP- = EF- = \E/ /rorl = \r.) asr--*2r'a' ffi

(2x,y,)z \/trW Sin embargo, puesto que la'gt'es positiva cuando 3/ss autnent a medida que r aumen ta, pero negativa cuando /est disminuye a medida que r.aumenta, la expresin para r tiene automticamente el signo coneco asociado. Por tanto se sigue el reeultado p edido. E.28. Utilizando la frmula producto-momento, obtener el coeficiente de correlacin lineal para los datos del Problema 8.11. El trabajo involucrado en la computacin puede organizarse como se indica en la Tabla 8-16. Entonces 2r'a' 40.34 \/G;4F7q de acuerdo con el Problema 8.26(b). /i84s8)?58-3t Tabla E-16 = 0.7027 u 65 63 67 B4 a 68 66 68 66 69 66 68 66 r-t -t.7 -3.7 0.3 a-v 0.4 a'= tr'2 2.89 13.69 u'a' a'2 0.16 2.66 -0.68 5.92 0.L2 7.02 1.82 7.62 1.32 1.82 4.42 -1.6 0.4 0.09

7.29 1.69 22.09 10.89 0.49 1.69 0.09 5.29 18.49 -2.7 1.3 -2.6 L.4 ' 0.16 6.76 1.96 2.66 0.16 6.76 11.56 0.36 68 il 'l ,,-0v t'.' ,[bb tt 62 70 66 68 67 69 -4.7 3.3 -1.6 0.4 7l 67 68 70 -0.7 1.3 0.3 2.3 4.3 -2.6 3.4 , ,',))' l) n'\ \) '\il t' j -0.6 0.4 2.4 -0.18 0.92 10.32 7t 0.16 o. o ) = 800 i,:800/lZ = 66.7 )y = 811 a = 8LUl2 2rt2 =

84.68 2trtg'= 40.34 2a'2 = 38.92 = 67.6

cAP.8l CURVA DE A.TUSTE, REGRESION Y CORRELACION 288 8.29. Demostrar el resultado (17), pgrna 261. [,a recta de regresin de y aobre r e s u=olbx Anlogamente, la recta de regresin de donde A=?I, donde =? rz r sobre y er =a*ilu 8y Entonces bt = 1g\ 1g) = \c"/\oy./ 8.30. Utilizar el resultado del hoblema 8.29 para halla el coeficiente de correla cin lineal para los datos del hoblema 8.11. Del Problema 8.11 (b) y 8.11(c) respectivamente 484 ' =10fr=0.476 d=ffi =1.036 Enroncec rz = bd, - | gl\/e\ 6 =(iiot/\al/ ' =o'7o27 que est de acuerdo con lo Problemae 8.26(D) y 8.28. 8.31. Demostrar que el coeficiente de correlacin lineal viene dado por f= En el hoblema 8.27 ee demoetr que (r) Pero |

= -4={@4 = >(x-el(a-il = 2(ra-Da-s*el = 2uU-e2A-fr2ntnD! = 2ru-n-nfro-lnn! = 2rg-nDfi 2xt = -E - (>aXIY) n :E Puesto que = (2rlln V' = (2Alln" Arlogamente, 2(a-nlz = 2(rz-2rt*r2) = 2s2 - 22r 4 ntz (2112 2(2nl' ()r)2 = 2rz = 2r2 - nnn* v Entonces (I ) ee convierte en r(a-z = 2a2 r : .>IY w@ : n2rA-(2r'l(2A)

284 CURVA DE AJUSTE, REGRESION Y CORBELACION [cAP. 8 8.32. Ubtlizar la frmula del Problema 8.31 para obtener el coeficiente de correla cin lineal para los datos del Problema 8.11. De la Tabla 8-4 r= n2ru - ()X)z) (8oo)(811) (r2)(54,L071 = 0.7027 como en los Poblemas 8.26(b), 8.2g y g.30. COEFICIENTE DE CORRELACION GENERALTZADO 8.33. (c) Hallar el coeficiente de correlacin lineal entre las variables r, I del Problema 8.16. (b) Hallar el coeficiente de correlacin no lineal entre esta s variables, supniendo la relacin parablica obtenida en eI Problema 8.16. (c) Expli car la diferencia entre los coeficientes de correlacin obtenidos en (c) y (b). (d ) Qu porcentaje de la variacin total permanece como no explicada por la suposicin de la relacii.n parablic a entre x, y? (a ) Utilizando los clculos de la Tabla 8-9 y agregando que 2tt2 = 290.62, hallamos r= n2ru ()X)r) (8X230.42) [(8)(2e1.20) (42.21(46.4',)

(42.2)r][(8X2e0.52) (40.nzi = -0.3?43 (b) De Ia Tabla 8-9, i = (2U)/n = (46.4)/8 = 5.80. Entonces variacin total = 2(A - ilz = variacin explicada 21.4O De la Tabla 8-10 Por tanto t-= = l(g""t-Al2 = 2l.Oz variacin explicada ,1 , y r =0'9911 var6ei;;tal =ffi=0'9822 (c) El hecho de que la parte (a) muestra un coeficiene de correlacin de solo 4,3743 in dica prcticamente ninguna relacin lineal entre r, y, Sin embargo, hay una muy buen a relacin no lineal dada por la parbola del hoblema 8.16, como lo indica el hecho de que el coeficiente de conelacin en (b) est muy cercano a 1. variacin no explicada vaiacin total (d) = l-r2 = L-0.9922 = 0.01?g Por tanto 7.78%de la variacin total permanece no explicada, Esto puede deberse a fluctuaciones aleatorias o a una variable adicional que no se ha considerado, 8.34. Hallar (a) s, y (b) sr., paralos datos del Problema 8.16. (o) Del Problema 8.33 (b), 2(A - )2 = 21.40. Entonces la desviacin tpica de y es 8u= 2(u \2 21.40 8 =

1.636 1.64 () Primer mtodo. Utilizando (a) y el Problema 8.33 (b), el error tpico de la estima de y sobre I es B!." = ss\/T=F = 1.636y'i-(0.99r1)2 = 0.218 6 o.2z

cAP.8l Segundo mtodo. CURVA DE AJUSTE. REGRESION Y CORRELACION 286 Utilizando el Problema 8.33' variacin no explicada = 0.218 6 0.22 Tercer modo. Utilizando el Problema 8.16 y el clculo adicional 2gz 8y.a = = 299.52, tenemos 2a2-a2a-b2ra-c2n2a = 0.218 0.22 8.35. Explicar crno determinaa un coeficiente de correlacin mltiple para las variable s en el Problema 8.19. y. Ya que z se determina de , y estamos interesados en el coeficiente de corelaen mlt iple de z sobre x, que Para obtenerlo, vemos del Problema 8.19 Variacin no explicada = 2(z zo"tl2 (64-64.4L4\2 + "'+(68-65'920)2 = 258.88 Vaiacin total

2(z-2\2 - 222-n22 48,139 - L2(62.76)z = 888'26 = 888.25 Variacin explicada Enonces 258.88 = 629.37 Coeficiente de correlacin mltiple de z sobre x, y I va;l'ciexptat- @ "" = 0'8418 = !ffi = thffia Debe mencionarse que si furamos a considera la regresin de eobre y, z gera en genera l diferente del valor anterior. sobre y, z, el coeficiente de correlacin de CORRELACION GRADUAL 8.36. Derivar la frmula de correlacin gradual de Spearman (36), pgna 264. Aqu estamos considerando n valores de r (por ejemplo pesos) y n valores correspondientes de y (por ejem- pl; esbturas). Sea rr: el grado dado al j{simo valor de x, ! el gr ado dado al j'simo valor de y ' [,os grados son enteros de 1 a n. [ media de r; ss t+2+.-.*n @l_ryz n*l En = mientras que la varianza es sf, = 12-82 = 12+22*... *n2 n n(n*r)(2n*11/6 2 n2-l t2 utilizando los reeultados 1 y 2 del Apndice A. Anlogamene, la media ylavarianzasf so nigualesa(n l)12 y (n2 L)ll2 respectivamente. Entonces si d : r i - I i son las desviaciones entre las graduaciones, la varianz a de las desviaciones, dada en trrninos de e2r, al y el coeficiente de correlacin entre grados por * s2,

viene a3: s?+r?-2rsads"sv

286 Entoncee cuRvA DE AJUsrE, REeRESIoN y coRRELAcIoN lcAP. 8 (r) heco que 7 = fgrad = eZ+sT-af; %.s" 0, tor \-"rttd"3 e,rz)/n y (l ) ge convierte en 7')/12 W @2 * (nz 6>d2 - l\ltZ - (2d2)/n = L-nfu2] 8.37. La Tabla 8-17 muesta cmo l0 estudiantes fueron clasificados segn su rendimien to en el laboratorlo y en teora de un curso de biologa. Hallar el coeficiente de c orrelacin gradual. Tabla 8-17 Laboratorio Teorfa 8 3I2 9510 7 r0 4 615 1873426 La diferencia de puntuaciones d en laboratorio y teorfa para cada estudiante se da en la tabla siguiente. Tbmbin se incluyen dz y 2dz. Tabla 8-18 Diferencias de puntuacionee, d d2

-1 -2 -1 1 1-1 I 1 3 I I I 2-L 4 1 -1 1 4 2d,2 24 = Entonces rgrad= t-#!T = t-ir#?u = 0.8s45 indicando que hay una relacin entre el rendimiento en laboratorio y teorfa, 8.38. Calcular el coeficiente de correlacin gradual para los datos del Problema 8 .11 y compararfos rezultados con el coeficiente de correlacin obtenido por otros mtodos. ordenadas en forma acendene de magnitud, las estatura de los padres eon (r) 62, 63, 64, 66, 66, 6?, 6?, 69, 69, 69, 70, 71 Puesto que en esta ordenacin loe lugares sexto y r*ptimo represenan la misma estatu ra (6? pulgadas), le.c asignamos a estos doe lugares un orden medo de 6.6. Anlogam ente, a los lugares 8 y 9 ae les asigna el orden 8.6, As, a las etatura de loe padr es ee les aaigna los rdenes (2) (3) dio de 7 .5 l,

2, 3, 4, 6, 6.5, 6.5, 9.5, 9.5, 10, 11, 12 De igual forma, lac estauras de loe hijos ordenadas en gentido creciente son 66, 66, 66, 66, 67, 69, 6g, 69, 6g, 69, 70, 7l y puesto que los lugares 6, ?, 8 y 9 repreeentan la migma estatura (68 pulgadas) , les asignamo w orden meg [(6 + z + + 9) / 4 . por tanto las estatuas de los hijo s quedan ordenadas @ Con las correspondencias 1.6, 1.6, 3.6, 3.6, 6,7.6,7.6, 7.6,7.5, 10, 11, 1 (t) y (2),(J) y (4), la Tabla 8-B se convierte en Tabla E-19 Graduacin del padre Graduacin del hijo 4 2 6.6 3 8.6 1 11 6 8.66.6 10 t2 7.6 3.6 7.6 1.6 10 3.6 7.6 1.6 t2 5 7.6 11

cAP.8l CURVA DE AJUSTE, REGRESION Y CORRELACION diferencia en graduacionec d, los cmputos de d2 y I )d se muetran en la Tabla 8-20. 20. Tabla 8-20 -3.5 -1.6 -1.0 1.5 -1.5 -2.6 3.5 3.6 -3.5 1.6 2.6 1.0 12.25 2.25 1.00 2.25 2.25 6.26 L2.26 L2.26 12.25 2.26 6.26 1.00 d Entonces 2iP = 72.60 rgrad = t-#!T: ,-ffi!\ = 0.?466 que concuerda muy bien con el valor r = 0.7027 obtenido en el Problema 8.26(b). INTERPRETACION PROBABILISTICA DE REGRESION Y CORRELACION 8.39. Derivar (39) a partir de (37). , Suponga que la ecuacin de regresin Para la recta de regresin de es ! = E(YlX=r) = a*Fr mnimos cuadrados debemos considera E{lY (a+ px)12} bor"-or utilizado = E{I(Y - pvl - P(X - px) * (pv - Px- dlz} = El(y -pv)21 + BzEl(X-r.}j'2l- zBEl(X -pi(Y -,v)l + Gv-Ft'x-o)2 = "? * F2oI - 2Boyy r (py - Fpx- 2 E(X - px) - 0, E(Y -

rv) = 0. - Fpx- ol, E = dF Denotando la ltima expresin por F(c, p) tenemos AF u = mos -2(pv zBoi 2oxv 2px(pv - 9px- "l Igualando estas ecuaciones a cero, lo cud es una condicin necesaia para que F(q,F) sea un mnimo, hallatv = ol Ftx Por tanto si g - a* pr entonces A - Fy = p(r - r,a) Fok = o*v a-tly="4tr-u*) A-Py /'- px\ ^t u\ox) | Debe notarse la semejanza de la demostraein anterior para poblaciones, utilizando esperanzas, con la correspondiente para muestras, utilizando sumas. En general, los resultados para muestras tienen resultados anlogos para poblaciones e inversamene. 8.40. La funcin de densidad conjunta de las variables aleatorias X, Y es l\r'a) : (a | f;(r+2y) 0<n<7,0=Y<L {o deotraforma Hallar la curva de regtesin de (c) Y sobre X, (b) X sobre Y. )

La funcin de densidad marginal de X es f{r) = [; lo+zoa, = f,o*t

288 cuBvA DE AJUSIE, REORESION y CORBELACION [CAp. 8 par 0 r=1, y f{rl =0 deotraforma,Portanto,para 0 r<l,ladensidadcondicionaldeYd. = daXe rz(utat = W = {X [o ssYsr y<o 6 y>r y la curva de regreain de Y sobre X est dada por a - E(ylx=r\ = fl.ufr{ulOaa ('/"+zy\. 3,*4 Jra\"+1"v = 6'+6 Ni fz (yl*), ni la curva de regreein estn definidas para ( 0 ) 1. (b) Para 0 = y < I la funcin de denidad marginal de yes fztu) Por tanto, para O t. = fo'!@+zula, de = |tr*nr = y S L,la densidad condicional X

dada Yes frotu\ = ffi = )';+# o='=1 L0 rf ,t"lul a, = r<O r>.t y la curva de regresin de X solre If viene dada por t, = E(x I y = = tlpara y ,'"(?i#)* l.I ) 1. Nteequelaadoscurvasderegresin"=(3r+4llrcx*6),*:12*6y)/(3+12y)eondiferente. 0y fi (ly), ni la curva de regresin se definen ( 8.41. Hallar (a) X, (qY, @l (a) () "?, (d) o?, (e) o*r, (D p paraladistribucindelProblema8.4O. x = ,'=, J:'=, "l?o + zutlar ay = I i: -'l 4r f-o J,=o J"=ooLi<"+zYlfdrdY rr ll = i fr = f,'=o.f"'=o",13r"+zvfanav = # Entonces ofi = z-*z = *-(3)'= #

(dl Entonceo F = f,'=o "'=o o,lla +zut)an ay = t ofr = F-tz = _(i*)' = #

cAP. 8l CURVA DE AJUSTE, REGRESION Y CORRELACION 289 (e) xY = Entonces ,'=o "'=o,o1f,o+zul)arav =1 3 ,xY p = n-x oxY oxoy = *-(s)(i*) = = 1 162 0 -l/162 ,nfi162\/28/Bz4 -0.0818 Ntese que el coeficiente de correlacin lineal es pequeo Fsto es de esperarse al obs ervar las rectas de regresin de mnimos cuadrados obtenidos en el Problema 8.42. 8.42. Escribir las rectas de regresin de mnimos cuadrados de (a) Y sobre X, (b) X sobre Y para el Problema 8.40. () La recta de regresin de Y sobre X es + oXY "+@ ,= , (+)

a -i : r I x) -.. r8fl - -,'lW\" - q\I a- 11 = -l/162/- t / (b) La recta de regresin de- X sobre Y es u-X = '\ av sX "('-i\ r-i( =$<a-rt oi r- = -#(r-#) TEORIA MUESTRAL DE LA REGRESION N E.43. En el Problema 8.11 de regresin de y sobre x eray: 35.82 + O.476x. Ensayar la ignificacin del O.Of Ae que el coeficiente de regtesin de lacional es tan bajo como 0.180. 0.476B-b t=r;lrv1l_z=-.2U'L66 0'19916= = ya que eo.r: L.28 em a 8.22)y 1.9b se hall que la ecuacin hiptgsis al nivel d-e s la ecuacin de regtesin pob (calculcda en el Probl

Con un ensayo unilateral de Ia flistribucirin de Student a un nivel 0,05 rechaza ramos Ia hiptesis de que el coeficiente es tan bajo como 0.180 si ) .e5: 1.81 para L2 - 2 : 10 grados de libertad. Por tanto no podemos rechazar la hiPtesis. ot : ". = {"- 2.66 del Problema 8'11' 8.44. Hallar los lmites de confianza del 95', para el coeficiente de regresin del P roblema 8.43. Loslmitesdeconfianzadcl F = b-+f+) ' \4\82 I para 12 - 2 = l0 grados de libertad) vienen dados por 95?iparap(obteni.losaleolocar t=lt,szs=!2.23 h es decir, se est en la ryHt\ = 0.47G :t ' +('!!) t" / = 0.4?6 t Vlo\' t/tz- 2\ o.B4o confianza del 95% de que 6 se encuentra entre 0.136 y 0.8I 6. de los hijos cuyp son 8.45. En eI Problema 8.11, hallar los lmites de confianza d-ei 95'7, rara ias esta turas yos padres tienen unas estaturas de (o) 65.0 y lb) 70.0 pulgadas' puesto qu t s7;:2.2g para 12 - 2:

LO grados de libertad,los I:rites de conftanza del 95oy' para --j:lq--,,,,, 1/ ,, . Y ltr-2 donde 37e : 85.82 + 0.4?6 r6 (Problema 8.11). sr.r : L.28, sx: 2.66 (Problema 8.43)' y n: !2 1 r/o t r--..--

290 CURVA DE AJUSTE, REGRESION Y CORRELACION lcAP.8 los lmites (o) Si 16 : 65.0, y : 66.?6 pulgadas. Tarnbin, de confianza del g5% son (ro - t)2 : (65 - 8OOtl2r2 : 2.78. Entonces 66.?6 a 2'23 es decir, se puede estar en la confianza del 96Vo de que las estaturas de los hi jos estn entre 63,0 y ?0.6 pulgadas o 0.za\ = 66.?6 t 3.80 pulgadas (b) Si 16 : 70.0, /e : 69.14 pulgadas. Tambin (x ,iz : (?O.O - SOO112)2 : 11.11. Entonces los lm ites de confianza del 96Vo so 69.14 + 5.09 pulgadas, es decir, se puede esta en la confianza d,elgbVo de que las estaturas de los hijos estn entre 64.1 y 7 4.2 pul gadas. Porlo +1.96sy.2y6!2so.rcontalquero -noseademasiadogrande.Estoconcuerdaconlosresult ados aproximados mencionados en la pgina 262.Los mtodos de este problema son vlidos independiente del tamao de n to - E, es decir, los mtodos muestrales son exactos para una poblacin normal. Ntese que para grandes valores de n, los lmites de conanza del 95% estn dados aproxi madamente 8.46. En el problema 8.11, hallar los lmites de confianza del96% para las estatur as'medias de los hijos cuyas estaturas de los padres son (a) 65.0 y (b) ?0.0 pul gadas. Ya que t.s1t : 2.23 para 1 0 grados de libertad, los lmites de confianza del 95% para Uo fo

son = 2.23 donde y : ffisv.' sr.": 2.66 (Problema 8.48). 35.82 + 0.476 r6 (Problema 8.11), (o) Si.16 :65.0, hallamos [comparar con el hoblema 8.45(c)] los lmites de confianza delg1l";66.76 1 1.07 pulgadas, es decir, se puede tener confianza de 95Vo que la estatura medi a de todos los hijos cuyas estaturas de los padres son 65.0 pulgadas se encontra rn entre 65.? y 6?.8 pulgadas. ' (b) Si re :70.0, hallamos [comparar con el Problema 8.45()] los lmites de confianza del 95%;69.14 f es decir, se puede estar en la confianza de| g6% de que la egtatura media de to dos los hi jos cuyas estaturas de Ios padres son 70.0 pulgadas se encontran entre 67.7 y 70.6 pulgadas. 7.45 pulgadas, TEORIA MUESTRAL DE LA CORRELACION 8.47. Un coeficiente de correlacin basado en una muestra de tamao 18 result ser 0.3 2. Puede concluirse a un nivel de significacin del (a) 0.05 y (b) 0.01 que el coef iciente de corrhcin poblacional es apreciablemente mayor que cero? Deseamos decidir entre las hiptesis (Ho: g :0) y (llr t = ,1/l-z = = ,/i=@0, (o) () Puesto que no podemos rechazar ) 0). o.sz\/ra-z :

p l.Bb Sobre la base de un ensayo unilateral de la distribucin de Student a un nivel 0.0 5, rechazaramosI/e si ) .ss :7.75 para 18 -2: L6 grados de libertad. Por tanto no podemosrechazaI/6 al nivel 0.05. t/6 al nivel 0.05, ciertamente no podemos rechazarla al nivel 0.01 8.48. Cul es el tamao mnimo tal de una muestra para que podamos concluir que un coeficiente de correlacin de 0.32 sea considerablemente mayor que cero al nivel 0.05? A un nivel 0.05 utilizando un ensayo unilateral de la distribucin que de Student, el valor mnimo de n debe ser 032{n 2 r/i -to,sz), = t.o para n 2 grados de libertad

CURVA DE AruSTE, REGRESION Y CORRELACION Para un nmero Paa infinito de grados de libertad, .9r : 1.64 y por tanto n: 25.6. n=26, v =24, t.s|= 1.7L, t - o.sz\/rLtt/l-(u32Y = 1.66. para n=27, v =26, t.s|= l.?1, t--032\r26^tr=@ = 1.69. paa n=2g, v=26, t.s5=1.7L, t=0.s2\//\Flfu2p- =L.72. Entonces el tamao mnimo de la mueetra ean:28. 8.49. Un coeficiente de correlacin basado en una muestra de tamao 24 se calcul era r : 0.75. Podemos rechazrir la hiptesis de que el coeficiente de conelacin poblacio nal sea tan pequeo como (a) p (o) : 0.60, (b) p : 0.50, a un nivel de significacin del 0.05? o.rrro, z = t.r5tz'""(+l-&;:) = oz= La variable tipificada ee Fz = r.r6r3t"" o.28z (ff3*3) = o.unrr, L {zt = Z-pz oZ 0.6932 0.9730 0.2182 = 1.28 A un nivel de significacin del 0.05 utilizando un ensayo unilateral de la distrib ucin normal rechazara' mos la hiptesis solamente si z fuera mayor a 1,64, Por tanto

no podemos rechaza la hiptesie de que el coeficiente de correlacin sea tan pequeo c omo 0.60. (b) Sip:0.50,tJ2:1.L613 logS:0.5493y2:(0.9730-0.5493)/O.2182:L.94.Portantopodemo s rechazar la hiptesis de que el coeficiente de correlacin poblacional sea an pequeo como p: 0.50 a un nivel de significacin del 0.05. 8.50. El coeficiente de correlacin entre las calificaciones finales de fsica y mat emticas para un grupo de27 estudiantes se calcul era0.80.Hallarloslmitesdeconfianza del96% paraeste coeficiente. Puesto que r : 0.80 y n = 21, los lmites de confianza d,el 95Vo pa pz vienen dados por Z=L.96oz = 1.16131og(++*) /r r-\ \r-'l / *t.s0(-/l1 \ \y'n_B/ = 1.0e86 10.4620 Entonces t2 tiene el intervalo de confianza del9SVo;0.5366 a 1.5606. si Si pz Fz /r +"\ = l.rsr3 loc\t -;/ = 0.5366' p = = L.rrlb*'- (-) \r P,/ 0.4904= 1.5606, p : 0.e155. Por tanto los lmites de confianza del 95Vo para p son 0.49 y 0.92. 8.51. Dos coeficientes de correlacin obtenidos de muestras de tamaos nt : 28Y rtz: 35 se cdcularon como rr : 0.50 y tz : 0.30 respectivamente. Hay una diferencia co

nsiderable entre los dos coeficientes a un nivel de 0.05? zr = r.L6rt*(=;) nzr-2, = Deseamos decidir entre las hiptesis = 0.b4es, zz: r.!613*(=;) 0.266e = 0.B0eb #*#= Fzrl. (Hs p2r= Fzrl I (Hi Fzr*

292 Bajo la hiptesis IIq, CURVA DE AJUSTE, REGRESION Y CORRELACION lcAP. 8 Z, Zz - Qtzr- ttzrl ozr- z, 0.5493-0.3095-0 0.2669 : 0.8986 Utilizando un ensayo bilateral de la distribucin normal, rechazaramos rlfe solamen te si z ) 1.96 z ( 1 .96. Por tanto no podemos rechazat fo , y concluimos que los resultados no son considerablemente diferentes al nivel de 0.05. PROBLEMAS DIVERSOS 8.52. Demostrar la frmula (25), prytna 262. Para la recta de mnimos cuadrados tenemos, de los Problemas 8.20 y 8.2L, Pero por definicin, 2(u-12 _ "l! -z 2(r-:)(a-\ _ ---io"v y, por (6) en la pgina 260, Por tanto Una frmula anloga es vlida para la poblacin (vase Problema 8.54). 8.53. Demostrar que E[(y Tenemos Entonces -t\']= E[(Y - Y".,)2] + E[(y""r- n']para el crso de (c) una recta de mnimos cuadra dos, (b) una parbola de mnimos cuadrados. Y-t = (Y-Y".J*(Y".,-i) (y -i)z = (r- Y".t)2 * (Y"rt- tl" + z(V - r""t)(rort- i) El(v-t21 = E[(v-Y".t)2] *E[(Yest-I1'] + 2El(Y- vest)(ts"sr-i)l es

y as El resultado pedido se deduce si podemos demostrar que el ltimo trmino cero. (o) Para regresin lineal, I"., = a* PX. Entonces El(v -Y",tXY"rnl = El(Y - d- Fx)(a+ Bx -tll b- t)n(v - d- Bxl + BE(xY - ax 0 Bxz porque las ecuaciones normales E(Y (comparar con el hoblema 8.3). - aFXI - 0, E(XY aX PX2) o (b) Para regresin parabIica, Ycsr = d + pX + 7X2. Entoncea El(v -Yest)(Y"sti)l = El(v - d- Bx-vx2)(a'F px +$2-?)l = (a- hnV - o- Bx - rx2, + BEIX(Y - a- Bx * yElxz(Y - "- FX - rr2)l =Q yxz)]

cAP. 8l CURVA DE AruSTE, REGRESION Y CORRELACION 293 debido a las ecuaciones normales E(Y-a-pX-'tX2) = 0, EIX(Y-e-pX-tX2)) = o, E1Xz(Y-4-px-vXz)l = 0 Comparar las ecuaciones (19), pgina'261. El resultado puede ampliarse a curvas de orden superior de mnimos cuadrados. 8.54. Demostrar que o|.* = o?(1- p') para re$esin de mnimos cuadrados. Por definicin del coeficiente de correlacin generalizado p, junto con el Problema 8.53, tenemos para el caso lineal o parablico p2 y el resultado ='## .E[(Y-Y""t)21 r--,;= L- Et'=il = n?.* se deduce inmediatamente. Tbmbin para rdenes superiores la relacin sigue la curva de los mnimos cuadrados. 8.55. Demostrar que para el caso de regresin lineal el coeficiente de correlacin d efinido por (45) se reduce al definido por (40). EI cuadrado del coeficiente de correlacin, esdecir,elcoeficiente de determinacin, dado por (45) en el caso de regresin lineal viene dado por (f) Pero dado que Y = a* BX, (21 Entonces E[(a + pX - Yr2l = = or*, Elp26 - X)\ =

"'*" --lo'x BLE\(X X)21 oi -;o'*, o l'-y = '(l ) se convierte en (3) p2 = 44 o p-r* oxY que era lo que se peda demostrar. (El signo correcto pa p se incluye en oyv). 8.56. Referirse a Ia Tabla 8.2L. (a) Hallar una parbola de regresin de mnimos cuadr ados que se ajuste a los datos. (b) Calcular los valores de regresin (comnmente ll amadosualores de tendencia) para los abs dados y compararlos con los valores reales. (c) lstingar la poblacin err 1945. 1d nstimar Ia poblacin en 1960 y compararla con el valor real, 1 79.3. (e) Estimar la poblacin en 1840 y compararla con el valor real, 17.1. Tabla 8-21 Ao Poblacin en EE. UU. (millones) 1850 1860 18?0 1880 1890 1900 1910 1920 1930 1940 1950 161.1 25.2 31.4 39.8 60.2 62.9 76.0 92.0 105.7 122.8 131.7 Fuente: Bureau of the Census (c) Dentese por las vaiables r, y el ao y Ia poblacin durante parbola de mnimos cuadrados que se ajusta a los datos es ese ao respectivamente. La ecuacin de la (f)

A = a*bx*crz donde o, b, c se hallan de las ecuaciones normales

294 CURVA DE AJUSTE, REGRESTON Y CORRELACION [cAP. 8 2U = on*)c*c2rz (2) 2s2U 2ry = a2r*b2r2*c2rs = o.2r2* I3*c)c{ Conene localizar el origen de modo que el ao central, 1900, conesponda con r - O, y los aos 1910, 1920' 1930' 1940, 1950 y 1890, 1880, 1820, 1860,18b0 con 1,2,8,4, 5 y _L,-2,-g, "orr"rpond.r, -4, -5 respectivamente. Con esta seleccin )c y )e son cero y las ecuaciones (2) se simjfican. El trabajo a realizarse para el clculo puede ordenarse como en la Tabla 8-22. Laa ecuaciones normales (2) se convierten en (s) De la segunda ecuacin en (3), Entoncee la ecuacin pedida es 11o*110c = 110 886.8 = 1429.8 l10o*1958c = 9209.0 b: 13.00; de la primera y tercera ecuaciones, a:76.64,c:0.8974. (1) donde el origen, u = 76.64+13.00r*0.397412 r = 0, es 1o. de julio de 1900 y la unidad de es diez aos. Tabla 8-22 i 2 25 16 Ao

1850 1860 1870 1880 1890 1900 1910 1920 1930 1940 1960 a 23.2 13 u4 ra -116.0 fiz,u -5 -4 -3 -2 si.4 39.8 50.2 62.9 76.0 92.0 I 4 -l 0 1 I 0 -t25 -64 -27 -8 -l 0 1. 8 625 256 81 16 1 580.0 502.4 358.2 200.8 62.9 0 -r25.6 -119.4 -100.4 -62.9 0 0 1 I 4 o 92.0 92.0 422.8 2 3 105.7

16 81 21t.4 368.4 526.8 roD.o t22.8 131.7 161.1 27 64 1105.2 2L07.2 3777.6 4 o 16 26 266 625 t26 )r=0 () 2a= 886.8 2r2 = 110 )s=0 2a4 = 2aa 1958 1429.8 >r2a = 9209.0 Los valores de tendencia, obtenidos al eustitufu x : -5, -4,-3,-2,-1,0,L,2,8, tr an en la Tabla 8-23 junto con los valores reales. Se observa que el ajuste e8 bu eno. Tabla 8-23 Ao Valor de endencia 4, 5 en (4) se muest =-6 r=-4 t=-3 1860 1860 31.0 3L.4 1870 =-2 r= -l x=0 1880 62.2 60.2 1890 64.0 62.9 1900 76.6 76.0

g=l 1910 a=2 n=3 r=4 r=6 1920 L04.2 1930 1940 1950 2r.6 29.2 4t.2 39.8 90.0 92.0 1r9.2 136.0 161.6 Valor real 106.7 t22.8 tlt.7 161.1 (c) l94Scorrespondeax:4.5,paraIocualy:76.64+13.00(4,6)+0.3974(4.6)z=143.2. (d) 1960correspondear:6,paralocualA=76.64+13.00(6)+0.3974(6)2=163,g.Estonoseajus tamucho al valor real, 179.3.

cAP.8l CURVA DE AJUSTE, REGRESION Y CORRELACION 1840 corresponde a r : -- , para lo cual mucho al valor real 17.1. 76.64 (e) + 13.00(-6) + 0.3974(-G)2 : 12.9. Esto no se ajusta Este ejemplo ilustra el hecho de que si se encuentra una relacin satisfactoria pa ra un intervalo de valores no implica necesariamente que lo sea para una prolong acin del intervalo de valores. 8"57. Los precios prornedios de acciones y obligaciones anotadas en el New York Stock Exchange durante los aos 1950-1959 se dan en la Tabla 8-24. (a) Hallar el c oeficiente de conelacin, (b) interpretar los resultados. Tabla E-24 Ao 1950 1951 39.87 L952 41.85 1953 43.23 1964 1955 53.29 1956 54.L4 1957 49.12 1958 40.71 1969 hecio promedio de acciones (dlares) Precio promedio de obligaciones (dlares) 35.22 40.06 oo.lD r02.48 100.93 97.43

97.81 98.32 100.07 97.08 9r.59 94.86 94.65 Fuente: New York Stock Exchange (o ) y los precios promedio de acciones y obligaciones, eI cIculo del coeficiente de c orrelase utiliza solamente para especificar Ios valores correspondientes de r, y . Denotando por r, cin puede organizarse como en la Tabla 8-25. Ntese que el ao Tabla 8-25 x 35.22 39.87 41.8 43.23 40.06 53.29 54.L4 a L02.43 100.93 97.43 97.81 98.32 100.07 97.08 91.59 94.85 r-r -10.04 a-a 4.91 3.41 a'= tr'2 %'a' 100.80 29.05 11.63 -49.30 -18.38 0.31 24.L| 11.63 0.01 0.08 0.64 6.50 0.19 35.16 7.13 8.24 -5.39 -3.41 -0.09 0.29 0.80

-2.03 -5.20 8.03 .4 3.86 4.t2 27.04 64.48 78.85 14.90 20.70 97.81 -0.59 -4.16 20.48 2.56 -0.44 -3.91 -22.89 49.r2 40.7t -4.55 9.89 -5.93 -2.67 -2.87 t2.t5 -28.38 oo.lo 94.65 ) 452.64 45.26 -2a= 975.16 2u'2 = 449.38 2t'y'= -94.67 2a'2 = 93.69 a: 97.52 Entonces por la frmula producto-momento, -94.67 v (44e.38)(e3.6e) = -0.4614

(b) Se deduce que hay cierta correlacin negativa entre los precios de acciones y obli gaciones (es decir, una tendencia a disminuir los precios de las acciones cuando aumentan los de las obligaciones y v_iceversa), aunque esta relacin no es muy ma rcada. Otro mtodo. La Tabla 8-26 muestra las graduaciones de los precios promedios de acciones y ob ligaciones para los aos 1950-1959 en orden de precios ascendentes, Tambin se indic an las diferencias en graduaciones d y )d2.

