Anda di halaman 1dari 285

Estad stica Descriptiva y Probabilidad

(Teor a y problemas) 3a Edici on Autores I. Espejo Miranda F. Fern andez Palac n M. A. L opez S anchez M. Mu noz M arquez A. M. Rodr guez Ch a A. S anchez Navas C. Valero Franco

c 2006 Universidad de C Copyright adiz. Se concede permiso para copiar, distribuir y/o modicar este documento bajo los t erminos de la Licencia de Documentaci on Libre de GNU, Versi on 1.2 o cualquier otra versi on posterior publicada por la Free Software Foundation. Una traducci on de la licencia est a incluida en la secci on titulada Licencia de Documentaci on Libre de GNU.

c 2006 Universidad de C Copyright adiz. Permission is granted to copy, distribute and/or modify this document under the terms of the GNU Free Documentation License, Version 1.2 or any later version published by the Free Software Foundation. A copy of the license is included in the section entitled GNU Free Documentation License.

Edita: Servicio de Publicaciones de la Universidad de C adiz C/ Dr. Mara n on, 3 11002 C adiz http://www.uca.es/publicaciones

ISBN: 978-84-9828-058-6 Dep osito legal:

Indice general

Pr ologo

XIII

1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . XIII 2. History (Hist orico) . . . . . . . . . . . . . . . . . . . . . . XV 3. Licencia de Documentaci on Libre de GNU . . . . . . . . . XVI

4. GNU Free Documentation License . . . . . . . . . . . . . . XXVI

A
1

Estad stica Descriptiva


S ntesis de la informaci on . . . . . . . . . . . . . . . . . . . . . . . . . . 1. Rese na hist orica . . . . . . . . . . . . . . . . . . . . . . . . 2. La organizaci on de la informaci on . . . . . . . . . . . . . .

1
7 7 9

3. Representaciones gr acas . . . . . . . . . . . . . . . . . . . 15 4. Medidas centrales . . . . . . . . . . . . . . . . . . . . . . . 17

VIII

Indice general 5. Medidas de posici on . . . . . . . . . . . . . . . . . . . . . . 26 6. Medidas de dispersi on . . . . . . . . . . . . . . . . . . . . . 27 7. Desigualdad de Tchebychev . . . . . . . . . . . . . . . . . 31

8. Momentos de la distribuci on . . . . . . . . . . . . . . . . . 31 9. Medidas de forma . . . . . . . . . . . . . . . . . . . . . . . 33 10. Transformaciones . . . . . . . . . . . . . . . . . . . . . . . 36 11. An alisis exploratorio de datos . . . . . . . . . . . . . . . . 37 12. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 2 An alisis conjunto de variables . . . . . . . . . . . . . . . . . . . . . . 53 1. Distribuci on conjunta de dos caracteres . . . . . . . . . . . 53 2. Distribuciones marginales . . . . . . . . . . . . . . . . . . . 55 3. Distribuciones condicionadas . . . . . . . . . . . . . . . . . 55 4. Independencia . . . . . . . . . . . . . . . . . . . . . . . . . 60 5. Medidas de dependencia. Coecientes de relaci on . . . . . 61 6. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78 3 Ajuste y regresi on bidimensional. . . . . . . . . . . . . . . . . . . 89 1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . 89 2. Ajuste. Criterio de los m nimos cuadrados . . . . . . . . . 91

IX 3. An alisis de la bondad del ajuste . . . . . . . . . . . . . . . 97 4. Regresi on. M etodo de regresi on a la media . . . . . . . . . 100 5. An alisis de la bondad de la regresi on . . . . . . . . . . . . 102 6. Notas y conclusiones . . . . . . . . . . . . . . . . . . . . . 104 7. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105

B
4

Probabilidad

113

Teor a de la probabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . 117 1. Evoluci on hist orica . . . . . . . . . . . . . . . . . . . . . . 117 2. Conjuntos. Operaciones . . . . . . . . . . . . . . . . . . . . 120 3. Algebra de sucesos . . . . . . . . . . . . . . . . . . . . . . . 122 4. Distintas deniciones del concepto de probabilidad . . . . . 126 5. Propiedades de la funci on de probabilidad . . . . . . . . . 129 6. Probabilidad condicionada. Independencia . . . . . . . . . 131 7. Dependencia e independencia . . . . . . . . . . . . . . . . . 132 8. Teorema de la probabilidad total. Teorema de Bayes . . . . 133 9. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136

Variable aleatoria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145

Indice general 1. Concepto . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145 2. Variables discretas y continuas . . . . . . . . . . . . . . . . 146 3. Variables unidimensionales . . . . . . . . . . . . . . . . . . 147 4. Variables multidimensionales . . . . . . . . . . . . . . . . . 161 5. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173

Algunos modelos probabil sticos . . . . . . . . . . . . . . . . . . . 185 1. Distribuci on uniforme discreta . . . . . . . . . . . . . . . . 185 2. Experimento de Bernouilli . . . . . . . . . . . . . . . . . . 186 3. Distribuci on hipergeom etrica . . . . . . . . . . . . . . . . . 191 4. Proceso de Poisson . . . . . . . . . . . . . . . . . . . . . . 192 5. Distribuci on uniforme continua . . . . . . . . . . . . . . . . 195 6. Distribuci on normal . . . . . . . . . . . . . . . . . . . . . . 197 7. Relaci on entre binomial, Poisson y normal . . . . . . . . . 200 8. Teorema central del l mite . . . . . . . . . . . . . . . . . . 201 9. Distribuci on gamma . . . . . . . . . . . . . . . . . . . . . . 202 10. Distribuci on beta . . . . . . . . . . . . . . . . . . . . . . . 203 11. Distribuci on de Cauchy . . . . . . . . . . . . . . . . . . . 204 12. Distribuciones derivadas de la normal . . . . . . . . . . . 206

XI 13. Distribuci on de Laplace . . . . . . . . . . . . . . . . . . . 210 14. Distribuci on log stica . . . . . . . . . . . . . . . . . . . . 211

15. Distribuci on de Pareto . . . . . . . . . . . . . . . . . . . . 211 16. Algunos modelos multidimensionales . . . . . . . . . . . . 212 17. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . 215 A Combinatoria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225 1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . 225 2. Variaciones con repetici on . . . . . . . . . . . . . . . . . . 225 3. Variaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . 226 4. Permutaciones . . . . . . . . . . . . . . . . . . . . . . . . . 226 5. Permutaciones con repetici on . . . . . . . . . . . . . . . . . 226 6. Combinaciones sin repetici on . . . . . . . . . . . . . . . . . 227 7. Combinaciones con repetici on . . . . . . . . . . . . . . . . 228 8. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . 228 B C Tablas Estad sticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 233 Bibliograf a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255

Estad stica Descriptiva y Probabilidad


(Teor a y problemas) 3a Edici on Autores I. Espejo Miranda F. Fern andez Palac n M. A. L opez S anchez M. Mu noz M arquez A. M. Rodr guez Ch a A. S anchez Navas C. Valero Franco

c 2006 Universidad de C Copyright adiz. Se concede permiso para copiar, distribuir y/o modicar este documento bajo los t erminos de la Licencia de Documentaci on Libre de GNU, Versi on 1.2 o cualquier otra versi on posterior publicada por la Free Software Foundation. Una traducci on de la licencia est a incluida en la secci on titulada Licencia de Documentaci on Libre de GNU.

c 2006 Universidad de C Copyright adiz. Permission is granted to copy, distribute and/or modify this document under the terms of the GNU Free Documentation License, Version 1.2 or any later version published by the Free Software Foundation. A copy of the license is included in the section entitled GNU Free Documentation License.

Edita: Servicio de Publicaciones de la Universidad de C adiz C/ Dr. Mara n on, 3 11002 C adiz http://www.uca.es/publicaciones

ISBN: 978-84-9828-058-6 Dep osito legal:

Estad stica Descriptiva y Probabilidad. Teor a y Problemas (Revisi on: Febrero 2006) I. Espejo Miranda, F. Fern andez Palac n, M. A. L opez S anchez, M. Mu noz M arquez, A. M. Rodr guez Ch a, A. S anchez Navas, C Valero Franco c 2006 Servicio de Publicaciones de la Universidad de C adiz. Documento bajo Licencia de Documentaci on Libre de GNU (Versi on 1.2 o posterior). http://www.uca.es/teloydisren

Pr ologo
1. Introducci on

El objetivo principal que se persigue con este libro es el de ofrecer a los alumnos de titulaciones experimentales un manual estad stico b asico que, sin dejar de lado el rigor conceptual, proporcione una visi on pr actica e intuitiva de la estad stica descriptiva y el c alculo de probabilidades, campos b asicos y fundamentales de la ciencia estad stica. Los contenidos del manual Estad stica Descriptiva y Probabilidad se han organizado en dos partes, en la primera de ellas se estudia la estad stica descriptiva, dedic andose la segunda al c alculo de probabilidades. Los objetivos de cada una de las partes son esencialmente distintos, en efecto, mientras que la estad stica descriptiva tiene inter es por s misma, poniendo de maniesto los aspectos m as relevantes de un conjunto de datos; el c alculo de probabilidades, aunque pueden tener en ocasiones una utilidad terminal, generalmente, proporciona herramientas que se usar an para resolver problemas de inferencia estad stica. En cualquier caso, conviene remarcar que en un an alisis inferencial tambi en hay que hacer un estudio descriptivo de la muestra. A lo largo del libro se introducen los conceptos desde una perspectiva unidimensional para, a continuaci on, generalizarlos al caso de m as de una dimensi on. La importancia del estudio multidimensional se debe al hecho de considerar la existencia de posibles interacciones entre las distintas variables objeto de estudio. Esto no signica que se traten

XIV t ecnicas multivariantes, que ciertamente quedan fuera de los objetivos que se han marcado con la realizaci on de este manual; en cambio, s se hace una primera, aunque t mida, incursi on en el campo de la modelizaci on, con la inclusi on de un cap tulo sobre ajuste y regresi on. Cada uno de los cap tulos del libro comienza con una presentaci on del tipo de problema que se va a abordar, contin ua con la exposici on de los contenidos ilustrados con distintos ejemplos y, en ocasiones, acompa nados por alg un ejercicio que pretende profundizar en alguna cuesti on de inter es, para nalizar con ejercicios resueltos, que intenta globalizar los aspectos m as relevantes del cap tulo y una colecci on de ejercicios propuestos. En la parte nal del libro se incluyen dos ap endices, uno sobre Combinatoria y otro conteniendo las tablas de algunas de las distribuciones. Para aquellos estudiantes que necesiten en sus curriculas conocimientos de estad stica inferencial, los autores ofrecen en el manual titulado Inferencia Estad stica. Teor a y Problemas (Servicio de Publicaciones de la Universidad de C adiz, 2002) los contenidos correspondientes a esta parte fundamental de la Estad stica. En dicho manual, se abordan cuestiones relativas a Teor a de muestras, Estimaci on puntual, Estimaci on por intervalos, Contraste de hip otesis, incluyendo las alternativas No param etricas y An alisis de la varianza. El manual, al igual que el que nos ocupa, est a salpicado de ejemplos y ejercicios resueltos y, sin pretender ser un libro te orico, el lector que as lo desee puede encontrar respuestas fundamentadas a las cuestiones conceptuales que se van planteando. LOS AUTORES.

XV 2. History (Hist orico)

La primera versi on de este libro aparece durante el curso 90/91, en la antigua Escuela de Empresariales de C adiz, hoy Facultad de Ciencias Econ omicas y Empresariales, en modo de apuntes elaborados por F. Fern andez Palac n y A. S anchez Navas. Esta primera entrega inclu a contenidos gen ericos de una introducci on a la Estad stica, as como una serie de temas relacionados con aspectos econ omicos, en concreto N umeros ndices, Series temporales y Medidas de desigualdad. En el a no 1996, y en aras de ampliar su uso como herramienta de trabajo en otras titulaciones donde el departamento de Estad stica e Investigaci on Operativa tiene docencia, se ajustan los contenidos del manual y se reparten sus contenidos en dos librillos editados por la Copister a San Rafael: Estad stica Descriptiva Variable Aleatoria y Probabilidad, en cuya elaboraci on adem as de los citados autores interviene M. A. L opez S anchez.

Durante el a no 2000 estos manuales se someten a una amplia revisi on, se ampl an los contenidos y se refunden en un solo libro, publicado por el Servicio de Publicaciones de la Universidad de C adiz. Sus autores son F. Fern andez Palac n, M.A. L opez S anchez, M. Mu noz M arquez, A.M. Rodr guez Ch a, A. S anchez Navas y C. Valero Franco. Posteriormente, durante el a no 2003, se actualizan los contenidos incorpor andose entre los autores I. Espejo Miranda. En el a no 2005, tras una nueva revisi on, los autores deciden publicar el libro bajo licencia GNU Free Documentation License. Una versi on electr onica de este documento est a en:
http://www.uca.es/grupos-inv/FQM270.

Estad stica Descriptiva y Probabilidad


(Teor a y problemas) 3a Edici on Autores I. Espejo Miranda F. Fern andez Palac n M. A. L opez S anchez M. Mu noz M arquez A. M. Rodr guez Ch a A. S anchez Navas C. Valero Franco

c 2006 Universidad de C Copyright adiz. Se concede permiso para copiar, distribuir y/o modicar este documento bajo los t erminos de la Licencia de Documentaci on Libre de GNU, Versi on 1.2 o cualquier otra versi on posterior publicada por la Free Software Foundation. Una traducci on de la licencia est a incluida en la secci on titulada Licencia de Documentaci on Libre de GNU.

c 2006 Universidad de C Copyright adiz. Permission is granted to copy, distribute and/or modify this document under the terms of the GNU Free Documentation License, Version 1.2 or any later version published by the Free Software Foundation. A copy of the license is included in the section entitled GNU Free Documentation License.

Edita: Servicio de Publicaciones de la Universidad de C adiz C/ Dr. Mara n on, 3 11002 C adiz http://www.uca.es/publicaciones

ISBN: 978-84-9828-058-6 Dep osito legal:

Parte A

Estad stica Descriptiva

Estad stica Descriptiva y Probabilidad. Teor a y Problemas (Revisi on: Febrero 2006) I. Espejo Miranda, F. Fern andez Palac n, M. A. L opez S anchez, M. Mu noz M arquez, A. M. Rodr guez Ch a, A. S anchez Navas, C Valero Franco c 2006 Servicio de Publicaciones de la Universidad de C adiz. Documento bajo Licencia de Documentaci on Libre de GNU (Versi on 1.2 o posterior). http://www.uca.es/teloydisren

Introducci on a la estad stica descriptiva


La primera parte de este libro est a dedicada a la estad stica descriptiva. Atendiendo a lo que tradicionalmente se ha entendido por descriptiva se estar a hablando de un conjunto de herramientas, formado por coecientes y t ecnicas, que tratan de resumir la informaci on contenida en un conjunto de datos. Sin embargo, la estad stica descriptiva es mucho m as que eso, en realidad es una parte fundamental de cualquier an alisis estad stico complejo, en la que se empiezan a tomar decisiones que afectar an al conjunto de la investigaci on. Los coecientes descriptivos dar an informaci on sobre la estructura de la poblaci on que se estudia, indicando, por ejemplo, si esta es sim etrica, si realmente se trata de una u nica poblaci on o hay una superposici on de poblaciones, tambi en pueden detectarse valores extraordinariamente raros, etc. Desde otra optica, la mayor a de los coecientes descriptivos tendr an su hom ologo inferencial o poblacional, que necesariamente deber an ser estudiados a la luz de aquellos. Haciendo una peque na abstracci on muchos de los coecientes descriptivos, los m as importantes, se convierten en poblacionales al sustituir frecuencias por probabilidades. En resumen, el an alisis descriptivo es una parte inseparable de cualquier an alisis estad stico, que puede tener su continuidad con un an alisis inferencial cuando los datos que se manejan se corresponden con una muestra probabil stica extra da de una poblaci on. Esta primera parte del libro est a compuesta por tres cap tulos, el

4 Introducci on a la estad stica descriptiva primero de ellos aborda el problema unidimensional. Se trata de identicar la informaci on que se va a analizar, bien sean variables cuantitativas o de clase, procedi endose a organizarla en distribuciones de frecuencias. Se indica que la primera toma de contacto con las peculiaridades de una distribuci on se obtiene a trav es de sus representaciones gr acas y se da al menos una representaci on para cada uno de los tipos de datos que se manejan. Se calculan todos los coecientes tradicionales: medidas de centralizaci on, de posici on, de dispersi on y de forma; se obtienen los momentos respecto al origen y respecto a la media, indic andose que generalizan la mayor a de las medidas anteriores. Se introduce la desigualdad de Tchebychev, poni endose de maniesto la relaci on existente entre la varianza y la media aritm etica. Se estudian las transformaciones de variables, haciendo ver que el objetivo es conseguir distribuciones m as regulares, que sean comparables, m as sim etricas; entre todas las transformaciones se dedica especial atenci on a la normalizaci on o tipicaci on. Por u ltimo, se hace una breve incursi on en el an alisis exploratorio de datos, recurriendo a representaciones, como los diagramas de cajas, que resaltan las regularidades y las especicidades del conjunto de datos, entre las que cabe destacar la presencia de observaciones candidatas a ser valores extra nos o an omalos. El cap tulo segundo supone una generalizaci on al caso de que conjuntamente se tenga m as de una variable, vi endose con detenimiento el caso bivariable y destacando el hecho de la posible existencia de relaciones entre dichas variables. La existencia de dependencias merece una especial atenci on por las consecuencias que de ella se derivan en muchas t ecnicas estad sticas. Se introducen coecientes que expresar an el grado de relaci on entre las variables, distinguiendo los casos en que estas sean continuas, ordenadas o de clase; lo que conduce a denir medidas de correlaci on, concordancia y contingencia o asociaci on. En el u ltimo cap tulo de esta parte se aborda el problema del ajuste y la regresi on en el plano, lo que supone un primer acercamiento a la modelizaci on estad stica. El desarrollo del tema se hace planteando un modelo lineal, emple andose para la estimaci on de los par ametros el m etodo de los m nimos cuadrados. El an alisis de la bondad del ajuste se realiza a trav es del coeciente de determinaci on. El m etodo de la

5 regresi on a la media permite calibrar la calidad de los posibles ajustes a realizar. Tambi en se analizan algunas extensiones a los casos de modelos linealizables y polinomiales.

Estad stica Descriptiva y Probabilidad. Teor a y Problemas (Revisi on: Febrero 2006) I. Espejo Miranda, F. Fern andez Palac n, M. A. L opez S anchez, M. Mu noz M arquez, A. M. Rodr guez Ch a, A. S anchez Navas, C Valero Franco c 2006 Servicio de Publicaciones de la Universidad de C adiz. Documento bajo Licencia de Documentaci on Libre de GNU (Versi on 1.2 o posterior). http://www.uca.es/teloydisren

Cap tulo 1 S ntesis de la informaci on

1. 1.1.

Rese na hist orica Introducci on

Al acercarse a una ciencia es interesante indagar en sus ra ces hist oricas para obtener una visi on de su naturaleza y de sus objetivos como disciplina cient ca. El estudio de dichas ra ces permitir a entender el grado de desarrollo actual, la relaci on entre sus distintas partes, comprender su terminolog a -dado que el nombre de un coeciente, de una t ecnica, . . . suele estar asociado a su origen hist orico-, e incluso prever en que direcci on evolucionar a. En el caso de la Estad stica este estudio retrospectivo es particularmente rico en ense nanzas. A lo largo de los tiempos han sido muchas las concepciones que se le ha dado a la ciencia Estad stica, desde la que la ha entendido como un conjunto de t ecnicas aplicables a una serie de datos, hasta la que la ha concebido como un proceso de extrapolaci on de conclusiones de la muestra a la poblaci on. Actualmente, no puede entenderse la Estad stica como un conjunto de conceptos y expresiones matem aticas abstractas, olvidando las motivaciones hist oricas sobre las que se construy o y su actual papel esencial en cualquier tipo de investigaci on emp rica, tal y como destaca Kruskal en su Enciclopedia Internacional de Estad stica.

8 Cap tulo 1. S ntesis de la informaci on 1.2. Or genes de la estad stica descriptiva

Los or genes hist oricos de la Estad stica (descriptiva) hay que buscarlos en los procesos de recogida de datos, censos y registros sistem aticos, asumiendo un papel asimilable a una aritm etica estatal para asistir al gobernante, que necesitaba conocer la riqueza y el n umero de sus s ubditos con nes tributarios y pol ticos. Los primeros registros de riqueza y poblaci on que se conocen se deben a los egipcios. Rams es II en el 1400 a.C. realiz o el primer censo conocido de las tierras de Egipto, no siendo este, se supone, ni el primero ni el u ltimo que se hiciera en las tierras ba nadas por el Nilo. Posteriormente, desde el siglo III a.C., en las civilizaciones china y romana se llevan a cabo censos e inventarios de posesiones, que pueden considerarse precedentes institucionalizados de la recogida de datos demogr acos y econ omicos de los Estados Modernos. Hay que realizar una menci on especial del per odo hel enico, en el que las escuelas matem aticas se suceden. Centros como el de Quios, donde estudi o Hip ocrates (Hip ocrates de Quios) el matem atico, considerado como el inventor del m etodo matem atico y escuelas como las de Cirene, Megara y al nal Atenas, donde se reunen los matem aticos, unos alrededor de Prot agoras y otros en torno a S ocrates. En la Edad Media se vuelve a la utilizaci on de la Aritm etica para la recogida de datos, existiendo menos inter es por la elucubraci on matem atica abstracta. Es en este per odo de tiempo cuando Carlomagno orden o en su Capitulare de villis la creaci on de un registro de todos sus dominios y bienes privados. En el siglo XVII se producen avances sustanciales, y as , en las universidades alemanas se imparten ense nanzas de Aritm etica Pol tica, t ermino con el que se designa la descripci on num erica de hechos de inter es para la Administraci on P ublica. Destacados autores de Aritm etica Pol tica fueron los ingleses Graunt (1620-1674) y Petty (1623-1687).

1.2 La organizaci on de la informaci on 9 Con m etodos de estimaci on en los que cab a la conjetura, la experimentaci on y la deducci on, Graunt llega a estimar tasas de mortalidad para la poblaci on londinense, analizando adem as la verosimilitud de la informaci on de que dispon a. Por su parte, Petty, cuyas aportaciones estad sticas fueron menos relevantes, tiene el m erito -en opini on de Guti errez Cabria- de proponer la creaci on de un departamento de estad stica, en el que se reuniese informaci on no s olo de car acter demogr aco, sino tambi en sobre recaudaci on de impuestos, educaci on y comercio. Surge en esta epoca la conciencia de la necesidad de disponer de informaci on, conciencia que va tomando cuerpo a partir de la segunda mitad del siglo XVII en la mayor parte de las potencias europeas y americanas, consider andose como primera ocina de estad stica la instituida en Suecia en 1756. En Espa na, el inter es por las investigaciones estatales naci o con la preocupaci on de los Reyes Cat olicos por mejorar el estado de las Cosas P ublicas, estableci endose el primer censo del que se tiene referencia en 1482, elaborado por Alonso de Quintanilla. Durante el siglo XVIII se elaboraron censos como el de Ensenada en 1749 y el de Floridablanca en 1787, con una metodolog a con visos de modernidad. Los actuales censos de periodicidad decenal empezaron a elaborarse en 1860 a cargo de la Junta General de Estad stica. 2. La organizaci on de la informaci on

Los datos constituyen la materia prima de la Estad stica, pudi endose establecer distintas clasicaciones en funci on de la forma en que estos vengan dados. Se obtienen datos al realizar cualquier tipo de prueba, experimento, valoraci on, medici on, observaci on,. . . Este cap tulo tiene por nalidad la descripci on de un conjunto de datos, sin considerar que estos puedan pertenecer a un colectivo m as amplio y, por supuesto, sin la intenci on de proyectar los resultados que se obtengan al colectivo global; objeto esto u ltimo de lo que se conoce como Inferencia Estad stica.

10 Cap tulo 1. S ntesis de la informaci on 2.1. Variable y atributo

Se realiza una primera clasicaci on del tipo de datos en funci on de que las observaciones resultantes del experimento sean de tipo cualitativo o cuantitativo, en el primero de los casos se tiene un atributo y en el segundo una variable. Para hacer referencia gen ericamente a una variable o a un atributo se utilizar a el t ermino car acter. Ejemplo 1.1 Como ejemplos de atributos pueden considerarse el color del pelo de un colectivo de personas, su raza o el idioma que hablan y como variables su estatura, peso o edad.

Para poder operar con un atributo es necesario asignar a cada una de sus clases un valor num erico, con lo que se transforma en una variable, esta asignaci on se har a de forma que los resultados que se obtengan al nal del estudio sean f acilmente interpretables. Ejercicio 1.1 Clasique los siguientes datos seg un sean variables o atributos: a) El color de ojos de un grupo de 20 personas. b) La nacionalidad de un conjunto de individuos. c) Las dioptr as de un grupo de personas miopes. d) Los matices de color de un cuadro impresionista. e) Las dianas que consigue un arquero sobre un total de 100 intentos.

2.2.

Variables discretas y continuas

Dentro del conjunto de las variables se distingue entre discretas y continuas. Se dice que una variable es discreta cuando entre dos valores consecutivos no toma valores intermedios y que es continua cuando puede tomar cualquier valor dentro de un intervalo.

1.2 La organizaci on de la informaci on 11 Ejemplo 1.2 La estatura de un grupo de personas ser a una variable continua, mientras que el n umero de cabellos que tienen en la cabeza ser a una variable discreta.

En la pr actica todas las variables son discretas debido a la limitaci on de los aparatos de medida, y as , en el ejemplo de las estaturas, quiz as se podr a detectar una diferencia de una cienmil esima de metro, o a lo m as, de una millon esima, pero dados dos individuos que se diferencien en una millon esima no puede detectarse otro que tenga una estatura intermedia. De todas formas, en general se trata a las variables te oricamente continuas como tales, por razones que se pondr an de maniesto m as adelante. Ejercicio 1.2 Indique cu ales de las siguientes variables son continuas y cu ales discretas: a) El n umero de mol eculas de agua de un pantano. b) La edad exacta de un grupo de 50 ni nos. c) La distancia por carretera entre las capitales de provincia peninsulares espa nolas. d) La distancia al centro de la diana de las echas lanzadas por un arquero. e) El n umero de docenas de huevos que se recolecta al d a en una granja de gallinas.

Si la ocasi on lo requiere se tiene la posibilidad de transformar una variable discreta en continua o viceversa. Para transformar una variable discreta en continua, una vez ordenados los valores, se asigna a cada uno de ellos un intervalo que tenga por extremos el punto medio respecto al valor anterior y el punto medio respecto al valor siguiente. Esta operaci on tiene inter es, por ejemplo, en la aproximaci on de distribuciones discretas a continuas, como se tendr a la oportunidad de comprobar en la segunda parte de este manual. Para transformar una variable continua en discreta basta con hacer corresponder a cada uno de los intervalos su punto medio o marca de clase.

12 Cap tulo 1. S ntesis de la informaci on Ejercicio 1.3 Transforme la variable continua que toma valores en los intervalos (0, 2], (2, 3], (3, 6], (6, 10], (10, 15] en variable discreta.

2.3.

Clasicaci on de las series estad sticas

Adem as de por su naturaleza, se pueden realizar distintas clasicaciones del conjunto de los datos o serie estad stica. 1. Por su n umero a ) Finitas. Las que tienen un n umero nito de elementos. b ) Innitas. Cuando tienen innitos elementos. 2. Por su obtenci on a ) Objetivas. Obtenidas con m etodos exactos de medici on. b ) Subjetivas. Obtenidas mediante apreciaciones personales. 3. Por su dimensi on a ) Unidimensionales: x1 , x2 , x3 , , xn . b ) Bidimensionales: (x1 , y1 ), (x2 , y2 ), , (xn , yn ).

1 1 r r r c ) n-dimensionales: (x1 1 , x2 , , xn ), , (x1 , x2 , , xn ).

4. Por su dependencia temporal a ) Temporales. Los valores se toman en instantes o per odos de tiempo. b ) Atemporales. No dependen de ning un soporte temporal. 2.4. Distribuci on de datos

La organizaci on de los datos constituye la primera etapa de su tratamiento, pues, facilita los c alculos posteriores y evita posibles confusiones. Realmente, la organizaci on de la informaci on tiene una raiz hist orica y aunque actualmente con el desarrollo de los medios inform aticos deja de tener importancia desde un punto de vista aplicado, desde

1.2 La organizaci on de la informaci on 13 la perspectiva de la ense nanza de la Estad stica tiene un gran valor conceptual. La organizaci on va a depender del n umero de observaciones distintas que se tengan y de las veces que se repitan cada una de ellas. En base a lo anterior se pueden estructurar los datos de tres maneras distintas:

1. Tipo I: Cuando se tiene un n umero peque no de observaciones casi todas distintas, estas se dar an por extensi on. Ejemplo 1.3 En la serie: 2, 3, 5, 7, 7, 8, 11, 14, 16, 19, el 7 se repite dos veces y el resto de los valores est a presente una vez. 2. Tipo II: Cuando se tiene un gran n umero de observaciones pero muy pocas distintas, se organizan en una tabla de frecuencias, es decir, cada uno de los valores acompa nado de la frecuencia con la que se presenta. Ejemplo 1.4 La tabla Valor 2 4 5 6 7 8 9 Frecuencia 4 4 3 2 3 3 1

indica que el valor 2 se repite 4 veces, el valor 4 se repite 4 veces, etc.. . . 3. Tipo III: En el caso de que haya muchas observaciones, la mayor a de ellas distintas, pueden disponerse agrup andolas en intervalos e indicando el n umero de observaciones que caen dentro de cada intervalo.

14 Cap tulo 1. S ntesis de la informaci on Ejemplo 1.5 La tabla Intervalo (2,3] (3,7] (7,12] (12,21] (21,25] (25,30] (30,50] Frecuencia 4 6 12 8 6 4 3

nos dice que en el intervalo (2, 3] hay 4 observaciones, que en el (3, 7] hay 6, etc. . . En cualquiera de los tres casos o tipos se tiene una distribuci on de frecuencias. A la variable que representa a la distribuci on se le llama gen ericamente X, a cada uno de los valores que toma la variable se le denota por xi , y a la frecuencia con que toma dicho valor por ni . Para evitar confusiones es aconsejable ordenar los valores de la variable de menor a mayor. Los valores ordenados de una distribuci on se presentan con los sub ndices entre par entesis: x(1) , x(2) , , x(n)

de tal forma que siempre se verica que x(i) x(i+1) . Para efectuar c alculos, sea cu al sea el tipo de distribuci on, se disponen los datos de la siguiente forma: xi ni Ni x1 n1 N1 x2 n2 N2 . . . . . . . . . xr nk Nr = n Donde: n representa al n umero total de observaciones y ser a igual a
r i=1

fi f1 f2 . . .

Fi F1 F2 . . .

fr Fr = 1

ni

1.3 Representaciones gr acas 15 fi es la frecuencia relativa, denida como


ni n i j =1 i j =1

Ni es la frecuencia absoluta acumulada, que se obtiene como

nj

Fi es la frecuencia relativa acumulada, que viene dada por

fj

Observe que si la distribuci on es de tipo I cada una de las frecuencias absolutas es igual a 1, y si la distribuci on es de tipo III los valores xi representan a las marcas de clase o puntos medios de los intervalos1 . 3. Representaciones gr acas

En funci on de la naturaleza de los datos y de la forma en que estos se presenten existen distintos tipos de representaciones. Se muestran aqu las m as interesantes. 1. El diagrama de tarta se emplea para representar atributos. Ejemplo 1.6 En una votaci on entre cuatro candidatos a representante de una comunidad se han obtenido los siguientes resultados: Candidato A B C D N umero de votos 287 315 275 189

La representaci on gr aca mediante un diagrama de tarta ser a la que se muestra en la gura 1.1. 2. Una distribuci on dada por extensi on, se representa mediante un diagrama de puntos.
1

Dado el intervalo (Li , Li+1 ), la marca de clase viene dada por xi =

Li +Li+1 2

16 Cap tulo 1. S ntesis de la informaci on

Figura 1.1: Diagrama de tarta Ejemplo 1.7 En un estudio sobre el peso y la estatura de un grupo de siete estudiantes se han obtenido las siguientes mediciones: (73, 1 87), (67, 1 75), (75, 1 80), (66, 1 67), (80, 1 95), (64, 1 78), (83, 1 77). La representaci on gr aca mediante un diagrama de puntos es la que se muestra en la gura 1.2. A dicha representaci on se le suele denominar nube de puntos o diagrama de dispersi on; se estudiar a m as a fondo en el cap tulo 2.

3. Para representar una distribuci on del tipo II, se utiliza un diagrama de barras: Ejemplo 1.8 La representaci on de la distribuci on del ejemplo 1.4 es la que se muestra en la gura 1.3. 4. Por u ltimo, si se tiene una distribuci on del tipo III, se utiliza un histograma: Ejemplo 1.9 El histograma correspondiente a la distribuci on del ejemplo 1.5 es el de la gura 1.4. Observe que el efecto que produce el histograma es el de relacionar el n umero de observaciones con el area dentro de cada rect angulo, por lo que si estos tienen la misma base, es decir, si los intervalos son de la misma amplitud, basta con construir rect angulos con base los intervalos y altura las frecuencias asociadas a ellos. En

1.4 Medidas centrales 17

Figura 1.2: Diagrama de puntos cambio, si las bases son distintas, o lo que es lo mismo, si los intervalos son de distinta amplitud, y se emplea el criterio anterior de asignaci on de alturas, se producir a una distorsi on optica. Por ello, en estos casos en vez de utilizar la frecuencia como altura de los rect angulos se utiliza la denominada altura del histograma o i densidad de observaciones en el intervalo, denida como hi = n ai , donde ai es la amplitud del intervalo correspondiente.

4.

Medidas centrales

Una vez organizados los datos en su correspondiente distribuci on de frecuencias, se procede a dar una serie de medidas que resuman toda esa informaci on y que, de alguna manera, representen a la distribuci on. 4.1. La media

La media es una medida de representaci on central que necesariamente debe cumplir tres requisitos:

18 Cap tulo 1. S ntesis de la informaci on

Figura 1.3: Diagrama de barras 1. Para su obtenci on deben utilizarse todas las observaciones. 2. Debe ser un valor comprendido entre el menor y el mayor de los valores de la distribuci on. 3. Debe venir expresada en la misma unidad que los datos.

Entre todas las funciones que verican estas tres propiedades se destaca la media aritm etica, a partir de ahora media simplemente, que se dene de la siguiente manera:
r i=1

xi ni .

x =

Donde las xi representan, seg un el caso, a los valores de la variable o a las marcas de clase de los intervalos. Ejemplo 1.10 La media de la distribuci on del ejemplo 1.4 viene dada por: x = = 2 4 + 4 4 + 5 3 + + 9 1 4 + 4 + 3 + + 1 105 = 5 25. 20

1.4 Medidas centrales 19

Figura 1.4: Histograma Con el mismo esquema tambi en se puede denir la media geom etrica como: nk 1 n2 x g = n xn 1 x2 . . . xr . Ejemplo 1.11 La media geom etrica de la distribuci on del ejemplo 1.3 se obtendr a como: 10 x g = 2 3 5 72 . . . 19 = 7 483.

Cuando se tiene que hacer un promedio de un grupo de razones se utiliza la media arm onica, denida como: n x a = k . ni
i=1

xi

Ejemplo 1.12 La media arm onica de la distribuci on del ejemplo 1.4 se obtendr a como: x a =
4 2

4 4

20 +3 5 + +

1 9

= 4 125.

20 Cap tulo 1. S ntesis de la informaci on Otra media que tiene inter es pr actico es la media ponderada. Esta consiste en asignar a cada valor xi un peso wi que depende de la importancia relativa de cada uno de estos valores bajo alg un criterio. Su expresi on responde a: r ni wi xi x p =
i=1 r i=1

ni wi

Ejemplo 1.13 Para superar la asignatura de estad stica, un alumno debe ser evaluado en distintas pruebas referentes a la misma: test, problemas y pr actica, cada una de ellas ponderada seg un su importancia o contribuci on en la nota nal. As , los pesos de cada prueba ser an del 30 %, 50 % y 20 % respectivamente. Sabiendo que las notas obtenidas por el alumno en cada prueba son 7, 3 y 5 respectivamente, cu al es la nota global en la asignatura? x p = = 7 30 + 3 50 + 5 20 30 + 50 + 20 460 = 4 6. 100

Propiedades de la media. Se analizan a continuaci on una serie de propiedades de la media que hacen de esta una medida optima de representaci on. 1. La suma de las desviaciones de los valores de la distribuci on respecto a la media es igual a cero, es decir:
r i=1

(xi x )ni = 0.

2. Si a cada observaci on de una distribuci on X se le suma una constante k (traslaci on), se tiene una nueva variable Y = X + k con media igual a la de X m as la constante k .

1.4 Medidas centrales 21 3. Si se multiplica una variable X por una constante k (homotecia), la variable resultante Y = kX tendr a media igual a k por la media de X . Estas dos propiedades se pueden resumir en la siguiente: Y = aX + b y = ax + b.

4. La media es el valor que hace m nima la expresi on:


r i=1

(xi )2 ni .

Precisamente ese m nimo ser a la varianza de X , medida de dispersi on que se estudia m as adelante. Por otra parte, se comprobar a que esta propiedad de la media garantiza su bondad como medida de representaci on. Ejercicio 1.4 4.2. Demuestre las propiedades anteriores.

La mediana

La mediana es un valor que, previa ordenaci on, deja la mitad de las observaciones en la recta real a la izquierda y la otra mitad a la derecha. Es decir, el 50 % de los datos son menores o iguales que la mediana y el otro 50 % mayores o iguales a esta. Para su c alculo y suponiendo que los valores est an ordenados se procede de la siguiente manera:

1. Si los datos vienen dados por extensi on, y hay un n umero impar de ellos la mediana es el elemento que se encuentra en el centro, es decir x( n+1 ) . Si el n umero de datos fuera par habr a dos elementos 2 centrales y la mediana se obtendr a como la media de ambos, es decir: x( n ) + x( n +1) 2 Me = 2 . 2

22 Cap tulo 1. S ntesis de la informaci on Ejemplo 1.14 La mediana de la distribuci on del ejemplo 1.3 se obtendr a como: x(5) + x(6) 7+8 Me = = = 7 5. 2 2 2. A partir de una distribuci on de tipo II ordenada, se construye la columna de frecuencias absolutas acumuladas, se obtiene el valor de n andose por la columna de Ni hasta detectar la primera 2 , desliz frecuencia mayor o igual que n 2 ; si dicha frecuencia es estrictamente n mayor que 2 la mediana toma el valor de la observaci on que la ostenta, si por el contrario n coincide con alg u n N la mediana i 2 xi +xi+1 vale . 2 Ejemplo 1.15 Para calcular la mediana en la distribuci on del ejemplo 1.4 se obtiene n que es igual a 2 10, construyendo la columna de frecuencias acumuladas: xi ni Ni 2 4 4 4 4 8 5 3 11 6 2 13 7 3 16 8 3 19 9 1 20 Puesto que N2 < 10 y N3 > 10 entonces Me = 5. 3. Por u ltimo, si la distribuci on viene agrupada en intervalos, se construye tambi en la columna de Ni para jar el intervalo donde se halla la mediana, este queda determinado porque es el primero que verica que la frecuencia acumulada del intervalo es mayor o igual que n 2 . Una vez jado el intervalo, la mediana adopta la siguiente expresi on: Me = Li1 +
n 2

Ni1 ai ni

donde Li1 es el extremo inferior del intervalo y ai su amplitud.

1.4 Medidas centrales 23


Ejemplo 1.16 En la distribuci on del ejemplo 1.5, n 2 = 21 5. La tabla de frecuencias acumuladas que se obtiene es:

(Li1 , Li ] ni Ni (2, 3] 4 4 (3, 7] 6 10 (7, 12] 12 22 (12, 21] 8 30 (21, 25] 6 36 (25, 30] 4 40 (30, 50] 3 43 Por tanto: Me = 7 + Ejercicio 1.5 21 5 10 5 = 11 79. 12

Demuestre que la mediana es el valor que hace m nima la expresi on:


r i=1

|xi |ni .

4.3.

Las modas

La moda absoluta de una distribuci on es el valor que m as veces se repite. Adem as de la moda absoluta, aquellos valores que tengan frecuencia mayor a la de los valores adyacentes ser an modas relativas. Las modas se pueden obtener f acilmente cuando los datos vienen dados en forma puntual. Ejemplo 1.17 En la distribuci on 2, 3, 3, 4, 6, 7, 7, 7, 10, la moda absoluta es 7, puesto que es el valor que se repite m as veces, concretamente 3. Adem as, el 3 es una moda relativa, puesto que su frecuencia es 2, superior a la de los valores 2 y 4, ambas iguales a 1.

24 Cap tulo 1. S ntesis de la informaci on Si las observaciones vienen agrupadas en intervalos hay que distinguir dos casos: 1. Intervalos de igual amplitud. En este caso se ja el intervalo que tenga mayor frecuencia intervalo modal absoluto y aquellos con frecuencia superior a la de los intervalos adyacentes intervalos modales relativos. Dentro de cada intervalo modal la moda corresponde al valor: ni+1 Mo = Li1 + ai . ni+1 + ni1 Ejemplo 1.18 En la distribuci on que sigue, el intervalo modal absoluto es el (4, 5], adem as se tiene un intervalo modal relativo, el (6, 7]. (Li1 , Li ] ni (2, 3] 2 (3, 4] 3 (4, 5] 7 (5, 6] 3 (6, 7] 6 (7, 8] 5 (8, 9] 3 La moda absoluta ser a: 3 Mo = 4 + 1 = 4 5. 3+3 Y la moda relativa: 5 Mo = 6 + 1 = 6 625. 5+3 2. Intervalos de distinta amplitud. En este caso el intervalo modal absoluto ser a aquel que tenga mayor altura de histograma, hi , con id entica discusi on que antes para las modas relativas. La expresi on de la moda viene dada por: Mo = Li1 + hi+1 ai . hi1 + hi+1

1.4 Medidas centrales 25 Ejemplo 1.19 Para la distribuci on que sigue: (Li1 , Li ] ni hi (2, 3] 1 1 (3, 7] 6 1 5 (7, 9] 12 6 (9, 14] 8 1 6 (14, 20] 6 1 (20, 30] 4 0 4 El intervalo modal, s olo existe uno, es (7, 9], con lo que la moda vale: Mo = 7 + 1 6 2 = 8 032. 1 6 + 1 5

Para terminar este ep grafe observe que cuando las distribuciones son de intervalos los c alculos puntuales de la mediana y la moda utilizan criterios de ponderaci on que suponen, como no puede ser de otra manera, la disposici on uniforme de las observaciones dentro de los intervalos. 4.4. Comparaci on entre media, moda y mediana

Salvo en casos muy espec cos, la media es la mejor de las medidas de representaci on, pues la moda es bastante inestable y un peque no cambio en las observaciones puede afectarle mucho, mientras que la mediana es insensible al tama no de los datos, permaneciendo constante si, por ejemplo, se altera arbitrariamente y en cierto sentido las observaciones extremas. Por otra parte, si se dispone de las modas y medianas de dos distribuciones hay que conocer cada uno de los datos de estas para calcular la moda y mediana de la distribuci on conjunta. La media por el contrario es sensible a las alteraciones de los datos, al tama no de estos y si se conocen las medias de dos conjuntos de datos, basta con saber los tama nos de ambos grupos para calcular la media global. Ejercicio 1.6 Calcule la media, mediana y moda de la distribuci on: 1, 2, 4, 7, 9, 9, 9, 11, 13, 14, 17, 21, 34

26 Cap tulo 1. S ntesis de la informaci on Obtenga de nuevo dichas medidas para la distribuci on a la que se ha a nadido los valores 1 y 47. Comente los resultados en lo que se reere a la estabilidad de las medidas obtenidas. 5. Medidas de posici on

Se llaman medidas de posici on o cuantiles de orden k a aquellas que dividen a la distribuci on en k partes, de tal forma que en cada una de esas partes haya el mismo n umero de elementos2 . De entre todas las medidas de posici on destacan los cuartiles, los deciles y los percentiles. Los cuartiles dividen a la distribuci on en cuatro partes iguales, los deciles en diez y los percentiles en cien. Habr a, por tanto, tres cuartiles (Q1 , Q2 , Q3 ), nueve deciles (D1 , D2 , , D9 ) y, noventa y nueve percentiles (P1 , P2 , , P99 ). El segundo cuartil, el quinto decil y el quincuag esimo percentil son iguales y coinciden con la mediana. En distribuciones puntuales el c alculo es id entico al de la mediana, siendo ahora rn k el valor de discusi on. En distribuciones por intevalos la forma general de c alculo para un cuantil, al que se denota por C rn , k = 4 , 10 , 100 , . . . , es la k siguiente: rn k Ni1 C rn = L + ai . i 1 k ni Siendo el intervalo i- esimo el primero que verica Ni rn k . Ejemplo 1.20 En la distribuci on: (Li1 , Li ] ni Ni (2, 3] 4 4 (3, 7] 6 10 (7, 12] 12 22 P35 (12, 21] 8 30 (21, 25] 6 36 Q3 (25, 30] 4 40 (30, 50] 3 43
43 El Q3 se obtendr a calculando 34 = 32 5. La primera frecuencia acumulada mayor que 32 5 corres-

La mediana es un caso particular de cuantil, que divide la distribuci on en dos partes iguales.

1.6 Medidas de dispersi on 27 ponde al intervalo (21, 25], por lo que: Q3 = 21 + 32 5 30 4 = 22 66. 6

43 Para calcular el P35 se obtiene 35 100 = 15 05. El intervalo donde se encuentra el percentil buscado es el (7, 12] y, por tanto:

P35 = 7 +

15 05 10 5 = 9 10. 12

6.

Medidas de dispersi on

A continuaci on se estudian una serie de medidas que por una parte indicar an el nivel de concentraci on de los datos que se est an analizando y por otra informar an sobre la bondad de los promedios calculados como representantes del conjunto de datos. 6.1. Varianza y desviaci on t pica

La varianza y su ra z cuadrada positiva, la desviaci on t pica, son las m as importantes medidas de dispersi on, estando ntimamente ligadas a la media como medida de representaci on de esta. La varianza viene dada por la expresi on:
r (xi x )2 ni i=1

S2 =

Y la desviaci on t pica es, por tanto, S = + S 2 . El dar dos expresiones para un mismo concepto se explica porque la varianza es un t ermino de m as f acil manejo, mientras que la desviaci on t pica viene dada en la misma unidad que la variable. Tanto una como la otra son siempre positivas y valen cero s olo en el caso de que todos los valores coincidan con la media (representatividad absoluta de la media).

28 Cap tulo 1. S ntesis de la informaci on Ejemplo 1.21 Dada la distribuci on: (Li1 , Li ] (2, 2] (2, 4] (4, 8] (8, 12] (12, 20] (20, 24] (24, 30] (30, 40] xi ni 0 1 3 3 6 6 10 13 16 8 22 6 27 5 35 3

Cuya media vale 15, se calcula la varianza y la desviaci on t pica como: S2 =


(015)2 1++(3515)2 3 45

= 82

S=

82 = 9 055.

Propiedades de la varianza 1. Si se le suma una constante a una variable, la varianza de la nueva variable no cambia. 2. Si se multiplica una variable por una constante, la varianza de la nueva variable es igual a la de la antigua multiplicada por la constante al cuadrado. Estas dos propiedades pueden resumirse en la siguiente expresi on:

Y = aX + b Ejercicio 1.7

2 2 SY = a2 SX .

Demuestre las propiedades anteriores.

1.6 Medidas de dispersi on 29 Ejemplo 1.22 Dada la variable X con media x = 12 y desviaci on t pica SX = 9, la variable Y = 3X 4 tendr a de media y desviaci on t pica: y = 3 x 4 = 3 12 4 = 32 SY = 32 SX = 9 9 = 27. 6.2. Otras medidas de dispersi on

6.2.1. El recorrido y el rango Se dene el primero como la diferencia entre el mayor y el menor de los valores y el segundo como el intervalo cuyos extremos son el m nimo y el m aximo de la distribuci on. Tienen la ventaja de que son f aciles de calcular, aunque cuando hay valores aislados en las puntas de la distribuci on dan una visi on distorsionada de la dispersi on de esta. Ejemplo 1.23 En la distribuci on del ejemplo 1.4 el recorrido vale 7, mientras que el rango es [2, 9]. 6.2.2. La desviaci on absoluta La desviaci on absoluta respecto a la media, est a denida por:
r i=1

Dm =

|xi x |ni n

Tambi en puede denirse respecto a la mediana, siendo esta el valor que minimiza dicha expresi on. 6.2.3. Recorrido intercuart lico Viene dado por: Es una medida adecuada para el caso en que se desee que determinadas observaciones extremas no intervengan, evit andose, de este modo, una RI = Q3 Q1 .

30 Cap tulo 1. S ntesis de la informaci on visi on sesgada de la variabilidad de la distribuci on. Como inconveniente principal tiene que en su confecci on s olo intervienen el 50 % de los valores centrales. Las expresiones que se acaban de ver expresan la dispersi on de la distribuci on en t erminos absolutos, se precisa denir a partir de ellas, otras que hagan posible la comparaci on entre varias variables y que tengan en cuenta el tama no de las observaciones. Obs ervese que la distribuci on formada por los elementos {01, 02, 03, 04, 05} y la que constituyen {10001, 10002, 10003, 10004, 10005} tienen la misma varianza y, sin embargo, es evidente que en el primero de los casos los elementos est an muy dispersos y en el segundo bastante concentrados, esto es consecuencia de la primera de las propiedades de la varianza. Para evitar estas situaciones se estudia la siguiente medida. 6.3. Coeciente de variaci on

Se dene como el cociente entre la desviaci on t pica y el valor absoluto de la media. Se trata de una medida adimensional, tiene en cuenta el rango de valores en el que se mueve, permite comparar la dispersi on de varias distribuciones, es invariante respecto a homotecias y sensible frente a traslaciones. Adem as de lo anterior, el coeciente de variaci on da informaci on sobre la representatividad de la media; y aunque no hay valores jos de comparaci on, pues depende de circunstancias tales como el n umero de observaciones, se puede considerar, a efectos pr acticos, una cota de 0 5 como l mite para admitir que la media representa aceptablemente al conjunto de la distribuci on. Ejemplo 1.24 En el caso del ejemplo 1.21 se tiene que:

CV =

S 9 055 = = 0 60. |x | 15

Lo que implica que la media no representa en modo alguno al conjunto de la distribuci on.

1.7 Desigualdad de Tchebychev 31 6.4. Recorrido semiintercuart lico respecto a la mediana Viene dado por: RSI = Q3 Q1 Me

que al igual que la anterior es una medida adimensional, con las ventajas e inconvenientes mencionados para el recorrido intercuart lico. 7. Desigualdad de Tchebychev

Esta desigualdad relaciona a la media y a la varianza y tiene la expresi on: 1 f (|xi x | aS ) 1 2 , a > 1. a Que justica el caracter de medida de dispersi on de la varianza. As , en un intervalo de centro la media y radio 4 veces la desviaci on t pica se encuentra, al menos, el 9375 por ciento de la distribuci on.

Observaci on 1.1 La desigualdad de Tchebychev proporciona una cota inferior para el porcentaje de observaciones en un determinado intervalo con centro la media de la distribuci on. Ejemplo 1.25 Dada una distribuci on con media, x = 25, y desviaci on t pica, S = 4, el intervalo [ x 3S, x + 3S ] = [13, 37] garantiza la presencia en su interior de, al menos, el 88 88 % de la distribuci on. 8. Momentos de la distribuci on

Las medidas que se han visto hasta el momento presentan visiones parciales de la distribuci on, se pretende dar ahora una herramienta ecaz que generalice esa idea, de tal forma que la mayor a de las caracter sticas se puedan expresar utilizando dicha herramienta. As , se hace referencia a los momentos de la distribuci on.

32 Cap tulo 1. S ntesis de la informaci on 8.1. Momentos respecto al origen Se dene el momento de orden k respecto al origen como:
r i=1

xk i ni n .

ak =

Es evidente que a0 es igual a 1 y que a1 es igual a la media. 8.2. Momentos respecto a la media El momento de orden k respecto a la media viene dado por:
r (xi x )k ni i=1

mk =

Se puede comprobar que m0 es igual a 1, que m1 es cero y que m2 es la varianza. Es posible expresar los momentos respecto a la media en funci on de los momentos respecto al origen. Ejercicio 1.8 Demuestre que: a) m2 = S 2 = a2 a2 1 y que: b) m3 = a3 3a2 a1 + 2a3 1.

