Anda di halaman 1dari 387

I

I
I
l
L
I

YESTADISTICA

tt

l
-

TEOR.IA y
760 problennos
resueltos

r.

I
'L iL .- L.-!
L\-.,
l-
r
lLt\

t
I i
i r

LLI

rt,
l'l L
I
LL-t_
\

-[\:-LL--

r.

lli

i -i I
lI

,. !

L!

SPEGEL
www.tutomundi.com

L. _
I

-L

- L\

\-

t-'l --qI

Il-!' '-

r. r-t -t_C_

) r l
.

r l
, i L-:

MURRAY R.

L Il.-\I r,L\Ll

---\-

it I r- i_l 1 r- _l
J.t

l.r,.i \-L L L\*-

Ll I

c-

[t.---i-]

\\r)ll

llriIi\..

r-I

I , .' l.'l

SERIE DE COMPENDIOS SCHAUM

IEONIA Y PROBTEIUIAS

LIIIAII
TIGA
Por:

MURRAY R. SP!EGEL Ph.D.


Antiguo hofesor y Director
del Departamento de Matemticu
Rensselaer Poly teehnb Institute
Tladucido por:
JAIRO OSUNA SUAREZ

Bogott, Colombit

Li

iu

MEXICO PANAMA MADRID BOGOTA SAO PAULO NUEVA YORK


AUCKLAND DUSSELDORF JOHANNESBURG LONDRES MONTREAL NUEVA
PARIS SINGAPUR SAN FRANCISCO ST. LOUIS TOK IO TORONTO

www.tutomundi.com

DELHI

PROBABI LIDAD Y ESTADISTICA


Prohibida la reproduccin total o parcial de esta obra,

por cualquier rnedio, sin autorizacin escrta del edtor.


DERECHOS RESERVADOS

Copyrght O 19zG,Vespecto a la edicin en espaol, por


LIBROS McGRAW-HILL DE MEXtCO. S. A. de C. V.
Atlacomulco 499-501, Naucalpan de Jurez, Edo. de Mxico.
Miembro de la Cmara Nacional de la Ind. Editorial. Reg. nm.465
0-07-090922-9
Traducido de la primera edicin en ingls de

PROBABLITY
AND STATISTICS
copyrght @ lszs, by McGRAW-HtLL, BooK, co., tNC., U.s.A.
234567A901
cc-76
7.t23456981
printed n Mexico
lmpreso en Mxico
Esta obra se terrnin en enero de 1g77
en Ltogrfica Ingramex, S. A.
Centeno 162, Col. Granjas Esrneralda,
Mxico 13. D. F.
Se

tiraron 15 800 eiemplares.

www.tutomundi.com

Prlogo
El importante y fascinante tema de la probabilidad comenz en el siglo
XVII con los esfuerzos de matemticos como Fermat y Pascal en resolver

preguntas relacionadas con los juegos del aza. Hasta el siglo XX se desarolla
una teora matemtica riggrosa basada sobre axiomas, definiciones y teore'
mas. Con el correr de los aos, la teora de probabilidad encuentra su cauce
en muchas aplicaciones, no solamente en ingeniera, ciencias y matemticas
sino tambin en carnpos como la agricultura, la administracin de empresag,
la medicina y la sicologa. En muchos casos las aplicaciones contribuyen al
desarrollo ulterior de la teora

El tema de la estadstica se origin con anterioridad al de probabilidad,


trata principalmente de la coleccin, organizacin y presentacin de los datos en tablas y grficos. Con el advenimiento de la probabilidad se puso de
manifiesto que la estadstica podra emplearse en la extraccin de conclusio'
nes vlidas y en la toma de decisiones razonables sobre la base del anlisis de
datos, por ejemplo en la teora de muestreo y prediccin.
El propsito del libro es presentar una introduccin moderna a la probabilidad y la estadstica suponiendo un conocimiento del clculo. Por conveniencia el libro se divide en dos partes. La primera trata con probabilidad (y
en s puede utilizarse como introduccin al tema) y la segUnda trata con es'
tadstica.

El libro se dise para utilizarse como texto de un curso formal en pro'


babilidad y estadstica o como suplemento a los textcs tpicos. Tambin es
de considerable valor como libro de referencia para investigadores o para
aquellos interesados en el tema. El libro puede emplearse para un curso anual
o mediante una seleccin juiciosa de los temas para un curso semestral.
Agradezco al Ejecutor Literario del Sir Ronald A. Fisher, F. R. S., al doctor Frank Yates, F. R. S., y a Longman Group Ltda., Londres, por el permiso para utilizar la tabla III de su libro Statistical Tables for Biological, Agicultural and Medical Research (6a. edicin,1974). Deseo aprovechar esta
oportunidad para agradecer a David Beckwith por su sobresaliente edicin y
a Nicola

Monti por su habilidad artstica.


M. R. SPIEGEL

Septiembre 1975

www.tutomundi.com

Contenido
PRIMERA PARTE
Captulo

Ca1to 2

PROBABILIDAD
Pg.

CONJUNTOS Y PROBABILIDAD

VARIABLES ALEATORIAS
Y DISTRIBUCIONES DE PROBABILIDAD.

38

76

captulo

ESPERANZA MATEMATICA

Capftulo

DISTRIBUCION DE PROBABILIDAD CON NOMBRE

PROPIO

. . 108
Distribucin binomial o de Bernoulli. Alguns propiedades de la distribucin binomial.
La ley de los grarides nmeros para las pruebas d Bernulli, Distribucin normal. Al-

gunas propiedades de la distribucin normalr Relacin entre las


distribuciones binomial
n
n de poission.
Rel
las ditribucio-

nea
inomial. Distribucin hiperg.eomtrica. Ditribucin uniforme. Diehibucin de Cauchy. Distribucin
gamma. Distribucin beta. Distribucin chi+uadrado. Dstribucin de Sudent. Distribucin F. Relaciones entre lae distribuciones chi-cuadrado, t y
^F, Distribucin normal bidimeneional, Distribucionee diversas,
www.tutomundi.com

SEGUNDA PARTE ESTADISTICA


Oaptulo

Pg.

TEORIADEMUESTREO..
Poblacin

muestras. Inferencia estadstica, Muestreo con

.....155

y sin remplazamiento,

Muestras aleatorias, Nmeros aleatorios, Parmetros poblacionales, Estadsticos muestrales. Distribucin muestral. Media muestral. Distribucin muestral de medias. Distribucin muestral de proporciones. Distribucin muestral de diferencias y sumas. Varianza muestral. Distribucin muestral de varianzas. Caso donde la varianza poblacional
se desconoce. Dstribucin muestral de relaciones de varianzas. Otros estadsticos. Distribuciones de frecuencia. Distribuciones de frecuencia relativa y ojivas. Cmputo de la
media, varianza y momentos para datos agrupa.dos.

Captulo

TEORIA DE

ESTIMACION

Estirnas insesgadas y estimas eficientes. Estimas por puntos y estimas por intervalos.
Seguridad. Estimas por intervalos de confianza, de parmetros poblacionales. Intervalos de confianza para medias. Intervalos de confianza para proporciones. Intervalos de
confianza para diferencias y sumas. Intevalos de confianza para varian4as. Intervalos
de confianza para relaciones de varianzas. &timas de mxima verosimilitud.

Captulo 7

ENSAYOSDEHIPOTESISYSIGNIFICACION.

L94

.,...21-I

Decisiones estadsticas, Hipesis estadsticas. Hiptesis nula, Ensayos de hiptesis y


significacin. Errores de tipo I y tipo II. Nivel de significacin. Ensayos referentes a la
distribucin normal, Ensayos de una y dos colas. Ensayos especiales de significacin
para grandes muestras. Ensayos especiales de significacin pata pequeas muestras. Relacin entre la teora de estimacin y ensayo de hiptesis. Curvas caractersticas de
operacin, Potencia de un ensayo. Grficos de control de calidad. Ajuste de las distribuciones tericas a distribuciones de frecuericia muestrales, Ensayo chiruadrado para
la bondad del ajuste. Tablas de contingeircia. Correccin de Yates para la continuidad.
Coeficiente de contingencia.

Captulo 8

CURVA DE AJUSTE, REGRESION Y

CORRELACION

..

258

Curva de ajuste. Regresin. Mtodo de mnimos cuadrados. Recta de mfnimos cuadrados. Recta de mnimos cuadrados en trminos de varianzas y covarianza muestrales.
Parbola de mnimos cuadrados. Regresin mItiple. Error tpico de la estima, Coeficiente de correlacin lineal. Coeficiente de correlacin generalizado. Correlacin gradual' Interpreacin probabilstica de Ia regresin. Interpretacin probabilfstica de la
conelacin. Teora muestral de la regresin. Teora muestral de correlacin. Correlacin y dependencia.

Captulo

ANALISISDEVARIANZA.

.....306

Propsito del anlisis de varianza. Clasificacin simple o experimentos de un factor,


Variacin total. Variacin dentro de tratamientos. Variacin entre tratamientos. Mtodos cortos para obtener variaciones. Modelo matemtico lineal para anlisis de varianza. Valores esperados de las vriaciones. Distribuciones de las variaciones. Ensayo F para la hiptesis nula de medias iguales. Notacin para experimentos de dos factores, Variaciones para experimentos de dos factores. Anlisis de varianza para experimentos de
dos factores. Experimentos de dos factores con repeticin. Diseo experimental.

www.tutomundi.com

Ps.
A

.....341

ApndiceA Temrmemtico
e z ..

Apndice

&denad(y)dclcurvanormltipificadt

Andice

l1l
U

ArearbrjolacurvnomltipicededeOz

Apndce

Percenil (r) de le diHbucin t dc Student

Apndice

Percendla

Apndce

Percentila 96 y 99 pera t. ditribuci

Apndice

Logaritmor dccimlc con cultro cifta

Apndice

Vdores de

a\

con, gndo

.... 944
...

de

liberted

345

(f) delditribucinchiruedndocon/radordebcrtrd .....


co

11,

ry gador de

liberted

-r

T
Apndicel
Nmeroaletorio

RESPT'ESTASAPROBLEMASSI.'PI,EMENTARIOS..

947

348

860

346

. 962

..,..962

....

863

. 369

INDIGT.

www.tutomundi.com

Parte

PROBABILIDAD

www.tutomundi.com

www.tutomundi.com

_l

'Cuptulo

Coniuntos y probqbilidqd
EL CONCEPTO DE CONJUNTO

El concepto d,e conjunto es un pilar fundamental de la probabilidad y la estadstica y de la


matemtica en general. Un conjunto puede considerarse como una coleccin de objetos, llamados
membros o elernentos del conjunto. En general, mientras no se especifique lo contrario, denotamos un conjunto por una letra mayscula A, B, C, y un elemento por una leha minsculao,b.
Sinnimos de conjunto son c/cse, grupo y coleccin.
_ Si un elemento a pertenece a un conjunto C escribimos a C. Sic noperteneceaC escribimos
a C. Si o y b pertenecen aC escribimos a, b e C.Para que un conjunto seabiendefnido, como
siempre lo supondremos, debemos estar capacitados para determinar si un objeto especfico pertenece o no al conjunto.
Un conjunto puede definirse haciendo una lista de sus elementos o, si esto no es posible,
describiendo alguna propiedad conservada por todos los miembros y por los no miembros. El
primero se denomina el mtodo de extensin y el segundo el mtodo de comprensin.
EJEMPLO 1,1. El conjunto de las vocales en el alfabeto puede definirse por el mtodo de extensin como { a, e, i, o,

uloporelmtododecomprensincomo{rlreeunavocal}, lase"elconjuntodeloselementostalesquees
una vocal" donde la lnea vertical I se lee "tal que" o "dado que".
EJEMPLO 1.2. El conjunto {

es

un tringulo en un plano ) es el conjunto de los tringulos en un plano.

Obsrvese que el mtodo de extensin no puede utilizarse aqu.

EJEMPLO 1.3. Si lanzamos un par de dados comunes los "nmeros" o "puntos" posibles que pueden resultar sobre
la cara superior de cada dado son elementos del conjunto { 1, 2, 3, 4,5,6}.

SUBCONJUNTOS

Si cada elemento de un conjunto A tambin pertenece a un conjunto B llamamos a A un


subconjuntodeB,escritoAcB6B:Ayledo"AestcontenidoenB"o"BcontieneaA"
respectivamente. Se sigue que para todos los conjuntos

A tenemos A

Si Ac B y B CAllamamosa A y B iguales y escribimos A

C A.

: B. En este caso AyB

tienen

exactamente los mismos elementos.

A+

Si A no es igual a B, es decir si
B.

SiA

C B pero

A y B no tienen exactamente los mismos elementos, escribimos

A + B llamamos aA un subconjunto propio

de B.

EJEMPLO 1.4. I a, i, u ) es un subconjunto propio de {o, e, i, o, u}.

EJEMPLO 1.5. { 4 o, a, u, e } es un subconjunto, pero no un subconjunto propio, de {o, e, i, o, u}, puesto que los dos
conjuntos son iguales. Obsrvese que la sola redistribucin de los elementos no cambia el conjunto.
EJEMPLO 1.6. Al lanza un dado los resultados posibles cuando el resultado es "par" son elementos del conjunto
{2, 4,6\, el cual es un subconjunto (propio) del conjunto de todos los resultados posibles {L,2, 3,4, 5, 6).

www.tutomundi.com

a
CONJUNTOS Y PROBABILTDAD

lcAP.

El teorema siguiente es verdadero para cualesq


Teorema

I-I;

Si

AC B y B CC, entonces AC

C.

CONJUNTO UNIVERSAL Y CONJI.JNTO VACI(


Para muchos propsitos restringimos nuestra

fico denominado el uniuerso del discurso, o simp


espacio uniuersal y se denota por u. Los elemenr
Es til considerar un conjunto que no tiene r
uaco o el conjunto nulo y se denota por p; es un
EJEMPLO 1.7. Un conjunto importante que no8 es famili
que pueden reprecentarre por puntoe en una lnea reol
lor subconjuntos{ | o < x = } y{r I a1x(} deR (r
( b ee denominan interualos centdo y abierto reepeciv
I o 1x < b) se denominn intcrvalo eemi-abiertos o semi-t
,T,

EJEMPLO 1.8. El conjunto de todos los nmeros reale


nulo o vaco ya que no hay nfimeros reales cuyos cua
nmeros complejoe el conjunto no es vacfo.

EJEMPLO 1.9. Si lanzamos un dado, el conjunto de todoe los resultados posibles es el universo {L,2,3,4, 5, 6}1. El
conjunto de loe rcsultados que consisten de las caras 7 u 11 sobre un solo dado es el conjunto nulo.

DIAGRAMAS DE VENN
Un rniverso u puede representarse geomtricamente por el conjunto de puntos dentro de un rectngulo. En tal caso los subconjuntos de zt (como
A y B indicados y sombreados en la Fig. 1-1) se
representan por conjuntos de puntos dentro de los
crculos. Tales diagramas denominados diagramas
de Venn, sirven para danos una intuicin geomtrica respecto a las posibles relaciones entre conjuntos.

OPERACIONES ENTRE CONJUNT\OS

1.

Unin. El conjunto de todos los elementos (o puntos) que pertenecen a A o a B, o tanto


como aB, se llamala unin deA yB y se escribe Au B (regin sombreada en la Fig. 1-2).

Fig.

2.

l -2

Fig. l-3

Fig.