296 CURVA DE AJUSTE. REGRESION Y CORRELACION Tabla 8-26 Ao 1950 1951 [cAP. 8 t952 D 1953 6 1954 3 1 955 8 1956 q 1957 a 1958 4 1959 10 ., kecios de acciones en orden de grad. hecios de obligaciones en orden de grad. I 10 I I -T 5 6 7 8 4 1

3 Diferencia de graduacin d -9 81 0 0 -4 16 0 D 6 I 8 49 0 0 0 25 36 I 64 >d2 272 Entonces Esto se rsrad = ,-#!t = t--ffi;\ = -0.6485

compara favorablemente con el resultado del primer mtodo. 8.8. La Tabla 8.27 muestra las distribuciones de frecuencia de Ias calificaciones finales de 100 tudiantes en matemticas y fsica. Refirindose a esta tabla determinar (c) el nmero de estudiantes que obtuvieron calificaciones 7F79 en matemticas y 80-89 en fsica, (b ) el porcentaje de estudiantes con calificaciones de matemticas inferiores a 70, (c) el nmero de estudiantes que obtuvieron una calificacin de 70 o ms en fsica y men os de 80 en matemticas, (d) eI porcentaje de estudiantes que aprobaron aI menos u na de las asignaturas suponiendo que 60 es la calificacin mnima de aprobacin. Tabla 8-27 CALIFICACIONES DE MATEMATICAS es(h o 90-99 4G49 50-59 60-69 70-79 I 8(H9 4 6 8 2 90-99 + D TOTALES 10 lt ,o f an 8G{9 70-79 60-69 5G-59 1 4 I o 4 l6

24 2L L7 z o C) rf] 10 o I I 6 4 o t\ Fl 3 3 6 2 4t)-49 TOTALES o 15 L2 23 20 10 7 25 100 (o ) Bajando por la columna rotulada 7O-79 (calificaciones de matemticas) hasta la fil a rotulada ficaciones de fsica). El resultado 4 da el nmero pedido de esudiantes. 80-89 (cali(b) Nmero total de estudiantes con calificaciones inferiocs a 70 : (No. con calif. 4049) * (No. con caf. 50 -59) * (No. con calif. 60-69) :7*15*25:47 Porcentaje de estudiantes con calificaciones menores a 70 : 47 ltOO:

47Vo,

cAP. 8l CURVA DE AruSTE. REGRESION Y CORRELACION El nmero pedido de estudiantes es el tot al de las entradas en la Tabla 8-28, que representa parte . Tabla 8-27. Nmero de estudiantes pedidos: 1 297 de la (c) * 5 + 2 +.4 t (t) LO = 22. Tabla 8'99 tt) f Tabla 8-28 CALIFICACIONES DE MATEMATICAS 60-s9 90-99 8(}_89 f z CALIFICACIONEg DE MATEMATICAS 40-49 50-59 40-49 3 z o o 70-79 2 ?* E2 Fl Ei < (d) C)Q fl I D 4 70-79 a2 Ftk < fr oo

?x oi 50-59 6 D 10 Con referencia a la Tabla 8-29, que est sacada de la Tabla 8-27 ,ae obedrva gue e l nmero de estudiantes concalificacionesmenoresa60enmatemticasyfsicaesS*3+6+6=LT.Entoncegelnmerode estudia ntes con calificaciones de 60 o ms en fsica o maemticao en amba es 10 - 17 = 83, y el or' centaje pedido es 83/100 :834a. La Tabla 8-27 algunas veces se llama tabla de frecuencias de doble uoricin o distr ibucin de frecuencias de doble uariacin. Cada cuadrado de la tabla se llama casill a y corresponde a un par de clases o intervalo de cla' se. EI nmero indicado en l a casilla se llama frecuencia de casillo. Por ejemplo, en la parte (o) el nmero 4 ee la frecuencia dela casilla correspondiente 4l pa.r de intervalos de clase 70 -79 en natemtlcas y 80-89 en ffsi' ca. Los totales indicados en la ltima fila y en la ltima columna se llaman totalee mar ginabl o frecuencioe mir' ginales. Corresponden respectivamente a las frecuencia s de clee de las distribuciones de frecuencia de la ca' Iificaciones de matemticas y fsica por separado. 8.59. Mostrar cmo modificar la frmula del ProblemaS.Sl paraelcasodedatosagrupadosc omoen la Tabla 8-27. lPara datos agrupados, podemos considerar los diferentes valore de las variables r, y coincidiendo cQn lag marcas de cliase, en tanto que f x I f y son las cprre spondientes frecuencias de clase o frecuencias marginales indicadas en la ltima f ila y columna de la tabla de frecuencias de doble vaiacin. Si s representa por f ls diferentes frecuencias de casilla correspondientes a los pares de marcas de clae e (r, y), entonbes podemoe remplazar la frmula del Problema 8.31 por n2fru (1) (2f "r)(2luu) Sihacemos =Eo*,crury !=Ao+csL!, dondecr,cyBonlasamplitudesdeloeintervelosdeclase( supues' tos constantes) y ro, Jo son rDarcas de clase abitrarias correspondientes a las variablee, la frmula anterior e convierte a (2) n2 f u ru o (2 | "u,l (2

| oun) Este es el mtodo claue uttlizado en el Captulo 5 como un mtodo breve rara calcula med ias, desviacione tpicas y mompntos superiores. 8.60. Hallar el coeficiente de correlacin lineal de las calificaciones de matemtic as y fsica del Problema 8.58. Utilizamos Ia frmula (2) del Problem 8.59. El trabajo puede ordenarse como en la T abla 8-30, que tabla de correlacin. se llama

298 CURVA DE AJUSTE, REGRESION Y CORRELACION Tabl,r E-30 lcAP.8 Glificaciones de matemticas, c r a 44.6 64.5 64.6 74.6 84.6 94.5 Suma de \% y\ 2 ft -2 -1 0 1 los nme f vuv fuuS 2 3 ros esqulnados en cda fila 10 20 40 44 94.5 d a ! 2 4 4 84.6 1

1 4 6 D 16 16 16 3l 0 Ei I E 74.6 0 o 10 8 I 24 0 0 r{ i 64.6 -1 I 3 4 I 6 D 2 2L

-2L -34 2l d8 -3 20 A 64.6 -2 -3 6 2 L7 ii 3 fn , r D t4 44.6 t2 23 20 10 t-l 16 -36 108 33 t, tut 26 2f n=2f y )f yuy ==100 = -66 2f ,u" )fyu? 2furuo

= 263 = L26 -t4 28 -15 16 0 23 40 30 =64 2f ,ul f"u? Sum de los nmelos cada 0 23 80 90 = = 286 { 32 3l 0 colura -1 24 39 2fu,uo L25

El nmero en la esquina de cada casilla repreeenta el producto f uruo, donde f es la frecuencia de cailla, I suma de esos nmeros esquinados en cada fila se indica en la fila coespondiente en la ltima columna. La suma de esos nmeros esquinados en ca da columna se indica en la columna correspondiente en la ltima fila. Loe totales finales de la ltima fa y columna son iguales y representan ifu"uu. De la Tbbla 8-30 tenemos r= n2fu,uo (2f "u.)(2luunl (64X-55) 16,020 (100)(125) ,/(rr,6o4\2z,zn = 0.7686 8.61. Utiliza la tabla de correlacin del Problema 8.60 para calcular (a) e,, (b) s ", (c) Iry y verifi. car la frmula (o) 8x=cx }f"u? /2f ,"\2 n \n/ uuuY 10= 13.966 () sy=a! >fuui /2f " -\ " i "\m_m =t4.e25 ,60.20 (c)

".n = """olz|T-(+)(+)]= (10x10)f100r?q-(#)(#)] =

cAP. 8l CURVA DE AruSTE, REGRESION Y CORRELACION 299 Por tanto las desviaciones tpicas de las calificaciones de matemticas y fsica son 1 4.0 y 14.9 respectivamente, en tanto que su covarinza es 160.2. Tenemoe 8""; 8xv 160.20 G&r'-ifutB = o'7686 que concuerda con r hallado en el Problema 8.60. E.62. Escribir las ecuaciones de las rectas de regtesin de (c) y sobre del Proble ma 8.60. De la Tabla 8-30 tenemos, r, (b) sobre y para los datos rr+qW = 64.5+E#9 = - uo+qY: 145+q'qfrEq = u= De los resulado del Problema ?o.e Ge.o 8.61 a, = 13.966, s!, = L4.926 y r = 0,?686. Entonces utilizamos ( I 6 ), pgina 261 , para obtener las ecuaciones de las recta s de regtesin () a-u='!w-nt, a y-6e.0=A+## ?!)@-70.e), 0.821(o-70.9)

-69.0 = (b) 6 r-='?o-o, 8y r-70.0=q9ff##q(v-6e.0), 0.7t9(u-69.0) x-?0.9 = 8.63. Calcular los ertores tpicos de la estima (c) er.,, (b) sr., para los datos del Problema 8.60. Utilizar los resultados del Problema 8.61. (a) (bl Ey., = yt/Ti-rz = = a"t/T7rz = f.gZfy'f (OfOg6P = = 9.58 8.934 s,.v ts.s6oy'1:107686) Problerrra,a guplementa,rlos RECTA DE MINIMOS CUADRADOS Tabla 8-31 8.64. Ajustar una recta de mnimos cuadrados a los datos de la Tabla 8-31 utilizando a ( a\ x como la variable independiente, (b ) r como Ia vaible dependiente. Representa r grficamente los datos y las rectas de mnimos cuadrados utilizando el mismq conju nto de ejes coordenados. r a 3 6 6 8 911 234668 8.66 8.66. ParalosdatosdelProblemaS.64,hallar(o)losvalore$deycuenda x=6,x=L2.(b) elvalordexparay:7'

(o) Utilizar el mtodo a mano alzada para obtener Ia ecuacin para una recta de ajus te de los datos del Problema 8.64. (b) SolucionarelProblema 8.65 utilizardo el re sultado de la parte (c)'

300 CURVA DE AJUSTE, REGRESION Y CORRELACION [cAP. 8 t.8?. La Tabla 8-32 muestra las calificacionee finales en lgebra y fsica obtenidas por d iez etudiantes seleccionados alcatoriamente de un gran grupo de estudiantes. (o) Representar grficamente los datoe. (D) Hallar la recta de mnimos cuadrados que se ajuste.a los datos, utilizando a r como la variable independiente. (c) Hallar la recta de mnimos cuadradoe que se ajuste a los daos, utilizando a y como la variab le independiente. (d) Si un estudiante obtiene una calificacin de ?5 en lgebra, cul es su puntuacin esperada en fsica? (e) Si un estudiante obtiene una puntuacin de 95 en fsice, cul es su puntuacin eeperada en lgebra? Tabla 8-32 Algebra (c) Fsica (y) .ID 80 ?8 93 86 65 72 87 91 7L 98 95 68 84 89 tt 82 80 72 74 E.68. Con referencia a Ia Tabla 8-33. (o) Construir un diagrama de dspersin. (b) Hallar la recta de regresin de mnimos cuadrados de y sobre r. (c) Hallar la recta de regr esin de rnimos cuadrados de sobre y. (d) Representar grfioamente las dos recta de reg resin de (b) y (c) sobre el diagrama de dispersin de (o). fabla 8-33 Calificacin en el primer examen Clificacin en el segundo examen 6 D

8 8 10 a 76104 D 8106 Tabla 8-34 q 8 il CURVAS DE REGBESION DE MINIMOS CUADRADOS 8:69, Alustar una parbola de mnimog cuadrados, y : t 8.70. o + bx r a 0 1 2 A 5 t) x?alos datos de Ia Tabla 8-3t. o^ 2.I 3.2 5.6 9.3 14.6 21.9 La Tabla 8-36 da las distancias de parada d (pies) de un automvil que viaja a una velocidad u (millas por horas) en el instane que se observa eI peligro. (a) Repr esentar grficamente d,u. (b) Ajustar una parbola de mnimoscuadradosdelaformad:oIbu*cuzalosdatos.(c)Estimardcuandou:45mi/hy80mi/h. Tabla 8-36 Velocidad, u (mi/h) Distancia de parada d(p)

20 54 30 40 138 50 60 70 90 206 292 396 E.?1. El nmero y de bacterias por unidad de volumen pres ntes en un cultivo despus de horas viene da do en la Tabla 8-36. (o) Representa loe datos en papel semi-Iogaritmo, con Ia esc ala logartmica para yr la escala arimticaparar.(b)Ajustarunacurvademnimoscuadradosdelaforma !=abxalosdatosyexplicarpor qu esta ecuacin especfica da buenos resultados. (c) Comparar los valores de y obtenid os de esta ecuacin con los valores reales. (d) Estimar el valor de y cuando r : J . Tabla 8-36 Nmeros de horas () 0 I 47 2 3 4 D 6 Nmero de bacterias por unidad de volumen (y) 32 65 92 132 190

275 8.72. En el Problema 8.71 rrcstrar c6mo una grfica en papel semilogartmico puede utilizarse para obtene r la ecuacin pedida sin emplear el mtodo de los mnimos cuadrados. t.73. Escribir las ecueciones normales para la curra cbica de mnimos cuadrados dada por dx3 . I : o t bx * cx2 I Tabla 8-37 REGRESION MULTIPLE E.74. [,a Tabla 8-37 muestra los 3 6 o n 8 t? o t4 valores correspondientes de tres variables x, y, z. (o) Hallar la ecuacin de regr esin lineal de mnimos cuadrados de e sobre x, y. (b\ Estimar z cuando a to 90 10 72 , 12 .t--10,y:6. 54 42

30

cAP. 8l CURVA DE AJUSTE, REGRESION Y CORRELACION 301 8,76. Demostrer que la ecuacin para regresin lineal de z sobre r, y puede escribirse como z-2,= E.76. Utilizar 8.7 7 a(r-l+b(u-l o, D. y obtener exptesiones para los coeficientes de regresin de mfnimos cuadradoe el resultado del hoblema 8.75 para solucionar el Problema 8.74. . Obtener las ecuaciones normales para la regresin lineal de mnimos cuadrado de guna interpretacin geomtrica para esto? Explicar Una superficie de regreain de z sobre eobre r,! ,z . Hay al' t.7t. r, y tiene la form z = A 1- Br * Ca I Dr2 * Ery * Fyz Obtener las ecuaciones normales para los eoeficientes de regresin de mnimos cuadra dos. ERROR TIPICO DE LA ESTIMA Y COEFICIENTE DE CORRELACION LTNEAL E.79. Hallar (o) sy ", (b) $,

" para los datos en el Problema 8.68. en E.EO. Calcular (a) la variacin total en y, (b) la vaiacin no explicada datos del Problema 8.68. y, (c) la variacin explicada en y para los 8.8f . Utilizar los resultados del Problema 8.80 para hallar el coeficiente de correlac in entre los dos conjuntos de calificaciones de los exmenes del Problema 8.68. los dos conjuntos de calificacio nes de los exmenes del Problema 8.68 utilizando la frtnula producto-momento y comp arar con el resultado del Problema 8.81. (b) Obtener eI coeficiente de correlacin directamente de las pendientes de las rectas de regresn del Problema 8.68(b) v (c ). 8.E2. (o) Hallar elcoefcientede correlacin entre E.t3. Hallar la covarianza para los datos del Problema 8.68 (a) dircctamente, (b) util izando la frmula ss = rss y el resultado del Problema 8.81 u 8.82. E.E4. La Tabla 8.38 lacin entre muestra las edades r y la presin sangunea y d,eL2 mujeres. (o) Hallar el coeficien te de corre' r, y. () Determinar la recta de regtesin de mnimos cuadradoe de y sobr e r. (c) Estimar la presin sangunea de una mujer de 45 aos. Tabla 8.3E Flad (r) Presin Sangunea (y) 55 49 38 42 68 r47 725 160 118 t49 t28 150 146 115 140 162 56 42 72 36 63 47 60 165 E.85. Hallar los coeficientesde correlacin para los datos del (o) Problema 8.64, (b) Pr oblema 8.67. 8.86. El 8.8?. 8.88. 8.89. coeficiente de correlacinentredos variables, yesr:0.60.Sis"=1.50, ballar las ecuac iones de la recta de regresin de (o) y sobre x, (b) r sobre y. Calcular (o) sv.r, (b) sr.y para los datos del Problema 8.86, sr:2.00,i=10, =20,

Si sv.- = 3y ss : 5, halla r, Si el coeficiente de correlacin entre., y es 0.60, qu porcenaje de la varfacin total p ennanece no explicada por la ecuacin de regresin? 8.90. (o) Calcular el coeficiente de correlacin entre los valores correspondiente s de r, y dados en la Tabla 8-39. (b) Multiplicar todos los valores de por 2 y s umarles 6. Multiplicar todos los valores de y por 3 y restarles 15. Hallar el coeficiente de correlacin entre los dos nuevos conjuntos de valores, explicar por qu se obiene o no el mismo resultado que en la parte (a). Tabla 8-39 x a 2 4 5 6 811 18t210875

302 CURVA DE AJUSTE, REGRESION Y CORRELACION [cAP. I COEFICIENTE DE CORBELACION GENEBALIZADO E'91. Hallar el coeficiente 264. de conelacin para las variabie en el hoblem" g.5g ufilizando el resultado (35), pgi na t.92. t.93. t.94. Hallar el error tpico de la estima de z obre , y para lo dao del Problema 8.74. (o) Calcular el coeficiente de conelacin mltiple pars los datos del hoblema 8.74. variacin toal es erplicada por la ruperficie de regreein? (b) Quporcenajedela Demostraelresultado (27),pgina 263,paraelcaodeunaauperficiederegresinlinealparazsobr er,y. COBRELACION GRADUAL E.96. Doa juecec en una competencia deban clasifica a 8 candidato A, B, C, D, E, F, G, H de acuerdo con sus preferencias, lo resultados se mueshan en la Tabla 8140. Halla el coeficiente de conelacin gradual y decidir eobre el acuerdo de loe jueces en s u8 eleccioneg. Tabl, 8.4O Candidato A o 4 B I o C 8 7 D 1 E 4

F' 6 G 3 H d a himer Juez Segundo Juez 3 2 I I 6 t.96. Illlar t.97. 8.98. el coeficiente de correlacin gradual para loa datos del (a) Problema 8.68 v (b) P roblema 8.84. (o) Hallar el coefciente de correlabin gradual para los datos del Problema 8,90. ( b) De,gus observaciones en (o), estudiar una posible deeventaja del mtodo de cone lacin gradual. Mostra cmo se puede disear un coeficiente de correlacin mltiple. INTERPBETACION PROBABILTSTICA DE LA REGRESION Y LA CORRELACION E.99. La funcin de denidad conjunta de las variables aleatorias X, Y viene dada por f(r,a) = [2r+3a Io o(c(L'o<Y<2 de otra form Ilalla la curva de regresin de (a) Y sobre X, (b) X eobre y. 8.rOO. Halla la reca de regesin de mnimoe cuadrados de (a) Y sobre X, (D) X eobre Y para el hoblema 8.99. t.lol. Obtener el coeficiente de correlacin lineal para el hoblema 8.99. t.102. Hllrlacurvaderegreeinde(a)YsobreX,(b)XaobreYparalosdatosdelhoblema2.s,pgirra5

2. t.lOS. tls[a la recta de rgresin de mnimos cuadrados de (a) Y robre X, (b) X cobr e Y para Ios datos del hoblema 2.8, pgina 52. t.104. Hallar el coeficiente de conelcin lineal para la variableg aleatoria del Prob lema 2.8,96gina 52. t.lo6' funcin de densidad conjunta (o funcin de probabilidad conjuta) f(x, y\. ble aleatori ac independientes? Explicar. Da un ejemplo para demostrarcmo hallara (a) el error tpico de leestima,(D)larvariaci onee explicaday no erplicada, (c) el coeficiente de conelacin generalizado, en el cao de do variablee aleatorias X, Y con E.106. Ocurren algunae simplificaciones en la curvas de regresin Ce Y sobre X X sob re Y para el caso de varia-

cAP. 8l CURVA DE AJUSTE, REGRESION Y CORRELACION 303 TEORIA MUESTRAL DE LA REGRESTON 8.10?. Sobre la base de una muestra de tamao 27 se encontr que la ecuacin de regres in de y sobre r era t = 25.0 + 2.00 . Si sr." = 1.50,sx = 3.00 y = 7.60, hallar lo s lmites de confianza del (c) 95%,(b\99% pra el coeficiente de regresin. 8.108. En el Problema 8.10? ensayar la hiptesis de que el coeficiente de regresin poblacional 1.?0, (b) tan alto como 2.20, a un nivel de significacin del 0.01. es (o) tan bajo como 8.109. En el Problema 8.10? hallar los lmites de confianza del (o) 957o,(b\ 99% p ara y cuando : 6.00. 8.110. EnelProblemaS.l0?hallarloslmitesdeconfianza d,el(o)95%,(b)99%paralamedia'd etodoslosvaloresde y correspondientesa = 6.00. 8.111. ConreferenciaalProblema8.S4 ,hallarloslmitesdeconfianzadel 9fleparafo)elcoeficientederegresinde y sobre r, (b) ta presin sangunea de las mujeres de 45 aos, (c) la media de lae presioes sanguneas de las mujeres de 45 aos. TEORIA MUESTRAL DE LA CORRELACION 8.112. Un coeficiente de correlacin basado sobre una muestra de tamao 27 se calcul como 0.40. Podemos concluir a un nivel de significacin del (o) 0,05, (b) 0.01, que el correspondiente coeficiente de correlacin poblacional es considerablemente mayor que cero? E.113. Un coeficiente de correlacin basado sobre una muestra de tamao 35 se calcul como 0.50' Podemosre' chazar la hiptesis de que eI coeficiente de correlacin poblac ional es (o) tan pequeo como p : 0.30, (b) tan grande como p : 0.70, utilizando u n nivel de significacin del 0'05? 8.114. Hallar los lmites de confianza del (a) 957o,(b)997oparu un coeficiente de correlacin que se calculcomo 0.60 de una muestra de tamao 28. 8.115. Solucionar el Problema 8.114 si el tamao de Ia muestra es 52. 8.116. Halla r los lmites de confianza d,el 95% para el coeficiente de correlacin calculado en el hoblema 8.84. 8.11?. Dos coeficientes de correlacin obtenidos de muestras de tamaos 23 y 28 se c alculaon como 0.80 y 0.95 respectivamente. Podemos concluir a un nivel del (o) 0.0 5, (b) 0.01, que hay una diferencia significativa en'

tre los dos coeficientes? RESULTADOS DryERSOS 8.118. Verificar los coeficientes (5), pgina 260, para la recta de mlnimos cuadra dos. E.l19. DemostrarqueparaelcasoderegresinlinealelvalormnimodeE'{[]'-(o*lX)lz,tes t?.* : 8.1 "l$c2) 20. Las rectas de regresin muestrales de mnimos cuadrados para un conjunto de dato s involucrando X, Yvie' nen dadas por 2:r - 5a = 3, 5r - 8,!l = 2. Hallar el coe ficiente de correlacin lineal. 8.121. Demostrar que el ngulo entre dos rectas de regresin muestrales de mnimos cua drados viene dado por . .f-(1 -r2)s,tu] tan-'L rfti + si) -l E.I22. Demostrarqueelcoeficientedecorrelacinentre,ypuedeexpresarsecomo il2 -:,211 8.123. Demostrar que el ceficiente de correlacin g,\ es independiente de Ia eleccin del origen de las variables o de Ias unidades en q ue se expresan. (Sugerencia: Suponga quer' = noi c1r, A' = llo * c2y, donde r !/6 c l,c2 soll constantes arbitrarias, demuestre que el coeficiente de correlacin entre r', y'es eI mismo que el entre.d', y).

304 CURVA DE AJUSTE, REGRESION Y CORRELACION [cAP.8 8.L24. Demostrar que para regresin lineal 4 = +. 8 8 Es el resultado vlido para regresin no lineal? 8.L25. Ilalla el coeficiente de correlacin entre las estaturas y pesos de 300 adul tos dados en la tabla de frecuencias siguiente. Tabla 8.41 ESTATURAS .r (pulgadas) 59-62 63-66 1 67-70 71-74 75-78 9L109 110-129 !e 2 n 8 2 ! p ql 130-149 150-169 170-189 190-209 o 15 L2 4 22 63 28 10 I 1 h tt) ,

19 5 o (t) e. f 32 20 t2 q , 210-225 I , 8.126. (o)HallarlarectaderegrecindemnimoscuadradosdeysobrerparalosdatosdelProblema S.l2S.()Estimar los pesos de doe hombres cuyas estaturas son 64 y ?2 pulgadas res pectivamente. 8.127. Hallar (o) s".r, (b) Br.y para loa daios del hoblema 8.1 25. 8.128. Hallar los lmites de confianza del 96% pra el coeficiente de correlacin calc ulado en el hoblema 8.125. E.129. Hallar el coeficiente de corelacin entre los ndices de precios al consumidor y los ndices de precios aI por mayor para todos los artculos indicados en la Tabl a 8-42. El perodo base es de L94? 1949 : 100. Tabla 8-42 Ao Indice de precios al consumidor Indice de precios al 99.2 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 101.8 102.8 111.0

113.5 r14.4 I14.8 114.5 116.2 r20.2 t23.5 por mayor 103.1 114.8 111.6 I 10.1 t 10.3 I 10.7 114.3 1r 7.6 L19.2 Fuente: Bureau of Labor Statistics 8.130. Con referencia a la Tabla 8-43: (o) Representar grficamente los datos. () H allar la recta de mnimos cuadrados que se ajusta a los datos y construir su grfica . (c) Calcular los valores de tendencia y compararlos con los valores reales. (d ) Predecir el ndice de precio para la asistencia mdic durante 1958 y compararlo con el valor verdadero (L44.4). (e) En qu ao podemos esperar que el ndice de costos mdic os doble el del 194?1949, suponiendo que las tendencias presentes continen? Tabla 8-43 1950 1951 1952 1953 1954 1955 1956 consumidor pqr asis' tencia mdica 1957 (1947-1949=100) Fuente: Bureau of Labor Statistics

cAP.8l CURVA DE AJUSTE, REGRESION Y CORRELACION 305 8,131. Con referencia a la Tbbla 8-44. (a) Representar grficamente los datos. (b) Hallar la parbola de mnimos cuadrados que se ajuste a Ios datos. (c) Calcular los valores de tendencia y compararlos con los valores reales. (d) Explicar por qu la ecuacin en (b) no es til para propsitos de extrapolacin. Tabla 8-4 4 Ao Natalidad por cada 1000 habitantes 1915 1920 7925 25.0 1030 18.9 ind 1935 1940 1945 1950 1955 24.6 23.7 21.3 16.9 17.9 Welfaie 19.5 23.6 Fuentet Department of Health, Education 8.132. Sean X, Y variables a|s3fsis con funcin de densidad conjunta (o funcin de pro babilidad) f(x, y). Demostrar que si 9(r) = E(Y \ X = c) entonces EUY (x)1'!) = E{LI'o(xlz + Ells(x) q(x)l,) donde ,(r) es cualquier funcin de r para el cual estas esperanzas existen. 8.133. Estudiar la relacin, si Ia hay, del Problema 8.132 para variaciones explic

adas y no explicadas. 8.134. Demostrar el Teorema 8-1, pgina 265. (Sugerencia.' U tilizar el Problema 8.132). E.l35. En el Teorema 8-1, es g(r) nica? Explicar. 8.136. Demostrar el Teorema 8-2,pgina265.