Ejemplo 1.26 En el ejemplo 1.21 el c alculo de la varianza se podr a haber hecho, utilizando la f ormula anterior, de la siguiente manera: S2 = x 2 n i=1 2 2 + + 352 3 152 = 0 1 + 3 345 = 82.
r x2 ni i

1.9 Medidas de forma 33 9. Medidas de forma

Este ep grafe y el siguiente se detienen a analizar la forma de la distribuci on, tratando a la variable desde un enfoque distinto al seguido hasta ahora, en primer lugar se examina la simetr a y a continuaci on el apuntamiento. 9.1. Simetr a

Los coecientes de simetr a indicar an si la distribuci on es sim etrica y, caso de no serlo, el tama no y la tendencia de su asimetr a. Para ello, se distinguen dos tipos de distribuciones, las que tienen forma de campana y las que no la tienen, emple andose expresiones alternativas para su c alculo. 1. Si la distribuci on tiene forma de campana se utiliza la expresi on: As = x Mo . S

De tal forma que cuando As es igual a cero la distribuci on es sim etrica, si es menor, asim etrica negativa o tendida a la derecha, y si es mayor, asim etrica positiva o tendida a la izquierda. Ejemplo 1.27 Dada la distribuci on campaniforme: (Li , Li+1 ] xi ni hi (2, 4] 3 2 1 (4, 8] 6 6 1 5 (8, 12] 10 12 3 (12, 20] 16 12 1 5 (20, 24] 22 3 0 75 Donde x = 12, S = 5 12 y Mo = 10, ocurre que: As = 12 10 = 0 39. 5 12

La representaci on gr aca de la distribuci on viene dada en la gura 1.5.

34 Cap tulo 1. S ntesis de la informaci on

Figura 1.5: Histograma Con lo que la distribuci on est a, como puede observarse en el gr aco, inclinada, levemente, a la izquierda. 2. Si la distribuci on no tiene forma de campana o se desconoce este hecho se calcula la simetr a mediante el coeciente: g1 = m3 . S3

Siendo la discusi on igual a la del caso anterior. Observe que cuando la distribuci on es sim etrica coinciden la media y la mediana, y que si adem as tiene forma de campana ambas son iguales a la moda.

9.2.

Curtosis

El grado de apuntamiento de una distribuci on se examina a trav es del coeciente de curtosis, para lo cual se compara con la distribuci on Normal tipicada o N (0, 1) que se trata en el cap tulo 5 (gura 1.6).

1.9 Medidas de forma 35 Se puede adelantar, no obstante, que tiene forma de campana y que su estructura probabil stica viene dada por la expresi on:
x2 1 f (x) = e 2 . 2

Figura 1.6: Funci on de densidad N (0, 1) El coeciente de curtosis toma la expresi on: g2 = m4 . S4

Cuando dicho coeciente vale 3 coincide con el de la N (0, 1) y se dice que la distribuci on es mesoc urtica, si es menor que 3 platic urtica y si es mayor que 3 leptoc urtica. Ejemplo 1.28 En la distribuci on de frecuencias: Valor 2 4 5 6 7 8 9 Frecuencia 5 4 3 2 2 3 1

claramente no campaniforme, se tiene que: n = 20, x = 5, S = 2 258, m3 = 1 2 y m4 = 47 1 por lo que

36 Cap tulo 1. S ntesis de la informaci on el coeciente de asimetr a vendr a dado por: g1 = m3 1 2 = = 0 104. S3 11 51

Lo que implicar a que la distribuci on est a lev simamente inclinada hacia la izquierda. Por lo que respecta al coeciente de curtosis: g2 = m4 47 1 = = 1 81. S4 25 99

Trat andose, por consiguiente, de una distribuci on claramente aplastada o platic urtica. 10. Transformaciones

A veces se tiene el inconveniente de que la distribuci on que se estudia presenta muchas irregularidades, como asimetr as acentuadas, valores extremos, etc. . . , en otras ocasiones se debe comparar la posici on de dos elementos que pertenecen a poblaciones con caracter sticas distintas o del mismo elemento en situaciones distintas. En estos casos es recomendable efectuar una transformaci on que haga m as regular la distribuci on y, por tanto, con mejores condiciones para su estudio. Particular importancia tiene la tipicaci on de una variable. 10.1. Normalizaci on o tipicaci on Dada una variable X con media x y desviaci on t pica S , la tipicaci on consiste en realizar la siguiente transformaci on: Z= X x . S

A la nueva variable Z se le llama variable normalizada o tipicada y tiene media 0 y desviaci on t pica 1. Haciendo un s mil, la media y la desviaci on t pica de una variable pueden considerarse como el centro de gravedad de la distribuci on y su escala, respectivamente, por lo que al tipicar distintas variables las centramos en el mismo punto y las

1.11 An alisis exploratorio de datos 37 dotamos de la misma escala; adem as, los valores tipicados pierden la unidad de la variable. Por lo anterior, la tipicaci on tiene la propiedad de hacer comparables individuos que pertenezcan a distintas distribuciones, a un en el caso de que estas vinieran expresadas en diferentes unidades. Ejemplo 1.29 Dos trabajadores del mismo sector ganan 620e y 672e, respectivamente. El primero pertenece a la empresa A, cuya retribuci on media y desviaci on t pica vienen dados por: x A = 580e y SxA = 25e, mientras que para la empresa del segundo trabajador se tiene: x B = 640e y SxB = 33e. Tanto uno como el otro ganan salarios por encima de la media, por lo que si se quiere conocer cu al de los dos ocupa mejor posici on relativa dentro de su empresa hay que tipicar sus puntuaciones, y as : zA = mientras que: zB = 672 640 = 0 97. 33 620 580 = 1 6 25

Por lo que, aunque en t erminos absolutos el trabajador de la empresa B gana m as que el de A, en relaci on al conjunto de los empleados de cada empresa el empleado de A ocupa mejor posici on. Otras transformaciones usuales son la del logaritmo y la de la ra z cuadrada que consiguen una mayor simetr a y concentraci on de los valores de la distribuci on. 11. An alisis exploratorio de datos

El an alisis exploratorio de datos (AED) est a formado por un conjunto de t ecnicas estad sticas, fundamentalmente gr acas, que pretenden dar una visi on simple e intuitiva de las principales caracter sticas de la distribuci on en estudio. El AED puede ser un n por s mismo o una primera etapa de un estudio m as completo. Como aspectos m as desta-

38 Cap tulo 1. S ntesis de la informaci on cables que abarca el AED, est an los que se reeren a la forma de la distribuci on y a la detecci on de valores an omalos. 11.1. Diagramas de tallo y hojas de Tukey El diagrama de tallo y hojas es una representaci on semi-gr aca donde se muestra el rango y distribuci on de los datos, la simetr a y si hay candidatos a valores at picos. Para su construcci on se siguen los siguientes pasos: 1. Se redondean los valores a dos o tres cifras signicativas. 2. Se divide el rango de los datos en k intervalos, cada uno representado por una la de la tabla que est a dividida por una l nea vertical en dos partes. En cada la, los datos individuales son representados por uno o dos d gitos, seg un el rango, (llamado tallo), mientras que a la derecha de la l nea vertical se coloca el u ltimo d gito del valor (llamado hoja). Si hay alg un punto que se encuentra lejano de la mayor a de los valores (candidato a valor at pico), este es colocado en hoja superior o inferior separada. La tabla de tallo y hojas se acompa na de una columna de frecuencias acumuladas creciente inferior y superiormente hasta el tallo que contiene la mediana que queda se nalado entre par entesis. Ejemplo 1.30 A partir de la informaci on recogida sobre los caballos de potencia de distintos veh culos, se representa el diagrama de tallo y hojas para dicha variable (gura 1.7). Su uso es recomendable siempre que el n umero de datos no sea muy grande (menor que 50). 11.2. Diagrama de caja o diagrama de box-whisker Los diagramas de caja son representaciones gr acas sencillas que no necesitan un n umero elevado de valores para su construcci on. Se utilizan para estudiar tanto la dispersi on como la forma de una distribuci on.

1.11 An alisis exploratorio de datos 39 unidad = 10,0 1 7 26 (20) 43 36 19 9 6 3 1|2 representa 120,0

0|5 0|666777 0|8889999999999999999 1|00000000001111111111 1|2233333 1|44444444444555555 1|6666666677 1|889 2|000 2|22

HI | 245,0 Figura 1.7: Diagrama de tallo y hojas Asimismo son especialmente u tiles para comparar distintas distribuciones entre s .

Figura 1.8: Diagrama de cajas La caja representa el 50 % central de la distribuci on, la l nea situada en el interior de la caja es la mediana, mientras que la cruz se corresponde con la media. Los extremos inferiores y superiores de los segmentos (tambi en llamados bigotes) delimitan lo que se denomina como valores normales y coinciden, respectivamente, con el m nimo y el m aximo de los valores una vez excluidos los candidatos a valores an omalos. Los candidatos a valores an omalos se etiquetan como at picos y coinciden con aquellas observaciones que se encuentran fuera del

40 Cap tulo 1. S ntesis de la informaci on intervalo (LI, LS ), donde: LI = Q1 1 5RI

LS = Q3 + 1 5RI , es decir, a una distancia de Q1 , por la izquierda, o de Q3 , por la derecha, superior a una vez y media el recorrido intercuart lico; denomin andose, en este caso, at picos de primer nivel. Cuando la distancia, por uno de los dos lados, es superior a tres recorridos intercuart licos, el valor at pico se denomina de segundo nivel. Los valores at picos de primer y segundo nivel quedan normalmente identicados en el diagrama de cajas por s mbolos diferenciados (, , ), debiendo considerarse la posibilidad de realizar una depuraci on de los mismos antes de comenzar el tratamiento de los datos. 12. Ejercicios

12.1. Ejercicio resuelto 1.1 Para realizar un determinado experimento se ha medido la anchura interorbital, en mm., de una muestra de 40 palomas, obteni endose los siguientes datos: 122, 129, 118, 119, 116, 111, 123, 122, 118, 118 107, 115, 113, 112, 116, 119, 133, 112, 105, 111 121, 119, 104, 107, 108, 110, 119, 102, 109, 116 108, 116, 104, 107, 120, 124, 117, 118, 113, 111 Se pide: a) Construya una distribuci on de frecuencias y calcule la media, desviaci on t pica y coeciente de variaci on. b) Agrupe los datos en intervalos con la amplitud m as adecuada, calculando de nuevo los par ametros anteriores y compar andolos con los resultados obtenidos a partir de los datos no agrupados. Dibuje el histograma. En lo que sigue trabaje con la distribuci on por intervalos.

1.12 Ejercicios 41 c) En qu e intervalo de centro la media se encuentra, al menos, el 75 % de la distribuci on? d) Calcule la mediana y la moda. e) Obtenga el intervalo donde se encuentra el 40 % central de la distribuci on. f ) Estudie la simetr a y el apuntamiento de la distribuci on. Soluci on: a) La distribuci on de frecuencias ser a: xi ni 10 2 1 10 4 2 10 5 1 10 7 3 10 8 2 10 9 1 xi ni 11 0 1 11 1 3 11 2 2 11 3 2 11 5 1 11 6 4 xi ni 11 7 1 11 8 4 11 9 4 12 0 1 12 1 1 xi ni 12 2 2 12 3 1 12 4 1 12 9 1 13 3 1

Gr acamente dicha distribuci on puede presentarse mediante el pol gono de frecuencias de la gura 1.9. Para calcular la media: r xi ni 459 2 x = = = 11 48 mm n 40
i=1

Es conveniente comprobar siempre que la media es un valor razonable y, en particular, dentro del rango de valores de la variable. En nuestro caso 10 2 < 11 48 < 13 3. La desviaci on t pica vendr a dada por: r 2 xi ni S = x 2 n i=1 5290 28 = (11 48)2 40 = 0 4666 = 0 6831 mm

42 Cap tulo 1. S ntesis de la informaci on

Figura 1.9: Pol gono de frecuencias Y el coeciente de variaci on: CV = S 0 6831 = = 0 0595. |x | 11 48

El bajo valor del coeciente de variaci on indica que los valores est an muy concentrados y que la media representa aceptablemente al conjunto de la distribuci on. En general, valores de CV menores a 0 1 indican una alta concentraci on, entre 0 1 y 0 5 una concentraci on media y valores superiores a 0 5 una alta dispersi on y una media poco o nada representativa. Observe que tanto la desviaci on t pica como el coeciente de variaci on son medidas positivas. b) Para agrupar la distribuci on en intervalos se elige un n umero de estos alrededor de n, en nuestro caso 40 = 6 32 7. Los intervalos son de amplitud aproximada: No Recorrido 13 3 10 2 = = 0 44. de intervalos 7

1.12 Ejercicios 43 Buscando siempre que sea un valor f acil de manejar, en este caso se opta por una amplitud de 0 5. La distribuci on en intervalos quedar a: xi [Li1 , Li ) ni 10 25 [10, 10 5) 3 10 75 [10 5, 11) 7 11 25 [11, 11 5) 8 11 75 [11 5, 12) 14 12 25 [12, 12 5) 6 12 75 [12 5, 13) 1 13 25 [13, 13 5) 1 donde ahora xi representa la marca de clase. A partir de estos datos se tiene: x = 11 5mm, S = 0 6708mm y CV = 0 0583. Con peque nas variaciones respecto a los valores obtenidos para la distribuci on original, en todo caso, perfectamente asimilables y habi endose conseguido una mayor facilidad de c alculo. El histograma se representa en la gura 1.10. Como se puede apreciar la informaci on visual que proporciona es mucho m as clara que la que dar a el pol gono de frecuencias, a todas luces ininteligible. Se trata de una distribuci on unimodal y un poco tendida hacia la derecha, aunque esto se cuanticar a m as adelante. c) Para contestar a esta cuesti on se utiliza la desigualdad de Tchebychev, que dice: 1 . k2

f (|xi x | kS ) 1 Para k = 2, 1 intervalo ser a:


1 k2

= 0 75, por lo que operando con el valor absoluto, el

[ x 2S, x + 2S ] = [10 1138, 12 8462].

44 Cap tulo 1. S ntesis de la informaci on

Figura 1.10: Histograma d) Para calcular la mediana se obtiene la columna de frecuencias acumuladas: xi 10 25 10 75 11 25 11 75 12 25 12 75 13 25 (Li1 , Li ] ni 10 10 5 3 10 5 11 7 11 11 5 8 11 5 12 14 12 12 5 6 12 5 13 1 13 13 5 1 Ni 3 10 18 32 38 39 40

La mediana se encuentra en aquel intervalo tal que Ni n 2 = 20, por tanto Me (11 5, 12], por lo que utilizando la f ormula apropiada, se tiene: Me = Li1 +
n 2

Ni1 20 18 ai = 11 5 + 0 5 = 11 5714 mm ni 14

Por lo que 11 5714 deja el 50 % de la distribuci on a la izquierda y el otro 50 % a la derecha.

1.12 Ejercicios 45 Para calcular la moda, puesto que los intervalos son de igual amplitud, se selecciona aquel que tenga mayor frecuencia, en este caso el (11 5, 12] que tiene frecuencia 14, y se aplica la f ormula correspondiente: Mo = Li1 + ni+1 6 ai = 11 5 + 0 5 = 11 7143 mm ni1 + ni+1 6+8

e) El 40 % central de la distribuci on est a contenido en el intervalo (P30 , P70 ). El percentil P30 se encuentra en el intervalo (Li1 , Li ] 40 para el que se verica que Ni 30 100 = 12. Observando la columna de frecuencias acumuladas se ve que dicho intervalo es el (11, 11 5]. Por tanto: 12 10 P30 = 11 + 0 5 = 11 125. 8 Operando de forma an aloga: P70 = 11 5 + 28 12 0 5 = 11 8571. 14

Por lo que el intervalo pedido ser a el (11 125, 11 8571). f ) Puesto que la distribuci on tiene forma de campana el coeciente de simetr a viene dado por: As = x Mo 11 5 11 7143 = = 0 319. S 0 6708

Por lo que la distribuci on est a ligeramente inclinada hacia la derecha. El coeciente de apuntamiento: 1 40
7

g2 =

m4 = S4

i=1 (0 6708)4

(xi x )4 fi

0 400488 = 1 97796. 0 202475

Al ser g2 < 3 la distribuci on es platic urtica, es decir, m as aplastada que la distribuci on N (0, 1).

46 Cap tulo 1. S ntesis de la informaci on 12.2. Ejercicios propuestos 1.1. Al comenzar el curso se pas o una encuesta a los alumnos del primer curso de un colegio, pregunt andoles, entre otras cuestiones, por el n umero de hermanos que ten an, obteni endose los siguientes resultados: 3, 3, 2, 2, 8, 5, 2, 4, 3, 1, 4, 5, 3, 3, 3, 3, 3, 2, 5 1, 3, 3, 2, 2, 4, 3, 3, 2, 2, 4, 4, 3, 6, 3, 3, 2, 2, 4 3, 4, 3, 2, 2, 4, 4, 3, 3, 4, 2, 5, 4, 1, 2, 8, 2 ,3, 3, 4 a) Represente este conjunto de datos con un diagrama de barras. b) Calcule media, moda y mediana. c) Estudie la dispersi on de los datos. d) Analice la simetr a de la distribuci on. 1.2. Los pesos de un colectivo de ni nos son: 60, 56, 54, 48, 99, 65, 58, 55, 74, 52, 53, 58, 67, 62, 65 76, 85, 92, 66, 62, 73, 66, 59, 57, 54, 53, 58, 57, 55, 60 65, 65, 74, 55, 73, 97, 82, 80, 64, 70, 101, 72, 96, 73, 55 59, 67, 49, 90, 58, 63, 96, 100, 70, 53, 67, 60, 54 Obtenga: a) La distribuci on de frecuencias agrupando por intervalos. b) La mediana de la distribuci on. c) La media de la distribuci on, indicando su nivel de representatividad. d) Utilizando la agrupaci on en intervalos, el porcentaje de alumnos que tienen un peso menor de 65 kg y el n umero de alumnos con un peso mayor de 60 kg dentro del grupo de los que pesan menos de 80 kg. 1.3. En el Consejo de Apuestas del Estado se han ido anotando, durante una temporada, el n umero de premiados de quinielas seg un la cantidad de aciertos, obteni endose la siguiente tabla: No de aciertos No de personas (miles) 11 52 12 820 13 572 14 215 15 41

1.12 Ejercicios 47 Calcule: a) La mediana, la moda y los cuartiles de la distribuci on. b) La simetr a de la distribuci on. 1.4. En un puerto se controla diariamente la entrada de pesqueros seg un su tonelaje, resultando para un cierto d a los siguientes datos: Peso(Tm.) No de barcos Se pide: a) El peso medio de los barcos que entran en el puerto diariamente, indicando la representatividad de dicha medida. b) El intervalo donde se encuentra el 60 % central de la distribuci on. c) El grado de apuntamiento. d) El tonelaje m as frecuente en este puerto. 1.5. El n umero de d as de hospitalizaci on de los enfermos que llegan en un cierto d a a un servicio de urgencias, viene dado por: No de d as No de enfermos Se pide: a) Un coeciente que represente la distribuci on indicando dicho nivel de representatividad. b) El porcentaje de enfermos que se quedan hospitalizados m as de 5 d as. c) El valor que divide a la distribuci on en dos partes iguales. 1.6. Seg un un estudio se sabe que la planicaci on optima de una determinada empresa exige que el 70 % sean administrativos, el 25 % jefes de departamento y el 5 % inspectores. Para realizar esta planicaci on se lleva a cabo un examen tipo test, obteni endose las siguientes puntua0-1 53 2-5 24 6-8 16 9-15 7 0-25 5 25-50 17 50-70 30 70-100 25 100-500 3

48 Cap tulo 1. S ntesis de la informaci on ciones: Puntuaci on [0,20) [20,50) [50,75) [75,100) Empleados 70 115 95 5

a) C ual es la puntuaci on m nima para ser jefe de departamento? b) Y para ser inspector? 1.7. Para la selecci on de personal en dos empresas se realiza un test obteni endose las siguientes puntuaciones porcentuales: Factor a I Puntuaci on Porcentaje [0,10] 007 [11,19] 025 [20,28] 038 [29,41] 019 [42,50] 011 Factor a II Puntuaci on Porcentaje [10,20] 008 [21,25] 016 [26,30] 020 [31,39] 028 [40,44] 023 [45,50] 005

a) Cu al de las dos factor as ha sido menos homog enea en los resultados? b) Qu e persona ha tenido una puntuaci on mayor con respecto a su factor a: el que ha obtenido 35 en la factor a I o el que consigui o 38 en la II? 1.8. La vida u til de cierto tipo de bombonas de gas presenta la siguiente distribuci on: Horas [10,30) [30,40) [40,50) [50,70) [70,80] Fracci on de bombonas 004 027 034 026 009

1.12 Ejercicios 49 Calcule: a) La vida media de las bombonas de gas. b) El tiempo de vida m as frecuente. c) El intervalo, con centro la media, donde se encuentre, al menos, el 85 % de la distribuci on. d) El apuntamiento de la distribuci on. 1.9. El gasto de 100 experimentos, siendo la unidad 100e, viene dado por la siguiente tabla: Gasto No Experimentos Calcule: a) El gasto medio de los experimentos. b) El porcentaje de experimentos que tienen un gasto entre 2300e y 3500e. c) Los precios que dividen a la distribuci on en cuatro partes iguales. d) El gasto m as frecuente. 1.10. En una entidad bancaria se sabe que, por t ermino medio, el 15 % de los cheques son sin fondo. Las cantidades recogidas en dichos cheques, en euros, son las siguientes: Importe de los cheques [0,200) [200,600) [600,1000) [1000,3000] Calcule: a) El importe medio de los cheques sin fondo. b) El importe m as frecuente de los cheques sin fondo. N umero de cheques 325 515 420 270 [10,20) 15 [20,30) 50 [30,40) 30 [40,55] 5

50 Cap tulo 1. S ntesis de la informaci on 1.11. Para un determinado experimento se ven a trabajando con unas temperaturas que variaban entre 100o C y 130o C. Estas temperaturas ten an una media de 110o C y una desviaci on t pica de 16o C. Con un nuevo sistema se ha conseguido aumentar esta temperatura en 12o C. C omo var a la dispersi on relativa de dicha temperatura? 1.12. La producci on de una empresa est a organizada en dos factor as. La distribuci on de los salarios en cada una de ellas es la siguiente: Salario en euros [180,360) [360,480) [480,600) [600,900) [900,1200] Se pide: a) El salario m as frecuente de la factor a A. b) El salario que divide a la distribuci on de la factor a B en dos trozos iguales. c) Los salarios medios de cada factor a. d) El salario medio total a partir de los salarios medios de cada factor a. 1.13. El consumo de gasolina de dos coches de las marcas Citro en y Mercedes es, respectivamente, de 10 y 11 litros cada 100 km. Para el conjunto de los coches Citro en y Mercedes, se tienen, respectivamente, consumos medios de 7 4 y 10 5 litros y varianzas de 9 y 16 litros2 . Indique cu al de los dos coches tiene mayor consumo relativo dentro de su grupo. 1.14. En los contratos de venta de un fabricante, existe una cl ausula por la que acepta la devoluci on de piezas defectuosas. Se consideran defectuosas aquellas cuya longitud no est e comprendida entre ( xl, x +l). La longitud media de dichas piezas es de 22 mm. con desviaci on t pica 0 3. Cu anto debe valer l para que el porcentaje de piezas devueltas no supere el 10 %? Obreros Factor a A 20 23 22 15 3 Obreros Factor a B 20 28 14 8 2

1.12 Ejercicios 51 1.15. Una empresa automovil stica ha realizado un estudio sobre el grado de satisfacci on de sus clientes (X ) con la compra de veh culos pertenecientes a los segmentos medio (M) y alto (A), obteniendo los siguientes resultados: X 0-6 7-13 14-20 21-27 28-34 nM 4 6 9 12 9 nA 4 7 9 8 2

a) Se considera que el grado de satisfacci on es aceptable si la puntuaci on obtenida es superior a 19. Calcule el porcentaje de personas en cada grupo con un grado de satisfacci on aceptable. b) Cu al de los dos grupos presenta mayor variabilidad? 1.16. Una poblaci on est a dividida en dos subpoblaciones A y B , de las cuales se conoce lo siguiente: nA = 12, nB = 9, xi = 234, xi = 138, x2 i = 5036,
A B A

a) Se puede calcular la media global del conjunto? En caso armativo, calc ulela. b) Se puede calcular la moda y la mediana global del conjunto? En caso armativo, calc ulela. c) Cu al de las medias de las dos subpoblaciones es m as representativa? 1.17. De una distribuci on se sabe que su media vale 5 y que el momento de orden dos con respecto al origen vale 29. Obtenga una cota inferior del porcentaje de dicha distribuci on que se encuentra en el intervalo [2, 8].

x2 i = 2586, MOA = 20, MOB = 22, MeA = 19, MeB = 16.

52 Cap tulo 1. S ntesis de la informaci on 1.18. Cuanticando a seis individuos en las variables X e Y , se dispone s olo de algunos de estos valores, se muestra a continuaci on la informaci on disponible: X Y 16 6 1 24
6 i=1

Complete la tabla sabiendo que la media de Y vale 14, que

xi = 48,

y que al tipicar los valores de X se obtiene el mismo resultado que al tipicar los valores de Y .

Estad stica Descriptiva y Probabilidad


(Teor a y problemas) 3a Edici on Autores I. Espejo Miranda F. Fern andez Palac n M. A. L opez S anchez M. Mu noz M arquez A. M. Rodr guez Ch a A. S anchez Navas C. Valero Franco

c 2006 Universidad de C Copyright adiz. Se concede permiso para copiar, distribuir y/o modicar este documento bajo los t erminos de la Licencia de Documentaci on Libre de GNU, Versi on 1.2 o cualquier otra versi on posterior publicada por la Free Software Foundation. Una traducci on de la licencia est a incluida en la secci on titulada Licencia de Documentaci on Libre de GNU.

c 2006 Universidad de C Copyright adiz. Permission is granted to copy, distribute and/or modify this document under the terms of the GNU Free Documentation License, Version 1.2 or any later version published by the Free Software Foundation. A copy of the license is included in the section entitled GNU Free Documentation License.

Edita: Servicio de Publicaciones de la Universidad de C adiz C/ Dr. Mara n on, 3 11002 C adiz http://www.uca.es/publicaciones

ISBN: 978-84-9828-058-6 Dep osito legal:

Estad stica Descriptiva y Probabilidad. Teor a y Problemas (Revisi on: Febrero 2006) I. Espejo Miranda, F. Fern andez Palac n, M. A. L opez S anchez, M. Mu noz M arquez, A. M. Rodr guez Ch a, A. S anchez Navas, C Valero Franco c 2006 Servicio de Publicaciones de la Universidad de C adiz. Documento bajo Licencia de Documentaci on Libre de GNU (Versi on 1.2 o posterior). http://www.uca.es/teloydisren

Cap tulo 2 An alisis conjunto de variables

En el cap tulo anterior se ha considerado un u nico car acter, sin embargo, es frecuente estudiar conjuntamente varios caracteres y preguntarse si existe o no alg un tipo de relaci on entre ellos. Este cap tulo se dedica al estudio de la relaci on entre dos caracteres, comenzando con la organizaci on y sintetizaci on de la informaci on, siguiendo un esquema an alogo al establecido en el cap tulo anterior, para concluir con el estudio de la relaci on entre ambos. Cuando se analiza la relaci on entre dos caracteres se pueden presentar dos casos extremos: el primero de ellos ser a aquel en que conocido el valor de un car acter se pueda obtener el valor del otro, el segundo se presenta cuando la informaci on sobre un car acter no arroja ninguna informaci on sobre el otro. Entre estas situaciones extremas se dan una innidad de casos intermedios, por ello, el objetivo del cap tulo ser a analizar el nivel de inuencia existente entre los caracteres. Hay que indicar, no obstante, que dicho an alisis no establecer a cu al es la causa y cu al el efecto entre ambos, sino s olo la intensidad de la relaci on. 1. Distribuci on conjunta de dos caracteres

Cuando el investigador est a interesado en el estudio de dos caracteres de una poblaci on, se obtienen dos observaciones para cada individuo, que se recogen en forma de pares de valores, que deben ser organizados

54 Cap tulo 2. An alisis conjunto de variables X, Y x1 . . . xi . . . xr y1 yj n11 n1j . . .. . . . . . ni1 nij . . .. . . . . . nr1 nrj n1 nj ys n1s n1 . . .. . . . . . nis ni . . .. . . . . . nrs nr ns n

Tabla 2.1: Distribuciones conjuntas y marginales de (X, Y ) en funci on de la naturaleza de dichos caracteres. Al igual que en el caso unidimensional es interesante organizar los datos en forma de tabla de frecuencias, sin embargo, al tener que especicar los valores que toman ambos caracteres, la tabla debe ser de doble entrada o bidimensional, v ease la tabla 2.1. Supongamos que X toma r valores distintos x1 , x2 , . . . , xr , e Y toma s valores distintos y1 , y2 , . . . , ys . Se dene la frecuencia absoluta del par (xi , yj ), que se denota por nij , como el n umero de veces que se observa dicho par de valores. Esta distribuci on se denomina distribuci on conjunta de (X, Y ). Se verica que
r s i=1 j =1

nij = n, valor que aparece recogido en la

parte inferior derecha de la tabla. Conservando la notaci on, fij , con fij = r s nij fij = 1. n , es la frecuencia relativa del par (xi , yj ) y por lo tanto
i=1 j =1

Si la distribuci on es de atributos, la tabla se llama de contingencia y si es de variables se denomina de correlaci on. Inicialmente, se centra el estudio en el caso en el que los caracteres sean variables, para abordar el estudio de tablas de contingencia en posteriores apartados de este cap tulo. La situaci on de los valores no nulos en la tabla de doble entrada da una idea intuitiva de la posible relaci on entre ambos caracteres, as ,

2.2 Distribuciones marginales 55 el que las mayores frecuencias se den alrededor de una diagonal viene a indicar la existencia de relaci on, mientras que el que no se d e esta circunstancia va a suponer, generalmente, la ausencia de la misma. 2. Distribuciones marginales

En la tabla 2.1, se han sumado las frecuencias que aparecen en cada una de las las y columnas, coloc andose los resultados en los m argenes, donde: r s nj = nij , ni = nij y
i=1 j =1

n = n =

de tal forma que la primera y u ltima columna de la tabla 2.1, constituyen la distribuci on marginal de X , y la primera y u ltima la la distribuci on marginal de Y . L ogicamente se verica que:
r i=1

r s i=1 j =1

nij ,

fi = 1 ,
r s i=1 j =1

s j =1

fj = 1 y

fij = 1,

lo que garantiza la condici on de ambas distribuciones. Se interpreta fi como la proporci on de datos que toman el valor xi de X , independientemente del valor que tome Y . Una notaci on an aloga se maneja para la variable Y . Obs ervese que considerar la distribuci on marginal de una variable equivale a considerar la distribuci on de esta independientemente de la otra. 3. Distribuciones condicionadas

Cuando se posee informaci on previa de una de las variables en estudio, esta puede modicar la informaci on disponible de la otra. En

56 Cap tulo 2. An alisis conjunto de variables particular, cuando se considera la distribuci on de una variable para un valor jo de la otra se obtiene la distribuci on condicionada. M as concretamente, las frecuencias condicionadas son: fi|j f|i j = =
nij nj nij ni

i = 1, 2, , r j = 1, 2, , s.

Que son, respectivamente, la condicionada de X para el valor yj de Y , para j = 1, 2, , s, y la condicionada de Y para el valor xi de X , para i = 1, 2, , r. Ejemplo 2.1 Un alumno de Estad stica est a interesado en estudiar la estatura y el peso del grupo de 21 alumnos varones que pertenecen a su clase. A tal efecto y una vez provisto de los adecuados aparatos de medida, metro y balanza, se dispone a realizar las mediciones. Los resultados que obtuvo se ofrecen en la tabla 2.2. La estatura y el peso se dan con una precisi on de 001 metros y 1 kilogramo, respectivamente. Peso 80 68 87 85 78 84 82 Estatura 183 180 184 177 177 182 171 Peso 78 76 94 74 77 82 67 Estatura 173 166 180 175 169 171 168 Peso 70 66 77 70 72 77 66

Estatura 178 172 188 181 173 189 180

Tabla 2.2: Tabla de datos El alumno domina el an alisis descriptivo univariante y no tiene dicultad en aplicarlo a cada una de las variables que ha considerado, obteniendo as informaci on sobre las medias, dispersiones, simetr as, etc., de la estatura y el peso. Sin embargo, conside-

2.3 Distribuciones condicionadas 57 ra la posibilidad de que entre las dos variables exista alg un tipo de relaci on. A la vista de los datos, y pensando que en otra situaci on parecida el n umero de individuos en estudio fuera mucho m as grande, decide agrupar a estos en clases uniformes. Despu es de analizar la situaci on establece intervalos de amplitud 005 metros y 5 kilogramos, para estatura y peso respectivamente, reorganizando la informaci on obtenida en una tabla de doble entrada. El resultado que obtuvo se recoge en la tabla 2.3. Estatura 176-180 1 3 2

Peso 65-69 70-74 75-79 80-84 85-89 90-94

165-170 2 1

171-175 2 2 2

181-185

186-190

1 1 1 1

1 1

Tabla 2.3: Distribuci on conjunta A la vista del resultado obtenido, el investigador observa que ha perdido precisi on respecto a los datos originales. Efectivamente, utilizando la tabla de doble entrada lo u nico que se puede decir, por ejemplo, es que hay dos individuos que midiendo entre 171 y 175 metros pesan entre 75 y 79 kilogramos, ignor andose las mediciones exactas de estos. No obstante, entiende que aunque el volumen de datos fuera muy grande la tabla de doble entrada seguir a siendo v alida con la adici on, tal vez, de algunas clases extremas y, adem as, piensa que el error que se cometer a no ser a muy grande si, llegado el caso, se viera en la necesidad de asignar a cada intervalo su marca de clase. Por otra parte, y en el haber de la abstracci on realizada, un me-

58 Cap tulo 2. An alisis conjunto de variables ro an alisis visual hace entender que entre las dos variables existe cierta relaci on, pues los valores no nulos de la tabla se distribuyen alrededor de una diagonal, obteni endose un resultado que como era de esperar, y a falta de alg un tipo de cuanticaci on que se realice m as adelante, hace corresponder, en general, a los individuos de estatura baja los de poco peso y a los de estatura alta los de mayor peso. No se puede decir que conocida la estatura de un individuo quede determinado su peso pero s que se puede acotar este e incluso hacer una previsi on aproximada de su valor. Tampoco se puede decir cu al de las dos variables determina los valores de la otra. A continuaci on, el alumno piensa que quiz as ser a interesante ofrecer los valores de la tabla como proporciones del n umero total de observaciones, para ello divide cada elemento de la tabla por el n umero de individuos en estudio, obteniendo la tabla 2.4. Estatura 176-180 0 1/21 3/21 2/21 0 0

Peso 65-69 70-74 75-79 80-84 85-89 90-94

165-170 2/21 1/21 0 0 0 0

171-175 2/21 2/21 2/21 0 0 0

181-185 0 0 1/21 1/21 1/21 1/21

186-190 0 0 0 1/21 1/21 0

Tabla 2.4: Distribuci on relativa conjunta Ahora su inter es se centra en conocer la proporci on de sus compa neros que pertenecen a una de las clases de estatura independientemente del peso que tengan. Para ello, se da cuenta de que s olo tiene que sumar cada columna, obteniendo, por ejemplo, que

2.3 Distribuciones condicionadas 59 Estatura 165-170 171-175 176-180 181-185 186-190 2/21 2/21 0 0 0 1/21 2/21 1/21 0 0 0 2/21 3/21 1/21 0 0 0 2/21 1/21 1/21 0 0 0 1/21 1/21 0 0 0 1/21 0 3/21 6/21 6/21 4/21 2/21 Tabla 2.5: Distribuciones marginales

Peso 65-69 70-74 75-79 80-84 85-89 90-94 f (E )

f (P ) 4/21 4/21 6/21 4/21 2/21 1/21 1

hay tres individuos cuya estatura est a comprendida entre 165 y 170 metros, seis entre 171 y 175 metros, y as sucesivamente. Realizando la misma operaci on con las las obtiene los resultados para el peso. Al objeto de organizar esta informaci on decide a nadir una la y una columna en la tabla donde almacena los resultados, v ease la tabla 2.5. Siguiendo con los datos del ejemplo, nuestro investigador se pregunta por la proporci on de compan eros que poseen una cierta estatura dentro de los del grupo que pesan entre 75 y 79 Kilogramos, que 6 sabemos constituyen 21 del total. Le resulta f acil comprobar que de entre los que tienen ese peso hay 2 6 que tienen una estatura entre 171 y 175 metros. Observe que podr a haber lle2 gado al mismo resultado de haber dividido 21 entre 6 on de individuos con altu21 , es decir, la proporci ra en la clase [1 71, 1 75] y peso en [75, 79] entre el correspondiente a la proporci on marginal de la variable peso en la clase [75, 79].

60 Cap tulo 2. An alisis conjunto de variables 4. Independencia

La independencia-dependencia viene a medir la informaci on que arroja sobre una de las variables el conocimiento que se tiene de la otra variable. As , una informaci on total implica dependencia funcional, la nula informaci on independencia, y una informaci on parcial dependencia estad stica. Formalmente, se dice que X es independiente de Y si se verica que: fi|j = fi Es decir, si la frecuencia condicionada coincide con la marginal. De la misma forma se dene la independencia de Y respecto de X . La denici on de distribuci on condicionada da una expresi on alternativa para la independencia, y as X e Y son independientes si: fij = fi fj i, j, i = 1, , r j = 1, 2, , s.

que adem as pone de maniesto que la independencia se establece en un doble sentido; es decir, X es independiente de Y si y s olo si Y lo es de X. Ejemplo 2.2 En el ejemplo que se arrastra, nuestro joven estad stico se pregunta por la posibilidad de que exista alg un tipo de relaci on entre las variables, en el sentido de que conocido el valor de una de las va obriables se pueda decir algo sobre la otra. El serva que si el peso est a comprendido entre los 65 y los 70 kilos la estatura debe estar entre 165 y 175 metros, y que no hay individuos que en ese rango de pesos mida m as de 175 metros. Es m as, este ejemplo le hace ver que si uno de los cruces de las clases, por ejemplo (xi , yj ), tiene frecuencia nula, el conocimiento de que una de las variables toma valores en la clase xi imposibilita que la otra variable tome valores en la clase yj , y viceversa. Pensando en su problema, llega a la conclusi on de

2.5 Medidas de dependencia. Coecientes de relaci on 61 que existir a una dependencia total o funcional si el conocimiento del valor de una de las variables determina el valor que tomar a la otra. Esto implica que si X depende funcionalmente de Y en cada la hay una sola frecuencia distinta de cero, y si Y depende funcionalmente de X ocurre lo mismo con las columnas. Por otra parte, le resulta evidente que las variables son independientes si jado cualquier valor de una de las variables la otra variable mantiene sus porcentajes iguales a los de su distribuci on condicionada. Entre estas dos situaciones extremas, descubre que existen muchas posibilidades intermedias. Por otra parte, se dice que X depende funcionalmente de Y , si conocido el valor que toma Y queda determinado el valor de X . Para acabar esta secci on se comprueba con un contraejemplo que la dependencia funcional no se establece en doble sentido. Ejemplo 2.3 En la siguiente distribuci on: X/Y x1 x2 y1 y2 y3 12 0 4 0 7 0

X depende funcionalmente de Y , puesto que conocido el valor de Y queda determinado el de X , pero el rec proco no se da, puesto que si X toma el valor x1 , Y puede tomar el valor y1 o el y3 . 5. Medidas de dependencia. Coecientes de relaci on

Los t erminos asociaci on, correlaci on, contingencia, concordancia y otros similares, se suelen utilizar como equivalentes muy a menudo. No obstante, haciendo un uso m as correcto de la terminolog a estad stica, a un con signicado semejante, se puede considerar:

62 Cap tulo 2. An alisis conjunto de variables correlaci on de variables propiamente dichas, o sea, medidas en escala de intervalo. concordancia de ordenaciones, entendi endose como tales las denominadas variables ordinales, y asociaci on o contingencia de variables nominales o atributos. As , para clasicar los coecientes que detectan y miden el grado de relaci on, o dependencia estad stica, se ha tenido en cuenta el tipo y la naturaleza de las variables sometidas a estudio. 5.1. Variables continuas. Correlaci on

5.1.1. Covarianza Para facilitar el estudio y la notaci on de la covarianza, se introduce previamente el concepto de momentos bidimensionales. Se dene el momento de orden (h, k ) respecto al origen como: ah,k =
r s i=1 j =1 k xh i yj fij .

Es f acil ver que a1,0 es la media de X y que a0,1 es la media de Y . Por otro lado, el momento de orden (h, k ) respecto a la media viene dado por: mh,k =
r s i=1 j =1

(xi x )h (yj y )k fij .

Constat andose que m1,0 es cero, al igual que m0,1 , que m2,0 y m0,2 son las varianzas de X e Y , respectivamente, y que es posible expresar los momentos respecto a la media en funci on de los momentos respecto al origen. En particular se da la relaci on m1,1 = a1,1 a1,0 a0,1 .

2.5 Medidas de dependencia. Coecientes de relaci on 63 A m1,1 se le denomina covarianza de la distribuci on, denot andosele tambi en por Sxy . Este coeciente juega un importante papel en el estudio de la relaci on lineal entre las variables. Para analizar esta cuesti on, se consideran las representaciones gr acas de la gura 2.1 que reejan distintas situaciones, dichas representaciones reciben el nombre de nube de puntos o, tambi en, diagrama de dispersi on.

B D

Figura 2.1: An alisis de la covarianza

El punto que viene determinado por la media de X y la media de Y constituye el centro de gravedad de las nubes de puntos en todos los casos. Como se sabe, la covarianza viene dada por la expresi on Sxy
r s = (xi x )(yj y )fij . i=1 j =1

Sxy es una medida sim etrica y se puede leer como la suma de los productos de las desviaciones de X por las desviaciones de Y con respecto a sus medias respectivas; de tal forma, que si el signo de la desviaci on

64 Cap tulo 2. An alisis conjunto de variables de X coincide con la de Y , como ocurre en el primer y tercer cuadrante, se genera un sumando positivo; y cuando el signo es distinto -segundo y cuarto cuadrante- la aportaci on a la covarianza es negativa. Por tanto, la concentraci on de valores en los distintos cuadrantes determina el signo y la cuant a de Sxy . As , en los casos A y B de la gura 2.1, Sxy se aproxima a cero, en el caso C va a ser alta y positiva, y en el D alta y negativa. Por tanto, se est a en condiciones de armar que la covarianza detecta la relaci on lineal entre las variables y el sentido de esta, pero no distingue entre la no presencia de relaci on, caso B , y la existencia de alguna dependencia no lineal, caso A. De todas formas, a un para el estudio de relaciones lineales la covarianza adolece de ciertos problemas, como el de venir acompa nada de las unidades de las variables y el de depender del n umero de observaciones. 5.1.2. Coeciente de correlaci on de Pearson Para obviar las carencias de la covarianza se introduce el coeciente de correlaci on lineal o coeciente de correlaci on de Pearson r= Sxy , Sx Sy

que es una medida adimensional, ordinal, toma valores en el intervalo [1, 1] y tiene el signo de Sxy , por lo que cuando la relaci on lineal entre X e Y es exacta y directa, es decir, todos los puntos se encuentran sobre una recta con pendiente positiva, vale 1, cuando es exacta e inversa, es decir, todos los puntos se encuentran sobre una recta con pendiente negativa, vale 1 y cuando no hay relaci on lineal 0; con un an alisis l ogico para las posiciones intermedias. Cuando r vale cero, se dice que las variables est an incorreladas. En el caso lineal, al cuadrado de r se le llama coeciente de determinaci on y se le denota por R2 , representando una medida cardinal o cuantitativa para medir la relaci on lineal entre las variables. Se estudia este coeciente con m as detalle en el cap tulo siguiente. Se concluye este apartado indicando que la independencia implica incorrelaci on, pero el rec proco no siempre es cierto. Este resultado es

2.5 Medidas de dependencia. Coecientes de relaci on 65 consecuencia de que la independencia supone la descomposici on de los momentos de orden (h, k ) (respecto al origen o respecto a la media) en el producto de los momentos (h, 0) y (0, k ); as , a1,1 = a1,0 a0,1 y por tanto Sxy = m1,1 = a1,0 a0,1 a1,0 a0,1 = 0, con lo que r = 0 y las variables est an incorreladas. En sentido contrario, la incorrelaci on s olo implica esa descomposici on para el momento (1, 1). En cierta forma, se puede decir que la incorrelaci on es una independencia de primer orden o lineal. Ejercicio 2.1 Demuestre que las variables X e Y de la siguiente distribuci on: X Y 2 8 1 5 0 4 1 5 2 8 est an incorreladas, pero no son independientes; es m as, existe una relaci on funcional entre ellas. Ind quela. Por tanto, el coeciente de correlaci on de Pearson mide el grado de relaci on lineal entre dos variables cuantitativas indicando el sentido directo o inverso de la relaci on. Es el m as com un de todos los coecientes porque es la base de otras muchas medidas de relaci on entre variables de distinta naturaleza, de hecho, a menudo se tiende a interpretar cualquier coeciente como si del de Pearson se tratase. 5.1.3. Coeciente de correlaci on biserial Se utiliza para establecer el grado de correlaci on entre dos variables cuantitativas cuando una de ellas ha sido dicotomizada previamente. Se trata de una modicaci on del coeciente de correlaci on de Pearson entre una variable continua X y otra Y que se ha dicotomizado y que en origen responde a una estructura de distribuci on normal1 .
1

La distribuci on normal se estudiar a en el cap tulo 5

66 Cap tulo 2. An alisis conjunto de variables El coeciente de correlaci on biserial se denota por rb y se puede calcular indistintamente por cualquiera de las siguientes expresiones: p X q pq p X p X X rb = ( )= ( ), Sx y Sx y donde: X es la variable continua Y es la variable dicotomizada p es la media de X cuando Y vale 0 X q es la media de X cuando Y vale 1 X es la media de la distribuci X on marginal de X Sx es la desviaci on t pica de la marginal de X p es la proporci on de elementos con asignaci on 0 en la variable Y q es la proporci on de elementos con asignaci on 1 en la variable Y , (q = 1 p) y es el valor de la ordenada correspondiente a un valor de x que divide el area de la distribuci on normal tipicada en dos partes, una igual a p y otra igual a q . Se interpreta de forma an aloga al coeciente de correlaci on de Pearson en lo referente a la intensidad de la relaci on, no a su sentido; adem as, cuando la correlaci on es alta y el requisito de normalidad de Y no se cumple de forma estricta, el coeciente de correlaci on biserial puede valer m as de 1 o menos de -1. Como variante, aunque con id entica interpretaci on y similar notaci on y expresi on, se debe tener presente el coeciente de correlaci on biserialpuntual, que se utiliza para medir la correlaci on entre una variable continua y otra dicot omica por naturaleza, denido por: p X q p X p X X rbp = pq = . Sx Sx q

2.5 Medidas de dependencia. Coecientes de relaci on 67 Observaci on 2.1 Desde el punto de vista pr actico, el coeciente de correlaci on biserial se usa sobre todo para hacer inferencias. Su c alculo necesita conocer la distribuci on normal, puesto que es necesario obtener el valor y .

Ejemplo 2.4

Con la nalidad de buscar el mayor rendimiento de la tierra, un agricultor, preocupado por su cosecha de naranjas, est a interesado en estudiar el grado de relaci on entre la cantidad de fruta recogida y la lluvia ca da en los u ltimos 10 a nos. Para ello parte de la siguiente informaci on, obtenida por el mismo, en la que ha clasicado los a nos en secos (S) o lluviosos (L): Naranjas (Tm) A no Naranjas (Tm) A no 1001 L 957 L 82 L 59 S 723 S 68 S 1145 L 68 S 850 L 79 L Para estudiar a partir de estos datos la relaci on entre las variables, se recurre al coeciente de correlaci on biserial-puntual2 , realizando la divisi on de la cosecha en dos series, la obtenida en temporada de sequ a, con valor asignado 1, y la obtenida en temporada de lluvia, con asignaci on el valor 0. Se denota por X la cantidad de naranjas y por Y si la temporada es de lluvia o de sequ a. 6 6825 0 6 0 4 = 0 7457. rbp = 9 27167 1 70077 Lo que indica una relaci on de dependencia relativamente fuerte entre las variables.

2 Se ha utilizado el coeciente de correlaci on biserial-puntual y no el coeciente de correlaci on biserial, debido a que aunque la variable lluvia ca da es en principio continua y probablemente Normal, el uso del coeciente de correlaci on biserial requiere conocimientos hasta ahora no adquiridos, como se indica en la observaci on 2.1.

68 Cap tulo 2. An alisis conjunto de variables Dada la inseguridad ante las medidas de la concentraci on de lluvia anual por metro cuadrado que obtuvo el agricultor, este decide prescindir por completo de sus datos y recurrir a la informaci on que sobre el tema proporciona anualmente el instituto meteorol ogico, el cu al le proporciona la cantidad de lluvia ca da cada a no. Se denota por X la cantidad de naranjas y por Y los m3 de lluvia. De esta forma los datos han sido transformados en: Nar. (Tm) Lluvia (m3 ) Nar. (Tm) Lluvia (m3 ) 1001 13 957 14 82 09 59 067 723 087 68 056 1145 175 68 087 850 096 79 124 Con esta informaci on se analiza la relaci on de las variables con el coeciente de correlaci on de Pearson, ya que ambas son continuas.
r = Sxxy Sy = 0 917511 R2 = 0 841827. S

Con esto se concluye que existe una fuerte dependencia lineal y adem as directa entre ambas variables, es decir, la cosecha de naranjas es mayor cuando mayor es la cantidad de lluvia ca da. 5.2. Variables ordinales. Concordancia

5.2.1. Coeciente de correlaci on por rangos de Spearman Este coeciente se utiliza para medir la relaci on entre dos sucesiones de valores ordinales. Es el coeciente de correlaci on de Pearson para las llamadas variables cuasicuantitativas, discretas, o bien, para aquellas cuantitativas que han sido transformadas en ordinales (n primeros

2.5 Medidas de dependencia. Coecientes de relaci on 69 n umeros naturales para cada variable) tiene la forma 6 rs = 1 donde: rs es el coeciente de correlaci on por rangos de Spearman di es la diferencia entre el valor ordinal de la variable X y el de la variable Y en el elemento i- esimo n es el tama no de la muestra Se verica que 1 rs 1. Si hay un gran n umero de elementos con el mismo valor en alguna de las dos variables, es decir, si hay muchos empates, es conveniente recurrir a las correcciones de este coeciente. Quedando el coeciente como n x2 + y 2 di 2 rs = con: x2 = n3 3 12 n3 3 12
n i=1 n i=1 n i=1

d2 i

n(n2 1)

i=1 2 x2 y 2

Txi ,

Txi

t3 xi txi , 12 t3 yi tyi , 12

y2 donde:

Tyi ,

Tyi

txi es el n umero de empates en el rango i de la variable X tyi es el n umero de empates en el rango i de la variable Y

70 Cap tulo 2. An alisis conjunto de variables Sus caracter sticas e interpretaci on son similares a las del coeciente de correlaci on de Pearson. 5.2.2. Coeciente de Kendall De forma an aloga al coeciente de Spearman, el coeciente considera el orden de los n objetos o elementos tanto de una variable como de la otra e intenta medir el grado de concordancia o correspondencia entre ellos. Dicho coeciente viene dado por = donde: es el coeciente de Kendall P el n umero de coincidencias o acuerdos Q el n umero de no coincidencias o desacuerdos Nuevamente, si hay gran n umero de empates, conviene aplicar una correcci on, quedando el coeciente como = P Q , 1 1 n ( n 1) T n ( n 1) T x y 2 2 Tx = Ty = 1 txi (txi 1) , 2 1 2
i=1 n i=1 n

P Q , P +Q

con:

tyi (tyi 1) ,

donde txi y tyi coinciden con los denidos para el coeciente de correlaci on de Spearman. Sus caracter sticas e interpretaci on son similares a las del coeciente de correlaci on de Pearson.