1-4

Interseccin. El conjunfio de todos los elementos que pertenecen simultneamente a A y a


llamala interseccin dd Ay By se escribe A B (regin sombreadaen laFig. 1-3).

www.tutomundi.com

CONJUNTOS Y PROBABILIDAD

cAP.1l

DosconjuntosyBtalesqueAnB:p,esdecir,guenotienenelementoscomunes'sellaran
coniuntos disiuntos. En la Fig. L'L, A y B son disjuntos.

3.

Diferencia. El conjunto que consiste en todos los elementos de A qtlle no pertenecen a B


llama la diferencia e A y B, escrita por A - B (regin sombreada en la Fig. 1-4).

el
1/, el
B y lo escri

4.

se

se escribe

se llama

Si A :

saXl-B
Fig. 1'6).

UB),.
u

Fig. l-6

Fig. l-5

AIGUNOS TEOREMAS RELATIVOS A CONJI,'NTIOS

AUB = BUA
Au(BuC) : (.4u^B)uC

I.cy conmutativa de ls uniones

AUBUC

Ley asociativa de las uniones

AB = Bl\A

Ley conmutativa de las intersecciones

= (nB) nC -- AB1C
An(BuC) = (AnB)u(AnC')
.4u(anC) = (AuB)n(AuC)

Ley asociativa de las intersecciones

.An(BnC)

Primera ley distributiva


Segunda ley distribuva

A-B = AB'
Si AcB, entonces

A')B' 6 B'c.{

AUQ-A,AnQ=9
AU'al -- 11, AnU

(AuB)' = A'B'
(AnB)' = A'UB'
A = (AnB)u(AnB')
Los teoremas L-Lzo, t-Lzb

y 1-13 pueden

Primera ley De Morgan


Segunda ley De Morgan
Para cualquier conjunto
generalizarse (vanse Problemas 1.69

A YB

1.74).

PRINCIPIO DE DUALIDAI)
tambin es verdadero si remplaz-anosrniones
Cualquier resultado verdadero relativo a conjuntos
-conjuntos
por sus complementos y si invertimos los
por inteecciones, interrecciones por uniones,
y
c
f
.
smbolos de inclwin

www.tutomundi.com

CONJUNTOS Y PROBABILIDAD

[cAP.

EXPERIMENTOS ALEATORIOS

Todos estamos familiarizados con Ia importancia de los experimentos en la ciencia y en la


ingeniera. Un principio fundamental es que si efectuamos tales experimentos repetidamenle bajo
condiciones aproximadamente idnticas obtenemos resultados que son esencialmente los mismos.
Sin embargo, hay experimentos en los cuales los resultados no son esencialmente los mismos a
pesar de que las condiciones sean aproximadamente idnticas. Tales experimentos se denominan
experimentos aleatorios. Los siguientes son aLgunos ejemplos.
EJ EMPLO 1 .1 0. Si lanzamos una moneda eI resultado del experimento es un "sello", simbolizado por S ( 0
), o una
"cara", simbolizadaporc(1),esdecirunodeloselementosdelconjuntqs)({0, 1)).

'EJEMPLO

1.11. si lanzamos un dado el resultado del experimento

5,6).

es

uno de los nmeros en el conjunto {L,2, g, 4,

EJEMPLO1.12. Silanzamosunamonedadosveces,elresultadopuedeindicarsepor{CC,CS,SC,SS)
caras, cara la primera y sello la segunda, etc.

,dsdecirdos

EJEMPLO 1.13. Si tenemos una mquina que produce tornillos, el resultado del experimento es que algunos pueden
estar defectuosos. As cuando se produce un tornillo ser un miembro del conjunto {defectuoso, no defectuoso}.

EJEMPLO 1.14. Si un experimento consiste en medir "la vida" de las lmparas elctricas producidas por una
compaa, entonces el resultado del experimento es el tiempo f en horas que se encuentra en algn intervalo, por
ejemplo, 0 :: 4000, donde suponemos que ninguna lmpara elctrica dura ms de 4000 horas.

ESPACIOS MUESTRALES

Un conjunto oj que consiste en todos los resultados de un experimento aleatorio se llama un


espacio muestral y cada uno de los resultados se denomina punto muestral, Con frecuencia habr
qs de un espacio muestral que describe los resultados de un experimento pero hay comnmente
slo uno que suministra la mayora de la informacin. Obsrves que eJ crresponde al conjunto
universal.
EJEMPLO 1.15. Si lanzamos un dado, un espacio o conjunto muestral de todos los resultados posibles se da por {1,
6 | en tanto que otro es lpar, impar) Sin embargo, es lgico que el ltimo no sera adecuado pan determinar, por ejempio, si un resultado es divisible por 3.

2,3, 4,5,

Frecuentemente es til dibuja-r un espacio muestral grficamente. En tal caso es deseable utilizar
nmeros en cambio de letras siempre y cuando sea posible.
EJEMPLO 1.16. si lanzamos una moneda dos veces y utilizamos 0 para represenmr
sellos y l para representar caras el espacio muestral (vase Ejemplo 1.12) puede
dibujarse por puntos en la Fig. 1-7 donde, por ejemplo, (0,1 ) representaselloen
el primer Ianzamiento y cara en el segundo lanzamien[tr, es decir SC,

Si un espacio muestrdl tiene un nmero finito de puntos, como en el


Ejemplo 1.16,se denomina espacio muestral finito. Si tiene tantos punl'ig. l-?
tos como nmeros naturales 1,2, 3,. . ., se denomina espacio muestral
infinito contable. Si tiene tantos puntos como hay en algn intervalo en
elejer,tal como 0 f r: S 1, sedenominaespacio muestral infinito no contable. Unespacio muestral que es finito o infinito contable frecuentemente se denomina espacio muestral discreto,en tanto que uno que es infinito no contable'se llama espacio muestral continuo o no discretoSUCESOS

Un suceso es un subconjunto A del espacio muestral.or , es decir es un conjunto de resultados


el resultado'de un experimento es un elemento de A decimos que el suceso A ha
ocunido. Un suceso que consiste de un solo punto de cJ frecuentemente se llama un sueeso

posibles. Si

elemental o simple.

www.tutomundi.com

cAP. 1l

CONJUNTOS Y PROBABILIDAD

EJEMPLO 1.17. si lanzamos una moneda dos veces, el suceso que slo resulte
una cara es el subconjunto del espacio muestral que consiste de los puntos (0, 1)
y (1, 0), como se indica en la Fig. 1-8.

Como sucesos particulares tenemos el suceso en s mismo. que es


el suceso certo o seguro ya que un elemento de eJ debe ocurrii, y el
conjunto vaco Q, que se llama el suceso imposible puesto que un
elemento de Q no puede ocurrir.
Pu-esto que los sucesos son conjuntos es lgico que las

proposicio

Fig'

1-8

nes relativas a sucesos pueden traducirse en el lenguaje de-la

particular tenemos
pgina 3.

tlor de conjuntos e inversamente. En


lgebra de sucesos que coffesponde al lgebra de conjuntos indicada en la

Empleando las operaciones de conjuntos en sucesos en


As si A y B son sucesos, entonces

e,[

podemos obtener otros sucesos en

cJ.

1. AU B es el suceso "A B o ambos".


2. A n B es el suceso'qtanto A como B"
3. A' es el suceso "no A".
4. A- B es el suceso "A pero no ,B".
SilosconjuntosconespondientesalossucesosAyBsondisjuntos,esdecirAB:Q,
frecuentemente decimos que los sucesos son mutuamente. excluyentes. Esto quiere decir que no
pueden ocunir ambos.
EJEMPLO 1.18. Haciendo referencia al experimento de lanzar una moneda dos veces sea A el suceso "por lo menos
resulte una cara" y B el suceso "el segundo lanzamiento sea un sello". Entonces A : {CS, SC, CC}, B : { CS, SS }
as tenemos

B:

{Cg

: eJ
A-B-

SC, CC, SS)

A': {SSl

B:

{CS}

{^SC. CC}

EL CONCEPTO DE PROBABILIDAD
En,cualquier experimento aleatorio siempre hay incertidumbe sobre si un suceso especfico
ocurrir o no. Como medida de la oportunidd o plobabilid.ad con la que podemos esperar que un
suceso ocurra es conveniente asignar un nmero enhe 0 y 1. Si estamos seguros de que el iuceso
ocurrir decjmos que su probabildad es 100% 1, perosi estamos regutJs de que'el suceso no
ocurri d_e9.lm9s que su probabilidad es cero. Por ejemplo, si la probabilidd es de 1f4, diramos que
hay y 26Vo de oportunidad de que ocurra y un 767" de opoitunidad de que no ocurra. Equivale
adecirque laprobabilidad contrasu ocurrenciaesdel 75% al25vo o de B ai.
Flxisten dos procedimientos importantes por medio de los cuales podemos obtener estimativos
para la probabilidad de un suceso.

1.

Enfoque'clsico o a priori Si un suceso puede ocurrir en h maneras diferentes de un nmero


total de n maneras posibles, todos igualmente factibles, entonces la probabilidad del suceso es
h/n.

EJEMPLO 1.19. Supngase que deseamos la probabilidad de que resulte una cara en un solo lanzamiento de una
moneda- Puesto que hay dos maneras igualmehte factibles del resultado de la moneda, simplemente "cara" y ,'sello"
(suponiendo que la moneda no se pierda ni caiga verticalmente), y de estas dos maneras una cara puede aparecer en
una sola manera, razonarno{ que la probabilidad requerida es 112, Al llegar a este resultado suponemos que la
moneda es honrado, es decir que no est cargado.

2.

Enfoque- como frecuencia relativa o a posteriori. Si despus de n repeticiones de un experimento, donde n es muy gmnde, un suceso ocurre h veces, entonces ta prbauilidad del suce es h/n.
Esto tambin se llama laprobabilidad emprica del suceso.

www.tutomundi.com

CONruNTOS Y PROBABILIDAD
EJEMPLO 1.20. Si lanzamos una moneda 1000 veces
probabilidad de una cara es 532/1000 = 0.632.

[cAP.

hallamoe que 532 veces resultan caras estimamos que la

Ambos enfoques el clsico y el de frecuencia prcsentan serias dificultades, el primero debido a la


vaguedad de las palabras "igualmente factibles" y el segundo debido a la vaguedad incluida en un
"nmero muy grande". A causa de estas dificultades los matemticos en los ltimos aos se han
orientado avn enfoque axiomtico utilizando conjuntos.
LOS AXIOMAS DE LA PROBABILIDAI)
Supngase que tenemos un espacio muestral e.t. Si d es di5creto todos los subconjuntos corre6ponden a sucesos y recprocamente, peto si ef es continuo solamente subconjuntos especiales
(llamados medibles) corresponden a sucesos. A cada suceso A en la clase C de sucesos asociamos un
nmero real P (A), es decir P es una funcin de valor real definida en f. As P se llama la funcin de
probabilidad, y P(A) la probablidad del suceso A, si se satisfacen los axiomas siguientes:

Axioma 1. Para cada suceso A en la clase

P(A)

>

(r)

Axioma 2. Paru el suceso cierto o seguro eJ en la clase C


P(eJ)
A,:<ioma

3.

=I

(2)

Para cualquier nmero de sucesos mutuamente excluyentes

P(AtuAzu

'..) -

P(/.1) + P(A2)

At, Bz, . . . eh la clase C

+ .'.

(e)

En particular, para solo dos sucesos mutuamente excluyentes At, Az,

P(AL:AI) = P(Ai+P(Ar)

(4)

ALGUNOS TEOREMAS IMPORTANTES SOBRE PROBABILIDAD

De los

a-r.iomas anteriores podemos demostrar varios teoremas sobre probabilidad que son

importantes en el estudio posterior.

r cA2

Teorema

7-14:

Si

Teorema

1-15:

Para cada suceso


es

Teor:rna

Teorema

entonces

0<P() <1
P(9) =

P(42)

P(A).
(5)

(d)

es

decir el suceso imposible tiene probabilidad cero.

Si

A'

es el

complemento de A entonces

P(A')
Teorema

decir la probabilidad de un suceso est entre 0 y 1.

7-16:
7-77:

P(Az- ,)

P(Ai < P(Az) y

7-78: Si A = AtUAzU. . .UA" y

= r-P@)

(7)

At, Ar,. . ., An son sucesos mutuamente excluyen-

tes, entonces

P(Al = P(Al) + P(A2) +


En particular si A

"'

+ P(A")

et, el espacio muestral, entonces

www.tutomundi.com

(8)

cAP. 1l

CONJUNTOS Y PROBABILTDAD

+P(A2)+...+P(4") =

P(Ar)
Teorema

1-19:

Si

A y B son dos

(e)

sucesos cualesquier4 entonces

P(AuB) = P(A) + P(B) - P(A.B\


Generalizando, si A

(10)

t, Az, 3 son tres sucesos cualesquiera, entonces

P(A:U AzU

")

P(.4,) + P(Ar) + P(As\

- P(Az\ -

P(A|A.])

- P(AsnA)
(rr)

+ P(Lt\AzAs)
Tambin pueden hacerse generalizaciones a n sucesos. Vase Problema 1.79.
Teorcma

1-20:

Para dos sucesos

AvB

P(A)
Teorema

= P(A1B)+P(A1B'\

(12)

7-21: Si un suceso A debe resultar en uno de los sucesos mutuamente excluyentes At,
Az,...,A,entonces
P(A)

= P(AnAi + P(AAz) *'..

+ P(nA")

(rr)

ASIGNACION DE PROBABILIDADES

Si un espacio muestral el' consiste nicamente de los sucesos elementales Ar,

entonces por el Teorema 1-18

P(Ai + P(Az) + ... + P(A") = t

Ar,...,An
(1+)

Se concluye que podemos escoger arbitrariamente cualquier nmero no negativo para las probabilidades de estos sucesos simples siempre y cuando se satisfaga (14). En particular, si suponemos
probabilidades iguales para todos los sucesos simples, entonces

P(A: '!y si A

es

k=1,2,...,h

(15)

un suceso compuesto por h sucesos simples tenemos

P(A)

h
=:

(rd)

Esto equivale al enfoque clsico de Ia probabilidad dado en la pgina 5. Podramos lgicamente


emplear otros procedimientos para asignar probabilidades, como el de la frecuencia relativa de la
pgina 6.
La asignacin de probabilidades provee un modelo matemtico y su xito debe probarse experimentalmente en forma muy similar a como las teoras en fsica u otras ciencias deben probarse
experimentalmente.
EJEMPLO 1.21. Se lanza solo un dado. Hallar la probabilidad de que resulte 2 5.

El espacio muestral es e-I: {1,2,3,4,5,6}. Si asignamosprobabilidades iguales a lospuntos muestrales, esdecir


si suponemos que el dado es honrado, entonces
1

www.tutomundi.com

CONJUNTOS Y PROBABILIDAD
El uceso que resulte 2 5

ee

[cAP.

indica por 2 U 5. Por tanto

P(2u5) = P(2)+P(51 = *.

PROBABILIDAD CONDICIONAL
Sean A yB dos sucesos (Fig. 1-9) tales que P(A)> 0. Denotamos por P(BiA) la probabilidad de
B dado que A ha ocurrido. Puesto que se sabe que A ha ocurrido, se convierte en el nuevo espacio
muestral remplazando el original e-I. De aqu llegamos a la definicin

ry#

(17)

P(A) P(B I A\

(f 8)

P(B:A) =

P(AIB) =

En palabras, la ecuacin (-18) nos dice que la probabilidad de


que tanto A y B ocurran es igual a la probabilidad de que A
ocurra tantas veces la probabilidad de que B ocurra dado que
A ha ocurrido. ilamamos a P(B I A\laprobabilidad condiciowl
de B dada A, es decir la probabilidad de que B ocrura dado que
A ha ocurido. Fcilmente se demuestra que la probabilidad
condicional satisface los axiomas en la pgina 6.