Captulo 9 Anlisis de vqrionzq PROPOSITO DEL ANALISIS DE VARIANZA En el Captulo 7 utilizamos la teora de muestreo pua ensayar Ia significacin de difer encias entre dos medias muestrales. Supusimos que las dos poblaciones, de las cu ales se extrajeron las muestras, tenan la misma vaianzi. En muchas situaciones ex iste la necesidad de ensayar la significacin de diferencias entre tres o ms medias muestrales, o lo que es equivalente a ensayar la hiptesis nula de que las medias muestrales son iguales. EJEMPLO 9.1, Supngase que en un experimento agrcola cuatro ttatamientos qumicos dif erentes del suelo producen rendimientos medios de trigo de 28, 22, tg y 24 hU}l' a respectivamente. Hay una diferencia apreciable en estas medias o la dispersin observada simplemente se debe al azar? Problemas como estos pueden resolverse utilizando una tcnica impoftante conocida como andlisis de uaranza, desarrollada por Fisher. Utiliza la distribucin F consid erada anteriormente en los captulos previos. CLASIFICACION SIMPLE O EXPERIMEI{TOS DE UN FACTOR En un experimento de un factor se obtienen medidas u observaciones para 4 grupos independientes de muestras, d onde el nmero de medidas en cada grupo es b. Hablamos de a tratamientos, cada uno de los cuales tiene b repeticiones o rplicas. En el Ejemplo 9'L, a : 4. Los resu ltados de un experimento de un factor pueden representarse en una tabla con a fi las y b columnas (Tabla 9-1). Aquf r denota la medida en la fila j y Ia columna k, donde i : t, 2, . . . , dl h : 7,2, . . ., b. Por ejemplo, r35 se refiere a la quinta medida para el tercer tratamiento. Tabla 9'1 Tlatamiento 1 tt E2l rtz rzz xtb fr1. TYatamiento 2 itv t2. Ttatamiento ol fio2 rob

tra Denotaremos por i la media de las medidas en la fila j. Tenemos _lb fr:62r,r i:7,2,...,a Q) El punto en tj. se utiliza para indicar que el ndice k se ha sumado. Los valores i. se denominan medias de grupo, medias de tratarrtiento o medias de fila. La gra n media o media total es la media de todas las medidas en todos los grupos y se denota por c, esto es r - ,ao lk : a0 i=t r=t -.1r2',,, *ir,^ 306 (2)

cAP. el ANALISB DE VARIANZA 307 VARIACION TOTAL. VARIACTON DENTRO DE TRATAMIENTOS. VARIACION ENTRE TRATAMIENTOS de cada medida de la gran media Definimos la uariacin total, denotada por u, como la suma de los cuadrados de las desviaciones i, es decir Variacintotal : Al escribir Ia identidad 1) : )(r;;u_r.,)t (3) rx-I = (cr,-r;.)*(i.-r) ) i,k (,;u (Ir) y luego elevando al cuadrado y sumando sobre j y k podemos demostra (vase Problema 9.1) que - o")' : ) i,k (",u -i,), 1 ) (r; - i'): i,k (5) (6) ) j,k (:c,,,r)2 : ) (r,. -- i')' + b > (r - r)' i,k A la primera suma a la derecha de (5) o (6) las llamamos uariacin dentro de trata mienfos (puesto que incluye los cuadrados de las desviaciones de r;p con respect o a las medias de tratamiento C.) y la denotamos por u-. Por tanto (7) tt,t, ':: ) (r',,, .t; )t t'k La segunda suma a la derecha de (5) o (6) se llama la uaracin entre trstamientos ( ya que involucra los cuadrados de las desviaciones de las diferentes medias de t ratamiento . de la gran media cly se denota por ub. Por tanto .utt -: 2 @,

- )t = tr)(i',-r-:): lltulUu (8) As las ecuaciones (5) o (6) pueden escribirse como 'v-: (e) METODOS CORTOS PARA OBTENER VARIACTONES Para minimizar guientes: el trabajo en calcular las variaciones anteriores son convenientes las formas sir) = ,t)b n-i_ # U-Ub (:0, (11) (12) = tu4,r -;u At: donde esto es ; s l total de todos los valores t rir ! r, S eJx r'. zJ i'k es el total de todos los valores en el tratamiento j, ,j:1*'u (13) En la prctica es conveniente restar algn valor fijo de todos los datos en la tabla ; esto no tiene efecto en los resultados finales. MODELO MATEMATICO LINEAL PARA ANALISIS DE VARIANZA Podemos c<nsiderar que cada fila de la Tabla 9-1 representa una muestra aleatoria de tamao de la poblacin para ese tratamiento particular. As, para el tratamiento j tenemos las variables aleatorias Xir, X2,.. . , Xjo independientes y distribuida s idnticamente, Ias cuales toman los valores

308 x1 ANALI$S DE VARIANZA [cAP. e , x2, , jb respectivamente. Cada una de las Xn suma de su valor esperado y un trmino de "error": (h: L,2, . . ., b) puede expresarse como la (14\ X,n = F,T Lr Los A;. puedentomarsecomo variables aleatorias independientes (relativas ai y h), distribuidas normalmentp con media cero y varianza o2. Esto equivale a suponer que las X* (i : L,2, . . . , ai k : l, 2, . . ., b) son vaiables normales, mutuam ente independientes con medias pi y varianza comn l. Definamos la constante r por tL 1s. _ o?r, Podemos interpretar a p como la media pa una clase de gran poblacin que comprende t odas las poblaciones de tratamiento. Entonces (I4) puede escribirse como (vase Pr oblema 9.18). X,*= p*a,ta donde P", =O (15). La constante o puede considerase como eI efecto especial del tratamiento j. La hiptesis nula de que todas las medias de tratamiento son iguales viene dada po r (Ifo: ot= 0; i=1,2,...,o1o en forma equivalente por (I1o: Fi= pi i =t,2,...,9) . Si.El6 escierta, las poblaciones de tratamiento, que por suposicin son normles, tienen una media comn como tambin una varianza comn. Por tanto solamente hay una po blacin de tratamiento y todos los tratamientos son estad sticamente idnticos. VALORES ESPERADOS DE LAS VARIACIONES La variacin entre tratamientos V6 , la varia cin dentro de tratamientos V. y la variacin total V son vaiables aleatorias que res pectivamente toman los valores t)b, t)- y u de acuerdo con las definiciones (8), (7\ y (3). Podemos demostrar que (vase Problema 9.19) ' De (17) se deduce que E(Vt) = (a-l-)o2 + b> E(V.) = a(b - l)o2 E(V',) : (ab-l)o2 + "1 (16) (17)

b> a? (r8) (,19) de modo que (20) es siempre la mejor estima (insesgada) de I independiente de si.Efo es cierta o no. De otra parte, de (I6) V (/8) vemos que slo si.[s es cierta tendremos ^/ Iu E\fr)\ = J de modo que solamente en ese caso n(ffi)= a Qr(21) Qz- 7o "b - a-l '(Si) v ab-L (I6) (22) proveer estimas insesgadas de o2. Sin embargo, si .E[6 no es cierta, entonces ten emos de = '"+,r--Lr}.? (23)

cAP,9l ANALISIS DE VARIANZA 309 DISTRIBUCIONES DE LAS VARIACIONES Utilizando el Teorema 4-4, pgna 116, po{emos demoshar los siguientes teoremas fund amentales relativos a las distribuciones de las vaiaciones V., V6 y V. 9-1: V,u/o2 tiene la distribucin chi-cuadrado con o(b - 1) grados de liberbad. Te orema 9-2: Bajo la hiptesis nulal{0, Vt,/o2yV/tienen la distribucin chi-cuadrado co n -1 Tenrema y ab 1 grados de libertad respectivamente. Es importante ecalcar que el Teorerra g-1 es vlido si se supone o no I/s , en tanto que el Teorema 9-2 slo es vlido si se supone f/0. ENSAYO PARA LA HIPOTESIS NULA DE MEDIAS IGUALES Si la hiptesis nula .Ffs no es cierta, es decir, si las medias de tratamiento no son iguales, vemos de (23) qrr" 33 puede ser mayor e o2, siendo el efecto ms pronun ciado a medida que la discrepancia entre medias aumenta. Por otra parte, de (I9) y (20) cabe esperarse que S,3 r""igual a c2 independientemente de si las medias son iguales o no. Se deduce que un buen estadstico para ensayar la hiptesis -EI vi ene dado por 3;13. Si este estadstico es considerablemente grande podemos concluir que hay una diferencia significante entre las medias de tratamiento y as rechaza mos f[e. De otra forma podemos o aceptar lfe o reservarnos el juicio dependiendo de anlisis posterior. Paa utilizar este estadstico debemos conocer su distribucin. Esto viene dado en el teorema siguiente, el cual es una consecuencia del Teorema 5-8, pgina 161. Teoremag-3: E] estadstico tad. F': Sr2/Stieneladistribucintr'con a_ Ly a(b_ 1) gradosdeliberEl Teorema 9-3 nos permite ensayar la hiptesis nula a un nivel de significacin det erminado empleando un ensayo unilateral de la distribucin F. TABLAS DE ANALISIS DE VARIANZA Lo! clculos pedidos para el ensayo anterior se resumn en la Tabla 9-2, que se deno minatabla de anlisis de uarianza. En la prctica calculaamos u y uo empleando eI mtdo l

argo, (3) y (8), o el mtodo corto, (10) y (11), y luego calcular u- : u uu. Debe advertirse que los grados de libertad para la variacin total, esto es,ab - 1, es igual a la-suma de los grados de libertad para las variaciones entre tratamiento s y las variaciones dentro de tratamientos. Tabla 9-2 Grados de Iibertad Enre tratamientos, va : b)1nt.z Ao s6 = o-1 u6 86 -_ s; con tratamientos, . Total, a-I,a(b-L) j a\o _ l) grados de libertad a : a-L+ ut = )(er.-f,)2

310 ANALISIS DE VARIANZA lcAP. e MODIFICACIONES PARA NUMEROS DESIGUALES DE OBSERVACIONES ? ftt, . . . , fto respectivamente, En el caso de que los tratamientos 1, . . . , a tengan nmeros diferentes de obser vaciones iguales los resultados anteriores se modifican fcilmente. Por tanto obte nemos s .,l)u : i'k s 2 j,k donde - i')2 = 5'.'j* -1i tL f,.* (d';. - i)' ) n@.- r)2 (rx (24) : 1 ;, - ; fl= -2t (25) @6) 1, - 1,tt ) denota la suma sobre k desde t hastan y luegosobreidesde thasta , ?r,"t"t '.,. nmero totI de observaciones en todos los tratamientos, ' es la suma de todas las o bsen aciones, es la suma de todos los valores en el tratamiento j y > es la suma desde j : t hasta c. La tabla de anlisis de varianza para este caso viene dada en la Tabla 9-3. Tabla 9-3

Entre tratamientos, o = ) n@'.-i.)2 con c-1, Dentro de tratam n -c grados de libertad Total, ' ='vt,+'l)rt = ) 1rr.: *)2 I | *-t CLASIFICACION DOBLE O EXPERIMENTOS DE DOS FACTORES Las ideas de anlisis de varianza para clasificacin simple o experimentos de un fac tor-'pueden generalizarse. Ilustramos el procedimiento para clasificacin doble o experimentos de doe factores. EJEMPLO 9-2. Supngase que un experimento agrcola consiste en examinar los rendimie nos por acre de 4 variedades diferentes de trigo, donde cada vaiedad se cultiva en 5 parcelas diferentes. Luego se necesita un total de (4) (5) : ZO parcelas. Es conveniente en tal caso combinar las parcelas en bloques, por ejemplo 4 parcelas en un bloque, con una variedad diferente de trigo cultivado en cada parcela den to de un bloque. Por anto se necesitan 5 bloques. En este caso hay dos clasificaciones o factores, puesto que pueden existir difer encias en el rendimiento por acre debido a (i) el tipo particular de trigo culti vado o (ii) el bloque particular utilizado (que puede tener diferente ferilidad d el suelo, etc.). Por analoga con el experimento agrcola del Ejemplo 9.2 con frecuencia nos referimo s a las dos clasificacioneJ o factores en un experimento como tratamientos y blo ques, pero lgicamente podramos simplemente referirnos a ellos como factor 1, facto r 2, etn.

cAP. el ANALISIS DE VARIANZA 311 NOTACION PARA EXPERIMENTOS DE DOS FACTORES Suponiendo que tenemos a tratamientos y b bloques, construimos la Tabla g-4, donde se supone que hay un valor experim ental (por ejemplo, rendimiento por acre) correspondiente a cada trataTabla 9-4 Bloques a t1, r2 F o. f I t fr, miento y bloque. Para el tratamiento j y el bloque k denotamos este valor por lc. La media de los valores en la fila j se denota por i; , donde j : 1, . . . , a, mientras que la media de los valores en la columna k se denota por e-:,., donde k: l,...,b.Lagranmedaomediatotalse denotaport'. En smbolos ri : ip,r,-, e'^ : j r,^, r' 1 - ab s-. +^t^ (27) VARTACIONES PARA EXPERIMENTOS DE DOS FACTORES Como en el caso de experiments de u n factor, podemos definir variaciones para experimentos de dos factores. Definim os la uariacin oct, semejante a (3), como uAl escribir la identidad Lx - )1r,,,,-.i, i'k +t) * (n.- r) + (.k- ) (38) -x= (t,* :i:t.-i'/. (2e) y luego elevando al cuadrado y sumando sobre j y la podemos demostrar que , : ,UC I L' I'U"

(30) )! donde 1,1 = variacin debida al enor o alazar = ) t,k (,,* _.-ii - r.rt l' nt Dr ,t)c = = Variacin entre filas (tratamientos) Variacin entre columnas (bloques) - t ,;t i : a k=l q*, ) 1*.rLa variacin debida al error o al aza se conoce tambin como uariscin residual, Las si guientes son frmulas cortas pa computacin, anlogas a (10), (11) V Q 2). a : i*;'--a ,t)r : _ hr; # u,. = I2,,r_lu _2 (3t) (32) (33) (3+) ,O Ue : A-Dr-Ac donde 2,. S l total de valores en la fila j, r.* S el total de valores de la column ah y z s l total de todos lo-s valores.

3L2 ANALISIS DE VARIANZA lcAP. e ANALISIS DE VARIANZA PARA EXPERIMENTOS DE DOS FACTORES Para el modelo matemtico de los experimentos de dos factores supongamos que las variables aleatorias X;o cuyos valores son los rr pueden expresarse como X* = tla,+Bk+Ajk Aqu (35) ,t es la gran media poblacional, o es la parte de Xn debida a los dierentes tratami entos (algunas veces denominados efectos de tratamientos), pe es la parte de Xi d ebida a los diferentes bloques (algunas veces denominados efectos de bloque) y a ,r es la parte de Xe debida aJ.azar o enor. Como antes podemos tomar los ajkcomo variables-.aleatorias independientes normalmente distribuidas con media cero y v arianza a2, de modo que las Xe son tambin variables aleatorias independientes norm almente distribuidas con varianza o2 . Bajo suposiciones apropiadas de las media s de X tenemos )', : o )*: o (36) de donde , Correspondiendo = 1)E(X;*t uo lk podemos demostrar que (37). a los resultados (I6)-{18)

E(V,): (a-1)"2+b)"1 E(V") : (b-l)"'! + a> (ob-1)o2 ri (38) (3e) (t o E(V") = (c-1)(b-1)"' E(V) = * ll ? a?+ >Pi es Hay dos hiptesis nulas que desearamos ensay: HLr,, Todas las medias de tratamientos (filas) son iguales, Ht",, Todas las medias de bloques (columnas) son iguales, H32' 0, i = L, ...,a es decir ll,, = 0, k = 7, . . .,b decir oj : Vemos de (39) que, sin tener en cuenta a H[t\6 ,la mejor estima (insesgada) de o2 viene dada por es 3: : ---J:^'" - (a-lxb-,., decir, 8133 = o' v (41) Tambin, si la hiptesis I1[,"& H[2)son ciertas, entonces Qz_ D; = -1, sern estimas insesgadas de o2 . Si 1') v' A" DZ -= v" - -1' 6':D- = eb-l

(t z y H;" nosonciertas,tenemos, de(37) y (38) respectivamente E(s:) E'(S:) = d+!-,2"i = "' + #> P U,s) (++l Los teoremas siguientes son semejantes a los Teoremas 9-1 Teorema y g-2. 9-1: V,. /"t tiene la distribucin chi-cuadrado con (a ner en cuenta a H[rt' or H[,2). 1) (b 1) grados de libertad, sin te-

cAP. el Teorema ANALISIS DE VARIANZA 313 9-5: Bajo la hiptesis H[L), V,/o2 tiene la distribucin chi-cuadrado con c - 1 grados de libertad. Bajo la hiptesis H[,!',V"/n2 tiene la distribucin chi-cuadrado con b -1grados de libert ad. Bajo ambas hiptesis H,tt y Ht2',V/o')tiene la distribucin chi-cuadrado con ab 1 grados de libertad. Para ensayar la hiptesis I1,!') es lgico considerar el estadsti"o ^eiS ya quepodernos ver de (43) que Si se espera difiera significativamente de o2 si las medias de fila (tratamientos) son significativamente diferentes. Anlogamente para ensayar l a hiptesis I1[!) consideramos el estadstico ^3ySg. Las distribuciones " .e;l^il v ^3y S: vienen dados en el teorema siguiente anlogo al Teorema 9-3. Teorema 9-6: Bajo la hiptesis ll[,r) el estadstico si;/S3 ti"n" la distribucin F con s - I y (c - 1) (b - 1) grados de libertad. Baj o la hiptesis H'oz'el estadstico 3;/S; ti"n" la distribucin Fcon b - 1 y (c - 1) (b - 1) grados de libertad. El teorema nos permite aceptar o rechazar H3" 6 H3', niveles de significacin espe cificados. Por conveniencia, como en el caso de factor uno, una tabla ^ anlisis d e varianza puede construirse code mo se muestra en la Tabla 9-5. Tabla 9-5 Entre tratamientos, L', , > (J'j :L)2 a-l i | 3l ' -ra--1 con cr - l, ( -l)(r-t) grados de libertad Entre bloques, s c-ls

; uc = (t>(tA-j)r b- 1, (a-1)(l-l) con grados de libertad Residual o aleatoria, e = l'Total. 'L' u, - lc ( l)( --1) rt1 ar* u" = )(r,*-r)! EXPER,IMENTOS DE DOS FACTORES CON REPETICION En la Tabla 9-4 solrmente hay un ','alor ccrrespondiente a un tratamiento dado y a un bloque dado. Ms informacin considerando los factores puede a veces obtenerse repitiendo el experimento, proceso conocido como repeticin. En tal caso habr ms de un valor correspondiente a un tratamiento dado y a un bloque clado. Supondrerfio s que hay c valores para cada posicin; cambios apropiados pueden hacerse cuando l os nmeros de repeticiones no son todos iguales. Debido a la repeticin debe utiliza rse un modelo apropiado para remplazar el dado por (35), pgina 312. Paa obtener es to denotemos por Xo la variable aleatoria correspondiente a la fila o tratamiento j, la columna o bloque h y ala repeticin /. El modelo viene dado por X xt = , * ,r * Fr * 7.,u I' lir,

314 ANALISIS DE VARIANZA lcAP. e donde p, ai, B se definen como antes, Ajrr son variables aleatorias independiente s normalmente distribuidas cbn media cero y varianza o2, mientras eue 7r denota e fectos de interaccin fila-columna o tratamiento-bloque (a veces denominados inter acciones). Correspondiente a (36) tenemos ?", = o, las pn = o, ?r,n = o, ?r,,, = o (t 5) u' columnas Como antes, la variacin total u de todos los datos puede dividirse en vatriacione s debidas a las fi u", interaccin o y error residual o aleatorio u": 'u:,u+a"+0*,ue donde (40 (47) , = )(rxt-r)2 i,k,t 't)t = uc) 1x'. -n', j=r o a (t'8) (t'e) 't)c: ac)(r.t,-r)z k=l 't) : " 2 1b

@.tu 1..fr.r.*r)2 (50) (51) ,t)e = )(a:;rr-rr.), i,k,l En estos resultados los puntos en los subndices tienen significados anlogos a los dados anteriormente (pgina 306). As, por ejemplo, xi..: he*,r, = llo*. Tabla 9-G (52) Utilizando el nmero apropiado de grados de libertad para cada fuente de variacin, podemos establecer la tabla de anlisis de varianza, Tabla 9-6. Variacin Grados de libertad Media de cuadrados F Ao Ao s ts Entre tratamienos, a-l A. ' 1)r dL con o -1, ab(c Ao rA 7) grados de libertad Entre bloques, lc b-1 Ao a. "e =

ac I6/s 2 b-1 con -L,ab(c-l) grados de libertad Ao , o si/s Interaccin, ,Ui (o-1)(b-1) con (a - 1X - 1), b(c grados de libertad 1) Residual o aleatorio, abk 1l Ao 8 = o61r-1j oe Total, u abc-7

cAP. el Las relaciones tr'en la nulas ANALISIS DE VARIANZA 31 las hipteeis tima columna de la Tabla 9-6 pueden utilizase para ensayar I/[t): Todas las medias de tratamiento (fila) son iguales, esto es oj = 0 I{2): Todas las medias de bloque (columna) son iguales, esto es l3*= 0 I{:}): No hay i nteracciones entre tratamientos y bloques, esto es 7 = 0 Desde un punto de vista prctico debemos primero decidir si puede rechazarse o no I[[3) a un nivel apropiado de significacin utilizando la relacin .F' de 3?/S3 de l a Tabla 9.6. Dos casos poibles se presentan. Caso I. Il[r) no puede rechazarse. En este caso podemos concluir que las interacciones n o son muy gnAes. Luego podemos ensay4r H.o) y-H<2, utilizando hs elaciones F de G?l iZ v 3:63 repectivamente como se muestra enlaTabla9-6. Algunos estadsticos recomie ndan combinar las vaiaciones en este caso tomando el total u * u" y dividindolo por el otal correspondiente de los grados de libertad, (a - 1) (b - l) + ab(c - 1), y utilizando este valor para remplazar el denominador 3! en el ensayo F. Caso II. Il[3) puede rechazarse. En este caso podemos concluir que las interacciones son considerabtemente grandes. Las diferencias en los factores seran impgrtantes sola mente si fueran grandes comparadas con tales interacciones. Por esta razn muchos estadsticos recomiendan que se ensayen I/', y l/,j'z) utilizando las relaciones .F de 33/0? V GfBi en cambio de esas dadas en la Tabla 9-6. Utilizaremos este proc edimiento alterno. El anlisis de varianza con repeticin se efecta mucho ms fcilmente al lsJolizar primer o los valores de repeticin que corresponden a tratamientos (filas) y bloques (col umnas) particulares. Esto produce una tabla factor dos con valores singulares, q ue pueden analizase como en la Tabla 9-5. El procedimiento se ilustra en el Probl ema 9-tr3. DISEO E)GERIMENTAL Las tcnicas de anlisis de varianza discutidas anterionnente se emplean despus de qu e se han obtenido los resultados de un experimento. Sin embargo, para ganar tant a informacin como sea posible,los detalles de un experimento deben planearse cuid adosamente con anterioridad. Esto se denomina a veces como disew del experimento. En lo que sigue damos algunos ejemplos importantes de diseo de experimentos. 1. Completa aleatoriedad. Supngase que tenemos un experimento agrcola como en el Ejem plo 9.1, pgina 306. Paa sea tal experimento podramos dividir el teneno en 4 X 4 = L6 p arcelas (indicadas en la Fig. 9-1 por cuadrados, aunque fsicamente cualquier form

a puede utilizarse) y asignar cada tratamiento, indicados por .4, B, C, D, a cua tro bloques escogidos completamente al aza. El propsito de la aleatoriedad es la d e eliminar varias fuentes de enor tal como fertilidad del suelo, etc. D A C C c B A D D B C B C A D A A Bf A6 Do AB Bn D6 co DB B D D C B A B D II III IV A B D C B A C D D A c D cf BB D B B c6 A.r A

B c A C B A c C" Dr Au B6 Cuadrado Complea aleatoliedad Bloquee aleatoios Cuadrado latino Fis.9-3 grecoJatino Fig.9-l Fig. 9.2 Fig.9-l

316 2. ANALISIS DE VARIANZA [cAP. e Bloques aleatorios: Cuando, como en el Ejemplo 9.2, es necesaio tener un conjunto completo de tratamientos para cada bloque los tratamientos A, B, C, D se introd ucen en orden aleatorio dentro de cada bloque I, II, III, /V (vase Fig. 9-2) y po r esta raz6n los bloques se conocen como bloques aleatoros. Este tipo de diseo se utiliza cuando se desea controlar una fuente de error o uariabilidad, principalm ente la diferencia en bloques (filas en la Fig. 9-2). Cuadrados latinos. Para al gunos propsitos es necesario controlar dos fuentes de error o uariabilidad al mis mo tiempo, como la diferencia en filas y la diferencia en columnas. En el experi mento del Ejemplo 9.1, por ejemplo, errores en diferentes filas y columnas podran ser causadas a cambios en la fertilidad del suelo en diferentes partes del terr eno. En tal caso es deseable que cada tratamiento ocurra una vez en cada fila y una vez en cada columna, como en la Fig. 9-3. El arreglo se llama cuadrado latin o puesto que se utilizan letras latinas A, B, C, D. Cuadrados greco-latinos. Si es necesario controlar res fuentes de efror o variabilidad se usa un cuadrado gre co-latino, como se indica en la Fig. 9-4. Tal cuadrado es esencialmente dos cuad rados latinos superpuestos entre s, con letras latinas A, B, C, D uttlizadas para un cuadrado mientras que para el otro cuadrado se utilizan letras griegas a, lJ ,t, S.Elrequisitoadicionalquedebe cumplirse es que cada letra latina debe utiliz arse solamente una vez con cada letra griega. Cuando se cumple esta propiedad el cuadrado se dice ortogonal. 3. 4. Problerna.s resueltos CLASIFICACION SIMPLE O EXPERIMENTOS DE UN FACTOR 9.1. Demostrar que ) i,k )(r;r,-f)t t,k as (r;* - i)' : )(r,n-r,\' i,k )2 t )(r-,-r)2 i,k 2 Tenemosr- i=(rjr-rj)+(rj.--).Entonceselevandoalcuadradoysumandosobrejzlzhallamos )(",^-, = Lk + j,k '' i\2 + )1o,.)(",.-tj)(:'j-t) j*

Para demosrar eI resultado pedido debemos mostrar que la ltima suma es cero. Para hacer esto procedemos (",^ - ri)(ii - il :> = j=t ,*, -")[r\t-tj L , ,", ",[-i, r,,^ -, r] Q ",-) -,r,]: ya que ij. = 1o.) i ",^.

cAP. el ANALISIS DE VARIANZA 317 g.2. Verificarque(o) (d) r: bt(b),.=brj.,(c) ?', : ab,utilzandolanotacinenlapgina307. (b) (c) Puesto que 7j. - ) r:r tenemos K por Ia parte (c). )r. )1rc = ))*r* r = abt 9.3. Verificar las frmulas cortas (10)-(12), Tenemos pgina 307. ,t) = )(,r-r): i.k )(rji-zx,ijk+2\ = i,k abz )"i = j,k - 2x)r I i,k 2r@br\ a*: )"'n = j,k = )rr, i'k f*" ,D6 I abz s-? -4 ab =,],oi-ziri+2) utilizando el Problema 9.2(o) en el tercero y ltimo renglones anteriores. Anlogame nte

= )(;.-)t )i = i,k - - zr>ti. + ab2 i,k / r'\2 rl rS/rl-zrJ.-!+abEz -* .r b bI 1.'*\ u u- j=lk=l 'i ) )'r. -'#(abt) * r o b oo ab2 u i--l 1qt J !s-2-1: b i:r'i Finalmente (12) se deduce del hecho de que u ab utilizando eI Problema 9.2(b) en el tercer rengln y el Problema 9.2(o) en el ltimo rengln. = 't)61't),u un -- It 1'b' Tabla 9-? 9.4. riedad de trigo cultivado en un tipo particular de suelo tratado con qumicos A, B , o C. Hallar (c) el rendimiento medio para los diferentes tratamientos, (b) la gran media para todos los tratamientos, (c) la vaiacin total, (d) la variacin entre tratamientos y (e) la vaiacin dentro de tratamientos. Utilizar el mtodo largo. La Tabla 9-7 muestra los rendimientos en hl/ha de una cierta vaA B C ,18 49 50 47 19 .18 49 48 50 49 51 50

318 ANALrsrs DE vARTANZA Para simplificar la aritmtica podemos restar algn nmero apropiado, por ejemplo 45, de todos los datos sin afectar los valoree de las variaciones. Entonces obtenemo e los datos de la.Tabla 9-8. [cAP. Tabla 9-E e (a) por Las medias de tratamiento (fila) para la Tabla 9-8 vienen dados respectivamente rr. = !4(B+4+ 5+4, 1 = 4, r. = lae+A+3*B) = 5 3, i..: i(4+6+5*5) = respectivamente, Por tanto los rendimientos medios, obtenidog al sumar 45 a stos, eon 49, 48 y 50 hl/ha para A, B, C (b) (c) ., = i(B+4-f b+4+2t.41-B.f B+4+6+b+b = As la gran media para el conjunto original de datos es 45 * 4 : 49 hl/ha. Variacintotal 4 =, =;@ir-E)2 = (3-4)r + (4-4)x + (6-) + (4- 4)2 + (2 - 4)2 + (4-4): + (3 - 4:: * (3 - ) : + (4 -4): + (6-4)2 + (5- 4): + (5-4: =14 ((l ) Variacinentretratamientos = tr, = b)) () Variacindentrodetratamientos

Otro mtodo. -), 4l(4 - 4)! + (3 - 4)2 + (5 -- 4)'.:l = = r',. = o- .u = 14-8 = 6 (cl. 3 0,, = ) @-E.)2 t,k = (3- 4)2 + (4+ (2 -3)2 + (4-3)2 + (:J-U + (5-4r + (4-4): 3)2 + (3 - g)r + (4- 5)r + (d--5)! -l (5-5)r + (5-5)r 412 9.5. Con referencia al Problema 9.4, hallar una estima insesgada de la varianza pobla cional oz de (c) la variacin entre tratamientos bajo la hiptesis nula de igual med ias de hatamiento, (b) la variacin dentro de tratamientos. (a) (b) ? 3 9.6. de significacin del (c) 0.05, (b) 0.01? Tenemos con-o Con referencia al hoblema 9.4, podemos rechazar la hiptesis nula de medias iguales al nivel 1 : F=$=h = 3 6 L : 2ya(b - 1): 3(4-1) : I grados delibertad. (o) ConreferenciaalApndiceF,conut:2yu2:9,yemosqueF.95:4.26.Puesoque^F :6)F.96podem os techazar la hipesis nula de medias iguales al nivel 0.05.

cAP. el ANALIS$ DE VARIANZA 319 (b) ConreferenciaalApndiceF,conur:2!uz:9,vemoaqueF.6:8.02.Pue8toqucF=6(F.9no podemos techazar la hiptesir nula de medias iguales al nivel 0.O1. I tabla de aDliis de vaianza para loe hoblemss 9.4-9.6 e muestran en la Tabla 9-9. Tabla 9-9 Gg=f;= Dentro de tata 0w=0-0b a -63 ^' - a&-6 , - 2/3 n con 2,9 o(b-1)=(3)(3)=9 gradoe de =14-8=6 libertad 9.?. Utilizar las frmulas cortas (101-(12) para obtener los resultados del Problema 9. 4. (o) Tenemos 2r?r=9+16+26+16 t'k +4+16+9+9 +16+56+26+26 Tambin = 206 = 3+4+5+4 +2+4+3+3 +4+6+6+6 =48 1) Por tanto

= a"?--# : ,06-S8t = (b) Los totdes de las filas on 206-rsz = 14 Tambin rl. = 3+4+6*4 = 16 tz.=2+4+3*3:12 rt. = 4 +6+5*5 = 20 r = 16+12+20 = 48 Luego D6 1s-, - 4 ba'i ab 1 i062+t22+202) 0w: (^8\: te,,n) = : 2oo 6 _ tg2 = E (c) D-Qb:14-8

320 Es conveniente ordenar los datoe ANALISIS DE VARIANZA como en la Tabla 9-10. Tabla 9-10 T [cAP. e t T: A B C 3454 2433 4655 16 256 t2 20 r14 400 ) s.'r = 206 " = ?", =48 ?t, = t4 800 7) = (zoe)r-9q): = u, de como antes, = lrsoor --,(ti)] : ! Los resultados concuerdan con los obtenidos en el Problem a 9,4 y a partir de es te punto el anlisis proce9'8' mquinas didiseado para . de las mqui nas, cinco operadores experimentados trabajan con las mquinas durante intervalos iguales. La Tabla 9-11 muestra de unid s. Ensa

yar la hiptesis hay dife mquinas a un nivel de n del (a) Tabla 9-1 A B C 1 68 72 75 42 53 i2 52 63 55 60 82 65 7? 48 61 57 64 48 76 50 53 D E 64 65 70 68 Reste un nmero apropiado, por ejemplo 60, de todos los datos para obtener la Tebl a 9-12. Tabla 9-12 J : ). 100 0 A 8 t2 15 3 -18 -7 -t 10 0 B C t2 0 -8 22 -5

T7 6 l5 60 3600 400 400 400 D -12 4 1-34-10 6 -20 8 -l E t0 20 70 2r,? Entonces = 2356 r.ab6-1#; 16= = zs56-246 soo = zrrL (i55 I t.rooo - ffi : 245 :=

cAP. el Formamosla Tabla 9-13. ANALISIS DE VARIANZA 321, Tabla 9-13 Entre tratamientos, ?t = 655 tratamientos, ",u-1) = 5(4) rA = I l "u ?',".1456 =ZO I | =.2lIl I ab-I=24 I W = tz.8 (5X4) t: Pata 4, 20 grados de libertad tenemos F .ss: 2.87 , Por tanto no podemos rechaza r la hiptesis nula a un nivel 0,05, lgicamente tampoco la podemos rechazar al'nive l 0.01. MODIFICACIONES PARA NUMEROS DESIGUALES DE OBSERVACIONES 9.9. La Tabla 9-14 muestra la duracin en horas de las muestras de tres tipos diferente s de tubos de televisin fabricados por un compaa. Utilizando el mtodo largo, ensayar al nivel de significacin del (c) 0.05, (b) 0.01 si hay una diferencia en los tres tipos. Es conveniente restar Tabla 9-14 Muestra 1 .t0i Muestra 2 Muestra 3 11 409 401 406 408 405 .1 ,102 410 .108 406 408 un nmero apropiado, por ejemplg 400, y obtener la Tabla 9-15, Tabla 9-15

Total Muestra 1 Media 9 7trI 4 27 8 5 2 Muestra 2 Muestra 3 6 25 32 5 10868 .i = Gran 8 media = 84 1t En esta tabla hemos indicado los totales de fila, las medias de grupo o muestral es y la gran media, Entonces tenemos ,, - )(r,^.-i.r - fti'k rr, 7):+(11 -?)2+...-+(8-7)z = 5): 72 -= J'K )(t,.-..)! '- u, - )rr(.r;.-i)z -3(9 ' 7\2 36 !