2.5 Medidas de dependencia. Coecientes de relaci on 71 X rg(X) Y 5 1 1 6 2 3 7 3 2 8 4 1 9 5 1 10 6 0 11 7 2 12 8 2 13 9 3 14 10 2 rg(Y) di di 2 3 2 4 9 5 7 5 56 25 6 5 3 5 12 25 3 1 1 3 2 4 1 5 25 6 5 0 5 0 25 65 15 2 25 9 5 0 5 0 25 6 5 3 5 12 25 117 5

Tabla 2.6: C alculo del coeciente de correlaci on de Spearman 5.2.3. Coeciente de GoodmanKruskal Se utiliza para medir el grado de concordancia entre dos variables ordinales, estando especialmente indicado cuando hay muchas observaciones y pocos valores posibles, es decir, muchos empates. Su expresi on e interpretaci on es muy similar a la del coeciente de Kendall, considerando la proporci on de pares semejantes y la proporci on de pares no semejantes entre los empatados, resultando = donde: es el coeciente de Goodman-Kruskal ns es el n umeros de pares semejantes o no invertidos nd es el n umero de no semejantes o invertidos Ejemplo 2.5 Se pretende estudiar la relaci on existente entre la edad (E) y el n umero de hermanos (H) de un grupo de 10 chicos, para ello se cuenta con los siguientes ns nd ns + nd

72 Cap tulo 2. An alisis conjunto de variables datos: E 6 12 8 11 10 7 9 14 13 5 H 3 2 1 2 0 2 1 2 3 1 Se calcular a el coeciente de correlaci on por rangos de Spearman, dado que se est an tratando variables cuantitativas. Obtendremos primero la versi on original de dicho coeciente. A partir de los c alculos recogidos en la tabla 2.6, se obtiene n 6 d2 i i=1 117 5 rs = 1 = 1 610 2 99 n(n 1) 705 = 1 990 = 1 0 7121 = 0 2879. No obstante, debido al elevado n umero de empates deber a emplearse el coeciente modicado para dicho caso, o incluso al coeciente de GoodmanKruskal. Se calcular a el coeciente modicado de Spearman. 103 3 0 = 997 12 12 3 10 3 24 62 6 905 2 y = 12 ( 12 + 12 + 12 ) = 12 . Por tanto el coeciente modicado queda como x2 = 997 + 905 117 5 12 rs = = 0 2589 997 905 2 122 que es ligeramente inferior al original. Del resultado obtenido se concluye la escasa concordancia entre la edad y el n umero de hermanos.

2.5 Medidas de dependencia. Coecientes de relaci on 73 5.3. Atributos. Contingencia

5.3.1. Coeciente 2 El coeciente 2 se utiliza para medir el grado de asociaci on entre dos variables cualitativas con h y k categor as respectivamente. Este estad stico est a basado en la comparaci on de las frecuencias observadas con las esperadas bajo una cierta hip otesis, generalmente de independencia, respondiendo a la expresi on 2 = donde: oij son las frecuencias observadas o emp ricas eij son las frecuencias esperadas o te oricas Cuando h y k toman el valor 2, es decir, cuando se est a trabajando con una tabla de contingencia 2 2, se aplica la denominada correcci on de Yates, resultando el coeciente:
2 2 (|oij eij | 0 5)2 . eij i=1 j =1 h k (oij eij )2 , eij i=1 j =1

2 =

El coeciente siempre toma valores no negativos, pero al tratarse de una medida no acotada, es de dif cil interpretaci on por s sola, si bien, cuanto m as relacionadas est en las variables sometidas a estudio m as se alejar a el coeciente del valor 0. Su valor depende del n umero de observaciones y de las categor as en que estas se dividen, por tanto el coeciente 2 y sus derivados no son comparables con cualquier otro coeciente obtenido con distinto n umero de categor as. Este coeciente 2 es la base de otros obtenidos a partir de el y que solucionan el problema de su falta de acotaci on.

74 Cap tulo 2. An alisis conjunto de variables 5.3.2. Coeciente de contingencia Es uno de los coecientes derivados del 2 , resultando u til bajo las mismas condiciones que aquel pero con mayores posibilidades de interpretaci on. Se denota por C y se dene como

C=

2 2 + n

siendo n el tama no muestral. Se cumple que 0 C 1 y mide la intensidad de la relaci on sin indicar su sentido. 5.3.3. Coeciente de Cramer Es otro de los coecientes derivados del 2 . Se caracteriza por V y su expresi on es 2 V = n(m 1) siendo: n el tama no muestral m el m nimo entre h y k h el n umero de categor as de la variable X k el n umero de categor as de la variable Y Se verica que 0 V 1 y se interpreta igual que el coeciente de contingencia, teniendo en cuenta que s olo proporciona informaci on sobre la relaci on entre las variables y no sobre el sentido de la misma.

2.5 Medidas de dependencia. Coecientes de relaci on 75 5.3.4. Coeciente Se trata de un coeciente especialmente indicado para medir la asociaci on entre dos variables dicot omicas. Su expresi on es n11 n22 n21 n12 = n1 n2 n1 n2 donde: n11 es el n umero de veces que se da el par (X = 0, Y = 0) n12 es el n umero de veces que se da el par (X = 0, Y = 1) n21 es el n umero de veces que se da el par (X = 1, Y = 0) n22 es el n umero de veces que se da el par (X = 1, Y = 1) En cuanto a su interpretaci on, el coeciente toma valores en el intervalo [1, 1], midiendo de forma similar al coeciente de Pearson la intensidad de la asociaci on entre las dos variables; salvo que alguna de las frecuencias nij sea nula, en cuyo caso el coeciente vale 1 o -1. En el caso en que se estudie el grado de correlaci on entre dos variables cuantitativas dicotomizadas, X e Y , siempre y cuando estas respondan a variables continuas bajo una ley normal (que se estudiar a m as adelante), el coeciente suele denominarse coeciente de correlaci on tetrac orica. Ejemplo 2.6 De cara a la planicaci on del pr oximo curso ser a conveniente analizar la relaci on entre el nivel de estudios del padre y la orientaci on del alumno hacia las ciencias. Se cuenta para ello con la informaci on obtenida en el centro Estudios padre Orientaci on Nulo B asico Medio Superior Orientado 23 12 34 32 No orientado 18 42 16 27

76 Cap tulo 2. An alisis conjunto de variables Como se trata de una tabla de contingencia, se calcula el coeciente 2 y sus derivados para hacer posible la interpretaci on. Orientado No orientado Nulo B asico Medio Superior 23 12 34 32 101 18 42 16 27 103 41 54 50 59 204 1
10141 204 10341 204

eij 1 2 eij 1 2 2 =

2
10154 204 10354 204

3
10150 204 10350 204

4
10159 204 10359 204

20 30 26 73 24 75 29 21 20 70 27 26 25 24 29 79

(23 20 30)2 (12 26 73)2 + 20 30 26 73 2 (34 24 75) (32 29 21)2 + + 24 75 29 21 2 (18 20 70) (42 27 26)2 + + 20 70 27 26 (16 25 24)2 (27 29 79)2 + + 25 24 29 79 = 0 36 + 8 12 + 3 46 + 0 26 +0 35 + 7 97 + 3 38 + 0 26 = 24 16 24 16 = 0, 3254 + 204

C=

24 16

V =

24 16 = 0, 3441. 204 1

2.5 Medidas de dependencia. Coecientes de relaci on 77 Luego podemos concluir que el grado de asociaci on entre las variables es peque na. Ejemplo 2.7 En el conservatorio de m usica de una ciudad se pretende estudiar la relaci on existente entre el sexo del alumnado y su aci on por los instrumentos de viento. Para ello, controlados los 482 estudiantes se tiene: Acionado No acionado Hombre 150 123 Mujer 97 112

Dada la naturaleza dicot omica de las variables, se recurre al coeciente 150 112 123 97 4869 = = = 0 08. 8 57548 247 235 273 209 Con esto se pone de maniesto la inexistencia de relaci on entre el sexo y la preferencia por los instrumentos de viento. Ejemplo 2.8 Volviendo al ejemplo planteado en el estudio de variables continuas, v ease ejemplo 2.4, y considerando un caso a un m as general, se supone que la informaci on que conserv o el agricultor despu es de la cosecha de cada a no es tan s olo el recuerdo de si fue buena o mala. As los datos con los que se cuenta para el estudio de las variables son: Seco Lluvioso Mala 0 5 Buena 4 1

Haciendo uso ahora, dado que las variables aparecen dicotomizadas, del coeciente de correlaci on tetrac orica 5401 20 rt = = = 0 8165. 24 4948 6455

78 Cap tulo 2. An alisis conjunto de variables Poniendo nuevamente de maniesto la relaci on entre la cantidad de naranjas y la lluvia. Hay que tener en cuenta que el signo que acompa na al coeciente depende de la asignaci on de valores a la hora de dicotomizar las variables, por consiguiente, es interpretable la intensidad de la relaci on, no el sentido de la misma. Son varios los coecientes de relaci on que a lo largo de esta secci on se han ido enumerando, coincidiendo con los que por sus caracter sticas, naturaleza y facilidad de c alculo son m as utilizados y, por consiguiente, conocidos en los distintos campos donde su aplicaci on tiene cabida. 6. 6.1. Ejercicios Ejercicio resuelto

2.1 Se ha clasicado el peso de los huevos, Y , de un cierto tipo de pez en funci on del peso de la madre, X , obteni endose los resultados de la tabla adjunta.

X\Y [500,550) [550,600) [600, 650)

[25,27) 15 12 0

[27,29) 11 14 3

[29,31) 18 0 7

[31,33) 0 12 18

Calcule: a) La distribuci on del peso del huevo. b) La distribuci on del peso de la madre cuando el huevo tiene su peso comprendido entre [25, 27). c) La media, la mediana y la moda del peso de los huevos. d) El nivel de representatividad de la media del peso de la madre cuando el huevo est a comprendido entre [25, 27). e) Estudiar si las variables son independientes. f ) El grado de dependencia lineal entre estas variables.

2.6 Ejercicios 79 Soluci on: a) En realidad el primer apartado lo que est a pidiendo es la distribuci on marginal de la variable Y . Por tanto, n[25,27) = n(y [25, 27)) = n(x [500, 550), y [25, 27)) + = 15 + 12 + 0 = 27 n(x [550, 600), y [25, 27)) + n(x [600, 650), y [25, 27))

procediendo de igual forma con el resto de intervalos donde Y toma valores, se obtiene que: Y [25,27) [27,29) [29,31) [31,33) ni 27 28 25 30

b) Se pide la distribuci on de la variable X condicionada a que la variable Y tome valores en el intervalo [25, 27), es decir, f|[25,27) [500,550) = f (x [500, 550)/y [25, 27)) = =

f (x [500, 550), y [25, 27)) f (y [25, 27))


15 110 27 110

15 5 = 27 9

procediendo de igual forma, se tiene: X/Y [25, 27) fi [500, 550) [550, 600) [600, 650) 5 9 4 9 0

c) Se calcula la media de variable Y , y = 26 27 + 28 28 + 30 25 + 32 30 = 29 05. 110

80 Cap tulo 2. An alisis conjunto de variables Para calcular la mediana se tiene en cuenta el apartado a), donde se ve que el primer intervalo cuya frecuencia absoluta acumulada supera el 50 % de los datos, es decir, 55, es el intervalo [29,31). Por tanto la mediana viene dada por M e = 29 + 55 55 2 = 29. 25

Para calcular la moda, se observa que todos los intervalos tienen igual amplitud y que el intervalo con mayor frecuencia es el [31,33), por tanto la moda es 0 M o = 31 + 2 = 31. 25 + 0 d) Para calcular el nivel de representatividad de la media se utiliza el coeciente de variaci on, para ello, se calcula previamente la media y la desviaci on t pica de la variable requerida. La distribuci on de esta variable se ha calculado en el apartado b), por tanto 5 4 4925 x /y [25, 27) = 525 + 575 = y 9 9 9 4925 2 50000 2 25 24 Sx/y = 525 + 575 = [25,27) 9 9 9 81
50000 81 4925 9

Con lo que el coeciente de variaci on es CV =

= 0 045.

lo que supone que la media es muy representativa debido a que es muy peque no el coeciente de variaci on. e) Para tratar la independencia se considera un par (x, y ) [500, 550) [25, 27). Se sabe que f (x [500, 550), y [25, 27)) = adem as, se tiene que f (x [500, 550)) = 44 110 15 , 110

2.6 Ejercicios 81 y que f (y [25, 27)) = con lo cual, f (x [500, 550), y [25, 27)) = 15 1188 = = 110 12100 27 110

= f (x [500, 550))f (y [25, 27)). Por tanto, se tiene que las variables no son independientes. f ) Para cuanticar el grado de dependencia lineal entre dos variables se calcula el coeciente de determinaci on R2 =
2 SXY 2 S2 . SX Y

2 , S2 y S Se necesita calcular SX XY : Y 2 SX

5252 44 + 5752 38 + 6252 28 = 110

62450 110

= 1583 47 2

2 SY

262 27 + 282 28 + 302 25 + 322 30 = 110

3196 110

= 5 14

SXY

1 (26 525 15 + 26 575 12 + 26 625 0 + 28 525 11 110 +28 575 14 + 28 625 3 + 30 525 18 + 30 575 0 +30 625 7 + 32 525 0 + 32 575 12 + 32 625 18) 199590200 = 44 03. 12100

Con lo cual R2 =

de donde se deduce que el grado de dependencia lineal es bastante bajo.

44 032 = 0 24, 5 14 1583 47

82 Cap tulo 2. An alisis conjunto de variables 6.2. Ejercicios propuestos

2.1. Durante el a no 1993 se han observado la poblaci on y el n umero de viviendas de renta libre unifamiliares en 32 municipios de la provincia de C adiz. Los datos obtenidos se han tabulado, obteni endose: Y X 0-10 3 3 1 2 10-30 30-70 70-150 150-250

[0-2) [2-5) [5-10) [10-30) [30-80) [80-180)

3 2 1

1 6 2 1

1 1 1 1

2 1

donde: X = N umero de viviendas Y = Poblaci on en miles de personas a) Obtenga las distribuciones marginales de X e Y . b) Indique qu e distribuci on es m as homog enea. c) Obtenga la distribuci on de las viviendas unifamiliares para los municipios entre dos mil y treinta mil habitantes. d) Calcule los momentos: a01 , a02 , a10 , a11 , m02 , m20 , m21 . e) Entre las poblaciones de m as de 10.000 habitantes, indique cu al es el n umero de viviendas libres construidas m as frecuente. f ) Obtenga la covarianza y el coeciente de correlaci on de las variables X e Y e interpr etelo. 2.2. De la variable bidimensional (X, Y ) se conoce su coeciente 2 = 5 32 y S 2 = 8 41. Si se de correlaci on, r = 0 83, y sus varianzas, Sx y multiplican por 3 los valores de X y por 2 los valores de Y , que repercusi on tienen estas transformaciones en la covarianza y en el coeciente de correlaci on? 2.3. La tabla 2.7 muestra una serie hist orica sobre el Olivar Espa nol que recoge la supercie, rendimiento y producci on, durante el periodo 1965-1979. donde:

2.6 Ejercicios 83 A no 1965 1966 1967 1968 1969 1970 1971 1972 1973 1974 1975 1976 1977 1978 1979 X 736 981 998 1077 1077 122 127 1381 1521 1448 1607 1502 1521 1673 165 Y 698 625 985 1025 974 1138 118 1281 1458 1398 1529 1434 146 1621 1602 Z 85 6 87 6 37 89 79 101 68 5 111 98 95 108 10

Tabla 2.7: Datos ejercicio 2.3

X = Supercie en miles de Ha. Y = Rendimiento en Qm/Ha.. Z = Producci on en miles de Tm.. Se pide: a) El diagrama de dispersi on de las variables X e Y . b) Las medidas m as representativas para cada una de las variables, indicando su representatividad c) El estudio de la relaci on entre las variables XY , XZ e Y Z.

2.4. La siguiente tabla muestra la relaci on existente entre la llu2 via ca da, en l/m , en el periodo octubremayo y la producci on obtenida

84 Cap tulo 2. An alisis conjunto de variables en kilogramos por olivo. X Y Y Y Y Y 300 13 24 17 11 20 400 26 21 17 26 30 500 40 31 38 34 27 600 57 45 51 58 44 700 64 69 57 76 74

donde X representa la lluvia ca da e Y la producci on obtenida en kilogramos por olivo. a) Represente el diagrama de dispersi on. b) Indique si existe alguna tendencia. c) Cuantique y comente la relaci on existente entre las dos variables. 2.5. Dada la siguiente tabla de doble entrada con valores porcentuales: Y X 2 3 4 0 0 22 0 13 0 04 1 0 16 0 11 0 05 2 0 08 0 16 0 05 a) Obtenga la distribuci on marginal de X . Calcule su media, moda y mediana. b) Calcule la media de Y cuando X toma el valor 3. c) Estudie la dependencia de las variables X e Y . 2.6. Estudiar la coherencia de los siguientes resultados correspondientes a una variable bidimensional:
2 2 =0 Sxy = 179 5, Sx = 36 8, Sy = 525, Me (X ) = 12 3, Y

2.7. De los modelos de una determinada marca de autom oviles se considera el consumo medio y el tiempo de aceleraci on de 0 a 100

2.6 Ejercicios 85 Km./h., obteni endose los siguientes resultados: Acel. (seg.) [7, 9) [9,11) [11,14) [14,18) [5, 6) Cons. (lit.) [6, 7) [7, 8) [8, 9) 1 3 1 2 4 5 1 3 2 1 [9,12) 2 4 3

1 3

a) Dibuje y comente el diagrama de dispersi on. b) Obtenga el consumo medio de carburante. c) Obtenga el tiempo de aceleraci on medio. d) Indique cu al de las dos medias es m as representativa. e) Estudie la relaci on existente entre las dos caracter sticas. 2.8. A un grupo de estudiantes se les pregunt o por el tiempo que tardan en llegar desde su hogar hasta la Facultad, X (minutos), el tiempo que le dedican diariamente al estudio, Y (horas), y las calicaciones obtenidas en la asignatura de Estad stica, Z , obteni endose las siguientes respuestas: (40, 4, 4), (45, 3, 3), (30, 4, 5), (40, 4, 5), (80, 2, 5), (20, 3, 5) (10, 15, 6), (10, 4, 6), (20, 4, 6), (45, 3, 3), (20, 4, 4), (30, 4, 7) (30, 3, 7), (20, 4, 6), (30, 1, 6), (10, 5, 5), (15, 5, 5), (20, 6, 5) (20, 3, 7), (20, 4, 5), (20, 5, 6), (60, 2, 3), (60, 5, 5) a) Obtenga el diagrama de dispersi on correspondiente al tiempo dedicado al estudio y las calicaciones obtenidas en Estad stica. b) Se aprecia alguna tendencia? c) Estudie las relaciones exitentes entre XY , XZ e Y Z . 2.9. Al mismo grupo del ejercicio anterior se le ha pedido que escriba un d gito al azar entre 0 y 9 as como el n umero de hermanos que tiene, obteni endose los siguientes pares de valores: (7, 4), (0, 1), (2, 1), (2, 0), (9, 4), (7, 4), (6, 3), (8, 5) (7, 3), (3, 2), (7, 3), (2, 1), (7, 4),(7, 3), (8, 4), (8, 5) (5, 3), (3, 1), (4, 2), (4, 2), (5, 3), (2, 0), (4, 2) Existe alguna relaci on entre las variables?, de qu e tipo?

86 Cap tulo 2. An alisis conjunto de variables 2.10. Sea la variable bidimensional (X, Y ) de la que se han obtenido 25 pares de valores, con los siguientes resultados: r = 0 65,
25 i=1 25 i=1

xi = 238,
25 i=1

25 i=1

yi = 138

x2 i = 12678,

2 yi = 2732

a) Calcule medias, varianzas y covarianza de X e Y . b) Indique qu e variable es m as homog enea. 2.11. En cada uno de los estanques, A y B , se tienen 100 ejemplares de una variedad de dorada todas ellas afectadas por un par asito. La alimentaci on es id entica en ambos estanques salvo en un producto encaminado a eliminar dichos par asitos, suministrado u nicamente a los del estanque A. Posteriormente, se encuentra que en 71 ejemplares del A y en 58 del B han desaparecido los par asitos. Halle el coeciente de contingencia y el coeciente de Cramer e interprete los resultados. 2.12. Demuestre que el coeciente de Cramer est a comprendido entre 0 y 1. 2.13. Demuestre que el aximo del coeciente de continvalor m (k1) gencia de una tabla k k es k . 2.14. Antes de un campeonato de f utbol las apuestas indican que las posiciones que ocupar an al nalizar este cinco de los equipos participantes es A > B > C > D > E . Un jugador apuesta que el orden nal ser a A > D > B > E > C . Mida el grado de similitud entre ambas ordenaciones. 2.15. Se mide el tiempo que 10 estudiantes tardan en realizar dos experimentos en los que predominan el c alculo mental y la capacidad espacial, respectivamente. Si los valores obtenidos son:

2.6 Ejercicios 87 Estudiante Tarea 1 Tarea 2 1 32 41 2 37 33 3 45 46 4 50 47 5 48 40 6 56 71 7 78 70 8 69 65 9 77 75 10 79 83

Estudie la relaci on entre los resultados obtenidos en ambas tareas. 2.16. Dos grupos de estudiantes deciden clasicar a 11 profesores. Los resultados se muestran a continuaci on: Prf. Gr.I Gr.II Es. 7 8 Og. 4 2 Mt. 2 1 Ig. 8 5 Fs. 9 3 Ge. 10 11 C a. 11 9 FQ. 6 10 Oc. 1 7 Bi. 3 4 In. 5 6

Compare ambas clasicaciones. 2.17. En un grupo de 100 personas se estudian los atributos Color del Cabello (Moreno, Rubio, Casta no) y Color de los Ojos (Negro, Marr on, Azul y Verde), obteni endose la siguiente tabla de contigencia: Ojos \ Cabello Negro Marr on Azul Verde Moreno 20 16 5 10 Rubio 8 2 8 5 Casta no 4 11 8 3

Est an relacionados dichos atributos?

88

Estad stica Descriptiva y Probabilidad


(Teor a y problemas) 3a Edici on Autores I. Espejo Miranda F. Fern andez Palac n M. A. L opez S anchez M. Mu noz M arquez A. M. Rodr guez Ch a A. S anchez Navas C. Valero Franco

c 2006 Universidad de C Copyright adiz. Se concede permiso para copiar, distribuir y/o modicar este documento bajo los t erminos de la Licencia de Documentaci on Libre de GNU, Versi on 1.2 o cualquier otra versi on posterior publicada por la Free Software Foundation. Una traducci on de la licencia est a incluida en la secci on titulada Licencia de Documentaci on Libre de GNU.

c 2006 Universidad de C Copyright adiz. Permission is granted to copy, distribute and/or modify this document under the terms of the GNU Free Documentation License, Version 1.2 or any later version published by the Free Software Foundation. A copy of the license is included in the section entitled GNU Free Documentation License.

Edita: Servicio de Publicaciones de la Universidad de C adiz C/ Dr. Mara n on, 3 11002 C adiz http://www.uca.es/publicaciones

ISBN: 978-84-9828-058-6 Dep osito legal:

Estad stica Descriptiva y Probabilidad. Teor a y Problemas (Revisi on: Febrero 2006) I. Espejo Miranda, F. Fern andez Palac n, M. A. L opez S anchez, M. Mu noz M arquez, A. M. Rodr guez Ch a, A. S anchez Navas, C Valero Franco c 2006 Servicio de Publicaciones de la Universidad de C adiz. Documento bajo Licencia de Documentaci on Libre de GNU (Versi on 1.2 o posterior). http://www.uca.es/teloydisren

Cap tulo 3 Ajuste y regresi on bidimensional

1.

Introducci on

Considerada una serie estad stica (x1 , y1 ), . . . , (xn , yn ), procedente de una distribuci on (X, Y ), el problema que se plantea en este cap tulo consiste en encontrar alguna relaci on que exprese los valores de una variable en funci on de los de la otra. Para hacer esto, y una vez establecida cual ser a la variable dependiente, se tienen dos opciones: prejar una clase funcional1 , o estimar un valor de la variable dependiente para cada valor de la variable independiente. En el primer caso, se est a realizando un ajuste, y en el segundo, se tiene un problema de regresi on. La regresi on, viene determinada, por tanto, por un conjunto de puntos, de tal forma que uniendo los puntos contiguos por segmentos rectil neos se obtiene la poligonal de regresi on. La regresi on s olo tendr a sentido cuando en la serie bidimensional haya muchos valores de la variable dependiente para cada uno de la independiente, pues en caso contrario, es casi id entica al diagrama de dispersi on y no aporta nada nuevo. Ambas t ecnicas, ajuste y regresi on, son complementarias, siendo la poligonal de regresi on una buena referencia de la clase funcional a elegir para el ajuste, a la vez que, como se ver a a lo largo del cap tulo, ja el techo para la bondad de este.
1

Por ejemplo una recta, una par abola, una funci on exponencial, etc.. . .

90 Cap tulo 3. Ajuste y regresi on bidimensional En el caso del ajuste, la cuesti on ser a elegir la mejor clase funcional y determinar los par ametros que identiquen la funci on dentro de la clase. Esto se consigue imponiendo a dicha funci on que verique condiciones de adaptaci on a la nube de puntos, para ello, se emplear a el criterio de los m nimos cuadrados, que se desarrollar a en el punto siguiente. Los puntos de la regresi on se obtienen utilizando distribuciones condicionadas. Se emplear a el m etodo de la regresi on a la media, que consiste en asociar a cada valor de la variable independiente, el valor medio de la distribuci on de la variable dependiente condicionada a cada uno de dichos valores. El objeto del ajuste es doble. Por una parte interpolador: puesto que se est a trabajando con un cierto n umero de observaciones, es de esperar que si estas son representativas del fen omeno en estudio, los elementos del colectivo se comporten de forma parecida y la funci on de ajuste sea tambi en v alida para ellos. Y por otra parte extrapolador: bajo la suposici on de que la relaci on funcional entre variable dependiente e independiente permanece constante, al menos en un entorno de las observaciones, es posible hacer una previsi on del valor que tomar a la variable dependiente para un valor determinado de la independiente en dicho entorno. Esta caracter stica puede ser utilizada, por ejemplo, para hacer previsiones de ventas a corto o medio plazo, estimar el volumen de cosecha en funci on de la lluvia ca da, etc. . . La elecci on de la familia de funciones sobre la que se har a el ajuste es uno de los problemas principales a los que se deber a hacer frente. En un principio, la observaci on de la nube de puntos puede dar una idea de la evoluci on de los valores de la variable dependiente (a partir de ahora Y ) en funci on de los de la independiente (X ). Como ya se coment o arriba, en algunos casos, puede ser de mucha utilidad el construir la poligonal de regresi on. El tema se ha dividido en dos partes, la primera dedicada al ajuste y la segunda a la regresi on.

3.2 Ajuste. Criterio de los m nimos cuadrados 91 2. Ajuste. Criterio de los m nimos cuadrados

Fijada la familia de funciones que se utilizar a para ajustar los valores de una serie estad stica bidimensional, esta depender a de unos par ametros. El m etodo que se usar a para la estimaci on de dichos par ametros es el de los m nimos cuadrados, que consiste en hacer m nima la suma de las diferencias al cuadrado entre los valores observados y los correspondientes valores ajustados. Formalmente, sean (x1 , y1 ), (x2 , y2 ), , (xn , yn ), los valores observados y g (x, , , , ) la funci on de ajuste. Los valores de los par ametros se obtienen imponiendo la condici on de hacer m nima la funci on H , donde n H (, , , ) = [yi f (xi , , , , )]2 .
i=1

Para ello, se calculan las derivadas parciales de H respecto de cada uno de los par ametros y se igualan a cero: H H H = 0, = 0, , = 0.

Con esto se genera un sistema de tantas ecuaciones como par ametros, llamado sistema de ecuaciones normales, que resuelto da los valores de los par ametros. A continuaci on, se hace un estudio m as detallado para algunas funciones de uso habitual. 2.1. Caso lineal

Sean (x1 , y1 ), (x2 , y2 ), , (xn , yn ) los valores observados2 y sea f (x, a, b) = a + bx la recta de ajuste de los valores de Y en funci on de los de X . Se obtienen los valores a y b minimizando la funci on error cuadr atico, H , dada por H (a, b) =
2

n [yi (a + bxi )]2 . i=1

Obs ervese que no se dan las observaciones con sus respectivas frecuencias, sino que se hace por extensi on para facilitar la nomenclatura.

92 Cap tulo 3. Ajuste y regresi on bidimensional Derivando respecto a los dos par ametros H (a, b) a H (a, b) b
n = 2 [yi (a + bxi )] i=1

n = 2 [yi (a + bxi )]xi i=1

e igualando a cero, queda el siguiente sistema de ecuaciones, que se conoce como sistema de ecuaciones normales del modelo:
n i=1

yi = na + b
n i=1

n i=1

n i=1

xi
n i=1

yi xi = a

xi + b

x2 i.

Utilizando la notaci on
yi = f (xi ) = a + bxi ei = yi yi

(3.1)

el sistema de ecuaciones normales puede expresarse de la forma


n i=1

ei = 0 (3.2)

n i=1

ei xi = 0

donde ei representa el residuo o error de la observaci on i- esima. Admitiendo que se verican las condiciones sucientes de m nimo se pueden obtener f acilmente los valores de a y b: a = y bx Sxy b = . 2 Sx

3.2 Ajuste. Criterio de los m nimos cuadrados 93 Si se quiere obtener la l nea de ajuste de X respecto a Y , llamando ahora a y b a los coecientes de la recta, se obtiene a = x b y S xy b = . 2 Sy Los valores b y b que son las pendientes de las rectas de ajuste, reciben el nombre de coecientes de regresi on y representan los incrementos de las variables dependientes para aumentos unitarios de las independientes. Y (xi , yi )

ei = yi yi

y
i

y = a + bx

X Figura 3.1: Criterio de los m nimos cuadrados Ejemplo 3.1 Dada la distribuci on bidimensional X Y 1 2 3 4 5 6 2 5 9 13 17 21

Los coecientes de la recta de ajuste de Y en funci on de X son Sxy 11 25 = = 3 87 2 Sx 2 91 a = y bx = 11 166 3 87 3 5 = 2 36 b =

94 Cap tulo 3. Ajuste y regresi on bidimensional Y los coecientes de la recta de X en funci on de Y son Sxy 11 25 b = = = 0 26 2 Sy 43 46 a = x b y = 3 5 0 26 11 166 = 0 61. Es decir, cuando X aumenta en una unidad Y lo hace en 387 unidades, mientras que cuando se incrementa Y en una unidad X crece 026 unidades.

Y
25

20

15

10

0 0 1 2 3 4 5 6 7

Figura 3.2: Recta de ajuste del ejemplo 3.1 Se han denido dos nuevas variables, por una parte Y , que representa los valores ajustados de la variable Y y que tiene por media y varianza: y = y
2 Sy

= bSxy

y por otra parte, la variable residuo e, con media y varianza: e = 0 n


i=1 n i=1

e2 i =

2 Se =

2 (yi yi )

(3.3)

3.2 Ajuste. Criterio de los m nimos cuadrados 95


2 recibe el nombre de varianza residual, y puede expresarse tambi Se en de la forma n n n 2 yi a yi b xi yi 2 Se = i=1 i=1 i=1

. n Estas dos variables est an incorreladas. En efecto, multiplicando la primera expresi on de (3.2) por a y la segunda por b, se tiene 0=a
n i=1

ei + b

y puesto que e = 0, resulta

n i=1

ei xi =

n i=1

ei (a + bxi ) =

n i=1

ei yi

Sey = como se quer a demostrar. Ejercicio 3.1

n i=1

ei yi

e y = 0

(3.4)

Demuestre las siguientes propiedades: a) Las rectas de regresi on de X sobre Y y de Y sobre X se cortan en el centro de gravedad de la distribuci on. b) b, b , r y Sxy tienen siempre el mismo signo. c) Las dos rectas de regresi on coinciden s olo cuando r = 1 o r = 1. d) Se pueden expresar las rectas de regresi on de Y sobre X y de X sobre Y , respectivamente, como: yy = xx = Sxy (x x ) 2 Sx Sxy (y y ). 2 Sy

e) El coeciente de correlaci on lineal puede obtenerse como: r = bb .

96 Cap tulo 3. Ajuste y regresi on bidimensional Todo lo que se ha dicho hasta ahora es generalizable a funciones linealizables, sin m as que hacer los cambios y transformaciones pertinentes, como los que se muestran en la tabla 3.1. Funci on y = axb y = abx b y =a+ x Transformaci on Cambio y = ln y ln y = ln a + b ln x x = ln x y = ln y ln y = ln a + x ln b x = x y = y b y =a+ x 1 x = x

Tabla 3.1: Linealizaci on de funciones 2.2. Caso parab olico

Se considera la funci on de ajuste f (x, a, b, c) = a+bx+cx2 , par abola de segundo grado. Para obtener los valores de a, b y c se utiliza el m etodo de los m nimos cuadrados y se minimiza la funci on H denida por n 2 H (a, b, c) = [yi (a + bxi + cx2 i )] .
i=1

Para ello se calculan las derivadas parciales de H respecto de a, b y c y se igualan a cero: H a H b H c


n = 2 [yi (a + bxi + cx2 i )] = 0 i=1

n = 2 [yi (a + bxi + cx2 i )]xi = 0 i=1

Despejando los t erminos independientes, se obtiene el sistema de ecuaciones normales: n n n yi = an + b xi + c x2 i


i=1 i=1 i=1

n 2 = 2 [yi (a + bxi + cx2 i )]xi = 0. i=1

3.3 An alisis de la bondad del ajuste 97


n i=1

yi xi = a yi x2 i = a

n i=1

n i=1 n i=1

xi + b x2 i +b

x2 i

+c

i=1 n i=1

x3 i x4 i.

x3 i +c

i=1 n i=1

De igual forma si se denen y = a + bxi + cx2 i y ei = yi yi el sistema de ecuaciones normales se puede expresar como n i=1

ei = 0

n i=1

n i=1

ei xi = 0 ei x2 i = 0.

La varianza residual vale ahora


n i=1 2 yi a n i=1

2 Se =

yi b

n i=1

xi yi c

n i=1

x2 i yi .

3.

An alisis de la bondad del ajuste

Una vez obtenidos los valores de los par ametros, y por tanto la funci on de ajuste, se va a dar la medida del grado de aproximaci on entre los valores observados y los ajustados. Seg un (3.3), la varianza del error o varianza residual vale
n 2 (yi yi ) i=1

2 Se =

que coincide con el error cuadr atico medio (E.C.M.). Al venir dada dicha varianza por una suma de t erminos al cuadrado ser a siempre positiva,

98 Cap tulo 3. Ajuste y regresi on bidimensional salvo que todos los t erminos sean nulos, en cuyo caso el E.C.M. valdr a cero. Los t erminos ser an nulos s olo si coinciden los valores observados con los ajustados, con lo cual, el ajuste ser a perfecto s olo si la varianza residual vale cero. Si se ajustan los mismos datos a dos modelos diferentes, el m as afortunado ser a aquel que tenga un E.C.M. menor. A continuaci on se relaciona la varianza residual, la varianza de Y y la varianza de Y . De la relaci on (3.1) se deduce que
yi = yi + ei ,

adem as por (3.4) se tiene que y y e son incorreladas, es decir, la varianza de la suma es la suma de las varianzas, con lo cual se tiene que
2 2 2 Sy = Sy + Se .

Por tanto, la varianza de Y es igual a la varianza de los valores ajustados m as la varianza residual. Este importante resultado se puede expresar tambi en de la forma
n n n 2 2 2 (yi y ) = (yi y ) + (yi yi ) , i=1 i=1 i=1

sin m as que multiplicar los dos miembros de la igualdad por n. Al ser las varianzas n umeros positivos las relaciones siguientes son evidentes: 0
2 Se 2 0 Sy 2 Sy 2 Sy

2 = 0, entonces y = y para todo i, con lo que el modelo propuesto Si Se i i explica perfectamente las variaciones de la variable Y , siendo inmejora2 = 0, y = y ble. Si, por el contrario, Sy para todo i, con lo que el modelo i de ajuste es constante y no explica, en forma alguna, las variaciones de Y . Estas son las situaciones extremas, pero el caso general se caracteriza 2 > 0 y S 2 > 0. por ser Se y 2 est Evidentemente, cuanto m as pr oximo Se e de cero mejor ser a el ajuste, aunque, al ser un valor que viene acompa nado de la unidad de

3.3 An alisis de la bondad del ajuste 99 la variable, no se puede dar una medida exacta de la bondad de este ni hacer comparaciones entre dos distribuciones que vengan dadas en unidades distintas. Se hace necesario, pues, construir un coeciente abstracto, de modo que se pueda expresar la bondad del ajuste en forma de porcentaje. Con esa intenci on se redene3 el coeciente de determinaci on de la siguiente forma: R2 =
2 2 S2 2 Sy Sy Se e = = 1 . 2 2 2 Sy Sy Sy

2 < S 2 , R2 var Al ser Sy a entre 0 y 1, multiplicado por 100 expresa y el porcentaje de la variabilidad de Y que queda explicado por el ajuste. 2 vale 0, R2 vale 0, y el ajuste explica el 0 % de la variabilidad Cuando Sy 2 vale 0, R2 vale 1 y el ajuste explica el 100 % de la de Y . Cuando Se variabilidad de Y . En general, y teniendo en cuenta que

1= se puede decir que el 100

2 + S2 2 2 Sy Sy Se e = + , 2 2 2 Sy Sy Sy
2 Sy 2 Sy

de la variabilidad de Y queda explicada


2 y

e por el ajuste, y el resto, es decir el 100 S , no se explica por este. S2

Ejemplo 3.2

El coeciente de correlaci on lineal al cuadrado para la distribuci on del ejemplo 3.1, vienen dados por: R2 =
2 Sxy 126 56 = = 0 9991 . 2S2 914 43 468 Sx 2 y

Por lo que el 99 91 % de la variabilidad de Y queda explicada por X a trav es de la recta de ajuste y el resto, es decir el 0 09 % restante se explicar a bien por otra funci on de ajuste mejor o bien por otras variables distintas4 a X. Por u ltimo, puesto
Para el caso lineal ya se hab a introducido en el cap tulo anterior. Observe que si para un mismo valor de X se tuvieran dos valores distintos de Y, X no podr a explicar esa variabilidad, y de hecho ninguna funci on de X podr a pasar por los dos puntos.
4 3

100 Cap tulo 3. Ajuste y regresi on bidimensional que los coecientes de regresi on son positivos, se tendr a que r = + R2 = 0 9995 .

Resultado. Cuando el ajuste realizado es lineal, R2 coincide con el cuadrado del coeciente de correlaci on lineal, es decir: R2 =
2 Sxy = r2 . 2S2 Sx y

4.

Regresi on. M etodo de regresi on a la media

Este m etodo consiste en denir la l nea de regresi on como la poligonal que pasa por la media aritm etica de los puntos de igual abscisa, (curva de regresi on de Y respecto a X ), o de igual ordenada, (X respecto a Y ). Si s olo hubiera un valor de Y para cada valor de X , o un valor de X para cada uno de Y , la correspondiente curva de regresi on ser a la poligonal que uniera todos los puntos. La regresi on tiene inter es, por tanto, s olo cuando hay un gran n umero de observaciones y a cada valor de una de las variables le corresponden muchos valores de la otra. El nombre de regresi on tiene su origen en los primeros estudios que relacionaban las estaturas de grupos de padres e hijos; se observ o entonces que, en general, padres de peque na estatura ten an hijos bajos pero no tanto como ellos, y padres de talla elevada ten an hijos altos pero no tanto como ellos, produci endose una tendencia o regresi on hacia los valores intermedios. Se llama curva de regresi on de Y respecto de X , a la funci on que asocia a cada xi de X , la media condicionada de Y respecto de xi . Es decir: (xi ) = y |X =xi = y i

3.4 Regresi on. M etodo de regresi on a la media 101 Ejemplo 3.3 La regresi on a la media de la siguiente distribuci on:

X/Y 1 2 3 4 5 6 7

1 2 3 0 0 0 0 0

2 4 6 0 0 0 0 0

3 3 1 3 0 0 0 0

4 7 8 5 2 0 2 0

5 1 5 7 4 5 8 0

6 8 9 8 6 8 9 0

7 9 6 5 7 7 9 2

8 3 4 4 4 4 6 3

9 2 3 2 3 4 6 3

viene dada por X 1 2 3 4 5 6 7 (x) 5 25 5 11 5 79 6 61 6 85 6 67 8 12 Gr acamente la curva de regresi on ser a la que se muestra en la gura 3.3.

Y
10

0 0 1 2 3 4 5 6 7 8

Figura 3.3: Poligonal de regresi on

102 Cap tulo 3. Ajuste y regresi on bidimensional 5. An alisis de la bondad de la regresi on

A continuaci on se dar a una medida de la proximidad de la curva de regresi on a la distribuci on. Se considera el error cuadr atico medio, que en este caso viene dado por
r s [yij y i ]2 nij i=1 j =1

E.C.M. = donde

r i=1

Vi [Y ] fi. ,

Vi [Y ] =

s j =1

[yij y i ]2 nij ni.

es la varianza de Y condicionada a X = xi . El E.C.M. est a medido en la misma unidad que la variable con los consiguientes problemas. Se hace necesario, pues, dar una medida adimensional de la bondad de la regresi on. La varianza de Y se puede expresar como n n V [Y ] = Vi [Y ] fi. + (y i y )2 fi. ,
i=1 i=1 I II

quedando descompuesta en la suma de la media ponderada de las varianzas condicionadas (I ), m as la varianza ponderada de las medias condicionadas (II ). Es decir, la heterogeneidad de Y , resulta de la heterogeneidad debida a las distribuciones condicionadas por cada modalidad xi , m as la heterogeneidad existente entre las distintas modalidades. Se dene la raz on de correlaci on de Y con respecto a X como:
n (y i y )2 fi. i=1

2 y,x =

V [Y ]

3.5 An alisis de la bondad de la regresi on 103 V [Y ]


n i=1 n i=1

Vi (Y ) fi.

V [Y ] Vi [Y ] fi. .

= 1

V [Y ]

De forma an aloga se denir a la raz on de correlaci on de X respecto a Y . En general las dos razones de correlaci on son diferentes y verican:
2 2 0 y,x , x,y 1.

2 vale 0 si la varianza de las medias condicioLa raz on de correlaci on y,x nadas es nula. Es decir, si todas las medias condicionadas son id enticas, en cuyo caso la curva de regresi on es paralela al eje X , y se dice que Y est a incorrelada con X . El rec proco tambi en es cierto, la ausencia de correlaci on de Y con X , implica que la raz on de correlaci on vale cero. 2 vale 1 cuando la media de las varianzas La raz on de correlaci on y,x condicionadas Vi (Y ) es cero; ahora bien, una suma de t erminos positivos es nula s olo si todos son nulos, lo cual implica que todas las Vi (Y ) son cero, es decir, al valor xi de X le corresponde un u nico valor de Y , y, por consiguiente, Y depende funcionalmente de X . Rec procamente, la dependencia funcional de Y respecto a X , implica que la raz on de correlaci on vale 1.

Los distintos casos que se pueden presentar se recogen en la tabla 3.2. De igual forma que se hac a con el coeciente de determinaci on, se puede multiplicar la raz on de correlaci on por 100 y se obtendr a, en forma de porcentaje, la parte de la variaci on de Y que queda explicada por la curva de regresi on, que ser a n i y )2 fi. i=1 (y 100 % , V [Y ] el resto hasta 100, es decir:
2 Se 100 % V [Y ]

104 Cap tulo 3. Ajuste y regresi on bidimensional


Razones de correlaci on
2 x,y =0 2 0 < x,y <1 2 x,y =1

Dependencia funcional
2 y,x =0

Ausencia rec proca de correlaci on

Ausencia de correlaci on de Y respecto de X

de X respecto de Y Ausencia de correlaci on de Y respecto de X

2 0 < y,x <1

Ausencia de correlaci on de X respecto de Y Dependencia funcional

Dependencia funcional Caso general no rec proca de X respecto de Y Dependencia funcional no rec proca de Y respecto de X

2 y,x

=1

de Y respecto de X Ausencia de correlaci on de X respecto de Y

Dependencia funcional rec proca

Tabla 3.2: Estudio de las razones de correlaci on quedar a sin explicar por ella. Propiedad 3.1 La curva de regresi on es la funci on optima para el criterio de los m nimos cuadrados. De este resultado se puede deducir que el E.C.M. de la regresi on de la media es menor o igual que el E.C.M. del ajuste m nimo cuadr atico, y como consecuencia, que el coeciente de determinaci on, es siempre menor o igual que la menor de las razones de correlaci on, sea cual sea la 2 , 2 ) puede indicar funci on elegida. La comparaci on entre R2 y m n(y,x x,y si existe una funci on mejor para ajustar los datos. 6. Notas y conclusiones 1. A lo largo del cap tulo se ha comentado que la regresi on a la media tiene sentido cuando se cuenta con un amplio n umero de observaciones de la variable dependiente para un valor de la independiente. Sin embargo, en ciertos casos se puede suavizar esta condici on. As , si la variable X es continua, a un con un alto n umero de observaciones, es de esperar que haya pocos valores que se repitan, pero siempre se puede agrupar los datos en intervalos; estos deben ser

3.7 Ejercicios 105 lo sucientemente peque nos como para que los elementos pertenecientes a un mismo intervalo puedan considerarse, a los efectos pertinentes, iguales, y lo bastante grandes como para que caiga un n umero m nimo de observaciones en la mayor a de las clases. 2. Cuando la nube de puntos no proporcione una idea de la clase funcional que se debe elegir para realizar el ajuste, una posible soluci on puede ser el calcular la l nea de regresi on y representarla gr acamente. 3. Se ha utilizado una funci on para efectuar el ajuste, el calcular la previsi on para un valor de la variable independiente se reduce a sustituir dicho valor en la funci on. Si debe emplearse la poligonal de regresi on, la previsi on para un valor x de X ser a el valor correspondiente a la clase a la que pertenece x. Esto hace que la previsi on tenga dos matices diferentes: mientras que si se utiliza la poligonal de regresi on, s olo se pueden hacer previsiones para valores encuadrados en alguna de las clases predenidas en realidad ser a una interpolaci on; cuando las previsiones se basan en una funci on de ajuste, no s olo pueden hacerse estimaciones para valores intermedios, sino que se pueden extrapolar y sacar conclusiones para valores exteriores; aunque, en este caso, la abilidad de la previsi on depende de que las condiciones en que se realiz o el ajuste, permanezcan constantes, lo que ocurrir a, normalmente, en un entorno de los puntos utilizados para realizarlo. 7. 7.1. Ejercicios Ejercicio resuelto 3.1 Dada la siguiente distribuci on bidimensional: X Y 0 7 1 2 3 3 4 5 6 7 8 2 2 2 2 2 5 2 7 2 8 3 3 3 3 4 4 4

a) Calcule las dos rectas de ajuste. b) Compruebe que dichas rectas se cortan en el centro de gravedad.

106 Cap tulo 3. Ajuste y regresi on bidimensional c) Estime el valor de Y para X=10. d) Interprete el signicado de b y de b. e) Interprete el signicado de 1 R2 . Soluci on: a) Para calcular las dos rectas se procede a obtener las ecuaciones normales, y de aqu , o bien, se utilizan las expresiones obtenidas XY en el cap tulo para a y b, es decir, a = y bx y b = S 2 , o bien, se SX resuelve directamente el sistema. En este caso el sistema de ecuaciones normales viene dado por 30 1 = 10a + 39 7b 134 14 = 39 7a + 213 49b . Resolviendo por Cramer se tiene que 10 30 1 39 7 134 14 b= 10 39 7 39 7 213 49

y despejando en la primera ecuaci on normal se obtiene a = 1 97. Con lo que la ecuaci on queda: y = 1 97 + 0 262x. Para obtener la otra recta se puede hacer lo mismo, no obstanS te, para ofrecer otra posibilidad de resoluci on se utiliza b = Sxy y 2
2 = 0 391, x a = x b y . As , puesto que Sxy = 1 464, Sy = 3 97 y y = 3 01, se tiene que
y

= 0 262 ,

b =

1 464 = 3 74 y 0 391

a = 3 97 3 74 3 01 = 7 28

Quedando esta otra recta como: x = 7 28 + 3 74y.

3.7 Ejercicios 107

Y
5

2 0 2 4 6 8 10

Figura 3.4: Recta de ajuste de Y en funci on de X b) Para comprobar que ambas rectas se cortan en el centro de gravedad, basta con sustituir x yy en las rectas respectivas, y as : y = 1 97 + 0 262 3 97 = 3 01

x = 7 28 + 3 74 3 01 = 3 98. Como puede verse, se cometen peque nos errores de redondeo, subsanables operando con m as cifras decimales. c) Para realizar la estimaci on, se sustituye el valor x = 10 en la recta de ajuste Y = 1 97 + 0 262 10 = 4 59 . La calidad de la previsi on depende de que esta se haga en un entorno pr oximo a los valores de la variable, en nuestro caso se puede pensar que el valor 10 est a en dicho entorno, y, por otra parte, de que la recta se ajuste sucientemente bien a los puntos, para lo que se debe calcular el coeciente de determinaci on R2 . Para ello, se utiliza que R2 = bb = 0 262 3 74 = 0 98, es decir, la recta explica a trav es de X el 98 %

108 Cap tulo 3. Ajuste y regresi on bidimensional

2 0 5 10

Figura 3.5: Recta de ajuste de X en funci on de Y de la variabilidad de Y . A la vista de lo anterior, se puede concluir que 4 59 es una buena previsi on para Y dado que X vale 10. d) b y b son las pendientes de la rectas y representan los incrementos-decrementos, seg un que sean positivas o negativas, de la variable dependiente para incrementos unitarios de la variable independiente. En nuestro caso cuando X aumenta una unidad Y aumenta 0262 unidades, mientras que cuando lo hace Y en una unidad X crece 374 unidades. e) 1 R2 = 0 02. Lo que indica que el 2 % de la variabilidad de Y , no se explica por la recta en funci on de X , y que puede haber una mejor funci on de ajuste u otras variables distintas a la X no contempladas en el modelo. En general, ocurren ambas cosas a la vez, aunque en todo caso esto habr a que discutirlo a partir de los valores de las razones de correlaci on. 7.2. Ejercicios propuestos 3.1. Dada la distribuci on: X Y 1 1 5 2 2 5 3 3 75 4 5 5 1 1 5 2 95 5 65 8 8 15 25 32

3.7 Ejercicios 109

2 0 2 4 6 8 10

Figura 3.6: Previsi on a) Elija la mejor clase funcional para ajustar la distribuci on y estime sus par ametros. b) Establezca la bondad del ajuste. c) Calcule la previsi on para Y cuando X = 7. Analice dicha previsi on. 3.2. Dada la distribuci on: Y 1 2 3 4 5 6 7 8 9 X 1 2 1 1 0 0 0 0 0 0 2 3 5 2 1 1 0 0 0 0 3 3 6 7 7 5 4 2 1 1 4 1 3 5 5 8 6 3 2 2 5 1 1 2 3 5 7 8 5 3 6 0 0 2 3 4 5 8 6 4 7 1 0 0 0 3 4 7 7 6 8 0 0 0 0 0 0 4 6 4 9 0 0 0 0 0 0 0 1 5

a) Obtenga la poligonal de regresi on de Y respecto a X . b) Calcule sus razones de correlaci on.

110 Cap tulo 3. Ajuste y regresi on bidimensional

b 1

2 0 2 4 6 8 10

Figura 3.7: Interpretaci on gr aca de la pendiente de la recta c) A la vista de la poligonal ajuste la distribuci on a una funci on, justicando dicha elecci on. d) Calcule R2 , anal celo y comp arelo con las razones de correlaci on. 3.3. Dada la distribuci on: X Y buci on. b) D e una medida de la bondad del ajuste. 3.4. Dada la distribuci on: X Y 1 1 5 2 3 4 5 6 7 1 1 75 2 65 4 7 7 9 5 12 15 2 5 3 75 5 7 5 10 12 5 20 8 14 23 75 40 62 90 165

a) Utilice una ecuaci on del tipo aX b para ajustar la distri-

a) Ajuste la distribuci on utilizando una funci on del tipo aX b . b) Analice la bondad del ajuste.