QJ

AnB
Fig. r-9

EJEMPLO 1.22. Hallar la probabilidad de que en un slo lnzamiento de un dado requlte un nmero menorque 4,
(o) no se da ninguna otra informacin, (b) se da que el lanzamiento result en un nmero impar,

(o) Si B denota el suceso {menor que 4).Ya queB es la unin de los sucesos
1-18 que

P(Bl

7,2 6 g observamos por el teorema

1l1l

P(r) + P(2) + P(3') = -+-+-=


6662

suponiendo probabilidades iguales para los puntoc muestrale.

(b)SiAeselsuceso{nmeroimpar}observamosqueP():316=

1/2. TambinP(ABr:216:1/3.

Entonces

P(BIA\:"+#=#=?
Por tanto, el saber que el resultado del lanzarniento es un nmero iinpar aumenta la probabilidad de Ll2 a 213.

TEOREMAS SOBRE PROBABILIDAD CONDICIONAL


Teotema 1-22: Para tres sucesos cualesquieraAl, A2, A3 tenemos

P(AtAzt\s)

P(A) P(A2l

At)

P(Asl Atn Az\

(1e)

En palabras, la probabilidad de que At y Az y A3 ocunan es igual a la probabilidad de que z4t


ocrura tantas veces la probabilidad de que A2 ocurra dado que ,41 ha ocurido tantas veces la probabilidad de que A3 ocura dado que At y Az han ocurido. El resultado se generaliza fcilmente a n
sucesos.

Teorema

7-23:

Si un suceso A debe resultar en uno de los sucesos mutua[iente


Ar, , .. , A. entonces
P(A',)

= P(A)P(A|A,) + p(A)P(Al Azl + . . . + p(A")P(AlA")


www.tutomundi.com

excluyentes 1,

(20)

cAP. 1l

CONJUNTOS Y PROBABILIDAD

SUCESOS INDEPENDIENTES

Si P(B lA) = P(B), es decir la probabilidad de que B ocuna no est afectada por la ocurrencia o
no ocurrencia de , entonces decimos que y B son sucesos independicnes. Esto es equivalente a

P(AnBl = P(A)P(B)
de (I8). Inversanente, si se cumple (2I)

(21)

entonces A y B son independientes.


como se deduce
Algunas propiedades de la independencia estn dadas en los Problemas 1.91 y 1.92.
Si

Ar, Az, As

son independientes entonces deben ser independientes por parejas,

P(AnAx)

'y tambin

= P()P(A*) j+lc

donde

j,k=t,2,3

(221

debemos tener

P(ArAzAr)

= P(A)P(Az)P(A)

Ni (22) ni (23) son sufrcientes por s solo. La generclizacin

(qsl

a ms de tres sucesos se hace fcilmen-

te.

TEOREMA O REGLA DE BAYES


Supngase que .A1, Ar,..., An son sucesos mutuamente excluyentes cuya unin es elespacio
muestral ef, es decir uno de los sucesos debe ocurrir. Entonces si A es cualquier suceso tenemos el siguiente teorema importante :

Teorema 1-24 (re$ade Bayes):

P(AklA\ =

P(Ah)

P(AlAx)

(2t\

P(r) P(AlAn)

Esto nos permite hallar las probabilidades de los diferentes sucesos Ar, Ar, . - . , An que pueden
causar la ocunencia de . Por esta razn con frecuencia se hace referencia al teorema fle Bayes
como el teorema sobre laprobabilidad de causs.
ANALISIS COMBINATORIO
En muchos casos el nmero de puntos muestrales en un espacio muestral no

es

muy grande y as

la enumeracin o cuenta directa de los puntos del muestreo necesaios para obtener las probabili
dades no es difcil. Sin embargo, surgen problemas cuando la cuenta directa se convierte en una
imposibidad prctica En tales casos se ernplea el anliss combinntorio, que podra llamarse una
forma sofisticad,a de contar.
PRINCIPIO FUNDAMENTAL DE CUENTA. DIAGRAMAS ARBOL

Si una cosa puede realizarse en nr maneras diferentes y despus de esto una segunda cosa puede
.en n2 maneras diferentes, . . . , V finalmente una k-sima cosa puede realizase Qr fl,
maneras diferentes, entonces todas las fr cosas pueden realizarse en el orden especicado en nr
rr2 . . . ?? rn?Drds diferentes.
ealizase

EJEMPLO 1.23. Si un hombre tiene 2 camias y 4 corbaac enoncee tiene


y luego una corbata.

2'

8 maneras de eacoger una camia

Un diagrama, llamado diagrama rbol debido a su apariencia (Fig. 1-10), se emplea frecuente'
mente en conexin con el principio anterior.
www.tutomundi.com

10

CONJUNTOS Y PROBABILIDAD

[cAP.

EJEMPLO 1.24. Si las camisas se representan por S, 52 y las


corbatas por ?1, Tz, Tt, ?a, las diferentes maneras de scoger una
camiea y luego una corbata se indican en el diagrama bl de la

I
2

Fig. l-10.

PERMUTACIONES
Supngase que se dan n objetos diferentes y deseamos ordenar r de estos objetos en una lnea pusto que
hay n manera.s de escoger el primer objeto, y luego de
hacer esto n
- 7 manerias rde* escoger t segunaoiUe_
to-, . . ., y finalmente n
1 formas d escoger-el
r-simo objeto, -se deduce- por el principio fundarnlntal
de cuenta que el nmero de ordencions, o permutaciones diferentes como generalmente se les Uarnc est dado

Fig. l-10

por

,P, =

n(n.

- l)(n - 2). . . (n - r + l\

(25)

donde se observa que el producto tiene r factores. Llamamos a ,P, elnmero de permutaciones de
n
objetos lomados de r en r.
Para el caso particular cuando

r:

rr,

,P,,

= n(n-l)(n-z)...1 :

(25)

se

conerte en

nt

(26)

que se denomina n factorial. Podemos escribir (25) en trminos de factoriales


como
(27)

Si

r: n

obsewamos que

(26') se satisfacen slo si tenemos que

!2!\ -y de
realmente esto como una definicin
0!

0! : I y tomaremos

EJEMPLO 1'25. EI nmero de ordenaciones o permutaciones diferentes que consisten de 3 letras cada una y que
pueden formase de las ? letras A. B, C, D, E, F, G es

P:t

Sup

210

n conjunto que consiste de n objetos de los cuales nr son de un


nguir entre s), n2 son de un segundo tipo, . . . , n; son del hnr + nz + . . . + ,to. As el nm&o de permutaciones diferentes

. no se
clr
Aqu, lgi
tos

= fi. = ,.6.5 =

es

(28)
Vase Problema 1.34.
EJEMPLO 1.26. El nmero de permutaciones diferentes de las 11 leras de la palabra

consiste de LM, 41, 43 y 2p

11!

rt4t4l't

M/SS/SSIPP.l,

que

34 650

COMBINACIONES

En una perrnutacin estamos interesados en el orden de-la distribucin de los objetos. As abc es

una
te e
cion

di
o
lo

Sin embargo, en muchos problemas estamos interesados solamenos sin inteiesar su orden. Dichas selecciones se llaman combinah misma combinacin.

www.tutomundi.com

cAP. 1l

CONruNTOS Y PROBABILIDAD

11

El nmero total de combinaciones de r objetos seleccionados de n (tambin llamadas las combinaciones de n cosas tornadas de r enr) se denota pot aC, U (n Tenemos (vase Problema 1.36)

ln\
\"/:ntr=rl@=T.

(2e\

que tambin puede escribirse como

n(n-L\".(n-r-rr\
r!

("\
\r/

nP,

(30)

r!

Fcilmente se demuestra que

(/n\J=( /n '- r/\)


\r/
\n -

EJEMPLO 1.27. EI n(mero de manera en lae cuales


cartas diferentes es

nU,:nC,_,

3 cats pueden

8'J,'6
lt) =
sc =
- \s/
- s! =

(91')

escogerse o eleccionae de un

total de

56

COEFICIENTES BINOMIALES
Los nmers de (29) se les llama frecuentemente los coeficientes binomiales puesto que provienen de laexpansin binomiat

(r

1-

u)^

: * . (|)*-lt * (i)*"-,r, + . . . .

(n)

(:,)"

Tienen mucha.s propiedades interesantes.


EJEMPLO

1.28.

@-l

y)t =

=
APROXIMACION DE STIRLING A

r:{

()",.(t)**.(t*" . (l)*

xa+ 4x3y!oxzyz *4xy3 +ya

r !

Cuando n es muy grande la evaluacin de


aproximada

n!

no es prctica. En tales casos se utiliza la frmula

nl - yEn"e-n

(38)

donde e : 2.71828. . . es la base de los logaritmos naturales. Vase Problema 1.48. El smbolo - en
(33) signifrca que la relacin del
al lado derecho se aproxim a 1 a medida e /l + o.
Por esta raz6n decimos que el I
unaexpansin asnttica del lado izquierdo. Para un
estudio ms detallado de la frmula de Stirng vase el Andice A.

Problenra,s resrreltoa
CONJTINTOS

1.1. Sea A el conjunto de todos los nmeros reales cuyos cuadrados

son iguales a 25. Indique


cmo describir a.4 por (c) el mtodo de comprensin y (b) el mtodo de extensin.

(a) A:kl*

:25)que

se

lee"el conjunto de todosloselementosde talesque;r'2

(D) Puesto que t2 :25parar:5y

x:-S,podemosesaibir A: {5,-5),edecirA

elementos.

www.tutomundi.com

:25".
se.describ dando sus

L2

CONJUNTOS Y PROBABILIDAD

lcAP.

L.2. seaA={rl*esunenteroimpar), B: {x I x2 -8r+.15:0).Demostrarque BcA.


Yaque x2 -8x * 15:0 (r
-3)(- 5)=0 slosi x:B6x:6,enemosB:{g,6}.pueotoqueloe
elementos 3 y 5 son enterosimpares, pertenecen
, es deeir B ee un subconjunto de A.

1.3. Es cierto que {2} :

aA. AscadaelementodeB perten.." y porantoBC

2?

No, 2 es wn nmero rel mientras que {2} esw conjunto que consiste del nmero real 2. Un conjunto oomo
{2} que consiste nicmente de un elemeno algunas veces ae llzna conjunto singulo o unitaio y debe
distinguirse del elemento que contiene.

1.4.

Determinar cules de las proposiciones siguientes son verdaderas y coregir las que son falsas.
(o)

{rln+} -- lQ}.

(b)

Si A = {r l r2=4,

r>g}

B:

{fr |

r<l},

entonces

B)

A.

La proposicin es falsa. Cualquier objeto particular se supone ee igual a sf mismo. Asf, no hay objeto que
no sea igual a s mismo. Entonces {x I x * x} : e, el conjunto vacfo.
El error radica en escribi {@} por @, puesto que {9} es un conjunto no voclo que conriste del conjunto
vaco.

(b)

"A es el conjunto de tal que 12 : 4 y ) 9',.


Puesto que no hay un nmeror tal que x2 :416x:2,-2ly
* )9, se sigue queA: @. Puestoque el
conjuntovacloesunsubconjuntodecualquierconjunto,sededucequeACB6B)Aylrrpropocicin

(o

Obarvese que esto se lee

es verdadera-

1.5.

Demostra que si Ac B y B

cC,

entonces

AcC.

Sea r cualquier elemeno de , ee deci A. Entonces ya que AC B, es decir cada elemento de A eet en 8,
tenemos x B. Puesto quetambinBCC, tenemosque C. Aecadaelemenode esunelemento de C

y por tanto A C

C.

OPERACIONES ENTRE CONJUNTOS,


DIAGRAMAS DE VENN Y TEOREMAS SOBRE CONJT.'NT\OS

1.6. si el universo 'u = {}, 0, r, 5, -rt, -4} y los subconjuntos de u estn dados por A : {-\n,
r,0|,8 = {6,t,-rt,-qyC = {+,-4},enconhar(a) AnB, (b) AUB, (c) (AUB)nC,
(d) B'u C', (e) A-8, (/) (Bn C),, (s) (AnC) e (Bne.
(a) AnB = {-12,2,0}n {5,+,-fr,-4} = t-\}
(D) .4 u n = {-fr,",o} u {5, +,-r/2,-4} = {-18,o,0,5,+,-4}
(c) (AuB) n C = {-{2,o,0,5,+,--4} n {+, -4} = {+,-.4} utilizando el reultado de (b).
(d) B' : conjunto de los elementos en t/ quenoestnen g = {0,r).
C' : conjunto de los elementos en 'll que no estn en C : {0,
Entonces B,u C, = {0,.o} u {0,r,5,_\E} - {0,r,6,_\E}, ",6,-fr}.
(e) A - B: eonjunto de elementos en A que no estn en B : [0, n].
Otro mtodo. Por el Teorema 1-8, pgina 3, enemoe

A-B

= AB'=

(f) BC = {6,+,-{2,-4}n{+,-4} =
Entonces (BnC\' = {0,r,5,-{r).

{*,0,o,5,-tf2,-4}n{0,r} = {0,r}
{*,-}.

www.tutomundi.com

13

CONJUNTOS Y PROBABILIDAD

cAP. 1l

Obsrvese que este reultado conjuntamente con


Tborema 1-12b, pgina 3.

el de la parte (d) ilustra la segunda ley De Morgan,

(sl AnC = {-\/-2,2,0} n {*,-ll - @, elconjuntovaco.


B n C = {},-} [Vase pate (f)].
(AC\ u(BnC) : @u {*,-l = {+,-4}
Entonces

t,7.

(c) Demostrar la primera ley De Morgan, Teorema !-L?tt,

pgrna 3: (A u

Bl : A' n B'. (b) Ilus-

har el resultado de la pare (c) empleando un diagtama de Venn.

(o)

Tenemoe

(AuB)' = {r I r4Ar-tB} = {" I rCA,neB\ = {r I neA',rB')

= A' ^B'

El resultado puede extenderse a cualquier nmero finito de conjuntos (vase Problema 1.69).

(b)

En el diagrama de Venn de la Fig. 1-11 la regin sombreada representa (A U B)'. En Ia Fig. 1-12, A'se
indica por lneas diagonales paralelas construidas de izquierda a derecha en tanto que It se indica por
lneas diagonales paralelas consruidae de derecha a izquierda. Luego At f|' se representa por la regin doblemente rayada en donde se encuentran ambos conjuntos de lneas, y se observa que esta regin
es igual a la regin sombreada de la Fig. 1-11.

Regin sombreada

Fig.

Erur
Regin

= (AUB)'

qvvrsEw
doblemente rayada

]_"7,nn,

l-ll

Fig. l-12

Obsrveee que un diagrama de Venn no suministra una prueba como la dada en la parte (o). Sin embargo,

sirve para euminishar relaciones posibles entre conjuntos que luego pueden probaree por mtodos similaree al dado en (o ).

1.8.

Demostra laprimeraley distributiva, Teorema 1-6, pgina3:Tenemoo

1.9.