5(7 + 4(8 -7)! = 36 ,ru r Tambin podmos obtener 72 -36 . u. directamente observando que es igual a (7--9):r-(11- f)r!-i tf -f)): r t.l-5rr -,(i -5r2 - 18-512: rl--5rr .r (2 5):r -l- (10 8r: I 8 __ 8)r -i rG 8): -1- (8 _ 8l: -

322 ANALISIS DE VARIANZA f,os datos pueden resumirse en la tabla de anlisis de varianza, Tabla 9-16. Tabla 9-16 [cAP. e Variacin Grados de libertad Media de cuadrados F D=36 a-7=2 n-a=9 io, = 19= 1g 5,?- 4 uru so'18 = 36 G1=?9=4 = 4.5 Enonces para 2 y 9 grados de bertad hallamos del Apndice F que F.96 : 4,26, F.99 : 8.02. Por tanto podemos rechaza la hiptesis de medias iguales (esto es, ninguna di ferencia en los tres tipos de tubos) al nivel 0.05 pero no al nivel 0.01. 9.10. Soluciona eI Problema 9.9 utilizando las frmulas cortas incluidas en (24), ( 25) V Q6l. De la Tabla 9-15. Rt=3, Por tanto ! = n2=5, so:.2 "',-; 12t nB=4, n=12, 72

t1.=27, 12.:25, rg.=32, =84 = + iL2 + ... + 62 +8r-Q|2 = 72 a6 = ?t-; = = 36 (27)2,(25)2,(32)2 s-5-4 -W = s6 'l) = I-Ub Utilizando estos reultados el anlisis de vaianza procede como en el Problema 9.9. CLASIFICACION DOBLE O EXPERIMENTOS DE DOS FACTORES 9.11. La Tabla 9-17 muestra los rendimientos por acre de cuatro go, ensayar al nivel de significacin de 0.01 si (a) hay una diferencia significat iva en rendimiento por acre debida a los fertilizantes, (b) hay una diferencia s ignificativa en rendimiento por acre debido a las cosechas. Tabla 9-1? Cosecha cosechas de plantas diferentes culparcelas tratadas con tres tipos diferentes de fertilizantes. Utilizando el mtodo lartivadas en Cosecha I Fertilizante A Fertilizante B Fertilizante C u Cosecha

III Cosecha IV 6.7 45 8.8 6.4 7.2 7.8 9.6 7.0 5.9 6.8 o. I 5.2 Calculamos los totales de fila y medias de fila, como tambin los totales de colum na, las medias de columna y la gran media, como se indica en la Tabla 9-18.

cAP. el ANALISIS DE VARIANZA Tabla 9-18 Cosecha 323 I Cosecha II Cosecha III losecha IV Totales de fila 24.8 Media de fila 6.2 Fertilizante A Fertilizante B Fertizante C Totales de 4.5 6.4 7.2 6.7 8.8 7.8 9.6 7.0 33.2 8.3 5.9 68 5.7 5.2 23.6

5.9 columna Medias de 19.2 2t.0 Gran total 22.5 18.9 = = 81.6 columna u, 64 7.0 7.5 6.3 Gran media 6.8 : Variacin de medias de fila con respecto a la gran media = 4U6.2 - 6.8)2 + (8.3 - 6.8)2 + (5.9 - 6.8)21 = 13.68 u" : Variacin de medias de columna con respecto a la gran media = 3[(6.4-6.8r+ (7.0-6.8)2 + (?.5-6.8)2 + (6.3-6.8)z] = 2.32 U: Vaiacin total (4.5 -6.8)2 + (6.4-6.4z * (7.2-6.8)2 + (6.7-6.8)2 + (8.8 - 6.S12 '. (7.8 - 6.8)2 -1 (9.6 - 6.Sz a (7.0 - 6.8)2 + (5.9 -6.4z a (6.8 -6.8)2 + (5.7 -6.8)2 + (5.2 -6.8)2

= 23.08 ue : Variacin aleatoria = Lt - r, - r. : Esto conduce al anlisis de varianza en la Thbla 9-19. Tabla 9-19 6.58 F =G?/C?: a.zt gl: 2,6 '=0"2/i3=0.86 gl: 3,6 oi = t.ocz Al nivel de significacin de 0.05 con 2,6 grados de libertad, Fq;:5.14. Entonces,y aque 6.24> 5.14,podemos rechazar la hiptesis de que las medias de fila son iguale s y concluir que al nivel 0.05 hay una diferencia significaiva en el rendimieno de bida a los fstilizantes. Ya que el valor d'e F correspondiente a las diferencias en las medias de columna ea menot que 1 podemos concluir que no hay difenencia significativa en el rendi miento debido a las cosechas,

324 ANALISIS DE VARIANZA las frmulas cortas para obtener los resultados del Problema 9.11. : lcAP. e 9.t2. Utlizar Tenemos de la Tabla 9-18 i,k )"i T a ... + 24.8+33.2+23.6 = (4.Sz a (6.nz (5.2)2 81.6 : 577.96 S-z Sro (24.2z (19.2)2 + (33.2)2 (27-O'z r- (23.6) = 2274.24 (22.5)2 + (18.9)2 = 1673.10

Entonces s-2 j* tt'r^ 12 ab = vr 1s-r-t' 577.96 bj'j. 554.88 ab = 23.08 = uc Lnezln.zu 'c bb4.88 = = 18.G8 = *>t-"ti = |trozs.rol rt - ut bb4.88 2.82 11 = = 23.08 de acuerdo con el Problema 9.11. 13.68 - 2.82 = 6.58 EXPERTMENTOS DE DOS FACTORES CON REPETICION

9.13. Un productor desea determinar la efectividad de cuatro tipos de mquinas A, B, C, D en la produccin de tornillos. Para llevarlo a cabo se obtiene el nmero de tornillos defectuosos producidos por cada mquina durante los das de una semana en cada uno de los dos turnos. Los resultados se indican en la Tabla 9-20. Efectuar un anlisis de varianza para ensayar al nivel de significacin del 0.05 si hay (c) una diferencia en las mquinas, (b) una diferencia en los turnos. Tabla 9-20 PRIMER TURNO Lun 6 SEGUNDO TURNO Mar Mie Jue Vie Lun Mar Mie 12 Jue Vie 10 C I o D 10 Los datos se pueden organizar de igual forma como en la Tabla 9-21, En esta tabl a se indican los dos factores principales, mquina y lurno, Ntese que para cada mqui na se han indicado dos turnos. Los das de la semana se pueden considerar conro rpl icas o repeticiones del rendimiento de cada mquina para los dos turnos.

cAP. el ANALISIS DE VARIANZA Tabla 9-21 325 FACTORI FACTORII Mquina REPETICTONDS Trno Lun 6 D Mar 4 I Mie D Jue o 6 Vie 4 8 Totales 24 30 A lz lz (1 f1 4 B l1 10 8 79r288 7 7" I 4l 44 c

D lz lz TOTALES jI 76669 97546 8 o 4 d 32 31 l1 6 o 65 ?10 47 59 28 38 51 64 268 La variacin total para los datos de la Thbla 9-21 es o = 62* 42+62+ ... + 72 +L02-W = 19461?95.6 = 1b0.4 Para considera los dos factores principales, mquino y turno, concentremos nuestra atencin al otal de los valores de repeticin correspondiente a cada combinacin de fac tores. Estos se ordenan en la Tabla 9-22, que es una tabla de dos factores con v alores simples. Tabla 9-22 Primer turno Segundo 30 turno

TOTALES 64 85 63 66 A B c D TOTALES 24 41 32 28 t25 44 31 38 143 268 [.4 variacin total para la Tabla g-22, que llamaremos variacin subtotal u", viene dada por -. _124)2,(41)2, (32)2,2912, (30)2, (44)2, (31)2, (38)2 ""--6-5 - b --5 - S - b S - 5 = 1861.2 - 1795.6 : 66.6 La variacin enhe filas ene dada por (zeez 40 a' = (54)2 (85)2t' (6,3.)' + qq -ld- - ro ro 10 La vaiacin entre columnas viene dada por (zgq)' 40 = 1846.6 1?9b.6 = 51.0 'tt" = --- -. ZO (126\2. (119)r_eqq\2 ? 40 _

180s.?_1?e5.6 rov = 8.1 Si reetamos de la variacin subtotal u, la suma de las variaciones entre filas y c olumnas (u, variacin debida alasinteroccions entre las filas y columnas. Esta vien e dada por * u" ) obtenemos la 0i = 0"-D- 0c = 65.6-51.0-8.1 = 6.5

326 ANALISIS DE VARIANZA lcAP. e Finalmente la variacin reaidual, que puede considerarse como la variacin aleatoria o de eror u" (ai se cree que los diferentes das de la semana no proveen ninguna de rencia importane), se halla reetando la suma de variaciones fa, columna e interacc in (ee decir, la vaiacin subtotal) L U variaiOn totl u. Eeto resulta en a" = Q-(or*o"*ol = 7)- o" : 150.4-65.6 : 84.8 1 grado de liberad. Para hallar loe grados de bertad debidos a la interaccin obeerv amoe que hay 8 valores en la Tabla 9-22. Po tanto el total de gtadoe de libertad es 8 I : 7. Puesto que 3 de esos 8e deben a filas y 1 a columna, el reeto, 7 (3 + 1): 3, ce debe a interaccin.- Ya que hay 40 valores en la abla original 9-2i el t otal de gradoe de libertad es 40 1 = 39. Por tano los grados de libertad debidos a l vaiacin residual o aleatoria ee 39 7 : 32. libertad cottespondientes a cada tipo de variacin. Aef, ya que hay 4 filas en la Tabla g-22La variacin debida a ls fila tiene 4 - ! : Sgradosdelibertad,entantoquela varirrcindebidaalae 2columnastiene 2-L= Estas vaiacionee se indican en el anlisis de varianza, Tabla 9-23, Iiabla tambin da el nmero de grados de Tabla 9-23 Filas (mquinas), 0' = 51'0 i? = tt.o Columnas (turnos), 0c = 8'1 Interaccin, u

= 6.5 G? = zltt Aleatoda o residual, D" = 84'8 Total, u= 150,4

Para continuar debemos determinar primero si hay alguna ineraccin significaiva entr e los facores bsicos (es decir, filas y columnas de la Tabla 9-22). De la Tabla 923 vemos que paa interaccin F : 0,81?, lo cual indica que la interaccin no ee signi ficante, eeto es, podemos rechaza |a hiptesis flllr " la pgina 315, Siguiendo lae re glas de la pgina 315, vemos que F para las fila e 6.42. Puesto que .F nl: 2.90 para B, B2 grados de libertad podemos rechazar la hipesis ll;tr " que lar fila tienen sdi ualee. Esto es equivalente a decir que al nivel 0.05 podemos conclui que las-mquin as no son igualmente efectivas. Para l, 32 grados de liberad Fn.: 4.16. Entoncee ya que F calculdo para lascolumnaes 8.06, no podemos techazt la hipteeio l/[zt " que las columna tengan medias igualee, Esto esequivalene a decir que al nivel 0.06 no hay diferencia iignificativa entre turnos, Si decidimos analizar los resultados combinando las variaciones residual e inter accin como lo recomiendan algunos estadsticos, hallamos para la vaiacin combinada y grados de libertad combinados u* u.:6.6 + 84.8 : 91.3 y 3 + 32: 36 respectivamene, que conduce a unavaianzacombinadade gL.SfSe:2.61. Al usar este valor en cambio d e 2.65 para el denominador de F en la Tbbla 9-23 no afectan las conclusiones alc anzadas anteriormente,

l cAP. el ANALISIS DE VARIANZA 327 9.14. Solucionar el Problema 9.13 si se utiliza el nivel 0.01. A este nivel an no hay interaccin apreciable, de modo que podemos proceder ms al,l, Ya que F .r,t: 4.47 para 3, 32 grados oe libertad y puesto que F para filas es 6 .49, podemos concluir que an al nivel 0.01 las mquinas no 6on igualmente efectivas . Ya que '.e0 = 7,51 para 1, 32 grados de libertad y puesto que F para columnas e s 3.05, concluimos que al nivel 0.01 no hay diferencia significativa en los turn os. CUADRADOS LATINOS Tabla 9-24 9.15. Un hacendado desea ensaya los efectos de cuatro fertilizantes A, B, C, D en el rendimiento de trigo. Para eliminar fuentes de enor debidas a la variabilida d en la fertilidad del suelo emplea los fertilizantes en una distribucin de un cu adrado latino como s indica en la Tabla 9-24, donde los nmeros indican rendimiento s en dkl por unidad de rea. Efectuar un anlisis de varianza para determinar si hay una diferencia significativa entre los fertilizantes a niveles de significacin d e (c) 0.05 y (b) 0.01. Tabla 9-25 At8 D22 c2r Bt2 420 D25 BLI at6 c2s 810 ct9 D24 875 c22 D2l At7 TOTALES AL8 D22 c2l BL2 D26 Btl c19 D24

75 68 82 70 Tabla 9.26 A B 48 At5 c23 BLO 73 C 85 D 92 B15 420 D2r 74 TOTAL 70 296 c22 TOTALES 77 At7 7l 295 himero obtenemos toales para filas y columnas como 8e indica en la Tbbla 9-26. Ta mbin obtenemos el total de rendimientos para cada uno de loe fertilizantes como g muestra en la Tabla 9-26.Ia variacin otal y las vaiciones para filas, columnas y ratamientos se obtienen comn y corriene. Hdlamos Vaiacintotal : o= (18)? + (21)2 + (25)2+'.' + (10z * (lT2

-@5Y 16 5769 6439.06 : 329.94 Variacin entre filas - 1) ff +ff + ff -5468.25 + ry - At-ril; 29.19 (2eS1z 5439.06 : vaiacin entre (77\2 (74\2 (78\2 (71\2 columru lS=?rc= 4 - 4 - 4 -, 4 : 5443.75 - 5439.06 = 4.6 9 16 variacinenrretratamienros = ,, = T*ry*ry 5723.25 *9'{ -(fftr = 284.19 5439.06

328 ANALISIS DE VARIANZA El anlisis de vaianza s muestra en la Tabla 9-27. Tabla 9-2? lcAP. e Filas, 29.19 Columnas; 4.69 Tlatamientos, 284.19 Residuales. 11.8? (o) Puesto que F er,.r,o :4.76, rechazamos al nivel 0.05Ia hiptesis de que hay me dias de fila iguales. Se deduce que al nivel 0.05 hay diferencia en la fertilida d del suelo de una fila a orra. Puesto que el valor F para columnas es menor que 1, concluimos que no hay diferencia en la fertilidad del suelo en las columnas. Ya que el valor de.F para tratamientos es 4?.9 > 4.76, podemos concluir que hay diferencia entre fertilizantes. (b) Ya que Fgo,,0 : 9.78, podemos aceptar la hiptesis que no hay diferencia enla f ertilidad del suelo en las filas (o las columnas) al nivel de significacin del 0, 01, Sin embargo, debemosconcluirquehay una diferencia entre fertilizantes al nivel 0.01. CUADRADOS GRECO. LATTNOS 9.16. Es de inters determinar si hay alguna diferencia en el kilometraje por galn entre las gasolinas A, B, C, D. Disear un experimento utilizando cuatro conductor es, cuatro autos y cuatro caminos diferentes. Puesto que se incluye igual nmero (cuatro) de gasolinas, conductores, autos y cam inos podemos emplear un cuadrado grecolotino, Supngase que los diferentes autos s e representan por las filas y los diferentes conduetores por las columnas, como se indica en la Tabla 9-28. Asignamos las diferentes gasolinas A, B, C, D aleato riamente a filas y columnas, de modo que cada letra apatezca solamente una vez e n cada fila y solamente una vez en cada columna. As cada conductor tendr una oport unidad para conducir cada auto y utilizar cada tipo de gasolina (y ningn auto ser conducido dos veces con la misma gasolina). Asignamos aleatoriamente los cuatro caminos que van a emplearse, denotados por o, p, 7, 6, sujetos a los mismos requ isitos impuestos a las letras latinas. As cada conductor tendr la oportunidad de c onducir a lo largo de cada uno de los caminos, Un aneglo posible es el dado en l a Tabla 9-28. Tabla 9-28 CONDUCTORES 1234 B,' I A, 4,, i I} 9.17. Suponga que en el desarrollo del expemento del Problema 9-16 el nmero de kilm etros por galn es el dado en la Tabla 9-29.lJtiliza el anlisis de varianza para det

erminar si hay alguna diferencia significativa al nivel 0.05.

cAP. el ANALISIS DE VARIANZA 329 Prirpero obtenemos totdes fila y columna como e indica en la Tabla 9-30. Tabla 929 CONDUCTORES Tabla 9-80 TOTALES Bf 19 ae Bc 16 1g 11 16 61 D6 16 cq 1 65 69 62 70 By 19 ap 16 D6 16 cd 14 A6 t6 Ds cB TOTALES 14 L6 64 82 E{ cr lL BB 2l DB t6 A6 15 Bo 18

cy ll Bs 2r ao 15 De t6 c6 Af 86 16 23 68 Do 14 L6 c6 lL Dr L6 Ar 86 L6 23 Df As L6 63 cF 266 Entonces obtenemos los totale para cada letra ltina y para cada letra griega, como eigue: Atotal: 15+16+15+16 = Btotal: 19+18+2I+ 23 = Ototal: . 16+11 +11+ L4 = Dtotal: 1 4+16+16+16 = ctotal: 14+18+15+14 = /3 total: 16 + 16 + 2l + 15 = ytotal: 19+16+1 1+16 = Stotal: 15+11+16+23 = (65)2 62 81 62 61 61 68 62 66 Entonces calculamos ug vaiaciones conespondientes, utilizando el mtodo corto. Filas : a----l---4 (64)2 ,

(59)2 , (62\2 -, 4 (70)2 (256\2 16 Q6A)z 16 QAAz = 4112.60 4096 = = 16.60 Columnas: , (61)2 , (63)2 , (68)2 4 - 4 - 4-T 4 , (81)2 , (52)2 , (61)2 4-4-4-4-16 4102.60 I 4096 6.60 (A, B, C, Dl Caminos: (o' P, 7, ) Gaolinas: (62)2 4267.60 -4096 = 111.60 ry*ff+ff+ry-ry 4 (16)'z = 4ros.6o-40e6 = ?.50

La variacin total ee (1Sz * (lez + "' + (16)2 + (2s\2 -e66\2 =' 'I | \-vt 16 16.50 4244-4096 = 148.00 de modo que la variacin debida al eror e 148.00 6-50 11r.50 7.60 = 6.00 deliberad.Portantolosgradosdelibertadparaelerroresn2 caso n f,os resultados se mueshan en el anlii de varianza, Tabla 9-31. E nmero total de gad os de bertad es n2 - 1 para un cuadrado de n X n. Las filas, columnaE, leras lainas y letras griegas cada una tienern 1 grados : 4. -1--4(n-1)=(n-lXn-3).Ennueetro

330 ANATISIS DE VARIANZA Tabla 9-31 lcAP. e Columnas (conductores), 6.60 Gasolinas, (4, B,C,D), 111.50 Caminos (o' ' 7, 6), 7.50 2.500 :?*33=t.26 Tenemos F.or,r,a:9.28 V F.so,s,s : 29.5. Por tanto podemos rqchazar lahiptesisdeq uelasgasolinasson igualee al nivel 0.05 pero no al nivel 0,01. PROBLEMAS DIVERSOS 9.18. Demostrar que > oj = 0 [(15), pgina 308]. = F* e. El tratamiento medias de la poblacin viene dado por p Por tanto ac = 9. 5u, J=r =.3u*3" = op+\' t=L i=l !:t' = (2p)/a, Se deduce que t=L )t* )"t j:r ' donde hemos utilizado la definicin p )a, = 9.19. Derivar (c) la ecuacin (17), (b) la ecuacin (I6), de Ia pgina 308. (o) Poi definicin tenemos

v- = ,} ,",.-*,.z > + ) (x,*-i,tz = b j=r |Lo rEr' " ' ) = !s? j=1 d.-b-l es la varianza muestral para el tratamiento jr como que el tamao de la muestra es b, donde Sf define por (15), Captulo 5. Entonces, ya E(v,,) = bjE(Si) utilizando (I6) del Capftulo 5. b 3 ('-1"'\ -i---t\ b / = a(b - l)oz -

cAP. el ANALISIS DE VARIANZA Por 331 (b) definicin vt' = a ) 1*r.-xz t=r aa a o = b>*i-2bx)x,.+auxz l=r t=L ya que (f) (21 (.t) X = ( )It. - ) / \ // /\/ ' = b>*?.-ab*z j=1 a.Enloncex, omitiendo el fndice de la euma, enemos E(val = b>86?) var(i.) + a,bgQ7z) Entoncee para cualquier variable aleaoria U, E(U2) = Var (U) + lE(U)12. Por tanto lv(x,.\12 lBlx12 E(xil : E(Xz) = Var () + Pero ya que las poblaciones de traamiento son normales, con medias t y varianza comn 02, tenemos dd Teoreme 6-4, pgina 158: ( tr) var

(5) =r Var(X) = # E(X) = p (i.) (d) (7) E(Xj.) = pj = p+ai Utilizando los resultsdos (2>(7), ms el reeulado dd hoblema 9.18, en (I ) tenemos E(va) = b>[+*(,+*i):-l -"ufLab J !+rr) " '' ) -LD aoz * b ) (p+ a)2 o2 s'b,P = (a-l)o2 * abp2 + zbp> ", + > al obP (c--t)62 * b ) a;2 9.20. Demostt'ar el Teorema $1, pgina 309. Como e indica en el Problema 9.19(o), 3S:1 v-=a!q 6 += llt J=r o2 donde S! e la vrianza mueshal para muestras de tamao b exradas de la poblacin de trata miento j. Por el Teorema 5-6, gina 161, bSJ/o2 tiene drado con b - 1 gradoe de lib otad. Entonceo, puesto que las varianza S! bn indep el Teorema 4-4,p6gitn 116, qu e V-/o2 tiene dishibucin chi-cuaado cn o(b

1) 9.21. En el Problema 9.13 supusimos que no existan diferencias significativas en las repeticiones, esto es, los diferentes das de la semana. Podemos sostener esta conclusin al nivel de signifi cacin del (c) 0.05, (b) 0.01? Si existe alguna variacin debida a las repeticionee se incluye en lo que ae llama el ertor reidual o aleatorio, = 84.8, en la Tabla 9-23, Pra hallar la variacin deb ida a larepeticinutilizamoslostoalegdecolumna cn la Thbla 9-21, obteniendo u"

332 ANALISIS DE VARIANZA [cAP. e 1t=-+'re (57\2 g (51)2 g , T. l---g 6,4)2 , (47)2 (50z -, g (268)2 40 = 1807 - 1795.6 = 11.4 Puesto que hay 5 repeticiones, el nmero de grados de libertad asociados con esta variacin es b 1 : 4, I-a variacin residual despus de restar la variacin debida a la repeticin ea ue : 84.8 114: ?8.4. Las otras variaciones son las mismas a las de l a Tabla 9-23. La tabla final de anlisis de varianza, teniendo en cuenta las repet iciones, es la Tabla 9-32. Tabla 9.32 Filas (mquinas), 0' = 0c 51'0 Columnas (turnos), = 8'1 Repeticiones (das de la semana), o."o

= 11.4 3 Aleatoria o residual a'" | 2.767 | -=0.827 = 73.4 De la tabla vemos que el F calculado para repeticiones es 1.0g. Pero ya que Fe5: 2.7! parz 4,2g grados de libertad, podetnos concluir que no hay variacin signifi cativa al nivel de 0.06 (y por tanto al nivel 0.01) debida a las repeticiones, es decir, los das de la semana no eon significativos. Ias conclusiones reliacionando mquinas y turnos son las mismas a las obtenida en el Pr oblema 9.18. 9.22. Describir cmo se pueden utilizar las tcnicas de anlisis de varianza para clasificacin triple o ex perimentos con los tres factores (con factores simples). Reproduzca la tabla de anlisis de varianza a emplearse en tal caso. 8r,...,86;C{luposdenotadosporC,.,,,C".EIvalorenA,8r, C, sedenotaporxjkl.Elvalor.rpor denota la gran media. Suponemos que la clasificacin se hace en A grupos, denotados pot 41, . . . , Ao) Barupos, denotadospor ejemplo, denota la media de valores en la clase C cuando A y B:p se maitienen fij os. Sigificados anlgos se dan a E ! r .r. El valor f;.. es la media de valores para l as clases Il y C cuando Ar es constante. Finalmente d Existir una uariocin total dada por (l) 1) = t,k,t 2 @rt)z que puede dividirse en siete variaciones, como se indica en la Tabla 9-33, Estas variaciones son entre clases del mismo tipo y entre clases de diferentes tipos (inerccciones). La interaccin entre todas las clases se denomina como antes la uar iacin aleotoria o residuol. Las siete variaciones en las que se puede dividir (1 ) vienen dadas por

u = DA+rJ+uc lTIAB *,u6,*ucA-,n<

cAP. el donde U ANALISIS DE VARIANZA 333 ,, ? (E..-,n\r, Qn rB = = ,; ce' ) (.n. - ),, Dc \2 : ab 2 @.Jer" (1...- .k.+ 0nc = "; (fr.rt- .r- .r+ )z !ct = b > (t- ..t - c)i..+ i)\2 E)2 aABc = ,2r@i*t- j*.- j.t- .tt+ t..* .k.+ .rTabla 9-3$ Media de cuadrados r Ao -q=-A o-l Varacin o (entre grupos A) Grados de libertad F ?1,ri;"" a a-l

7, (a.- 1X l)(c 1) gl os (entre grupos B) -1 c Ao og s "B - I Dg n rA^ t s^.Bc b-r,(a-1)(b-1Xc-1) A,4 s gl t,c (entre grupos C) -'l A "c - c - I t s;'uc c-1,(a-1Xb-lXc-1) A,4 sA.BlSA.BC gl 0s (entre grupos AvB) (o-1)(b-1) (b-lXc-1) (o

1)(b L), (a 1X 1)(c 1) gl trac (entre gruposByC) o =o=ffi= (c-1X-1) acA ;Bzcl;kc (b 1)(c 1), (o 1)(b 1)(c 1) sl u (entre grrposCyA) (entre grupos

(c 1)(o ,A^o 8^tsA.Bc -1) 3.% (c 1)(a 1), (o 1)(b 1)(c 1) gl 1) A,ByC) u (total) (o-1)(-l)(c-1) abc-7 9?," = uesc (o-l)(-lXc-1) Probletna,s suplernerirta,rlos CLASIFICACION STMPLE O EXPERIMENTOS DE UN FACTOR Tabla 9-34 A B C 9.23. variedad y los rendimientos (en hl/ha) son los mostrados en la Tabla 9.34, Supon iendo que las parcelas eon de fertilidad semejante y que las variedades se asign an aleatoriamente a las parcelas, determinar si hay una diferencia significativa en rendimientos a los niveles de significacin del (a) 0.05, (b) 0.01. Se efecta un experimento para determinar el rendimiento de 5 variedades de trigo A, B, C, D, E. Se asignan cuatro parcelas de terreno a cada 20 12 15 t7 L4

19 t2 15 14 12 18 D 23 16 18 15 L7 20 2I t4 L7 E

334 ANALISIS DE VARTANZA [cAP. e 9.24. Una compafa deeea ensayar 4 tipos de neumticoe A, B, C, D. I'z duracin de log neum6 ticor, determinada de sus fibras, vienen dadas (en miles de millae) en l Tabla 936, donde cada tipo e ha tratado en 6 automviles semejantes asignando los neumtico a leatoriamente. Ensayar a loe niveles (o) 0.06, (b) 0.01 si hay diferencia en lo n eumticos. Un profesor desea eneayar treg mtodos de eneanza I, II, II1. Para llevalo a cabo, tres grupos de 5 estudiantes se escogen aleatoriamente, y a cada grupo se le ensea por un mtodo diferente. Luego se da el mismo examen a todoe los estudian tes y oe obtienen las calificacionee indicadae en la Tabla 9-36. Determinar al n ivel de (o) 0.05, (b) 0.01 si hay una diferencia significativa en los mtodos de e nseanza. Tabla 9.85 Tabla 9-86 9.25. A 33 B 32 c 31 D 29 38 40 37 34 36 42 35 32 40 38 33 30 31 30 34 33 36 34 80 31 Mtodo I III 76 62 7t 68 81 7g 90 81 Mtodo tr Mtodo 86 68 92 73 79 60 76 MODIFICACIONES PARA NUMEROS DESIGUALES DE OBSERVACTONES

9.26. 9.27. La Tabla 9-37 da los nmeros de mills al galn obtenido por autornviles semejantes uti lizando 5 macas de gasolinas. Ensayar al nivel de (o) 0.06, (b) 0.01 si hay algun a diferencia significativa en las marcas. Durante un semestre un estudiante obtu vo las calificaciones indicadas en Ia Tabl,a 9-38. Ensayar a loe niveleg de (o) 0,05, (D) O.O1 si hay una diierencia significativa en sus calificaciones entre S sas asignaturas. Tabla 9-37 I\[atca.A IVfarca Tabla 9-3E 11 15 L2 14 11 15 L2 L4 Matemticas Ciencias I 16 10 I\arc C L2 t4 Ingls Marca D I\arca E 16 18 16 L7 10 12 t4 t2 t4 Economfa 72 81 88 74 80 83 76 74 77 82 90 87 7t 77 70 80 9.28. diferentes.