3.7 Ejercicios 111 3.5. Dada la distribuci on: X 5 6 8 10 13 18 20 Y 1 5 1 25 0 93 0 7 0 46 0 23 0 15 a) Estime los par ametros de la clase funcional ab0 2X para ajustar la distribuci on. b) Estudie la bondad del ajuste. c) Ser a posible plantear un ajuste del tipo abcX ? Justif quelo. 3.6. Dada la distribuci on: Y 2 5 10 15 20 25 30 35 40 X 2 3 4 5 6 7 6 2 1 0 0 0 4 7 5 0 0 0 0 1 7 3 0 0 0 0 6 3 1 0 0 0 4 8 2 0 0 0 3 8 5 0 0 0 0 5 9 0 0 0 0 1 7 4 0 0 0 0 3 4

a) Obtenga la curva de regresi on y calcule la raz on de correlaci on de Y respecto de X . b) Ajuste los datos a una recta y a una par abola y discuta los resultados. 3.7. Se ha obtenido utilizando el criterio de m nimos cuadrados, que la recta de ajuste de Y sobre X es Y = 2X + 9. Sabiendo que x = 5, y = 10, SX = 2, SY = 3 y SXY = 0 8. Calcule: a) La varianza de los valores estimados en Y . b) La recta de ajuste de Y sobre X si se le suma 5 a todos los valores de X . c) La recta de ajuste de Y sobre X si se le suma 3 a todos los valores de Y y se multiplica por 2 todos los valores de X .

112 Cap tulo 3. Ajuste y regresi on bidimensional 3.8. Sabiendo que las ecuaciones de las rectas de ajuste entre la temperatura (Y ) y la profundidad (X ) vienen dadas por y = x +2 5 x = 4y + 11 ,

y adem as |SXY | = 8. Qu e variable es m as homog enea?

Estad stica Descriptiva y Probabilidad


(Teor a y problemas) 3a Edici on Autores I. Espejo Miranda F. Fern andez Palac n M. A. L opez S anchez M. Mu noz M arquez A. M. Rodr guez Ch a A. S anchez Navas C. Valero Franco

c 2006 Universidad de C Copyright adiz. Se concede permiso para copiar, distribuir y/o modicar este documento bajo los t erminos de la Licencia de Documentaci on Libre de GNU, Versi on 1.2 o cualquier otra versi on posterior publicada por la Free Software Foundation. Una traducci on de la licencia est a incluida en la secci on titulada Licencia de Documentaci on Libre de GNU.

c 2006 Universidad de C Copyright adiz. Permission is granted to copy, distribute and/or modify this document under the terms of the GNU Free Documentation License, Version 1.2 or any later version published by the Free Software Foundation. A copy of the license is included in the section entitled GNU Free Documentation License.

Edita: Servicio de Publicaciones de la Universidad de C adiz C/ Dr. Mara n on, 3 11002 C adiz http://www.uca.es/publicaciones

ISBN: 978-84-9828-058-6 Dep osito legal:

Parte B

Probabilidad

Estad stica Descriptiva y Probabilidad. Teor a y Problemas (Revisi on: Febrero 2006) I. Espejo Miranda, F. Fern andez Palac n, M. A. L opez S anchez, M. Mu noz M arquez, A. M. Rodr guez Ch a, A. S anchez Navas, C Valero Franco c 2006 Servicio de Publicaciones de la Universidad de C adiz. Documento bajo Licencia de Documentaci on Libre de GNU (Versi on 1.2 o posterior). http://www.uca.es/teloydisren

Introducci on a teor a de la probabilidad


La segunda parte de este manual est a dedicada a las herramientas por excelencia de la Estad stica: la funci on de probabilidad y la variable aleatoria. Ello no quiere decir que en ocasiones no se planteen problemas espec cos de probabilidad, pero lo cierto es que el enfoque con m as proyecci on de la Estad stica, el inferencial, no existir a sin dichas herramientas. La existencia de fen omenos o experimentos no determin sticos, donde el conocimiento de las condiciones en las que estos se desarrollan no garantizan los resultados, hace imprescindible el uso de una funci on que asigne niveles de certidumbre a cada uno de los desenlaces del fen omeno, y ah es donde aparece la probabilidad. Los experimentos o fen omenos que poseen la caracter stica anterior se denominan aleatorios. Intuitivamente, la concreci on num erica del fen omeno mediante la asignaci on de valores con un cierto criterio, da origen a la variable aleatoria. Una correcta proyecci on de estos conceptos es lo que va a permitir estudiar grandes colectivos a partir de peque nas partes de ellos, llamadas muestras, dando lugar a lo que se conoce como inferencia estad stica. Esta segunda parte est a formada por otros tres cap tulos, en el primero de ellos se introduce el concepto de probabilidad, haci endose una breve incursi on por la teor a de conjuntos, dada la existencia de una correspondencia total entre los elementos de esta teor a y los resultados de un experimento o fen omeno aleatorio. Se hace un recorrido por la evoluci on que a lo largo del tiempo ha tenido la probabilidad

116 Introducci on a teor a de la probabilidad comentando sus distintas deniciones; se estudian sus propiedades y se introducen los importantes conceptos de probabilidad condicionada y de independencia. Termina el cap tulo con los teoremas de la probabilidad total y de Bayes. El segundo cap tulo est a dedicado a la variable aleatoria, que se presenta desde un punto de vista intuitivo y conceptual. El paso desde la funci on de cuant a en el caso discreto a la funci on de densidad en el continuo se hace de una forma gr aca y natural. La funci on de distribuci on se plantea como una alternativa a la funci on de densidad, al igual que las funciones generatriz de momentos y la caracter stica, aunque indicando sus utilidades espec cas. Desde una optica m as local, la esperanza matem atica permitir a denir coecientes que expresen las singularidades de la distribuci on, entre los que destacan la media y la varianza. Desde una perspectiva univariable se termina el tema con una alusi on al cambio de variables y se da la expresi on de la desigualdad de Tchebychev para el caso probabil stico. Para aquellos estudiantes que quieran ver como se generalizan algunos de estos conceptos, se estudia el caso multidimensional, con desarrollo expreso del bidimensional. Tanto para variables discretas como continuas, se dan las expresiones de las funciones de densidad y de distribuci on. Se analiza de nuevo la dependencia e independencia entre variables. La funci on esperanza toma aqu su versi on n-dimensional y a partir de ella se pueden calcular una innidad de coecientes que aportan una visi on puntual de la distribuci on, entre los que cabe destacar los de covarianza y correlaci on, proyecciones de los que se ven en descriptiva. Por u ltimo, se desarrolla el cambio de variables para el caso de dos dimensiones. En el tercer cap tulo se estudian distintas estructuras probabil sticas que modelizan una gran cantidad de situaciones reales, dedic andose especial atenci on a las distribuciones binomial y Poisson, en el caso discreto, y normal, en el continuo; de forma m as somera tambi en se analizan otras distribuciones que se derivan de aquellas. El teorema central del l mite servir a para comprobar el papel que juega la distribuci on normal dentro de la Estad stica. Al nal del cap tulo se estudian algunas distribuciones multivariables.

Estad stica Descriptiva y Probabilidad. Teor a y Problemas (Revisi on: Febrero 2006) I. Espejo Miranda, F. Fern andez Palac n, M. A. L opez S anchez, M. Mu noz M arquez, A. M. Rodr guez Ch a, A. S anchez Navas, C Valero Franco c 2006 Servicio de Publicaciones de la Universidad de C adiz. Documento bajo Licencia de Documentaci on Libre de GNU (Versi on 1.2 o posterior). http://www.uca.es/teloydisren

Cap tulo 4 Teor a de la probabilidad

1.

Evoluci on hist orica

Como en la mayor a de los descubrimientos, la noci on de probabilidad se ha ido desarrollando a lo largo del tiempo en funci on de la necesidad, de los recursos y de la aportaci on de los grandes genios que son capaces, en un momento de inspiraci on, de dar un paso de un siglo. Es dif cil establecer hist oricamente el nacimiento de la probabilidad, aunque su conceptualizaci on como disciplina matem atica es reciente; parece, no obstante, que su origen tiene relaci on con los juegos de azar. Se consideran como remotos precursores de la teor a de la probabilidad la abundante presencia del hueso astr agalo de oveja o ciervo (antecedente inmediato del dado), en excavaciones arqueol ogicas con una antiguedad de m as de 40.000 a nos. En epocas m as recientes, en las culturas griega, egipcia y romana la aci on a los juegos de azar, especialmente mediante la tirada de dados y tablas, estaba ampliamente extendida. En estas civilizaciones el azar se explicaba mediante la voluntad divina. En el siglo XV, Dante obtiene algunas probabilidades en juegos sencillos de lanzamientos de dados. En el siglo XVI, Cardano con su tratado Liber de ludo aleae (Libro de los juegos de azar) y Galileo Galilei en su Considerazione sopra el giuoco dei dadi (Consideraciones sobre

118 Cap tulo 4. Teor a de la probabilidad el juego de dados), describen ciertos juegos de dados y diversos problemas combinatorios, incluso este u ltimo, publica un tratado sobre la probabilidad de error. La mayor a de los autores consideran que la g enesis del c alculo de probabilidades, como disciplina matem atica, se encuentra en la resoluci on del problema planteado por el caballero de M ere, un jugador empedernido de la Francia del siglo XVII, a su amigo y matem atico B. Pascal (1623-1662), quien mantuvo una abundante correspondencia sobre dicho problema con su colega P. Fermat (1601-1665). El problema consist a en c omo deber an repartirse el dinero de las apuestas depositado en la mesa si los jugadores se vieran obligados a nalizar la partida sin que existiera un ganador. Dicho problema se detalla en el ejercicio 4.1 Ejercicio 4.1 Dos jugadores de cartas, A y B , apuestan 250e cada uno, en un juego que vencer a aquel que llegue primero a tres partidas ganadas. El juego se interrumpe cuando A lleva ganadas dos partidas y B una, c omo deber an repartirse el dinero?

Adem as de la correspondencia a la que se hac a referencia en el p arrafo anterior, se considera fundamental en el nacimiento del c alculo de probabilidades la obra del matem atico holand es C. Huygens (16291695), quien introduce el concepto de esperanza matem atica, como generalizaci on de la media aritm etica, en su obra De ratiocin us in ludo aleae, (Del raciocinio en los juegos de azar) en la que adem as resuelve varios problemas planteados por Pascal y Fermat. En 1713 Jacques Bernouilli (1654-1705) lega uno de los tratados clave en la construcci on de la teor a de la probabilidad, publicado tras su muerte lleva por t tulo Ars conjectandi (El arte de conjurar), en el se introduce el t ermino estoc astico y se detalla la ley conocida como de ensayos de Bernouilli (primer teorema l mite de la teor a demostrado con todo rigor), que enunciado de una forma sencilla dice as : la frecuencia relativa de un suceso tiende a estabilizarse en torno a un n umero, a medida que el n umero de pruebas del experimento crece indenidamente. En esta epoca hay que destacar las importantes contribuciones de autores como Abraham de Moivre (1667-1754), Daniel Bernouilli (1700-1782)

4.1 Evoluci on hist orica 119 o Thomas Bayes (1702-1761), entre otros. A partir del citado periodo, el c alculo de probabilidades adquiere una mayor interrelaci on con otras ciencias y no se circunscribe exclusivamente a los juegos de azar. Uno de los matem aticos art ces del asentamiento de las bases de lo que hoy se conoce como probabilidad cl asica es Pierre Simon, marqu es de Laplace (1749-1827). El momento cumbre fue la publicaci on en 1812, del importante y extenso tratado Theorie analitique des probabilit es; en el, aparece la primera denici on del concepto de probabilidad, conocida hoy como denici on cl asica. Contempor aneo de Laplace, merece ser destacado C. F. Gauss, (1777-1855), quien dedic o parte de su actividad a estudiar la teor a de errores, dando lugar a la ley normal, de la que estim o sus par ametros. Despu es de este periodo, el inter es por el c alculo de probabilidades fue disminuyendo, llegando pr acticamente a desaparecer como disciplina matem atica durante el siglo XIX. Esto se debi o, por una parte, a la aparici on de algunas contradicciones como la que puso de maniesto el matem atico franc es Bertrand, y por otra, a una relativa apat a por la probabilidad debido al car acter esencialmente determinist co del siglo XIX. La evoluci on de la teor a se desplaza hacia el Este, en particular hacia la escuela de San Petesburgo. En ella resaltan las contribuciones de P.L. Tchebychev (1821-1894) y de su disc pulo A. Markov (1856-1922). Sin embargo, no es hasta principios del siglo XX, m as concretamente 1933, fecha de la publicaci on de la obra Fundamentos por el matem atico ruso A. N. Kolmogorov, cuando la probabilidad pasa a convertirse en una rama m as de las matem aticas. En esta obra, Kolmogorov apoy andose en la teor a de conjuntos y en la teor a de la medida, da una denici on axiom atica del c alculo de probabilidades, como generalizaci on y s ntesis de los conocimientos que de la probabilidad se ten an hasta entonces.

120 Cap tulo 4. Teor a de la probabilidad 2. Conjuntos. Operaciones

Un conjunto es una colecci on en un todo de objetos bien denidos que poseen una o varias propiedades. Cada uno de los objetos del conjunto se llama elemento. La idea de conjunto s olo hace referencia a la presencia de sus elementos y no a ninguna ordenaci on o repetici on de estos. Los conjuntos pueden venir dados por: Extensi on: Se especica cada uno de los elementos que pertenece al conjunto. Descripci on: Se da una o varias propiedades que deben cumplir todos los elementos del conjunto. Cualquier elemento que verique esas propiedades pertenece al conjunto. Ejemplo 4.1 Extensi on x 0, x x 2 = 0} {2} Descripci on
2

A = {x /

Se dice que dos conjuntos son iguales cuando est an formados por los mismos elementos. Ejemplo 4.2 Los conjuntos A = {x | x2 x 2 = 0} y B = {1, 2} son iguales.

2.1.

Subconjunto

B es un subconjunto de A, o bien A contiene a B , si todo elemento de B es elemento de A. Ejemplo 4.3 Si A = {x | x2 x 2 = 0} y B = {1} entonces B A.

4.2 Conjuntos. Operaciones 121 2.2. Operaciones entre conjuntos

Uni on. La uni on de conjuntos es otro conjunto que est a formado por todos los elementos de dichos conjuntos. Ejemplo 4.4 Sea A = {1, 2, 4}, B = {2, 3} entonces se tiene que A B = {1, 2, 3, 4}. Intersecci on. La intersecci on de conjuntos es otro conjunto que est a formado por los elementos comunes a todos los conjuntos. Ejemplo 4.5 Dados A = {1, 2, 4} y B = {2, 3} se tiene A B = {2}. 2.3. Conjuntos caracter sticos

Conjunto vac o. Es aquel conjunto que no tiene ning un elemento. Se denota por . Este conjunto se considera como subconjunto de cualquier otro conjunto. Ejemplo 4.6 Tomando A = {1, 2, 4} y B = {3, 5} queda A B = . Conjunto universal. Es aquel formado por la totalidad de los elementos del mismo tipo. Todo conjunto se puede considerar como subconjunto de el. Se denota por . Conjuntos disjuntos. Si dos conjuntos A y B no poseen elementos comunes se dicen que son disjuntos, es decir, A B = . Partici on. Se dice que los conjuntos A1 , A2 , A3 , . . . , An forman una partici on o un sistema completo de sucesos, si son disjuntos dos a dos y la uni on de todos ellos es el conjunto universal, es decir: 1. Ai Aj = i = j 2. A1 A2 A3 An = Conjunto complementario. El conjunto complementario de un conjunto A, es el conjunto formado por todos los elementos del con. junto universal que no est an en A. Se denota por A

122 Cap tulo 4. Teor a de la probabilidad 2.4. Propiedades de las operaciones entre conjuntos

1. La uni on e intersecci on de conjuntos son operaciones conmutativas y asociativas. a) b) (A B ) C = A (B C ), A B = B A, AB =BA (A B ) C = A (B C )

2. Se verica la distributiva de cada operaci on respecto a la otra. a ) A (B C ) = (A B ) (A C ) b ) A (B C ) = (A B ) (A C ) 3. El operador complementario verica: = y AA = a) A A = y b) = c) A = A 4. Se cumplen las llamadas Leyes de Morgan: a) A B = A B b) A B = A B

3.

Algebra de sucesos

Hay determinados experimentos en los que las situaciones o causas determinan perfectamente los resultados o efectos, como por ejemplo ciertas situaciones f sicas. Sin embargo, existen otros experimentos en los que en las mismas condiciones se obtienen resultados diferentes, como ocurre en los juegos de azar. Los primeros experimentos reciben el nombre de determin sticos, mientras que los segundos se conocen como aleatorios. Se parte del experimento de lanzar un dado al aire y observar el n umero de puntos que gura en la cara superior. Los n umeros 1, 2, 3, 4, 5, 6 son los sucesos elementales posibles. Tambi en se puede considerar

4.3 Algebra de sucesos 123 sucesos compuestos como conseguir par, tr o,. . . , formados por la uni on de sucesos elementales. Si se prolonga indenidamente esta sucesi on de pruebas con sus resultados, se llega al conjunto potencialmente innito de todas las pruebas asociadas a un experimento aleatorio que se llama universo, poblaci on o colectivo asociado al mismo. Para el estudio de un fen omeno determinista se hace preciso la constataci on de ciertas regularidades. En el caso de fen omenos aleatorios estas regularidades aparecen al considerar un gran n umero de pruebas. Ejemplo 4.7 Si obtengo m veces el valor 3 en n tiradas de un dado la frecuencia del suceso 3 ser a m n.

El hecho de que la frecuencia de un suceso tienda a aproximarse a un n umero jo al aumentar el n umero de pruebas se ha denominado ley de azar o ley de estabilidad de las series estad sticas. La noci on de probabilidad como valor l mite ideal de estas frecuencias es la base del modelo matem atico apropiado para el estudio de estos fen omenos. Su teor a constituye el c alculo de probabilidades. 3.1. Espacio muestral. Sucesos

Se llama espacio muestral al conjunto de todos los resultados posibles de un experimento aleatorio. Se denota por . Los espacios muestrales pueden ser:

Finitos. Como, por ejemplo, el espacio muestral correspondiente al experimento aleatorio del lanzamiento de un dado una u nica vez, que consta de seis elementos que corresponden a los seis resultados posibles. Innitos numerables. Como, por ejemplo, el resultante de la contabilizaci on del n umero de veces que hay que tirar una moneda hasta que aparezca por primera vez cara, donde el espacio muestral est a compuesto por los n umeros naturales, {1, 2, 3, 4, . . . , n, . . .}

124 Cap tulo 4. Teor a de la probabilidad Continuos. Como, por ejemplo, el que se obtiene al medir, en radianes, el angulo que forma una aguja, que se lanza sobre una supercie plana, con una determinada direcci on prejada, donde el espacio muestral es [0, 2 ]. Se denomina suceso a todo subconjunto del espacio muestral, es decir A es un suceso si A . Los sucesos elementales son aquellos que constan de un u nico elemento. Al realizar un experimento aleatorio se dice que se ha vericado el suceso A, si el resultado obtenido pertenece a A. 3.2. Relaciones entre sucesos

Implicaci on. Un suceso A implica otro suceso B cuando siempre que se verique A se verica B . Ejemplo 4.8 En el lanzamiento de un dado se consideran los sucesos: A ={Obtener un 4} y B ={Obtener un m ultiplo de 2 }, entonces A implica B. Suceso contrario. Dado un suceso A, se dene el suceso contrario de , como aquel que se verica si y s A y se denota por A olo si no se verica A. Ejemplo 4.9 Si en el lanzamiento de un dado A = {1, 2}, entonces el suceso contrario viene dado por = {3, 4, 5, 6}. A Uni on de sucesos. Se dice que el suceso C = A B se verica, si y s olo si se verica A , B o ambos. Ejemplo 4.10 En el lanzamiento de un dado se describen los siguientes sucesos: A = {Obtener una puntuaci on menor o igual que tres } B = {Obtener una puntuaci on par} Entonces A B = {Obtener 1, 2, 3, 4, 6}

4.3 Algebra de sucesos 125 Suceso seguro. El suceso seguro, que se denota por , es aquel que siempre se verica. Para cualquier suceso A siempre se cumple que . =AA Intersecci on de sucesos. Se dice que el suceso C = A B se verica, si y s olo si se verican A y B . Ejemplo 4.11 En el lanzamiento de un dado, si se tiene: A = {Obtener una puntuaci on menor o igual que tres} B = {Obtener una puntuaci on par} Entonces A B = {Obtener un 2}. Suceso imposible. Suceso imposible es aquel que no se puede vericar nunca, se denota . Sucesos incompatibles. Dos sucesos son incompatibles cuando al vericarse uno de ellos no se verica el otro, o equivalentemente, cuando su intersecci on es el suceso imposible. 3.3. Algebra de Boole

Una familia A de subconjuntos de tiene estructura de Algebra o Algebra de Boole sobre , si verica: 1. A 2. A, B A A B A A 3. A A A

El par (, A) se dir a espacio medible nito. Una familia A de subconjuntos de se dice que tiene estructura de - algebra sobre , si 1. A

126 Cap tulo 4. Teor a de la probabilidad 2. {Ai }iI N iI N Ai A A 3. A A A El par (, A) se dir a espacio medible. Obs ervese que con esta denici on la intersecci on de sucesos del algebra y el conjunto pertenecen al algebra. Se establece una correspondencia biun voca entre conjuntos y sucesos que viene dada por la tabla 4.1. C alculo de Probabilidades Suceso Seguro (Espacio muestral) Suceso Elemental Suceso Sucesos Incompatibles Uni on de Sucesos Suceso Imposible Suceso Contrario Intersecci on de Sucesos Sistema Completo Teor a de Conjuntos Conjunto Universal Punto del Conjunto Universal Subconjunto Conjuntos Disjuntos Uni on de Conjuntos Conjunto Vac o Conjunto Complementario Intersecci on de Conjuntos Partici on

Tabla 4.1: C alculo de probabilidades y teor a de conjuntos 4. Distintas deniciones del concepto de probabilidad

Continuando con el estudio de un experimento aleatorio y una vez que se han denido los sucesos se aprecia la necesidad de denir alguna medida que cuantique la incertidumbre o la asiduidad de que un determinado suceso se obtenga al realizar un experimento aleatorio, a tal medida se le denomina probabilidad. La dicultad de dar una denici on del concepto de probabilidad sin objeciones o limitaciones, queda reejada por los diferentes intentos realizados a lo largo de la historia para encontrar una denici on de dicho concepto.

4.4 Distintas deniciones del concepto de probabilidad 127 De la introducci on hist orica que se ha elaborado se desprende la existencia de tres deniciones del concepto de probabilidad que a continuaci on se discuten.

Denici on cl asica, debida a Laplace: La probabilidad de un suceso A es el cociente entre el n umero de casos favorables al suceso y el n umero de casos posibles. Los inconvenientes de denir la probabilidad de esta forma son: No es v alida cuando los sucesos elementales no son equiprobables. A veces no es posible contar. Denici on frecuentista, debida a Bernouilli: La probabilidad de un suceso es el valor l mite de su frecuencia relativa al repetir indenidamente la experimentaci on. Los inconvenientes de denir as la probabilidad son los siguientes: Desde el punto de vista del an alisis no puede interpretarse el l mite anterior por la imposibilidad de jar el n umero de repeticiones. En algunas ocasiones no es posible realizar una experimentaci on indenida. Las condiciones bajo las cuales se realiza la experimentaci on pueden variar a lo largo del tiempo y, con ellas, las frecuencias relativas. Para evitar los inconvenientes de ambas deniciones, adem as de un gran n umero de paradojas y dicultades surgidas a comienzos del presente siglo, se hizo necesaria una profunda revisi on del concepto de probabilidad utilizando las herramientas m as precisas del momento: La teor a de conjuntos, desarrollada principalmente por Borel, y la potente Teor a de la medida, debida a Lebesgue. A la luz de estas teor as, la probabilidad empieza a entenderse como una medida de la incertidumbre, con propiedades similares a las medidas de longitud, tiempo, etc.

128 Cap tulo 4. Teor a de la probabilidad Una concepci on m as operativa es denir la probabilidad como una medida personal de la incertidumbre de un suceso, basada en aquellos experimentos previos, que con la informaci on disponible, se consideren indistinguibles o intercambiables. En situaciones repetitivas, cuando exista una amplia experiencia, la probabilidad viene determinada por la frecuencia relativa, mientras que, en otros casos, depende de distintos tipos de informaci on. Todo lo anterior llev o a Kolmogorov a introducir axiom aticamente el concepto de Probabilidad. Denici on axiom atica de probabilidad, debida a Kolmogorov: Dado (, A) un espacio medible nito, una funci on sobre A, P : A R se dice medida de probabilidad nita o simplemente probabilidad, si cumple los siguientes axiomas: A1. La probabilidad de un suceso es siempre mayor o igual a cero, P (A) 0 A2. La probabilidad del suceso seguro es igual a la unidad, P () = 1 A3. La probabilidad de la uni on de dos sucesos incompatibles es igual a la suma de las probabilidades de cada uno de ellos, A, B A | A B = P (A B ) = P (A) + P (B ) Denici on axiom atica de probabilidad: Dado (, A) un espacio medible, una funci on sobre A, P : A R se dice medida de probabilidad innita, de Kolmogorov o simplemente probabilidad, si cumple los siguientes axiomas: A1. La probabilidad de un suceso es siempre mayor o igual a cero, P (A) 0 A2. La probabilidad del suceso seguro es igual a la unidad, P () = 1

4.5 Propiedades de la funci on de probabilidad 129 A3. La probabilidad de la uni on de sucesos incompatibles es igual a la suma de las probabilidades de cada uno de ellos, {Ai }iI N | Ai Aj = , i = j P( Ai ) = P (Ai )

iI N

iI N

El gran inconveniente de estas deniciones es que no dan un m etodo para el c alculo de probabilidades, por lo que en la pr actica hay que basarse en las deniciones cl asica y frecuentista. 5. Propiedades de la funci on de probabilidad

Como consecuencia de los axiomas se pueden deducir una serie de propiedades de la funci on de probabilidad, destacando las que se describen a continuaci on. es igual a uno menos la probabilidad 1. La probabilidad del suceso A del A, ) = 1 P (A) P (A

2. La probabilidad del suceso imposible es cero, P () = 0 3. Si A y B son dos sucesos cualesquiera se verica que: P (A B ) = P (A) + P (B ) P (A B )

130 Cap tulo 4. Teor a de la probabilidad

Si se tienen tres sucesos, A, B y C , la propiedad anterior tiene la forma siguiente: P (A B C ) = P (A) + P (B ) + P (C ) +P (A B C )

P (A B ) P (A C ) P (B C )

B C

4. Si A B entonces P (A) P (B )

Ejercicio 4.2

Demuestre las propiedades anteriores.

4.6 Probabilidad condicionada. Independencia 131 6. Probabilidad condicionada. Independencia

La probabilidad de un determinado suceso en un experimento aleatorio puede verse modicada si se posee alguna informaci on antes de la realizaci on del experimento. Por ejemplo, si se consideran los alumnos de una clase de Estad stica, la probabilidad de sacar aleatoriamente una alumna rubia ser a diferente de la de sacar una alumna rubia del grupo de las alumnas, es decir, si se parte del conocimiento de que el alumno escogido sea del sexo femenino. Para modelar este tipo de situaciones en las que se parte de una informaci on a priori, se dene el concepto de probabilidad condicionada. Si P (B ) > 0, la probabilidad condicionada de que se realice A si B se realiza, P (A/B ), viene denida por el cociente: P (A/B ) = P (A B ) P (B )

An alogamente, se dene la probabilidad condicionada de B respecto a A. Utilizando conjuntamente ambos resultados se obtiene que: P (A B ) = P (A/B )P (B ) = P (B/A)P (A) Ejemplo 4.12 El 60 % de los alumnos de una clase de Estad stica son chicas y se sabe que el 30 % de las chicas son rubias. Cu al es la probabilidad de escoger un alumno de la clase que sea chica y rubia? Para resolver este ejemplo se consideran los siguientes sucesos: F = {ser de sexo femenino} M = {ser de sexo masculino} R = {tener pelo rubio}. La probabilidad pedida es: P (R F ) = P (R/F )P (F ) = 0 3 0 6 = 0 18 Teorema 4.1 Si P (B ) > 0, entonces P (/B ) es una probabilidad:

132 Cap tulo 4. Teor a de la probabilidad A1. P (A/B ) 0 A2. P (/B ) = 1 A3. Para cualquier sucesi on de sucesos disjuntos {Ai }i=1 , se verica: P(
n/ i=1 n/

Ai /B ) =

n/

i=1

P (Ai /B )

Teorema 4.2 Dados n sucesos, A1 , A2 , . . . , An , se tiene: P (A1 A2 ... An ) =

= P (A1 ) P (A2 /A1 ) P (A3 /A1 A2 ) . . . . . . P (An /A1 A2 ... An1 )

Ejemplo 4.13 Siguiendo con el ejemplo 4.12 se sabe que el 40 % de las chicas rubias usan gafas. Cu al es la probabilidad de que al escoger aleatoriamente un alumno de la clase resulte ser una chica rubia con gafas? Se dene el suceso G = {usar gafas} y la probabilidad pedida es: P (F R G) = P (G/(R F ))P (R/F )P (F ) = 0 4 0 3 0 6 = 0 072. Ejercicio 4.3 7. Demuestre los teoremas anteriores. Dependencia e independencia

En el ep grafe anterior se introdujo el concepto de probabilidad condicionada, debido a que la probabilidad de un determinado suceso se ve alterada por la informaci on de que se dispone a priori. Sin embargo, puede suceder que dicha informaci on no altere la probabilidad de ocurrencia de ese suceso, es decir, el que ocurra el suceso es independiente de la informaci on.

4.8 Teorema de la probabilidad total. Teorema de Bayes 133 Se dice que dos sucesos A y B son independientes si el conocimiento de la ocurrencia de uno no modica la probabilidad de aparici on del otro. O sea, P (B/A) = P (B ). Ejercicio 4.4 Compruebe que dos sucesos A y B son independientes si y s olo si P (A B ) = P (A)P (B ).

La denici on de independencia se puede generalizar a un n umero nito de sucesos. A1 , A2 , . . . , An , se dicen mutuamente independientes si: P (Ai Aj ) = P (Ai )P (Aj ) i, j = i P (Ai Aj Ak ) = P (Ai )P (Aj )P (Ak ) i, j = i, k = i, j . . . n n P ( Ai ) = P (Ai )
i=1 i=1

Ejemplo 4.14 Continuando con el ejemplo 4.12, si se sabe que el 10 % de los alumnos de la clase escriben con la mano izquierda. Cu al es la probabilidad de escoger aleatoriamente una chica que escriba con la mano izquierda? Sea el suceso D denido por D={escribir con la mano izquierda}. Admitiendo que los sucesos D y F son independientes, la probabilidad solicitada es: P (F D) = P (F )P (D) = 0 6 0 1 = 0 06. 8. 8.1. Teorema de la probabilidad total. Teorema de Bayes Teorema de la probabilidad total

Se considera un experimento que se realiza en dos etapas, en la primera se supone que los posibles sucesos, A1 , A2 , . . . , An , constituyen un sistema completo, de tal forma que son conocidas las probabilidades a priori, P (A1 ), P (A2 ), . . . , P (An ). Mientras que en la segunda etapa los resultados posibles, Bj , tienen probabilidades desconocidas que depen-

134 Cap tulo 4. Teor a de la probabilidad den de lo que ocurre en la primera etapa. Si se conocen las probabilidades condicionadas P (B/Ai ) para un cierto suceso B y cada Ai se verica que: P (B ) =
n i=1

P (B/Ai )P (Ai )

B A1

A2

A5

A3

A4

La demostraci on de la igualdad anterior se basa en que al ser A1 , A2 , . . . , An , una partici on de y B un elemento cualquiera del algebra de sucesos A, se tienen las siguientes igualdades: B = B = B (A1 A2 .... An )

por las propiedades distributiva y conmutativa: B = (A1 B ) (A2 B ) .... (An B ) Como los sucesos {Ai }n en lo son los sucesos i=1 son incompatibles, tambi {Ai B }n , por lo tanto se puede aplicar el axioma A3: i=1 P (B ) = P ((A1 B ) (A2 B ) . . . (An B )) = P (A1 B ) + P (A2 B ) + .... + P (An B ) n n = P (Ai B ) = P (B/Ai )P (Ai )
i=1 i=1

Se obtiene de esta forma la igualdad buscada.

4.8 Teorema de la probabilidad total. Teorema de Bayes 135 Ejemplo 4.15 Continuando con el ejemplo 4.12; si se sabe que el 20 % de los chicos son rubios. Cu al es la probabilidad de escoger aleatoriamente una persona rubia? La probabilidad solicitada es: P (R) = P (R/M )P (M ) + P (R/F )P (F ) = 0 2 0 4 + 0 3 0 6 = 0 26. 8.2. Teorema de Bayes

En los ep grafes anteriores hemos dado la idea intuitiva de probabilidad condicionada como la probabilidad de que ocurra un suceso sabiendo que ha ocurrido con anterioridad otro determinado suceso. Sin embargo, tambi en se puede plantear la probabilidad de que se haya dado un determinado suceso sabiendo que como resultado nal del experimento se ha obtenido otro determinado suceso. En las mismas hip otesis del teorema anterior se tiene que: P (Ak /B ) = P (B/Ak )P (Ak ) , n P (B/Ai )P (Ai )
i=1

k = 1, . . . , n

Observe que se intenta calcular una probabilidad antinatura, pues se pretende expresar lo que ocurre antes, Ak , en funci on de lo que ocurre despu es, B . De todas formas, lo anterior tiene sentido porque en algunas ocasiones se conoce el resultado nal de un experimento, pero se desconocen algunos de los pasos intermedios, en los que se est a interesado. El teorema de Bayes resuelve esta cuesti on, llevando el c alculo de las probabilidades a un terreno m as natural, expresando las probabilidades a posteriori, P (Ai /B ), en funci on de las verosimilitudes, P (B/Ai ). Aplicando la denici on de probabilidad condicionada: P (Ak /B ) = P (Ak B ) P (Ak )P (B/Ak ) = P (B ) P (B )

136 Cap tulo 4. Teor a de la probabilidad Y por el teorema de la probabilidad total: = P (Ak )P (B/Ak ) n P (Ai )P (B/Ai )
i=1

con lo que queda demostrado el teorema. Ejemplo 4.16 En el ejemplo 4.12, si se sabe que se ha elegido a una persona rubia, cu al es la probabilidad de que sea chica? La probabilidad solicitada, a la vista del resultado del ejemplo 4.15 es P (F/R) = P (R/F )P (F ) 0 3 0 6 = = 0 69. P (R) 0 26

9. 9.1.

Ejercicios Ejercicio resuelto

4.1 En una determinada ciudad se ha cometido un asesinato. De la investigaci on se encarga un detective, que tiene 5 sospechosos entre los que se encuentra el asesino. Se sabe que el detective trabaja con un peque no margen de error, de forma que la probabilidad de creer inocente al verdadero asesino es de 005 y la probabilidad de creer culpable a una persona inocente es de 008. Si el detective cree que una persona es culpable, cu al es la probabilidad de que esa persona sea el asesino? Soluci on: Para la resoluci on del problema se denen los siguientes sucesos: A = {ser asesino}

C = {ser enjuiciado culpable}

I = {ser enjuiciado inocente}

4.9 Ejercicios 137 De esta forma se tiene que: a) Hay un asesino de 5 sospechosos, por tanto, la probabilidad de que una persona elegida al azar sea el asesino es: P (A) = 1 5 ) = 4 P (A 5

b) La probabilidad de creer inocente al verdadero asesino, es la probabilidad de ser enjuiciado inocente condicionada a que es el asesino, es decir, P (I/A) = 0 05. Adem as, se sabe que P (C/A) = 1 P (I/A) = 0 95. c) La probabilidad de creer culpable a una persona inocente, es la probabilidad de ser enjuiciado culpable condicionada a que no es ) = 0 08. el asesino, es decir, P (C/A En el problema se pide la probabilidad de que una persona asesina haya sido enjuiciada culpable, es decir, la probabilidad de que una persona sea asesina condicionada a que ha sido enjuicida culpable. Por tanto, la probabilidad requerida es P (A/C ), para calcular dicha probabilidad se recurre al teorema de Bayes, P (A/C ) = = = 9.2. P (C/A)P (A) )P (A ) P (C/A)P (A) + P (C/A 0 95 0 2 0 95 0 2 + 0 08 0 8 0 19 = 0 748 0 254

Ejercicios propuestos

4.1. En una encuesta sobre las preferencias entre dos productos, realizada sobre un conjunto de 300 mujeres y 400 hombres, se han obtenido los siguientes resultados: Producto A B Hombres 225 175 Mujeres 180 120 Total 405 295

138 Cap tulo 4. Teor a de la probabilidad a) Represente la situaci on utilizando un diagrama de Venn. b) Imagine que la encuesta ofrece informaci on referida a dos conjuntos de edad, los menores y los mayores de 50 a nos. Ser a posible la representaci on incluyendo esta nueva informaci on? De ser armativa la respuesta, repres entela. 4.2. Un estudiante de Estad stica se dispone a realizar un estudio sobre el tipo y las condiciones de la comida que su madre le sirve a diario. Para ello establece las siguientes clasicaciones: Estado de sal Temperatura Tipo de alimento Salada, normal, sosa Caliente, fr a Carne, pescado, verduras, pastas

Obtenga, utilizando un diagrama de arbol, el espacio muestral del tipo y las condiciones de las comidas. 4.3. Imagine que tenemos los sucesos A, B y C , exprese en lenguaje de la teor a de conjuntos las siguientes operaciones entre ellos: a) Ocurren A y al menos uno de los otros dos. b) Ocurren A y uno s olo de los otros dos. c) Ocurre uno de los tres, pero no dos a la vez. d) Ocurre, al menos, uno de los tres. e) Ocurre C , pero no lo hacen ni A ni B . f ) Ocurren al menos dos de los tres. g) Ocurren exactamente dos de los tres. h) No ocurre ninguno de los tres. 4.4. Los alumnos de una determinada carrera se encuentran distribuidos en 5 cursos, de forma que en cada uno de los dos u ltimos cursos hay la mitad de alumnos que en cada uno de los tres primeros. Se pide que se calcule la probabilidad de que al escoger al azar a un alumno: a) este sea de cuarto. b) le queden menos de tres cursos para acabar. 4.5. Represente el espacio muestral resultante al lanzar dos dados de distinto color y calcule la probabilidad de obtener una suma de

4.9 Ejercicios 139 siete puntos. 4.6. Represente el espacio muestral resultante al lanzar dos dados del mismo color y calcule la probabilidad de obtener una suma de siete puntos. Compare el resultado con el obtenido en el ejercicio anterior. 4.7. Un jugador lanza tres veces una moneda, si obtiene tres caras gana 100e si obtiene una o dos caras gana 10e y si no obtiene ninguna cara pierde 160e. Es justo el juego? 4.8. Juan y Pedro juegan a una variante del juego de los chinos. Cada uno de ellos tiene tres chinos pudiendo seleccionar en una mano ninguno, uno, dos o los tres. A una se nal los dos muestran los chinos seleccionados. Juan gana 10e si sus chinos coinciden con los de Pedro o hay una diferencia de un u nico chino, mientras que Pedro gana 15e en el resto de casos. a) Calcule la probabilidad de que gane Juan. b) Qu e cantidades deben ganar cada uno para que el juego sea justo? 4.9. Calcule la probabilidad de que tres alumnos seleccionados aleatoriamente en una clase cumplan a nos en meses consecutivos. 4.10. Calcule la probabilidad que tiene un ladr on que ha robado una tarjeta de un cajero autom atico de acertar con la clave, sabiendo que esta tiene cuatro d gitos y que si no acierta en tres intentos el cajero se tragar a la tarjeta. 4.11. Imagine que se encuentra un procedimiento que genera aleatoria e indenidamente letras y signos de puntuaci on. Cu al es la probabilidad de que un cierto momento escriba la novela El Quijote ?

140 Cap tulo 4. Teor a de la probabilidad 4.12. Se parte de que P (A) = 0 3, P (B ) = 0 4 y P (A B ) = 0 1, obtenga: B ) a) P (A B) b) P (A c) P (A B ) d) P (A/B ) 4.13. Se considera el conjunto universal = {(x, y ) R2 : 0 x 1, 0 y 1} y los sucesos A1 = {(x, y ) : 0 x 3 4 }, 1 3 A2 = {(x, y ) : 1 x 1 ; y } y A = { ( x, y ) : 3 2 4 4 0x 1 } . 2 a) Pruebe que la funci on P (A) = Area( A) , A es una funci on de probabilidad. 1 A 2 ) y P (A1 (A2 A3 )). b) Calcule P (A1 A2 A3 ), P (A 4.14. Sea una clase de estad stica en la que un 20 % de los varones son rubios y un 50 % de las mujeres rubias. Si se sabe que el 30 % de la clase son varones, se pide: a) La probabilidad de escoger aleatoriamente de la clase un var on rubio. b) La probabilidad de escoger aleatoriamente una persona rubia de entre todos los alumnos. c) La probabilidad de que una persona que se ha elegido aleatoriamente sea var on sabiendo que su pelo es rubio. 4.15. Cu al es la probabilidad de que al tirar tres dados honrados salgan n umeros diferentes? 4.16. Se tienen dos barajas de cartas de forma que la primera tiene 30 cartas rojas, 10 blancas y 2 negras y la segunda tiene 20 cartas rojas, 10 blancas y 12 negras. Se lanza una moneda, si sale cara se escogen tres cartas de la primera y una de la segunda; si sale cruz se escoge una carta de la primera y tres de la segunda. Calcule la probabilidad de que de las cuatro cartas extra das dos sean blancas y las otras dos rojas.

4.9 Ejercicios 141 4.17. Un estudio sobre los niveles de audiencia de diferentes cadenas de radio arroj o que el 50 % de la poblaci on escuchaba Radio A, el 40 % Radio B y el 30 % Radio C. Adem as, se obtuvo que el 20 % escuchaba Radio A y Radio B, el 10 % Radio A y Radio C y el 5 % Radio B y Radio C, nalmente s olo el 2 % escuchaba las tres cadenas. a) Qu e porcentaje de la poblaci on escuchaba alguna cadena? b) Qu e porcentaje de la poblaci on escuchaba una sola cadena? 4.18. En un programa de televisi on existe una prueba que consiste en ordenar cronol ogicamente cinco inventos. El n umero de aciertos es el n umero de coincidencias entre las posiciones correctas y las ordenadas por el concursante. Cu al es la probabilidad de que un concursante tenga al menos un acierto, sabiendo que realiza la ordenaci on de los inventos al azar? 4.19. Se consideran dos sucesos cualesquiera A y B , se pide: y a) Pruebe que si A y B son independientes entonces A B , A y B , y, A y B tambi en lo son. b) Demuestre que si P (A) = 0 entonces A y B son independientes. y c) Si A y B son dos sucesos disjuntos, lo son tambi en A ? B 4.20. Se considera un equipo deportivo en octavos de nal de una competici on, que tiene una probabilidad de pasar a las siguientes fases 3 2 1 de 4 , y 5 4 3 , respectivamente, y de 2 de ganar la nal si accede a ella, cu al es la probabilidad de que gane la competici on? 4.21. Un jugador de baloncesto tiene una probabilidad de encestar un lanzamiento desde una cierta posici on de 1 4. a) Cu al es la probabilidad de encestar tres lanzamientos consecutivos? b) Cu al es la probabilidad de que en cinco lanzamientos enceste al menos tres?

142 Cap tulo 4. Teor a de la probabilidad 4.22. De una urna con tres bolas blancas y dos negras se extrae una bola y a continuaci on se lanza un dado, de forma que se introducen en la urna tantas bolas del mismo color que la extra da como el resultado obtenido al lanzar el dado. Cu al es la probabilidad de que, una vez realizada esta operaci on, al extraer dos nuevas bolas, estas tengan el mismo color? 4.23. Dos amigos son alumnos de la asignatura de Estad stica de forma que cuando uno falta le pasa los apuntes al otro. Se sabe que el primero va a asistir a un 80 % de las clases y el segundo a un 40 %, de forma independiente. Cu al es la probabilidad de que los amigos tengan todos los apuntes de clase? 4.24. Se considera una urna en la que hay 4 dados, de forma que en el primero 3 caras son unos y las restantes son doses, en el segundo 4 caras son unos y el resto doses, en el tercero 5 caras son unos y la otra un dos y en el cuarto 2 caras son unos y el resto doses. a) Cu al es la probabilidad de que al elegir un dado al azar y lanzarlo se obtenga un uno? b) Se coge al azar un dado de la urna y al lanzarlo se obtiene un uno, cu al es la probabilidad de que sea el cuarto dado? 4.25. De una urna que contiene cinco bolas blancas y tres negras, se extraen al azar cuatro bolas que se introducen en otra urna vac a, de esta urna se sacan aleatoriamente dos bolas que resultan ser una blanca y una negra. Cu al es la probabilidad de que de las cuatro bolas pasadas, dos fueran blancas y las otras dos negras? 4.26. En una piscina de una piscifactor a se han introducido alevines de dos variedades de una especie en las siguientes cantidades y proporciones de machos y hembras: Variedad A B Cantidad 1000 1500 % machos 7 6

4.9 Ejercicios 143 A continuaci on se escoge un alev n, cu al es la probabilidad de que pertenezca a la variedad A, sabiendo que es hembra? 4.27. Una factor a produce un cierto art culo en tres cadenas de montaje. La cadena A fabrica el 50 % del total, la cadena B el 30 % y la C el 20 %, con porcentajes de defectuosos 003, 004 y 005 respectivamente. Un cliente decide analizar la calidad del producto para lo que selecciona una unidad al azar, qu e probabilidad hay de que dicha unidad resulte ser defectuosa? 4.28. Un ni no guarda tres cajas con chocolatinas, en la primera tiene dos chocolatinas negras y una blanca, en la segunda dos negras y dos blancas y en la tercera dos blancas y una negra. En un despiste suyo, su hermana peque na le ha cogido una chocolatina blanca, cu al es la probabilidad de que la haya cogido de la primera caja?

144

Estad stica Descriptiva y Probabilidad


(Teor a y problemas) 3a Edici on Autores I. Espejo Miranda F. Fern andez Palac n M. A. L opez S anchez M. Mu noz M arquez A. M. Rodr guez Ch a A. S anchez Navas C. Valero Franco

c 2006 Universidad de C Copyright adiz. Se concede permiso para copiar, distribuir y/o modicar este documento bajo los t erminos de la Licencia de Documentaci on Libre de GNU, Versi on 1.2 o cualquier otra versi on posterior publicada por la Free Software Foundation. Una traducci on de la licencia est a incluida en la secci on titulada Licencia de Documentaci on Libre de GNU.

c 2006 Universidad de C Copyright adiz. Permission is granted to copy, distribute and/or modify this document under the terms of the GNU Free Documentation License, Version 1.2 or any later version published by the Free Software Foundation. A copy of the license is included in the section entitled GNU Free Documentation License.

Edita: Servicio de Publicaciones de la Universidad de C adiz C/ Dr. Mara n on, 3 11002 C adiz http://www.uca.es/publicaciones

ISBN: 978-84-9828-058-6 Dep osito legal:

Estad stica Descriptiva y Probabilidad. Teor a y Problemas (Revisi on: Febrero 2006) I. Espejo Miranda, F. Fern andez Palac n, M. A. L opez S anchez, M. Mu noz M arquez, A. M. Rodr guez Ch a, A. S anchez Navas, C Valero Franco c 2006 Servicio de Publicaciones de la Universidad de C adiz. Documento bajo Licencia de Documentaci on Libre de GNU (Versi on 1.2 o posterior). http://www.uca.es/teloydisren

Cap tulo 5 Variable aleatoria

1.

Concepto

En el cap tulo anterior se introduc a el concepto de probabilidad denido sobre el algebra de Boole de los sucesos. Sin embargo, este concepto presenta el inconveniente de que no es susceptible de un buen manejo matem atico, debido fundamentalmente a la diversidad de las categor as de los resultados de un experimento, de ah que sea necesario realizar una abstracci on cuanticada de dicho experimento que permita agrupar los sucesos seg un determinadas caracter sticas comunes y consecuentemente se facilite su manejo y la aplicaci on del an alisis matem atico. Dicha abstracci on se realiza asignando un n umero real a cada suceso del espacio muestral. La funci on mediante la cual se realiza esta correspondencia recibe el nombre de variable aleatoria. M as formalmente, se dene la variable aleatoria como cualquier funci on medible que asocia a cada suceso un n umero real. Profundizando en la idea de variable aleatoria como abstracci on de los resultados de un experimento aleatorio, y puesto que cada suceso tiene una determinada probabilidad de ocurrencia, se puede trasladar dicha probabilidad al valor correspondiente de la variable aleatoria, por lo que se puede hablar de la probabilidad de que una variable aleatoria tome un determinado valor. As ,

146 Cap tulo 5. Variable aleatoria 1. Al lanzar una moneda, se le puede asociar el valor 1 al suceso elemental cara y el valor 0 al suceso cruz. 2. Al lanzar dos dados al aire se puede asociar a cada resultado la suma de los puntos obtenidos. Es importante observar que la asignaci on de valores a los resultados del experimento no es u nica, de hecho basta con jar valores distintos a resultados distintos, para obtener una innidad de funciones. No obstante, la idea es que dicha asignaci on sea lo m as natural posible para que una vez manipulada la variable aleatoria los resultados sean f acilmente interpretables en t erminos del experimento de partida. 2. Variables discretas y continuas

Una variable aleatoria, en lo sucesivo v.a., se denomina discreta si toma valores aislados o puntuales. Ejemplo 5.1 La variable X =N umero de hijos varones de una familia de 2 hijos, puede tomar los valores 0, 1 y 2. Si se desea calcular la probabilidad de que X tome cada uno de sus valores posibles, suponiendo que la probabilidad de que un hijo sea var on es 049, y en el supuesto de que los sucesos sean independientes, se tiene que: P (X = 2) = 0 49 0 49 = 0 2401 P (X = 1) = 0 49 0 51 + 0 51 0 49 = 0 4998 P (X = 0) = 0 51 0 51 = 0 2601 . Siendo la suma de estas probabilidades, como era de esperar, la unidad. Una v.a. es continua si puede tomar cualquier valor dentro de uno o varios intervalos determinados. As , la variable X que asocia a cada individuo de un colectivo su estatura es continua; en este caso, la probabilidad de que la variable tome exactamente un valor determinado, 160 cms. por ejemplo, es cero. Esto tiene su justicaci on intuitiva, des-

5.3 Variables unidimensionales 147 de el punto de vista de la regla de Laplace, en que el n umero de casos favorables es uno s olo, mientras que el n umero de casos posibles es innito. De hecho, esa es la principal caracter stica de la variable continua y obligar a a darle un tratamiento especial. Para terminar, se puede considerar una v.a. mixta, la cual toma valores dentro de uno o varios intervalos y algunos valores puntuales m as fuera de el o de ellos. Lo dicho hasta ahora vale tanto para experimentos simples lanzar un dado y anotar el n umero de la cara superior, como para experimentos complejos medir el peso, la estatura y la edad en a nos de un grupo de personas. En el primer caso la variable asociada ser a unidimensional discreta en el ejemplo, y en el segundo multidimensional, tridimensional, continua para las dos primeras dimensiones y discreta para la edad. 3. 3.1. Variables unidimensionales Caracterizaci on de variables aleatorias

Como se ha visto, la v.a. es una abstracci on num erica que se hace de los resultados de un experimento aleatorio, y puesto que cada suceso tiene una determinada probabilidad de ocurrencia se traslada dicha probabilidad al valor correspondiente de la v.a. Si la variable es discreta y toma pocos valores distintos, como en el ejemplo de los hijos varones, es factible, e incluso conveniente, dar todos esos valores con sus probabilidades de una forma expl cita. Pero si la variable es discreta y toma muchos valores diferentes (tal vez innitos) o si es continua, lo anterior es poco recomendable o incluso imposible. Por ello es necesario apoyarse en una serie de funciones, relacionadas ntimamente con dichas probabilidades, que nos permitan resolver el problema. Estas funciones son la funci on de cuant a en el caso discreto, la de densidad en el continuo; as como, la de distribuci on, la caracter stica y la generatriz de momentos, entre otras, en ambos casos. Este apartado se centra en las tres primeras.

148 Cap tulo 5. Variable aleatoria 3.1.1. Caso discreto Si una v.a. toma valores x1 , x2 , . . . , xn , . . ., (nitos o innitos) la regla que asocia a cada uno de ellos las probabilidades p1 , p2 , . . . , pn , . . ., respectivamente, donde pi = P (X = xi ) se denomina funci on de cuant a. Como la suma de todas las probabilidades de los sucesos elementales es uno, se tiene que:
(n/)

i=1

pi = 1 .