Ao(BuCl =
=
=
=
=

An(Bu C) = (AnB)U(AnC).

l rA,reBuC}
I re A,xeB 6 reC}
I sA,reB 6 rA,reC)
@ | reA"'B 6 xeAnC\
{,
{r
{"

(AnB) u

(A nC)

Demostra que para cualquier conjunto A y B tenemos A

= (AnB) u (AB').

Mtodo 1.

A : {r I reA) = {, l reAB 6 neAnB'} M6todo 2,


Sea

C:8'

en el Problem 1.8. Entonces

: (ArtB) u (A^B')
: (AB') u (A,8')
A = (AnB)u(AnB')

A n (BuB')
A r,al

El resultado puede generalizane (vase Problema 1.74).

www.tutomundi.com

(AnB) u(AnB')

L4

.CONJUNTOS Y PROBABILIDAD

[cAP.

EXPERIMENTOS ALEATORIOS, ESPACIOS MUESTRALES Y SUCESOS

1.10. Se extrae una carta aleatoriamente de una baraja de 52 cartas. Describir el espacio mueshal
(o) no se tiene en consideracin el palo (b) si se tiene en cuenta el palo.
(o)

Si no tenemos en cuenta los pdos el eepacio muestral consiste de as, dos, . .


puede indicarse como {1, 2, .. . , 13}.

si

. , diez, jota, reina, rey, y

(b) Si tenemos en cuenta los paloc el espacio muestral cronsiste del as de corazn, picas, diamanes y trboles;
. .. ; rey de corazones, picae, diamantes y trboles. Denotando corazones, picar, diamantes y hboles
respectivamente por l, 2, 3,4, por ejemplo, podemos indica una jota de picas por (11,2). Luego el
espacio muestral consiste de 52 puntoo indicados en la Fig. 1-13.

1.11. Refirindose al experimento del Problema 1.10 sea,4 el suceso {se extrae un rey} o sencillamente {rey} y B el suceso (se extrae un trbol} o sencillamente {trbol}. Describir los sucesos
(a) AUB, (q AnB, @) AUB', (d) A,UB,, (e) A-8, (f) A,-8,,(g) (AnqU (AnB,).
(o) A U B = {o rey o trbol (o ambos, es deci rey
() 4 n I : {rey y trbol} : {rey de trbol)

(c)

de trbol))

Puesto que B

= {trbol}, B': {no trbol} : {corazn,

Luego A U Bt

(d) A'U B' :

diamante, pica}.

(rey o corazn o diamante o pica).

{no rey o no trbol}

: ( cualquier carta pero no el rey de trboles}


que A' V B' : (A B )t y utilizando ( ).

{no rey de trbol }

Tambin puede considerarse observando

(e) A- B -{reyperono trbol}


Es lo mismo que A B' - {rey y no trbol}.

(n A'-3' :{no

rey y no "no trbol")

{no rey y trbot}: (cualquier trbol excepto el rey).

Tambin puede considerase observando que A,

- B, - A,n(8,), = A,nB.

(E) @ nB) U (A B'):{(rey y trbol) o (rey y no trbol)): irey}.


Tambin puede considerase observando que (A B) U (A n B') : A.

1.12. Emplear la Fig. 1-13 para describi los

se
1.11
com

sucesos

(a),4 u B,

de
indicarse
A U B, de acu

I diagrama
eden

www.tutomundi.com

(b\ A'

Fig.1-14.
de
Teorema 1

gamas

B'

era simila todos lo


obeervarse de la Fig.
B.

cAP. 1l

TEOREMAS SOBRE PROBABILIDAI)

1.13. Demostra el (c) Teorema 1-14, (b) Teorema 1-15, (c) Teorema 1-16, pgina 6.
(o) Tenemoe Az : At U (Az - A ) en donde .41 y Az - At son mutuamente excluyentee.

Entonces por el

axioma 3, pgina 6,

P(42\ = P(r) * P(A2- Ar,


P(Az- At) = P(Azl - P(Ar)

asr que

Puesto que P(,42

- Ar ) -

0 por el Axioma 1, pgina 6, tambin ee rigre queP(.42 )

sabemos que P(A) > 0 por el Arioma 1. Para demostrar que


observamos que A C et. As por el Teorema 1-14 [partc (o)] y el Axiom 2

(b) Con anterioridad

P(Al

).

P(A) < 1 primero

P(A)=P()=1
(c)

Tenemos eJ

eJuQ.Puesto que
P(eJ)

sfnp = Q se sigue del Axioma

= P(d)+P(Q) 6

P({))

3 que

1.14. Demostrar (a) el Teorema 1-17 y (b) el Teorema 1-19.


(o)

Tenemos

AV A' :s[.

Qtenemog

PIAJA') = P() 6
P(A)*P(A') =
P(A') = l-P(A)

es decir

(b)

Entonceepuesto gue. A'

Tenemos el diagrama de Venn de la Fig. 1-15

(1)

AUB: AUIB -(.4n8)l

Entonces puesto que los conjuntos A y B


- (A
.B) son mutuamente excluyentee, tenemos usando
el Axioma 3 y el Teorema 1-14:
P

(A u

B)

| i',^^'rl i'

r"u

r--'

i rlu^')",

Aunque hemos utilizado el diagrama de Venn el

resultado (l ) puede establecerse directarnerte (vase Problema 1.77).

(An

Fig. l-15

CALCULO DE PROBABILIDADES

1.15. Una carta se extrae aleatoriamente de una barqia de 52 cartas. Encontrar la probabidad de

www.tutomundi.com

16

CONJUNTOS Y PROBABILIDAD

[cAP.

que sea (g) un as, (b) una jota de corazones, (c) un tres de trboles o un seis de diamantes, (d)
un corazn, (e) cualquier palo excepto corazones, (f) un diez o una pica" (g) ni un cuatro ni
un trbol.
Por simplicidad uticelnos C, P, D. ? para indicar coraz6n, pica, diarnante, trbol, respectivamente,y 1,2,
..., 13 pot aa, doo, .,., rcy. Asf g n C significa tree de corazoneo, en tanto que S U C significa tres o
corazn. Empleemoe el espacio muegtral del Problema 1.10(tr), asignando probabilidades iguales de tl52
: L162.
a cada punto muehal. As, por ejemplo, P(6 n

")
P(1): PG^e 1nP ,L D 1 n
")
=P((1 n c) +P(1 nP) +P (1 nD) +P(1 n r)
11111
= 52n- 52- sz = Lg

(o)

Tbmbin haba sidq posible conseguir este resultado del espacio mueshal del Problema 1.10(o) en
donde cad punto mueehal, en particular "as" tiene una probabilidad de 1/13. Tambin se hubiera
llegado a este resultado por un razonamiento sencillo de que hay 13 nmeros y as cada uno tiene una
probabilidad de ger extrado igual a 1/13,
t
(b) P(11 C= :-

I * 52
) +P(6 D: 62
-I^ = I26
"
.*
(d) P(c):P(ln c 62c6...lsnc) =
#,* h* . # -- # = i

(c)

P(s

T 66D=P($ n

Tambin s haba podido llegar a ete reultado observando que hay cuatro palos y cada uno tiene una
probabilidad igual de ser extrafdo, eeto es 1/4.
(e)

P(C')

- P(C) = ! -

Ln

?uti[zando laparte (d)y elTeorema 1-1?, pgina 6.

@ Puesto que 10 y P no son mutuamente excluyentes tenemos del Teorema 1-19


P(L0

UP):P(10) +P(P)-P(10

@) La probabilidad de no cuatro no trbol


pgina 9,4' T' = (4 U ?)'. Por tanto

P(4'^T')= 4(4

")'l:

L-

1/13

+ rl4

puede denotarse por P(4'

P(4 U ?

7152

: 4lI3

?'). Pero por el Teorem a 1-t2 (a),

: 1- [P(4) +P(")-P (4 n T)]


_, l-r 1- 1l _ 9
- 13
- r-L-Z-521

Tambin podamos obtener este reeultado observando que el diagrama de Venn favorable a este suceso es
el oomplemento del suceeo moetrado como la parte sombrcada en la Fig. 1-16, Puesto que este complemento tiene 52 - 16 : 36 puntos muestrales en l y cada punto muestral tiene una asignacin de
probabilidad Il52,la probabilidad requerida es 36/52 = 9/13.

1.16. Una bola se extrae aleatoriamente de una caja que contiene 6 bolas rojas, 4 bolas blancas y 5
bolas azules. Determinar la probabilidad de que sea (c) roja, (b) blanca, (c) azul, (d) no roja,
(e) roja o blanca.

www.tutomundi.com

L1

CONJUNTOS Y PROBABILIDAD

cAP. 1l

(o)

Mtodo 1.
Dentese por R, B y A los sucesos de extraer una bola roja, blanca y azul, respectivamene. Entonees

662

P(n)=

--6+4+5=1b=s

Mtodo 2.
Nuestro espacio muestral corisiste de 6 * 4I 6:15 puntos muestrales. Entonces si asignamos probabili'
dades iguales Ll15 a cada punto muestral observamos que P(.R ) : 6/15 : 215, debido a que hay 6 puntos
muestrales que corresponden a "bola rojatt,

(b) P(B)

6i+5

(c) P(A) =

= ft

6+j+b = # = i

(d) P(noroja) = P(R") = 1-P(E) = l-?

=?

porparte(o)

(e) Mtodo 1.
P(roja o blanca)

P(R u

r) : -"""';'"::,::"fl'"",J,t""i: ;H
10 2
6+4
6+4+5 - 15 - 5

o blanca

Tambin puede resolverse ltilizando el espacio muestral como en la parte (c).

Mtodo 2.

r(RUB)=P(A'): 1-P(A): I - = |

norparte(c).

Mtodo 3.

Puesto que los sucesos R y B son mutuamente excluyentes se deduce de (4), pgina 6, que

P(nuB):P(R)

+P(B):?*# = ?

PROBABILIDAD CONDICIONAL Y SUCESOS INDEPENDIENTES


1.1?. Un dado honesto se Ianza dos veces. Hallar la probabilidad de obtener 4, 6 6 6 en el primer
lanzamiento V 1, 2,3 6 4 en el segundo lanzamiento.
'
SeanAl elsuceso "4rS 6 enelprimerlanzamiento" y Az elsuceso "7r2,364en elsegundo
lanzamiento". Luego estamos buscando P(Ar

A2).

Mtodo 1.

P(AroAr)

P(At)P(A2lAr\ -- P(At)P(A,)
'!'

- l+)l+)
=I
\6/\6/
3

Hemos empleado aqu el hecho de que el resultado del segundo lanzamiento esindependiente del primero as
que p(ArlAr): pier)- Tambin i"-or usado P(.4 1) :316 (ya que 4, 5 6 son 3 resultados de las 6
probabilidads igualmente factibles) y P(Az): ltO (ya que 7,2,3 4 son 4resultadosdelasGprobabilida'
des igualmente factibles).

Mtodo 2.
Cada una de las 6 maneras en las cuales un dado cae en el primer lanzamiento puede asociarse con cada una
6.6:36 maneras, todas igualmente

de las 6 maneras en que cae en el segundo lanzamiento, un total de


factibles.

Cada una de las tres maneras en que A1 ocurre puede asociarse con cada una de las 3 mrneraa en que A2
ocurre para dar 3. 4: 12 maneras en que tanto A1 como ,42 ocurren. Entonces

P(ArnAzl .

19

;;

www.tutomundi.com

18

coNJUNTos

pRoBABILTDAD

lcAP.

Esto indica directamente que A 1 y A2 son independientes puesto que

r'(A,nA")

=+:(;)() = P(ArP\A2l

1.18. Encontrar la probabilidad de no obtener un


total de 7 u 11 en ningun de los dos lanza-

oaa

(2, 6)

mientos de un par de dados honrados.

aa

(3,6)

(r.6)

El espacio muestral para cada lanzamiento de los

dados se muestra en la Fig. 1-17. Por ejemplo (5,2)


signitica que el resultado del primer dado es b y el
del segundo 2. Puesto que los dados son honestos y
hay 36 puntos muestrales asignamos la probabilidad
1/36 para cada uno.

P1A' '=

| - P(Al --

(2,2l

Utizando subndices

t,2gara indica

(r,6)
{)

(8,2)

? u 11 est

(3, l)

aa

(5,

{)

aa
(5,3)

(3,3)

(2, l)

(4,2

(6,

r)

(6,3)
a

(6.2,

(1,1)

345
Primer dado

27
-::99

6)

(2,3)
a

Se deduce que la probabidad de no

({,

I
(,

(2, I

Si A es el suceso "7 u 11" entonces A se indica por


Ia porcin sombreada en la Fig. 1-17. Puesto que se
incluyen 8 puntos tenemos que P(A ): 8/36 : 219.
dada por

(3, 6)

l'ig. l-17

1o.

y 2o. lanzamientos de los dadosobservamosquelaprobabilidad

de no 7 u 11 en el primero o segundo lanzamientos est dada por

empleando el hecho de que los lanzamientos son independientes.

1.19. Se extraen dos cartas. de una baraja de 52 cartas. Hallar la probabilidad de que
ases si la cata

(c) se remplaza, (b) no

se

ambar sean

remplaza.

Mtodo 1.
Sea

A1

suceso ttas en la primera extraccint' y .42 suoeso "as en la segunda


P(Ar A2): P(A1) P(A2l A t).

extraccin". Entonces

estamos

buscando

(o)

Puesto que para la primera extraccin hay 4 ases en las 52 cartas, P(A): 4152. Tambin, si la carta se
remplaza para la segunda extraccin, entonces P(A2 | A r) : 4152, puesto que tambin hay 4 ases en las
2 catas para la segunda extraccin. Entonces

P(A,"A) = P(A) P(A, , A,) =


(b)

Como en la parte (o),

P(A1l:4152.

/, \,'
(

r\

#)l#) == #

Sin embargo si ocurre un as en la primera extraccin quedarn 3 en


) : 3/51. Entonces

las 51 cartas restantes, as que P(A2l Ar

P(ArnA,l

p(A,tp(A2 A\ = (52")(*) =
,"t

Mtodo 2.

(ol La primera carta puede extraerse en una

de las 52 maner:u posibles y ya que hay rempl,azamiento la


segunda cata tambin puede extraerse en una de las 52 maneras posibles. As que ambas cartas pueden
extraerse en (52)(52) maneras, todas igualmente factibles.

En este caso hay 4 maneras de sacar un as en la primera extraccin y 4 maneras de saca un as en la


segunda exhaccin de tal forma que el nmero de maneras de sacar :rses en la primera y segunda
extraccin es ( ) (a)i As la probabilidad requerida es

(4)(4)
(52\(52\=

(b)

169

La primera carta puede extraerse en una de las 52 maneras posibles y ya que no hay remplazamiento la
segunda carta puede extraerse en una de las 51 maneras posibles. As ambas cartas pueden extraerse en
(52 ) ( 51 ) maneras, todas igualmente factibles,

www.tutomundi.com

cAP. 1l

19

CONJUNTOS Y PROBABILIDAD

En este caso hay 4 maneras de saca un as en la primera extraccin y 3 maneras de sacar un as en lia
segunda extraccin de tl forma que el nmero de maneras de sacar ares en la primera y segunda
extraccin es (4) (3). As la probabilidad pedida es

(4X3)
(52)(51)

1.20. Se extraen tres bolas sucesivamente de la caja del Problema 1.16. llallar la probabilidad de
que se extraigan en el orden roja, blanca y azul si las bolas (a) se remplazan, (b) no se
remplazan.
Si Rl - suceso "roja en la primera extraccin", I}2 : scso "blanca en la segunda extraccin", A3
"azul en la tercera extraccin". Requerimos P(Rl 82 n A!\.