Demostrar los resultadoe (24), (25) V Q6), pgina 310, para el caso en que los 4mer or de obarvaciones dean CLASIFICACTON DOBLE O EXPERIMENTOS DE DOS FACTOBES 9.29. 9.30. 9.81. Demotra el resultado (30), prgina 311. Demostra la frmulas cortae (3I fl34), pgina 311. [,os atculo fabricados por una compafa se producen por 3 operarios utilizando 3 mquin as diferente. El fabricante desea determinar ei hay una derencia (o) entre operari or, (b) entre mquinas. Se efecta un erperimento para determinar el nmero de artculos diarios producidoe por cada operario utilizando cada una de lac mquinas; loa res ultados se dan en la Tabla 9-39, Dar la informaci6n deseada utilizando un nivel de oignifi' cacin del 0.06. Tabla 9-39 Operario Mquina A Mquina 23 34 28 1 Operario 2 Operatio 3 24 28 27 I I\lquina C 27 30 25

cAP. el ANALISIS DE VARIANZA 335 g.g2. 9.33. Solucionar el Problema 9-31 utilizando el nivel de significacin del 0.01. Tabla 9'4O TIPOS DE MAIZ bloque te a los hl/ha, c Semills de 5 tipos de mafz ee siembran en 5 bloques' Cada ue se asignan 0.05 i lo rendirnienos en bla 9-40, varfan significatialeatoriamen' 5 , a ^ B {amente con (o) las diferencias del terreno (esdecir, los bloques), (b) las dife rencias en el tipo de ma2. SLOQUpS C D E IIIUIIV t2 15 15 19 L4 18 11 16 16 l7 10 t2 16 L2 11 14 11 12 16, \4 9.34. 9.g6. Soluoiona el Problema 9.33 utilizando el nivel de significacin del 0'01. Suponer q ue en el Prpblema g.24ltprirnera observacin para cada tipo de neumtico se hace emp leando una claee espeifica de automvil, la eegunda observacin empleando una segunda clase especffica, y as sucesiva-E mente. roy"t al nivel de 0.06 si hay diferrenc ia en (o) los tipos de neumticos, (b) las clases de automviles, Solucionar el hobl ema 9.3 rtilizando el nivel de significacin del 0.01. Suponer que en el Problema 9. 26 el primer valor para cada mtodo de enseanza corresponde a un estudiante de un p lantel especffico, el segundo a un estudiante de otro planel, y as sucesivamente.

Ensayqr la hiptesis al nivel 0.06 de que hay diferencia en (a ) d mtodo de eneanza, (b ) en los planteles. Tabla 9-41 9.36. g.8?. 9.38. Se efect un experimento para ensayar ei el color del pelo y las estaturas de esrdian te adultos ienen algu' na incidencia en el rendimiento escoltico. Ios reultados se da n en la Tabla 9'41, dode los nmeros in' dican 10 en el tope de los graduados, Anal izar el ex' pelinojo rubio Alto Mediano Pequeo 76 81 73 78 76 castao 80 79 perimento al nivel de 0.05. lo 77 9.39. Solucionar el hoblema 9.38 al nivel 0.01. EXPERIMENTOS DE DOS FACTORES CON BEPETICION Tbla 9-42 A 9.40. Suponer que el experimentg del hoblema 9,23 se lleva a cabo en el suroes' te de un pale y que las columnas de la Tabla 9-34 indican 4 tipoc diferentes de fertil izante, en tanto que en un experimento semejante efectuado en el oete da los resu ltados en la Tabla 9'42. Ensayar al nivel 0.06 i hay una diferencia en (o) lor fe rilizantes, (b) la localizacin. B C 16 18 20 15 L7 16 2l 19 18 23 19 2l 23 20 D

9.41. Solucionar el hoblema 9.40 utilizando un nivel 0.01, E 18 22 2L l7 18 24 g.12. ts Tabla 9-43 da el nmero de artculos produeidos por 4 operarios diferentes trabajand o en dos tipoe de mquinas, / y II, dUrante dae diferentee. Determinar al nivel de 0.05 si hay diferencias signifiativas en (c) loe operarios, (b) las mquinas. Tabla 943 Mquina Lun I Jue 20 18 Nlquina If Vie 15 12 11 L7 Opcario A Operario B Operario C Operario D l5 L2 t4 19 Mar 18 16 t7 16 Mie Vie t7 14 18 2L t2 11 13 18 l6 2g Lun lVlar Me Jue L4 16 18 L7 11 15 12 16 72 L4 16 L4 L7 15 18 20

336 CUADRADOS LATINOS ANALTSIS DE VARIANZA IcAP. e 9.43. Tabla 9-44 efecta un experimento para ensayar el efecto sobre el rendiniiento de 4 tratamien toe de fertilizanes A, B, q D, y de variaciones del teneno en dos direcciones per pendiculares. Se obtiene el cuadrado latino, Tabla 9.44, donde lo nmeros indican r endimiento de maz por unidail de ea. Ensayar la hiptesis a un nivel del 0.01 de que no hay diferenci en (o) los fertilizanSe C8 At4 D10 10 c12 BL4 D16 D12 B11 811 Dt5 10 tee, (D) lae variaciones del terreno. c16 9,44. 9.45. Soluciona el hoblema 9.43 utilizando un nivel 0.05. B7 At4 Tabla 9-4 c12 adicironal dando la seccin donde naci6 el estudiante Eete, Centro, Oes: te, como se muestra en la Tabla g-46. Detrmina a un nivel de 0.05 i hay una diferencia signi ficaiva en rendimiento acadmico de los erudiantes debida,a diferencias en (o) ertat ura, (b) colo de pelo, (c) lugar de nacimiento. Con referencia al Problema 9,38 euponer que introducimos un factor 876 c81 o73 Tabla 9-46 o78 E'76 c80 o79

c76 877 w4 CUADRADOS GRECO.LATINOS wr ^S, w2 BB6 Dog ws Ao5 9.46. BoG Dy l0 Ap8 c6 10 cialee, W , Wz, Wt, Wc y 4 especies d-iferentes .S4 Sr, Sz S, St. El aumento en peso por unidad de tiempo 6e da en el cuadrado greco-latino de la Tabla 9-46. Efectur un anlisis de la varianza del experimento al nivel de sign ificacin del 0,05, eetableciendo cualquier concluein a que pueda llegarse. Para producir un tipo superior de alimeno pnra pollos, 4 cantidades diferentes de dos compuestoc qumicos se agregan a los ingredientes bsi co. [,as cantidades difer entes del primer compuecto se indican por A, B, C, D y las del cegundo por , 9, , 1,6 . El aliento se da a los pollitos ordenados en grupos de acuerdo con 4 peeos iniCr8 464 Dp6 D66 S" ce7 865 BrB c D3 Av6 cr6 9.47. Cuatrotiposdecable?,Tz,Tc, ?a sefabricanporcadaunadecuatrocompafas,C1 ,Cz,Ct , Ca.Cuatro operarior A, B, C, D usando cuatro mquinas diferentes, o, , 7, 6, miden las fortaleza de los cable, T fqtalezas promedio obtenidas se dan en el cuadrado grec o-latino de la Tabla 9-4?. Efectua un anlisi de varianza al nivel Q.05, eetablecien do cualquier conclusin a que pueda llegaree. Tabla 9.4? c, Tr

AB 164 c2 Bf 181 c3 ca Ay 193 193 207 166 c4 D6 160 T, T3 T4 c6 t7l D.r 198 D. L62 BB L45 cB 2t2 A6 112 86 Do An 188 Bq 167 c7 136 PROBLEMAS DIVERSOS 9.48. t Tabla 9-48 contiene los datos sobre el moho acumulado en hierro tratado con qumic os A, B o C, respectivamente. Determinar al nivel (o) 0.05, () 0.01 si hay una di ferencia significativa en los tratamientoc. Tabla 9-4t Alto Pequeo Mediano 110 95 Tabl 9.49 105 103 118

A B 3544 4233 6465 Lt2 10? 90 115 c 108 lr2 93 104 96 L02

cAP. el ANALISIS DE VARIANZA 337 g.4g. Un experimento mide el L Q. de estudiantes adultos de estaturas altas, medias y pequeas. Los res ultados se indican en la Tabla 9-49. Determinar al nivel (o) 0.05, (b) 0.01 si h ay alguna diferencia significativa en los I.Q. relativo a diferencia de estatura s. Demostra (o) la ecuacin (37), (b) la ecuacin (38), pgina 312. Demostrar (o)la ecuacin (39), (b)la ecuacin@0), pgina 312. Se realiza un examen para determinar si los veteranos o los no veteranos de dife rentes I.Q. rinden mejor' Los puntajes obtenidos se muestran en la Thbla 9-50, D etermina al nivel de 0.05 si hay una diferencia en los puntajes debido a diferenc ias en (o) el estado veterano, (b) I.Q' 9.50. 9.51. 9.62, Tabla 9-50 Alto I.Q. Veterano No veterano 90 85 Medio ril 78 I.Q. Bajo I.Q. 70 9.53. Solucionar el Problema 9.52 utilizando un nivel 0'01. Tabla 9-51 Alto 9.54. t Tabla 9-51 muestra los puntajes para una muestra de estudiantes universitarios d e diferentes partes del pas con diferentes I.Q. Analizar la tabla al nivel de 0.0 5 y establecer sus conclusiones. Solucionar el koblema 9.54 al nivel 0.01. Este Oeste Sur 88 84 86 Medio 80 78 82 Bajo 72 o

9.55, 9.6. 70 En el Problema 9-42, puede determinar si hay una diferencia significativa en el nm ero de artculos producidos en los diferentes das de la semana? Explicar, Norte y centro 80 D 79 g.5?. En los clculos de anlisis de varianza se sabe que puede sumarse o restarse una consta nte apropiada dp cada valor sin afectar las conclusiones. Es sto cierto si cada va lor se multiplica o divide por una constante apro' piada? Justificar su resPuest a. Derivar los resultados 9.5E. (3) y ( ), pgina 372. 9.59. 9.60. 9.61. Demostrar el Teorema 9-2, pgina 309. Demostrar el Teorema 9-3, pgina 309. Suponer que los resultados en la Tabla 9-48 del Problema 9-48 son vlidos para el noroeste, en tanto que los resultados correspondientes para el oeste se dan en l a Tabla 9-52. Determinar eI nivel de 0.05 si hay diferencias debido a (o) los qum icos, (b) la localizacin. Tabla A B C 9-52 Tabla 9'53 5463 3423 5746 AltT 14 18 Bl20 10 20 cl18 Dlt2 'll5 15 16 11 11 12 19 12 15 L7 11

14 9.62. Con referencia a los Problemas 9.23 y 9.40 suponer que un experimento adicional realizado en el noroeste produce los resultados de Ia Tabla 9-53. Ensayar al niv el 0.05 si hay diferencia en (o) fertilizantes, (b) los tres lugares.

338 ANALISIS DE VARTANZA Solucion el hoblema 9.62 utilizando un niyol 0.01. lcAP. e 9.63. 9.64. 9.65. Efectua un anlisis de va4ianza en el cudrado latino de la Tabla 9-64 a un nivel 0.0 6 y establecer conclusione8, Haga el montai dc un erpcrimeno que conduzca al cuadrado latino Tabl 9-64 FACTOR 1 de la Tabla 9-54. 816 FACTOB 2 c2r 823 416 AL8 ct4 Bt2 ct5 l 18 9.66. Efectuar un anlisig de vaianza en el cuadrado greco-latino de la Tabla 9-65 a un n ivel 0.05 y eetablecer conclusiones. Tabla $65 1 FACTOR ar6 863 FACTOR 2 BB L2 C64 Df

15 P" 18 Ae8 cs t4 De t6 cr 20 Bog Ae t7 466 co 9.67. 9.69. 9.69, 9.7 16 D66 Br7 Haga el montaje de un experimento que conduzca al cuadrado greco-latino de la Tb bla 9-55. Decribir cmo emplear las tcnica de anlisi de varianza para experimentos de tres factor e con repeticin, Montar y solucionar un problema que iluetre el procedimiento en e l Problema 9,68, Suponer que en el hobleme 9.21 hallamos una diferencia significaiva en los das de la semana, es decir, las repeticionec. Deberen modificre la concluiones obtenidas en e l hoblema 9.13? Justificar sus conclusione, 0. 9.71. En ln prctica, esrerrf encontar un (o) curdrado latino de Explicar. 2X 2? (D) un cuadrado greco-latino de 3 X 3?

Apndices

Apndice A Temos mqtemticos STIMAS ESPECIALES Las siguientes son algunas sumas de series que se presentan con frecuencia. 0! r ie es infinita se indica el intenalo de convergencia. : 1. Cuando la sem 1. 2i = l+2+ 3+ "'*m mfun+l) =:2 z. 2 i" : t2 +zz+82 + ... * m2 - m(m+t\(2tn+l \ 6 i=r B. e,=L-rr*!*!+....=iq.'ts^tl zt ' 3t '' senr para.todo* todo * 4. 5. -, **t _*, : x-*+=-i.+. *... = S(-lis'r+ ur-5!-7l=' 'r: ?^d+Tr +2 04 o . (-t),rr 1-:+i=--!-1... ... - ?^' t,r=^r.i = zt* 4r. - 6! + Para cos = paratodo para lrl <1 16. T+=t*a*r2+o3+...:)oi T. rn(ln\ = -n -t-* . tr.. = -2T -1 < o ( 1 FORMULAS DE EULER 8. i0

= cos 0 -f isen?, e-iq = cosd - i sen0 ^ u. cosa: ei|+.e-ie send= eie-e-to 2i 2 , LA FUNCION GAMMA La funcin gamma, denotada por | (n), se define por , r(z) = l'l'-- 'e-'d,t n)o ../ O (f) 341

342 La frmula de recurrencio viene dada por APENDICE A f(ra+l) = donde (2). nr(n) (2) f (i) : 1. Una extensin de la funcin gamma para n ( 0 puede obtenerse por el empleo de . Si n es un entero positivo, entonces r(n+l) = nr. Por esta taz6n cin gamma es que (8) l(n) se cohoce como la, funcin factoriat. Una propiedad importante de la funr(P)r(1 -P) Parap : *,fu; stirling: (4) : ll2, (4) da "(l) = u" Para valores grandes de n tenem os la frmula asinttica de (5) r(n +1) - yffin"-" (d) donde el signo - indica que la relacin de los dos lados tiende a 1 cuando n -+ @. En el caso de que n sea un entero positivo grande, una buena aproximacin para n!

viene dada por n7 LA FUNCION BETA = 1finnne-n (7) La funcin beta, denotada por B(m, n), se define como B(m,n) - f'r^-'1t-u)n-tu olg m) 0, n) 0 (8) Est relacionada a la funcin gamma por B(m,n) INTEGRALES ESPECIALES (e) Las siguientes son algunas integrales que se presentan en probabilidad y estadsti ca. a)0 -/m + l\ m-orzfu='\ 2 I zL<m+r)/2 11. ,' ,,' a)0, m) -L a)O 12. e-o'" cosbr d,r = L#"-b2/4o = a+E 13. -o" cos br d,a )0

APENDICE A 343 14. o'"-*senbc O" = ft6 a)0 c)0, p)0 o) 0 16. to' ,o-'"-* o" -fa-f= Y 16. J_n c-<"*o'+c> d =t1.l L-e(b'-1oc't4o I "VA tT. fr' ,-,o*rot+ fl = i{:e<b'-4dc''t1o """(#) o ) 0 donde erfc(u) se = r-erf(z) = t-U*f""-sa, = h""c-tdr a')o,or)o denomina,lafuncin complementarb de enor. lB. ,"md*=*or"' lg. o"''""n'^-rtcos2-0d,0=W m)0,n)0

Apndice B Ordenadas (E) de la curva normal t ipif icada enz 0 I .3989 .3965 .3902 .3802 .3668 .3503 .331 2 3 4 D 6 7 8 o 0.0 0.1 0.2 0.3 0.4 0.5 0.6 o.7 0.8 0.9 .3989 .3970 .3910 .381 4 .3683 .3521 .3332 ,Dl o .3989 .3961 .3894 .3790 .oo .3485 .3988 .3956 .3885 .3778 .3637 .3467 .327L .3056 .2827 .2589 .3986 .3951 .3876 .3?65 .3621 .3448 .3251 .3034 .2803 .3984 .3945 .3867 .3752 .3605 .3982 .3939 .3857 .3739 .3589 .3410 .3209 .2989 .3980 .3932 .3847 .3725 .3572 .3391 .3977 .3925 .3836 .3712 .3555 .3372 .3166 .2513 .2709 .24G8 .2227 .1989 .1758 .1 539 .1334 .1145 .0973 .0818 .0681 .0562

.39?3 .3918 .:1825 ,3697 .3538 .3352 .3144 I .3429 .3230 .3011 .3292 .3079 .2850 .3187 .3101 .2966 .2732 .24!r2 .2920 .2685 .2897 .28i1 .2637 .2396 .2780 .266I .2420 ,1 tQ .2613 .2565 .254r .2295 .2059 .1826 .1 .2756 .2516 .2444 .2203 .1965 .1736 .1518 .1315 .1127 .0957 .0804 .0669 .0551 1.0 1.1 7.2 1.3 IA .237r .2t55 .1919 .1 .2t31

.1895 .1669 .1.156 .I942 .1771 .r1f)7 691 .2317 .2323 .2t07 .2083 .1872 .1849 .16'17 .1626 .1435 .1415 38 .1057 .0893 .12 .22i5 .2036 .1 804 .1582 .225I .2072 .1781 .1 561 604 .l lJf]4 .1 .r374 .1182 .1006 .0848 .0707 .058.1 .1354 1.5 1.6 l. .r295 .1 .72i6 .1 109 092 1.8 I.9 2.0 .0940 .0790 .0ri56 .0540 .0.140 .0925 .0775 .06{4 .0529 .0431 .7257 .10?4 .0909 .0761 .0632 .0519 2;l 2.2

.0422 .0339 oe OA .0355 .0283 .0224 .01?5 .0r 36 .0104 .0079 .0060 .0044 .0033 .034? .0277 .0219 .0171 .0132 .0101 .u077 .0058 .0043 .0032 .0023 .0017 .0012 .0 008 .0006 .0004 .0003 .0002 .0270 .0213 .0167 .0129 .0099 .0075 .0056 2.5 2.6 2.7 2.8 2.9 3.0 3.1 .0042 .0031 3.2 3.3 DA .o024 .0022 .0016 .0012 .0008 .0006 0004 .0003 .0002 .00I7 .0012 .0009 .0006 .0004 .0003 .0002 3.5 3.6 . 3.8 3.9 .0620 .0508 .0413 .0332 .0264 .0208 .016:l .0126 .0096 .0073 .0055 .0040 .0030 0022 .0016 .00r1 .0008 .0005 .0004 .0003 .0002 .07,1,8 .1219 .1040 .0878 .0734 .0608 .0498 200 .l 163 .0989 .0833 .0694 .0573 .0468 .0379 .0303 .r023 .0863 .0i21 .0596 .0488 .0396 .0317 .0478 .0387 .0310 .0404

.0325 .0258 .0203 .0158 .0252 .0198 .0154 .0119 .0091 .0069 .0051 .0038 .0028 .0020 .0015 .0010 .0007 .0005 .0 004 .0002 .0002 .0246 .0194 .0151 .0116 .0088 .0067 .0050 .0037 .0027 .0020 .0014 .0010 .000? .0005 .0 003 .0002 .0002 .0241 .0189 .oI47 .0113 .0086 .0065 .0048 .0036 .0026 .0019 .0014 .0010 .0007 .0005 .0003 .0002 .0 002 .0122 .0093 .0071 .0053 .0039 .0029 .002I .0015 .0011 .0008 .0005 .0004 .0003 .0002 .0459 .0449 .0371 .0363 .0297 .0290 .0235 .0229 .0184 .0180 .01.13 .0139 .0110 . 010? .0084 .0081 .0063 .0061 .0047 .0046 .0036 .0034 .0025 .0025 .0018 .0018 .00 13 .0013 .0009 .0009 .0007 .0006 .0005 .0004 .0003 .0003 .0002 .0002 .0001 .0001 344

Apndice C Areas baio la curva normal tipificada de0az 0 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1 2 3 4 6 6 7 8 I .0359 .0000 .0398 .0793 .1179 .1554 .1915 .0040 .0438 .0832 .0080 .0478 .0871 .tzt7 .1591 .1960 .L265 .1628 .1985 .0120 .0517 .0910 .1293 .1664 .2019 .2357 .2673 .2967 .3238 .3485 .3708 .3907 .4 082 .4236 .43?0 .4484 .4582 .4664 .4732 .4788 .4834 .487L .4901 .4925 .4943 .496 7 .4968 .4977 .4983 .4988 .4991 .4994 .4996 .4997 .4998 .4999 .4999 .4999 .5000 .0160 .066? .0948 .1331 .1?00 .0199 .0696 .0987 .1368 .1736 .2088 .2422 .0239 .0636 .1026 .1406 .0279 .0675 .1064 .t443 .1808 .1772 .0319 .07L4 .1103 .1480 .1844 .2190 .25t8 .2823 .3106 .3365 .3599 .3810 .3997 .1

L62 .4306 .4429 .4535 .4625 .4699 .476t .48L2 .4854 .4887 .4913 .4934 .4951 .496 3 4973 .4980 .4986 .4990 .4993 .4995 .4996 .4997 .4998 .4999 .4999 .4999 .5000 .0754 .1141 .1517 .1879 .2224 .2064 .2389 .2t23 .2454 .2764 .3051 .3315 .3554 .2t57 .2486 .2258 .2580 .2881 .3r 59 .3413 .3643 .3849 .229r .26L2 .2910 .3186 .3438 .3665 .3869 .2324 .2642 .2939 .3272 .3461 .3686 .3888 .4066 .4222 .4357 .4474 .2704 .2996 .2734 .3023 .3289 .3531 .2794 .3078 .3340 .3577 .3790 .3980 .2549 .2852 .3133 .3389 .3621 .3830 .4015 .4117 .4319 .3264 .3508 .3129 .3926 .4099 r.2 1.3 1.4 .3749 .3944 .4115 .3170 .3962 .4131 .4032 .4192 .4332 .4452 .4554 .{o9t .4049 .4207 .4t47

.4292 A25L .4382 .4495 .4591 .4265 .4394 .4505 .4599 .4678 .4279 .4406 1.5 1.6 L.7 1.8 1.9 2.0 2.1 .4345 .4463 .44t8 .4525 .4616 .4693 .45L5 .4608 .4686 .444L .4545 :4633 ,4706 .4767 .4817 .485? .4890 .4916 .4936 .4564 .4649 .4719 .4573 .4656 .4773 .4772 .4821 .48(;1 .4726 .4783 .4830 .4868 .4898 .467L .4738 .4793 .4838 .4744 .4798 .4842 .4878 .4906 .4750 .4803 .4756 .4808 .4850 .4884 .4911 .4778 .1ts26 .4846 .4881 .4909 .4931 2.2 D') 2.4

.4893 .4918 .4938 .4953 .4965 .4864 .4896 .4875 .4904 .4927 .4920 .4940 .4955 .4966 .4922 .4941 .4956 .4967 .4929 .4946 .4960 .4932 .4949 .4962 .4972 .4979 .4985 .4989 .)( 2.6 2.7 2.8 .4945 .4959 .4969 .4977 .4984 .4988 .4948 .4961 ,() 3.1 .4974 .4981 ..1987 .4975 .4982 .4987 .4991 .4993 .4995 .4997 .4998 .4998 .4999 .4999 .6000 .4976 .4982 .4987 .4991 .4994 .4995 .4997 .4998 .4999 .4999 .4999 .5000 .4970 .4978 .4984 .4989 .497L .4979 .4986 .4989 .4962 .4964 .4974 .4981 .4986 .4990 .4993 .4995 .4997 .4998 .4998 .4999 .4999 .4999 .5000 3.0 3.2 -D .4990 .4993 .4995 .4997 .4998 .4998 .4999 .4999 .5000 .4992 .4994 .4996 .4997 .4998 .4999 .4999 .4999 .5000

.4992 .4994 .4996 .4997 .4998 .4999 .4999 .4999 .5000 .4992 .4994 .4996 .4997 .4998 .4999 .4999 .4999 .5000 .4992 .4995 .4996 .4997 .4998 .4999 .4999 .4999 .6000 3.5 3.6 3.7 3.8 3.9 346

Apndice D Percentilrr de (tr) l ditribscin f de Student con z grador de libertad v ss oo t.zo t.zs eo tso 3.08 1.89 1.64 1.63 1.48 es t.szs tse 31.82 6.96 4.54 3.76 3.36 3.14 3.00 2.90 2.82 2.76 2.72 2.68 2.66 t.sgs I , 3 .158 .325 .289 .277 .727 .61? .584 .569 .669 .563 .649 .546 .643 1.000 .816 1.3?6 1.061 .978 .941 .920 .906 .896 .889 .883 .879 .876 .873 .8?0 .868 .866 .86 5 .863 6.31 2.92 2.36 t2.7L 4.30 3.18 2.78 2.67 2.45 2.56 2.3L 2.26 2.23 2.20 2.18 63.66 9.92 6.84 4.60 4.03 3.71 3.50 3.36 3.25 3.17 3.11 3.06 3.01 2.98 2.96 2.92

2.90 2.88 2.86 2.84 2.83 2.82 2.81 2.80 2.79 2.78 2.77 2.76 2.76 2.76 2.70 2.66 2.62 2.68 .t42 .137 .134 .765 .74L .727 .?18 .711 .706 .703 .700 .697 .696 .694 4 6 6 .27L .267 2.r3 2.02 1.94 1.90 1.86 1.83 1.81 1.80 1.?8 .L32 .131 .130 .130 .266 .263 .262 .261 .260 t.44 1.42 1.40 1.38 1.37 1.36 1.36 1.35 1.34 1.34 1.34 1.33 1.33 1.33 8 9 .t2s .r29 .L29 10 11 .542 .540 .539 .538 .537 .536 .535 .534 .534 .633 .533 t2 13 14 15 .r28 .128 .260 .255 .259 .258 r.77 1.76 L.76 1.75 L.74 1.73 1.73 1.72 2.t6 2.14 .L28 .L28 .128 .128 .692 .691 .690 .689 .688 .688 .687 .686 .686 .685 .686 .684 .684 .684 .683 .683 .683 .681 .6?9 .677

2.62 2.60 2.58 2.57 2.66 2.64 2.53 2.62 2.5L 2.50 2.49 2.48 2.48 2.47 2.47 2.46 2.46 2.42 2.39 2.36 2.33 .258 .258 .257 .257 .257 .257 .257 16 2.t3 2.t2 2.11 2.L0 2.09 2.09 2.08 2.07 2.07 2.06 2.06 2.06 2.05 2.06 2.04 2.04 2.02 2.00 1.98 1.96 I7 18 19 .r27 .L27 .727 .L27 .L27 .L27 .L27 .L27 .862 .861 .860 .869 .858 .858 .857 .856 .856 .856 .856 .854 .864 .861 .848 .846 20 I.32 L.32 2l 22 23 24 25 26 oa 28 29 30 40 60 .256 .256 .256 .256 .256 .256 .256 .532 .532 .532 .531 .531 .531 .531 t.72 1.72 1.71 t.32 L.32 L.32 1.?l 1.71 L.7L 1.70 1.70 1.70 1.70 1.68 L.67 1.66 1.645 t.32 L.32 1.31 1.31 1.31 1.31 .t27 .L27 .L27 .530 .630 .630 .t27 .t27 .256 .266 .255 .254

.t26 .L26 .126 .L26 .629 .627 1.30 1.30 L.29 L.28 t20 .254 .263 .626 .624 .674 .842 Fuente: R.A. Fistrer y F. Yate.s, Stotistcal Tbles for Bological, AgriculturalondMe dcol Recearch, publicado por l.ongman Group Ltd., (previamente pubcado por Oliver y Boyd, Edinburgh), con permieo d lo autores y editorea.