Una v.a. discreta queda perfectamente determinada cuando se conoce su funci on de cuant a, pudi endose expresar esta de dos formas, por extensi on o a trav es de una funci on. Ejemplo 5.2 Utilizando la distribuci on del ejemplo 5.1, la funci on de cuant a puede darse como: x P (X = x) 0 0 2601 1 0 4998 2 0 2401 O bien: 2 x 2x P (X = x) = 0 49 0 51 x para x = 0, 1, 2. Otra forma de caracterizar una v.a. es a trav es de la llamada Funci on de Distribuci on, denida por: F (x) = P (X x) . La funci on de distribuci on en un valor x, es la probabilidad de que X tome valores menores o iguales a x. Es decir, es una funci on que acumula toda la probabilidad entre menos innito y el punto donde est a denida.

5.3 Variables unidimensionales 149 Propiedades de la funci on de distribuci on. La funci on de distribuci on de una variable aleatoria discreta cumple las siguientes propiedades (gura 5.1): 1. Est a denida en toda la recta real. 2. Es no decreciente y no negativa. 3. Toma el valor cero en menos innito y el valor uno en m as innito. 4. S olo tiene discontinuidades de salto -precisamente en los puntos donde la funci on de cuant a es distinta de cero-. Ejemplo 5.3 Algunos valores de la funci on de distribuci on para el ejemplo que se arrastra son: F (0 5) F (0) F (1) F (2) = = = = = F (2 5) = P (X P (X P (X P (X 1 1. 0 5) = 0 = 0) = 0 2601 = 0) + P (X = 1) = 0 7599 = 0) + P (X = 1) + P (X = 2)

Y de aqu es F (x) =

f acil ver que: 0 si x < 0 0 2601 si 0 x < 1 0 7599 si 1 x < 2 1 si x 2 .

Esta funci on se representa gr acamente en la gura 5.1. 3.1.2. Caso continuo Como se dijo en su presentaci on, la caracter stica principal de la variable continua es que la probabilidad de que tome un determinado valor es cero. Sin embargo, a un siendo ello cierto, no todos los valores tienen la misma ocurrencia. Se puede comprobar que hay bastantes

150 Cap tulo 5. Variable aleatoria F (x)

1 076 026

Figura 5.1: Funci on de distribuci on discreta. individuos que tienen estatura alrededor de 160 cms, muchos menos alrededor de 210 cms y ninguno en el entorno de los 350 cms. Lo anterior hace que interese, no ya la probabilidad de tomar exactamente un valor, sino la probabilidad de que la variable se encuentre en el entorno de un punto, es decir, que tome valores dentro de un intervalo. As , se considera un intervalo peque no centrado en 160 cms. y de amplitud , sea este: [160 /2, 160 + /2] con lo que la probabilidad de que X tome alg un valor del intervalo ser a peque na, pero no nula. Si a continuaci on se levanta sobre el intervalo considerado un rect angulo de altura h(160), tal que su area sea igual al valor de la probabilidad anterior, se tiene: Area = h(160) = P (160 /2 X 160 + /2) . De ah que la altura del rect angulo pueda asociarse a una densidad de probabilidad, por ser igual al cociente entre la probabilidad del intervalo y su tama no. Si se seleccionan ahora valores xi de la v.a. X , distantes entre s una distancia y se determinan las alturas h(xi ) de los innitos intervalos as obtenidos se obtiene un histograma y uniendo los centros de las caras superiores de los rect angulos, el correspondiente pol gono de frecuencias (gura 5.2).

5.3 Variables unidimensionales 151


h(x) h(x)


f(x)

h(x)

X Figura 5.2: Obtenci on esquem atica de la funci on de densidad.

La suma de las areas de los rect angulos debe ser uno, por ser igual a la probabilidad de que X tome cualquier valor. Si se hace que la anchura de los rect angulos tienda a cero, el pol gono de frecuencias se transforma en una curva (gura 5.2). Dicha curva es la representaci on gr aca de la funci on f , denominada funci on de densidad de la v.a. X , obtenida como l mite de los valores h:
0

l m h(x) = l m

Si se desea calcular la probabilidad de que la variable se encuentre entre dos valores dados, esta es igual al area bajo la curva f entre a y b (gura 5.3). Es decir: b P (a X b) = f (x) d x .
a

P (x /2 X x + /2) = f (x) .

L ogicamente se verica que: P ( < X < +) =


+

f (x) d x = 1 .

(5.1)

Obviamente f es no negativa. Cualquier funci on no negativa que verique la condici on dada en (5.1) ser a una funci on de densidad.

152 Cap tulo 5. Variable aleatoria


f(x)

Figura 5.3: Probabilidad de que X tome valores entre a y b.


f(x)

b X

F(x)
x

Figura 5.4: Funci on de distribuci on de una variable continua. Al igual que en el caso discreto, la Funci on de Distribuci on, F , de una variable aleatoria X , se dene como: F (x) = P (X x) =
x

f (u) d u .

La funci on de distribuci on en x da la probabilidad de que X tome valores menores o iguales a x, dicho valor es el area de la supercie rayada en la gura 5.4. Las propiedades de la funci on de distribuci on en el caso continuo son id enticas a las del caso discreto con la u nica excepci on de que ahora esta no presenta discontinuidades de salto. Para ciertas variables continuas de uso frecuente, los valores de F se encuentran tabulados, lo cual facilita considerablemente el c alculo de probabilidades. Para terminar este ep grafe, se muestra la relaci on existente entre las funciones

5.3 Variables unidimensionales 153 denidas: P (a < X < b) = P (a X b) = Ejemplo 5.4 Si 1x k f (x) = 0 si 0 x 1 si 2 x 3 en caso contrario.
b

f (x) d x = F (b) F (a) .

1. Para que f sea funci on de densidad debe vericar: a) f (x) 0, x + b) f (x) d x = 1 .

La primera propiedad se cumple siempre que k 0. Se cuestiona para qu e valor de k se verica la segunda propiedad. + 1 3 f (x) d x = (1 x) d x + kdx

1 x2 + kx|3 = x 2 2 0 1 = 1 + 3k 2k . 2

Por tanto, para que f sea funci on de densidad, 1 debe vericarse que 1 2 + 3k 2k = 1 o equivalentemente k = 1 2. 2. La funci on de distribuci on de la variable anterior es: Si x x < 0 entonces F (x) = P (X x) = 0 d x = 0. x Si 0 x < 1 entonces F (x) = f (x) d x = 0 x x2 0 d x + 0 (1 x) d x = x 2 .

154 Cap tulo 5. Variable aleatoria Si 1 x < 2 entonces F (x) = 1 x 1 0 (1 x) d x + 1 0 d x = 2 . Si x 3 entonces F (x) = 1. Resumiendo: 0 x 1
1 2 x1 2 x2 2

0 Si 2 x < 3 entonces F (x) = 0 d x + 1 2 x 1 x1 0 (1 x) d x + 1 0 d x + 2 2 d x = 2 .

0 d x

F (x) =

si si si si si

x<0 0x<1 1x<2 2x<3 x3.

3.2.

La funci on esperanza matem atica

Si X es una v.a. discreta que toma los valores x1 , x2 , . . ., con probabilidades p1 , p2 , . . ., se dene la esperanza de X como: E [X ] =
i1

xi pi .

Si g es una funci on de la v.a. X , se dene la esperanza de g (X ) como: E [g (X )] =


i1

g (xi )pi .

Ejemplo 5.5

Para calcular el valor medio de la variable del ejemplo 5.1. E [X ] = 0 0 2601 + 1 0 4998 + 2 0 2401 = 0 98 . La esperanza de la variable Y = X 3 vale: E [Y ] = 03 0 2601 + 13 0 4998 + 23 0 2401 = 2 42 .

5.3 Variables unidimensionales 155 Si X es una v.a. continua con funci on de densidad f , se dene la esperanza de X como: + E [X ] = xf (x) d x ,

Si g (X ) es una funci on de la v.a. X , se dene la esperanza de g (X ) como: + E [g (X )] = g (x)f (x) d x .

En los dos u ltimos casos la denici on es v alida s olo si existe la integral. A partir de ahora, y salvo que la situaci on as lo requiera, tan s olo se expresan los resultados para variables continuas. Ejemplo 5.6 Para la variable del ejemplo 5.4 la esperanza vale: 1 3 x 2 E [X ] = (x x ) d x + dx 0 2 2 3 2 1 x x3 x2 = 17 . = + 2 3 4 12
0 2

Propiedad 5.1 Si a es una constante cualquiera, se verica: 1. E[aX] = aE[X]. 2. E[a+X] = a + E[X].

Ambas propiedades son f acilmente demostrables sin m as que aplicar la denici on de esperanza. Ejemplo 5.7 Continuando con el ejemplo 5.4: 1. Si se considera Y = 12X , entonces E [Y ] = 17. 2. Si ahora Y =
7 12

+ X , entonces E [Y ] = 2.

156 Cap tulo 5. Variable aleatoria 3.3. Caracterizaci on parcial de variables aleatorias

A partir de la funci on esperanza se introducen una serie de funciones que ofrecen visiones parciales de la distribuci on en estudio. Si X es una v.a. se denen sus momentos de orden k respecto al origen y respecto a la media, respectivamente, como: k = E [X k ] k = E [(X E [X ])k ] .

La media y la varianza. Especial importancia tienen el momento de orden 1 respecto al origen y el momento de orden 2 respecto a la media: 1 = E [X ] = V [X ] = 2 = E [(X )2 ] = 2 . El primero de ellos es la media, esperanza o valor esperado de X y el segundo es la varianza de X , coincidiendo su ra z cuadrada positiva con la desviaci on t pica. Igual que en estad stica descriptiva, se pueden expresar los momentos respecto a la media en funci on de los momentos respecto al origen. En particular la varianza puede expresarse como:
2 V [X ] = 2 = 2 = E [X 2 ] E [X ]2 = 2 1 .

Ejemplo 5.8

Dada la variable: X 0 1 2 3 p(x) 0 2 0 2 0 3 0 3 Se sabe que E [X ] = 0 2 + 0 6 + 0 9 = 1 7, por tanto la varianza vale: V [X ] = 0 0 2 + 1 0 2 + 4 0 3 + 9 0 3 1 72 = 1 21 . Para una v.a. cuya funci on de distribuci on es: si x < 1 0 x 1 si 1 x < 2 F (x) = 1 si x 2 .

Ejemplo 5.9

5.3 Variables unidimensionales 157 Su varianza viene dada por: V [X ] = E [X 2 ] (E [X ])2 Y puesto que: 2 x3 E [X ] = x dx = 3 1 1 8 1 7 = = . 3 3 3 2 2 x2 E [X ] = xdx = 2
2

1 3 = 2 = . 2 2

se tiene que: V [X ] = = Ejercicio 5.1 2 7 3 3 2 7 9 28 27 1 = = . 3 4 12 12

Demuestre las siguientes propiedades de la varianza: a) V [aX ] = a2 V [X ] b) V [a + X ] = V [X ].

En este punto es interesante analizar como quedan denidos algunos de los conceptos que se vieron en estad stica descriptiva: La moda. Es el valor que m as se repite, es decir, el de mayor probabilidad si la variable es discreta, o el de mayor densidad si es continua. En el primer caso la moda es el valor xi , tal que pi es mayor o igual que pj para todo j distinto de i. Si la variable es continua, la moda coincide con el valor de X que maximiza la funci on de densidad, debi endose utilizar los procedimientos anal ticos de obtenci on de puntos optimos. Como en el caso descriptivo, tambi en aqu son v alidas las nociones de modas m ultiples y, por tanto, de modas relativas.

158 Cap tulo 5. Variable aleatoria Ejemplo 5.10 Para las distribuciones de los ejemplos 5.8 y 5.9 las modas obtenidas son: a) Para la variable discreta existen dos modas, 2 y 3, pues la probabilidad, en ambos casos, es 03, mayor a la de cualquier otro valor. b) En el caso continuo, f (x) = 1 en el intervalo [1, 2], por tanto, la moda es todo el intervalo [1, 2]. La mediana. Es el punto central de la distribuci on y coincide con el valor de x tal que F (x) = 0 5. En el caso de variable discreta la similitud es total con la denici on dada en descriptiva. Ejemplo 5.11 Siguiendo con los mismos ejemplos, para el caso discreto, trivialmente, M e = 2. Y para el caso continuo: 1 3 F (x) = 1 2 x 1 = 2 Me = 2 . Coecientes de simetr a y de curtosis. Se denen respectivamente como: 3 4 1 = 3 ; 2 = 4 . Siendo la discusi on sobre ambos coecientes la misma que en el caso descriptivo. Normalizaci on o tipicaci on. Se dice que una v.a. est a tipicada o normalizada cuando su media vale cero y su desviaci on t pica uno. Para tipicar una variable X se le resta su media y se divide por su desviaci on t pica: X Z= . 3.4. Funci on caracter stica y generatriz de momentos

A partir de la esperanza matem atica, se pueden denir dos funciones que caracterizan totalmente a la distribuci on de probabilidad. Estas funciones son la funci on caracter stica y la funci on generatriz de momentos.

5.3 Variables unidimensionales 159 1. Funci on caracter stica. X (t) = E [e


iXt

]=

eixt f (x) d x .

2. Funci on generatriz de momentos. mX (t) = E [eXt ] =


+

ext f (x) d x .

Ejemplo 5.12 Para la v.a. continua del ejemplo 5.9: La funci on caracter stica es: X (t) = E [e =
itx

]=

La funci on generatriz de momentos es:


tx

2 2it it it eitx = e e = e (eit 1) . it 1 it it it


2

eitx d x

mX (t) = E [e ] = etx d x 1 2 tx t e e = = (et 1) . t 1 t Esta u ltima funci on adem as de caracterizar a la distribuci on, permite, como su propio nombre indica, obtener f acilmente cualquier momento. As : dk mX (t) k = |t=0 . dtk En sentido inverso, el conocimiento de los momentos permite obtener la funci on generatriz de momentos.

160 Cap tulo 5. Variable aleatoria 3.5. Cambio de variable

Sea X una v.a. con funci on de densidad f e Y = h(X ) una funci on de X estrictamente mon otona. Entonces, la funci on de densidad de la nueva variable Y viene dada por: d x . g (y ) = f (x) dy Ejemplo 5.13 Sea X una v.a. con funci on de densidad: 2(x 1) si 1 < x < 2 f (x) = 0 en el resto . Dada Y =
X +3 5 ,

puesto que: dx =5, dy

X = 5Y 3

la funci on de densidad de Y se obtiene como: 50y 40 si 4 5 <y <1 g (y ) = 0 en el resto . 3.6. Desigualdad de Tchebychev Sea X es una v.a. y k una constante positiva, se verica que: P ( k X + k ) 1 1 . k2

Esta expresi on permite conocer la proporci on m nima de valores de X que distan de la media, un m aximo k veces la desviaci on t pica. Para k igual a tres, por ejemplo, la desigualdad garantiza que al menos el 89 % de la distribuci on est a en el intervalo 3 . Ejemplo 5.14 Un fabricante de frigor cos utiliza una m aquina para introducir gas en dichos aparatos. La m aquina no es perfecta y por tanto no introduce cantidades iguales en cada frigor co, aunque se conoce que la

5.4 Variables multidimensionales 161 cantidad media de gas que se introduce por aparato es igual a 15 litros y que la varianza es de 4 litros2 . Si se dene por X la variable aleatoria que mide la cantidad de gas introducido en un frigor co, se tiene por la desigualdad de Tchebychev que P (X [15 2k, 15 + 2k ]) 1 1 . k2

Por tanto, si se desea hallar un intervalo, centrado en la media, en el que se encuentre el contenido de gas de, al menos, un 90 % de los frigor cos fabricados por el, s olo hay que resolver la siguiente ecuaci on; 0 9 = 1 k12 . Obteni endose que k = 10 o k = 10, como k tiene que ser positivo se toma k = 10. Por tanto el intervalo requerido es [8 67, 21 32]. 4. 4.1. Variables multidimensionales Distribuciones conjunta y marginales

En este ep grafe se extienden las nociones vistas para una variable unidimensional al caso de variables n-dimensionales. En particular se trata el estudio de variables bidimensionales, siendo generalizables los resultados obtenidos aqu a cualquier dimensi on nita. En un principio se distingue entre variables discretas y continuas, aunque m as adelante s olo van a considerarse las continuas. 4.1.1. Variable discreta Sea (X, Y ) v.a. discreta con su correspondiente probabilidad para cada par de valores. Se dene: P (X = x, Y = y ) = f (x, y ).

162 Cap tulo 5. Variable aleatoria La funci on f , denominada funci on de cuant a, verica:

1. f (x, y ) 0 2.
x y

(x, y )

f (x, y ) = 1 .

Si X toma los valores x1 , . . . , xm , e Y los valores y1 , . . . , yn , entonces se puede expresar la funci on de cuant a conjunta a trav es de la tabla: y1 ... yj f (x1 , y1 ) . . . f (x1 , yj ) . . .. . . . . . xi f (xi , y1 ) . . . f (xi , yj ) . . . .. . . . . . . . xm f (xm , y1 ) . . . f (xm , yj ) Marginal Y f2 (y1 ) . . . f2 (yj ) X/Y x1 . . . ... yn . . . f (x1 , yn ) . .. . . . . . . f (xi , yn ) . .. . . . . . . f (xm , yn ) . . . f2 (yn ) Marginal X f1 (x1 ) . . . f1 (xi ) . . . f1 (xm ) 1

Donde en los m argenes derecho e inferior se han obtenido las distribuciones marginales de X e Y respectivamente. As , la probabilidad de que X tome un valor gen erico xi es: P (X = xi ) =
n j =1

P (X = xi , Y = yj ) =

n j =1

f (xi , yj ) = f1 (xi ) .

De igual forma se hace para Y . Siendo f1 y f2 las funciones de cuant a marginales de X e Y respectivamente. La funci on de distribuci on viene dada por: F (x, y ) = P (X x, Y y ) = f (u, v ) .

ux v y

5.4 Variables multidimensionales 163 4.1.2. Variable continua Sea (X, Y ) una v.a. continua, se dice que f es su funci on de densidad conjunta si x y P (X x, Y y ) = f (u, v ) d v d u . La funci on f debe vericar:

1. f (x, y ) 0 (x, y ) + + 2. f (u, v ) d v d u = 1 .


z = f (x, y ) representa una supercie de densidad, de tal forma que el area encerrada entre la supercie z y el plano XY vale la unidad. La probabilidad de que la v.a. tome valores dentro del rect angulo (a, b) (c, d) viene dada por: b d P (a X b, c Y d) = f (x, y ) d y d x.
a c

Si A representa cualquier suceso y RA la regi on del plano XY que se corresponde con A, se dene su probabilidad como: P (A) = f (x, y ) d x d y .
RA

La funci on de distribuci on conjunta viene dada por: F (x, y ) = P ( < X x, < Y y ) x y = f (u, v ) d v d u .

La relaci on entre F y f es:

2F = f (x, y ) . x y

164 Cap tulo 5. Variable aleatoria Las funciones de distribuci on marginales son: x + F1 (x) = P (X x) = f (u, v ) d v d u F2 (y ) = P (Y y ) =
+ y

f (u, v ) d v d u .

Derivando se obtienen las correspondientes funciones de densidad marginales: + F1 (x) f1 (x) = = f (x, v ) d v x + F2 (y ) f2 (y ) = = f (u, y ) d u . y Ejemplo 5.15 Sea (X, Y ) una v.a. bidimensional cuya funci on de densidad conjunta es: k ( xy si 0 < x < 1, 1 < y < 1 2 + 1) f (x, y ) = 0 en caso contrario. Para calcular k , de tal forma que f (x, y ) sea funci on de densidad, se procede de la siguiente forma: 1. f (x, y ) 0 si y s olo si k 0. + + 2. Como f (x, y ) d x d y = 1 Entonces: 1 = k = k
0 1 1 1

Por lo tanto k = 1 on de densidad con2 y la funci junta viene dada por: xy+2 si 0 < x < 1, 1 < y < 1 4 f (x, y ) = 0 en caso contrario.

xy + 1) d y d x 1 2 2 1 xy 1 +y d x = k 2x|0 = 2k . 4 1 (

5.4 Variables multidimensionales 165 Se calcula ahora la funci on de distribuci on: F (x, y ) = x y uv + 2 = P (X x, Y y ) = dvdu 4 0 1 x y uv 2 + 4v = ( ) du 8 0 v= 1 x 2 2 1) +1) = u (y + u(y2 16 =
x2 (y 2 1) 16

x(y +1) 2

u=0

Para valores de (x, y ) dentro del campo de denici on. Las funciones de distribuci on marginales quedan: x + F1 (x) = P (X x) = f (u, v ) d v d u x 1 uv + 2 = dvdu 4 0 1 1 x uv 2 + 4v x = d u = u |u=0 = x . 8 0 v =1

Para valores de X dentro de su campo de denici on. + y F2 (y ) = P (Y y ) = f (u, v ) d v d u 1 y uv + 2 = dvdu 4 0 1 1 y uv 2 + 4v = du 8 0 v = 1 1 2 2 1) u(y +1) = u (y + 16 2 =
y 2 1 16

y +1 2

u=0 y 2 +8y +7 16

Para valores de Y dentro de su campo de denici on.

166 Cap tulo 5. Variable aleatoria Resumiendo se tiene: F (x, y ) = 0 2 2 x(y +1) x (y 1)+8 16 = F1 (x) F2 (y ) 1 si si si si si x<0 o y < 1 0 x < 1, 1 y < 1 0 x < 1, y 1 x 1 , 1 y < 1 x 1, y 1 .

Por u ltimo, se pueden obtener las funciones de densidad marginales:

1. A partir de la funci on de densidad conjunta: f1 (x) = =


+

f (x, y ) d y

Para valores de X dentro de su campo de denici on. f2 (y ) = =


+

1 xy 1 xy 2 + 4y =1. ( + )dy = 2 8 1 4 1

1 0

f (x, y ) d x

Para valores de Y dentro de su campo de denici on.

1 xy 1 x2 y + 4x = y+4 . ( + )dx = 4 2 8 8 0

2. O bien, derivando parcialmente las funciones de distribuci on marginales: F1 (x) = f1 (x), x F2 (y ) = f2 (y ) . y

5.4 Variables multidimensionales 167 4.2. Distribuciones condicionadas. Independencia

Este ep grafe se limita a analizar los resultados para una v.a. continua. Los correspondientes a v.a. discreta se obtienen de forma inmediata intercambiando los conceptos con sus hom ologos. Se dene la funci on de densidad condicionada de X para un valor dado de Y como: f (x/y ) = f (x, y ) , f2 (y )

siempre que f2 (y ) sea distinto de cero. De la forma denida, el lector puede comprobar que efectivamente se trata de una funci on de densidad. Su correspondiente funci on de distribuci on tiene la forma x f (x, y ) d x F (x/y ) = . f2 (y ) De igual manera se obtienen las condicionadas de Y con respecto a X . De las relaciones siguientes (todas ellas inmediatas): f (x, y ) = f (y/x)f1 (x) f (y/x) f (x/y ) = f1 (x) f2 (y ) + f2 (y ) = f (y/x)f1 (x) d x ,

se puede deducir que: f (y/x)f1 (x) f (x/y ) = + , f ( y/x ) f ( x ) x d 1

que es la expresi on del Teorema de Bayes para funciones de densidad. Ejemplo 5.16 Continuando con el ejemplo anterior se calcula f (x/y ). f (x, y ) f (x/y ) = = f2 (y )
xy 1 4 + 2 y +4 8

2xy + 4 . y+4

168 Cap tulo 5. Variable aleatoria Independencia. Se dice que las variables X e Y son independientes, si las distribuciones condicionadas coinciden con las marginales, es decir: f (x/y ) = f1 (x) f (y/x) = f2 (y ) . Igual que siempre la condici on de independencia se establece en un doble sentido. El que las variables sean independientes implica que el conocimiento de que una variable toma un determinado valor o est e contenida en un rango de valores no da ninguna informaci on sobre los valores de la otra variable. De la denici on de condicionada puede deducirse que dos variables X e Y son independientes si y s olo si: f (x, y ) = f1 (x)f2 (y ) . Esta denici on de independencia se puede extender a cualquier conjunto nito de variables, y as , las variables X1 , X2 , . . . , Xn , son independientes si se verica: f (x1 , x2 , . . . , xn ) = f1 (x1 )f2 (x2 ) . . . fn (xn ) . La independencia conjunta implica la de cualquier subconjunto de variables; en contra de lo que pasaba en la relaci on entre sucesos, donde para que se diera la independencia conjunta era necesario exigir la independencia para cualquier combinaci on de sucesos. Ejemplo 5.17 Para comprobar si las variables X , Y del ejemplo 5.15 son independientes se puede utilizar la denici on: f (x/y ) = xy 1 + f (x, y ) 2 = 4 y+4 f2 (y ) 8 2xy + 4 y + 4 = f1 (x) = 1 .

5.4 Variables multidimensionales 169 la caracterizaci on: f (x, y ) = xy + 2 = f1 (x)f2 (y ) 4 y+4 y+4 8 = 8 .

= 1

Por lo tanto X e Y no son independientes. 4.3. Esperanza. Covarianza y correlaci on

Sea g (X, Y ) una funci on de la v.a. (X, Y ) de funci on de densidad f y funci on de distribuci on F . Se dene la esperanza matem atica de g (X, Y ) como: + E [g (X, Y )] = g (x, y ) d F (x, y ) =
+ +

g (x, y )f (x, y ) d x d y ,

siempre que dicha integral exista. Especial importancia tienen los casos en que g toma las formas: g (X, Y ) = X h Y k donde la esperanza recibe el nombre de momento de orden (h, k ) respecto al origen. Se denota hk . g (X, Y ) = (X 10 )h (Y 01 )k en cuyo caso se tiene el momento de orden (h, k ) respecto a la media y que se identica por hk . Ejercicio 5.2 Compruebe que: a) 10 = E [X ]; 01 = E [Y ] b) 10 = 01 = 0 2 ; 2. c) 20 = X 02 = Y

Adem as 11 = XY es la covarianza de (X, Y ), deni endose el coeciente de correlaci on lineal como: XY = XY . X Y

170 Cap tulo 5. Variable aleatoria La denici on de esperanza se puede generalizar al caso de un n umero nito de variables, siendo su expresi on: E [g (X1 , X2 , . . . , Xn )] = + + = ... g (x1 , x2 , . . . , xn )f (x1 , x2 , . . . , xn ) d x1 d x2 . . . d xn .

Como siempre, si existe dicha integral. Propiedad 5.2

1. E [X1 + X2 + . . . + Xn ] = E [X1 ] + E [X2 ] + . . . + E [Xn ]. 2. Si las variables X1 . . . Xn son independientes, entonces: E [X1 X2 . . . Xn ] = E [X1 ]E [X2 ] . . . E [Xn ] . 3. Si dos variables son independientes, su covarianza es nula. El rec proco no es cierto en general. 4. Si Z = aX + b y T = cY + d, se tiene que Z,T = acXY . 5. |XY | 1. 6. Si Y = aX + b entonces |XY | = 1, siendo su signo igual al de a.
2 = 2 + 2 2 7. Si Z = X Y , entonces Z XY . X Y

Se llama vector de medias de la v.a. X = (X1 , X2 , . . . Xn ) al vector cuyas componentes son las esperanzas de cada una de las Xi , que se representan por = E [X ]. Se llama matriz de varianzas y covarianzas de la v.a. X a la matriz cuadrada de orden n dada por: X = E [(X )t (X )]. Dicha matriz contiene en la diagonal a las varianzas de las variables y en el resto a las covarianzas entre ellas. La matriz de varianzas y covarianzas es, por tanto, sim etrica y adem as semidenida positiva; y es denida positiva, si ninguna de las variables es combinaci on lineal del resto.

5.4 Variables multidimensionales 171 Ejemplo 5.18 Las medias 10 y 01 (momentos de orden 1 respecto del origen) de la variable aleatoria bidimensional del ejemplo 5.15 se obtienen como: 1 1 x2 y 10 = E [X ] = 1 + x dydx 2 0 1 2 1 x2 y2 1 = 1 2 0 4 + xy 1 d x 1 1 = 1 2x 0 = 2 1 1 xy2 01 = E [Y ] = 1 + y dydx 2 0 1 2 3 1 1 xy y2 = 1 2 0 6 + 2 1 d x 1 x2 1 = 1 2 6 = 12 .
0

De la misma forma los momentos de orden 2 vienen dados por: 20 = E [X 2 ] = De donde:


2 20 = E [(X 10 )2 ] = 20 10 1 1 1 = 3 4 = 12 2 02 = E [(Y 01 )2 ] = 02 01 1 1 47 = 3 144 = 144 . 1 3

02 = E [Y 2 ] = 1 3.

Para calcular la covarianza se necesita previamente: 11 = x2 y 2 = E [XY ] = + xy d y d x 2 0 1 1 1 1 2 3 x y xy 2 1 x3 1 1 = 2 + = . dx = 6 2 6 3 18 0 1 0


1 2

1 1

Y por tanto: Cov(X, Y ) = x,y = 11 = E [XY ] E [X ]E [Y ] 1 1 1 = 18 1 2 12 = 72 .

172 Cap tulo 5. Variable aleatoria De donde el coeciente de correlaci on es: XY =


1 x,y = 72 x y 1 12 47 144

= 0 0842 .

4.4.

Cambio de variables

Sea (X, Y ) una v.a. con funci on de densidad f . Sean Z = g1 (X, Y ) y T = g2 (X, Y ) transformaciones continuas y biun vocas denidas por dos funciones g1 y g2 que admiten derivadas parciales continuas. Entonces la funci on de densidad de la nueva variable (Z, T ) existe en todos aquellos puntos donde el determinante z z (z, t) x y J= = t t (x, y ) x y sea distinto de cero. Siendo dicha funci on igual a: g (z, t) = f (h1 (z, t), h2 (z, t))|J1 | . Donde h1 y h2 son las funciones inversas de g1 y g2 , y J1 = Es inmediata la generalizaci on al caso de n variables. Ejemplo 5.19 En el ejemplo 5.15 se considera la transformaci on: Z =X Y T = X + 2Y Para obtener la funci on de densidad de la nueva variable (Z, T ) se calcula en primer lugar: 1 1 J = 1 2 = 2 + 1 = 3 = 0 . Por lo tanto la funci on de densidad g (z, t) existe para cualquier punto. A continuaci on se despeja (X, Y ) en funci on de (Z, T ) y se calcula J1 . 1 +T 2 X = 2Z3 1 3 3 J1 = 1 1 = . T Z 3 Y = 3 3 3
(x,y ) (z,t) .

5.5 Ejercicios 173 Por tanto: g (z, t) = resultando:


2z +t tz 3 3

1 3

(2z +t)(tz ) 108

5. 5.1.

Ejercicios

(2z + t)(t z ) g (z, t) = 108 0

0 < 2z + t < 3, y 3 < t z < 3 en caso contrario.

Ejercicio resuelto

5.1 La funci on de distribuci on asociada a la producci on de una m aquina, en miles de unidades, es del tipo: si x < 0 0 x(2 x) si 0 x k F (x) = 1 si x > k.

a) Determine k para que F sea funci on de distribuci on. b) Calcule la funci on de densidad de la variable producci on. c) Obtenga media, moda, mediana y varianza de la produc-

ci on. d) Cu al es la probabilidad de que la producci on sea inferior a 500 unidades? Y la de que sea superior a 250 unidades? e) Si el benecio de la m aquina viene dado, en funci on de la producci on, por B = 6X 3, calcule la funci on de densidad y de distribuci on del benecio. Soluci on: a) Para calcular k hay que utilizar las propiedades que se conocen de la funci on de distribuci on. Se sabe que la funci on de distribuci on cuando se trata de una v. a. continua es continua en todo R. Por tanto: 1 = =
xk+

l m F (x) = l m F (x) l m x(2 x) = k (2 k )


xk

xk

174 Cap tulo 5. Variable aleatoria k 2 2k + 1 = 0 2 44 k= = 1. 2 En consecuencia k = 1. b) Para calcular la funci on de densidad a trav es de la funci on de distribuci on basta con derivar F : 2 2x si 0 x 1 f (x) = 0 en el resto. c) Por denici on se tiene que: E [X ] = xf (x) d x = =
1 0

Para calcular la moda hay que ver el valor que hace m axima la funci on de densidad. Derivando se obtiene, f (x) = 2. La derivada de la funci on de densidad es negativa, por lo que se trata de una funci on decreciente y toma el valor m aximo en el extremo inferior del intervalo [0, 1]. La moda es por tanto x = 0. La mediana de una distribuci on es aquel valor que deja el 50 % de la distribuci on a la derecha y el otro 50 % a la izquierda. Expresado en t erminos de la funci on de distribuci on el valor mediana, M e, verica, 1 F (M e) = 2 . = 4M e 2M e2 = 1 4 16 8 2 2 2 2M e 4M e + 1 = 0 = M e = = . 4 2 De las dos soluciones se rechaza aquella que es mayor que uno, pues para ese valor la funci on de distribuci on vale 1. Por lo tanto: 2 Me = 1 . 2 2M e M e2 = 1 2

1 2x3 2 =1 2 = 1 . x 3 0 3 3

x(2 2x) d x

5.5 Ejercicios 175 La varianza se puede calcular como: V [X ] = E [X 2 ] E [X ]2 . Se sabe que E [X ] = 1 nico que hay que calcular es E [X 2 ]: 3 , entonces lo u + 2 E [X ] = x2 f (x) d x = Y por tanto: d) P (X < 0 5) = = =

1 0

2x2 (1 x) d x =

1 . 6

V [X ] =

1 1 1 = . 6 9 18
0 5

0 5

f (x) d x (2 2x) d x

De la misma forma se obtiene P (X > 0 25), sabiendo que: P (X > a) = 1 P (X a) P (X > 0 25) = 1 P (X 0 25) = 1

0 5 2x x2 0 = 0 75 .

e) Para calcular la funci on de densidad de B = 6X 3, se aplica la f ormula del cambio de variable: d x g (b) = f (x) db b+3 b = 6x 3 = x = 6 b+3 1 3b g (b) = 22 = . 6 6 18

0 25 = 1 2x x2 0 = 0 5625 .

0 25

(2 2x) d x

176 Cap tulo 5. Variable aleatoria Se calcula el dominio de denici on de esta nueva funci on de densidad. Si b = 6x 3 y 0 x 1 = 3 b 3, entonces g (b) =
3b 18

si 3 b 3 en el resto.

La funci on de distribuci on viene dada por: F (b) = = =


b

g (x) d x

cuando b (3, 3), por lo que: F (b) =

3x dx 3 18 b x x2 6b b2 + 27 ) = 6 36 3 36 0
6bb2 +27 36

si b < 3 si 3 b 3 si b > 3 .

5.2.

Ejercicios propuestos 5.1. Una v.a. tiene como funci on de densidad: f (x) =
1 3

kx 0

si 0 < x < 1 si 2 < x < 4 en el resto.

a) Encuentre k para que f sea funci on de densidad. b) Calcule la funci on de distribuci on. c) Obtenga la media, moda y mediana de la variable X .

5.5 Ejercicios 177 5.2. Una v.a. toma los valores 2, 1, 0, 1, 2. Se sabe que cada valor tiene la misma probabilidad que su opuesto, que P (X = 0) = 0 2 y que la probabilidad del valor 1 es el doble que la del 2. Calcule: a) La funci on de cuant a y la funci on de distribuci on. b) P (1 X 1), P (1 X < 1), P (X 2). c) La funci on de cuant a de la variable Y = 2X 2 . d) El valor esperado de la variable Y 2 . 5.3. Debido al aniversario de un centro comercial se regala por cada 30e de compra una llave para abrir un cofre de los 50 que hay. Entre ellos hay 2 que contienen premio, uno de 600e. y otro de 400e. Cu al es la ganancia esperada para una persona que tiene dos llaves? 5.4. Observando una determinada v.a. de un experimento se obtiene que su funci on de densidad viene dada por: f (x) =
1 2

+x 0

si 0 < x a en el resto.

a) Encuentre a para que f sea funci on de densidad. b) Obtenga su funci on de distribuci on. c) Calcule su media, moda y mediana. d) Calcule P (X 3), P (0 X 0 5), P (X 0 5) e) En un experimento posterior se comprob o que una nueva variable ven a dada en funci on de esta por: Y = Ln X . Calcule su funci on de densidad. 5.5. Existe alg un valor de k para el cual la funci on: f (x) = k (1 x) 0 si 1 x 2 en el resto,

sea funci on de densidad? En caso armativo calcule su funci on de distribuci on.

178 Cap tulo 5. Variable aleatoria 5.6. El tiempo de vida, en meses, de determinados insectos viene dado por una v.a. cuya funci on de distribuci on es: F (x) = Calcule: a) El valor de K para que F sea funci on de distribuci on. b) Su funci on de densidad. c) La probabilidad de que un insecto viva m as de dos meses. d) La probabilidad de que un insecto que ha vivido 4 meses viva un mes m as. 5.7. Sea X una v.a. continua cuya funci on de densidad es: (x + 1)2 kx f (x) = 0 si 2 x 0 si 1 x 2 en el resto. 0 si K (1 e2x ) si x<0 x0.

a) Encuentre k para que f sea funci on de densidad. b) Calcule la funci on de distribuci on. c) Calcule P (0 X 1 25) y P (X 1). d) Calcule el valor medio de la variable y su varianza. e) Si Y = 2X 2 2, calcule el valor medio de Y . 5.8. Se posee una moneda trucada de tal forma que la probabilidad de sacar cara es el triple que la de sacar cruz. Se lanza esta moneda tres veces y se cuenta el n umero de veces que ha salido cara. Calcule: a) La funci on de cuant a y la funci on de distribuci on de la variable denida. b) El valor esperado y la varianza. c) La probabilidad de que el n umero de caras sea mayor o igual a dos.

5.5 Ejercicios 179 5.9. La longitud de ciertos caracoles marinos, en cent metros, se distribuye seg un la funci on de densidad: k (x 3)(7 x) si x (3, 7) f (x) = 0 en el resto. a) Determine k para que f sea funci on de densidad. b) Calcule su funci on de distribuci on. c) Para un estudio interesan aquellos caracoles marinos cuya longitud est e comprendida entre 35 y 6 cent metros Qu e porcentaje de caracoles hay para ese estudio? 5.10. De una v.a. discreta se sabe que los valores que toma son: -3, -2, 0, 2, 3, que P (X = 0) = 0 5, P (X = 3) = 0 125, que el valor esperado de la variable es 0 y la varianza 325. Calcule la funci on de cuant a de Y = X 2 . 5.11. Se sabe que la funci on de distribuci on de una variable aleatoria es 0 si x < 0 0 15 si 0 x < 1 0 6 si 1 x < a F (x) = 0 75 si 2 5 x < 3 1 si 3 x . Calcule: a) La funci on de cuant a. b) La esperanza, la mediana y la moda de la variable aleac) P (1 5 X < 3 5). 5.12. Se considera la siguiente funci on: kx2 si x = 1, 2, 3. f (x) = 0 en el resto. a) Calcule k para que f sea funci on de cuant a de una variable aleatoria X . toria.

180 Cap tulo 5. Variable aleatoria b) Calcule la funci on de distribuci on de X . c) Calcule media, moda, mediana y varianza. d) P (0 5 X < 2 5). e) Sea Y = Ln(X + 1), calcule la funci on de cuant a de Y . 5.13. Se considera un experimento aleatorio con un dado y con una moneda, de forma que se lanza el dado y a continuaci on la moneda. Si la moneda sale cara, el resultado del experimento es la puntuaci on obtenida al lanzar el dado y si sale cruz el resultado es la puntuaci on del dado m as uno. Calcule la funci on de cuant a de este experimento. 5.14. Se lanza cuatro veces una moneda y se cuenta el n umero de caras que se han obtenido. Calcule la funci on de cuant a de este experimento. 5.15. Se lanza una moneda hasta la primera vez que sale cara. Calcule la funci on de cuant a de este experimento. 5.16. Se considera la funci on: 1 si x = 1, 2, . . . , N N f (x) = 0 en el resto. a) Pruebe que la funci on f es una funci on de cuant a de una variable aleatoria X . b) Calcule su funci on de distribuci on. c) Obtenga la media y la varianza. 5.17. Se considera la funci on: 2x1 ke si x = 0, 1, 2 f (x) = 0 en el resto. a) Calcule k para que sea funci on de cuant a. b) Calcule la funci on de distribuci on correspondiente.

5.5 Ejercicios 181 5.18. Sea f denida por (x + 1)2 ke2x f (x) = Ln(x) 2 0

si 0 x < 0 25 si 0 75 x < 1 si 1 x 2 en el resto.

a) Calcule k para que sea funci on de densidad. b) Calcule la funci on de distribuci on correspondiente. c) Calcule la mediana de la distribuci on. d) Sea Y = 2X + 1, calcule E [Y ].

5.19. Sea f denida por: 1 3 2 k (3x + 4x) f (x) = 2 21 x 0

si si si en

0x<1 1x<2 2x3 el resto.

a) Calcule k para que f sea funci on de densidad. b) Calcule su funci on de distribuci on. c) Sea Y = Ln(2X ), calcule la funci on de densidad de Y .

5.20. Sea f denida por: 1x f (x) = x1

si 0 x < a si a x 2 .

Calcule a para que f sea funci on de densidad. 5.21. Sea F la funci on denida por 0 si x2 x 2 si F (x) = x2 k ( 2 x + 1) si 1 si de X .

x<0 0x<1 1xa x>a.

a) Calcule a y k para que F sea la funci on de distribuci on

182 Cap tulo 5. Variable aleatoria b) Calcule la funci on de densidad de X . c) Calcule la mediana de la distribuci on. X d) Calcule la distribuci on de Y = e . 5.22. Sea F una funci on de distribuci on dada por 0 si x < 0 2 kx si 0 x < 1 F (x) = 2 2) k (4 x x si 1 x < 2 b si x 2 .

a) Calcule k y b para que F sea funci on de distribuci on de una variable aleatoria continua. b) Calcule E [X ] y V [X ]. 3 c) Obtenga P ( 3 4 < X < 2 ). 5.23. Se considera (X, Y ) la v.a. bidimensional con k (x y ) si 2 x 4, 0 y 1 f (x, y ) = 0 en el resto. a) Determine k para que f sea funci on de densidad. b) Calcule su funci on de distribuci on. c) Obtenga las distribuciones marginales y condicionadas. d) Calcule P (X 3, Y 0 5), F (2, 0) y F (1, 0 25). 5.24. Sea f la funci on denida por: 1 si 0 x 1, 0 y 1 f (x, y ) = 0 en el resto. Demuestre que es una funci on de densidad. 5.25. De las siguientes funciones, calcule el valor de k para que sean funciones de densidad de una variable aleatoria bidimensional. a) kx2 si 0 x 1, y x f (x, y ) = 0 en el resto.

5.5 Ejercicios 183 b) f (x, y ) = c) f (x, y ) = d) f (x, y ) = k (x2 + y 2 ) si 0 x 1, 0 y 1 0 en el resto. k si 0 x 1, |y | x2 0 en el resto. k (2x + y ) si 0 x 1, y x2 0 en el resto.

5.26. Sea f (x, y ) = Calcule a) El valor de k para que la funci on f sea funci on de densidad. b) La funci on de distribuci on correspondiente. c) Las distribuciones marginales. d) P (0 5 X 0 75, 0 Y 0 25). e) La distribuci on de X + Y . 5.27. Sea f (x, y ) = k 0 si 0 x 1, 0 y 2 en el resto. kxy si 0 x 1, 0 y 1 0 en el resto.

a) Calcule k para que f sea funci on de densidad. b) Obtenga la funci on de densidad de la variable bidimensional (U, V ), donde U = X + Y y V = X Y . c) Calcule las marginales de (X, Y ). d) Determine las condicionadas de (U, V ).

184

Estad stica Descriptiva y Probabilidad


(Teor a y problemas) 3a Edici on Autores I. Espejo Miranda F. Fern andez Palac n M. A. L opez S anchez M. Mu noz M arquez A. M. Rodr guez Ch a A. S anchez Navas C. Valero Franco

c 2006 Universidad de C Copyright adiz. Se concede permiso para copiar, distribuir y/o modicar este documento bajo los t erminos de la Licencia de Documentaci on Libre de GNU, Versi on 1.2 o cualquier otra versi on posterior publicada por la Free Software Foundation. Una traducci on de la licencia est a incluida en la secci on titulada Licencia de Documentaci on Libre de GNU.

c 2006 Universidad de C Copyright adiz. Permission is granted to copy, distribute and/or modify this document under the terms of the GNU Free Documentation License, Version 1.2 or any later version published by the Free Software Foundation. A copy of the license is included in the section entitled GNU Free Documentation License.

Edita: Servicio de Publicaciones de la Universidad de C adiz C/ Dr. Mara n on, 3 11002 C adiz http://www.uca.es/publicaciones

ISBN: 978-84-9828-058-6 Dep osito legal:

Estad stica Descriptiva y Probabilidad. Teor a y Problemas (Revisi on: Febrero 2006) I. Espejo Miranda, F. Fern andez Palac n, M. A. L opez S anchez, M. Mu noz M arquez, A. M. Rodr guez Ch a, A. S anchez Navas, C Valero Franco c 2006 Servicio de Publicaciones de la Universidad de C adiz. Documento bajo Licencia de Documentaci on Libre de GNU (Versi on 1.2 o posterior). http://www.uca.es/teloydisren

Cap tulo 6 Algunos modelos probabil sticos

La identicaci on del patr on probabil stico por el cual se rige un determinado experimento aleatorio facilita enormemente su estudio. En efecto, cuando se desea estudiar una determinada situaci on real, el reconocimiento de un modelo probabil stico en dicha situaci on supone una abstracci on matem atica que permite el uso tanto de herramientas matem aticas como estad sticas para obtener su completa caracterizaci on. De esta forma, a lo largo de este cap tulo se realizar a un estudio pormenorizado de los modelos probabil sticos m as importantes, de forma que permitan identicarse cuando se presenten en un determinado experimento aleatorio. Se comienza estudiando modelos discretos y continuos en el caso unidimensional para posteriormente pasar a estudiar algunos modelos en el caso bidimensional. 1. Distribuci on uniforme discreta

El primer modelo probabil stico que se estudia es el uniforme discreto, que consiste en distribuir a partes iguales la masa de probabilidad entre un n umero nito de valores. Sea X una variable aleatoria uniforme discreta, que toma los valores x1 , . . . , xn . La funci on de cuant a viene dada por la siguiente ex-

186 Cap tulo 6. Algunos modelos probabil sticos presi on P (X = xi ) = Suponiendo que x1 x2 . . . dada por 0 1 n 2 n F (x) = . . . 1 1 n

i = 1, . . . , n.

xn , su funci on de distribuci on viene si x < x1 si x1 x < x2 si x2 x < x3 . . . si xn x.


n

Por otro lado, se tiene que E [X ] =

1 1 2 xi y que, E [X 2 ] = xi . n n
i=1 i=1

El ejemplo cl asico de una uniforme discreta es el experimento de observar los resultados posibles al lanzar un dado honesto. 2. Experimento de Bernouilli

La realizaci on de pruebas repetidas e independientes constituyen un experimento de Bernouilli cuando cada una de ellas tiene dos posibles resultados E y F , con probabilidades de ocurrencia, invariantes a lo largo de todo el proceso, p y q , respectivamente. Obviamente se verica que tanto p como q son estrictamente mayores que cero y adem as p + q = 1. Los dos posibles resultados suelen identicarse a menudo como exito y fracaso, y la v.a. que se asocia al experimento toma los valores 1 para el exito y 0 para el fracaso. 2.1. Distribuci on binomial

La distribuci on de probabilidad por la cual se rige el n umero de exitos al realizar n pruebas Bernouilli independientes y con probabilidades de exito iguales, se le denomina distribuci on binomial. Ejemplo 6.1 El n umero de caras en 15 lanzamientos de una moneda sigue una distribuci on binomial.

6.2 Experimento de Bernouilli 187 Se consideran n variables aleatorias Bernouilli independientes, Xi con i = 1, . . . , n, tal que, Xi = 1 si en el experimento Bernouilli se ha obtenido exito y Xi = 0 en caso contrario. Obs ervese que si se dene X= n X , se est a contando el n u mero de e xitos en n experimentos i=1 i Bernouilli independientes. Por tanto, una v.a. con distribuci on binomial puede expresarse como suma de variables aleatorias independientes Bernouilli. Para calcular la distribuci on de probabilidad de la variable binomial, se considera la ejecuci on n veces del experimento Bernouilli en el que han aparecido k exitos y n k fracasos, por ejemplo en la secuencia EE . . . EF F . . . F , la probabilidad de este suceso viene dada por pk q nk . Sin embargo, no es esa la u nica forma de obtener k exitos, pues hay que considerar todas las ordenaciones de los elementos E y F , lo que da un total de: n! n k,nk Pn = = . k !(n k )! k La probabilidad de obtener k exitos en n pruebas es, por tanto: n k nk P (X = k ) = p q k = 0, 1, 2, . . . , n. k Observe que se trata de una verdadera distribuci on de probabilidad, pues: n n k nk p q = (p + q )n = 1n = 1. k
k=0

De hecho, esta expresi on justica el nombre de la distribuci on, pues lo n anterior no es sino el desarrollo del binomio (p + q ) . A la distribuci on se le suele notar por B (n, p), es decir por su letra o letras iniciales y los par ametros que la caracterizan. De igual forma se procede en el resto de los casos. Es f acil comprobar que: E [X ] = np, V [X ] = npq, MX (t) = (pet + q )n .

Para el caso particular de que n sea igual a 1 se obtiene la distribuci on de Bernouilli, B (p).

188 Cap tulo 6. Algunos modelos probabil sticos Propiedad 6.1 Si X1 , . . . , Xk son variables aleatorias independientes k k tal que Xi B (ni , p) con i = 1, . . . , k , se tiene que Xi B ( ni , p).
i=1 i=1

Ejemplo 6.2

De una poblaci on de animales, se sabe que el 60 % son machos. Si se extrae un conjunto de 10 animales, cu al es la probabilidad de que en ese conjunto haya 7 hembras? Sea X = N umero de hembras en un conjunto de 10 animales, se ve claramente que X B (10, 0 4) (gura 6.1). La probabilidad de que haya 7 hembras es: 10 7 3 P (X = 7) = 0 4 0 6 = 0 04. 7 0.3 0.2 0.1

0 1 2 3 4 5 6 7 8 9 10

Figura 6.1: Binomial B (10, 0 4)

2.2.

Distribuci on geom etrica

Una variable aleatoria X denida como el n umero de fracasos antes de obtener el primer exito en sucesivas realizaciones de experimentos Bernouilli independientes y con id enticas probabilidades de exito, se dir a que sigue una distribuci on geom etrica. Dicha variable toma los valores k = 0, 1, 2, . . ., con probabilidad: P (X = k ) = pq k .

6.2 Experimento de Bernouilli 189 Sus caracter sticas son: E [X ] = q p V [X ] = q p2 MX (t) = p . (1 qet )

Propiedad 6.2 Sea X Ge(p), para cualesquiera n y m se verica que P (X > m + n/X > m) = P (X n). Rec procamente, si X es una variable aleatoria que toma valores no negativos y se cumple que P (X > m + n/X > m) = P (X n) para todo m y n, entonces se tiene que X se distribuye seg un una distribuci on geom etrica. Esta propiedad se conoce como de p erdida de memoria. Ejemplo 6.3 Para la misma poblaci on del ejemplo 6.2, se extraen animales hasta obtener la primera hembra, cu al es la probabilidad de extraer 5 machos antes que la primera hembra? Si se considera como exito extraer una hembra y se dene la variable X como: N umero de machos antes de obtener la primera hembra, se tiene una distribuci on geom etrica, es decir, X Ge(0 4). La probabilidad que se pide es: P (X = 5) = 0 65 0 4 = 0 36. 2.3. Distribuci on binomial negativa

Una v.a. X denida como el n umero de fracasos antes del r- esimo exito en sucesivas realizaciones de un experimento Bernouilli indepen-

190 Cap tulo 6. Algunos modelos probabil sticos dientes con igual probabilidad, se dir a que sigue una distribuci on binomial negativa. La distribuci on geom etrica es un caso particular de binomial negativa cuando r = 1. La v.a. X toma los valores k = 0, 1, 2, . . ., con probabilidad: k+r1 r k P (X = k ) = p q . k Sus principales rasgos son: E [X ] = rq , p V [X ] = rq . p2

Propiedad 6.3 Sean X1 , . . . , Xr variables aleatorias independientes e id enticamente distribuidas seg un una distribuci on geom etrica de par ar metro p. Se tiene que Xi sigue una distribuci on binomial negativa de par ametros r y p.
i=1

Propiedad 6.4 Sean X1 , . . . , Xk variables aleatorias independientes e id enticamente distribuidas seg un una binomial negativa de par ametros ri k y p con i = 1, . . . , k . Se tiene que Xi sigue una distribuci on binomial
i=1

negativa de par ametros r y p, siendo r = Ejemplo 6.4

k i=1

ri .