(o)

guCeo

Si cada bola se remplaza, entonces los sucesos son independientes y

p(.Rr

n 82 At):p(,Rr ) p(82 lnr )p(A3 In, nar

:P(Rr )P(82)P(A1)

e \/ n \/ u \=_9_
=(\6+4+5/\6+
4+5/ \6+4+5/
225
(b)

Si no se remplazan las bolas, entonces los suceeos son dependientes y

p(nr n 82 n At)=p(Rr ) p@2lR )p(Ar I Er n 82)

:1\6 | u
\/ n \/ u \=, el
4 + 5/\5 +4+5/ \5+ 3+ 5/

1.21. Hallar la-probabilidad de obtener al menos un 4 en dos lanzamientos de un dado honrado.


Sea A

I:

suceso

en el primer lanzamiento" y

A2:
:

suceso

P(ArU

A2).

Art.J
requerimos

"4

Az

suceso

"4 en el segundo lanzamiento", As

"4 en el prirner lanzamiento o 4 en el segundo lanzamiento o ambos"


suceso t'al menos un 4"

Mtodo 1.
Los sucesos A

t I Az no son mutuamente excluyentes, pero Bon independientes,


P(A'tuA) = P(A) + P(A) - P(AL42)
= P(A) + P(A!) - P(At) P(Az\
1 r /t\/t\ rr

P (ningn 4)

6'u-\ui\u/

Por anto, por (1Ol V

Mtodo 2.
P(al menos un 4)
Entonces P(al menos un 4)

: 1 - P(ningn 4)
: 1 -P(no 4 en 1er. lanzamiento y no 4 en el 2o, lanzamiento)
= | - P(A'rnA'"\ = | - P(A')P(A'2|

= '! -(8X*) = *"


Mtodo 3.
Nfrmero total de maneras igualmente factibles en las que ambos dados pueden caer
Tambin,

:
no At :

nmero de maneras en las que A 1 ocurra pero no Az

nfmero de maneras en las que .A2 ocurra pero

nmero de maneras en las que tanto A 1 como ,42 ocurran

www.tutomundi.com

6.6

36.

QI

20

CONJUNTOS Y PROBABILIDAD
Luego el nmero de manera en las cuales por lo menos uno de los sucesos
11. Por tanto P(,41 U Az): 11/36.

Ar A2 ocurraes-

fcAP.

+5+

L.22. Un talego contiene 4 bolas blancas y 2 bolas negras; otro contiene 3 bolas blancas y 5 bolas
negras. Si se extrae una bola de cada talego, hallar la probabilidad de que () ambas sean
blancas, (b) ambas sean negras, (c) una sea blanca y una negra.
SeaB

suceso "bola blanca del primer talego", I|2

scso "bola blanca del segundo talego".

P(BtnBil:P(Br )P(B2lBt):P(Br )P(B) = lt!")/-=)


=I
\4 + 2/ \3 + 5/ 4

(d)

(b)
(c)

P(B'tnb:pelp@;lB't)=P(B')P(Bi =

(-1=)1=+)
+ 2/\3 + 5/
\4

24

La probabilidad pedida es

1-P(Br B)-P(Bin B'r):


1.23. Demostrar el Teorema 1-23, pgina 8.
Demostramos el teorema para el cso n : 2. Extensiones

t -i-*

para valores mayores de n se obtienen fcilmente,

Si el suceso .4 debe resultar en uno de los dos sucesos mutuamente excluyentes

At, Az entonces

A = (AnAr)u(A42)
PeroA

At

empleando

A Az son mutuamente excluyentes puesto que A1 y A2 lo son. Aspor


P(A) = P(AIA)+P(A^AI')
= P(A) P(A i A) + P(42\ P(A I A2)

(I8), pgina

Axioma 3

8.

contiene 3 bolas rojas y 2 azules en tanto que la caja II contiene 2 bolas rojas y 8
azules. Se lanza una moneda honrada. Si se obtiene cara se saca una bola de la caja.I; si se obtiene sello se saca una bola de la caja /I. Hallar Ia probabilidad de sacar una bola roja.
Si R indica el suceso "sacar una bola roja" mientras que 1 y 1I indican los sucesos escoger caja f y caja

t.24. La

caja

/d respectivamente. Puesto que una bola roja puede resultar al escoger cualquiera de las cajas podemos em.
plear los resultados del Problema 1.23 con A: R, At : I, Az: II. As la probabilidad de sacar una bola roja

P(Rt

P(nP@ Il+P\II\P(RIII =

/t\/ I \ /r\/ ---r:


z \
(;)("+-ri-r:ri
\2/\2+8/
\-/\-,2/

TEOREMA DE BAYES

L25. Demostrar el teorema

de Bayes (Teorema L-24,pryina9).

Puesto queA resulta en uno de lossucesos mutuamene excluyentes


1-22 (Problema 1.23)

Ay A2, ..., An tenemos por el Teorema

P(A) = P(AI)P(A Ar) + ' " + P(A,\P(A:A,,) .. j


Dor tanto

P1A

A =

",O*'

P(A\'Aki

P(A) P(A I Ak)


P\Ak^A)
= --Pt
) P(Al P(A' Akl

1.26. Supngase en el Problema 7.24 que quien lanzala moneda no revela si resulta cra o sello (de
tal forma que la caja de 14 cual se sac la bola no se revela), pero revela que se sac una bola

www.tutomundi.com

2L

CONJUNTOS Y PROBABILIDAD

cAP. 1l

roja. Cul es la probabilidad de que se escogiera la caja,f

(es decir que el resultado de la

moneda sea cara)?

Utilicemos la misma terminologfa del Problema I.24, ea decir, A : R, At : I, Az : I/. Buscamos la


probabilidad de que se bscoja la caja / y se conoce que se sac una bola roja. Empleando la regla de Bayes con

n:

2 er;ta probabilidad ect dada por

P(Blr)
P(I lP) =
P(rl P(R | /) + P(I/) P(BlIIl
P(r,

As podemoo dar una probabilidad de 3 a 1 que

/r\/ +s \
4
=/t\/r\ \ti \-3/r\/z\
\zi \E-+z/ ' \t/\2 + 8/

ee escogi

la caja I.

ANALISIS COMBINATORIO, CUENTA Y DIAGRAMAS ARBOL

1.27.

Se va a conformar un comit de 3 miembros compuesto por un representante de los trabajadores, uno de la adminishacin y uno del gobierno. Si hay 3 candidatos de los trabajadores, 2
de la administracin y 4 del gobierno, determina cuntos comits diferentes pueden conformarse, empleando (c) el principio fundamental de cuenta y (b) un diagrama rbol.

(a)

Podemos elegir un representante de los trabajadores en 3 maneras diferentes y luego un repreeentante de


la adminishacin en 2 formas diferentes. Aaf hay 3 . 2 : 6 mineras difeentes de elegir un representante
de los trabajadores y de la adminitracin. Con cada una de estas eleccionee podemoe escoger un
representante del gobierno de 4 maneras diferentes. Asl el nmro de los diferentescomits que pueden

formarseesS'2'4=21.
(b)

Reprentense los 3 candidatos de los habajadores por Lt, Lz,.L3; los candidatos de laadministracin
pot My, M2; y la candidatos del gobierno pot Py,.P2, Ps, Pc. Enonces el diagrama rbol de la Fig. 1-18
muestra que hay en total 24 comisiones diferente. De este diagrama rbol podemos lista toda la
comisionee, por ejemplo LrMrPr, L1M1P2, etc.
I
2

I
4
D

6
8

q
10

1l
t2
t8

l{

l
l6
1t
l9
20

2l
22
28
24

Fig.

l-rt

PERMUTACIONES

1.28.

De cuntas maneras diferentes pueden ordenase 5 bolas en una frla?

www.tutomundi.com

22

CONJUNTOS Y PROBABILIDAD

[cA?.

Debemos ordena 5 bolas en 5 posiciones as


-. La primera posicin puede ocuparse por cualquiera
de las cinco bolas, es decir hay cinco maneras de llenar la primera posicin. Cuando esto se haya hech hay
4 maneras de llenar la segunda posicin. Luego hay 3 maneras de llena la tercera posicin, maneras de
llenar la cuarta posicin, y finalmente slo 1 manera de llena la ltima poeicin, por tlnto:

El nmero de ordenacionesde lag 5 bolasen una filaes

L = b! =. 120

5. 4. 3. 2.

En general,

Elnhmerodeordenacionesdenobjetosdiferentesenunafilaes=n(n-l)(n-2\...1 =nl
Esto se conoce como el nmero de permutaciones de n objetos diferentes tomados de n en n y se denota por
p
n'

n.

1.29. De cuntas maneras pueden 10 personas sentarse en una banca si slo bay 4 puestos disponibles?

El primer puesto puede ocuparse con cualquiera de las 10 personas y, cuando esto est hecho, hay 9 formas
para ocupar el segundo puesto, S para ocupar el tercero y 7 para ocuparel cuarto. Por tanto:

El nmero de ordenacionesde 10

persona! tomadasde

4en 4es

tC.

g.8.T =

5040

En general,

El nmero de ordenaciones de n objetos diferentes tomados de r en r ea

n(n

1) . . . (n

- r * l)

Esto se conoce como el nmero de permutaciones de n objetos diferentes tomados de r en r y se denota por
P,. Obsrvese que cuando | = tr, nPr, = r ! como en el Problem a 1.28,

1.30. Hallaelvalorde (a) ,Pr, (b) uPo, (c) tsPt, (d) rPr.
() aP = 8.7.6 .- 336 (b) Pq = 6.5.4.3 = 860 (c) ,rP, =
e

15

(d) P = 3.2.1 =

y 4 mujeres en una fila de modo que las mujeres ocupen los


sitios pares. De cuntas formas pueden sentarse?
Los hombrcs pueden sentarse de 5P5 formas y las mujeres de 4Pa formas, Cada ordenacin de los hombres

1.31. Se quieren sentar 5 hombres

puede asociarse con cada ordenacin de las mujeres. As pues,

Elnmerodeordenacionespedidoes =

"Pr.oPo

= 514! = (lZO)\24)

2gg0

1.32. Cuntosnmerosdecuatrocifraspuedenformarseconlosl0dgitos0,1,2,3,...,9si(c)los
nmeros pueden repetirse, (b) si los nmeros no pueden rcpetirse, (c) si el ltimo nmero ha
de ser cero y los nmeros no pueden repetirse?
(o) La primera cifra puede ser cualquiera entre 9 (puesto que el 0 no tiene valor). La segunda, tercera y
cuara pueden ser cualquiera de las 10, Entonces I ' 10 ' 10 ' l0 : 9000 son los nmeros que pueden
formarse.

(o)

La primera puede ser cualquiera entre g (el 0 no).


La segunda puede ser cualquiera entre 9 (no puede ser la que ocup el primer puesto),

l,a tercera puede ser cualquiera entre 8 (no pueden ser ninguna de las que ocupan los dos prifneros

puestos).

La cuarta puede ser cualquiera entre 7 (no pueden ser ninguna de las que ocupan los tres primeros

puestos).

Entonces 9 .

I .8.7:

4536son los nmerosque pueden formarse.

Otro mtod<.
El primer nmero puede ser cualquiera entre 9 y los tres restantes pueden elegirse de gPa formas,
Entonces 9' sPs : I . 9 . 8. 7 : 4586 sonlos nmerosque puedenformase.

www.tutomundi.com

cAP. 1l

CONJUNTOS Y PROBABILIDAD

(c)

23

La primera cifra puede elegirse entre g, la segunda entre 8 y la tercera entre ?. Entonces 9
son los nmeros que pueden formarse,

' 8'7 :

5O4

Otro mtodo,
El primer dgito puede elegirse de 9 maneras y los dos siguientes de gP2 formas. Entonces
' 7 : 504 ser el nfrmero pedido.

g. ePz:9 . I

1.33. Cuatro libros distintos de matemticas, seis diferentes de fsica y dos diferentes de qumica se,
colocan en un eslante. De cuntas formas distintas es posibliordenalos si (c) loslibrosde
cada asignatura deben estar todos juntos, (b) solamente ios libros de matemtitas deben estar
juntos?

(o) Los libros de matemticas pueden ordenarse entre ellos de aPa: 4! formas, los libros de fsica de 5p5
:6! formas, loslibrosdequmicade2P2:2! formasylostresgruposde3P3:3! formas.
Entonces el nmero de ordenaciones pedido ser

(b)

4't.

6l

2l3! -

207 360

Considerar los cuatro libros de matemticas como un solo libro, Entonces se tienen 9 libros que pueden
ordenarse de 9P9 - 9 ! formas. En todos estos casos los libros de matemticas estn juntos. Pero los
libros de matemticas pueden ordenarse entre ellos de aPa:4! formas.

Entoncesel nmero de ordenacionespedido ser

= 9l a! -

8 709 120

1.34. Se ordenan en una fila 5 bolas rojas, 2 bolas blancas y 3 bolas azules: Si las bolas de igual
color no se distinguen entre s de cuntas formas posibles pueden ordenarse?
Supngase que hay N diferentes ordenaciones. Multiplicando N por el nmero de ordenaciones (o ) de las 5
bolas rojas entre s, (b) de las 2 bolas blancas entre s y (c) de las 3 bolas azules entte s (es decir,
multiplicando N por 5! 2l 3!) se obtiene el nmero de ordenaciones de 10 bolas si todas ellas fuesen distintas.
es

decir, 10

EntonceslSl 2: 3l)N =

t0! y N -

101/(5! 2t Bl).

En general el nmero de ordenaciones diferentes de n objetos de los eue


?r Soriguales*
donde, rt, 1 n"+ ... + tt = n.

son iguales, n2 son iguales, , . .

n#l*

1.35. De cuntas formas pueden sentarse 7 personas alrededor de una

mesa, si (o) pueden sentarse


de cualquier forma, (b) si dos personas determinadas no deben estar una al lado de la otra?

(c)
(b)

Considrese una de ellas sentada en cualquier parte. Entonces las 6 restantes pueden sentarse de 6! =
?20 formas, que es el total de caros que se dan en la ordenacin de 7 personas en un crculo.
Considrense las dos personas que no han de ir juntas como una sola. Entonces hay 6 personas para
sentarse en crculo, que lo pueden hacer de 5! formas. Pero las dos personas consideradas como una sola
pueden ordenarse entre s de 2! formas. As pues, el nmero de ordenaciones de 6 personN sentadas
alrededor de una mesa con 2 determinadas de ellas sentadas juntases de 5! 2! :24O.
Entonces, mediante (o), se tiene el nmero total de formas en que 6 personas pueden sentarse alrededor
de una mesa, de modo que dos de ellas no estn sentadas juntas es 720
- 24O: 480 formas.

COMBINACIONES

1.36. De cuntas formas pueden 10 objetos dividirse en dos grupos de 4 y 6 objetos

respectiva-

mente?

Esto

es

Io mismo que el nmero

de ordenaciones de 10 objetos de los cuales 4 objetos son iguales y los

tambinsonigualesentres.PorelProblemal.34estoes

ft

10'f''8' ;

www.tutomundi.com

ll0.

otros 6

CONJUNTOS Y PROBABILIDAD

24

lcAP.