Apndice E Percontilas (f) de l ditribucin chi-cuadrado con u grados de libertad v x.2oo xlo, x?o", xlo, .0039 .103 x?,0 x2ot x'"0 .455 1.39 2.37 3.36 4.35 5.35 6.35 7.34 8.34 9.34 10.3 I 1.3 12.3 13.3 14.3 15.3 16.3 17.3 18.3 19.3 20.3 2L.3 22.3 23.3 24.3 26.3 26.3 27.3 28.3 29.3 39.3 49.3 59.3 69.3 79.3 89.3 99.3 X,.,, x?no X,O' X,,,,, x'.gg x?rn y2 ^-00e , 3 4 o I .0000 .0100 .07L7 .207 .0002 .0201 .116 .291 .554 .0010 .0506 .0158 .102 .D'ID r.32 2.77 4.11 5.39 6.63 7.84 9.04 10.2 11.4 12.6 .2tL .684 1.06 1.61 2.20 2.83 3.49

2.7r 4.6t 6.25 7.78 9.24 10.6 L2.0 13.4 3.84 5.99 7.81 9.49 11.1 12.6 14.1 16.5 16.9 18.3 5.02 7.38 9.86 11.1 12.8 14.4 16.0 17.6 19.0 20.6 21.9 23.5 24.7 26.1 27.6 28.8 30.2 31.6 32.9 34.2 35.6 36.8 38.1 39.4 40.6 41.9 43.2 44.6 46.7 47.0 69.3 71.4 83.3 96.0 L07 6.63 ?.88 10.6 12.8 14.9 L6.7 18.5 20.3 22,0 23.6 25.2 26.8 28.3 10.8 13.8 9.2t 11.3 13.3 16.1 16.8 18.5 20.1 .2L6 .484 .831 .362 l.2L 1.92 2.67 3.45 4.25 5.0? 5.90 6.74 7.58 8.44 9.30 r6.3 18.6 20.6 22.6 24.8 26.1 27,9 29.6 31.3 32.9 34.6 36.1 37.7 39.8 40.E 42.3 .7Ll 1.15 1.64 .472 .6?6 .989 1.34 1.73 2.L6 2.60 3.07 3.57 4.07 4.60 5.L4 6.70 6.26 6.E4 6 .872 L.24 1.66 2.09 2.56 3.06 3.57 t.24 1.69 2.18 2.70 3.26 3.82 4.40 6.01 5.63 6.26 6.91 7.66 8.23 8.91 9.59 10.3 11.0 71.7 2.r7 2.73 3.33 3.94 4.57 6.23 5.89 6.57 7.26 7.96 8 I 10 11 4.t7 4.87 6.58 6.30 7.04 7.79 t4.7

16.0 r 7.3 2L.7 28.2 24.7 26.2 t3.7 14.8 16.0 t2 13 18.6 19.8 t9.7 2t.o 22.4 23.7 25.0 26.3 27.6 28.9 30.1 31.4 32.7 33.9 35.2 36.4 37.7 38.9 40.1 41.3 42.6 43.8 55.8 67.6 79.1 90.6 4.tl 4.66 5.23 5.81 6.41 ?.01 7.63 8.26 8.90 27.7 29.L 30.6 32.0 33.4 34.8 36.2 37.6 38.9 40.3 29.t 31.3 32.8 34.3 35.7 37.2 38.6 40.0 4L.4 42.8 44.2 46.6 46.9 48.3 49.6 61.0 62.3 53.7 66.8 79.6 92.0 104 116 l4 16 16 to.2 11.0 11.9 12.8 13.7 14.6 15.5 16.3 17.2 18.1 19.0 19.9 20.8 t7.L 2l.l 22.3 23.6 24.8 26.0 27.2 28.4 29.6 30.8 32:0 33.2 94.4 35.6 36.? 37.9 39.1 40.3 61.8 63.2 74.4 85.5 96.6 108 118 8.56 9.31 10.1 10.9 t8.2 '19.4 20.6 2L.6 22.7 23.8 24.9 26.0 27.1 28.2 29.3 30.4 31.6 32.6 33.7 34.8 t7 18 19 20 2L 8.67 9.39 10.1 10.9 11.6 12.3 13.1 13.8 14.6 tt.7 12.4 43.8 45.3 46.8 48.3 49.7

7.43 8.03 t, t3.2 14.0 14.8 16.7 16.6 17.3 18.1 8.64 9.26 9.89 10.6 9.54 L0.2 10.9 11.6 23 24 25 26 27 28 29 30 40 60 60 70 80 90 100 41.6 43.0 44.3 45.6 47.0 48.3 49.6 50.9 63.7 76.2 88.4 100 t2.4 13.1 13.8 14.6 16.3 16.0 16.8 24.4 32.4 40.6 48.8 67.2 66.6 74.2 6t.2 62.6 54.1 DD.O tt.2 11.8 12.6 13.1 t2.2 12.9 13.6 14.3 t6.4 16.2 16.9 17.7 18.6 26.5 34.8 43.2 61.7 60.4 69.1 77.9 2t.7 22.7 23.6 24.5 33.? 42.9 1t.9 19.8 20.6 29.1 37.7 46.6 66rB 56.9 68.3 69.7 73.4 86.7 99.6 r3.8 20.7 28.0 36.5 43.3 61.2 59.2 67.3 r6.0 22.2 29.7 37.6 46,4 63.6 61.8 70.1 45.6 56.3 67.0 17.6 88.1 52.3 61.7 7L.L 80.6 90.1 ttz r26 13? 64.3 73.3 82.4

L02 113 rt2 t24 136 98.6 109 1r8 130 t28 140 t24 149 Fuente: E.S. Pearon y H.O. Hartley, Biomelr:iha Tobles fo Stotitticane, Vol. 1(1966 )' Tabla 8, pginas 187 y 188, con permieo de lol autore y editoree. 347

Apndice F Porcentila 95 (nivele 0.(}51, l'.g, parr le ditribucin F u1 grados de libertad en el numerador /2 gfados de libertad en el denominador ><. I 2 3 1 2 s 2L6 4 b 6 7 8 9 10 L2 16 20 24 30 40 60 t20 @ 161 225

230 234 237 239 24L 242 244 246 248 249 250 26t 252 253 254 18.6 10.1 7.7L 6.61 19.2 19.2 19.3 19.3 4 o 6 I 19.4 8.94 6.26 4.95 4.10 3.64 3.28 2.98 2.85 2.85 19.4 8.89 6.16 4.88 4.06 3.57 3.22 2.91 2.80 6.41 19.4 8.85 6.09 4.82 4.00 3.51 3.15 3.59 2.76 5.19 19.4 8.81 6.04 4.77 3.94 3.44 3.12 3.36 2.69 4.40 19.4 8.79 6.00 4.74 3.87 3.41 3.08 3.20 3.41 4.87 19.4 8.74 5.96 4.68 3.84 3.38 3.04 3.09 3.18 3:70 19.4 8.?0 5.91 4.62 3.81 3.34 3.01 3.01 3.03 3.6? 19.5 8.66 5.86 4.56 3.17 3.30 4.76 2.95 2.92 3.27 19.5 8.64 5.80 4.53 3.74 4.07 4.53 2.90 2.83 3.23 19.5 19.5 19.5 19.5 9.28 9.L2 9.01 8.62 8.59 8.57 8.55 8.63 6.59 6.39 a.l I D. O 5.72 5.69 5.66 5.63 5.05 4.50 4.46 4.43 4.39 4.28 4.21 4.15 4.35 4.L2 3.97 3.87 3.79 3.?3 3.68 3.84 3.69 3.58 3.50 3.44 3.39 3.35 3.71 3.48 3.33 3.22 3.14 3.07 3.02 2.85 2.79 3.49 3.26 3.11 3.0Q 2.9L 2.77 2.71 2.67 2.60 3.34 3.11 2.96 2.97 2.93

5.99 5.59 5.32 4.96 4.84 4.75 4.67 4.60 4.54 4.49 4.45 8 I l0 11 5.t2 2.79 2.85 2.62 L2 13 14 4.2q 2.75 2.77 2.54 3.86 3.63 3.48 3.37 3.29 3.23 3.18 3.14 3.07 3.01 2.94 2.90 2.86 2.83 2.71 2.74 2.70 2.66 2.62 2.58 2.64 2.12 2.66 2.6L 2.57 2.53 2.49 2.45 2.40 2.5L 2.47 2.43 2.38 2.34 2.30

15 16 L7 18 19 20 2.53 2.46 2.42 2.38 2.34 2.30 2.26 2.2r 2.76 2.70 2.65 2.60 2.53 2.46 2.39 2.35 2.31 2.27 2.22 2.L8 2.13 3.29 3.06 2.90 2.79 2.7r 2.64 2.59 2.54 2.48 2.40 2.33 2.29 2.25 2.20 2.L6 2.tl 2.07 3.24 3.01 2.85 2.7 4 2:28 2.24 2.L9 2.L5 2.rL 2.06 2.01 2.61 2.55 2.49 2.45 2.38 2.3L 2.23 2.19 2.L5 2.L0 2.06 2.0L 1.96 4.41 3.16 2.93 2.77 2.66 2.58 2.6L 2.46 2.41 2.34 2.27 2.r9 2.r5 2.rL 2.06 2.02 r.97 r.92 4.38 3.52 j 3.13 2.90 2.74 2.63 2.54 2.4E 2.42 2.3 8 2.31 2.23 2.16 2.LL 2.07 2.03 1.98 1.93 1.88 4.35 3.4e 3.10 2.87 2.1L 2.60 2.5 L 2.46 2.89 2.35 2.28 2.20 2.r2 2.08 2.04 1.99 1.95 1.90 1.84 3.20 2.96 2.8L 2.7 0 I 2.66 2.59 2.54 2.49 2.42 2.35 2I 22 23 24 25 26 27 28 29 30 3.47 3.07 2.84 2.68 2.57 2.49 2.42 2.37 2.32 2.26 2.18 2.t0 | 4.30 3.44 3.05 2.8 2 2.66 2.55 2.46 2.40 2.34 2.30 2.23 2.15 2.07 4.28 3.42 3.03 .80 2.64 2.53 2.44 2.37 2.32 2.27 2.20 2.r3 2.05 4.26 3.01 2.78 2.62 2.61 2.42 2.36 2.30 2.25 2.18 2.lL 2.03 4.24 2.99 2.76 2.60 2.49 2.40 2.34 2.28 2.24 2.t6 2.09 2.0r I | 4.32 2.05 2.01 1.96 1.92 1.87 1.81 2.03 1.98 2.01 1.96 1.91 1.86 1.81 t.94 1.89 1.84 1.78 t.76 1.98 1.94 1.89 1.84 1.79 L.73 4.23 4.21 4.20 4.18 2.98 2.74 2.69 1.96 2.73 2.95 1.65 1.81 t.62 1.58 1.53 1.61 t.92 2.57 2.7L 2.47 1.76 2.84 1.51 r.47 I.DD 1.87 2.46 2.56 2,35 1.?0 2.61 2.76 1.39 1.50 r.82 2.37 2.45 2.32 1.64 2.45 2.53 2.53 1.43 t.77 2.31 2.36 2.27 2.33 2.34 2.37 2.42 1.35 t.7l 2.25 2.29 2.22 2.27 2.25 2.25 2.68 7.25 2.t5 2.20 2.24 2.43 2.2L 2.L8 2.r7 2.46 2.60 2.07 2.L3 2.t9 2.35 2.16 2.12 2,t0 2.29 2.37 1.99 2.06 2.L2 2.28 2.09 2.08 2.04 2.78 2.2r 1.95 t.97 2.04 2.22 2.01 2.00 1.99 2.09 2.10 1.90 1.93 1.96 2.r8 1.93 I.92 1.92 2.02 2.01 1.85 1.88 1.91 2.L0 1.89 1.84 1.84 1.96 1.94 1.80 1.84 1.87 2.0s 1.84 1.79 1.75 1.91 1.88 t.75 1.?9 t.8z 1.94 1.79 1 a^ 1.70 1.83 1.83 1.69 r.73 r.77 1.90 t.74 1.69 1.65 t.75 2.96 1.6? L.7l 1.85 1.68 1.64 1.59 1.66

2.93 2.70 2.56 2.92 2.69 4.r7 4.08 4.00 3.92 3.84 40 60 t20 t.76 1.67 t.57 r.62 1.46 1.39 t.32 1.22 1.00

2 Fuente: E. S. Pearon y H. O, Hartley, Eiom etriho Toblec for Stotaticianc, Vol. (1972), Tabla 5, pgina 178, con perrniro de los autoreo y etorea.

APENDTCE F 349 Percentila 99 (niveles 0.011, F.se, para ls ditribucin F v, gFados de libertad en el numerador v2 grados de libertad en el denominador x1 I 98.5 34.1 a, 3 4 o 6 ,l 8 I 99.4 27.3 14.7 10.2 ?.98 6.72 5.91 5.35 4.94 4.63 4.39 4.19 l0 99.4 27.2 14.5 10.1 7.87 6.62 5.81 6.26 4.85 4.54 4.30 4.10 L2 16 20 24 30 40 60 L20 @ 4062 6000 5403 6625 5764 5859

99.0 30.8 99.2 29.6 5981 6023 6066 6106 615? 6209 6235 6261 6287 99.4 27.6 14.8 10.3 8.26 6.99 6.18 5.61 6339 6366 99.5 26.2 13.6 9.11 6.97 6.74 4.95 4.40 4.00 3.78 3.54 3.34 3.18 3.69 3.45 s.25 3.09 2.96 2.84 2.15 2.66 2.68 99.5 26.1 13.5 9.02 6.88 5.66 4.86 4.31 3.91 , 3 4 o oot 28.7 99.3 28.2 99.3 27.9 99.4 99.4 99.4 26.7 14.0 9.55 7.40 6.16 5.36 4.81 4.4L 4.10 3.86 3.66 99.5 26.6 13.9 99.5 26.5 13.8 99.5 26.4 13.7 27.r 26.5 14.4 9.89 7.72 6.47 6.67 5.11 2t.2 18.0 16.7 16.0 15. 16.2 16.3 13.3 L2.l 11.4 11.0 10.7 13.7 10.9 9.78 9.15 8.?5 8.47 t4.2 9.72 7.56 6.31 9.41 9.38 9.29 7.3L 6.07 5.28 4.73 7.23 5.99 5.20 4.65 6 , 8.10 6.84 6.03 5.47 5.06 4.74 4.50 4.30 7.t4 5.91 6.12 4.57 t2.2 9.55 8.45 7.85 7.46 7.19 11.3 10.6 10.0 9.65 9.33 8.65 8.02 7.59 6.99 b.oD 8 ?.01 6.42 5.99 5.67

6.63 6.06 6.64 6.32 5.06 4.86 4.70 6.37 5.80 5.39 6.07 4.82 4.62 4.46 5.52 4.96 I 10 11 ,.oo 7.2L 6.93 6.20 4.89 4.64 4.44 4.28 4.L4 4.03 3.93 3.84 9.17 3.70 3.64 3.59 3.54 3.50 4.7r 4.66 4.40 4.16 3.96 4.25 4.01 3.82 4.33 4.26 4.17 4.02 3.78 3.59 3.94 3.70 3.51 3.86 3.62 3.43 3.2'.1 6.22 5.95 5.74 6.56 6.42 6.29 6.19 5.09 3.60 3.36 3.17 3.00 2.87 2.75 2.65 2.67 2.49 12 13 6.4r 5.2r 5.04 4.89 4.77 4.67 9.07 6.70 8.86 8.68 8.63 8.40 8.29 8.18 8.10 8.02 7.95 7.88 7.82 7.7? 7.72 7.68 7.64 7.60 6.61 6.36 6.23 6.11 6.01 5.93 4,.b D. l4 15 16 4.t4 4.00 3.40 3.46 2.78 2.70 2.62 4.03 3.89 3.35 3.3? 2.74 2.66 3.94 3.?9 3.30 3.30 2.70 2.62 3.80 3.71 3.26 3.52 2.66 2.68 3.66 3.63 3.22 3.41 2.63 2.66 3.51 3.56 3.80 3.31 2.60 2.52 3.43 3.51 3.69 3.23 2.57 2.49 3.35 s.45 3.59 3.16 2.55 2.47 3.41 3.51 3.37 3.29 3.2L 3.36 3.43 3.26 3.18 3.10 3.89 3.3? 3.16 3.08 3.00 3.78 3.31 3.08 3.00 2.92 3.68 3.26 3.00 2.92 2.84 3.60 3.21 2.94 2.86 2.78 3.52 3.6? 2.88 2.80 2.72 3.46 3.65 2,83 2.75 2.67

4.56 4.32 4.44 4.34 4.20 4.10 4.01 3.94 3.87 3.81 3.76 3.71 3.67 3.63 3.9 3.13 3.02 2.92 2.84 2.76 2.69 2.64 2.b8 2.54 t7 18 19 4.58 4.25 4.L7 4.10 4.04 3.99 3.94 3.90 3.86 3.82 4.43 4.37 4.31 4.26 4.22 4.18 4.L4 5.01 .4.60 4.54

20 9.23. 3.09 3.17 3.12 3.07 3.03 2.98 2.93 z.sz 2.42 2.46 2.40 2.35 2.3L 2.21 2.23 2.36 2.31 2l 22 23 24 26 26 27 28 29 30 40 f 4.87 4.42 4.76 4.72 4.68 4.64 4.60 4.67 4.54 5.72 5.66 6.61 o.o J 2.26 2.21 3.r7 3.03 2.89 3.13 2.99 2.56 2.93 2.90 2.85 2.58' 2.49 2.54 2.50 2.47 2.44 2.41 2.39 2.46 2.42 2.38 2.36 2.33 2.30 3.46 3.32 3.42 3.39 3.36 3.33 3.30 3.L2 2.96 2.19 2.64 3.29 2.t7 2.r3 2.10 2.06 2.03 2.01 1.80 6.63 5.49 5.46 6.42 3.18 3.16 3.12 3.09 3.07 2.89 4.tL 3.78 3.56 4.07 4.04 3.75 3.53 3.60 '7.56 5.39 4.61 4.02 7.31 7.08 6.86 6.63 4.31 4.13 3.96 3.78 3.83 3.65 3.48 3.32 2.37 2.29 2.20 2.Ll 2.20 2.03 1.88 2.L2 1.95 1.79 60 2.72 2.66 2.4L 2.0s 1.94 1.86 1.?0 1.76 1.59 1.60 1.38 1.00 t20

Fuente: E.S. Pearron y H.O. Hartley, Biomeiho Toblec for Statbcbnc, Vol. 2 (1972), Tbbla 6, pgina 180, con permirc de lo autoree y editoree.

Apndice G Logaritmor dpcimale con cuatro cfra N 10 0 I 0043 0463 0828 1173 1492 1790 2068 2330 2577 2810 3032 3243 3444 3636 3820 2 3 4 5 6 I 8 v 1l t2 13 14 L5 16 L7 18 19 20 27 0000 0414 0792 1139 L46L 1761 204L 2304 2653 2?88 3010 3222 3424 3617 3802 0086 0492 0864 1206 1523 1818 2095 2365 2601 2833 3054 3263 3464 3655 3838 0128 0170 0531 0569 0899 0934 1239 r27L 1553 1584 1847 1875 2722 2148 2380 2405 2625 2648 2856 28?8 3075 3284 3483 3674 3856 3096 3304 3502 3692 3874 02L2 0253 0294 1335 1367 1399 2227 2253 2279 2967 2989 3118 3598 37tt 3729 4409 4548 4564 4609 4886 4900 54L6. 6428 0334 1430 2430 3139 3747 4698 5024 0374 L6t4 2455 3160 3766 4713 5038 0607 L644 2480 3181 3784 4099 5159 0645 1673 2604 3201 3892 4265 51?2 0682 L703 2529 3324 3909 4425 5289 0719 t732 2872 3345 3927 4579 5302 0755 1903 2695 3365 3945 4116 0969 1931 27L8 3386 3962 4133 1004 1959 2742 3404 4065 428L 1038 1987 2765 3522 4082 4298 1072 2014 2900 3641 4232 4440 1106 2175 2923 3560 4249 4456 1303 2201 2945 3579 4393 4594

L 23 4 6 6 7 8I 4 812t72L25 293337 4 811151923263034 3 710L4172124283L 3 6101316 19232629 3 6 9L2t6L82L2427 Partee hoporciorales 22 23 24 26 26 27 28 29 39?9 3997 4014 4031 40t8 4160 4166 4L83 4200 42L6 4314 4330 4346 4362 4378 4472 4487 4502 45L8 4533 4824 4639 4654 4669 4683 4728 4742 4757

30 31 417t 4786 4800 4814 49L4 5051 5185 5315 6441 5563 6682 5798 6021 6128 6232 6335 6435 6532 6628 672L 6812 6902 4928 4942 4955 5065 6079 5092 5198 52LL 5224 5328 5340 5353 82 33 84 35 36 37 38 39 40 4829 4969 5105 5237 5366 5490 5611 5729 5843 5955 4843 4857 4871 4983 4997 5011 5119 5132 5145 5250 5263 5276 53?8 5391 5403 3 3 2 2 2 2 2 2 2 2 2 2 2 2 1 1 1 1 1 1 L | | | L 6 5 6 5 4 4 4 4 4 4 3 3 3 3 3 3 3 3 3 3 2 2 2 2 2 81114L7202226 81113L6L82L24 7t0L2t5t72022 7 9L2 14161921 7 9LL 13161820 6 6 6 6 5 5 5 5 5 4 4 4 4 4 4 81113151719 81012141618 810t2L415L7 7 911131517 7 911121416 7 7 6 6 6 6 6 5 5 5 910121415 810111315 8 9111314 8 9111214 ? 9101213 7 ? 7 6 6 9101113 8101112 8 91112 8 91012 8 91011 5453 5465 5478 5575 5587 5599 5694 5705 5717 5809 5821 b832 59Lr 5922 5933 5944 6031 6138 6243 6346 6042 6149 6253 6356 6144 6454 6637 6730 6821 6911 6646 6739 6830 6920 5502 5866 6201 6513 6803 7202 5514 5877 62L2 6522 6857 7210 562? 5888 6222 6580 6866 7218 5539 5899 6284 6590 6875 7284 5551 5966 6294 6599 6884 7292 5623 5977 6304 6609 6893 7300 5635 5988 6314 6618 6946 7364 5647 5999 6325 6675 6955 7372 5658 6010 6385 6684 6964 7380 5670 6075 6396 6693 6972 5740 6085 6405 6702 6981 5752 6096 64L5 67t2 7039 5763 6107 6425 6767 7042 5775 6117 6484 6776 7050 5786 6180 6493 6785 7126 5855 6191 6503 6794 7135

4l 42 43 44 46 46 47 48 49 60 6053 6064 6160 6170 6263 6274 6365 6375 6464 6474 6656 6749 6839 6928 6571 6665 6758 6848 6937 65/'2 6551 6561 4 5 6 7 91011 4 5 6 7 81011 3 5 6 7 8 910 3 5 6 7 8 910 3 4 5 7 8 910 | 2 3 4 5 6 8 910 r23456789 t23456789 r23456789 t23466789 123456789 r23456778 r23466678 L2 3445678 L2 34 4567 8 t23346678 t23346678 122346677 r22346667 L22346667 t23456789 5l 62 63 64

6990 6998 7007 7076 7084 7093 7160 7168 7177 7243 7251 7269 7324, 7332 7340 0 1 7016 7024 7101 ?110 7L86 7793 7267 7275 7348 7356 3 4 7tt8 7059 7067 7143 7t52 7226 1235 7308 7316 7388 7396 8 N 2 D 6 I 350

APENDICE G 351 Logaritmos decimales con cuatro Gfra Partee hoporcionles N 55 56 57 58 59 60 61 0 I 7412 7490 ?566 7642 7716 7789 7860 7931 8000 8069 8136 8202 8267 8331 8395 8457 8519 8579 8639 8698 2 A D 6 7 8 I 1474 L23456789 7404 7482 7559 7694 7709 7782 7853 7924 7993 8062 8129 8195 826L 8325 8388 8151 8613 8573 8633 8692 74lS 7427 7497 7574 7649 7723 ?796 7868 7938 8007 80?5 8142 8209 8274 8338 8401 8463 8525 8585 8645 8?04 7505 7582 7667 773L 7435 7513 7689 7664 7738 7443 7520 7597 7672 7745 7818 7889 7959 8028 8096 745t 7469 7466 7528 7604 7679 7752 7636 76L2 7686 7760 7545 765r 7619 7627 7694 7701 7767 7774 7839 ?910 7980 8048 8116 ?846 7917 7987 8055 8122 r22346567 t22346667 r22346567 112344567 4 4 6 6 1123 112344 4 4 1123 3 4 1123 11 2854666 4 11233 666 5 6 5 6 5 6 7 62 63 64

7803 7810 7875 7882 7946 7952 8014 8021 8082 8089 8149 8156 8215 8222 8280 8287 8344 8351 8407 8414 84?0 8531 8591 8651 8710 8476 853? 8597 8657 8716 ?825 7832 ?S6 7903 ?966 7973 8035 8041 8102 8109 6 6 6 65 66 ot 68 69 70 7L 8162 8169 8176 8228 8235 824L 8293 8299 8306 8357 8363 83?0 8420 8426 8432 8482 8543 8603 8663 8122 8779 8837 8893 8949 9004 8488 8494 85.19 8555 8609 8615 8669 8675 8727 8733 8785 8842 8899 8954 9009 8182 8189 8248 8254 8312 8319 83?6 8382 8439 8445 8500 8561 8621 8681 8739 8506 8567 8627 8686 8745 8802 8869 8915 8971 9025 4 5 5 11233 556 112334 4 5 6 11233 11293445 11223446 3 4 46 1122 11223446 112234 466 3 4 4 5 1122 3 4 46 1122 1122 1122 1122 1122 1122 1122 1122 1122 1122 1122 3 3 3 3 33 3 3 3 3 3 3 3 3 3 3 33 3 3 45 456 44 4 4 44 4 4 4 4 44 44 4 4 6 6 6 6 6 5 5 5 72 73 14 to 16 '/ 79 8751 8756 8762 8768 8774 8808 8814 8820 8825 8831 8865 88?1 8876 8882 8887 892t 8927 8932 8938 8943 8976 8982 8987 8993 8998 9031 9085 9138 9191 9243 9294 9345 9395 9445 9494 9542 9590 9638 9685 9731 9777 9823 9868 9912 9956 0 8791 8797 8848 8854 8904 8910 8960 8965 9015 9020 5 6 5 5 80 81 82 83 84 85 86 87 88 89 90 91 9036 9090 9143 9196 9248 9299 9350 9400 9450 9499 9042 9096 9149 9207 9253

9047 9053 9101 9106 9154 9159 9206 92t2 9258 9263 9315 9365 9415 9465 9513 9058 9603 9069 9tt2 9rr7 9122 9165 91?0 91?5 9217 9222 9227 9269 9274 9219 9320 9370 9420 9469 9518 9325 9375 9425 9474 9523 9330 9380 9430 94?9 9528 9074 9079 9128 9133 9180 9186 5232 9238 9284 9289 9335 9385 9435 9484 9533 9581 9628 96?5 9722 9768 9340 9390 9440 9489 9538 9586 9633 9680 9727 9773 6 5 5 6 6 9304 9309 9355 9360 9405 9410 Q455 9460 9504 9509 3 3 4 4 5 1122 112233445 011223344 011223344 -b1122 33 44 01L223344 011223 01122 3344 01L223344 011223944 011223344 011223344 011223344 011223344 011223 123456789 o9 93 94 95 96 97 98 99 9547 9552 9557 9662 9595 9600 9605 9609 9643 9647 9652 9657 9689 9694 9699 9703 9736 97.11 9745 9750 9782 982"t 9872 9917 9961 1 9566 9571 9576 9614 9619 9624 9661 9666 9671 9708 9?13 9717 9754 9759 9?63 9800 9845 $890 9934 99?8 a 344 9786 9832 987? 9921 9965 I 9791 9836 9881 9926 9969 9?95 9841 9886 9930 9974 4 9805 9850 9894 9939 9983 6 9809. 9814 9818 9854 9899 9943 998? n 9859 9903 9948 9991 8 9863 9908 9952 9996 a 3 3 4 N

Valorc de e-^ (0<r<1) }' 0 I , .9802 .8869 .8025 .726L .65?0 .5945 .53?9 .4868 .4404 .3985 3 4 5 6 7 8 I .9139 0.0 0,1 0.2 0.3 0.4 0.6 0.6 0.? 0.8 0.9 1.0000 .9900 .9048 .8958 .8187 .8106 .7408 .7334 .6703 .6636 .9704 .8781 .7946 .?189 .6505 .5886 .5526 .4819 .4360 .3946 .9608 .8694 .7866 .7118 .6440 .9512 .860? .7788 .7047 .63?6 .9418 .862L .77L1 .6977 .6313 .9324 .8437 .7634 .6907 .6250 .5655 .5Lt7 .4630 .4190 .3791 .923L .835:i .?658 .6839 .6188 .5599 .5066 .4584 .4148 .3?53 .8270 .7483 .677t .6126 .5543 .6065 .6005 .488 .5434 .4966 .4916 .4493 .4449 .4066 .4025 .5827 .5273 .477L .43L7 .3906 .5'.t70 .57L2 .5zzo .5169 .4724 .4677 .4274 .4232 .3867 ,3829

.Eore .4538 .4107 .3?16 (),:1,2,3,...,10) L2345678910 .36788 .13534 .049?9 .01832 .006738 .00247s .000912 .000335 .000123 NOTA: Para obtener .000045 lo valores de e-r para otroe valore de I, = emplear lar leyes de los exponentes. .03081. Ejemplo: --3.48 = (e-3oo)(-0.r8 = (.0a929)(.6188) Apndice I Nmeros aleatorios 74640 2349L 601 73 51772 24033 45939 30586 03585 64937 1 42331 83587 29044 06568 4662I 21960 1 62898 2L387 55870 86707 85659

551 89 41 93582 76105 04186 10863 52078 75797 81 25424 45406 82322 20790 98527 30277 60710 06829 1645 02133 79353 03355 31041 96799 65304 56974 12973 36081 37428 171 69 938 50884 19640 97453 93507 88116 14070 rL822 24434 41982 16159 35683 8?056 90581 94271 42t87 74950 15804 95863 51135 57683 5630 64759 56301 09448 21 631 62586 94623 5229A 87843 889 00745 25439 68829 48653 27279 65253 88036 06652

71 67283 85418 16835 49t59 9tt57 17480 7733L 590 t4676 47280 91097 294t4 28L95 47162 362

Respuestos o problemqs suplementqrios CAPITULO 1 L.57. (a) A= {6,8,10,12,14) (b) A= {clrespar,S(r<L 1.63. () 2,s,4,5} (b) {1,2,3,4,5} {1, (c) {5i (d) t5} k) @ (/) {3} @) {2,6,3} () {6} 1.64. (a) {2,3,a} @ {21 (cl {rln>-0, n+2,3,4\ 1.81. (a) 5/26 L.82. (b) (d) {4} () {3} (/) {3,4} 5/36 (c) 0.e8, (d) 2/9 (e) 7/8 ) ) (c ) (o (b Probabilidad de rey en la primera extraccin y no rey en la segunda. Probabilidad de rey en la primera extraccin o rey en la segunda o ambas. No rey en la primera extraccin o no rey en la segunda o ambas (no rey en la primera y segunda extracci ones). (d) No rey en la primera, segunda y tercera extraccrones. (e ) Probabilidad de r ey en la primera extraccin y rey en la segunda o no rey en la segunda y rey en la tercera. 1.83. (a\ 1,3 (b) 3/5 (c) 11/15 (d) 215 1.E4. (o\ 4/25 (b) 4/75 (e) 4/5 (cl 16/25 @) 64/225 (c) 118/185 (d\ 52tr85 (e) IL/t6 () L/5 (s) fia/226 (hl 22r/225 (s) 86/185 (h) r82/L85 (i\ (i)

6/26 52/225 1.85. (a) 291185 (b) 2/37 (e) Lr/L5 U) r/5 (i) 9/37 (i) 26/LLL 1.86. (a) 3/10 (b) 1/10 (c) 315 1.87. (a\ t/2t97 (b) r/L7,576 r.106. 1.107. () 32,805 () 11,664 r.8E. r/3 1.94 2r/56 1.95. 2ll3r 1260 1.108. (a) 120 10 6 (b) (b) 72 (c) L2 (c) 45 r.r09. 1.110. (o) tt. 70 .

1.96. 113 1.9?. t4/57 1.100. = 1.111.210 8 12 (b) 1.112. 840 ?000 1.101. (a) r-LO2. 2620 (c\ 720 1.113. (a) 42,000 (b) n:5 60 5040 (b) lJla. (a) L20 150 (b) 2620 (b) 1.103. 1.115. () 46 (c) 100 1.104. (o) 120 (c) 240 1.116. () 1? (b) 163 1.117. (o) 1.105. (r) 8400 (b) 2520

20 () 330 (c) t4199 353

354 1.118. (a) 16 RESPUESTAS A PROBLEMAS SUPLEMENTARIOS * 615A * lSraEz + 20r3As * 1612A3 * (b) rt - 4rsy I 612A2 - 4nyt Ot (c) ns - xz * LOr - 10r-r I 5r-3 - x-s (d) 18 * 8r8 I 24ra * 32r2 * 16 6rys ya 1.119.2016 L.r22. (a) 5/L8 () 11/36 (c) 1/36 r.L23. (aJ 47/52 (b) L6/22r (cl L5/34 (dl 13/17 (e) 2r0/22r (/) 10/13 @) a0/5L ( h) 77/442 L.L24. 5/18 1.125. (o) 81 : 44 (b) 2r 4 1.126. (o) (rsOz)(rsCz)(rsCslGsC)/szCn (b, 4152CB r.127. (6Ca)(aCz\/MCs 1.128. (o) 9L/216 (b) almenoslT 1.129. (o) 4. rsca/szc 1.130. Ql QCz. 'Ct * a'.Csl,l12cs 4(r3Oa\hgC+)/szCss 1025 r.l3E. (o) 120

() 60 (c) 72 1.131. 2.95 x 1.133. 0.8% 1.139. (a) 3/1250 (b) 237/5000 aproximadamente - 3 1.f40. 3L26/46,656 1.13. vT1 L.146. (a) l.l4t. (a) 4 (b) 14 @) 45(r"C)/r2C5 (b) (13X2X4)(6)/szCs (d) (5)(4)(3X2)/(52X51)(50X1e) 4/52C5 r.t47. 2/243 1.148. (a) 1.149. (o) 1.150. (o) 126 462 3/32 () , +,- rCn(b) (b) r ,-tCn-t 1/16 (cl r/32 (d) 1/8 prob. empate 1,151. prob .4 gane = {i1l21(i. prob. B gane = 5/36, = L26/216 1.153. (o) 12l(s:Cr:r)(:roCr:r) (bl 24/(52Cn)(gsCrs)(soCr) CAPITULO

2 0 2.38. () I 3/8 o 3 2.39. (a) 0 I t6/28 .) f(r) r/8 3/8 t/8 t f(r) 3/28 6/14 2.4o. (a) t 0 1 f(r) 9/64 r5/32 25164

RESPUESTAS A PROBLEMAS SI'PLEMENTARIOS 365 2.42. (a) r f(r) 0 194,580 1 2 6768 3 4 270,726 69,184 270,725 r92 270,725 270,726 2.43. (o) r F(n) 0 I U2 2 3 L/8 7/8 I 4 2.46. (o) r f(n)

I L/8 2 3 (b) 3/4 (c\ 7/8 (d) 3/8 (el 718 u4 3/8 U4 2.47. 2"48. (o) 3 () e-B - e-6 (c) e-s kll | e-s F(r) = 2.49. (al 6l2s n-:0 ft-"-"" n<o lo (b, r6l2e (c) 1e/116 n=L [o (2rt-21/29 l=u=2 (3r2*21/29 2<r= 3 ?3 1 (b) f(rj = 4^ 2.50. F'(c) = 2.6t. (a) r/27

(r2/9 0<(3 de oha forma l0 (c) 26/27 (dl rls r<o 0<r=2 2.68. (al rl2 (b) 15/16 (c) \la (d) F(r) = lr2/4 r>2 11 2,64. (a) r/36 () 1/6 (cl Ua @\ 516 (e) r/6 (f) r/6 (s') 112 fo 2.66. 2.67. 2.8. 2.60. () (a) (r/6 r = 1,2,3 /,() = {^ otra c t0 s/2 (b) r/4 (c\ 2e/64 () /r(u) = {o (Ale A = l'2'3 orra u (d\ 6116 () r=0 |.o FJr) - ]-l(cs+r) o<r=r nL It t () Io I Fz(u) = ) !'@3 tl1 * al o<a=l v=l a=0 (a) () f(rla\ =/r(z) paU= 1,2,3 (vaehoblema2.5) f fu | r) = fzfu\ para : 1, 2, 3 (vace hoble ma 2.55) 2.61 .