Siguiendo con la poblaci on del ejemplo 6.2, cu al es la probabilidad de extraer 5 hembras antes del tercer macho? En este caso, el exito se dene como extraer un macho, por lo que p = P ( exito) = 0 6 y X =N umero de hembras antes de obtener el tercer macho. Entonces X BN (3, 0 6). La probabilidad pedida es: 5+31 3 5 P (X = 5) = 0 6 0 4 = 0 18. 5

6.3 Distribuci on hipergeom etrica 191 3. Distribuci on hipergeom etrica

Dada una urna compuesta por N1 bolas blancas y N2 negras, de la que se extraen n bolas sin reemplazamiento, cu al es la probabilidad de que haya r bolas blancas y n r bolas negras entre las n bolas extra das? Utilizando n umeros combinatorios, esta probabilidad vale: N1 N2
n nr r . N1 +N2

En esta situaci on, la distribuci on de la v.a. denida como n umero de bolas blancas (r) en una extracci on de n bolas de una urna se le denomina distribuci on hipergeom etrica. Dicha variable toma los valores r = 0, 1, . . . , m n{n, N1 } con probabilidad:
nr P (X = r) = r . N1 + N2 n

N1 N2

Sus principales caracter sticas son: nN1 E [X ] = , N1 + N2

V [X ] = n

N1 + N2 n N1 + N2 1

N1 N2 . (N1 + N2 )2

Se hace notar que la diferencia que existe entre un experimento con distribuci on binomial y uno con distribuci on hipergeom etrica radica, en que en la primera, la extracci on de las bolas se producen con reemplazamiento y en la segunda, sin reemplazamiento. Por ello, cuando N1 1 y N2 tiende a innito y N1N on +N2 converge a un valor p, la distribuci hipergeom etrica se aproxima a una distribuci on binomial B (n, p), con 1 p = N1N +N2 ; ya que en este caso la probabilidad de extraer una bola con o sin reemplazamiento es pr acticamente la misma. Ejemplo 6.5 De una urna que contiene seis bolas negras y nueve bolas rojas se extraen cinco bolas, cu al es la probabilidad de obtener tres bolas rojas? Sea X = N umero de bolas rojas al extraer cinco

192 Cap tulo 6. Algunos modelos probabil sticos bolas de la urna. La probabilidad pedida es: 69 Ejemplo 6.6 Si el experimento del ejemplo anterior se repite tres veces, reintegrando las bolas extra das y a nadiendo el mismo n umero de bolas negras y rojas obtenidas, cu al es la probabilidad de obtener una secuencia de una, dos y tres bolas rojas? Sea Xi = N umero de bolas rojas extra das en la extracci on i- esima. La probabilidad pedida es: P (X1 = 1) P (X2 = 2/X1 = 1) P (X3 = 3/(X1 = 1, X2 = 2)) = =
9 (6 (10)(10) (13)(12) 4)(1) 3 20 2 2 25 3 = 0 0051. 15 (5) (5) (5)

3 15 P (X = 3) = 2 = 0 4196. 5

4.

Proceso de Poisson

Se considera una determinada eventualidad que se produce en un soporte continuo (tiempo, l nea, area, espacio,. . . ), de forma independiente y con una cierta estabilidad para una unidad de soporte prejada. Como ejemplos se pueden considerar el n umero de coches que pasan por un sem aforo en un periodo de tiempo, el n umero de defectos por metro cuadrado de una pieza de tela, el n umero de hormigas de una cierta especie en un metro c ubico de tierra, etc. Las tres condiciones en negrita caracterizan al denominado proceso de Poisson, y su v.a. est a denida por el n umero de eventos que se producen en una regi on de tama no jo. 4.1. Distribuci on de Poisson

La distribuci on de Poisson se obtiene como l mite de la binomial cuando el n umero de veces que se realiza el experimento, n, tiende a innito, la probabilidad de exito, p, tiende a cero y el n umero medio de

6.4 Proceso de Poisson 193 exitos, np, se estabiliza alrededor de un n umero, , que ser a la media y el valor que caracterizar a a la distribuci on. Calculando dicho l mite se obtiene: k P (X = k ) = e k = 0, 1, 2, . . . k! La distribuci on, que se denota P (), aparece, hist oricamente, al considerar el n umero de llamadas telef onicas realizadas por unidad de tiempo a un mismo tel efono, siendo el n umero medio de llamadas. Adem as, se puede observar que en la distribuci on Poisson la mayor parte de la masa de probabilidad queda repartida entre un n umero relativamente peque no de valores, siendo posible que tome otros valores pero con una probabilidad bastante peque na. Por ello, a la distribuci on Poisson se le llama distribuci on de los sucesos raros. Sus principales caracter sticas son: E [X ] = , V [X ] = , MX (t) = e(1e ) .
t

Todo lo anterior est a referido a una unidad de soporte de tama no 1, si se quiere generalizar a cualquier regi on de tama no t la funci on de cuant a es: (t)k Pt (X = k ) = et . k! Ejemplo 6.7 El n umero medio de veh culos por minuto que llegan a una gasolinera es igual a 2. Cu al es la probabilidad de que en un minuto lleguen 5 veh culos?, y la de que en 5 minutos no llegue ninguno? Se trata de una distribuci on de Poisson, para la que se conoce el n umero medio, que es igual al par ametro , por lo tanto X P (2) (gura 6.2). La primera probabilidad pedida es: P (X = 5) = 25 2 e = 0 036. 5!

Para calcular la otra probabilidad, hay que hacer un cambio de par ametro pues la longitud del intervalo cambia.

194 Cap tulo 6. Algunos modelos probabil sticos Si en un minuto el n umero medio de veh culos es 2, en cinco minutos ser a 10. Por lo tanto se tiene Y P (10). P (Y = 0) =

100 10 e = 0 000045. 0!

0.3 0.2 0.1

0 1 2 3 4 5 6 7 8 9

Figura 6.2: Poisson P (2) 4.2. Distribuci on exponencial

A partir de un proceso de Poisson, la distribuci on de una v.a. X denida como el tiempo transcurrido entre la ocurrencia de dos eventos consecutivos, se denomina exponencial y se denota por Exp(). Observe que se ha dado un salto cualitativo, puesto que la variable denida es continua, tomando valores en el intervalo [0, +). Se verica que: P (X > t) = P (cero eventos en (0, t)) = et . F (t) = P (X t) = 1 et . f (t) = y por tanto: derivando se obtiene la funci on de densidad de X (gura 6.3): dF (t) = et . dt Los par ametros de la distribuci on son: E [X ] = 1 , V [X ] = 1 , 2 1 = 2, 2 = 9.

6.5 Distribuci on uniforme continua 195 Ejemplo 6.8 Con los datos del ejemplo 6.7 y suponiendo que acaba de llegar un veh culo, calcule la probabilidad de que transcurran m as de 5 minutos hasta que aparezca el siguiente. El tiempo que transcurre desde que pasa un veh culo hasta el siguiente sigue una distribuci on exponencial de par ametro igual a 2. La probabilidad pedida es: P (X > 5) = 1 P (X 5) = 1 (1 e25 ) = 0 000045. Observe que se llega al mismo resultado utilizando la distribuci on de Poisson que la exponencial, considerando que el suceso transcurren m as de 5 minutos en pasar alg un veh culo para la exponencial es el suceso no pasa ning un veh culo en cinco minutos para la Poisson.

0.9 0.6 0.3 1 2 5 9 Figura 6.3: Distribuci on exponencial 5. Distribuci on uniforme continua

A continuaci on se estudia la distribuci on uniforme continua como la extensi on natural de la distribuci on uniforme discreta, es decir, aquella que toma con igual probabilidad valores dentro de dos conjuntos cualesquiera de igual amplitud e incluidos en el intervalo de valores posibles de la variable.

196 Cap tulo 6. Algunos modelos probabil sticos La variable X sigue una distribuci on uniforme o rectangular en el intervalo (a, b), U (a, b), cuando su funci on de densidad viene dada de la siguiente forma: 1 si a x b ba f (x) = 0 en el resto. Su representaci on gr aca justica el nombre de rectangular (gura 6.4). f(x)
1 ba

X b Figura 6.4: Distribuci on uniforme. Sus caracter sticas m as importantes son: E [X ] = Ejemplo 6.9 a+b , 2 V [X ] = (b a)2 , 12 MX (t) = etb eta . t(b a)

Un autob us pasa por cierta parada cada 15 minutos. Cu al es la probabilidad de que un se nor que llega en un momento dado tenga que esperar el autob us m as de cinco minutos? Si se dene X =Tiempo de espera, entonces X U (0, 15). Se calcular a en primer lugar la funci on de distribuci on si x < 0 0 x si 0 x 15 F (x) = 15 1 si x > 15. La probabilidad pedida viene dada por: P (X > 5) = 1 P (X 5) = 1 5 = 0 67. 15

6.6 Distribuci on normal 197 6. Distribuci on normal

En este ep grafe se estudia la distribuci on m as importante del c alculo de probabilidades y de la estad stica, usualmente tambi en denominada distribuci on de Gauss o de Laplace. La importancia de esta distribuci on radica en varias razones: en primer lugar, como se ver a posteriormente a trav es del teorema central del l mite, la distribuci on normal es la distribuci on l mite de una amplia gama de sucesiones de variables aleatorias independientes. En segundo lugar, la gran mayor a de las variables aleatorias que se estudian en experimentos f sicos son aproximadas por una distribuci on normal. En tercer lugar, se ha observado que los errores aleatorios en los resultados de medida se distribuyen, de forma general, seg un una distribuci on normal. Finalmente, hay que destacar el car acter reproductivo de sus par ametros que facilita el manejo de este tipo de distribuciones. Se dice que una variable X sigue una distribuci on normal si su funci on de densidad es: f (x) =
(x)2 1 e 22 2

x +.

La distribuci on est a caracterizada por los par ametros y , cuyo signicado se trata m as adelante, siendo necesariamente positivo. Se hace referencia a esta distribuci on como N (, ). Su representaci on gr aca viene dada por la gura 6.5. f(x)

X Figura 6.5: Distribuci on N (, )

198 Cap tulo 6. Algunos modelos probabil sticos Propiedad 6.5 Sean Xi N (i , i ) con i = 1, . . . , n variables aleato n n n 2 . rias independientes entonces Xi N i , i
i=1 i=1 i=1

6.1.

Distribuci on N (0, 1)

Para facilitar c alculos, se realiza el estudio de la distribuci on N (0, 1) y mediante un cambio de variable se generalizar a para la N (, ). La funci on de densidad de la N (0, 1) es:
x2 1 f (x) = e 2 2

x +.

A continuaci on se realiza el estudio de dicha funci on. 1. Campo de existencia. Toda la recta real para x, con f (x) > 0. 2. Simetr as. Es sim etrica respecto al eje OY , ya que f (x) = f (x). 3. As ntotas. y = 0 es una as ntota horizontal. 4. Cortes con los ejes. S olo tiene un punto de corte en (0, 1 ). 2 5. M aximos y m nimos. El punto de corte anterior es el u nico m aximo de la distribuci on. 6. Puntos de inexi on. Tiene dos en (1, 1 e 2 ) y (1, 1 e 2 2 Con todo lo anterior la curva tiene la forma de la gura 6.6. Las caracter sticas de la distribuci on son: E [X ] = 0, V [X ] = 1, 1 = 0, 2 = 3.
1 1 2

).

Los valores de la distribuci on N (0, 1) est an tabulados y son f acilmente calculables.

6.6 Distribuci on normal 199

1 2
1

(1,

2 e 2

2 (1, e ) 2 1

0 Figura 6.6: Distribuci on N (0, 1)

A partir de ahora, si una variable sigue una distribuci on N (0, 1) se denotar a por la letra Z . As , si X sigue una N (, ) se verica que: X y X = Z + . Con lo que se puede comprobar f acilmente que: Z= E [X ] = , V [X ] = 2 .

Ejemplo 6.10 El contenido de un tipo de bombonas de gas se distribuye normalmente con media 23 kg y desviaci on t pica 025 kg. Cu al es la probabilidad de que una bombona tenga m as de 235 Kg? La probabilidad pedida es: P (X > 23 5) = 1 P (X 23 5). Para calcular esta probabilidad hay que tipicar la variable y hacer uso de la tabla N (0, 1). X 23 5 P (X 23 5) = P 23 5 23 = P Z 0 25 = P (Z 2) = 0 977. Por lo tanto: P (X > 23 5) = 1 0 977 = 0 023.

200 Cap tulo 6. Algunos modelos probabil sticos 6.2. Distribuciones truncadas

A veces la variable no toma todos los valores de la recta real, imagine que s olo puede tomar valores positivos. Se supone que X no est a denida fuera del intervalo [a, b], entonces la funci on de densidad de la variable truncada en dicho intervalo que se puede denominar f[a,b] viene dada, en funci on de una variable general, por: f (x) F (b) F (a) f[a,b] (x) = 0 si si x [a, b] x [a, b].

La caracterizaci on anterior vale para cualquier tipo de distribuci on. 7. Relaci on entre binomial, Poisson y normal

A veces el c alculo para obtener la probabilidad de una variable binomial es muy dicultoso, esto suele ocurrir cuando n es muy grande. En tales casos, y bajo ciertas condiciones, es posible aproximar la distribuci on binomial por la normal o la Poisson, esta u ltima tambi en es susceptible de ser aproximada por la normal. Las siguientes propiedades resumen las relaciones existentes entre tales distribuciones. Propiedad 6.6 Si la probabilidad p de exito de una variable B (n, p) tiende a cero, mientras que el n umero de pruebas tiende a innito, de forma que = np permanece constante, la distribuci on binomial se puede aproximar por una distribuci on de Poisson con media . En la pr actica es suciente con que n sea mayor que 100 y p menor o igual a 005. Propiedad 6.7 Si X sigue una B (n, p), siendo n grande y p no demaX np siado peque no, entonces Z = se aproxima a una distribuci on npq N (0, 1) a medida que n tiende a innito. La aproximaci on es bastante buena siempre que: np > 5 si p 0 5 o nq > 5 si p > 0 5

6.8 Teorema central del l mite 201 Hay ocasiones en que es m as conveniente operar con la proporci on de exitos obtenidos en n pruebas Bernouilli que con el n umero de exitos. Puesto que se verica:
X p X np . = n pq npq n

Podemos armar lo siguiente:

Propiedad 6.8 En las condiciones de la propiedad anterior X pq N p; . n n Propiedad 6.9 Si X sigue una distribuci on de Poisson de par ametro sucientemente grande, entonces es posible aproximarla por una distribuci on N (, 1/2 ). En la pr actica se exige a que sea mayor que 5. El gr aco de la gura 6.7 resume los resultados anteriores.
= np n > 100, p 0 05

Binomial

Poisson

Normal Figura 6.7: Relaci on entre binomial, Poisson y normal. 8. Teorema central del l mite

p05 np > 5 = np p > 0 5 = npq nq > 5

= >5 =

Las aproximaciones que se han expuesto son casos particulares del denominado teorema central del l mite. Este teorema dice que si

202 Cap tulo 6. Algunos modelos probabil sticos X1 , X2 , . . . , Xn son variables aleatorias independientes con medias i , desviaciones t picas i y distribuciones cualesquiera, no necesariamente la misma para todas las variables, entonces si se dene Y = X1 + X2 + ... + Xn , cuando n tiende a innito, la distribuci on de la variable: Y
n i=1

tiende a una distribuci on N (0, 1). 9. Distribuci on gamma

n i 2
i=1

Esta funci on verica las siguientes propiedades: - (1) = 1. - (p) = (p 1)(p 1) con p > 1. - 1 . 2 =

Para p > 0 se dene la funci on (p) como + (p) = xp1 ex d x.


0

Se dice que una variable aleatoria, X , tiene una distribuci on gamma de par ametros a y p, tal que, a > 0 y p > 0, X (a; p), si tiene como funci on de densidad ap ax p1 e x si x > 0 f (x) = (p) 0 si x 0. p t Se verica que MX (t) = 1 , de donde se deduce que, E [X ] = a p(p + 1) p y que E [X 2 ] = , por tanto, V [X ] = 2 . a2 a

p a

6.10 Distribuci on beta 203 Destaca como caso particular de este tipo de distribuci on la (, 1) que es la distribuci on Exp(). La distribuci on (, n) se utiliza para calcular la distribuci on del tiempo transcurrido entre las ocurrencias k y k + n de un proceso de Poisson de media . Propiedad 6.10 Sean X1 , . . . , Xn un conjunto de variables aleatorias independientes, tal que, Xi (a, pi ) con i = 1, . . . , n, se tiene que n n Xi (a, pi ).
i=1 i=1

Propiedad 6.11 Sean X1 , . . . , Xn un conjunto de variables aleatorias independientes, tal que, Xi Exp() con i = 1, . . . , n, se tiene que n Xi (, n).
i=1

Propiedad 6.12 Sea X (a, p) entonces cX

a c

,p .

Ejemplo 6.11 Sea X (2, 2), el calculo de la funci on de distribuci on y P (X 5) se hace:


x

F (x) =

x x 1 22 e2x x d x = 2xe2x + 2 e2x d x (2) 0 0 = 1 (1 + 2x)e2x .

Con lo cual, F (5) = 1 11e20 . 10. Distribuci on beta Para a > 0 y b > 0 se dene la funci on beta, como; (a, b) =
1

xa1 (1 x)b1 d x,

204 Cap tulo 6. Algunos modelos probabil sticos y se verica la siguiente relaci on (a, b) = (a)(b) . (a + b)

Se dice que una variable aleatoria, X , sigue una distribuci on beta de par ametros a > 0 y b > 0, y se denota por X (a, b), si su funci on de densidad viene dada por la expresi on: a1 x (1 x)b1 si 0 < x < 1 f (x) = (a, b) 0 caso contrario. Se tiene que la funci on generatriz de momentos es MX (t) =
j =0

tj (a + j )(a + b) , (j + 1) (a + b + j )(a)

(a + k )(a + b) , por tanto se tiene (a)(a + b + k ) a ab que E [X ] = , V [X ] = . 2 a+b (a + b) (a + b + 1) de donde se deduce que E [X k ] = Ejemplo 6.12 Sea X una v.a. con distribuci on (4, 2), el c alculo de E [X ], V [X ] y P (0 < X 0 7) es: E [X ] = Adem as, P (0 < X 0 7) =

4 2 = 6 3

V [X ] =

62

8 . 7

1 3 (x x4 ) d x 20 0 1 x4 x5 0 5 = ( ) 20 4 5 0 = 0 00132.

0 5

11.

Distribuci on de Cauchy

Se dice que una variable aleatoria X sigue una distribuci on de Cauchy de par ametros y , y se denota por X C (, ), si su funci on

6.11 Distribuci on de Cauchy 205 de densidad viene dada por la siguiente expresi on: f (x) = 1 2 + (x )2 aleatoria Y < x < , > 0.

X verica Y C (1, 0), es decir, Y tiene como funci on de densidad La variable = f (y ) = 1 (1 + x2 ) < x < .

que

La distribuci on Cauchy es utilizada en teor a de estad sticos ordenados y como distribuci on a priori de leyes de probabilidad en modelos bayesianos. Modela tambi en las duraciones de actividades sobre las que no existe suciente informaci on en el an alisis de m etodos Pert de secuenciaci on de actividades. Propiedad 6.13 Sea X C (, ), se tiene que E [X k ] no existe para k 1 y que existe para k < 1. Propiedad 6.14 Sea X C (1 , 1 ) e Y C (2 , 2 ) independientes, entonces X + Y C (1 , +2 , 1 + 2 ). Propiedad 6.15 Se tiene que X C (1, 0) si y s olo si
1 X

C (1, 0).

Ejemplo 6.13 Un ejercicio de orientaci on para una persona ciega consiste en hacerla andar en l nea recta entre dos paredes paralelas que distan un kil ometro. El grado de desorientaci on D es la distancia entre el lugar m as cercano desde el punto de partida a la segunda pared y el punto en el que la persona ciega alcanz o la segunda pared. Suponiendo que el angulo que forma la primera pared y la direcci on escogida por esa persona sigue una distribuci on uniforme

206 Cap tulo 6. Algunos modelos probabil sticos


en on del grado de 2 y 2 . Obtenga la distribuci desorientaci on.

Para calcular el grado de desorientaci on v ease que D = tan() y que f () = 1 para ( 2 , 2 ). A partir de aqu se calcula la funci on de distribuci on de D: FD (d) = P (D d) = P (tan() d) = P ( arctan(d)) arctan(d) + 2. = Con lo cual la funci on de densidad es: fD (d) = 1 1 1 + d2 d

Se trata de una distribuci on Cauchy de par ametros 1 y 0. 12. Distribuciones derivadas de la normal

12.1. Distribuci on lognormal Dada una variable aleatoria X N (, ), se dice que la variable aleatoria Y = eX sigue una distribuci on lognormal. La funci on de densidad de dicha distribuci on es: f (y ) =
1 2 1 e 22 (Ln(y)) , y 2 2 2

y > 0.
2

Se tiene que E [Y ] = e+

y V [Y ] = e2+ (e 1).

La distribuci on lognormal es el resultado de un n umero elevado de causas independientes con efectos positivos que se componen de manera multiplicativa y donde cada una de estas causas tienen un efecto despreciable frente al global. Esto se debe a que la aditividad de los efectos conduce a una ley normal, en el caso de la ley lognormal, lo hace la proporcionalidad de los efectos.

6.12 Distribuciones derivadas de la normal 207 En el campo industrial, la ley lognormal, puede recibir justicaciones te oricas como las caracter sticas de un material (resistencia, dureza, etc.) que puede resultar de la combinaci on multiplicativa de factores elementales. Tambi en en el campo econ omico la ley lognormal se encuentra con frecuencia (distribuci on de salarios, ventas, etc.). Ejemplo 6.14 Se estudia la proporci on de rentistas por encima de 18.000e anuales para un sector econ omico cuya distribuci on salarial medida en miles de euros sigue un modelo logaritmo normal con par ametros = 2 y = 1 2. Se dene la variable aleatoria Y = {renta en dicho sector econ omico}.

Puesto que Y sigue una distribuci on lognormal, se puede considerar una variable X N (, ), tal que, Y = eX , por tanto; P (Y 18) = P ( eX 18) = P ( X 2 89) 2 = P X 2 89 1 2

= P (Z 0 74) = 1 P (Z 0 74) = 1 0 7704 = 0 2296.

12.2. Distribuci on 2 Se dice que una variable aleatoria X sigue una distribuci on 2 con n grados de libertad, se denota por 2 on de densidad es n , si su funci

f (x) =

n x 1 x 2 1 e 2 , n 2 ( 2 ) n 2

x 0.

n Se observa que la distribuci on 2 on 1 n es una distribuci 2 , 2 , de donde se deduce que esta distribuci on es reproductiva en su par ametro y que n E [X ] = n, V [X ] = 2n y MX (t) = (1 2t) 2 .

208 Cap tulo 6. Algunos modelos probabil sticos Propiedad 6.16 Sean X1 , . . . , Xn variables aleatorias independientes e n id enticamente distribuidas seg un una N (0, 1), se tiene que Xi2 2 n.
i=1

Ejemplo 6.15 Sea V , la velocidad (cm/seg) de un objeto que tiene una masa de 1 Kg., una variable aleatoria 2 con distribuci on N (0, 25). Si K = mV representa 2 la energ a cin etica del objeto y se necesita saber la probabilidad de que K < 400. Puesto que m = 1, se tiene que; 2 P (K < 400) = P mV < 400 2 V2 2 = P 625 < 400 625 2 V = P 625 < 1 28 12.3. Distribuci on t de Student Sean X e Y dos variables aleatorias independientes distribuidas seg un una distribuci on N (0, 1) y 2 n , respectivamente.La variable aleatoria X T = ,
Y n

= P (2 1 < 1 28) = 0 725.

sigue una distribuci on t-Student con n grados de libertad que se denota por tn . La funci on de densidad de esta distribuci on es n+1 2 ( ) n+1 x f (x) = 2 n (1 + ) 2 , < x < . n n ( 2 ) Se verica que E [X ] = 0 y V [X ] = n para n > 2. n2

Propiedad 6.17 La distribuci on t de Student es sim etrica con respecto al origen.

6.12 Distribuciones derivadas de la normal 209 12.4. Distribuci on F de Snedecor Sean X e Y dos variables aleatorias independientes distribuidas seg un una 2 con n y m grados de libertad respectivamente. La variable aleatoria F =
X n Y m

sigue una distribuci on F de Snedecor con n y m grados de libertad que se denota por Fn,m . La funci on de densidad de esta distribuci on viene dada por
m m 2 n 2 ( n+ n+m 2 ) m f (x) = x 2 1 (n + mx) 2 , m n ( 2 )( 2 )
m n

x 0.

n k (k + m )( n k ) 2 2 Se tiene que E [X ] = para n > 2k , por n m ( m ) ( 2 2) n n2 (2m + 2n 4) tanto, E [X ] = con n > 2 y que V [X ] = con n2 m(n 2)2 (n 4) n > 4.
k

Propiedad 6.18 Si X Fn,m entonces

1 X

Fm,n .

Propiedad 6.19 Si X tn entonces X 2 F1,n . Ejemplo 6.16 Las calicaciones de los alumnos en dos asignaturas A y B se distribuyen normalmente con id entica dis2 persi on . Se ha observado una muestra aleatoria simple de 51 alumnos presentados al examen de la asignatura A y otra, independiente de la anterior, de 19 alumnos presentados al examen de B. Cu al ser a la probabilidad de que la varianza observada en la primera muestra sea al menos el doble de la correspondiente a la segunda?

210 Cap tulo 6. Algunos modelos probabil sticos


2 y S 2 las varianzas muestrales de las caSean SA B licaciones correspondientes a las asignaturas A y 2 y S 2 son variables aleatorias B . Puesto que SA B independientes tales que

51 y que 19 Por tanto,

2 SA 2 50 2

2 SB 2 18 . 2

2 51 18 SA F50,18 . 2 50 19 SB

De este modo, 2 2 SA 51 18 SA P 2 2 =P 2 0 48 SB 50 19 SB = P (F50,18 0 48) = 0 9787. 13. Distribuci on de Laplace

Se dice que una variable aleatoria X sigue una distribuci on de Laplace de par ametros y , La(, ), si su funci on de densidad es f (x) = |x| e , 2 < x < , > 0 y < < .

La funci on generatriz de momentos de esta distribuci on tiene la expresi on 1 MX (t) = (1 2 t2 )1 et , con t < , 2 de donde se deduce que E [X ] = y V [X ] = 2 . La distribuci on Laplace es una alternativa a la normal para medir los errores de la media.

6.14 Distribuci on log stica 211 14. Distribuci on log stica

Se dice que una variable aleatoria X sigue una distribuci on log stica de par ametros a y b, Lo(a, b), si su funci on de densidad es f (x) = be(a+bx) ; (1 + e(a+bx) )2 < x < , b > 0,

siendo su funci on de distribuci on F (x) = 1 1+ e(a+bx) .

Este tipo de distribuciones son usuales en los fen omenos que estudian el crecimiento temporal, como por ejemplo los de origen demogr aco. 15. Distribuci on de Pareto

Se dice que una variable aleatoria X sigue una distribuci on de Pareto de par ametros y , P (, ), si su funci on de densidad viene dada por la expresi on f (x) =
x +1

si x y , 0 en caso contrario.

Se tiene que E [X ] =

2 y que V [X ] = . 1 ( 2)( 1)2

Pareto introdujo esta distribuci on para describir unidades econ omicas seg un la extensi on (salarios, rentas, empresas seg un ventas, . . . ). Ejemplo 6.17 Las rentas salariales anuales en cierto sector econ omico (X , en miles de euros) es una magnitud aleatoria distribuida seg un un modelo de Pareto con salario m nimo 9 y = 2 4. Se desea conocer el salario esperado en el sector y la proporci on de asalariados que percibe m as de 18.000e/a no.

212 Cap tulo 6. Algunos modelos probabil sticos Puesto que X sigue una distribuci on Pareto se tiene que el salario esperado viene dado por E [X ] = 9 2 4 = = 15 43. 1 14

La proporci on de asalariados que perciben m as de 18.000e es P (X > 18) = 1 P (X 18) 18 2 4 92 4 = 1 dx 3 4 9 x 18 = 1 92 4 x2 4 9 = 1 92 4 182 4 92 4 = 1 0 81 = 0 19. 16. Algunos modelos multidimensionales

16.1. Distribuci on multinomial La distribuci on multinomial es una generalizaci on de la binomial, en la que el experimento que la genera arroja k > 2 resultados distintos en cada realizaci on la binomial es una distribuci on dicot omica, donde las probabilidades de cada uno de los resultados permanece constante a lo largo de todo el proceso. La distribuci on multinomial se obtiene al realizar, de forma independiente, n pruebas individuales y contar el n umero de veces que aparece cada resultado. Si se llama Ai al i- esimo resultado, siendo P (Ai ) = pi y Xi al n umero de veces que se obtiene Ai en las n pruebas, Xi ser a la componente i- esima de la variable k -dimensional X . La distribuci on de probabilidades de la variable multinomial es: P (X1 = n1 , X2 = n2 , . . . , Xk = nk ) = donde n1 + n2 + . . . + nk = n. Ejemplo 6.18 Se lanza un dado 5 veces. Determine la probabilidad de obtener un uno, dos doses y dos cuatros. Sea Ai = {Obtener i puntos en el dado}. n! k pn1 pn2 . . . pn k , n1 !n2 ! . . . nk ! 1 2

6.16 Algunos modelos multidimensionales 213 La probabilidad que se pide es: P (X1 = 1, X2 = 2, X3 = 0, X4 = 2, X5 = 0, X6 = 0) 1 1 = 1! 2! 0!5!2! 0! 0! 1 6 62 62 = 0 0038. 16.2. Distribuci on uniforme bidimensional Tambi en se puede generalizar la distribuci on uniforme al caso de m as de una dimensi on, se trata el caso n = 2, pudiendo comprobar el lector que la generalizaci on para cualquier otra dimensi on no entra na la menor dicultad. Se dice que una variable bidimensional X = (X1 , X2 ) sigue una distribuci on uniforme si su funci on de densidad viene dada por la expresi on: 1 si x1 (a, b), x2 (c, d) (b a)(d c) f (x1 , x2 ) = 0 en el resto. Ejemplo 6.19 Dos amigos se citan entre las nueve y las diez de la noche, acordando no esperarse m as de 10 minutos, cu al es la probabilidad de que se encuentren? Se sabe que el tiempo de espera para cada uno se distribuye seg un una U (0, 60), por lo tanto la distribuci on conjunta viene dado por: 1 si 0 x 60 y 0 y 60 60 60 f (x, y ) = 0 en otro caso. Para que se encuentren los amigos debe ocurrir que |X Y | 10. Por lo tanto: P (|X Y | 10) = P (10 X Y 10) = P (Y 10 X Y + 10) 10 y+10 1 = dxdy 3600 0 0 50 y +10 1 + dxdy 3600 10 y 10 60 60 1 11 + dxdy = . 3600 36 50 y 10

214 Cap tulo 6. Algunos modelos probabil sticos 16.3. Distribuci on normal multidimensional Se dice que una variable n-dimensional X = (X1 , X2 , . . . , Xn ) sigue una distribuci on normal si su funci on de densidad es: f (X ) = 1 |M | (2 )
1 2 n 2

)M e 2 (X

1 (X )t

Donde M es la matriz de covarianzas y el vector de medias. La funci on de densidad de la distribuci on para el caso de una variable bidimensional, que es la u nica que se puede representar, tiene forma de hongo con as ntotas en cualquier direcci on del plano x1 x2 . Adem as, al cortar la supercie de densidad con cualquier plano perpendicular al x1 x2 se obtienen curvas con forma de campana. M as formalmente se verican las siguientes propiedades: 1. Para una variable normal n-dimensional, cualquier subconjunto de r < n variables tiene conjuntamente distribuci on normal. 2. Si las variables X1 , X2 , , Xn est an incorreladas, entonces son independientes. 3. Cualquier combinaci on lineal de variables normales es normal. As , si Y = XA, donde A es una matriz de m las y n columnas, entonces Y es normal con media X A y matriz de covarianzas t A MX A. Ejemplo 6.20 Sea (X, Y ) una v.a. normal, cuya funci on de densidad viene dada por: f (x, y ) = 1 (y2 +2x2 2xy) 2 e 2 (x, y ) R2 .

Calcule el vector de medias y la matriz de covarianzas. Igualando t erminos con la distribuci on te orica, se tiene:

6.17 Ejercicios 215 |M | = 1


)M (X 2
1 (X )t

= y

2 +2x2 2xy

Por lo tanto: = (0, 0) Con lo que: M= 1 1 1 2 M


1

2 1 1 1

17.

Ejercicios

17.1. Ejercicio resuelto 6.1 La resistencia de una muestra de un determinado material viene dado por una variable aleatoria, X , con funci on de densidad x
2x+1 8

f (x) =

si 0 x < 1 si 1 x 2 en el resto.

a) Calcule su funci on de distribuci on. b) Calcule P (0 5 X 1 5). c) Una muestra de material se encuentra en estado ideal de resistencia si esta se encuentra entre 0 5 y 1 5. Si se consideran 10 muestras de materiales, cu al es la probabilidad de que al menos el 70 % de ellos tenga resistencia ideal? d) Cu al ser a el n umero medio de materiales con resistencia no ideal que se tendr a que escoger hasta encontrar uno con resistencia ideal? e) Cu al es la probabilidad de que se necesiten 10 muestras para obtener tres de resistencia ideal?

216 Cap tulo 6. Algunos modelos probabil sticos Soluci on: a) Usando la denici on de funci on de distribuci on se obtiene que F (x) = f (x) d x = 0 si x < 0, x x2 F (x) = f (x) d x = xdx = si 0 x < 1, 2 0 x 1 x 2x + 1 1 x2 + x x F (x) = f (x) d x = xdx + = + 8 2 8 1 0 1 2 1 x +x2 = + si 1 x < 2, 2 8 F (x) = 1 si x 2,
x

Es decir, la funci on de distribuci on viene dada por 0 si x < 0 x2 si 0 x < 1 2 F (x) = 1 x2 +x2 si 1 x < 2 8 2+ 1 si x 2.

b) Usando el apartado anterior se obtiene

1 (1 5)2 + 1 5 2 0 52 P (0 5 X 1 5) = F (1 5)F (0 5) = + = 0 59. 2 8 2 c) Se tiene que la resistencia de una muestra de material es ideal con probabilidad 0 59 y no ideal 0 41. Por tanto, el experimento de observar si una muestra es ideal o no, es un experimento Bernouilli con probabilidad de exito (ser ideal) 0 59. Con lo cual, el experimento de observar el n umero de muestras ideales ( exitos) en diez muestras de materiales extra das aleatoriamente es una distribuci on binomial de par ametro n = 10 y p = 0 59. Si se dene la variable aleatoria Y = {n umero de muestras con resistencia ideal entre 10 muestras extra das aleatoriamente},

se tiene que Y B (10, 0 59). Por tanto, la probabilidad pedida es P (Y 7) = P (Y = 7) + P (Y = 8) + P (Y = 9) + P (Y = 10)

6.17 Ejercicios 217 10 10 = 0 597 0 413 + 0 598 0 412 7 8 10 10 9 1 + 0 59 0 41 + 0 591 0 0 410 9 10 = 0 3575. d) Observe que el experimento descrito en este apartado consiste en ir comprobando la resistencia de los materiales hasta encontrar una que sea ideal. Se sabe, por el apartado anterior, que el experimento de probar si una muestra tiene resistencia ideal es un experimento Bernouilli, adem as puesto que las muestras son independientes, en este apartado, se est a contando el n umero de fracasos (muestras no ideales) que hay que observar hasta conseguir un exito (muestra ideal) en experimentos Bernouilli independientes. Por tanto, si se dene la variable aleatoria W = { n umero de muestras no ideales (fracasos) antes de encontrar una muestra ideal ( exito)},

se tiene que W Ge(0 59). En este apartado se pide el n umero medio de fracasos hasta con0 41 seguir un exito, es decir, E [W ] = = 0 695. 0 59 e) Siguiendo con el razonamiento anterior, en este apartado se est a pidiendo el n umero de fracasos (muestras no ideales) antes de obtener el tercer exito (muestra ideal). Por tanto, si se dene la variable aleatoria T = {n umero de fracasos antes del tercer exito}, se tiene que, T BN (3, 0 59). Por tanto, se est a pidiendo la probabilidad de que haya 7 fracasos, es decir, 9 P (T = 7) = 0 593 0 417 = 0 0144. 7

218 Cap tulo 6. Algunos modelos probabil sticos 17.2. Ejercicios propuestos 6.1. Dada la distribuci on B (10, 0 4) calcule las siguientes probabilidades: a) P (X 8), b) P (2 < X 5), c) P (X 7). 6.2. Un conocido fumador gorr on ha explotado tanto a sus compa neros que por t ermino medio cada uno de ellos le da un cigarrillo de cada diez veces que este les pide. a) Cu al es la probabilidad de que consiga un cigarrillo en menos de cinco intentos? b) Si pretende hacer acopio de cigarrillos para el n de semana, cu antas veces, en promedio, tendr a que pedir tabaco para conseguir 20 unidades? 6.3. A un establecimiento de apuestas deportivas llega un cliente cada tres minutos por t ermino medio. a) Cu al es la probabilidad de que en un periodo de cinco minutos lleguen m as de cinco clientes? b) Cu al es el n umero m as probable de llegadas en media hora? 6.4. Las compa n as a ereas acostumbran a reservar m as plazas de las existentes en sus vuelos, dado el porcentaje de anulaciones que se produce. Si el porcentaje medio de anulaciones es del 5 %, cu antas reservas deber a hacer una compa n a para un vuelo con 200 plazas, si quiere garantizar al 97 % que todos sus clientes tendr an cabida en dicho vuelo? 6.5. El servicio de reclamaciones de una asociaci on de consumidores recibe por t ermino medio tres quejas a la hora. a) Calcule la probabilidad de que en una hora no reciba ninguna reclamaci on.

6.17 Ejercicios 219 b) Calcule la probabilidad de que en dos horas reciba entre dos y seis reclamaciones. 6.6. En una pecera hay diez peces machos y ocho hembras, si se extraen aleatoriamente cinco peces, calcule la probabilidad de que tres sean machos y dos hembras. 6.7. Un jugador apuesta 5e por tirada a un n umero de los 37 que componen la ruleta, si acierta, gana 180e. Calcule sus benecios esperados al cabo de 100 jugadas. 6.8. Por una estaci on pasa un tren de cercan as cada treinta minutos. Si una persona, que desconoce los horarios, llega a la estaci on para tomar dicho tren, cu al es la probabilidad de que tenga que esperar menos de cinco minutos? 6.9. Cu al es la probabilidad de que de 10 personas elegidas al azar al menos 2 cumplan a nos en el mes de Enero? 6.10. Durante la Segunda Guerra Mundial los alemanes bombardearon repetidas veces Londres. Los expertos demostraron que se trataba de bombardeos indiscriminados y que ca an en cada acci on y por t ermino medio dos bombas por cada cuadr cula de cien metros de lado. En vista a lo anterior, calcule la probabilidad de que en una cierta cuadr cula de cincuenta metros de lado no haya ca do ninguna bomba durante un bombardeo. 6.11. Dada una distribuci on normal de media 3 y varianza 9, calcule las siguientes probabilidades: a) P (2 X 5), b) P (X 3), c) P (X 2). 6.12. Calcule en los siguientes casos el valor de a, sabiendo que X N (1, 5).

220 Cap tulo 6. Algunos modelos probabil sticos a) P (0 X a) = 0 28, b) P (1 a X < 1 + a) = 0 65. 6.13. Se sabe que la alarma de un reloj saltar a en cualquier momento entre las siete y las ocho de la ma nana. Si el propietario del reloj se despierta al o r dicha alarma y necesita, como m nimo, veinticinco minutos para arreglarse y llegar al trabajo, a) cu al es la probabilidad de que llegue antes de las ocho? b) Si el due no del reloj sigue programando el reloj de la misma manera durante 10 d as, calcule el n umero m as probable de d as en que llegar a despu es de las ocho. 6.14. De una tribu ind gena se sabe que los hombres tienen una estatura que se distribuye seg un una ley normal con media 170 y desviaci on t pica . Si a trav es de estudios realizados se conoce que la probabilidad de que su estatura sea mayor a 180 es 012, calcule la probabilidad de que un individuo elegido al azar mida entre 165 y 175. 6.15. Calcule la probabilidad de obtener m as de 200 seises en 1200 lanzamientos de un dado honrado. 6.16. En una gasolinera se ofrecen tres servicios: suministrar gasolina, lavar coches y comprobar la presi on de neum aticos. Estos servicios son demandados con una probabilidad de 09, 005 y 005 respectivamente. Cu al es la probabilidad de que de diez coches que lleguen, seis vayan a repostar, tres vayan al lavado y uno a comprobar la presi on? 6.17. Una m aquina produce piezas que seg un su peso pueden clasicarse en pesadas, normales y ligeras. Por experiencia se ha estimado que el 30 % son pesadas y el 60 % normales. De cinco piezas extra das, cu al es la probabilidad de que dos sean pesadas y dos normales? 6.18. Se eligen al azar dos n umeros en el intervalo (0,2). C omo se distribuyen esos n umeros? Cu al es la probabilidad de que la suma

6.17 Ejercicios 221 de dichos n umeros sea menor que dos? 6.19. El peso de dos tipos de caracoles sigue una distribuci on normal bivariante con par ametros: 4 1 = (3, 4), M = . 1 1 Calcule P (2 X 3 5) y P (3X Y 2). 6.20. Sea X una variable aleatoria que mide la cantidad de pH en una determinada sustancia y que tiene como funci on de distribuci on: 0 1 2 F (x) = k (x 5 8 1 si x < 1 4 si 1 x <1 4 2 1 si 2 x < 1 si 1 x < 2 si x 2.

x2 2 )

1 8

a) Calcule k para que sea funci on de distribuci on. b) Calcule P (0 X 1). c) Se considera que esa sustancia es altamente contaminante si su pH est a comprendido entre 1 2 y 1. Determine la probabilidad de que entre 10 muestras de dicha sustancia, tres resulten altamente contaminantes? 6.21. Se sabe que en un colegio de primaria el 50 % de los alumnos son menores de 9 a nos, el 30 % tienen una edad comprendida entre 9 y 11 a nos y el 20 % tienen una edad superior a 11 a nos. Se escogen 20 alumnos al azar, se pide: a) La probabilidad de que al menos haya uno de edad superior a 11 a nos. b) El n umero esperado de alumnos con edad entre 9 y 11 a nos. c) La varianza del n umero de alumnos con edad superior o igual a 9 a nos.

222 Cap tulo 6. Algunos modelos probabil sticos 6.22. En la central del 061 se sabe que el 15 % de las llamadas corresponden a urgencias debidas a un accidente de tr aco. Cu al es la probabilidad de recibir tres llamadas antes del primer aviso telef onico por accidente de tr aco? Cu al es el n umero medio de llamadas que se reciben hasta que una de ellas avisa de un accidente de tr aco? 6.23. El n umero de personas que llegan a la ventanilla de un banco sigue una ley Poisson. Se sabe que la varianza del n umero de llegadas en un minuto es 4. a) Calcule la probabilidad de que en un minuto no lleguen m as de dos personas. b) Si la persona que atiende la ventanilla se bloquea cuando llegan m as de dos personas, cu al es la probabilidad de que entre diez minutos escogidos al azar durante un d a se haya bloqueado en dos? c) Cu al es la probabilidad de que despu es de 10 minutos se bloquee por segunda vez? 6.24. El n umero de llamadas recibidas en una centralita en 15 minutos sigue una Poisson de media 1. a) Calcule la probabilidad de que si a las 5:30 se ha recibido una llamada, la siguiente se produzca despu es de las 6:10. b) Cu al es la probabilidad de que en 20 minutos se reciban 3 llamadas? 6.25. El n umero de personas que llegan a un sem aforo para cruzar la calle sigue una ley Poisson. Se sabe que por t ermino medio llegan dos personas cada cinco minutos. a) Calcule la probabilidad de que en 7 minutos lleguen 3 personas. b) Calcule la probabilidad de que el tiempo transcurrido entre dos llegadas sea superior a 3 minutos. 6.26. El ca n on de luz de una prisi on gira sobre si mismo de forma que tarda en alumbrar una misma zona 40 segundos. Un preso organiza una fuga de la prisi on necesitando 27 segundos para llegar y escalar el muro. Si el preso emprende una fuga eligiendo el momento de forma

6.17 Ejercicios 223 aleatoria, cu al es la probabilidad de que no sea visto? 6.27. En un hospital de maternidad se sabe que el peso de un ni no reci en nacido sigue una ley normal, que 2 de cada 10 ni nos pesa m as de 45 Kg. y que 7 de cada 10 ni nos pesan menos de 35 Kg. a) Calcule la probabilidad de que un ni no pese entre 275 y 375 Kg. b) Si se considera que un ni no tiene un peso ideal si su peso esta comprendido entre 275 y 375. Cu al es la probabilidad de que al considerar beb es aleatoriamente obtengamos que el segundo beb e con peso ideal sea el quinto considerado? 6.28. Un fabricante de papel de aluminio vende rollos de 8 metros. Para ello, sabe que la longitud de los rollos cortados sigue una distribuci on normal de media 75 metros. Adem as se sabe que el 20 % de los rollos miden m as de 8 metros. a) Calcule la probabilidad de que un rollo mida m as de 9 metros. b) Si el empresario almacena sus rollos y quiere encontrar alg un rollo con m as de 8 metros, cu antos rollos deber a medir en promedio? 6.29. Un avi on tiene la misi on de bombardear un edicio cuya vista a erea es un rect angulo de 100 metros de largo y 50 metros de ancho. Se sabe que el edicio quedar a seriamente da nado si la bomba cae en el c rculo central de radio 2 metros o en los tri angulos formados por las esquinas y que tienen 2 metros como longitud de sus catetos. Calcule la probabilidad de que el edicio resulte seriamente da nado. 6.30. Probar que si X e Y son N (0, 1) e independientes, entonces sigue una distribuci on de Cauchy.

X Y

6.31. En una carretera se han observado los intervalos entre el paso de dos veh culos sucesivos (X , en segundos), esta magnitud sigue un modelo gamma con a=1 y p=205. Calcule la probabilidad de que

224 Cap tulo 6. Algunos modelos probabil sticos el tiempo transcurrido entre el paso de dos veh culos sea mayor de 289 segundos. 6.32. El tiempo de funcionamiento de un sistema de radar se modela como una distribuci on gamma con a = 15 y p = 2. Determine la probabilidad de que el sistema funcione al menos 1 a no antes del fallo. Con qu e probabilidad el fallo se produce durante el segundo a no desde su puesta en funcionamiento? 6.33. Se ha determinado que el tiempo de reparaci on en un taller de mantenimiento sigue una distribuci on lognormal de media 7 horas y desviaci on t pica 4 horas. a) Con qu e probabilidad una reparaci on superar a las 10 horas? b) Qu e proporci on de reparaciones tienen un tiempo de ejecuci on entre 8 y 16 horas? 6.34. Se sabe que el tiempo de funcionamiento en a nos de un sistema se distribuye seg un una 2 con 7 grados de libertad. Con qu e probabilidad el sistema funcionar a al menos tres a nos?

Estad stica Descriptiva y Probabilidad


(Teor a y problemas) 3a Edici on Autores I. Espejo Miranda F. Fern andez Palac n M. A. L opez S anchez M. Mu noz M arquez A. M. Rodr guez Ch a A. S anchez Navas C. Valero Franco

c 2006 Universidad de C Copyright adiz. Se concede permiso para copiar, distribuir y/o modicar este documento bajo los t erminos de la Licencia de Documentaci on Libre de GNU, Versi on 1.2 o cualquier otra versi on posterior publicada por la Free Software Foundation. Una traducci on de la licencia est a incluida en la secci on titulada Licencia de Documentaci on Libre de GNU.

c 2006 Universidad de C Copyright adiz. Permission is granted to copy, distribute and/or modify this document under the terms of the GNU Free Documentation License, Version 1.2 or any later version published by the Free Software Foundation. A copy of the license is included in the section entitled GNU Free Documentation License.

Edita: Servicio de Publicaciones de la Universidad de C adiz C/ Dr. Mara n on, 3 11002 C adiz http://www.uca.es/publicaciones

ISBN: 978-84-9828-058-6 Dep osito legal:

Estad stica Descriptiva y Probabilidad. Teor a y Problemas (Revisi on: Febrero 2006) I. Espejo Miranda, F. Fern andez Palac n, M. A. L opez S anchez, M. Mu noz M arquez, A. M. Rodr guez Ch a, A. S anchez Navas, C Valero Franco c 2006 Servicio de Publicaciones de la Universidad de C adiz. Documento bajo Licencia de Documentaci on Libre de GNU (Versi on 1.2 o posterior). http://www.uca.es/teloydisren

Ap endice A Combinatoria
1. Introducci on

La Combinatoria estudia las diferentes formas en que se puede llevar a cabo una cierta tarea de ordenaci on o agrupaci on de unos cuantos objetos siguiendo unas reglas prejadas. Es una herramienta muy importante en el c alculo de probabilidades, puesto que permite contar los casos favorables y los posibles y, por tanto, calcular probabilidades en aquellas situaciones en que todos los sucesos sean equiprobables. 2. Variaciones con repetici on

Sean m elementos distintos a1 , a2 , a3 , . . . , am ; se pretende ocupar n lugares con ellos de modo que cada elemento pueda ocupar m as de un lugar. Las distintas disposiciones se llaman variaciones con repetici on de m elementos tomados n a n; el n umero total de estas se nota por V Rm,n y es igual a mn . Ejemplo A.1 El n umero de quinielas de f utbol que hay que hacer para acertar 15 con seguridad es: V R3,15 = 315 . Esto es as , puesto que los resultados posibles son tres: el 1, la x y el 2, en cada uno de los quince

226 Ap endice A. Combinatoria partidos que conforman la quiniela. 3. Variaciones

Sean m elementos a1 , a2 , . . . , am . Se pretende ocupar n lugares con ellos de modo que cada elemento s olo ocupe un lugar. (En este caso ha de ser n < m). Las distintas disposiciones se llaman variaciones de m elementos tomados n a n, formalmente Vm,n y su n umero es: Vm,n = m(m 1)(m 2) . . . (m n + 1). O lo que es lo mismo: Vm,n = m! . (m n)!

Ejemplo A.2 En una quiniela h pica hay que acertar los tres primeros caballos que llegan a meta en una carrera en la que hay diez competidores. El n umero de quinielas que hay que hacer para asegurar el acierto es: V10,3 = 10 9 8 = 720. 4. Permutaciones

Las permutaciones sin repetici on de n elementos dan el n umero de ordenaciones distintas que se pueden realizar con los n elementos. El n umero total de estas se nota por Pn = n(n 1)(n 2) . . . 2 1. A este n umero se le llama n factorial o factorial de n y se representa por n!. Por otra parte es evidente que las permutaciones de n elementos coinciden con las variaciones sin repetici on de n elementos tomados n a n. Es decir, Pn = Vn,n = n!. Ejemplo A.3 Si se tienen que colocar siete libros en una librer a se puede hacer de P7 = 7! = 5,040 formas distintas. 5. Permutaciones con repetici on

Dados los elementos a1 , a2 , a3 , . . . , an , se llaman permutaciones con repetici on de orden (1 , 2 , . . . , n ) a cada uno de los grupos de 1 + 2 + . . . + n elementos que se pueden formar con la condici on de

A.6 Combinaciones sin repetici on 227 que haya 1 elementos iguales a a1 , 2 elementos iguales a a2 ; . . . , n elementos iguales a an . Si 1 + 2 + . . . + n = m, el n umero total se 1 ,2 ,...,n nota por Pm = P R(1 , 2 , . . . , n ) y vale: m! 1 !2 ! . . . n ! Ejemplo A.4 Si se desea repartir 3 relojes, 2 bicicletas y 4 pelotas entre 9 ni nos, de modo que cada uno de ellos reciba 3,2,4 un regalo, se tienen, P R9 = 9!/3!2!4! = 1260 formas de hacerlo. 6. Combinaciones sin repetici on

Se consideran m elementos distintos. Se pretenden seleccionar n, con n < m, de ellos sin importarnos el lugar que ocupen, sino tan solo su pertenencia al grupo. Las distintas selecciones se llaman combinaciones de m elementos tomados n a n. El n umero total de ellas se representa por Cm,n , siendo su valor igual a: Cm,n = Vm,n m! = . Pn (m n)!n!