El problema es equivalente a encontrar el nmero de grupos de 4 objetos que se pueden formar con 10
objetos dados (o de 6 objetos con 10 objetos dados), no teniendo en cuenta el orden de los objetos dentro del
grupo. En general el nmero de grupos distintos de r objetos que 8e pueden formar con, n.objetos dados, ae

llamanmerodecorbinacionesdelosnobjetostomadosderenrysedenotapor,,C.Olf/Vvienedadopor

^
n"r

n(n-11"'(n-r+1)
r!

nl
/"\
\r / - rl(n-rll

nP'

- rl

1.37. Hallar el valor de (a) zCq (b) aCs, (c\ eC+


^ - 71 = 7.6,5.4 = 7.6.5 = o''
(ol ;ur
4!B! --ll
l4;1
6!
6.
5.
4.5.2
(b) oCs =
= 6, 6 uCt=oC1 =6'
5 = ff

(c)

+Ca

es

el nmero de grupos de 4 objetos que se pueden formar con 4 objetoa, lo que es evidentemente 1.

Entonces

tC+:I.

Ntese que formalmente aCa

1.38.

= #h = I

0! = l.

si se define

De cuntas formas puede elegirse una comisin de 5 personas de entre 9 personas?

/g) = ^c. _ e! _
\s/-sws-BJ]T-

e.8.

?.6.b =

126

b!

1.39. De un total de 5 matemticos y 7 fsicos, se forma un corit de 2 matemticos y 3 fsicos.


De cuntas formas puede formarse, si (c) puede pertenecer a l cualquier matemtico y
fsico, (b) un fsico determinado debe pertenecer al comit, (c) dos matemticos determinados no pueden estar en el comit?

(a) 2 matemticos

de un total de 5 pueden elegirse de sCz formas.

3 fsicos de un total de 7 pueden elegirse de zCs formas.

Nfimero total de selecciones posibles

sCz' zCs

= l0'35 =

350

(b). 2 matemticos de un total de 5 pueden elegirse de sCz formas.


2 fsicos restantes de un total de 6 puedtn elegirse de eCz formas.
Nmero toal de selecciones posibles

(c)

10 .

15 =

150

= tCz'tCs = 3'35 =

105

sCz. oCz

2 matemticoe de un total de 3 pueden elegirse de sCz formas.


3 fsicos de un total de 7 dan 7C3 formas.

Nmero total de selecciones posibles

L.4O.

Cunts ensaladas pueden preparae con lechuga, escarola, endibia,

beno y achicoria?

Cada verdura puede tratarse de 2 formas, como si se escoge o como si se rechaza. Puesto que cada una de l
2 formas de considerar una verdura est asociada con 2 formae de considerar cada una de las otras verduras, el
nmero de formas de considerar lias cinco verduras es 25 formas. Pero las 2s forma incluyen el cao de no
seleccionar ninguna verdura. Por tanto

El nmero de ensaladas

es:25 -

31

Otro mtodo.

Puedeseleccionarseldelassverduras,2delasSverduras,...,SdelasSverduras.Entonceselnmerorequerido de ensaladas

es

-,CL-l tC2+5Ca+ sC4+ scs

*10+ 10* 6* 1 :

www.tutomundi.com

31

cAP.1l

CONJUNTOS Y PROBABILIDAD

Engeneral, raracualquier enteropositivo

n,

n0r+ ncz+.Cs+

-.. !

26
nCn

= 2r-1,

1.41. Con 7 consonanps y 5-vogaJes diferentes, cuntas palabras pueden formarse, que
consten
4 consonantes y 3 vocales? No es necesario que las patabras tengan significado. La 4 coneonantes pueen elegirse (!e lC+ formas, lss 3 vocsles de s0g formac
consonantes, 3 vocales) pueden ordenae entre sf de zPz : ?! forma. Entonces:
El nhmero de palabrae

'

7C1

Ca

' ?! :

35

. 10 ' 6040 :

de

y las ? letraresultantee (4

1 ?64 000

COEFICIENTES BINOMIALES

1.42. Demostrar q""

11)
\r/

- t) + f" - 1).
= l"
\ r / \r-1l'

Tenemos que

(n-r*r)(n-1)!
r! (n - r)l

(n-r)(n-L)l * r(-1)!
r! (n - r)'!
r! (n - r)l
(-l)!
(-1)!
;tFV=fr - 1r - 1 1" - "

/-r\ /"-r\
\ " )-\"-t)

El resultado tiene la siguiente aplicacin interesante, Si escribimos lo coeficientes de la expanein binomial


de (c * U)" pa n :0, 1, 2, . . . obtenemoa Ia distribucin conocida como el tringulo de Poscal:

n=l

n=2

n=3

n:4

n=5

I
1

n=6

3
4

5 10 10 5
6

15 20 15 6

et.

Un resultado en cualquier rengln puede obtenerse sumando los dc coeficiente del rengln anterior que
encuenreninmediatamentealaizquierdayaladerecha. Ae10:4I6,
1b:10 * 6,ec.

ee

*'\- +!\".
'xl

1.43. Halla el trmino constan6 en h exDansin de 1r,


De acuerdo al teorema del binomio

(**!\"
(1?),*,,.11)"-- = $ /rz)',*-,,
3 \&
/ = r-:o
xau \k /'
\
/'- ' \"/
El trmino conetante corresponde a aquel para el cual 3& - !2 = 0,

/12\ _

\n/=

12.11. r0.

4.B.z.r

=4e6

www.tutomundi.com

ee

decir k = 4,y por tanto eet dado por

CONruNTOS Y PROBABILTDAD

26

[cAP.

PROBABILIDAD T..TTEIZA}TDO ANALISIS COMBINATORIO

1.44. Una cqia contiene 8 bolas rojas, 3 blancas y 9 azules. Si se extraen 3 bolas aleatoriamente sin
renplazamiento, determinar la probabdad de que (c) las 3 bolas sean rojas, (b) las 3 bolas
sean blancas, (c) 2 sean rojas y 1 blanca, (d) al menos 1 eea blanca, (e) se extraiga una de cada
color, (f) las bolas sean extradas en el orden rojo, blanco, azul.
(o)

Mtodo 1.
Bz, Rc lol auceecr "bola roja en la primera erhaccintt, t'bol,a roja en la aegunda extraccin",
roja
en L tecer ettraccint', rerpectivarnente. Af .Rt n .[l2 R3 reprerenta el guceso "la 3
"bola
bola exhafda con rojEr". De eta marera tenemo
Sean

i,

P(8rnP2nBJ = P(Fr) P(^R2 | A1) P(s l.B1nR2)

/e\/ z\/o\ - \20l\i0l\18/

14
Za,B

Mtodo 2.

Probabidadpdid:

=g=i|
zocs

(D) Empleando el reundo mtodo idicado

296

en la parte (o),

t9;- j_
= 1140
= zous

P(3 bol blurcas)'

Tambin puede utilizarre el priraer m6todo indicdo en la parta (o).

(cl

P(2 bolar rojar y 1 blanca) =

(gupoc de 2 entre 8 bol rojar)(grupoo de 1 entre 3 bola blancas)


afir.ocro de rupoe de 3 bola entre 20

(CzXCr)

=-=-zocs
(d) P(ninguablanca) =

96

ff, . Eotoo"".

#=

P(almenol blance)
() P(tdecadacolor,

(f)

= !9lff9

=t-# =#

*g

P(ertraer l bola en oden rojo, blanco, ezut)

- *
"O

de cada color)

g
l/lg\
6\96/= fr'

urando (e)

Oto mtodo.
P(Rr

Bz

) : 4R) P(B? | 8r ) P(Ar I Rr n82)

=
f

.45.

/s\/s\/e\
\*i\*/\r8/

s
e5

Se extraen 6 cartas de rna barqia de 62 cartas. Halla la probabilidad de extraet (a) 4 ases, (li)
4 ases y un rey, (c) 3 dieces y 2 jotas, (d) un 9, 10, jota, reinq rey en cualqui,er orden, (e) 3
de un palo y 2 de otro, (f) al menos 1 as.

@) pedc) =
(b')

W#

P(4eroylrey) =

ry

#
= ufuo
www.tutomundi.com

cAP.

CONruNTOS Y PROBABILIDAD

QCslQCzl 1
szcs 108 290

(c)

P(3 diece y 2 jot)

(d)

P(nueve, diez, jota, reina, rey)

(4cr

x4crx4crxrcr) (rcr)

64

162 496

szCs

(e) P(3 de un palo, 2 de otro)

q#@

ffi

puesto que hay 4 form de eecoger el primer palo y 3 foims de ercoger el regundo.

(/)

P(ningrn

*) = # = m.

LuegoP(al menoa un ar)

1.46. Detenninar la probabilidad de tres

= t -;lf{| = 'ffi.

seises en 5 lanzamientos de

Represntense los lanzamiento del dado por cinco eepacioe


no 6 (6'). Por ejemplo, hes 6 y dosno 6 puedenocutrir como 666'

Asf la probabilidad del resultado

p(666'66')

66

un dado honrado.
Cada eopacio tendr6 lo uceoc 6 o
6, etc.

66' 66'66'

6' 6 6' e

p(6)p(6)p(6,p(6)p(6')

- *..* = (il'eu)'

pueeto que suponemoe que lor uoesos ron independientee. Anlogamente

'" -- /L\'/qY
\o/ \o/
para todc lo oEo resultado en los cuale ocuren hec 6 y dos no 6. Pero hay rCa
son mutuanente ercluyentes. Por tanto la probabilidad pedida e

p(666,66,
En generd,

10 de ertor nrceeor y

- /r\3/s\2 = =*)t1l)'=
66,66,6..
't = 'v,\6/
BITT\6i \6i = I8888
\o/

sip: P(A) y q:1--p:P(A'\,por elmiamorazonamientoaneriorlaprobabidaddeobtener


r veceA en n enaayos independientes ea

eractamene

nc.p"en-' = (n\o'o'-'

\n/
1.4?. Un estante tiene 6 bros de matemticas y 4 de fsica. Halla la probabidad

de que S libros

determinados de matemticas estn juntos.

Los libros pueden ordenare ntre ef de roPro = 10! formar. Supongamos que lo 3 libro determindo de
mtemtica ee remplazan por 1. Arf tenemo un otd de 8 libroe que pueden ordense enhe f dc 6Ps =
8 ! formas. Pero a su vez io 3 libro de matemtica pueden cdenre enhe f de 3P3 = 3 ! form. L
probabilidad pedida est dada por

8!3!
10! -

15

APROXIMACION DE STIRLING A z!
1.4E. Hallar el valor de 50!
Para n muy grande, n7

- {fi,n"-. Por tanto


aot-t/ffi5oso-so:N

Para evalua N uilizamoe logaritmoe de bae 10. Asf

logN = los(/lofio5o-50)
1f
= i los100 I |losr *

60

log60

50 log

www.tutomundi.com

28

CONJUNTOS Y PROBABILIDAD
11

= los100 | lor3142 +
11
= i(zl *
de donde

N=

3.04

;10.4972)

50 1og50

+ 50(1.6990) -

lcAP.

50 log2?18

50(0.4343)

64.4836

x 100r, un nfimero que tiene 6b dgitos.

PROBLEMAS DIVERSOS

1.49. A y

B juegan 12 partidas de ajedrez de las cuales A gana 6, B gana 4 y 2 tnrmrnan en tablas.


Acuerdan jugar un torneo consistente en 3 partidas. Hallar la piobabidad de que (o) A gane
las tres partidas, (b) dos partidas terminen en tablas, (c) A y B ganen altemativamenie, 1 n
gane al menos una partida.
Dentese por
A
B

t, Az, A 3 los sucesos " A gana" la 1.z., 2a., y 3a. partida respectivamene,
t, Bz, I|3 los sucesos "B gana" la 1a., 2a., y 3a. partida respectivamente.

Atendiendo a la experiencia que han tenido (probabilidad emprica) suponemos que

P(Aganeunapartida)

(o)

P(Aganelashespartidas)

= #=+

P(Bganeunapartida)

P(AtnAroA3')

p(At)p(A2)p(As)

= #=+

= (;Xt(;)

=I

suponiendo que los resultados de cada partida son independientes de los resultados de la ohas. (Esta
suposicin no sera justificable si un jugador fuera influenciad,o sicolgicamenfe por loe resultados
anteriores!

(b) En cualquier partida la probabidad de no tablas (esto ee A o B gana)esg: ]-t2+]-lg:516yla


probabidaddetblasesp:1--q:1/6.Aslaprobabilidad,de2tablasenBpartidases(rase
Problema 1.46)

/r\2/<\

5
/s\ "
\)o'n'-' = t(;, \a) = n

(c)

P(A y B ganen alternavamente)

P(A gane, luego B, luego A o B gane, luego A, luego B)

==

;:,,:',i :,':,:;',^;'J?fi

';ll

","u
/r\/r \/r\ =
j /t\/r\/t\
*
\r/\5/\r/ \i \zi \i
5

36

(d)

P(B gane al menos una partida)

: 1 - P(B no gane ninguna partida)


t - P(B'roBjB'r)
L - P(B') P(B;) P@;)
le
,^ -/\/a\1\
\3/\3/\3/ =
27

1.50 A y B juegan lanzando alternativamente un par de dados. Quien obtenga primero un total de
7 q^? el juego. lallar la probabilidad de que (o) quien lanza primero los dados gane, ()
quien lanza segundo los dados gane.

(o

La probabilidad de obtener 7 en un slo lanzamiento de una pareja de dados, supuestamente honradoe, es


1/6 como se determin en el Problema 1.18 y Fig. 1-17. Si suponemos que A es el primero en lanza
entonces A ganar en cualquiera de los casos siguientes mutuamente excluyentes con las probabilidades
asociadas indicadas:
(1)
(2)

A gana en el ler. lanzamiento. Probabidad : 1 /6.


A pierde en el ler. lanzamiento, luego pierde B, luego gana A. Probabidad

www.tutomundi.com

{)(f )($).

cAP. 1l

CONJUNTOS Y PROBABILIDAD

(3)

29

A pierde en el ler. lanzamiento, pierde B, pierde A, pierde B, gana A.

Prqbabilidad

(X8X8X8X+).

As la probabilidad de que g, gane

es

/t\ /s\/s\/r\ - /s\/\/o\/s\/r\ *


\6/-\6i \6/\u/ \6i \6/\Bi \u/\6i
1l-. /s\' * /r\* I _
: 6L"
\al \ui
donde hemos utilizado el resultado 6 del Apndice A con x

(b)

r/6

(5rc)2 -

Anlogamente la probabilidad de que B gane el juego es

1q)/l) - /l)/q)lq\It\
\6/\6,' \6/\6/\6/\6/

= /q\/r\T,*/q\'*/q)'*
\o/\e/t_' \o/',\6/
=5136=5
1 - (5/6)2

.tJ

11

As iramos 6 a 5 a que el primero que liance gana. Ntese que la probabidad de un empate

es cero ya

que

6-5

11 '

11

Esto no serfa verdadero si el juego fuera limitado. Vanse Problemas 1.151 y 1.152.

1.51. Una rnquina produce un total deL2 000 tomillos diarios de los cuales en promedio elSVo
son defectuosos. Hallar la probabilidad de que de 600 tornillos seleccionados aleatoriamente
12 sean defectuosos.
De 12 000 tornillos, el 3'/o 6 360 son defectuosos y 11 640 no lo son. As
Probabidad

pedida

= -H*-P

1.52. Una caja contiene 5 bolas rojas y 4 blancas. Se extraen dos bolas sucesivamente de la caja sin
remplazamiento y se observa. que la segunda es blanca. Cul es la probabilidad de que la
primera tambin sea blanca?

Mtodo 1.