(a) ((r+u)|fu+l) f(rlu\ = 1lu ^ f<al"l t) = rl' 0 5 Y = 1 otra r' O=A=I 0 (b) l(r+ull@+l) 0 < -< l, = 1o o<rsl, =Y = otray 1

356 RESPUESTAS A PROBLEMAS SUPLEMENTABIOS ; i . 2'62' (a) f(rlal = {':'+az)/(a2t-*l otratr,g=yL L0 0<rrl' 0=v<1 ; i | 0<rS1, oVaU l0 (e-u &>0, l"-" r>0, yZL 2.68. (al /(rly)=to n10,y>0 (D)/(yl")=to 2.61. "fulZr/l pua y ) O; 0 de otra forma O 0s<1,0SgS1 ,, , . (b) f(ulr)=l^ l(r2+u2'll@2+p ,=o,u<0 AO 2.68. (2r)-r/zy-rrze-cpar^y ) 0; 2.7O. llr para-t/Z 1y 1 il2; de oha forma 0 de otra forma 2.72. (o) c(u) = {t^ ;t:-:;,:" LU de otra' (D) c(ut = [r*',:-:'r:,:: I i:i:: de otra forma o 2.74. or-t/(L * ul2parau 2 0, u Z 0; 2.77. s(z\ 0 de otra forma = " {; '' 1"1,""1.",t I 2.82. c@) =

{'"-''u ::: (u 0s51 2.78. s(u) = 42-u L<u2 [.0 2.7s. g(u) = {'o 2.86. (a) de otra forma 2.E3. l/4 -" ;: ; 2.s4. s6/2*g n 1'r 2 () r(r) = {: y=s<aIL; a=1,2,3,... r-3-v e-2"(2rrl) > 0 2.87. ( a () F(r) = ' ft ( s"-' n1o [u 2.t8. (a) B/7 (b) 5/7 (d'2618L (e)lls (el 6e-t 7e-o 2.89. (a) c = (a) 1 () 8e-2 c2= , 2.9L. 2.s3. cr=2, I - e-4 () 9e-2-lAe-s L0 ze-r (c) 4e-s-4c-? (iI) e-z--t { (el 4c-s 0<a<2 (a)Lta e)7t64 (c) t,(c')={:*+ lcc<r (d) rz tr) = lL@+tl de otra forma de o

tra forma 2's6' (a) {r-^'' -rn2) 1"t"r0.".,-" () (r) o1+ {;t'-" zlrn li"ro,".,-" 2.roo. (D) r6tz66 (c) e/16 (d) 2.106. () 46/256 (b) r/14 0 2.e0. (b) ;(1 lrnz () 2 , 2.e8. s(?) = {t:"-"' ::,: 210 [0 2.ee. (b) 7/L8 2JoE. \/r/z

RESPUESTAS A PIOBLEMAS SI.'PLEMENTARIOS CAPITULO 3 3.43. (a) 1 lb) 7 (c) 6 3.62. (c) 315 3.54. (a) (a) 2/3 (b) 2/3 G) aB 7/a (c) @\ Als 3.44. 3.45. (tr'l 3/4 (bl L/4 (c) 7/r2 (b) 7/6 (c) 7/4 (d) 2/3 (a) (a) (e\ U) 2/3 @) () I (bl 2

I 3.55. 3,6. 3.57. 3/2 n (b) -2e/6 Lla !4 3.46. 3.47. 3.48. 10.5 3 (b) r3n/6 (a) 35112 @\ ( \Elm, (o) (a) 1 (b) I (c) rla (c) 3.68. 1e/10 (t') 6/6 a/3 @ 1 \Ng 3.50. 3.60. 3.61. 7/0 () 6/5

3.5e. (o) 1 (b) (o) Var(X)=5, nx=lE (al (a\ () Var(X)=3/80, o*=1/t5/ZO 4 (b) 2 (c) ,/3s12 3.62. 3.64. 3/2 (bl 3e/4 (a.\ +(et/2+e-t/2) = cosht () p=0, p=1, p=0, pl:L L6/3 3.65. 3.66. (o) (f + 2te2t - ezt\/zt2 (D) p = 4/3, pi= 2, p: t6/5, = (a) h=0, Fz:5, ps: -5, p=3 5 (b) pr = 0, Fz:3/80, p3 =-L2lll60, (c) 1/(1), il p4=230718960 2a 3.67. 3.6E. 3.69. 3.72. 3.7 3. <1 () p = l, p= 2, y= 6, pi= Al=0, pz=7-, Ft=2, pn=33 (c) (bk+r'st<+r)/(k* 1Xb-o) peiaa (sen () [1+(-1)k]( -a,\klzk+t(k+ll I qeiab co)/ao 3.74. 3.77. 3.78. 3.79. 3.E0. 3.E1. 3.82. 3.83'. (e2ia-Zie2ia-ll/"2 (a)

() () Lr/144 (bl rr/L44 1c t/iJttz () (t) \/-LUr2 (e\ -L/L4a 0 -!rr 1 ,(b) 1 (c) () 1 (d) 1 (c) 0 (/) 0 (e) 73le60 ?3/e60 y'?s/e60 tl r/Tils6o -u64 (f) -r5/7s (a) 233/324 (b) 233/324 (c) (a) \,/m/L8 (d' \rzss8 (e) -9L/32a () -sr/235 4

tb) 4/\/35 -t/tst, (a) (3r +2\/(6r*3)para0 5 <i tl lsu+Z)/(6u*3)para 0 = a = | 3.E4. (a\ l/2 parae>O (b) lParay>0

358 RESPUESTA"S A PROBLEMAS SUPLEMENTARIOS 3.85. (a) x E(Y 0 I 2 () Y 0 I 716 2 lxl 4/3 I 6/7 E(xlY) () 4/3 u2 3.89. (o) (a) 3.90. ffiParao rle (b) 1 6x2*6n*L s r:< I ,###parao < nr

5r 3.91. (a) x Var (Y lX) 0 5/S I 416 2 () Y Var (X I Y) 0 I 2S/36 2 24t49 3.f 6/9 7lr2 o 3.e2. (o) 1 3.94. (a) (b) r/4 (b) 0.5 02. (o) no eriste () (c) 3 -1 (c) e-z *0 3.103. (o) (c) 3 () 3

3.100. (o) () ln 2 (D) I 3.10a. (o) (c) 8/16 1-+y'3 (bl v2 3.1or. () 1/y'5 3.105. t"l .,r/r-tsnflo) () \F@i @ tlfr, (d) 1(1/\,[o ) 3.10E. (o) 1 I () () (y'3- 1)/4 (c) 16/81 3.109. (o) 0.17 (c) 0.05r 3.113. (a\ L 3.114. - ze-t (D) no existe (al 2(\F-Ll/3 (b) L6t7 2 0 2 7/3 r/3 2t/2 (b) e 3.116. (al 3.118. () 3.119. (a) 3.120. 3.121 .

(b) 2415o () e (al (a) (b) 6/e (b) 1/18 (c) (et * 2e2t + Sezt)16 (d) (d) (eto + 2e2to + 3e3.o)/6 (a) -7/27 (c) 2(et-l-tz -Z(e--l-"2 (e) r/136 3.L22. (a) 3.123. (bl 3614 (1 @l atg (b) 2/e L (c) * 2te2t -

e2')/2t2 (el -2\/fr/r6 (d) -(1 + zibe2ia - eziarlznl u) 12/6 3.124. 3.125. (o) 3.126. (o) 3.127. (a) r 2 0 () 8(21/2-r)/L6 (D \,8/2 () 1/3 (c) 0

I RESPUESTAS A PROBLEMAS ST'PLEMENTARIOS . 359 CAPITULO 4 4.61. (a't (a) r/64 Ua 250 (b\ 3/32 (c) l5/6a @\ 5/L6 (e\ 15/64 (l) 3/32 (g) Ll6a (b) 11324 4.62. 4.63. 4.64. 4.68. 4.69. 57/6a Q\ 2r/32 (b) () 4.66. 11/16 (dl 518 (a\ r7lL62 (a\ (a) 5/16 (c) 4.66. 641243 25

(c) 500 4.67. L93t5t2 (a\ @) 32/243 (bl re2l243 k\ a01243 (dl 2421243 42 (b) 3.550 (c) -0.1127 (dl2.s27 1.7t. 4,73. 4.74. 4.76. 4.76. 4.77 (a) npq(q (o) 1.5, (a') pl (b'l npq(l 6ps\ * 3n2p2q2 -1.6 (b) e (b) 72,90 75.4 () 0.8?67 (b) 0.0?86 (c) 0.2991 (c) (o) 0.03?5 0.9495

(b) () 0.7123 0.9500 0.e265 (d) 0.0154 (e\ 0.726t (/) 0.03eb . (c) (p) 0.6826 4.78. (o) 0.75 (b) -1.86 (c) 2.08 (d) r.626 0.849 (e) tt.Gs 4.t9. 4.80. 4.E1. -0.995 0.0668 (a\ 20 (b) 36 (cl 227 (cl (d) 40 @) 15% 4.82. (al93% 4.E3. 84 (bl 8.t"/o

0.a7% 4.84. 4.85. 4.E6. 4.87. 4.E8. (a' 6L.7% (b\ 54.7% (al e5.4% (bt 23.0% (c\ 93.3% (a) (o) (a) (o) 1.15 (b) 0.77 (c) 0.9962 (b) 0.0687 0.2511 (b) 0.1342 0.0286 (d) 0.0658 4.89. 4.90. 4.91. 4.92. 4.93. 0.0567 (b) 0.9198 (c) 0.6404 (d) 0.0079 0.0089 (o) (o) 0.049?e () 0.1494 0.0838 (b) 0.5976 (c) 0.2241 (d) 0.224r (e) 0.1680 (/) 0.1008 (c) o.4232 (o) 0.05610 (b) 0.06131

360 RESPUESTAS A PROBLEMAS SUPLEIVTANTARIOS 4.94. (o) 0.00248 (b) 0.04462 (c) 0.160? (d) 0.1033 (c) 0.6e64 (/) 0.0620 4.101. (o) 5/3888 (b) 5/324 4.ro2. (a) 0.000948 () 0.000295 4.r03.3/8 4.Lo4. (a) ?0/429 (b) l/143 (c\ L42|L4B 4105 (.) 4'106' (c) 4.ro9. (Q 4.111. (a) (ile)/Q?) ,,, ('f) (l?)/(l?) (iSX?SXtt) sla 0 (b) () () () l(ocoxzoc2ol+(4oc'l(nctsl* (qoc)(ncnl)taoczo 4.r2o. (a) r 4.L26. (a) 4.L27. (a) 4.128. (a\ 3/4 - 4 ft\ *e-tn -1"-, 82S\fe (b) () (b) 2(b-al4/6 e/5 113 6.35 L7e.2 2s6.2 zr.o r.s 20.r y 26.2 (c) (c) (c) 2B.B 4.tr2. (a) 0 4.rr3. Ll4 aJLa. @\ 4.130. (o) B0.l 86.2

4l.s a8.3 (d) (d) 55.8 68.? 3/4 16,0 (b) (b) 4.L29. (a) 9.b9 84.2 (c) suponiendo reas iguales en las dos colas, 2, 2.1? v 7!r= !4.1 4.r?r. (a) L22.5 (b\ 4.L32. (a) 201.7 (b\ 4.136. @) 2.60 3.75 1.71 () (b) (b) 1.75 2.68 2.0e (c) (c) (c) (c) 1.34 2.48 4.03 (tl 2.s5 z.gs (e) z.LB 4.136. () 4.13?. (a) (d) (el 2.BB (d) -0.128 (d) -1.s? 4.138. (a)

1.81 (bl2.76 1.73 -0.829 1.84 (d) 4.L4L. (a) 2.62 (b) CAPITULO 5 (c) 0.8b2 (e) 0.861 (, 0.166 6.49. (o) e.0 (b\ 4.47 (c) e.0 (d) 8.16 5.50. (a) e.0 (b) 4.47 (c) 9.0 (d\ 2.58 5.51. (o) sx = 22.40 oz, oi : 6.62. (c) p.t : 5.53. (a) 237 22.4O 0.008 oz oz () (b) pX pX = 22.40 oz, 22.40 o ligeramente menor que 0.00g oz oz oz, o* = 0.008 = oz, o* = 0.005? (b) 2 (c) ninguna (dl 24 6.64. (a) 0.4972 () 0.1b82 (c) 0.0918 (d) 0.9544 5.55. (a)

0.8164 () 0.0228 (c) 0.00J8 (d) 1.0000

RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 5.56. 0.0026 6.t1 5.66. 6.67 0.0482 . (o) 0.0019 () 0.9596 (c) 0'1161 . 0.0136 0.0316 5.5E. (a) 2 6 6 (b) 996 (b) (c) 218 12 5.68. 5.7o. 6.7L. 5.59. (c) 0.01?9 5.60. 5.62. 5.63. () (o) () (b) (b) 0.8664 (c) 0.1841 (cl (o) 118.?9 0'0228 lb (b) 0.?4 lb I 2 (d) 126 0.91?2 6.72. (o) 10.00 6.73. (al 4018 6.74. 6.76. (o) (o) () ()

11.49 0.00?? () 0.8869 28.10 5.6,1. (o) 0.0028 (b) 0.60 0.36 () () 0'17 0.49 (c) 0'28 5.65. (o) 0.2160 (b) 0.0064 (c) 0'4504 5.tO. 5.81. (a) menor que 0.01 (b) entre 0.01 y 0.06 pero me cerca a 0.01 (c) menor que 0.01 (b) menor que 0.01. 5.82. (a) ?99 () 1000 (e) (c) 949.6 (d) 10995, 1199.6 (fl @) a6% 100 (horas) (s) 62/a00 (h) 25.6% = 0.166 16.6% (il 0't ts.o% 78.0% 76 5.E6. (a) 24% (b\ rL% 5.t7. (c) 0.003 pulg.

(b) 0.3196, O.3226,0.3265, . . ., 0.33?6 pulg. (c) 0.3204.322,0.323-0,326, 0.326 -0:328, . . ., 0.33f0.33? 6.92. 86 5.93. 0.60 5.99. 501.0 s ?9 5.100. 5.101. () 0.72642 pulgadas 26.2 6.94. 8.26 5.e5. (a) 82 6Jo2. (a\ 2.L6 () 0.90 5.104. 5.105. 46 (@) 0.?33 (c) 0.a84 5.96. 78 .97. 80Eo,20% ton. () 38.60 1'.11 5.9t. 11.09 tons. 5.106. (o) = 2,47 () e = 5.50?. (o) 0.0006?6 pulgadas (b) 72.1%, 99.3%' 99,76% S.108. (c) 146.8 lb, 12.9 lb 5.1o9. () 0.7349 pulg., 5,111. (o)

5.LL2. (a) 5.113. (@) 0.00496 pulg. 6 0 -1 () 40 4 6 (c) (c) 288 (d) (d) 2188 (b) 0 26.86 () (c) -e1 (d) 63

362 .115. 0, 26.25, 0, 1193.1 .116. 7 RESPUESTAS A PROBLEMAS ST'PLEMEI.'TARTOS 5.117. (o) 0,6, L9, 42 5.118. 0, 0.2344, -0.0586, (b) -4,22, -1r7, 0.0696 ro 560 (c\ r,7,88,74 5.12t. m1 = 0, rn2= 5.97, = -3.9?, m189.22 0.84914 6.122. m1 :0, .123. () ffiz: 0.53743, ms = 0.36206, n4= 0 -0.2464 (b) 52.e5 5.124. (q') (c) e2.35 (e) 26.2 (d) 7158.20 (f) 7.28 (b) (s) ?8e.38 (hl 22,241 7.2 106 () (b) 8.4 4 (i) (il 706,428 24,546 2.62 6.128. (a) 5.129. (a) 6.130. tb9 5.125. (o) 0.493e (b) 5.126. 5.127. 2.94

Laprimeradistribucin (a) la aegunda (b) la primera 5.131. (o) ?8.2 (b) 0.0090 CAPITULO 6 e.29. (o) 9.5 lb (b) 0.24 lb2 (c) 0.?8 y 0.86 lb reepectivamente 6.30. (a) 1200 hr 6.31. (o) (b) 105.4 hr Las estimas de las desviacionee tpicas de la poblacin para los tamaos de muestra 30 , 60 y 100 tuboc son respectivamene, 101.7, 101.0 y 100.5 horas. Las estimas de l as media de la poblacin son 1200 hora en todos los casos, 6.82. (a) 11.09 t 0.18 tons. () 11.09 t 0.24 tons. 6.33. (a) 0.72642 + 0.000095 pulg. (c) 0.72ti42 t 0.000072 pulg. (bl 0.72642 + 0 .000085 pulg. (d) 032642 a 0.000060 pulg. 6.34. 6.36. 6.36. 6.3?. 6.38. 6.39. (a) 0.72642 t

0.000025 pulC. (b) 0.00002b pulg. (o) al menos 96 () al menos 68 (c) al menos 16? (d) al menos 225 900 (o) al menos (o) 7.38 (a) ?.38 384 (b) al menos 221 (c) al menos 666 (d) al menos a 1.16 onzas 0.96 onzas t t I 0.82 0.?3 onzas onzae () Z.Se () ?.38 I (a) 0.298 0.030 eegundoa (D) 0.298 t 0.049 segundoe 6.40. (o) 0.70 t 6.41. 0.L2, 0.69 I 0.11 () 0.?0 * o.,tu, 0.68 a 0.r5

(c) 0.?0 r 0.18, 0.62 r 0.u (o) al menos 323 hr (b) al menos 560 (c) al menos ?66 (b) 1.0? (b) 0.045 6.43. (o) 1.07 t 6.41. (o) 0.045 0.09 t 0.12 hr t 0.073 i 0.09? (c) 0.0ab t 0.112

RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 363 6.45. (a) 63.8 l: 0.24 249 onzas lb () 63.8 t 0.31 onzas 6.46. (a) 1800 t 6.17. 86 lb (b) 1800 t 328 lb (c) 1800 t S82 lb 6.4E. (a) al menos 87.0 4802 () al menos 8321 (c) al menos 11,250 6.49. (o) a 230.9 1?0.4 horas hora horas (b) 78.1 a 288.5 horas (b) 88.9 6.50. (a) 95.6 a 1g0.8 horas 6.51. (c)

106.1 a 140.5 () 102.1 a 148.1 horas 6.52. 6.63. 6.4. 6.56. (a) 0.269 (o) 0.519 a 7.70 (b) 0.458 a 4.58 e 2.78 (b) 0.673 a 2.14 (a) 0.138 a 10.8 (b) 0.259 a 5.02 (a) 0.9a1 a 2.20, 1.06? a 1.944 (b) 0.654 a 1.58, 0.?41 a l.Bb 6.2. I _ ()rr)/r 6.58. r = ; -= 3' 2tritl "'+r3l 6.69. k = -lln (ct...;r,) (e) t2.70 6.60. (o) t.00 () 13.06 (c) t2.79 kl) t2.15 6.61. (a) 6.62. 2400 t 45 librs, 139.6 horas 2400 ! 59 libree (b) 87.6% 105.5 a CAPITULO 7 7.63.

kt') 0.2606 7.64. (a) Aceptarlahipteeissilasbolasrojarextrafdasestnente22y42 rcchazarlaencasoco ntrario.(b)0.99, (c) Aceptar la hipterie i las bola rojac extrafdas esn ent.lre 24 y 40; rechazarla en caso contrario. 7.65. (a) (IIe: p=0.5), (Hi p> 0.5). (b) Ensayo unilateral. (c) Rechazar 116 si se extraen ms de 39 bolasrojasy acept:ula en caso contrario (o no tomar decisin alguna). (d) Rechazar lfe ei se extraen ms de 41 bolasrojas, y se acepta en ceso contrario (o no se toma ninguna decisin). ?.66. (o) No se puede rechaza Ia hiptesis al nivel de 0.05. (b) Se puede rechazar la hiptesis d nivel de 0.05. 7.67. 7.68. 7 No se puede rechaza la hipteric al nivel de 0,01 en (o) ni en (b). Se puede rechazer la afirmacin a ambos nivele mediante un enaayo unilateral. .69. S, en ambos nivelea, mediante un ensayo unilateral en ambos caso8. es 7.7O. El reulado significativo al nivel de 0.05 en ambos en!ayos.

RESPUESTAS A PROBLEMAS ST'PLEMENTARIOS 7.71. E resultado es significativo a este nivel con un enaryo unilateral, pero no lo e con un ensayo bilateral. 7.72. 7 (a) si () no .73. 4. Un enrayo unilatetal a arbos niveles de aignificacin muesha que la marca B es supe rior a la marca A. 7 .7 Un ensayo unilaeral muegtra quc la diferencirr e eignifrcaive eB al nivel 0.05 pero no al nivel 0.01. 7.7. Un ensayo unilateral muestra que el nuevo fertiliz superior a ambos niveles de significacin. 7,76. (o) Un ensayo bilateral indica que no hay diferencia en la calidad de fabr icacin al nivel de 0.05. (b) Un ensayo unilateral muestra que I no ee mejor que A al nivel de 0.05. 7.77. Un ensayo cambisdo. bilateal muestra que no hay edencia s niguno de los do nivdes de que la duracin media haya 7.78. 7.79. Un enrayo unilateral indica que no disminuye la media a ninguno de loo do niveles . Un ensayo bilateral a ambos niveles muertra que el producto no cumple con las es pecificaciones. Un ensayo unilateral rnuestra que a ambos niveles el contenido -nedio en cobre e s ms alto que el sealado en las especificaciones. ?.tO. 7.El' 7 Un ensayo unilateral muestra que el proceso no debe inhoducise si el nivel de sig nificacin adoptado es 0.01, pero debe introducirse si el nivel de eignificacin ado

ptado e 0.06. Mediante un ensayo bilateral al nivel de aignificacin de 0.06, no e deduce que hay a diferencia de acidez, Mediante un ensayo unilateral al nivel de eignificacin de 0.05, concluimos que el primer grupo no es superior .82. 7.E3. al eegundo. 7.84. El aparente incremento en la vai'iabilidad no es significativo a ninguno de loe dos niveles. es 7.E5. E aparente decrecimiento significativo al nivel 0.05, pero no al nivel 0.01. es ?.86. 7.87. 7.8E. Concluirfamos que el resultado no comn al nivel 0.05 pero lo es al nivel 0,01 . No podemos concluir que la primera varianza 8e mayor que la segunda a ningn nivel. Podemos conclui que la primera varianza es mayor que la regunda a ambos niveles. no 7.t9. 7.e0. (a) 0.3rL2 8.64 () 0.0118 (c) 0 (d) 0 (e) 0.0118 7.94. (o) t 0.96 onzas (D) 8.64 + 0.83 onzae (c) 8.64 1 0.63 onzas

7.e5. (o) 6 (D) 4 7,96. f (r) = aC"(0,32)r(0.6t)l-r; la frecuenciae esperadar son 32, 60, 43, 13 y 2 respectivamente. 7.98. Las frecuenciae esperadac 8on 1.7, 5.6, 12.0, 15.9, 13. ?, 7.6,2.7 y 0.6 respectiVamente. 7.99. [,ae frecuenciae esperadas eon 1.1,4.0, 11.1, 23.9, 39.5, 50.2, 49.0,36.6, 21.1, 9.4, 3.1 y 1.0 respectivamente. ?,1O0. Las frecuenciae eeperadas son 41.?, 53.4,34,2, 14,6, y 4.7 respectivament e. 0.81 ln 7.l0l. f (x) = T;A1 \ lar frecuencias esperadas con 108.7, 66,3,20.2, 4,1 y 0.7 respectivamente.

RESPUESTAS A PROBLEMAS SI'PLEMENTARIOS 365 7.LO2. La hiptesis no puede rechazarse a ningfin nivel. 7.103, La conclusin es la misma. ?.104. El proferor nuevo no sigue las miemas nortnas que los otroe. (El hecho de que las puntuacionea sean mejores que el promedio puede ser debido a un mejnr a cier en las eneanzaa o normaa de puntuacin menos exi' gentesoaambascosas). ?.105. No hay razn para rechazar la hiptesis de que las monedas ean honadas. ?.106. No hay razn para rechazar la hipteeis a ningn nivel. ? .10? . (o ) 10, 60, 50 respectivamente ( b ) La hipeis de que lo reeultados ae'an iguales a los eeperadoc no 8e pueden rechazar al nivel de significacin de 0.05. 7.108. La diferencia ?.109. (o) El ajuste 7.110. 7.11f es es significante al nivel 0.05. bueno (b) no (o) El ajuste es "muy bueno". (b) El ajuste es pobre al nivel 0.05. . (o) El ajuste es muy pobre al nivel 0.06. Pueso que la dietribucinbinomialdaunbuenajusted elosdaos, esto es consistente con el Problema ?.109, (b) El ajuste es bueno pero no "muy bueno". 7 .L72. La hiptesis puede rechazarse al nivel 0.05 pero no al nivel 0.01' 7.113. Igual conclusin. 7 .114. La hiptesis no puede rechazase a ninguno de lo nivdes. 7.115. La hiptesis no puede rechazare al nivel 0.05, 7.116. La hiptesis puede recha zase a ambos niveles. 7.1L7

. La hiptesis puede rechazase a ambog niveles. 7.118. La hiptesis no puede rechazase a ninguno de los niveles. 1.L23. (a) 0.3863, 0.3179 (con coneccin de Yatea) 7 .124. (a) 0.2205,0.1985 (conegida) (D) 0.0872, 0.0738 (corregida) 7.t25: 0.465t 7 .728. (a) Un ensayo bilateral al nivel 0.05 no rechaza la hipteris (b de proporcioneo igudes. ) Un ensayo unilateial al nivel 0.05 indica que tiene una mayor proporcin de bolas rojas que B. (b) (b) 7.129. tul e no (b) 10 si (c) 10 (d) 8 7.133. (o) 7.134. (c) si no si no (c) no (c) no ?.132. (a) (b) (c)

no ?.13?. Mediante un ensayo unilateral, el reultado er significativo al nivel 0.06 pero no al nivel 0'01. ?.138. No puede concluirse que la marca A 7.139. No al ni vel 0.05. sea mejor que la B d nivel 0.06.

366 CAPITULO 8 RESPUESTAS A PROBLEMAS SUPLEMENTARTOS 15o 8.64. (a\ u=-i+" 6 u=. -0.gBB+o.7l4r (b) "=t*lu 10.00 6 r= () 1.00*1.29y 8.66. (a) 3.24,8.24 (b) 8.67. (b) a = 29.13 + 0.661 (c) r = -14.89 * L.r1y (d) 7g 95 t.68. (bl u = 4.000 + 0.500a (cl r = 2.408 + 0.6tly E.69. u = 6.5t*3.20(r-B) +0.?3S(n-B)2 6 41.77 y -- Z.6t-t.21r*O.IBB72 616 8.70. (b) d 8.71. 1.096 o * 0.08?86 o () (c) t?0 ft, ft (d) Bg?

(b') A=32.14(L,427Y 61.40 6 A:32.14(10)0.151{" O U -92.140.ss56' 8.74. (a) z = 3.66r * 2.64y 8.79. (o) 1.304 () 1.448 8.E0. (a) 24.60 () 17.00 (c) ?.60 8.81. 0.6633 1.6 E.r3. E.84. (a) 0.8961 (b) u = 8.85. () 0.968 (b, 0.s72 80.?8 + 1.188 (c) r32 8.E6. (o) v=0.8r*12 (b) r= 0.46r*l 8.87. (cr.) 1.60 () 1.20 E.88. =0.80 E.89. 75/p 8.99. (a\ 0.9927 8.96. ro = fi -o.szos 8.92. B.rz

8.107. (a) 8.108. 2.00 8.90. (o) E.96. (a) 0.6606 () 0.9818 8.9?. (o) () 2.00 t _1.oooo t 0.21 0.28 (o) () Mediante un errayo unilateral puede rechazaree la hipteaia. Mediante un ensayo uni lateral no puede rechazarse la hiptesie. 37.0 8.109. () t 3.6 1.5 (b) () g?.0 a (b) B?.0 4.9 2.1 E.r10. (c) 37.0 t 8.111. (o) 8.112. (o) 1.138 t a 0.398 () 192.0 a 19.2 (c\ 182.0 t 5.4 si no no si E.1r4. (a) 0.2928 y 0.?961 y () 0.126s 'y 0.8861 1 t.113. (o) ()

t.115. (o) 0.s912 () 0.916 y y 0.?600 y 0.?801 y

RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 367 8.116. 0.7096 y 0.9653 (D) 8.126. (o) u = 3.33 r - 66.4 (b) 116.7 y 173.4 libras 8.L27. (a\ 20.36 lb 3.30 pulg. 8.11?. (c) si no () 8.120. 415 8.128. 0.4547 8.129. 0.9254 y 0.6158 E.125.0.6402 si la unidad 8.130.(b)y:722.42*2.lgxsilaunidadxesLl2aoyelorigenesel es un ao y el origen es el 1o. de julio de 1950 (d) 142.7 (e)1977 1o.deenerode1954;oy:107.9*4.38x E.l31. (b)y:18.16-0.1083*0.4653z,dondeyeslanatalidadpor1000habitantes,es5aosconorige nen julio de 1935. CAPITULO 9 9.23. tlay 9.24. una diferencia significativa en rendimiento a ambos niveles. No hay diferencia significativa en neumicos a ningn nivel. Flay una diferencia significativa en los mtodos de enseanza al nivel 0-05 pero no al nivel 0.01 .