Ejemplo A.5 En una carrera donde compiten 10 corredores y se clasican los tres primeros para la fase siguiente, puede haber tantas combinaciones de clasicados como C10,3 = 120. 6.1. Propiedades de los n umeros combinatorios

A los valores de Cm,n se les llama n umeros combinatorios y se les designa por: m Cm,n = . n Los n umeros combinatorios verican las siguientes propiedades: m m 1. = =1 0 m

228 Ap endice A. Combinatoria m m 2. = n mn

m1 m1 m 3. + = n1 n n Combinaciones con repetici on

7.

Se llaman combinaciones con repetici on de n elementos tomados r a r a cada uno de los grupos que pueden formarse con r elementos elegidos de entre n posibles, sin importar el que se repitan. Se nota por CRn,r y vale: n+r1 r Ejemplo A.6 Si se dispone de 3 bolas iguales a las que hay que distribuir en 5 cajas distinguibles, se pueden hacer 7 tantas combinaciones como 3 = 35.

Observe que los elementos son las cajas y que el que una bola est e dentro de una caja s olo signica que esa caja es una de las tres seleccionadas. Si las tres bolas estuvieran en la misma caja, se seleccionar a dicha caja tres veces.

8. 8.1.

Ejercicios Ejercicio resuelto

A.1 En un instituto los alumnos de 2o de Bachillerato deciden realizar un sorteo para el viaje de n de curso. Para numerar las papeletas deciden utilizar u nicamente los d gitos 1, 2, 3, 4, 5. Cu antas papeletas distintas de cuatro d gitos podr an vender si: a) Los cuatro d gitos son distintas. b) Pueden aparecer d gitos repetidos. c) Aparecen 3 unos y 1 cinco. d) S olo se utilizan los d gitos 2, 3, 4 y 5, sin repetir ninguna.

A.8 Ejercicios 229 e) S olo se utilizan los d gitos 2, 3 ,4 y 5, pero se pueden repetir. f ) No se tiene en cuenta el orden, pero los d gitos son distintos. g) No se tiene en cuenta el orden, pero los d gitos pueden ser repetidos. Soluci on: a) En esta situaci on al inuir el orden y no aparecer d gitos repetidos en un mismo n umero, se trata de variaciones ordinarias de 5 elementos tomados de 4 en 4, por lo tanto se tendr an tantas papeletas distintas para el sorteo como V5,4 = 5 4 3 2 = 120. b) Se sigue con variaciones pero ahora ser an con repetici on, siendo su n umero de V R5,4 = 54 = 625. c) Al tener 4 d gitos para generar el n umero, intervendr an todos en cada n umero, por lo que se trata de permutaciones con repeti4! ci on, P R4 3, 1 = 3!1! = 4. d) Se trata de permutaciones ordinarias de 4 elementos tomados de cuatro en cuatro, P4 = 4! = 24 e) Para obtener su n umero hay que tener en cuenta que inuye el orden y que se pueden repetir los d gitos, con lo que se trata de variaciones con repetici on de 4 elementos tomados de cuatro en cuatro, V R4,4 = 44 . f ) Al no inuir el orden y no repetirse ning un valor, su n umero se obtiene como combinaciones sin repetici o n de 5 elementos 5 tomados de cuatro en cuatro, C5,4 = 4 = 5 g) Igual que en el caso anterior no inuye el orden, pero se pueden repetir los valores, por lo tanto se trata de combinaciones con 1 repetici on de 5 elementos tomados de 4 en 4, CR5,4 = 5+4 = 70 4 8.2. Ejercicios propuestos A.1. Con las cifras l, 2, 3, 4, 5, cu antos n umeros de dos cifras distintas pueden formarse? A.2. De cu antas formas distintas puede colocarse un equipo de f utbol para hacerse una foto, sabiendo que seis jugadores permanecen

230 Ap endice A. Combinatoria de pie y el resto en cuclillas delante de los primeros y que el portero siempre se sit ua de pie? A.3. Suponga que le hacen el encargo de dise nar la bandera de un nuevo pa s, para lo que dispone de cinco colores; si la bandera debe tener tres bandas horizontales de igual anchura, cu antas banderas diferentes podr a dise nar? A.4. Un autom ovil de cinco plazas est a ocupado por dos conductores y tres no conductores. Sabiendo que los dos conductores no pueden ocupar simult aneamente las dos plazas delanteras, de cu antas formas distintas pueden acomodarse los ocupantes del coche? A.5. En un congreso de Estad stica al que asisten 40 personas se han habilitado tres salas para defender, simult aneamente, las ponencias. De cu antas formas distintas pueden distribuirse los asistentes entre las salas? Suponga que la capacidades de las salas son de 16, 14 y 10 personas. A.6. El jefe de cocina de un comedor universitario dispone de cinco primeros platos, ocho segundos y cuatro postres, para combinarlos y formar men us en el mes de Noviembre. Cu antos men us diferentes puede confeccionar? A.7. De cu antas formas distintas pueden acomodarse 170 pasajeros en un avi on de 200 plazas? A.8. En una competici on de tenis hay 32 inscritos, de cu antas formas distintas se pueden emparejar los jugadores para disputar la primera ronda? A.9. En una compa n a de baile hay diez hombres y diez mujeres. Cu antas parejas distintas puede formar su director?

A.8 Ejercicios 231 A.10. Cu antas quinielas distintas pueden formarse con cinco x, siete 1 y tres 2? A.11. Obtenga el n umero de permutaciones que se pueden formar con las letras de la palabra UNIVERSIDAD sin que haya dos consonantes seguidas. A.12. Durante un debate 8 personas se sientan en una mesa redonda, de cu antas formas distintas se pueden colocar? Conteste a la anterior cuesti on si la mesa tiene forma de herradura. A.13. Una marca de veh culos a motor dispone de 15 probadores de autom oviles, 12 de motocicletas y 6 de camiones. Por cuestiones operativas, se forman equipos con 5 probadores de coche, 3 de motocicletas y 2 de camiones. Cu antos equipos se pueden crear?

232

Estad stica Descriptiva y Probabilidad. Teor a y Problemas (Revisi on: Febrero 2006) I. Espejo Miranda, F. Fern andez Palac n, M. A. L opez S anchez, M. Mu noz M arquez, A. M. Rodr guez Ch a, A. S anchez Navas, C Valero Franco c 2006 Servicio de Publicaciones de la Universidad de C adiz. Documento bajo Licencia de Documentaci on Libre de GNU (Versi on 1.2 o posterior). http://www.uca.es/teloydisren

Ap endice B Tablas Estad sticas

234 Ap endice B. Tablas Estad sticas

Tabla B.1: Distribuci on Binomial


n 2 3 k 0 1 2 0 1 2 3 0 1 2 3 4 0 1 2 3 4 5 0 1 2 3 4 5 6 0 1 2 3 4 5 6 7 0 1 2 3 4 5 6 7 8 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 10 001 09801 09999 10000 09703 09997 10000 005 09025 09975 10000 08574 09928 09999 10000 09606 08145 09994 09860 10000 09995 10000 09510 09990 10000 020 06400 09600 10000 05120 08960 09920 10000 04096 08192 09728 09984 10000 07738 03277 09774 07373 09988 09421 10000 09933 09997 10000 07351 05314 02621 09672 08857 06553 09978 09842 09011 09999 09987 09830 10000 09999 09984 10000 09999 10000 06983 04783 032116 02097 09556 08503 07166 05767 09962 09743 09262 08520 09998 09973 09879 09667 10000 09998 09988 09953 10000 09999 09996 10000 10000 06634 09428 09942 09996 10000 04305 08131 09619 09950 09996 10000 02725 06572 08948 09786 09971 09998 10000 02316 05995 08591 09661 09944 09994 10000 01678 05033 07969 09437 09896 09988 09999 10000 01342 04362 07382 09144 09804 09969 09997 10000 01074 03758 06778 08791 09672 09936 09991 09999 10000 010 08100 09900 10000 07290 09720 09990 10000 06561 09477 09963 09999 10000 05905 09185 09914 09995 10000 015 07225 09775 10000 06141 09392 09966 10000 05220 08905 09880 09995 10000 04437 08352 09734 09978 09999 10000 03771 07765 09527 09941 09996 10000 025 05625 09375 10000 04219 08438 09844 10000 03164 07383 09492 09961 10000 02373 06328 08965 09844 09990 10000 01780 05339 08306 09624 09954 09998 10000 01335 04449 07564 09294 09871 09987 09999 10000 01001 03671 06785 08862 09727 09958 09996 10000 00751 03003 06007 08343 09511 09900 09987 09999 10000 00563 02440 05256 07759 09219 09803 09965 09996 10000 030 04900 09100 10000 03430 07840 09730 10000 02401 06517 09163 09919 10000 01681 05282 08369 09692 09976 10000 01176 04202 07443 09295 09891 09993 10000 00824 03294 06471 08740 09712 09962 09998 10000 00576 02553 05518 08059 09420 09887 09987 09999 10000 00404 01960 04628 07297 09012 09747 09957 09996 10000 00282 01493 03828 06496 08497 09527 09894 09984 09999 10000 1/3 04444 08889 10000 02963 07407 09630 10000 01975 05926 08889 09876 10000 01317 04609 07901 09547 09959 10000 00878 03512 06804 08999 09822 09986 10000 00585 02634 05706 08267 09547 09931 09995 10000 00390 01951 04682 07413 09121 09803 09974 0.9998 10000 00260 01431 03772 06503 08552 09576 09917 09990 09999 10000 00173 01040 02991 05593 07869 09234 09803 09966 09996 10000 035 04225 08775 10000 02746 07182 09571 10000 01785 05630 08735 09850 10000 01160 04284 07648 09460 09947 10000 00754 03191 06471 08826 09777 09982 10000 00490 02338 05323 08011 09444 09910 09994 10000 00319 01691 04278 07064 08939 09747 09964 09998 10000 00207 01211 03373 06089 08283 09464 09888 09986 09999 10000 00135 00860 02616 05138 07515 09051 09740 09952 09995 10000 040 03600 08400 10000 02160 06480 09360 10000 01296 04752 08208 09744 10000 00778 03370 06826 09130 09898 10000 00467 02333 05443 08208 09590 09959 10000 00280 01586 04199 07102 09037 09812 09984 10000 00168 01064 03154 05941 08263 09502 09915 09993 10000 00101 00705 02318 04826 07334 09006 09750 09962 09997 10000 00060 00464 01673 03823 06331 08338 09452 09877 09983 09999 10000 045 03025 07975 10000 01664 05748 09089 10000 00915 03910 07585 09590 10000 00503 02562 05931 08688 09815 10000 00277 01636 04415 07447 09308 09917 10000 00152 01024 03164 06083 08471 09643 09963 10000 00084 00632 02201 04770 07396 09115 09819 09983 10000 00046 00385 01495 03614 06214 08342 09502 09909 09992 10000 00025 00233 00996 02660 05044 07384 08980 09726 09955 09997 10000 050 02500 07500 10000 01250 05000 08750 10000 00625 03125 06875 09375 10000 00312 01875 05000 08125 09688 10000 00156 01094 03438 06562 08906 09844 10000 00078 00625 02266 05000 07734 09375 09922 10000 00039 00352 01445 03633 06367 08555 09648 09961 10000 00020 00195 00898 02539 05000 07461 09102 09805 09980 10000 00010 00107 00547 01719 03770 06230 08281 09453 09893 09990 10000

09415 09986 10000

09321 09980 10000

09227 09973 09999 10000

09135 09965 09999 10000

06302 09288 09916 09994 10000

03874 07748 09470 09917 09991 09999 10000

10

09044 05987 03487 09958 09139 07361 10000 09885 09298 09990 09872 09999 09984 10000 09999 10000

01969 05443 08202 09500 09901 09986 09999 10000

235

Tabla B.2: Distribuci on de Poisson


k 01 02 03 04 05 06 07 08 09 10 11 12 13 14

0 0905 0819 0741 0670 0611 0549 0497 0449 0407 0368 0333 0301 0273 0247 1 0995 0982 0963 0938 0910 0878 0844 0809 0772 0736 0699 0663 0627 0592 2 1000 0999 0996 0992 0986 0977 0966 0953 0937 0920 0900 0879 0857 0833 3 4 5 6 7 k 15 16 17 18 19 20 22 24 26 28 30 32 34 1000 1000 0999 0998 0997 0994 0991 0987 0981 0974 0966 0957 0946 1000 1000 1000 0999 0999 0998 0996 0995 0992 0989 0986 1000 1000 1000 0999 0999 0998 0998 0997 1000 1000 1000 1000 0999 1000 36

0 0223 0202 0183 0165 0150 0135 0111 0091 0074 0061 0050 0041 0033 0027 1 0558 0525 0493 0463 0434 0406 0355 0308 0267 0231 0199 0171 0147 0126 2 0809 0783 0757 0731 0704 0677 0623 0570 0518 0469 0423 0380 0340 0303 3 0934 0921 0907 0891 0875 0857 0819 0779 0736 0692 0647 0603 0558 0515 4 0981 0976 0970 0964 0956 0947 0928 0904 0877 0848 0815 0781 0744 0706 5 0996 0994 0992 0990 0987 0983 0975 0964 0951 0935 0916 0895 0871 0844 6 0999 0999 0998 0997 0997 0995 0993 0988 0983 0976 0966 0955 0942 0927 7 1000 1000 1000 0999 0999 0999 0998 0997 0995 0992 0988 0983 0977 0969 8 9 10 11 k 38 40 42 44 46 48 50 52 54 56 58 60 1000 1000 1000 1000 0999 0999 0998 0996 0994 0992 0988 1000 1000 0999 0999 0998 0997 0996 1000 1000 1000 0999 0999 1000 1000 65 7

0 0022 0018 0015 0012 0010 0008 0007 0006 0005 0004 0003 0002 0002 0001 1 0107 0092 0078 0066 0056 0048 0040 0034 0029 0024 0021 0017 0011 0007 2 0269 0238 0210 0185 0163 0143 0125 0109 0095 0082 0072 0062 0043 0030 3 0473 0433 0395 0359 0326 0294 0265 0238 0213 0191 0170 0151 0112 0082 4 0668 0629 0590 0551 0513 0476 0440 0406 0373 0342 0313 0285 0223 0173 5 0816 0785 0753 0720 0686 0651 0616 0581 0546 0512 0478 0446 0369 0301 6 0909 0889 0867 0844 0818 0791 0762 0732 0702 0670 0638 0606 0527 0450 7 0960 0949 0936 0921 0905 0887 0867 0845 0822 0797 0771 0744 0673 0599 8 0984 0979 0972 0964 0955 0944 0932 0918 0903 0886 0867 0847 0792 0730 9 0994 0992 0989 0985 0980 0975 0968 0960 0951 0941 0929 0916 0877 0830 10 0998 0997 0996 0994 0992 0990 0986 0982 0977 0972 0965 0957 0933 0901 11 0999 0999 0999 0998 0997 0996 0995 0993 0990 0988 0984 0980 0966 0947 12 1000 1000 1000 0999 0999 0999 0998 0997 0996 0995 0993 0991 0984 0973 13 14 15 16 1000 1000 1000 0999 0999 0999 0998 0997 0996 0993 0987 1000 1000 0999 0999 0999 0999 0997 0994 1000 1000 1000 0999 0999 0998 1000 1000 0999

236 Ap endice B. Tablas Estad sticas

Tabla B.3: Distribuci on Normal


0 0 01 02 03 04 05 06 07 08 09 1 11 12 13 14 15 16 17 18 19 2 21 22 23 24 25 26 27 28 29 3 31 32 33 34 35 36 37 38 39 05000 05398 05793 06179 06554 06915 07257 07580 07881 08159 08413 08643 08849 09032 09192 09332 09452 09554 09641 09713 09772 09821 09861 09893 09918 09938 09953 09965 09974 09981 09987 09990 09993 09995 09997 09998 09998 09999 09999 10000 001 05040 05438 05832 06217 06591 06950 07291 07611 07910 08186 08438 08665 08869 09049 09207 09345 09463 09564 09649 09719 09778 09826 09864 09896 09920 09940 09955 09966 09975 09982 09987 09991 09993 09995 09997 09998 09998 09999 09999 10000 002 05080 05478 05871 06255 06628 06985 07324 07642 07939 08212 08461 08686 08888 09066 09222 09357 09474 09573 09656 09726 09783 09830 09868 09898 09922 09941 09956 09967 09976 09982 09987 09991 09994 09995 09997 09998 09999 09999 09999 10000 003 05120 05517 05910 06293 06664 07019 07357 07673 07967 08238 08485 08708 08907 09082 09236 09370 09484 09582 09664 09732 09788 09834 09871 09901 09925 09943 09957 09968 09977 09983 09988 09991 09994 09996 09997 09998 09999 09999 09999 10000 004 05160 05557 05948 06331 06700 07054 07389 07704 07995 08264 08508 08729 08925 09099 09251 09382 09495 09591 09671 09738 09793 09838 09875 09904 09927 09945 09959 09969 09977 09984 09988 09992 09994 09996 09997 09998 09999 09999 09999 10000 005 05199 05596 05987 06368 06736 07088 07422 07734 08023 08289 08531 08749 08944 09115 09265 09394 09505 09599 09678 09744 09798 09842 09878 09906 09929 09946 09960 09970 09978 09984 09989 09992 09994 09996 09997 09998 09999 09999 09999 10000 006 05239 05636 06026 06406 06772 07123 07454 07764 08051 08315 08554 08770 08962 09131 09279 09406 09515 09608 09686 09750 09803 09846 09881 09909 09931 09948 09961 09971 09979 09985 09989 09992 09994 09996 09997 09998 09999 09999 09999 10000 007 05279 05675 06064 06443 06808 07157 07486 07794 08078 08340 08577 08790 08980 09147 09292 09418 09525 09616 09693 09756 09808 09850 09884 09911 09932 09949 09962 09972 09979 09985 09989 09992 09995 09996 09997 09998 09999 09999 09999 10000 008 05319 05714 06103 06480 06844 07190 07517 07823 08106 08365 08599 08810 08997 09162 09306 09429 09535 09625 09699 09761 09812 09854 09887 09913 09934 09951 09963 09973 09980 09986 09990 09993 09995 09996 09997 09998 09999 09999 09999 10000 009 05359 05753 06141 06517 06879 07224 07549 07852 08133 08389 08621 08830 09015 09177 09319 09441 09545 09633 09706 09767 09817 09857 09890 09916 09936 09952 09964 09974 09981 09986 09990 09993 09995 09997 09998 09998 09999 09999 09999 10000

237

Tabla B.4: Puntos Cr ticos: Distribuci on t de Student


09995 0995 09875 0975 095 0875 085 08 075 07 065 06 055

1 63658 63656 25452 12706 63137 24142 19626 13764 10000 07265 05095 03249 01584 2 31600 99250 62054 43027 29200 16036 13862 10607 08165 06172 04447 02887 01421 3 12924 58408 41765 31824 23534 14226 12498 09785 07649 05844 04242 02767 01366 4 86101 46041 34954 27765 21318 13444 11896 09410 07407 05686 04142 02707 01338 5 68685 40321 31634 25706 20150 13009 11558 09195 07267 05594 04082 02672 01322 6 59587 37074 29687 24469 19432 12733 11342 09057 07176 05534 04043 02648 01311 7 54081 34995 28412 23646 18946 12543 11192 08960 07111 05491 04015 02632 01303 8 50414 33554 27515 23060 18595 12403 11081 08889 07064 05459 03995 02619 01297 9 47809 32498 26850 22622 18331 12297 10997 08834 07027 05435 03979 02610 01293 10 45868 31693 26338 22281 18125 12213 10931 08791 06998 05415 03966 02602 01289 11 44369 31058 25931 22010 17959 12145 10877 08755 06974 05399 03956 02596 01286 12 43178 30545 25600 21788 17823 12089 10832 08726 06955 05386 03947 02590 01283 13 42209 30123 25326 21604 17709 12041 10795 08702 06938 05375 03940 02586 01281 14 41403 29768 25096 21448 17613 12001 10763 08681 06924 05366 03933 02582 01280 15 40728 29467 24899 21315 17531 11967 10735 08662 06912 05357 03928 02579 01278 16 40149 29208 24729 21199 17459 11937 10711 08647 06901 05350 03923 02576 01277 17 39651 28982 24581 21098 17396 11910 10690 08633 06892 05344 03919 02573 01276 18 39217 28784 24450 21009 17341 11887 10672 08620 06884 05338 03915 02571 01274 19 38833 28609 24334 20930 17291 11866 10655 08610 06876 05333 03912 02569 01274 20 38496 28453 24231 20860 17247 11848 10640 08600 06870 05329 03909 02567 01273 21 38193 28314 24138 20796 17207 11831 10627 08591 06864 05325 03906 02566 01272 22 37922 28188 24055 20739 17171 11815 10614 08583 06858 05321 03904 02564 01271 23 37676 28073 23979 20687 17139 11802 10603 08575 06853 05317 03902 02563 01271 24 37454 27970 23910 20639 17109 11789 10593 08569 06848 05314 03900 02562 01270 25 37251 27874 23846 20595 17081 11777 10584 08562 06844 05312 03898 02561 01269 26 37067 27787 23788 20555 17056 11766 10575 08557 06840 05309 03896 02560 01269 27 36895 27707 23734 20518 17033 11756 10567 08551 06837 05306 03894 02559 01268 28 36739 27633 23685 20484 17011 11747 10560 08546 06834 05304 03893 02558 01268 29 36595 27564 23638 20452 16991 11739 10553 08542 06830 05302 03892 02557 01268 30 36460 27500 23596 20423 16973 11731 10547 08538 06828 05300 03890 02556 01267 35 35911 27238 23420 20301 16896 11698 10520 08520 06816 05292 03885 02553 01266 40 35510 27045 23289 20211 16839 11673 10500 08507 06807 05286 03881 02550 01265 50 34960 26778 23109 20086 16759 11639 10473 08489 06794 05278 03875 02547 01263 60 34602 26603 22990 20003 16706 11616 10455 08477 06786 05272 03872 02545 01262 80 34164 26387 22844 19901 16641 11588 10432 08461 06776 05265 03867 02542 01261 100 33905 26259 22757 19840 16602 11571 10418 08452 06770 05261 03864 02540 01260 120 33734 26174 22699 19799 16576 11559 10409 08446 06765 05258 03862 02539 01259

238 Ap endice B. Tablas Estad sticas

Tabla B.5: Puntos Cr ticos: Distribuci on 2


09995 0995 09875 0975 095 0875 085 08 075 07 065 06 055

1 12115 78794 62385 50239 38415 23535 20722 16424 13233 10742 08735 07083 05707 2 15201 10597 87641 73778 59915 41589 37942 32189 27726 24079 20996 18326 15970 3 17731 12838 10861 93484 78147 57394 53170 46416 41083 36649 32831 29462 26430 4 19998 14860 12762 11143 94877 72140 67449 59886 53853 48784 44377 40446 36871 5 22106 16750 14544 12832 11070 86248 81152 72893 66257 60644 55731 51319 47278 6 24102 18548 16244 14449 12592 99917 94461 85581 78408 72311 66948 62108 57652 7 26018 20278 17885 16013 14067 11326 10748 98032 90371 83834 78061 72832 68000 8 27867 21955 19478 17535 15507 12636 12027 11030 10219 95245 89094 83505 78325 9 29667 23589 21034 19023 16919 13926 13288 12242 11389 10656 10006 94136 88632 10 31419 25188 22558 20483 18307 15198 14534 13442 12549 11781 11097 10473 98922 11 33138 26757 24056 21920 19675 16457 15767 14631 13701 12899 12184 11530 10920 12 34821 28300 25530 23337 21026 17703 16989 15812 14845 14011 13266 12584 11946 13 36477 29819 26985 24736 22362 18939 18202 16985 15984 15119 14345 13636 12972 14 38109 31319 28422 26119 23685 20166 19406 18151 17117 16222 15421 14685 13996 15 39717 32801 29843 27488 24996 21384 20603 19311 18245 17322 16494 15733 15020 16 41308 34267 31250 28845 26296 22595 21793 20465 19369 18418 17565 16780 16042 17 42881 35718 32644 30191 27587 23799 22977 21615 20489 19511 18633 17824 17065 18 44434 37156 34027 31526 28869 24997 24155 22760 21605 20601 19699 18868 18086 19 45974 38582 35399 32852 30144 26189 25329 23900 22718 21689 20764 19910 19107 20 47498 39997 36760 34170 31410 27376 26498 25038 23828 22775 21826 20951 20127 21 49010 41401 38113 35479 32671 28559 27662 26171 24935 23858 22888 21992 21147 22 50510 42796 39458 36781 33924 29737 28822 27301 26039 24939 23947 23031 22166 23 51999 44181 40794 38076 35172 30911 29979 28429 27141 26018 25006 24069 23185 24 53478 45558 42124 39364 36415 32081 31132 29553 28241 27096 26063 25106 24204 25 54948 46928 43446 40646 37652 33247 32282 30675 29339 28172 27118 26143 25222 26 56407 48290 44762 41923 38885 34410 33429 31795 30435 29246 28173 27179 26240 27 57856 49645 46071 43195 40113 35570 34574 32912 31528 30319 29227 28214 27257 28 59299 50994 47375 44461 41337 36727 35715 34027 32620 31391 30279 29249 28274 29 60734 52335 48674 45722 42557 37881 36854 35139 33711 32461 31331 30283 29291 30 62160 53672 49967 46979 43773 39033 37990 36250 34800 33530 32382 31316 30307 35 69197 60275 56365 53203 49802 44753 43640 41778 40223 38859 37623 36475 35386 40 76096 66766 62665 59342 55758 50424 49244 47269 45616 44165 42848 41622 40459 50 89560 79490 75039 71420 67505 61647 60346 58164 56334 54723 53258 51892 50592 60 10270 91952 87184 83298 79082 72751 71341 68972 66981 65226 63628 62135 60713 80 12826 11632 11099 10663 10188 94709 93106 90405 88130 86120 84284 82566 80927 100 15316 14017 13434 12956 12434 11643 11466 11167 10914 10691 10486 10295 10111 120 17760 16365 15737 15221 14657 13799 13606 13281 13005 12762 12538 12329 12128

239

Tabla B.6: Puntos Cr ticos: Distribuci on 2


0,5 0,45 0,4 0,35 0,3 0,25 0,2 0,15 0,125 0,1 0,05 0,025 0,01 0,005

1 0,4549 0,3573 0,2750 0,2059 0,1485 0,1015 0,0642 0,0358 0,0247 0,0158 0,0039 0,0010 0,0002 0,0000 2 1,3863 1,1957 1,0217 0,8616 0,7133 0,5754 0,4463 0,3250 0,2671 0,2107 0,1026 0,0506 0,0201 0,0100 3 2,3660 2,1095 1,8692 1,6416 1,4237 1,2125 1,0052 0,7978 0,6924 0,5844 0,3518 0,2158 0,1148 0,0717 4 3,3567 3,0469 2,7528 2,4701 2,1947 1,9226 1,6488 1,3665 1,2188 1,0636 0,7107 0,4844 0,2971 0,2070 5 4,3515 3,9959 3,6555 3,3251 2,9999 2,6746 2,3425 1,9938 1,8082 1,6103 1,1455 0,8312 0,5543 0,4118 6 5,3481 4,9519 4,5702 4,1973 3,8276 3,4546 3,0701 2,6613 2,4411 2,2041 1,6354 1,2373 0,8721 0,6757 7 6,3458 5,9125 5,4932 5,0816 4,6713 4,2549 3,8223 3,3583 3,1063 2,8331 2,1673 1,6899 1,2390 0,9893 8 7,3441 6,8766 6,4226 5,9753 5,5274 5,0706 4,5936 4,0782 3,7965 3,4895 2,7326 2,1797 1,6465 1,3444 9 8,3428 7,8434 7,3570 6,8763 6,3933 5,8988 5,3801 4,8165 4,5070 4,1682 3,3251 2,7004 2,0879 1,7349 10 9,3418 8,8124 8,2955 7,7832 7,2672 6,7372 6,1791 5,5701 5,2341 4,8652 3,9403 3,2470 2,5582 2,1558 11 10,341 9,7831 9,2373 8,6952 8,1479 7,5841 6,9887 6,3364 5,9754 5,5778 4,5748 3,8157 3,0535 2,6032 12 11,340 10,755 10,182 9,6115 9,0343 8,4384 7,8073 7,1138 6,7288 6,3038 5,2260 4,4038 3,5706 3,0738 13 12,340 11,729 11,129 10,532 9,9257 9,2991 8,6339 7,9008 7,4929 7,0415 5,8919 5,0087 4,1069 3,5650 14 13,339 12,703 12,078 11,455 10,821 10,165 9,4673 8,6963 8,2662 7,7895 6,5706 5,6287 4,6604 4,0747 15 14,339 13,679 13,030 12,381 11,721 11,037 10,307 9,4993 9,0479 8,5468 7,2609 6,2621 5,2294 4,6009 16 15,338 14,656 13,983 13,310 12,624 11,912 11,152 10,309 9,8370 9,3122 7,9616 6,9077 5,8122 5,1422 17 16,338 15,633 14,937 14,241 13,531 12,792 12,002 11,125 10,633 10,085 8,6718 7,5642 6,4077 5,6973 18 17,338 16,611 15,893 15,174 14,440 13,675 12,857 11,946 11,435 10,865 9,3904 8,2307 7,0149 6,2648 19 18,338 17,589 16,850 16,109 15,352 14,562 13,716 12,773 12,242 11,651 10,117 8,9065 7,6327 6,8439 20 19,337 18,569 17,809 17,046 16,266 15,452 14,578 13,604 13,055 12,443 10,851 9,5908 8,2604 7,4338 21 20,337 19,548 18,768 17,984 17,182 16,344 15,445 14,439 13,873 13,240 11,591 10,283 8,8972 8,0336 22 21,337 20,529 19,729 18,924 18,101 17,240 16,314 15,279 14,695 14,041 12,338 10,982 9,5425 8,6427 23 22,337 21,510 20,690 19,866 19,021 18,137 17,187 16,122 15,521 14,848 13,091 11,689 10,196 9,2604 24 23,337 22,491 21,652 20,808 19,943 19,037 18,062 16,969 16,351 15,659 13,848 12,401 10,856 9,8862 25 24,337 23,472 22,616 21,752 20,867 19,939 18,940 17,818 17,184 16,473 14,611 13,120 11,524 10,520 26 25,336 24,454 23,579 22,697 21,792 20,843 19,820 18,671 18,021 17,292 15,379 13,844 12,198 11,160 27 26,336 25,437 24,544 23,644 22,719 21,749 20,703 19,527 18,861 18,114 16,151 14,573 12,878 11,808 28 27,336 26,419 25,509 24,591 23,647 22,657 21,588 20,386 19,704 18,939 16,928 15,308 13,565 12,461 29 28,336 27,402 26,475 25,539 24,577 23,567 22,475 21,247 20,550 19,768 17,708 16,047 14,256 13,121 30 29,336 28,386 27,442 26,488 25,508 24,478 23,364 22,110 21,399 20,599 18,493 16,791 14,953 13,787 35 34,336 33,306 32,282 31,246 30,178 29,054 27,836 26,460 25,678 24,797 22,465 20,569 18,509 17,192 40 39,335 38,233 37,134 36,021 34,872 33,660 32,345 30,856 30,008 29,051 26,509 24,433 22,164 20,707 50 49,335 48,099 46,864 45,610 44,313 42,942 41,449 39,754 38,785 37,689 34,764 32,357 29,707 27,991 60 59,335 57,978 56,620 55,239 53,809 52,294 50,641 48,759 47,680 46,459 43,188 40,482 37,485 35,534 80 79,334 77,763 76,188 74,583 72,915 71,145 69,207 66,994 65,722 64,278 60,391 57,153 53,540 51,172 100 99,334 97,574 95,808 94,005 92,129 90,133 87,945 85,441 83,999 82,358 77,929 74,222 70,065 67,328 120 119,33 117,40 115,46 113,48 111,42 109,22 106,81 104,04 102,44 100,62 95,705 91,573 86,923 83,852

240 Ap endice B. Tablas Estad sticas

Tabla B.7: Distribuci on F de Snedecor (p = 05)


n1 n2 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 35 40 50 60 70 80 90 100 120 1 1000 0667 0585 0549 0528 0515 0506 0499 0494 0490 0486 0484 0481 0479 0478 0476 0475 0474 0473 0472 0471 0470 0470 0469 0468 0468 0467 0467 0467 0466 0465 0463 0462 0460 0460 0459 0459 0458 0458 0455 2 1500 1000 0881 0828 0799 0780 0767 0757 0749 0743 0739 0735 0731 0729 0726 0724 0722 0721 0719 0718 0717 0715 0714 0714 0713 0712 0711 0711 0710 0709 0707 0705 0703 0701 0700 0699 0699 0698 0697 0693 3 1709 1135 1000 0941 0907 0886 0871 0860 0852 0845 0840 0835 0832 0828 0826 0823 0821 0819 0818 0816 0815 0814 0813 0812 0811 0810 0809 0808 0808 0807 0804 0802 0800 0798 0796 0795 0795 0794 0793 0789 4 1823 1207 1063 1000 0965 0942 0926 0915 0906 0899 0893 0888 0885 0881 0878 0876 0874 0872 0870 0868 0867 0866 0864 0863 0862 0861 0861 0860 0859 0858 0856 0854 0851 0849 0847 0846 0846 0845 0844 0839 5 1894 1252 1102 1037 1000 0977 0960 0948 0939 0932 0926 0921 0917 0914 0911 0908 0906 0904 0902 0900 0899 0898 0896 0895 0894 0893 0892 0892 0891 0890 0887 0885 0882 0880 0879 0878 0877 0876 0875 0870 6 1942 1282 1129 1062 1024 1000 0983 0971 0962 0954 0948 0943 0939 0936 0933 0930 0928 0926 0924 0922 0921 0919 0918 0917 0916 0915 0914 0913 0912 0912 0909 0907 0903 0901 0900 0899 0898 0897 0896 0891 7 1977 1305 1148 1080 1041 1017 1000 0988 0978 0971 0964 0959 0955 0952 0949 0946 0943 0941 0939 0938 0936 0935 0934 0932 0931 0930 0930 0929 0928 0927 0924 0922 0919 0917 0915 0914 0913 0913 0912 0907 8 2004 1321 1163 1093 1055 1030 1013 1000 0990 0983 0977 0972 0967 0964 0960 0958 0955 0953 0951 0950 0948 0947 0945 0944 0943 0942 0941 0940 0940 0939 0936 0934 0930 0928 0927 0926 0925 0924 0923 0918 9 2025 1334 1174 1104 1065 1040 1022 1010 1000 0992 0986 0981 0977 0973 0970 0967 0965 0962 0961 0959 0957 0956 0955 0953 0952 0951 0950 0950 0949 0948 0945 0943 0940 0937 0936 0935 0934 0933 0932 0927 10 2042 1345 1183 1113 1073 1048 1030 1018 1008 1000 0994 0989 0984 0981 0977 0975 0972 0970 0968 0966 0965 0963 0962 0961 0960 0959 0958 0957 0956 0955 0952 0950 0947 0945 0943 0942 0941 0940 0939 0934 11 2056 1354 1191 1120 1080 1054 1037 1024 1014 1006 1000 0995 0990 0987 0983 0981 0978 0976 0974 0972 0971 0969 0968 0967 0966 0965 0964 0963 0962 0961 0958 0956 0953 0951 0949 0948 0947 0946 0945 0940 12 2067 1361 1197 1126 1085 1060 1042 1029 1019 1012 1005 1000 0996 0992 0989 0986 0983 0981 0979 0977 0976 0974 0973 0972 0971 0970 0969 0968 0967 0966 0963 0961 0958 0956 0954 0953 0952 0951 0950 0945 13 2077 1367 1203 1131 1090 1065 1047 1034 1024 1016 1010 1004 1000 0996 0993 0990 0988 0985 0984 0982 0980 0979 0977 0976 0975 0974 0973 0972 0971 0971 0968 0965 0962 0960 0958 0957 0956 0956 0955 0949 14 2086 1372 1207 1135 1094 1069 1051 1038 1028 1020 1013 1008 1004 1000 0997 0994 0991 0989 0987 0985 0984 0982 0981 0980 0979 0978 0977 0976 0975 0974 0971 0969 0966 0964 0962 0961 0960 0959 0958 0953 15 2093 1377 1211 1139 1098 1072 1054 1041 1031 1023 1017 1012 1007 1003 1000 0997 0995 0992 0990 0989 0987 0986 0984 0983 0982 0981 0980 0979 0978 0978 0974 0972 0969 0967 0965 0964 0963 0962 0961 0956 16 2100 1381 1215 1142 1101 1075 1057 1044 1034 1026 1020 1014 1010 1006 1003 1000 0997 0995 0993 0992 0990 0988 0987 0986 0985 0984 0983 0982 0981 0980 0977 0975 0972 0969 0968 0967 0966 0965 0964 0959

241

Tabla B.8: Distribuci on F de Snedecor (p = 05)


n1 n2 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 35 40 50 60 70 80 90 100 120 17 2105 1385 1218 1145 1104 1078 1060 1047 1037 1029 1022 1017 1012 1009 1005 1003 1000 0998 0996 0994 0992 0991 0990 0988 0987 0986 0985 0984 0984 0983 0980 0977 0974 0972 0970 0969 0968 0968 0966 0961 18 2110 1388 1220 1147 1106 1080 1062 1049 1039 1031 1025 1019 1015 1011 1008 1005 1002 1000 0998 0996 0995 0993 0992 0991 0989 0988 0988 0987 0986 0985 0982 0980 0976 0974 0972 0971 0970 0970 0969 0963 19 2115 1391 1223 1150 1109 1083 1064 1051 1041 1033 1027 1021 1017 1013 1010 1007 1004 1002 1000 0998 0997 0995 0994 0993 0991 0990 0989 0989 0988 0987 0984 0981 0978 0976 0974 0973 0972 0972 0971 0965 20 2119 1393 1225 1152 1111 1084 1066 1053 1043 1035 1028 1023 1019 1015 1011 1009 1006 1004 1002 1000 0998 0997 0996 0994 0993 0992 0991 0990 0990 0989 0986 0983 0980 0978 0976 0975 0974 0973 0972 0967 25 2135 1403 1234 1160 1118 1092 1074 1060 1050 1042 1035 1030 1026 1022 1018 1015 1013 1011 1009 1007 1005 1004 1002 1001 1000 0999 0998 0997 0996 0996 0992 0990 0987 0984 0983 0982 0981 0980 0979 0974 30 2145 1410 1239 1165 1123 1097 1079 1065 1055 1047 1040 1035 1030 1026 1023 1020 1017 1015 1013 1011 1010 1008 1007 1006 1005 1003 1003 1002 1001 1000 0997 0994 0991 0989 0987 0986 0985 0984 0983 0978 35 2153 1414 1243 1169 1127 1100 1082 1069 1058 1050 1043 1038 1033 1030 1026 1023 1021 1018 1016 1015 1013 1011 1010 1009 1008 1007 1006 1005 1004 1003 1000 0998 0994 0992 0990 0989 0988 0988 0986 0981 40 2158 1418 1246 1172 1130 1103 1085 1071 1061 1053 1046 1041 1036 1032 1029 1026 1023 1021 1019 1017 1015 1014 1013 1011 1010 1009 1008 1007 1006 1006 1002 1000 0997 0994 0993 0992 0991 0990 0989 0984 45 2163 1421 1249 1174 1132 1105 1087 1073 1063 1055 1048 1042 1038 1034 1031 1028 1025 1023 1021 1019 1017 1016 1014 1013 1012 1011 1010 1009 1008 1008 1004 1002 0999 0996 0995 0993 0993 0992 0991 0985 50 2166 1423 1251 1176 1134 1107 1088 1075 1064 1056 1050 1044 1039 1036 1032 1029 1027 1024 1022 1020 1019 1017 1016 1015 1014 1013 1012 1011 1010 1009 1006 1003 1000 0998 0996 0995 0994 0993 0992 0987 60 2172 1426 1254 1178 1136 1109 1091 1077 1067 1059 1052 1046 1042 1038 1034 1032 1029 1027 1025 1023 1021 1020 1018 1017 1016 1015 1014 1013 1012 1011 1008 1006 1002 1000 0998 0997 0996 0996 0994 0989 70 2175 1428 1256 1180 1138 1111 1093 1079 1068 1060 1054 1048 1043 1040 1036 1033 1031 1028 1026 1024 1023 1021 1020 1019 1017 1016 1015 1015 1014 1013 1010 1007 1004 1002 1000 0999 0998 0997 0996 0991 80 2178 1430 1257 1182 1139 1112 1094 1080 1070 1062 1055 1049 1045 1041 1037 1034 1032 1030 1027 1026 1024 1022 1021 1020 1019 1018 1017 1016 1015 1014 1011 1008 1005 1003 1001 1000 0999 0998 0997 0992 90 2180 1432 1258 1183 1140 1114 1095 1081 1071 1062 1056 1050 1046 1042 1038 1035 1033 1030 1028 1027 1025 1023 1022 1021 1020 1019 1018 1017 1016 1015 1012 1009 1006 1004 1002 1001 1000 0999 0998 0993 120 2185 1434 1261 1185 1143 1116 1097 1083 1073 1064 1058 1052 1048 1044 1040 1037 1035 1032 1030 1029 1027 1025 1024 1023 1022 1020 1020 1019 1018 1017 1014 1011 1008 1006 1004 1003 1002 1001 1000 0995 2198 1442 1268 1191 1149 1122 1103 1089 1079 1070 1064 1058 1053 1049 1046 1043 1040 1038 1036 1034 1032 1031 1030 1028 1027 1026 1025 1024 1023 1022 1019 1017 1013 1011 1009 1008 1007 1007 1005 1000

242 Ap endice B. Tablas Estad sticas

Tabla B.9: Distribuci on F de Snedecor (p = 075)


n1 n2 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 35 40 50 60 70 80 90 100 120 1 5828 2571 2024 1807 1692 1621 1573 1538 1512 1491 1475 1461 1450 1440 1432 1425 1419 1413 1408 1404 1400 1396 1393 1390 1387 1384 1382 1380 1378 1376 1368 1363 1355 1349 1346 1343 1341 1339 1336 1324 2 7500 3000 2280 2000 1853 1762 1701 1657 1624 1598 1577 1560 1545 1533 1523 1514 1506 1499 1493 1487 1482 1477 1473 1470 1466 1463 1460 1457 1455 1452 1443 1435 1425 1419 1414 1411 1408 1406 1402 1387 3 8200 3153 2356 2047 1884 1784 1717 1668 1632 1603 1580 1561 1545 1532 1520 1510 1502 1494 1487 1481 1475 1470 1466 1462 1458 1454 1451 1448 1445 1443 1432 1424 1413 1405 1400 1396 1393 1391 1387 1370 4 8581 3232 2390 2064 1893 1787 1716 1664 1625 1595 1570 1550 1534 1519 1507 1497 1487 1479 1472 1465 1459 1454 1449 1445 1441 1437 1433 1430 1427 1424 1413 1404 1393 1385 1379 1375 1372 1369 1365 1347 5 8820 3280 2409 2072 1895 1785 1711 1658 1617 1585 1560 1539 1521 1507 1494 1483 1473 1464 1457 1450 1444 1438 1433 1428 1424 1420 1417 1413 1410 1407 1395 1386 1374 1366 1360 1355 1352 1349 1345 1326 6 8983 3312 2422 2077 1894 1782 1706 1651 1609 1576 1550 1529 1511 1495 1482 1471 1460 1452 1444 1437 1430 1424 1419 1414 1410 1406 1402 1399 1395 1392 1380 1371 1358 1349 1343 1338 1335 1332 1328 1307 7 9102 3335 2430 2079 1894 1779 1701 1645 1602 1569 1542 1520 1501 1485 1472 1460 1450 1441 1432 1425 1419 1413 1407 1402 1398 1393 1390 1386 1383 1380 1367 1357 1344 1335 1329 1324 1320 1317 1313 1292 8 9192 3353 2436 2080 1892 1776 1697 1640 1596 1562 1535 1512 1493 1477 1463 1451 1441 1431 1423 1415 1409 1402 1397 1392 1387 1383 1379 1375 1372 1369 1355 1345 1332 1323 1316 1311 1307 1304 1300 1278 9 9263 3366 2441 2081 1891 1773 1693 1635 1591 1556 1528 1505 1486 1470 1456 1443 1433 1423 1414 1407 1400 1394 1388 1383 1378 1374 1370 1366 1362 1359 1345 1335 1321 1312 1305 1300 1296 1293 1289 1266 10 9320 3377 2445 2082 1890 1771 1690 1631 1586 1551 1523 1500 1480 1463 1449 1437 1426 1416 1407 1399 1392 1386 1380 1375 1370 1366 1361 1358 1354 1351 1337 1327 1312 1303 1296 1291 1287 1283 1279 1255 11 9367 3386 2448 2082 1889 1769 1687 1627 1582 1547 1518 1495 1475 1458 1443 1431 1420 1410 1401 1393 1386 1379 1374 1368 1363 1359 1354 1350 1347 1343 1329 1319 1304 1294 1287 1282 1278 1275 1270 1246 12 9406 3393 2450 2083 1888 1767 1684 1624 1579 1543 1514 1490 1470 1453 1438 1426 1414 1404 1395 1387 1380 1374 1368 1362 1357 1352 1348 1344 1340 1337 1323 1312 1297 1287 1280 1275 1270 1267 1262 1238 13 9440 3400 2452 2083 1887 1765 1682 1622 1576 1540 1510 1486 1466 1449 1434 1421 1409 1399 1390 1382 1375 1368 1362 1357 1352 1347 1342 1338 1335 1331 1317 1306 1291 1280 1273 1268 1263 1260 1255 1230 14 9468 3405 2454 2083 1886 1764 1680 1619 1573 1537 1507 1483 1462 1445 1430 1417 1405 1395 1386 1378 1370 1364 1357 1352 1347 1342 1337 1333 1330 1326 1311 1300 1285 1274 1267 1262 1257 1254 1249 1223 15 9493 3410 2455 2083 1885 1762 1678 1617 1570 1534 1504 1480 1459 1441 1426 1413 1401 1391 1382 1374 1366 1359 1353 1347 1342 1337 1333 1329 1325 1321 1306 1295 1280 1269 1262 1256 1252 1248 1243 1217 16 9515 3414 2456 2083 1884 1761 1676 1615 1568 1531 1501 1477 1456 1438 1423 1410 1398 1388 1378 1370 1362 1355 1349 1343 1338 1333 1329 1325 1321 1317 1302 1291 1275 1264 1257 1251 1246 1243 1237 1211

243

Tabla B.10: Distribuci on F de Snedecor (p = 075)


n1 n2 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 35 40 50 60 70 80 90 100 120 17 9535 3418 2458 2083 1884 1760 1675 1613 1566 1529 1499 1474 1453 1435 1420 1407 1395 1384 1375 1367 1359 1352 1346 1340 1335 1330 1325 1321 1317 1313 1298 1286 1270 1260 1252 1246 1242 1238 1233 1206 18 9552 3421 2459 2083 1883 1759 1674 1612 1564 1527 1497 1472 1451 1433 1417 1404 1392 1381 1372 1363 1356 1349 1342 1337 1331 1326 1322 1317 1313 1310 1294 1283 1266 1255 1248 1242 1237 1234 1228 1201 19 9567 3424 2459 2083 1882 1758 1672 1610 1563 1525 1495 1470 1449 1431 1415 1401 1389 1379 1369 1361 1353 1346 1339 1333 1328 1323 1318 1314 1310 1306 1291 1279 1263 1252 1244 1238 1233 1229 1224 1196 20 9581 3426 2460 2083 1882 1757 1671 1609 1561 1523 1493 1468 1447 1428 1413 1399 1387 1376 1367 1358 1350 1343 1337 1331 1325 1320 1315 1311 1307 1303 1288 1276 1259 1248 1240 1234 1229 1226 1220 1192 25 9634 3436 2463 2083 1880 1753 1667 1603 1555 1517 1486 1460 1438 1420 1404 1390 1377 1366 1356 1348 1340 1332 1326 1319 1314 1309 1304 1299 1295 1291 1275 1263 1245 1234 1225 1219 1214 1210 1204 1174 30 9670 3443 2465 2082 1878 1751 1663 1600 1551 1512 1481 1454 1432 1414 1397 1383 1370 1359 1349 1340 1332 1324 1318 1311 1306 1300 1295 1291 1286 1282 1266 1253 1235 1223 1214 1208 1202 1198 1192 1161 35 9695 3448 2466 2082 1877 1749 1661 1597 1547 1508 1477 1450 1428 1409 1392 1378 1365 1354 1344 1335 1326 1319 1312 1305 1299 1294 1289 1284 1280 1276 1258 1245 1227 1215 1206 1199 1194 1189 1183 1150 40 9714 3451 2467 2082 1876 1748 1659 1595 1545 1506 1474 1447 1425 1405 1389 1374 1361 1350 1339 1330 1322 1314 1307 1300 1294 1289 1284 1279 1275 1270 1253 1240 1221 1208 1199 1192 1186 1182 1175 1141 45 9729 3454 2468 2082 1876 1747 1658 1593 1543 1503 1471 1445 1422 1403 1386 1371 1358 1346 1336 1327 1318 1310 1303 1297 1291 1285 1280 1275 1270 1266 1248 1235 1216 1203 1193 1186 1180 1176 1169 1134 50 9741 3456 2469 2082 1875 1746 1657 1591 1541 1502 1469 1443 1420 1400 1383 1369 1355 1344 1333 1324 1315 1307 1300 1293 1287 1282 1276 1271 1267 1263 1245 1231 1212 1198 1189 1181 1176 1171 1164 1128 60 9759 3459 2470 2082 1874 1744 1655 1589 1539 1499 1466 1439 1416 1397 1380 1365 1351 1340 1329 1319 1311 1303 1295 1289 1282 1277 1271 1266 1262 1257 1239 1225 1205 1191 1181 1174 1168 1163 1156 1117 70 9772 3462 2470 2082 1874 1743 1654 1588 1537 1497 1464 1437 1414 1394 1377 1362 1348 1336 1326 1316 1307 1299 1292 1285 1279 1273 1267 1262 1258 1253 1234 1220 1200 1186 1176 1168 1162 1157 1149 1109 80 9782 3464 2471 2081 1873 1742 1653 1586 1536 1495 1463 1435 1412 1392 1375 1360 1346 1334 1323 1313 1305 1296 1289 1282 1276 1270 1264 1259 1254 1250 1231 1217 1196 1182 1171 1163 1157 1152 1144 1103 90 9789 3465 2471 2081 1873 1742 1652 1586 1535 1494 1461 1434 1411 1391 1373 1358 1344 1332 1321 1311 1303 1294 1287 1280 1273 1268 1262 1257 1252 1247 1228 1214 1193 1178 1168 1160 1153 1148 1140 1097 120 9804 3468 2472 2081 1872 1741 1650 1584 1533 1492 1459 1431 1408 1387 1370 1354 1341 1328 1317 1307 1298 1290 1282 1275 1269 1263 1257 1252 1247 1242 1223 1208 1186 1172 1161 1152 1145 1140 1131 1085 9848 3476 2474 2081 1869 1737 1645 1578 1526 1484 1451 1422 1398 1377 1359 1343 1329 1317 1305 1295 1285 1276 1268 1261 1254 1248 1242 1236 1231 1226 1205 1189 1165 1148 1135 1125 1117 1110 1100 1019