Si Bl, I|2 son los suceoos "blanca en la primera extraccin", "blanca en la segunda extraccin", respectivamente, estamos buscando P(Br lB2). Este resultado se obtiene as

P(BJB)='+#=elwq=*
Mtodo 2.
Puesto que se sabe que la segunda bola es blanca solamente hay 3 formas de las restantes 8 para que la
primera sea blanca, de tal manera que la probabilidad es 3/8.

1.53. Las probabilidades de que un esposo y una esposa estn vivos dentro de 20 aos estn dadas
por 0.8 y 0.9 respectivamente. Hallar la probabilidad de que en 20 aos (a) ambos vivan; (b)
ninguno viva; (c) al menos uno viva.
y la esposa, respectivamente, estn vivos en 20 aos, Entonces
y lI/ son sucesos independientes, lo cual puede ser o no razonable.

Sean I, l|/ los sucesos que el esposo

0.8, P(W)

0.9. Suponemos que

.F/

(o) P(ambosvan) = P(H1W) = P(H)P(W) : (0.8)(0.9) = 032


() P(ningunoviva) = P(H'nW') = P(H'\P(W') = (0.2)(0.1) = 0.02

www.tutomundi.com

P(H):

CONJUNTOS Y PROBABILIDAD

30

(c)

P(al menoc und

Ya): 1 -P(ninguno viva): 1 - 0.02 =

[cAP.

0.98

1.54. Una secretaria ineficiente coloca ncartasdiferentes en n sobres con destinos diferentes aleato-

riamente. Hallar la probabilidad de que al menos una de las cartas llegue a la destinacin apropiada.

Dentensepor A,42, .,.,A,, lo sucelo primera, cegunda,.. ., n-sima carta e encuentra en el gobre
correcto. Entonce el uceso al menos una carta en el sobre conecto es.4 U AzU'.,U An y deeeamos
hallar P(A U A2V... U A,). A partir de la generalizacin de los resultados (10\ y (1 l), pgina 7, (vase
Problema 1.79) tenemo

(1)

+ )P(AinAinAk)
P(ruAru."uAn) = )r(*) -)e6'tnl'r)
"' * (-t"-t P(At^A2 " n,u)

donde E P(A) es la uma de las probabilidades de A desde t hasta n, E P(A Ar) es la suma de
probabilidadesdeAAconjyhdeedelhastanyh)j,etc.Tenemosporejemplolosiguiente:

yanlogamente PlAr=L

P(A)=+

(z)

las

ya que de lo n sobres rolamente 1 tendr la direccin apropiada. Tbmbin

p(A,A2t : p(At\p(A2lAt\ = (*)("=)

(E)

aProPi"ao

,",xt"1B"""ntJfi::::i*il'ff,i1-:.sobre

(4)

p(AtnAzr1A)

p(,)

p\AztAttp(A.,lAtnAr)

y as aucesivamente, finalmenrte

(5)

p(A,nA2n...nA)
''-n' =

Entonces en la suma >


Anlogamente en E

P(A A ) hay (;)

P(4 A

"nto"o'

Ap) hay (

*to

''

de los rectantes

n-

1 sobres estar

- (+ll-+ll=+)
\,/\, -r/\n-2/

(+)l=+)
\lr/\tt
- 1/

(+) = +
\.1/
nl

=,,C2 trminos que tienen el valor dado por (3).


'

que tienen
) = "r"trminos

el valor dado por (4). Por tanto la

probabilidad pedida es

p(ApAzu-..vAn

t.\ - /"\/t\/ I \/ 1\
= (l)(t)-l:)/l)l
,.-, ,.i/ - \ri \;/\ " - 1) \t/\;i \;=t )\" - r)
' " + (-r)^-'l'\l+)
\z/!t!/

r-fr+i-"'+1-t"-'I

Del clculo sabemoe que (vare Apndice A)

cz

= lf *#.#.

e-,

='-('-+r.ri- )

aefqueparar:-l

1- f'.*

"1

r-e-l

I : 0.6321. Esto quiere decir


Se deduce que ai n es grande la probabilidad pedida es aprorimadamente 1 -e
que hay urra buena probabilidad de que al menos una carta llegue al destino apropiado. El resultado ee
aombroso ya que la probabilidad permanececasi constante para n ) 10. Por anto, la probabilidad de que al
menos una cata llegue a su destino apropiado es casi la misma si n es 10 10 000.
www.tutomundi.com

31

CONJUNTOS Y PROBABILIDAD

cAP. 1l

Ia probabilidad de que n personas (n < 365) seleccionadas aleatoriamente tengan n das


de cumpleaos diferentes.
Suponemos que solamente hay 365 das en el ao y que todos loe das de cumpleaos son igualmente

1.55. Halla

probables, suposiciones que no se cumplen genetalmente en la realidad.


La primera de las n personar tiene lgicamente algn cumpleaos con probabilidad 365/365 : 1. Entonces,
si Ia segnda persona tiene un cumpleaos diferente, debe ocurrir en uno de los otros 364 dlas. As la
probabilidad de que la segunda persona tenga un cumpleaos diferente de la primera es 364/365. Anloga'
mente la probabilidad de que l ercea persona enga un cumpleaos diferente de las dos primetas es
863/365. Finalmente, la probabilidad de que la n-sima persona tenga un cumpl'eoe diferent de las otras
n * 1)/365. Por tanto tenemos
es (365

P(n cumpleaos diferentes)

= #* # ffi

'

365

:-l! + 1

1\/'- z\...(,-4\865
- l,- 165/\'865)"'\')

= \'-

1.56. Determinar cuntas personas se necesitan en el Problema 1.55 para que la probabidad
cumpleaos distintos sea menor que U2.

de

Denotando la probabidad dada por p y tomando logaritmos naturales hallamos

(r)

tnp

=t"(r-#) -r'"(,-k). "'+rn(t-#)

Pero sabemos de clculo (Apndice A, ftmula 7) que

@\

ln(1

-= --c -

-r)

T-

as que (I ) puede escribirse como

(3)

lnp

ft+z+

Enipleando los hechos de que para n

I+2+ "'*(n-1)

(Ir\

2, 3, .

= @;),

.'

(Apndice A' frmulas 1 y 2)

12+22 i-...-*(n-1)2

n(n

-r)
- r)(Zn
6

obtenemos para (3)

(5)

rnp

= -!!+! - ^" --!,1\:{,;" - "'

para n pequeo comparado con 365, por ejemplo n ( 30, el segundo trmino y los trminos superiores a la
ae 1S son dlespreciables comparados con el primer trmino, asf que una buena aproximacin en este

*::"::

n(r-l)
.tnp
= - i30

16)

Paa

L12,ln p
r(rr

(7)

--

?30

: -

1)

- 0.693. Por tanto tenemos


n.2 -r-506 = 0
= 0.693 6
ln 2 =

(n

- 23)(n'l 22) =

: 23. Por tanto nuestra conclusin es que si n es mayor gue 23 podemos decir con mayor seguridad
que al menos dos personas cumplen aos el mismo dfa.

asf que n

Problema,s supletnentarios
CONJUNTOS

1.67.

Sea

A eI conjunto de los nmeros natwales entre 5 y 15 que son pares. Describir A de acuerdo al (o) mtodo

de extensin, (b) mtodo de comprensin.

1,58. SeaA = {r r2-3r*2=0},

D = {t I 12<16).DeterminarsiACB o no.
www.tutomundi.com

32

CONJUNTOS Y PROBABILIDAD

1.69.

Demoerar que para cualquier conjunto

1.60. Etudiar la verdad o


entonces

A CB,

=y.

[cAP.

A tenemo A C A.

falredad de las propoeiciones siguientce. (o) Si A y B eon dos conjunos culeequiena,


B. () Sir yy son do nmeroereales sralesquierq entonces x1y, x>y O i

A)8,6 A:

1.61.

Demostra que cualquier aubconjunto del conjunto vacfo debe ser el conjunto vacfo.

1.62.

ei
[e
como I

o clse de todos loe conjunoc que no 8on elementos de eUos mimo. (o) Demostrar que
(b) Demoetrar que ri p-f Ge[, entoncq cJeeJ. I-a paradoja descrita se conoce

Sea

eeI'

ci

Rusell.

oPEBACIONES EITBE CON,ruNTOS, DIAGBAMAS DE VENN

TEOREMAS SOBBE CONJUNTOS

1.68. Seaununivero 'Ll:{L,2,3,4,5\ yrupngarequeloerubconjuntoede'll son A:{1,5}, B={2,5,31,


C = {4,2}.Encontrar (a) Av(BuCl, (b) (AuB)uC, (c) A(BuC), (d\ (AnBlu(AnC), (e) A,(B,nC,),
0 @uB) - (AuC), (s) (AnC)' u B, () A - (B,uC').
1.64, Sea'tl el conjunto de todos loi enteros no negativos y conaidrenee loe nrbconjuntoc
A = {xleunenteope, 15(6,} ! B = {rlreounnfimeroprimo,0(=4)
Encontra (a) AvB, (bl AnB, (c) A'nB', (d') A-8, (e\ B-A, (fl (A-B) u (B-A).
1.66.

Emplear un diagrama de Venn para dibujar ceda uno de loo conjuntoo eiguientec:

() A n (Bucl
() .4 u (BnC\

(c) A' n (BuC)'


(rt) A - (BnC)

(e) A'

(BuC)'

1.66.

EE

1.6?.

Demostrael (a) Teorema l-2,p6gina 3, () Teorema l-8, pgina B, (c) Teorema 1-4, pgina

1.68.

(o) Eemortrar la segunda ley De Morgan, Tborema 1-120, pgina 3, y (D) ilustrala utilizando un diagrama de
Venn.

1.69'

Generdiza las primen y eegunda leyec De Morgan a cualquier nmero de conjuntos. (Vase Problema 1.?).

1.?0.

Ilustrar el principio de dudidad haciendo referencie a losteoremas de la pfuina 3.

1.?f

(A

B)'

A'

Demotrarque (

L.72, Afirmar

- B'? Jutificar l olucin.

-A)UA =

lo srBC A

e ilugtrarlo utilizando un diagramade Venn.

o negar: Si A

-B = @, entonceA = B.
1.73. Demoharque .A r.t B = IA-(AnB)] u B-UnB)l
1.7

.1.

B.

u (Ar\B) eilushaloporundiagramadeVenn.

Generaliza el recultado del Problema 1.9.

EXPEBTMENTOS ALEATOBIOS, ESPACIOS MUESTBALES Y SUCESOS

L.76. Decribir un espacio muestral para cada uno

de loe siguientes experimentos aleatorios: (o) 3 lanzamientos de

una moneda, () el nhmero de fumdore. en un grupo de 600 hombre, (c) lanzar un moneda hasta que
aparezc un sello, (d) el nmer,o de llamadas recibida en une cettrat telefnica, (e) el nmero de partcular
nucleare que enhan a un contador Geiger, (fllanzat una moneda y un dado.

1.76. Un erperimento consiste en el lanzamiento de una moneda y un dado. Si A e el suceso "cara" en el


lnzamiento de la moneda y I es el euco "3 6" en el lanzamiento del dado, formule en palabras el
(a't A', () B', (c) A)8, (d) AnB', (e) A-8,
signifrcadodecadaunadelasoperacionessiguienee:
(f) B
(c)
A,
A'uB..
-

www.tutomundi.com

cAP.

ll

33

CONJUNTOS Y PROBABILIDAD

TEOREMAS SOBRE PROBABTLIDAD

1,77.

Completar la demostracin en el Problema 1.14(b) demostrando (sin emplear el diagrama de Venn) que

AUB = AOIB-(AOB)I
donde A y B

1.7t.
1.?9.

- (A B) son mutuamente excluyentes.

Demostrar el resultado (1 1), p6gina


Generalizar los resultados (I0 )

7.

y (I I ), pfuina ?, y as demostrar eI resultado (l ) del Problema 7.54, pfuina

30.

1.80.

Demostrar que

P(A'uB') =

- P(AB).

CALCULO DE PROBABILTDADES

1.t1.

Determinar la probabilidad p, o un estimador de ella, para cada uno de Ios sucesos siguientes:

(c)
(b)
(c)
(d)
(e)

La aparicin de un rey, as, jota de trboles o reina de diamantes al extraer una sola carta de una baraja
comn de 52 catas.
La suma 8 agatezca en un solo lanzamiento de un par de dados honrados.
Encontrar un tornillo defectuoso si despus de examina 600 tornillos se han encontrado 12 defectuosos.
Un 7 u 11 reeulte en un solo lanzamiento de un par de dados honrados,
Al menos aparezca una cara en tres lanzamientos de una moneda honrada.

consiste en la sucesiva extraccin de tres cartas de una baraja. Sea A1 el suceso "reyen la
primera extraccin", ,42 el suceso "rey en la segunda extraccin", y A3 el suceso "rey en la tercera
extraccin". Explicar el significado de cada una de las siguientes:
(a\ P(AroA!r), (b\ p(AluA2\, @) p(A'rr..tA'r), () p(A1^A'2A\), (e) pl(A1nAr) u (A"nAr)].

,1.82. Un experimento

1.83,

Se exrae una bola aleatoriamente de un caja que contiene 10 bolas rojas, 30 blancas, 20 azules y l5 naranjas.
Hallar la probabilidad de que sea (c) naranja o roja, (b) ni roja ni azul, (c) no azul, (d) blanca, () roja, blanca

o azul.

1.t4.

Se extraen dos bolas sucesivamente de la caja del Problema 1.83, remplazando la bola extrada despus de
cada extraccin. Halla la probabilidad de que (a) ambas sean blancas, (b) la primera sea roja ylasegunda
sea blanca, (c) ninguna sea naranja, (d) sean rojas o blancas o de ambos colores (roja y blanca), (e) la segunda
no sea azul, (g) al menos una sea azul, (h) mximo una sea roja, (i) la primera sea blanca pero la segunda no,
() solamente una sea roja.

1.85.

Resolver el Problema 1.84 si no hay remplazamiento despus de cada extraccin.

PBOBABILIDAD CONDICIONAL Y SUCESOS INDEPENDIENTES


f

.86.

Una caja contidne 2 bolas rojas y 3 azules. Hallar la probabilidad de que si dos bolas se extraen aleatoriamenremplazamiento) (o) ambas sean azules, (b) ambas sean rojas, (c) una sea roja y la otra azul.

e (sin

1.87. Hallar la probabilidad de extraer 3 ases aleatoriamente de una baaja de 62


remplazan,

1.8t.

(D )

cartzs

si las cartas (o)

se

no se remplazan.

Si aI menos un hijo en una famia con dos hijos es un nio cul es la probabilidad de que ambos hijos sean
nios?

1.89.

Demostrar que la probabilidad condicional definida por (17).pgina 8, satisface los axiomas de probabilidad
en la pgina 6 y por tanto todos los teoremas sobre probabilidad.

1.90.

Demostrar que si P(A ) >P(B ) entonces P(A I B)

1.91.

Si

> P(.8 I ,4 ).

es independiente de B demostrar que (o ) A es independiente de

L,92. SiA, B, Csonsucesosindependientes,demostrarque

(c)

B',

(b ) A' es independiente de

AyBUC, (b)AyBC, (c)A y B-C, son

pendientes.

www.tutomundi.com

inde-

CONJUNTOS Y PROBABILIDAD

34

1.93.

Sea

lcAP.

suceso "nmero impar en el primer dado", A2 = BuGso "nmeo impar en el segundo dado", 3 :
"total impa en ambos dados". Demostrar que A , AziA2, Atl At, A3 lon independientes pero que

auceao

At, Az, .43 no son independientec.