9.25. 9.26. llay 9.27. flay 9.31. 9.32. 9.33, 9.34. una diferencia significativa en marcas al nivel 0.05 pero no al nivel 0.01. una diferencia significativa en sus calificaciones a ambos niveles. No hay diferencia significativa en operarios o mquinas. No hay diferencia signifi cativa en operarios o mquinas. Hay una diferencia significativa en el tipo de maz pero no en los suelos al nivel 0.05, No hay diferencia significativa en el tipo demaz o suelosal nivel 0,01. 9.35. llay una diferencia significativa en neumticos y automviles al nivel 0.05. 9.36. 9.3?, 9.38. 9.39. 9,40: No hay diferencia significativa en neumticos o automles al nivel 0.01. No hay difer encia significativa en los mtodos de enseanza o plantelesal nivel 0.05. No hay dif erencia significativa en el color del pelo o estatura. Igual al hoblema 9.38. Ha y una diferencia significativa en los sitios pero no en los fertilizantes aI niv el 0,05. No hay diferencia significativa en los sitios o fertilizantes al nivel 0.01. una diferencia significativa en operarios pero no en mquinas. 9.4f. 9.42. Ilay 9.43. 9.44. No hay diferencia significativa en fertilizantes o suelos, Igual al hoblema 9.43 .

368 RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 9.45. 9.46. 9.47 No hay una diferencia significativa en rendimiento escolstico debido a diferencia s en estatura, color del pelo o Iugar de nacimiento. ltray diferencias signifrca tiyas en especies renciag signif icat ivas, y canidades del primer compueso qumico, pero no otras dife' ltray diferencias significativas en tipos de cables pero no en operarios, mquinas o fortaleza de cables. 9.4E. No hay diferencia significatirra en tratamientos a cualquier nivel. No hay difer encia significativa en los puntajes de I.Q. significativas en los puntajes de lo s exmenes debido al estado veterano y al I.Q. al nivel 0,05. 9.49. 9.52. llay diferencias 9..3. Al nivel 0.01 las diferencias en los puntajes del examen debidas al estado veterano no son significativas, pero las debidas al LQ. slo son. 9.54. 9.55. 9.61. No ha! diferencias significativas en los puntajes de los estudiantes de diferent es partes del pas; pero hay diferencias debidas al I.Q. fuual al hoblema 9.54. No hay diferencias significativas debido a los qumicos o st ios. significativas debido a los sitios pero no a los fertilizantes, 9.62, llay diferencias 9.63, 9.64. 9.66. No hay diferencias significativas debido a sitios o fertilizantes. FIay diferencias significativas debidas al factor 1 pero no al factor 2 o tratamienLos A, B, C. No hafl diferencias significativas debidas a los factores o tratamientos.

lndice Ajuste de datos po distribuciones ericar. 217.237-239 aleatoriedad, completa, 31 lgeba de sucesos, 5 completa aleatorledad, 3 1 5 altamente significativos. 224. 225 anlisis combinatoio. 9. 1l utiizando pobabilidad, 25-2 7 anlisis de v xianza, 306-338 frmulas cortas en el. 3O7 . 311, 317, 319.320.324 el. 31O, 321,322 para experimentos de dos factotes, nmero desigual de obseryaciones en 312-315 experimentos conjuntos. l,11-13 teoremas sobre. 12. 13 conjuntos bien definidos, 1 conjuntos disjuntos 3, conjuntos iguales. 1 conjuntos medibles. 6 conjunto nulo.2 conjunto universal. 2. 4 conjunto vaco o nulo, 2 constante de Boltzmann, 1 51 contado Geig er, 144 contngencia, coeficiente de, 22O, 246, dewiacin, 259 tpica (uose desviacin tPica) desiacin media. 85. 97 tambin varianza) dewiacin tpica, 78. 88. 89 282 diagramas bol, 9, 10, 21 diagramas de Venn, 2 (uose deteminacin, coeficientes de, 263, ' difeencia de conjuntos. 3 dimensiones o unidades, 78 diseo de experimentos, 315, 3 16 diseo experimental. 315. 316 pa de tres factores, 247 332,333 para experimentos de un factor, 306continua a la derecha. 40 control de cadad, 217 convoluciones. 47, 6O, 61 disibucin beta. 115. 134, 135 distribucin bimodal. 84 ajuste d datos por la, 237 dispesin,78.86,97

distibucin binomial, 108, 109, 119310.316-321 aproxirracin de Stirling a nl, 7L, 27, 342 axiomas de probabilidad, 6 coneccin de Yates para la continuidad, 220. 24O.242.244 conelacin. 258-3O5 gradual. 264, 2a6-2a7 , 295, 296 independencia y. 268 r23 aproximacin de la distibucin de interlretacin probabilfstica de la, Bernoulli. James. 108 bloques,310,311 aleatorios.315.3f6 bloques aleatorios, 316. 316 bondad del ajuste, 2L7, 23A,243, 269 ensyo chi-cuad rado Pua la, 218, 266.281-289 tabla.297 teoa muestal de, 267, 268. 29G 292 correlacin gradual, 264, 2a 5'247, conelacin y regesin neal perfecta, 295. 296 Poisson a la, I29 aproximacin normal a la, 127, L28, 168,169 negativa,118 propied ades de la, 1O8, 1O9 relacin de la a la distribucin normal, 112, L27,L28 relacin de la a la distribucin d e Poisson.112 219,213 Bridae. S.37 Cambio de variables, 46, 47, 56-60 pua el caso continuo, 46. 47 para el caso disceto, 46 casillas. 219, 291 26r,263 covuianza, 81. 82. 92-94 teoremas sobre la, 82 cuadrados greco-latinos, 316. 328 , 33O cuadrados latinos, 316. 321,324 cuadrados ortogonales. 316 27 distribucin binomial negativa. 1 18 distribucin chi-cuadrado, 115. 116, 117,135-13 7, r97,2L6 rea bajo la, 136. 347 como caso especial de la distribucin gamma. 116 reJacin de la a la distibucin normal. 135 teoremas sobe la. 116 cuenta, principio fundameotal de, 9. cuenteo. 177, 184 categoras.163 centroide o centro de gravedad de los datos. 26O clase. 1 (uos tambin conjuntos) clases y frecuencias de clase, 163, 164. 177, 297 distribucin de Bernoulli (uose distribucin binomial) distribucin de Cauchy, 114, 115 . 133, cumplemos, problema, 30, 31 curtosis, 85.97-99, 143, 183 de la distribucin binomial. 109 de la distribucin de

Poison. 112 de Ia distribucin normal, 111 r34 distribucin de Pascal. 118 distribucin de Poisson, 11, 112, 129. 130.145 ajuste de datos por, 239 propiedades de la. 11. 112 relacin de la a la distribucin binomial , 112 clasificacin simple o experimentos de un factor. 306. 3f6-321 clasificacin trpe o fa ctor tres expedmentos. 332. 333 cociente de inteligencia, 230 coeflcientes binom iales, 11, 25 coeficiente de conelacion, 82, 83, 92curua cuadrtica, 28 94, 100, 118, 263. 264, 28L-284 ensayo de triptesis y significacin para el, 267, 268 generalizando. 26 4, 284, 246 muestral.26l mltiple, 26+ 246 pa datos agrupados, 297 poblacioml. 265-267 coeficiente de correlacin lineal, 263, curua de ajuste, 258, 266 (vose tom' bin conelacin y regesin) curva de potencia, 234, 244 cuwa nomal. 99 (uase tombin distri' bucin normal) reas bajo la, L24,125. 345 tip ificada, 11O, 344. 34 cuva normal tipificada. 11O eas bajo la. 345 ordenadas de la. 344 curua parablica, 258 relacin de la a la distribucin norrnaI.112.129 distribucin exponencial, 119 distribucin '. 117. 118. 138. 139. 161, 197, 198, 216, 309 media y varimza de la, 1 17 moda de la. 117 elacin con la chi-cuadado y t, 118, 139'141 teoremas sobre la. 117. 118 valores de Ias percenti las de Ia.348, 349 distribuciones gamma, 115, 116. 134 cuilas cdactersticas de operacin, 217. 232-236. 248 curuas de aproximacin, 254,269 cunas de regresin no lineal. 264 curyas OC, 217. 23 2-236, 244 264,28l-244 frmula poducto-momento para el, 263,2A2.293.294 generalizacin del, 26 4 coeficientes de confianza. 19 coeficientes de correlacin mltiple, coleccin. | (uase tambin conjuntos) columna de conteo. 1 77 combinaciones. lO, 11, 23, 24 complemento de un conjunto. 3 264.246 Datos agrupados, 163 decilas. 8 decisin. reglas de, 2ll, 213, 221-226, 248 decisiones estadlsticas. 21 1 desigualdad de Chebyshev. 83. E4. 94,

distribucin gaussiana, lO9 (vase tomb in distribucin nomal) distribucin geomtica, 118 42 relacin de la con la binomil negativa,118 distribucin hipergeomtrica, 1 13. 13 2. 133

370 media y vaxi^nza de la. 113. 114 relacin de la a la disEibucin binomial, 113 distr ibucin Maxwell. 119 distribucin muestral, 157 de dewiaciones tpicas, 162 de difeten cias y sumas, 159,160,171173 de medias, f8. 162, 16-168, 184 de medianas. 162 INDICE efectos de tratarniento. 312 Einstein-Bose. estadfstica (uose estadstica Bose-Einstein) e1e x, 2 interaccin en el, 260 ejes, traslacin de. 260 elementos o miembos de los conjuntos. 1 de proporciones, 158, 159. 162. 168de elaciones de vuiauas. 161. 162. t7l enfoque a posteriori de Drobabilidad, 6 enfoque a priori de pobabilidad. 5 enfoqu e uiomtico de ptobabidad. 6 enfoque clsico de probabilidad, 6.6 286. 287. 289. 290 estima. error tpico de la (vose ettot tfpico de la estima) esti macin, 194-2LO, 259 estimador insesgado. 160. 194 estimas. 156, 157. 194-210 efic iente. 194. 198. 199 insesgada (uose estima iDsesgada) estimas de mxlma verosimili tud, 198. 206,201 estinas insesgadas. 160. 198, 199, 263, I76.177 enfoque de la frecuencia relativa de 308.312.318 de vuianzas. 16G162. 1?3-176 de varios estadsticos. 162 distribucin multimodal. 84 distribucin multinomial, 113, 132. 220.249 distribucin nonnalr 109-1 11, 124-127 ajuste de datos por la, 237, 238 bidimensio nal, 118. 141 probabilidad, 6 ensayo chi-cuadrado para bondad del ajuste, 218. 2L9, 243 ensayo de biptesis y significacin. 211267 estimas no eficientes, 194 estimas por intenralos. 194 estimas po puntos. 194 est imas sesgadas, 194 (uate estimas insesgadas)

tobin mediante diferencias de medias. 214. 2t6,226-228 mediante diferencias de proporciones. xito. probabilidad de, 1O8 expansin binomial, 25, 1O8 expamin multinomial. 113 experirnentos aleatorios, 4, 5. 14. 1 chi-cuadrado y. 13 funcin de densidad para la. 109 propiedades de Ia. 111 distribu cin nomal bidimensional, 215,226-22a mediaate la distribucin chi<uadrado. 216,2La, 2r9, 231 experimentos de clasificacin doble (uCose experimentos de dos facores,) distribucin porcentual de frecuencias. L4l 11 8, mediante la disribucln F. 2L6. 231. 236 mediante la distribucin normal, 212, experimentos de dos faetores, 310. 311 notacin paa. 311 distribucin t Student) 163 acumulada, 178 (uoe 213 mediante la distribucin f de Student. distribucin de 2t6,216,229-231 2L con repeticiooes. 313-315. 324-327 variaciones paa. 31 1 experimentos de Mendel. 241 3 mediante medias. distribucin f de Stud.ent. 116, 117, 137, 138, 161, 196,196,215.266, 267 3-2L5, 221-226 mediante proporciones, 2L4, 22L-

experimentos de un factor. 306-31O. 16-321 225 la, 138, 346 media y vaianza de la, 117 relacin de la a la chl-cuadrado y F. 118, 139-141 elacin de la a la distribucin normal. reas bajo mediante relaciones de varianzas, 216 para coeficientes de regresin, 266. 289. 29 0 .pua el coeficiente de correlacin. 117 teoremas sobre la. 117 disribucin trimodal. 84 distibucin uniforme, 114. 133 d istribucin Weibu, 119. 142 distribuciones condicionales, 48. 61-63 distribuciones coiuntas. 43-46. 52-56 continuas. 44 disetas. 43. 44 vaianza paa. 81. 82 distribucio nes de frecuencias, 163. 17?179 acumulada. 164. 178, 179 relativa. 163. 164 dist ribuciones de fiecuencia acumulada. 163, 164 acumulada. 164 distribuciones de pr obabilidad. 38. 49. o contiuas. 40. 41 de funcitnes de vadables aleatorias. 261.268 pua grardes muestras, 213.214 pa peques muestras. zLl,2t6 elacin con la teora de estimacin. 217 ensayos de dos colas. 213 ensayos de una cola. 213 para va.lores medios predichos. 267 pua valores predlchos, 266 para vrimzas, 216 Fermi-Diac. estadfstica. 3 7 Fisher. R.A.. 117. 198, 267, 306 Fistre, tansformacin Z de,267 formas igualmente factibles, 5, 6 frmula de invesin. 81 frmula de Speman paa l a corelacin gradual, 264, 286-287 , 295, 296 derivacin de la, 285. 286 frmula producto-momento para el coeficiente de corelacin lineal. 263,282,293.294 fmu lm de Euler. 92, 341 fracaso. probabilidad de. 1O8 .ecuencia marginal, 2I9, 297 erb o residuo, 29. 3O8 error tfpico. 17. 16. 194 eaor tfpico de la estima, 262,263.279 164,178,179 distribuciones de frecuencia elativa. en tminos de varimzas y del coeficiente de conelacin, 262, 266, 293. 299 erores del tipo I y del tipo II, 212,22L. 222 escalera flor. 36 E.S.P. (pecepcin extas nsorizlr. 223, 28t.244,2A6 224 espacio muestral,4, 14, 1 espacio muesta] finito. 4 espacids muestrales continuos. 4 espacios muesfales discretos, 4 espacios muestrales inflDitos contables. 4 46,47 discetas, 38, 39. 1, 52 distribuciones de probabilidad condicional. 4O. 41 distrib uciones de probabilidad discret. dualidad, principio de. 3 Ecuaciones norraales p ua la recta de mfnimos cuadados, 260, 269, 27 O. Futl. 36 funcin aleatoria (ucse vuiable aleatoria) funcin beta. 115. 342 funcin cara cterstica, 80. 81. 91. 92, 98. 99 de la distribucin binomial. 1Og de la distribucin

de Poisson, 112 de la distribucin normal, 111 teoema de la unicidad para le, 8l totales, 297 fecuencia observada, 218 frecuencia porcentual, l6 3 frecuencia rela tiva, 163. 164 acumulada, 164 fecuencias elementales. 2L9. 297. 29A espacios muestrales infiniio no contafumin complementaria de error. 343 funcin de densidad. 41 conjunta. 44. 63. 54 de sumas de variables aleatorias, 47 interpretacin grfica de la. 42. 43 teoremas sobre la, 81 ble, 4 espacios muestrales no disretos. 4 esperanzar 76. 77, 86-E8 condicionel. 83. 94. 265 77 38.39.61, 2 de funciones de vuiables aleatorias. definicid de la, ?7 muginal. 45 funcin de densidad conjunta. 44, 3. 64 293.294 paa la pbola de mlnimos cuadateoremas sobre. 77 espermza condiciona!. 83. 94, 26 tambin esperanza) estadfstica Bose-Einstein. 35 estadfstico no puamtrico. 186 estadlsticos muestraes, 156, 157 funcin de densidad normal tipificada. 110 espermza matemtica, 76, 77 (uose dos. 261, 276,277 para el plaao de regresln de mfnimos cuadrados, 262, 278, 279 e fectos de bloques. 312 efectos de lnteraccin. 314. 326

funcin de distribucin acumulada. 39 (uase tambn funciones de distribucin) funcin de di tribucin conjunte. 44. 4. estatura de padres e hijos, 273,274, pua variables aleatorias contfuruas, 4 para valiables aleatorias dlscrets. 44

INDICE funcin de probabilidad, 6, 38 marginal, 44. 63 funcin de Drobabilldad coqiuDts, 43 , 44 371 molcula de gas ideal. 1l momentosr 79, 80, 89'91, f 56 alrededor de la media, 79 a lrededor del origen, 79 intenalos geml-abiertos o dos, 2 pea vErianas, LS7. 2O4. 206 semi-cerra2dO. invuianza baio anstotmaciD. 264.272 funcin error. 110 eomplementaria, 343 central, 79 condicional. 83. 94 funcin escalera. 4O funcin factorial. 342 funcin gamma, 11, 341. 342 frmula asinttica de Stirling paa la, 342 frmula de recunencia ptala,342 funcin geneatriz de momentos, 8O. 89-91.98 de la distibucin binomial. lO9, L22, 123 de la distribucin chi-cuadrado. 13 de la distribucin d Poisson, 112 de la distri bucin normal, lf l, 126, teorema de la unicidad pea la, 80 teoremas sobe la. 8O fu ncin monotnicamente creciente, 40. L21 Jacobiano, 46, 47. 6, 8, 69 para datos agrupados. 164,165.179183 momelltos centales, 79 momentos condicionales. 83. 94 moneda cargada, 6 moneda b-omada. 6 muestras. 155 aleatorias, 1 56 independientes, 159, 171. 196 muestras aleatorias. 156 196 Ley asociativa. para la convolucin, 47 Pata conjuntos, 3 ey conmutativa, para la c onvolucin, pea conjuntos, 47. 6r 3 ley de los grandes nmeros, 84, 95 para las pruebas de Bernoulli, 1O9, dbil ros) (use muestras independientes, 159, 171. r23, \24 ley de los grandes nmeros en forma ley de los gtandes nme-

Iey de los grandes nmeos en forma tuette (uase tambin ley de los grandes nmeros) leyes de Morgan, 3, 13 Iey distributiva, para la convolucin. 47 pa ra conjuntos, 3, 13 lmites de confianza. 195 lmites fiduciales, 195 (uose tambn lmites de confianza) Imites reales de clase. 163. 177 muestreo, 16 con o sin remPlazamiento, 113, 114, 1. 156. 166-167, 186, 196, 200 nmer o. 183. 184 teora de correlacin y regresin, 2664t. 43 4O 268,249-292 n factorial. 1O funcin paso. funciones de densidad marginal. 45 funciones de distribucin. 39 condicional. 48, 61-63 conjunta,44,45,5 marginal. 45. 54, 55, 268 para vuiables aleatorias continuas, 41, 42 para variab les aleatorias discretas. 39, aproximacin de Stiling a. ll, 342 27. 40,50. 1 lnea real. 2 logitmos comunesr tabla de, 350, 351 loterm, 86 Marca de clase. 163. 164. 17? niedia, 76, 96,97 (vase tanrbin esperanza) pados, 164. 165, 179-183 la di stribucin binomial. 1O9. 123 la distribucin de Poisson, 112 la distribucin F, 117 l a distribucin normal. 111 de la distribucin o de Student, 11? de un conjunto de nme ros, 76 de una muestra. 157 media ditmtica, 76, 84 (vose tambin media) media muestr al, 157 media total. 306, 311 mediana, 84, 156. 194, 198 distibucin de muestreo de la, 162 no unicidad de la, 84, 96. 97 medias de fila. 3O6 de de de de medias de grupo. 3O6 medias de tratamiento, 3Oo funciones de distribucin marginal, 45, 4, 5.268 funciones de probabilidad marginrl. 44, 3 niveles de confianza, 19 nivel de significacin, 2+2, 2t3, 221 experimental o descd ptivo, 224 niveles de significacin. 212,221 experimental o descriptiva, 224 tabla de. 213 nmeros rleatoios, 156. 183, 184, 241 tabla de. 352 nmeros complejos, 2 nmeos eales. 2. l2 computacin de la. para datos agruGas ideal. 11 grados de libetad. 1r6, 117.219,22O, Ojivas,164,179 ojivas porcentuales. 164 operaciones de coniuntos, 2, 3. 12, 13 en los zucesos.

6 suma de los paa la distribucin chicuadado. f16. 136 grficos de control. 217 grficos d e control de cadad, 21?, 309,312 ordenadas.49.84 Papel grfico de curya normal, 217 259 236,237. gran media, 306, 311, 312 gan total. 44 gandes muestras, 195, 199-201 grupo, 1 (vas e tambin conjuntos) prbola, grupo control, 227,23O Herencia.241 hiptesis estadsticas. 21 hiptesis, ensayos de, 211 (uase tombin ensayos de hiptesis y significacin) hiptesis nu las. 211, 214 histograma, 39, 49. 163. 177, L78 I paradoja de Russell, 32 parmetros poblacionales, 1 56 partculas radioactivas, 1 44 pecentils o valores percenta. 84, 85, 99 pecepcin extransesorial (udase E.S.P.) mniinos cuadrados. 269, 26L, 266, 276, 277, 292,293 medidas de centralizacin. 76, 84, 86, 96. 97 medidas de dispersin. 85, 96. 97 mejor cuwa o recta de ajuste, 259 mtodo de compre nsin, 1 mtodo de expansin. 1. 11 mtodo de mnimos cuadrados. 259 para curvas, 269,266 pemutaciones, 1^O. 27-23 poblacin, 15, 158, 159 normal. 156 parmetros de la, 156 tamao de la, 155 poblacin binonial, 16, 18, 196 poblacin finita. 155, 18, r9 poblacin infinita, 15. 158 I.Q. (cociente de inteligencia). 23O inferencia estadstica, I 55 integrales de Fourier. 81. 98 integrles especiales, 34 2, 243 pua pabolas, 259 irtetcepto. 26O intetseccin de cotiuntos, 3 inteivalo de clase, 163, t71.297 198 para rectas. (uqs rectas de mnitnos cuadrados) mtodo y frmula clave, 164.166, 18Opoblacin normal. 156 poblacin multinomial. poker. 26, 27 , 36, 37 Poisson. S.D.. 111

21 E interalo semi-intercutlico. 85, 97, lnte,los abierto y cetrado. 2 lntcnalos de confianza. 194-206 para diferencis y sum asr 196, 197, 199. 203. 204 para medias, 19. f96-202 L44,297 miembros o elementos de un coqiunto, 1 polgono de frecuencia, 163, 177. 178 moda. 84, 96 de la distibucin beta. 1l de la distribucin F, 117 modelo matemtico line al pua el anlisis de vaianza, 3O7, 308. 312. 313 polgono de frecuencias 179, acumulado, 179 acumuladas. potencia de un ensayo, 217,234 pare propociones, 196. 2O2.2O3 para relaciones de vuianzas. 197, 198. 205. 206 modelos matemticos. para el anlisis de la varianza, 308.312.313 ? probabilidad,5 probabilidad condicional. 8, 1 7-2O funcin de la. 48 probabilidad de causas (uos(f teorema teoremas de la. 8 3O7,

372 o egla de Bayes) concepto de la. 5 condicional, 8. 17-2O, 48 funcin de densidad de . 41 INDICE sobres, problema de los, 29, 30, 37 subconjuntos. 1 subconjuntos poFis, 1 ilceso i mposible. 5, 6 suceso seguro, sucesos, 4. . 14, 15 sucesos elementales. 4, ? suce sos independientes, 9, I7 -2O, 46 scesos mutuamente excluyentes, -7 sumas esrecial es, 341 elacin con las distibuciones t y F vaiables aleatorias con distibucin Gamma. 115 cuadrado,116 funcin (uose funcin de probabilidad) geomtrica. 48. 63. 64 grfica.37.39 vaiables aleatorias continuas, 38 variables aleatorias de la distribucin de Berno ulli. 1O8 variables aleatorias dependientes (uose variables aleatorias independieDtes) vaia bles aleatorias discretas, 38. 49, 50 papel grfico. 217, 237 . 23a como una funcin de valor real. 6 algunos teoremas importantes sobre la. 6. 7. 15 utilizando el anlisis combinatori o. probabilidad emprica, 6. 164 distibuciones de la, 164 probabilidad geomtrica, 48 , 63, 64 probabilidades. asignacin de las, 7, 8 clculo de las. 15-17 pobablemente significat ivos. 223, 226 , 26-27 231.239 problema de la aguja de Buffon, 67, 68 proporciones, distibucin muestral de, Tabla de probabilidad coniunta, 43 tblas de clasificacln doble, 219 en anUsis de va rianzas. 31O. 311. 322-327 tabla de c.lasificacin simple, 219, 22O tablas de conin gencia. 2t9. 22O, 243246 tablas de frecuencia (uose tanbin distribuciones de frecue ncia) variables aleatorim distribuidas binomiamente. 1O8 vuiables aleatorias distribuid as de acuerdo con la distibucin Poisson, 11 1. 249 de vaiables aleatorias distribuidas normalmente, 11O v&iables aleatoias distibuidas uniformemente. 114 18.159.161:171 prueba de Bernoulli. 108 pruebas de Bernoul, 108, I 18

tablas y distribuciones de frecwncias de doble v&iacin, 297 tammo de la muestra, 156 temperatura Kelvin. 151 teorema de unicidad, paa la funcin cavaiables aleatorias independientes. 45. 46. 52-56.63 viables aleatorias no relaci onadas, 82 veiables aleatorias normales asintticaley de los grandes nmeros paa 109,123,124 las, pda la funcin generatiz tos, 8O actestica,81,82 de momenmente.111.158,161 veiables aleatorir nomalizadas. 79, 89.110 viables dependientes , 269, 262, 264. 269 vdiables-transf omadas, 258 punto muestral,4 Recorrido.85.97 semi-intercuartr-lico, 85. 97. . 289. 292-294 cov^rianza, 26I 79. 1 I O regin crltica. 212, eivacin de una integral, 42, 198 rectas de mnimos cuadrados. 259. 260. 264-27 4 interseccin de. 26O. 271 referencias tipificadas. 213 regin de rechace, 212 regla de Leibniz para la d 58.6O

teorema del lmite central. 112, 113, 130, 131. 158.260 pua vriables aleatoias dist ribuidas binomialmente. 13O. 131 prueba del, 131 teorema o egla de Bayes, 9, 20, 21 variacin. 78.86.262 viacin explicada. 263, 266. 281, 242.2a4.2a5 vaiacin no explicada. 263. 266. 281, 242.284.2a5 vatiacin residual o aleatoria. 311. 326 diagama, 26A,266,273 en trminos de varianza muestral v teora de muestreo exacto, 161, 195. 196 tigmpo de reaccin, f91, 2O1 tansformacin de Fourie. 81 transfomacin. invarianza bajo. 26O. variacin total, 263, 266, 2AL, 242, 284.245 en anlisis de varianza, 3O7, 311,317, 264.272 318 grados de libertad para. 3O9, 312

regresin,29 coeficiente. 266, 289. 29O curva, 259, 264, 266. 2a7, 289 ecuacin.259,2 O2 interpretacin probabilstica de. 265, 266,287-289 transformada inversa de Fourier. 81 transformacin Z de Fishe. 26? traslacin de ejes , 260 variaciones. entre columnas o bloques. 311 tratamientos, 3O6 tringulo de Pascal, 25 Unidades o dimensiones. 78 unidades tipificadas. 79 distribucin de las. 3O9 ente filas o tratamienos. 31 1 entre y dentro de tratamientos. 3O7. explicadas y n o explicadas. 263, 266, 317.318 mltiple, 262, plano,262 27 a, 279 unin de conjuntos, Valores crticos, 195 valoes de tendencia. aleatorias) 2 2 241,2a2,2a4.285 recta.27l uperf icies, 26 2 teora muestral de, 266, 261, 2a9, 291) universo del discurso. grados de libertad 311 mtodos cortos paa obtener las. 3O7 para .experimentos de dos factores. va.lores esperados de las, 3O8, 3Og pua las, 3O9 regresin mltiple, 262, 27 8, 27 I relacin fineal, 258, 262,284 es. 254.244 representacin grfica, 39, 49 plicas, 306, 3f 3-3f Secetaria, problema de la, 29, 30, 37 serie de Fourier.81.98 serie de Taylor. 8O sesgada a Ia derecha o , 85 sesgo, 85, 97-99, 143, 18, 183 de la distribucin binomial. cin de Poisson, 112 de la distibucin normal, 111 vuiable estocstica (vase vuiables valores exponenciales, tabla de. 352 293,294 vaianza.78,88,89 relaciones no lineal 5, 324-321 residuo. 29 a la izquierda 1Og de la distribu

combinada, 216 como segundo momento, 79 pados. 164, 165, 1?9-183 vriable independiente, 259. 262, 269, 270 vaiables aleatorias. 38, 49. 5O con distribucin dg Poisson. LIL,249 computacin de la, para datos agrucondicional, 83.94 de la distribucin binomial, 1O 9, 123 de la distribucin de Poisson. 112 de la distribucin f', 117 de la distribuc in muestral de medias. 158 de la distribucin nomal. 111 de la distibucin t. 117 muestral, (vase v atianza mu esral) continuas,38 discretas, 38.49, 50 distibuidas unifomemente, 1 14 independientes. 45. 46. 2-56, 63 no conelacionadas. S2 sin dimensiones. 79 tipificadas de, 79, 89, 1lO vaiables aleatorias adimensionales. 79 vriables aleatorias con distribucin Beserie".3il1 Taylor, 8O distibuidas binomialmente. I O8 distribuidas normalmente. I 1 O pila distribuciones conjuntas, 81, para un conjunto de nmeros. 78 vaianza combinada. 216 var\anza muestral, 160 esper anza de Ia. 194, 195 desconoce la, 161, 176 velocidad efectiva (ms). 151 82 seguridad, l94 smbolos de inclusin, 3 significacin, regin de, 212 ensayos de. 2ll (va se tombin ensayos de hiptesis y significacin) vaiables aleatorias con distibucin Cauchy.114,115 variables aleatoiias con distribucin chita.115 vtianza poblacional. caso donde s

i.I$ROS DE LA SERIE SCHAI..'M PUBLICADOS EN ESPANOL Acstica Algebra eiementai Algebra elemental rnoderna Algebra lineal Algebra superior Anlisis estructural Anlisis estructural avanzado A nlisis de Fourier Anlrsii numc;ico Anlisis',,ecrilrial Cicrrlo diferencial e integra l C!culo superior Ciencias cie ias computadoras Ciencias f sicas (ieometra piana Geometra proyectiva Lrreas de trasmisin Macroeccnom a l\'!anual de frm ulas matemticas Matemticas aplicadas a ciencia y tecnolog a Matemticas f i nancieras I M:temticas f initas iatemticas su periores para y cientficos Materiales de construcc ion Metrices rrr.ren ierDs Circuitos elctricos i rcu itos e lectrn icos Contabi! uad I Cotabilidad ll Cr:ntabiliciad interrnedia | (en prensa) ContaOilidac' intermedia ii en prensa) C ontabilida de costos (en preirsa) Dinm ,:a de tos fluidos Dinrn'ca de Lagrange Dise,: cie concretc a'rnado Diseo cr, mquinas Economa internacional (en prensa) Ecuac 'rine; i-rsicas de las ciencias de la ;l.ceri,ar a Ecuaciones diferenciales Ecuaci ones diferenciales rnoderlas Espacio de estadn ,, sistma lineai Estad stica F sica gc nera I Fundamenrol de matemticas superio, Gentica t/lecnica de los flurdos e hidruiica Mecnica del medio continuo [!lecnica tcnica Mecl nica terica Mtodos cuantitativos pdi:; adrni nistracin de empresas (en prensa) Macroeconom a Micrceconom a ptica Probabil;dad Probabilidad y estadstica co;i cilculo Programacin BASIC Ouirica f sica (en prensa) Oumica qenerl Resistencii-. Ce mater iales Fletroaiimentacin y sistemas de contrei es Geometra analtica Geometr a ciescri ptiva Ceonletr a Cferencia I

Teora de conjuntos y temas afines Teora Ce grupos Termodinmica Tcpolog a Trasformada s de Laplace Trigonometr a \/ariables conrplejas Varialiss eales Vibraciones mecnic as 0-07-03092"9