244 Ap endice B. Tablas Estad sticas

Tabla B.11: Distribuci on F de Snedecor (p = 09)


n1 n2 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 35 40 50 60 70 80 90 100 120 1 3986 8526 5538 4545 4060 3776 3589 3458 3360 3285 3225 3177 3136 3102 3073 3048 3026 3007 2990 2975 2961 2949 2937 2927 2918 2909 2901 2894 2887 2881 2855 2835 2809 2791 2779 2769 2762 2756 2748 2707 2 4950 9000 5462 4325 3780 3463 3257 3113 3006 2924 2860 2807 2763 2726 2695 2668 2645 2624 2606 2589 2575 2561 2549 2538 2528 2519 2511 2503 2495 2489 2461 2440 2412 2393 2380 2370 2363 2356 2347 2304 3 5359 9162 5391 4191 3619 3289 3074 2924 2813 2728 2660 2606 2560 2522 2490 2462 2437 2416 2397 2380 2365 2351 2339 2327 2317 2307 2299 2291 2283 2276 2247 2226 2197 2177 2164 2154 2146 2139 2130 2085 4 5583 9243 5343 4107 3520 3181 2961 2806 2693 2605 2536 2480 2434 2395 2361 2333 2308 2286 2266 2249 2233 2219 2207 2195 2184 2174 2165 2157 2149 2142 2113 2091 2061 2041 2027 2016 2008 2002 1992 1946 5 5724 9293 5309 4051 3453 3108 2883 2726 2611 2522 2451 2394 2347 2307 2273 2244 2218 2196 2176 2158 2142 2128 2115 2103 2092 2082 2073 2064 2057 2049 2019 1997 1966 1946 1931 1921 1912 1906 1896 1848 6 5820 9326 5285 4010 3405 3055 2827 2668 2551 2461 2389 2331 2283 2243 2208 2178 2152 2130 2109 2091 2075 2060 2047 2035 2024 2014 2005 1996 1988 1980 1950 1927 1895 1875 1860 1849 1841 1834 1824 1775 7 5891 9349 5266 3979 3368 3014 2785 2624 2505 2414 2342 2283 2234 2193 2158 2128 2102 2079 2058 2040 2023 2008 1995 1983 1971 1961 1952 1943 1935 1927 1896 1873 1840 1819 1804 1793 1785 1778 1767 1718 8 5944 9367 5252 3955 3339 2983 2752 2589 2469 2377 2304 2245 2195 2154 2119 2088 2061 2038 2017 1999 1982 1967 1953 1941 1929 1919 1909 1900 1892 1884 1852 1829 1796 1775 1760 1748 1739 1732 1722 1671 9 5986 9381 5240 3936 3316 2958 2725 2561 2440 2347 2274 2214 2164 2122 2086 2055 2028 2005 1984 1965 1948 1933 1919 1906 1895 1884 1874 1865 1857 1849 1817 1793 1760 1738 1723 1711 1702 1695 1684 1633 10 6019 9392 5230 3920 3297 2937 2703 2538 2416 2323 2248 2188 2138 2095 2059 2028 2001 1977 1956 1937 1920 1904 1890 1877 1866 1855 1845 1836 1827 1819 1787 1763 1729 1707 1691 1680 1670 1663 1652 1600 11 6047 9401 5222 3907 3282 2920 2684 2519 2396 2302 2227 2166 2116 2073 2037 2005 1978 1954 1932 1913 1896 1880 1866 1853 1841 1830 1820 1811 1802 1794 1761 1737 1703 1680 1665 1653 1643 1636 1625 1572 12 6071 9408 5216 3896 3268 2905 2668 2502 2379 2284 2209 2147 2097 2054 2017 1985 1958 1933 1912 1892 1875 1859 1845 1832 1820 1809 1799 1790 1781 1773 1739 1715 1680 1657 1641 1629 1620 1612 1601 1547 13 6090 9415 5210 3886 3257 2892 2654 2488 2364 2269 2193 2131 2080 2037 2000 1968 1940 1916 1894 1875 1857 1841 1827 1814 1802 1790 1780 1771 1762 1754 1720 1695 1660 1637 1621 1609 1599 1592 1580 1525 14 6107 9420 5205 3878 3247 2881 2643 2475 2351 2255 2179 2117 2066 2022 1985 1953 1925 1900 1878 1859 1841 1825 1811 1797 1785 1774 1764 1754 1745 1737 1703 1678 1643 1619 1603 1590 1581 1573 1562 1506 15 6122 9425 5200 3870 3238 2871 2632 2464 2340 2244 2167 2105 2053 2010 1972 1940 1912 1887 1865 1845 1827 1811 1796 1783 1771 1760 1749 1740 1731 1722 1688 1662 1627 1603 1587 1574 1564 1557 1545 1489 16 6135 9429 5196 3864 3230 2863 2623 2454 2330 2233 2156 2094 2042 1998 1961 1928 1900 1875 1852 1833 1815 1798 1784 1770 1758 1747 1736 1726 1717 1709 1674 1649 1613 1589 1572 1559 1550 1542 1530 1473

245

Tabla B.12: Distribuci on F de Snedecor (p = 09)


n1 n2 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 35 40 50 60 70 80 90 100 120 17 6146 9433 5193 3858 3223 2855 2615 2446 2320 2224 2147 2084 2032 1988 1950 1917 1889 1864 1841 1821 1803 1787 1772 1759 1746 1735 1724 1715 1705 1697 1662 1636 1600 1576 1559 1546 1536 1528 1516 1458 18 6157 9436 5190 3853 3217 2848 2607 2438 2312 2215 2138 2075 2023 1978 1941 1908 1879 1854 1831 1811 1793 1777 1762 1748 1736 1724 1714 1704 1695 1686 1651 1625 1588 1564 1547 1534 1524 1516 1504 1445 19 6166 9439 5187 3848 3212 2842 2601 2431 2305 2208 2130 2067 2014 1970 1932 1899 1870 1845 1822 1802 1784 1768 1753 1739 1726 1715 1704 1694 1685 1676 1641 1615 1578 1553 1536 1523 1513 1505 1493 1433 20 6174 9441 5184 3844 3207 2836 2595 2425 2298 2201 2123 2060 2007 1962 1924 1891 1862 1837 1814 1794 1776 1759 1744 1730 1718 1706 1695 1685 1676 1667 1632 1605 1568 1543 1526 1513 1503 1494 1482 1422 25 6205 9451 5175 3828 3187 2815 2571 2400 2272 2174 2095 2031 1978 1933 1894 1860 1831 1805 1782 1761 1742 1726 1710 1696 1683 1671 1660 1650 1640 1632 1595 1568 1529 1504 1486 1472 1461 1453 1440 1377 30 6226 9458 5168 3817 3174 2800 2555 2383 2255 2155 2076 2011 1958 1912 1873 1839 1809 1783 1759 1738 1719 1702 1686 1672 1659 1647 1636 1625 1616 1606 1569 1541 1502 1476 1457 1443 1432 1423 1409 1344 35 6242 9463 5163 3810 3165 2789 2544 2371 2242 2142 2062 1997 1943 1897 1857 1823 1793 1766 1743 1721 1702 1685 1669 1654 1641 1629 1617 1607 1597 1588 1550 1521 1481 1454 1435 1420 1409 1400 1386 1318 40 6253 9466 5160 3804 3157 2781 2535 2361 2232 2132 2052 1986 1931 1885 1845 1811 1781 1754 1730 1708 1689 1671 1655 1641 1627 1615 1603 1592 1583 1573 1535 1506 1465 1437 1418 1403 1391 1382 1368 1297 45 6262 9469 5157 3799 3152 2775 2528 2354 2224 2124 2043 1977 1923 1876 1836 1801 1771 1744 1720 1698 1678 1661 1645 1630 1616 1604 1592 1581 1571 1562 1523 1493 1452 1424 1404 1388 1377 1367 1353 1280 50 6269 9471 5155 3795 3147 2770 2523 2348 2218 2117 2036 1970 1915 1869 1828 1793 1763 1736 1711 1690 1670 1652 1636 1621 1607 1594 1583 1572 1562 1552 1513 1483 1441 1413 1392 1377 1365 1355 1340 1265 60 6279 9475 5151 3790 3140 2762 2514 2339 2208 2107 2026 1960 1904 1857 1817 1782 1751 1723 1699 1677 1657 1639 1622 1607 1593 1581 1569 1558 1547 1538 1497 1467 1424 1395 1374 1358 1346 1336 1320 1242 70 6287 9477 5149 3786 3135 2756 2508 2333 2202 2100 2019 1952 1896 1849 1808 1773 1742 1714 1690 1667 1647 1629 1613 1597 1583 1570 1558 1547 1537 1527 1486 1455 1412 1382 1361 1344 1332 1321 1305 1224 80 6293 9479 5147 3782 3132 2752 2504 2328 2196 2095 2013 1946 1890 1843 1802 1766 1735 1707 1683 1660 1640 1622 1605 1590 1576 1562 1550 1539 1529 1519 1478 1447 1402 1372 1350 1334 1321 1310 1294 1209 90 6297 9480 5145 3780 3129 2749 2500 2324 2192 2090 2009 1942 1886 1838 1797 1761 1730 1702 1677 1655 1634 1616 1599 1584 1569 1556 1544 1533 1522 1512 1471 1439 1395 1364 1342 1325 1312 1301 1284 1197 120 6306 9483 5143 3775 3123 2742 2493 2316 2184 2082 2000 1932 1876 1828 1787 1751 1719 1691 1666 1643 1623 1604 1587 1571 1557 1544 1531 1520 1509 1499 1457 1425 1379 1348 1325 1307 1293 1282 1265 1171 6332 9491 5134 3761 3105 2723 2471 2293 2160 2056 1973 1904 1847 1798 1756 1719 1686 1658 1632 1608 1587 1568 1550 1534 1519 1505 1492 1479 1468 1457 1413 1378 1328 1293 1267 1246 1230 1216 1195 1037

246 Ap endice B. Tablas Estad sticas

Tabla B.13: Distribuci on F de Snedecor (p = 095)


n1 n2 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 35 40 50 60 70 80 90 100 120 1 1614 1851 1013 7709 6608 5987 5591 5318 5117 4965 4844 4747 4667 4600 4543 4494 4451 4414 4381 4351 4325 4301 4279 4260 4242 4225 4210 4196 4183 4171 4121 4085 4034 4001 3978 3960 3947 3936 3920 3843 2 1995 1900 9552 6944 5786 5143 4737 4459 4256 4103 3982 3885 3806 3739 3682 3634 3592 3555 3522 3493 3467 3443 3422 3403 3385 3369 3354 3340 3328 3316 3267 3232 3183 3150 3128 3111 3098 3087 3072 2998 3 2157 1916 9277 6591 5409 4757 4347 4066 3863 3708 3587 3490 3411 3344 3287 3239 3197 3160 3127 3098 3072 3049 3028 3009 2991 2975 2960 2947 2934 2922 2874 2839 2790 2758 2736 2719 2706 2696 2680 2607 4 2246 1925 9117 6388 5192 4534 4120 3838 3633 3478 3357 3259 3179 3112 3056 3007 2965 2928 2895 2866 2840 2817 2796 2776 2759 2743 2728 2714 2701 2690 2641 2606 2557 2525 2503 2486 2473 2463 2447 2374 5 2302 1930 9013 6256 5050 4387 3972 3688 3482 3326 3204 3106 3025 2958 2901 2852 2810 2773 2740 2711 2685 2661 2640 2621 2603 2587 2572 2558 2545 2534 2485 2449 2400 2368 2346 2329 2316 2305 2290 2216 6 2340 1933 8941 6163 4950 4284 3866 3581 3374 3217 3095 2996 2915 2848 2790 2741 2699 2661 2628 2599 2573 2549 2528 2508 2490 2474 2459 2445 2432 2421 2372 2336 2286 2254 2231 2214 2201 2191 2175 2100 7 2368 1935 8887 6094 4876 4207 3787 3500 3293 3135 3012 2913 2832 2764 2707 2657 2614 2577 2544 2514 2488 2464 2442 2423 2405 2388 2373 2359 2346 2334 2285 2249 2199 2167 2143 2126 2113 2103 2087 2011 8 2389 1937 8845 6041 4818 4147 3726 3438 3230 3072 2948 2849 2767 2699 2641 2591 2548 2510 2477 2447 2420 2397 2375 2355 2337 2321 2305 2291 2278 2266 2217 2180 2130 2097 2074 2056 2043 2032 2016 1940 9 2405 1938 8812 5999 4772 4099 3677 3388 3179 3020 2896 2796 2714 2646 2588 2538 2494 2456 2423 2393 2366 2342 2320 2300 2282 2265 2250 2236 2223 2211 2161 2124 2073 2040 2017 1999 1986 1975 1959 1882 10 2419 1940 8785 5964 4735 4060 3637 3347 3137 2978 2854 2753 2671 2602 2544 2494 2450 2412 2378 2348 2321 2297 2275 2255 2236 2220 2204 2190 2177 2165 2114 2077 2026 1993 1969 1951 1938 1927 1910 1833 11 2430 1940 8763 5936 4704 4027 3603 3313 3102 2943 2818 2717 2635 2565 2507 2456 2413 2374 2340 2310 2283 2259 2236 2216 2198 2181 2166 2151 2138 2126 2075 2038 1986 1952 1928 1910 1897 1886 1869 1791 12 2439 1941 8745 5912 4678 4000 3575 3284 3073 2913 2788 2687 2604 2534 2475 2425 2381 2342 2308 2278 2250 2226 2204 2183 2165 2148 2132 2118 2104 2092 2041 2003 1952 1917 1893 1875 1861 1850 1834 1754 13 2447 1942 8729 5891 4655 3976 3550 3259 3048 2887 2761 2660 2577 2507 2448 2397 2353 2314 2280 2250 2222 2198 2175 2155 2136 2119 2103 2089 2075 2063 2012 1974 1921 1887 1863 1845 1830 1819 1803 1722 14 2454 1942 8715 5873 4636 3956 3529 3237 3025 2865 2739 2637 2554 2484 2424 2373 2329 2290 2256 2225 2197 2173 2150 2130 2111 2094 2078 2064 2050 2037 1986 1948 1895 1860 1836 1817 1803 1792 1775 1694 15 2459 1943 8703 5858 4619 3938 3511 3218 3006 2845 2719 2617 2533 2463 2403 2352 2308 2269 2234 2203 2176 2151 2128 2108 2089 2072 2056 2041 2027 2015 1963 1924 1871 1836 1812 1793 1779 1768 1750 1668 16 2465 1943 8692 5844 4604 3922 3494 3202 2989 2828 2701 2599 2515 2445 2385 2333 2289 2250 2215 2184 2156 2131 2109 2088 2069 2052 2036 2021 2007 1995 1942 1904 1850 1815 1790 1772 1757 1746 1728 1646

247

Tabla B.14: Distribuci on F de Snedecor (p = 095)


n1 n2 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 35 40 50 60 70 80 90 100 120 17 2469 1944 8683 5832 4590 3908 3480 3187 2974 2812 2685 2583 2499 2428 2368 2317 2272 2233 2198 2167 2139 2114 2091 2070 2051 2034 2018 2003 1989 1976 1924 1885 1831 1796 1771 1752 1737 1726 1709 1625 18 2473 1944 8675 5821 4579 3896 3467 3173 2960 2798 2671 2568 2484 2413 2353 2302 2257 2217 2182 2151 2123 2098 2075 2054 2035 2018 2002 1987 1973 1960 1907 1868 1814 1778 1753 1734 1720 1708 1690 1606 19 2477 1944 8667 5811 4568 3884 3455 3161 2948 2785 2658 2555 2471 2400 2340 2288 2243 2203 2168 2137 2109 2084 2061 2040 2021 2003 1987 1972 1958 1945 1892 1853 1798 1763 1737 1718 1703 1691 1674 1589 20 2480 1945 8660 5803 4558 3874 3445 3150 2936 2774 2646 2544 2459 2388 2328 2276 2230 2191 2155 2124 2096 2071 2048 2027 2007 1990 1974 1959 1945 1932 1878 1839 1784 1748 1722 1703 1688 1676 1659 1573 25 2493 1946 8634 5769 4521 3835 3404 3108 2893 2730 2601 2498 2412 2341 2280 2227 2181 2141 2106 2074 2045 2020 1996 1975 1955 1938 1921 1906 1891 1878 1824 1783 1727 1690 1664 1644 1629 1616 1598 1508 30 2501 1946 8617 5746 4496 3808 3376 3079 2864 2700 2570 2466 2380 2308 2247 2194 2148 2107 2071 2039 2010 1984 1961 1939 1919 1901 1884 1869 1854 1841 1786 1744 1687 1649 1622 1602 1586 1573 1554 1461 35 2507 1947 8604 5729 4478 3789 3356 3059 2842 2678 2548 2443 2357 2284 2223 2169 2123 2082 2046 2013 1984 1958 1934 1912 1892 1874 1857 1841 1827 1813 1757 1715 1657 1618 1591 1570 1554 1541 1521 1425 40 2511 1947 8594 5717 4464 3774 3340 3043 2826 2661 2531 2426 2339 2266 2204 2151 2104 2063 2026 1994 1965 1938 1914 1892 1872 1853 1836 1820 1806 1792 1735 1693 1634 1594 1566 1545 1528 1515 1495 1396 45 2515 1947 8587 5707 4453 3763 3328 3030 2813 2648 2517 2412 2325 2252 2190 2136 2089 2048 2011 1978 1949 1922 1898 1876 1855 1837 1819 1803 1789 1775 1718 1675 1615 1575 1546 1525 1508 1494 1474 1373 50 2518 1948 8581 5699 4444 3754 3319 3020 2803 2637 2507 2401 2314 2241 2178 2124 2077 2035 1999 1966 1936 1909 1885 1863 1842 1823 1806 1790 1775 1761 1703 1660 1599 1559 1530 1508 1491 1477 1457 1353 60 2522 1948 8572 5688 4431 3740 3304 3005 2787 2621 2490 2384 2297 2223 2160 2106 2058 2017 1980 1946 1916 1889 1865 1842 1822 1803 1785 1769 1754 1740 1681 1637 1576 1534 1505 1482 1465 1450 1429 1321 70 2525 1948 8566 5679 4422 3730 3294 2994 2776 2609 2478 2372 2284 2210 2147 2093 2045 2003 1966 1932 1902 1875 1850 1828 1807 1788 1770 1754 1738 1724 1665 1621 1558 1516 1486 1463 1445 1430 1408 1296 80 2527 1948 8561 5673 4415 3722 3286 2986 2768 2601 2469 2363 2275 2201 2137 2083 2035 1993 1955 1922 1891 1864 1839 1816 1796 1776 1758 1742 1726 1712 1652 1608 1544 1502 1471 1448 1429 1415 1392 1277 90 2529 1948 8557 5668 4409 3716 3280 2980 2761 2594 2462 2356 2267 2193 2130 2075 2027 1985 1947 1913 1883 1856 1830 1808 1787 1767 1749 1733 1717 1703 1643 1597 1534 1491 1459 1436 1417 1402 1379 1260 120 2533 1949 8549 5658 4398 3705 3267 2967 2748 2580 2448 2341 2252 2178 2114 2059 2011 1968 1930 1896 1866 1838 1813 1790 1768 1749 1731 1714 1698 1683 1623 1577 1511 1467 1435 1411 1391 1376 1352 1225 2543 1950 8527 5629 4366 3670 3231 2929 2708 2539 2406 2297 2208 2132 2067 2011 1962 1918 1879 1844 1813 1784 1758 1734 1712 1692 1673 1656 1639 1624 1560 1511 1440 1391 1355 1327 1304 1286 1257 1048

248 Ap endice B. Tablas Estad sticas

Tabla B.15: Distribuci on F de Snedecor (p = 0975)


n1 n2 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 35 40 50 60 70 80 90 100 120 1 6478 3851 1744 1222 1001 8813 8073 7571 7209 6937 6724 6554 6414 6298 6200 6115 6042 5978 5922 5871 5827 5786 5750 5717 5686 5659 5633 5610 5588 5568 5485 5424 5340 5286 5247 5218 5196 5179 5152 5027 2 7995 3900 1604 1065 8434 7260 6542 6059 5715 5456 5256 5096 4965 4857 4765 4687 4619 4560 4508 4461 4420 4383 4349 4319 4291 4265 4242 4221 4201 4182 4106 4051 3975 3925 3890 3864 3844 3828 3805 3692 3 8642 3917 1544 9979 7764 6599 5890 5416 5078 4826 4630 4474 4347 4242 4153 4077 4011 3954 3903 3859 3819 3783 3750 3721 3694 3670 3647 3626 3607 3589 3517 3463 3390 3343 3309 3284 3265 3250 3227 3119 4 8996 3925 1510 9604 7388 6227 5523 5053 4718 4468 4275 4121 3996 3892 3804 3729 3665 3608 3559 3515 3475 3440 3408 3379 3353 3329 3307 3286 3267 3250 3179 3126 3054 3008 2975 2950 2932 2917 2894 2788 5 9218 3930 1488 9364 7146 5988 5285 4817 4484 4236 4044 3891 3767 3663 3576 3502 3438 3382 3333 3289 3250 3215 3183 3155 3129 3105 3083 3063 3044 3026 2956 2904 2833 2786 2754 2730 2711 2696 2674 2569 6 9371 3933 1473 9197 6978 5820 5119 4652 4320 4072 3881 3728 3604 3501 3415 3341 3277 3221 3172 3128 3090 3055 3023 2995 2969 2945 2923 2903 2884 2867 2796 2744 2674 2627 2595 2571 2552 2537 2515 2411 7 9482 3936 1462 9074 6853 5695 4995 4529 4197 3950 3759 3607 3483 3380 3293 3219 3156 3100 3051 3007 2969 2934 2902 2874 2848 2824 2802 2782 2763 2746 2676 2624 2553 2507 2474 2450 2432 2417 2395 2290 8 9566 3937 1454 8980 6757 5600 4899 4433 4102 3855 3664 3512 3388 3285 3199 3125 3061 3005 2956 2913 2874 2839 2808 2779 2753 2729 2707 2687 2669 2651 2581 2529 2458 2412 2379 2355 2336 2321 2299 2194 9 9633 3939 1447 8905 6681 5523 4823 4357 4026 3779 3588 3436 3312 3209 3123 3049 2985 2929 2880 2837 2798 2763 2731 2703 2677 2653 2631 2611 2592 2575 2504 2452 2381 2334 2302 2277 2259 2244 2222 2116 10 9686 3940 1442 8844 6619 5461 4761 4295 3964 3717 3526 3374 3250 3147 3060 2986 2922 2866 2817 2774 2735 2700 2668 2640 2613 2590 2568 2547 2529 2511 2440 2388 2317 2270 2237 2213 2194 2179 2157 2051 11 9730 3941 1437 8794 6568 5410 4709 4243 3912 3665 3474 3321 3197 3095 3008 2934 2870 2814 2765 2721 2682 2647 2615 2586 2560 2536 2514 2494 2475 2458 2387 2334 2263 2216 2183 2158 2140 2124 2102 1995 12 9767 3941 1434 8751 6525 5366 4666 4200 3868 3621 3430 3277 3153 3050 2963 2889 2825 2769 2720 2676 2637 2602 2570 2541 2515 2491 2469 2448 2430 2412 2341 2288 2216 2169 2136 2111 2092 2077 2055 1947 13 9798 3942 1430 8715 6488 5329 4628 4162 3831 3583 3392 3239 3115 3012 2925 2851 2786 2730 2681 2637 2598 2563 2531 2502 2476 2452 2429 2409 2390 2372 2301 2248 2176 2129 2095 2071 2051 2036 2014 1905 14 9825 3943 1428 8684 6456 5297 4596 4130 3798 3550 3359 3206 3082 2979 2891 2817 2753 2696 2647 2603 2564 2528 2497 2468 2441 2417 2395 2374 2355 2338 2266 2213 2140 2093 2059 2035 2015 2000 1977 1868 15 9849 3943 1425 8657 6428 5269 4568 4101 3769 3522 3330 3177 3053 2949 2862 2788 2723 2667 2617 2573 2534 2498 2466 2437 2411 2387 2364 2344 2325 2307 2235 2182 2109 2061 2028 2003 1983 1968 1945 1835 16 9869 3944 1423 8633 6403 5244 4543 4076 3744 3496 3304 3152 3027 2923 2836 2761 2697 2640 2591 2547 2507 2472 2440 2411 2384 2360 2337 2317 2298 2280 2207 2154 2081 2033 1999 1974 1955 1939 1916 1806

249

Tabla B.16: Distribuci on F de Snedecor (p = 0975)


n1 n2 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 35 40 50 60 70 80 90 100 120 17 9887 3944 1421 8611 6381 5222 4521 4054 3722 3474 3282 3129 3004 2900 2813 2738 2673 2617 2567 2523 2483 2448 2416 2386 2360 2335 2313 2292 2273 2255 2183 2129 2056 2008 1974 1948 1929 1913 1890 1779 18 9903 3944 1420 8592 6362 5202 4501 4034 3701 3453 3261 3108 2983 2879 2792 2717 2652 2596 2546 2501 2462 2426 2394 2365 2338 2314 2291 2270 2251 2233 2160 2107 2033 1985 1950 1925 1905 1890 1866 1754 19 9918 3945 1418 8575 6344 5184 4483 4016 3683 3435 3243 3090 2965 2861 2773 2698 2633 2576 2526 2482 2442 2407 2374 2345 2318 2294 2271 2251 2231 2213 2140 2086 2012 1964 1929 1904 1884 1868 1845 1732 20 9931 3945 1417 8560 6329 5168 4467 3999 3667 3419 3226 3073 2948 2844 2756 2681 2616 2559 2509 2464 2425 2389 2357 2327 2300 2276 2253 2232 2213 2195 2122 2068 1993 1944 1910 1884 1864 1849 1825 1711 25 9981 3946 1412 8501 6268 5107 4405 3937 3604 3355 3162 3008 2882 2778 2689 2614 2548 2491 2441 2396 2356 2320 2287 2257 2230 2205 2183 2161 2142 2124 2049 1994 1919 1869 1833 1807 1787 1770 1746 1629 30 1001 3946 1408 8461 6227 5065 4362 3894 3560 3311 3118 2963 2837 2732 2644 2568 2502 2445 2394 2349 2308 2272 2239 2209 2182 2157 2133 2112 2092 2074 1999 1943 1866 1815 1779 1752 1731 1715 1690 1569 35 1004 3947 1406 8433 6197 5035 4332 3863 3529 3279 3086 2931 2805 2699 2610 2534 2468 2410 2359 2314 2273 2237 2204 2173 2146 2120 2097 2076 2056 2037 1961 1905 1827 1775 1739 1711 1690 1673 1647 1523 40 1006 3947 1404 8411 6175 5012 4309 3840 3505 3255 3061 2906 2780 2674 2585 2509 2442 2384 2333 2287 2246 2210 2176 2146 2118 2093 2069 2048 2028 2009 1932 1875 1796 1744 1707 1679 1657 1640 1614 1487 45 1007 3948 1402 8394 6158 4995 4291 3821 3487 3237 3042 2887 2760 2654 2565 2488 2422 2364 2312 2266 2225 2188 2155 2124 2096 2071 2047 2025 2005 1986 1909 1852 1772 1719 1681 1653 1631 1614 1587 1457 50 1008 3948 1401 8381 6144 4980 4276 3807 3472 3221 3027 2871 2744 2638 2549 2472 2405 2347 2295 2249 2208 2171 2137 2107 2079 2053 2029 2007 1987 1968 1890 1832 1752 1699 1660 1632 1610 1592 1565 1432 60 1010 3948 1399 8360 6123 4959 4254 3784 3449 3198 3004 2848 2720 2614 2524 2447 2380 2321 2270 2223 2182 2145 2111 2080 2052 2026 2002 1980 1959 1940 1861 1803 1721 1667 1628 1599 1576 1558 1530 1392 70 1011 3948 1398 8346 6107 4943 4239 3768 3433 3182 2987 2831 2703 2597 2506 2429 2362 2303 2251 2205 2163 2125 2091 2060 2032 2006 1982 1959 1939 1920 1840 1781 1698 1643 1604 1574 1551 1532 1504 1361 80 1012 3949 1397 8335 6096 4932 4227 3756 3421 3169 2974 2818 2690 2583 2493 2415 2348 2289 2237 2190 2148 2111 2077 2045 2017 1991 1966 1944 1923 1904 1824 1764 1681 1625 1585 1555 1531 1512 1483 1337 90 1013 3949 1396 8326 6087 4923 4218 3747 3411 3160 2964 2808 2680 2573 2482 2405 2337 2278 2226 2179 2137 2099 2065 2034 2005 1979 1954 1932 1911 1892 1811 1751 1667 1611 1570 1540 1516 1496 1467 1317 120 1014 3949 1395 8309 6069 4904 4199 3728 3392 3140 2944 2787 2659 2552 2461 2383 2315 2256 2203 2156 2114 2076 2041 2010 1981 1954 1930 1907 1886 1866 1785 1724 1639 1581 1539 1508 1483 1463 1433 1273 1018 3950 1390 8259 6017 4850 4144 3672 3334 3081 2884 2726 2597 2489 2397 2318 2249 2189 2135 2087 2044 2005 1970 1937 1907 1880 1855 1831 1809 1789 1704 1639 1548 1485 1438 1403 1374 1351 1314 1057

250 Ap endice B. Tablas Estad sticas

Tabla B.17: Distribuci on F de Snedecor (p = 099)


n1 n2 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 35 40 50 60 70 80 90 100 120 1 4052 9850 3412 2120 1626 1375 1225 1126 1056 1004 9646 9330 9074 8862 8683 8531 8400 8285 8185 8096 8017 7945 7881 7823 7770 7721 7677 7636 7598 7562 7419 7314 7171 7077 7011 6963 6925 6895 6851 6640 2 4999 9900 3082 1800 1327 1092 9547 8649 8022 7559 7206 6927 6701 6515 6359 6226 6112 6013 5926 5849 5780 5719 5664 5614 5568 5526 5488 5453 5420 5390 5268 5178 5057 4977 4922 4881 4849 4824 4787 4609 3 5404 9916 2946 1669 1206 9780 8451 7591 6992 6552 6217 5953 5739 5564 5417 5292 5185 5092 5010 4938 4874 4817 4765 4718 4675 4637 4601 4568 4538 4510 4396 4313 4199 4126 4074 4036 4007 3984 3949 3786 4 5624 9925 2871 1598 1139 9148 7847 7006 6422 5994 5668 5412 5205 5035 4893 4773 4669 4579 4500 4431 4369 4313 4264 4218 4177 4140 4106 4074 4045 4018 3908 3828 3720 3649 3600 3563 3535 3513 3480 3323 5 5764 9930 2824 1552 1097 8746 7460 6632 6057 5636 5316 5064 4862 4695 4556 4437 4336 4248 4171 4103 4042 3988 3939 3895 3855 3818 3785 3754 3725 3699 3592 3514 3408 3339 3291 3255 3228 3206 3174 3021 6 5859 9933 2791 1521 1067 8466 7191 6371 5802 5386 5069 4821 4620 4456 4318 4202 4101 4015 3939 3871 3812 3758 3710 3667 3627 3591 3558 3528 3499 3473 3368 3291 3186 3119 3071 3036 3009 2988 2956 2806 7 5928 9936 2767 1498 1046 8260 6993 6178 5613 5200 4886 4640 4441 4278 4142 4026 3927 3841 3765 3699 3640 3587 3539 3496 3457 3421 3388 3358 3330 3305 3200 3124 3020 2953 2906 2871 2845 2823 2792 2643 8 5981 9938 2749 1480 1029 8102 6840 6029 5467 5057 4744 4499 4302 4140 4004 3890 3791 3705 3631 3564 3506 3453 3406 3363 3324 3288 3256 3226 3198 3173 3069 2993 2890 2823 2777 2742 2715 2694 2663 2515 9 6022 9939 2734 1466 1016 7976 6719 5911 5351 4942 4632 4388 4191 4030 3895 3780 3682 3597 3523 3457 3398 3346 3299 3256 3217 3182 3149 3120 3092 3067 2963 2888 2785 2718 2672 2637 2611 2590 2559 2411 10 6056 9940 2723 1455 1005 7874 6620 5814 5257 4849 4539 4296 4100 3939 3805 3691 3593 3508 3434 3368 3310 3258 3211 3168 3129 3094 3062 3032 3005 2979 2876 2801 2698 2632 2585 2551 2524 2503 2472 2324 11 6083 9941 2713 1445 9963 7790 6538 5734 5178 4772 4462 4220 4025 3864 3730 3616 3518 3434 3360 3294 3236 3184 3137 3094 3056 3021 2988 2959 2931 2906 2803 2727 2625 2559 2512 2478 2451 2430 2399 2251 12 6107 9942 2705 1437 9888 7718 6469 5667 5111 4706 4397 4155 3960 3800 3666 3553 3455 3371 3297 3231 3173 3121 3074 3032 2993 2958 2926 2896 2868 2843 2740 2665 2563 2496 2450 2415 2389 2368 2336 2188 13 6126 9942 2698 1431 9825 7657 6410 5609 5055 4650 4342 4100 3905 3745 3612 3498 3401 3316 3242 3177 3119 3067 3020 2977 2939 2904 2872 2842 2814 2789 2686 2611 2508 2442 2395 2361 2334 2313 2282 2133 14 6143 9943 2692 1425 9770 7605 6359 5559 5005 4601 4293 4052 3857 3698 3564 3451 3353 3269 3195 3130 3072 3019 2973 2930 2892 2857 2824 2795 2767 2742 2639 2563 2461 2394 2348 2313 2286 2265 2234 2085 15 6157 9943 2687 1420 9722 7559 6314 5515 4962 4558 4251 4010 3815 3656 3522 3409 3312 3227 3153 3088 3030 2978 2931 2889 2850 2815 2783 2753 2726 2700 2597 2522 2419 2352 2306 2271 2244 2223 2191 2042 16 6170 9944 2683 1415 9680 7519 6275 5477 4924 4520 4213 3972 3778 3619 3485 3372 3275 3190 3116 3051 2993 2941 2894 2852 2813 2778 2746 2716 2689 2663 2560 2484 2382 2315 2268 2233 2206 2185 2154 2004

251

Tabla B.18: Distribuci on F de Snedecor (p = 099)


n1 n2 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 35 40 50 60 70 80 90 100 120 17 6181 9944 2679 1411 9643 7483 6240 5442 4890 4487 4180 3939 3745 3586 3452 3339 3242 3158 3084 3018 2960 2908 2861 2819 2780 2745 2713 2683 2656 2630 2527 2451 2348 2281 2234 2199 2172 2151 2119 1969 18 6191 9944 2675 1408 9609 7451 6209 5412 4860 4457 4150 3910 3716 3556 3423 3310 3212 3128 3054 2989 2931 2879 2832 2789 2751 2715 2683 2653 2626 2600 2497 2421 2318 2251 2204 2169 2142 2120 2089 1937 19 6201 9945 2672 1405 9580 7422 6181 5384 4833 4430 4123 3883 3689 3529 3396 3283 3186 3101 3027 2962 2904 2852 2805 2762 2724 2688 2656 2626 2599 2573 2470 2394 2290 2223 2176 2141 2114 2092 2060 1908 20 6209 9945 2669 1402 9553 7396 6155 5359 4808 4405 4099 3858 3665 3505 3372 3259 3162 3077 3003 2938 2880 2827 2780 2738 2699 2664 2632 2602 2574 2549 2445 2369 2265 2198 2150 2115 2088 2067 2035 1882 25 6240 9946 2658 1391 9449 7296 6058 5263 4713 4311 4005 3765 3571 3412 3278 3165 3068 2983 2909 2843 2785 2733 2686 2643 2604 2569 2536 2506 2478 2453 2348 2271 2167 2098 2050 2015 1987 1965 1932 1776 30 6260 9947 2650 1384 9379 7229 5992 5198 4649 4247 3941 3701 3507 3348 3214 3101 3003 2919 2844 2778 2720 2667 2620 2577 2538 2503 2470 2440 2412 2386 2281 2203 2098 2028 1980 1944 1916 1893 1860 1700 35 6275 9947 2645 1379 9329 7180 5944 5151 4602 4201 3895 3654 3461 3301 3167 3054 2956 2871 2797 2731 2672 2620 2572 2529 2490 2454 2421 2391 2363 2337 2231 2153 2046 1976 1927 1890 1862 1839 1806 1642 40 6286 9948 2641 1375 9291 7143 5908 5116 4567 4165 3860 3619 3425 3266 3132 3018 2920 2835 2761 2695 2636 2583 2536 2492 2453 2417 2384 2354 2325 2299 2193 2114 2007 1936 1886 1849 1820 1797 1763 1596 45 6296 9948 2638 1371 9262 7115 5880 5088 4539 4138 3832 3592 3398 3238 3104 2990 2892 2807 2732 2666 2607 2554 2506 2463 2424 2388 2354 2324 2296 2269 2162 2083 1975 1904 1853 1816 1787 1763 1728 1559 50 6302 9948 2635 1369 9238 7091 5858 5065 4517 4115 3810 3569 3375 3215 3081 2967 2869 2784 2709 2643 2584 2531 2483 2440 2400 2364 2330 2300 2271 2245 2137 2058 1949 1877 1826 1788 1759 1735 1700 1527 60 6313 9948 2632 1365 9202 7057 5824 5032 4483 4082 3776 3535 3341 3181 3047 2933 2835 2749 2674 2608 2548 2495 2447 2403 2364 2327 2294 2263 2234 2208 2099 2019 1909 1836 1785 1746 1716 1692 1656 1477 70 6321 9948 2629 1363 9176 7032 5799 5007 4459 4058 3752 3511 3317 3157 3022 2908 2810 2724 2649 2582 2523 2469 2421 2377 2337 2301 2267 2236 2207 2181 2072 1991 1880 1806 1754 1714 1684 1659 1623 1439 80 6326 9948 2627 1361 9157 7013 5781 4989 4441 4039 3734 3493 3298 3138 3004 2889 2791 2705 2630 2563 2503 2450 2401 2357 2317 2281 2247 2216 2187 2160 2050 1969 1857 1783 1730 1690 1659 1634 1597 1409 90 6331 9949 2625 1359 9142 6998 5766 4975 4426 4025 3719 3478 3284 3124 2989 2875 2776 2690 2614 2548 2488 2434 2386 2342 2302 2265 2231 2200 2171 2144 2034 1952 1839 1764 1711 1671 1639 1614 1576 1384 120 6340 9949 2622 1356 9112 6969 5737 4946 4398 3996 3690 3449 3255 3094 2959 2845 2746 2660 2584 2517 2457 2403 2354 2310 2270 2233 2198 2167 2138 2111 2000 1917 1803 1726 1672 1630 1598 1572 1533 1330 6366 9950 2613 1347 9023 6882 5652 4861 4313 3911 3605 3363 3168 3006 2871 2755 2655 2568 2492 2424 2363 2308 2258 2213 2172 2134 2099 2067 2037 2009 1894 1808 1686 1604 1544 1498 1461 1431 1385 1068

252 Ap endice B. Tablas Estad sticas

Tabla B.19: Distribuci on F de Snedecor (p = 0995)


n1 n2 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 35 40 50 60 70 80 90 100 120 1 16212 1985 5555 3133 2278 1863 1624 1469 1361 1283 1223 1175 1137 1106 1080 1058 1038 1022 1007 9944 9829 9727 9635 9551 9475 9406 9342 9284 9230 9180 8976 8828 8626 8495 8403 8335 8282 8241 8179 7886 2 19997 1990 4980 2628 1831 1454 1240 1104 1011 9427 8912 8510 8186 7922 7701 7514 7354 7215 7093 6987 6891 6806 6730 6661 6598 6541 6489 6440 6396 6355 6188 6066 5902 5795 5720 5665 5623 5589 5539 5304 3 21614 1992 4747 2426 1653 1292 1088 9597 8717 8081 7600 7226 6926 6680 6476 6303 6156 6028 5916 5818 5730 5652 5582 5519 5462 5409 5361 5317 5276 5239 5086 4976 4826 4729 4661 4611 4573 4542 4497 4284 4 22501 1992 4620 2315 1556 1203 1005 8805 7956 7343 6881 6521 6233 5998 5803 5638 5497 5375 5268 5174 5091 5017 4950 4890 4835 4785 4740 4698 4659 4623 4479 4374 4232 4140 4076 4028 3992 3963 3921 3720 5 23056 1993 4539 2246 1494 1146 9522 8302 7471 6872 6422 6071 5791 5562 5372 5212 5075 4956 4853 4762 4681 4609 4544 4486 4433 4384 4340 4300 4262 4228 4088 3986 3849 3760 3698 3652 3617 3589 3548 3355 6 23440 1993 4484 2198 1451 1107 9155 7952 7134 6545 6102 5757 5482 5257 5071 4913 4779 4663 4561 4472 4393 4322 4259 4202 4150 4103 4059 4020 3983 3949 3812 3713 3579 3492 3431 3387 3352 3325 3285 3096 7 23715 1994 4443 2162 1420 1079 8885 7694 6885 6303 5865 5524 5253 5031 4847 4692 4559 4445 4345 4257 4179 4109 4047 3991 3939 3893 3850 3811 3775 3742 3607 3509 3376 3291 3232 3188 3154 3127 3087 2901 8 23924 1994 4413 2135 1396 1057 8678 7496 6693 6116 5682 5345 5076 4857 4674 4521 4389 4276 4177 4090 4013 3944 3882 3826 3776 3730 3687 3649 3613 3580 3447 3350 3219 3134 3076 3032 2999 2972 2933 2749 9 24091 1994 4388 2114 1377 1039 8514 7339 6541 5968 5537 5202 4935 4717 4536 4384 4254 4141 4043 3956 3880 3812 3750 3695 3645 3599 3557 3519 3483 3451 3318 3222 3092 3008 2950 2907 2873 2847 2808 2625 10 24222 1994 4368 2097 1362 1025 8380 7211 6417 5847 5418 5085 4820 4603 4424 4272 4142 4030 3933 3847 3771 3703 3642 3587 3537 3492 3450 3412 3376 3344 3212 3117 2988 2904 2846 2803 2770 2744 2705 2523 11 24334 1994 4352 2082 1349 1013 8270 7105 6314 5746 5320 4988 4724 4508 4329 4179 4050 3938 3841 3756 3680 3612 3551 3497 3447 3402 3360 3322 3287 3255 3124 3028 2900 2817 2759 2716 2683 2657 2618 2437 12 24427 1994 4339 2070 1338 1003 8176 7015 6227 5661 5236 4906 4643 4428 4250 4099 3971 3860 3763 3678 3602 3535 3474 3420 3370 3325 3284 3246 3211 3179 3048 2953 2825 2742 2684 2641 2608 2583 2544 2363 13 24505 1994 4327 2060 1329 9950 8097 6938 6153 5589 5165 4836 4573 4359 4181 4031 3903 3793 3696 3611 3536 3469 3408 3354 3304 3259 3218 3180 3145 3113 2983 2888 2760 2677 2619 2577 2544 2518 2479 2298 14 24572 1994 4317 2051 1321 9878 8028 6872 6089 5526 5103 4775 4513 4299 4122 3972 3844 3734 3638 3553 3478 3411 3351 3296 3247 3202 3161 3123 3088 3056 2926 2831 2703 2620 2563 2520 2487 2461 2423 2241 15 24632 1994 4308 2044 1315 9814 7968 6814 6032 5471 5049 4721 4460 4247 4070 3920 3793 3683 3587 3502 3427 3360 3300 3246 3196 3151 3110 3073 3038 3006 2876 2781 2653 2570 2513 2470 2437 2411 2373 2191 16 24684 1994 4301 2037 1309 9758 7915 6763 5983 5422 5001 4674 4413 4201 4024 3875 3747 3637 3541 3457 3382 3315 3255 3201 3152 3107 3066 3028 2993 2961 2831 2737 2609 2526 2468 2425 2393 2367 2328 2146

253

Tabla B.20: Distribuci on F de Snedecor (p = 0995)


n1 n2 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 35 40 50 60 70 80 90 100 120 17 24728 1994 4294 2031 1303 9709 7868 6718 5939 5379 4959 4632 4372 4159 3983 3834 3707 3597 3501 3416 3342 3275 3215 3161 3111 3067 3026 2988 2953 2921 2791 2697 2569 2486 2428 2385 2353 2326 2288 2105 18 24766 1994 4288 2026 1298 9664 7826 6678 5899 5340 4921 4595 4334 4122 3946 3797 3670 3560 3464 3380 3305 3239 3179 3125 3075 3031 2990 2952 2917 2885 2755 2661 2533 2450 2392 2349 2316 2290 2251 2069 19 24803 1994 4283 2021 1294 9625 7788 6641 5864 5306 4886 4561 4301 4089 3913 3764 3637 3527 3432 3348 3273 3206 3146 3092 3043 2998 2957 2919 2885 2853 2723 2628 2500 2417 2359 2316 2283 2257 2218 2035 20 24837 1994 4278 2017 1290 9589 7754 6608 5832 5274 4855 4530 4270 4059 3883 3734 3607 3498 3402 3318 3243 3176 3116 3062 3013 2968 2927 2890 2855 2823 2693 2598 2470 2387 2329 2286 2253 2227 2188 2004 25 24959 1994 4259 2000 1276 9451 7623 6482 5708 5153 4736 4412 4153 3942 3766 3618 3492 3382 3287 3203 3128 3061 3001 2947 2898 2853 2812 2775 2740 2708 2577 2482 2353 2270 2211 2168 2134 2108 2069 1882 30 25041 1995 4247 1989 1266 9358 7534 6396 5625 5071 4654 4331 4073 3862 3687 3539 3412 3303 3208 3123 3049 2982 2922 2868 2819 2774 2733 2695 2660 2628 2497 2401 2272 2187 2128 2084 2051 2024 1984 1794 35 25101 1995 4238 1981 1258 9291 7471 6334 5564 5011 4595 4272 4015 3804 3629 3481 3355 3245 3150 3066 2991 2924 2864 2810 2761 2716 2674 2636 2601 2569 2438 2342 2211 2126 2067 2022 1988 1961 1921 1727 40 25146 1995 4231 1975 1253 9241 7422 6288 5519 4966 4551 4228 3970 3760 3585 3437 3311 3201 3106 3022 2947 2880 2820 2765 2716 2671 2630 2592 2557 2524 2392 2296 2164 2079 2019 1974 1939 1912 1871 1674 45 25183 1995 4226 1971 1249 9201 7385 6251 5483 4931 4516 4193 3936 3725 3550 3403 3276 3167 3071 2987 2912 2845 2785 2730 2681 2636 2594 2556 2521 2488 2356 2259 2127 2041 1980 1935 1900 1873 1831 1631 50 25213 1995 4221 1967 1245 9170 7354 6222 5454 4902 4488 4165 3908 3697 3523 3375 3248 3139 3043 2959 2884 2817 2756 2702 2652 2607 2565 2527 2492 2459 2327 2230 2097 2010 1949 1903 1868 1840 1798 1595 60 25254 1995 4215 1961 1240 9122 7309 6177 5410 4859 4445 4123 3866 3655 3480 3332 3206 3096 3000 2916 2841 2774 2713 2658 2609 2563 2522 2483 2448 2415 2282 2184 2050 1962 1900 1854 1818 1790 1747 1538 70 25284 1995 4210 1957 1237 9088 7276 6145 5379 4828 4414 4092 3835 3625 3450 3302 3175 3065 2970 2885 2810 2742 2682 2627 2577 2532 2490 2451 2416 2383 2249 2150 2015 1927 1864 1817 1781 1752 1709 1494 80 25306 1995 4207 1954 1234 9062 7251 6121 5356 4805 4391 4069 3812 3602 3427 3279 3152 3042 2946 2861 2786 2719 2658 2603 2553 2508 2466 2427 2391 2358 2224 2125 1989 1900 1837 1789 1752 1723 1679 1460 90 25325 1995 4204 1952 1232 9042 7232 6102 5337 4787 4373 4051 3794 3584 3409 3261 3134 3024 2928 2843 2768 2700 2639 2584 2534 2489 2447 2408 2372 2339 2204 2105 1968 1878 1815 1767 1730 1700 1655 1431 120 25358 1995 4199 1947 1227 9001 7193 6065 5300 4750 4337 4015 3758 3547 3372 3224 3097 2987 2891 2806 2730 2663 2602 2546 2496 2450 2408 2369 2333 2300 2164 2064 1925 1834 1769 1720 1682 1652 1606 1370 25462 1995 4183 1933 1215 8882 7079 5953 5190 4641 4228 3907 3649 3439 3263 3114 2987 2876 2779 2693 2617 2548 2487 2431 2379 2333 2290 2250 2213 2179 2039 1935 1790 1692 1622 1568 1525 1490 1436 1076

254 Ap endice B. Tablas Estad sticas

Estad stica Descriptiva y Probabilidad. Teor a y Problemas (Revisi on: Febrero 2006) I. Espejo Miranda, F. Fern andez Palac n, M. A. L opez S anchez, M. Mu noz M arquez, A. M. Rodr guez Ch a, A. S anchez Navas, C Valero Franco c 2006 Servicio de Publicaciones de la Universidad de C adiz. Documento bajo Licencia de Documentaci on Libre de GNU (Versi on 1.2 o posterior). http://www.uca.es/teloydisren

Ap endice C Bibliograf a

Bibliograf a
[1] G. Arnaiz. Introducci on a la Estad stica Te orica. Lex Nova, 1986. [2] S. J. Bar o Llina. Estad stica Descriptiva. Parram on, 1985. [3] J. Bar o Llin as. C alculo de Probabilidades. Parram on, 1987. [4] G. Calot. Curso de Estad stica Descriptiva. Paraninfo, 1970. [5] F. Calvo. Estad stica Aplicada. Deusto, 1989. [6] G. C. Canavos. Probabilidad y Estad stica: Aplicaciones y M etodos. McGraw Hill, 1992. [7] E. Casa Aruta. 200 Problemas de Estad stica Descriptiva. Vicens Vives, 1979. [8] H. Cramer. Teor a de Probabilidades y Aplicaciones. Aguilar, 1968. [9] C. M. Cuadras. Problemas de Probabilidades y Estad stica, Vol. I: Probabilidades. EUB, 1995. [10] M. H. DeGrout. Probabilidad y Estad stica. AddisonWesley, 1968. [11] A. I. Durand and S. L. Ipi na. Introducci on a la Teor a de la Probabilidad y la Inferencia Estad stica. Rueda, 1994. [12] R. Escuder Vall es. Estad stica Econ omica y Empresarial. Tebar Flores, 1982.

257 [13] W. Feller. An Introduction to Probability Theory and its Applications. Wiley, 1978. [14] N. L. Johnson and S. Kotz. Discrete Distributions. Wiley, 1969. [15] N. L. Johnson and S. Kotz. Distributions in Statistics: Continuous Univariate Distributions. Wiley, 1970. [16] J. G. Kalbeisch. Probabilidad e Inferencia Estad stica. AC, 1984. [17] J. M. Keynes. A Treatise on Probability. Macmillan, 1921. [18] P. S. Laplace. Th eorie Analytique des Probabilities. Gauthier Villars, 1812. [19] P. S. Laplace. Ensayo Filos oco sobre las Probabilidades. Alianza, 1985. [20] J. L obez Urqu a and E. Casa Aruta. Estad stica Intermedia. Vicens Vives, 1975. [21] M. Loeve. Teor a de la Probabilidad. Tecnos, 1976. [22] A. Mart n Andr es and J. D. Luna del Castillo. Bioestad stica para Las Ciencias de la Salud. Norma, 1994. [23] P. Mart n-Guzm an, F. J. Mart n Pliego, and otros. Curso B asico de Estad stica Econ omica. AC, 1989. [24] F. J. Mart n Pliego. Introducci on a la Estad stica Econ omica y Empresarial. AC, 1994. [25] F. J. Mart n Pliego and L Ruiz-Maya. Estad stica I: Probabilidad. AC, 1995. [26] J. Montero, L. Pardo, D. Morales, and V. Quesada. Ejercicios Y Problemas de C alculo de Probabilidades. D az de Santos, 1988. [27] D. Montgomery. Dise no y An alisis de Experimentos. Grupo Editorial Iberoam erica, 1991. [28] A. Mood and F. Graybill. Introducci on a la Teor a de la Estad stica. Aguilar, 1978.

258 [29] P. A. P. Mor an. An Introduction to Probability Theory. Oxford University Press, 1968. [30] E. Parzen. Teor a Moderna de Probabilidades y sus Aplicaciones. Limusa, 1979. [31] D. Pe na. Estad stica. Modelos y M etodos. Alianza Universidad, 1991. [32] D. Pe na S anchez de Rivera. Estad stica, Modelos y M etodos. Vol. I, Fundamentos. AUT, 1992. [33] R. P erez Su arez, A. L opez, C. Caso, M. J. R o, M. Alvargonz alez, N. Mu noz, and J. Baudilio Garc a. An alisis de Datos Econ omicos I, M etodos Descriptivos. Pir amide, 1993. [34] V. Quesada and A. Garc a. Curso B asico de C alculo de Probabilidades. ICE, 1985. [35] V. Quesada and A. Garc a. Lecciones de C alculo de Probabilidades. D az de Santos, 1988. [36] A. R enyi. C alculo de Probabilidades. Revert e, 1976. [37] S. R os. M etodos Estad sticos. Castillo, 1967. [38] S. R os. Iniciaci on Estad stica. ICE, 1977. [39] V. K. Rohatgi. An Introduction to Probability Theory and Mathematical Statistics. Wiley, 1977. [40] L. Ruiz Maya. Problemas de Estad stica. AC, 1986. [41] A. Sarabia and C. Mat e. Problemas de Probabilidad y Estad stica. Clagsa, 1993. [42] M. R. Spiegel. Estad stica. McGrawHill, 1970. [43] H. G. Tucker. Introducci on a la Teor a Matem atica de las Probabilidades y la Estad stica. Vicens Vives, 1972. [44] E. Uriel and M. Mu niz. Estad stica Econ omica y Empresarial. AC, 1988.