1.94. La

caja

contiene 3 bolasrojasy Sblancas,entnoquelacajalfcontiene4bolarojasy2blancas.

Se

escoge una bola aleatoriamente de la primera caja y se coloca en la sgunda cja sin obervar su color. Luego
ee extrae una bola de la segunda caja. Hallar la probabilidad de que sea blanca.

TEOREMA O REGLA DE BAYES

1.96.

Una caja contiene 3 bolas azules y 2 rojas mienras que otra caja contiene 2 bola azulee y 5 rojas. Una bola
extrafda aleatoriamene de una de las- cajas reeulta azul.Gul es la probabilidad de haberla exbado de la
primera caja?

1.96.

Ttes joyeros idnticos tienen dos compartimiento. En cada compartimiento del primer joyero hay un reloj
de oro. En cada compartimiento del Begundo joyero hay un reloj de plata. En el tercer joyero e un
compartimiento hay un reloj de oro, en tanto que en el oho hay un reloj de piata Si seleccionamos un joyero
aleatoriamente, abrimos uno de los compartimientoa y hallamos un reloj de plaa, cul es la pobabilidad de
que el otro compartimiento tenga un reloj de oro?

1,9?.

La urna

la urna II, 4 blancae y I nggra; y lrr urna ffl, 3 blancas y 4 negras.


y una bola ertrada aleatoriamente e blanca. Hallar la probabidad de

I tiene 2 bola blanca y 3 negras;

Se selecciona una urna aleatoriamente

haber escogido la urna I.


ANALTSIS COMBINATORIO, CUENTA Y DTAGNAMAI ARBOL

1.98.

Se lanza una moneda tres veces. Utiliza un diagrama rbol para determinr la diferentes poribilidades que
pueden suceder.

1.99.

Se extraen tres cartas aleaoriamente (sin remplazarniento) de una baraja de 62 catas. Uilizar un diagrama
bol paa determinar el nfmero de maneras en las que se puede exhaer (o) un diamante y un trbol y un
corazn en secuencia (b) dos corazones y luego un trbol o una pica.

l.1OO.

De cuntas maneraa pueden colocase

monedae diferentes en 2 posiciones diferentes?

PERMUTACIONES

1.101. Hallarelvalor de(a) oP2, () zPs, () roP.

L.lO2.

Para

qu valor de n es

,+tPt =

nPtl.

1.1O3. De cuntas formas pueden 5 personas sentarse en un sof si tiene solmente tres asientos?
eEtane ei (a) er posible cualquier ordenacin, (D) 3
libros determinados deben estar juntos, (c) 2 libros deerminados deben ocupar lo exremos?

1.104. De cuntas forma pueden ordenase 7 libros en un

1.106. Cunto nmeros de cinco cifras pueden formarse con los dgitos L, 2, 3, . . . , 9 i

(o )

lor nmeros deben ser

impares, (b) las primeras dos cifras de cada nmero son paes?

1.106. Resolver el problema anterior si

la8 cifre de los nmeros pueden estar repetidas.

1.1O?. Cuntos nmeros diferentes de 3 cifra pueden formare con 3 cuaEog,4 doeee y 2 tress?

1.10t.

De cuntas formas pueden 3 hombres y I mujerec sentarse alrededor de una meea ei (o) no se impone
ninguna resriccin, (b) doe mujerer determinadas no deben centare juntar, (c) cada mujer debe eetarentre
dos hombres?

COMBINACIONES

1.109. Hallar el valor de (a) rC3, (b) C, () roC.

www.tutomundi.com

35

CONruNTOS Y PROBABILIDAD

cAP. 1l

valor de n s cumple que

3' n+rC : 7'

1.110.

Para qu

1.111,

De cuntas maneras pueden seleccionarse 6 preguntae de

nCzl.

un total de 10?

1--112" Ctntos comits diferentes de 3 hombres y 4 mujeres pueden formarse con 8 hombres y 6 muieres?
2 hombres,4 mujeres, 3 nios y 3 nias con 6 hombres,8 mujeres,
s impone ninguna restriccin, (b) deben seleccionarse un hombre y una mujer

1.113. De cuntas formas pueden seleccionarse

4 nios y 5 nias si (o) no


determinados?

1.114.

f),e cuntas formas puede un grupo de 10 personas dividirse en (o) dos grupos de 7
grupos de 5, 3 y 2 personas?

y 3 personas, (b)

tres

1.115. Con 5 estadistas y 6 economistas quiere formarse un comit de 3 estadistas y 2 economistas. Cuntos
comits diferentes pueden formarse si (o) no se impone ninguna restriccin, (b) dos estadistas determinados
deben estar en el comit, (c) un economista determinado no debe estar en el comit?

1.116. Halla el nmero de (o) combinacionee y (D) permuaciones de cuatro letras cada una quepuedenformarse
con las letras de la palabra Tennessee,

COEFICIENTES BINOMTALES
/11

1.117. Calcular, (c) eC, () ( ), t"l kCz\QC)/DC;.


\4 /
1.118. Expandir (o) (o+y)6, (b)

(r-a)4,

1.119. Hallar el coeficiente de en

(c)

(t-r

t)s, (d) (rz*21t.

lt\ * )t.
r/

* '. +/"\
\rl
\o/ \r / + 1")
\2 /
/"\ - /"\ .( ") - ...+ r-''i"
2/
\l )=o
\o/ \r/
/"\ * /"\

1.120. Demostrar que (c)


(b)

1.121. Demostrar que (o)

,,"",,
j=1

= n.2n-1,

(b)

j=t

(-1);-tj(,C,) =

0.

PROBABILIDAD UTILIZANDO ANALISIS COMBINATORIO


1.122. Hallarlaprobabilidaddeobtenerunasumade?puntos(o)unavez,(b)almenoe

unavez'(c)dosveces'en

dos lanzamientos de un par de dados honradoe.


1.f 23. Se extraen dos cartas sucesivamente de una baraja de 52 eartas, Hallar la probabilidaddeque (o)laprimera
carta no Bea un diez de trboles o un aa, (b) la primera cata sea un a pero la eegunda no, (c) al menos una
carta sea un diamante, (d) las cartas no sean del mismo palo, (e) no ms que una carta sea figura (jota, reina'
rey), (f) la seErnda carta no sea una figura, (g) la seg.rnda carta no sea una figura dadoque la primera e lo es,
(h) las cartar son frguras o picas o ambas.

1.t24. lJna caja contiene 9 tiquetes numerados del 1 al 9. Si s extraen 3 tiquetes de la caja uno a uno' hallar la
probabilidad de que alternativamente san impar, par, impar o par' impar' par.

1.125. La apuestas en favor de A de ganar un juego de ajedrez contraB son 3:2. Si se van a jugar tres juegos cules
son la apuestac (a) en favor de A de ganar al menoa doc de los tre juegos, (b) en contra de A de perder los
prir4eros dos juegos?
ee reparte a cada uno de loe 4 jugadores 13 cartas de una baraja de 52 cartae. Halla la
probabilidad de que uno de loe jugadores obtenga (o) ? diamantea, 2 hboles, 3 corazones y 1 pica; (b) un
palo completo.

1.126. En un juego de naipee

www.tutomundi.com

36

CONruNTOS Y PROBABILIDAD

lcAP.

1.127. Una urna contiene 6 bolas rojas y 8 azules. Se extraen cinco bolas aleatoriamente sin remplazamiento. Halla
la probabilidad de que 3 sean rojas y 2 azules.

1.12E. (o) Hallar la probabilidad de obtener la suma 7 en al menos uno de tres lanzamientos de un par de dador
honrados, (b) Cuntos lanzamientos se necesitan para quela probabilidad en (o) eea mayor que 0.96?

1.129. Se extraen 3 caas de una baraja de 52. Halla la probabilidad de que (o) las cartas eean de un palo, (b)al
menos dos sean ages.

1.130. Hallar la probabilidad de que un jugador tenga de 13 cartas g de un mismo palo.

APROXIMACION DE STIRLING A n!
1.131. De cuntas formas pueden seleccionase 30 individuos de un total de 100?
1.132. Demostrar que aproximadamente

2nCn

22"1\/, rara valores de n grandes.

1.133. Hallar porcentaje de enor en la frmula de Stirling para n

10.

1.134. Obener una aproximacin al resultado del Problema 1.51.

PROBLEMAS DIVERSOS

1.135. Un espacio muestral consiste de 3 puntos muestrales con probabilidadeg aociadas dadas gor 2p, p2 y 4p
Halla el valor de p.

1.136. Demostrarque

siACB'

1.13?. Demosrarque

A-(A nf:

entonces

L.

AnB:Q.

AB'.

1.138. Cuntas palabras pueden formaree con 5 letras si (o) lae letras son diferentes, (D) 2 letras son idnticas, (c)
todas las letras son diferentes pero dos letras determinadae no puden estar juntas?

1.139. Cuatro enteros se eligen aleatoriamente entre 0 y 9 inclusive. Halla la probabildad de que (o) sean diferentes, (b) mximo dqs sean igualee.

1.140. Un par de dados se lanzan repetidamente. Hallar la probabilidad de que ocurta 11 por primera vez en el
sexto lanzamiento.

1.141. Cul es el menor nmero de lanzamientos necesarios en el hoblema 1.140 para que la probabidad de
obtener 11 por primera vez sea mayor que (a) 0.5, (b) 0.95?

sea honesta pu6to que en cualquier nmero de lanzamientos es extremadamene difcil que el nmero de caras y Eelor eea igual.

1.142, Esudiar lo eiguiente: no hy tal cosa de que una moneda

1.143. Supngaae que al lanzar una moneda 500 veces hay una secuenci de2(lsnzanientosqueresulan"carast'.
Puede consideraee la moneda cmo honrada? Expcar.

1.144. Demostrar que para cualesquiera sucesos Ar, Az, . . . , An

P(ArvA"u...uAn) < P(4,) + P(A)+ .'. +P(")


1.145, Al lanzar un par de dados la suma puede ser 2,3, . . ., 12. Podramos asignar probabilidadee de 1/11 a cada
uno de esos puntos? Explicar,
1.146. Enunjuegodepkerhallarlaprobabidaddeobtener(o)unaescaleraflor,queconsistedediez,jota,reina,
rey y as del mismo palo; (b) tn full que consiste en 3 cartas de un valor y 2 de otro (por ejemplo 3 diecer y
2 jotas, etc.); (c) catas diferentes, (d) 4 ases.

l.l47.I's

probabilidad de que un tirador d en el blanco eede 213. Si diepara al blanco hastaqueledalprimera


vez, hallar la probabilidad de que necesie 6 disparos.

www.tutomundi.com

cAP. 1l
1.148.

CONJUNTOS Y PROBABILIDAD

37

(c) Un

estanque contiene 6 compa.rtimientos separados.De cuntas maneras pueden colocarse 4 bolas


idnticas en los compartimientos? (b) Resolver el problema si hay n compartimientos y r bolas. Este ipo de
problema se presenta en fsica en conexin eonlaestadstica Bose-Einstein.

1.149. (a) Un estante contiene 6 compartimientos separados. De cuntas formas pueden colocarse 12 bolas idnticas en los compartimientos de tal manera que ningn compartimiento quede vaco? (b) Resolver el problema
si hay n compartimientos y r bolas para r ) n. Este tipo de problema se presenta en fsica en conexin con la
es

tad sca

Fermi-Diroc.

1.150. Un jugador de pker tiene las cartas 2, 3, 4,6,8. Desea descartar el 8 y remplazarla por otra cara que
espera sea un 5 (err ese caso obtendr una "escalera"). Cul es la probabilidad de que obtenga el 5
suponiendo que los oro tres jugadores en conjunto tienen (a) un cinco, (b) dos cincos, (c) trer cincoe, (d)
ningfrn 5? Puede resolverse el problema sin saber el nmero de cincos que tienen los otros jugadores?
Expcar.

1.151. Resolver el Problema 1,50 si el juego

se

mita a

lanzamientos.

1.152. Generaliza el resultado del Problema 1.151.


1,13. Hallar la probabilidad de que en un juego de bridge (o) dos jugadores, () tres jugadores, (c) los cuatro
jugadores tengan un palo completo.

/"\ = ! 1t'" - t't


.)va", una interpretcin combinatoria.
,:).\/(;_
\r/
(1 + rt (1 + o"-t y hallar el coeficiente de j en el producto).

1.154. Demostrar que

1.155. Demostrar

que

l")
\"/ - 11)'-*
\o/ 1i)'-l
\t/

- (i)'

(Sugerencia: Consisar

una interpretacin combinatoria.

"dar

1.156. Demostrar que la probabidad para que la secretaria del Problema 1.54 obtenga exacamente

I -c / r\k
sobres correctos
". ; u fi.ISr"r"ncia.'

que p"(a) = 1
fipn-o (0) y luego emplear

letras en los

Denoando la probabilidad deseada comop (a), demostrar

el resultado del Problema 1.541.

www.tutomundi.com

Captulo 2
Voriobles qleqtorios y
distribuciones de probobilidod
VARIABLES ALEATORIAS

un espacio muestral asignamos un nmero. As definimos una


espacio
muestral.
Esta
funcin se llama wriable aleatoria (o uariable estocastiea) o
en
el
funcin
ms precisamente funcin aleatoria (funcin estocstica). Comnmente se denota por una leha
mayscula como X 6 Y. En general una variable aleatoria tiene algn signifrcado fsico, geomtrico
u otro.
Supngase que a cada punto de

EJEMPLO 21. Supngase que se lanza una moned dos veces de tal forma que el espacio muestral es f : {Cq Cg
Sq SS). Repreonteee por X el nmero de caas que pueden resultar. Con cada puno muestral podemoe arcciar un
nfrmeo para X como se muesha en la Tabla 2-1. As en el caso de CC'(es decir 2 carae) X :2 e tanto que para SC
(1 cara) X = 1. Se concluye que X eo una variable aleatorir.

Tabl 2-1
Punto muestral

cc

cs

sc

ss

Debe obervare que tambin podran definirre otras muchac variables aleatorias en este espacio mueehal, por
ejemplo el cuadredo del n(rmero de carac, el nlmero de caras men(x el nmero de eelloa, etc.

Una variable aleatoria que toma un nmero frnito o infinito contable de valores (vase pgina 4)
se denomina wriable aleatoria discreta mienhas que una que toma un nmero infinito no contable
de valores s llama variable aleatoria no discreta 6 continua.
DISTRIBUCIONES DE PROBABILIDAD DISCRETA
Sea X una variable aleatoria discreta y supngase que los valores posibles que puede tomar estn
ordenados en orden creciente de magnitud. Supngase tambin que los
dados por rr , x2, !
valores se asumen con probabilidades dadas por

k=L,2,...

P(X=ryl=f(rx\

(I)

Es conveniente introduct la funcn de probabilidad, tambin conocida como la distrbucin


probabiliM, definida por

P(X =

Para

nr (2) se reduce a (l)

r) = l(a)

en tanto que para otros valores de

f() es una funcin de probabilidad


1. f(a) > o
2.- >(sl = t

En general

si

38

www.tutomundi.com

de
(2)

r, f() :

0.

39

VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD

cAP.2l

donde la suma en 2 se toma sobre los valores posibles de


probabilidad.

r.

Una grfica de

f()

se llama

grdfica de

EJEMPLO 2.2. (a) Halla la funcin de probabilidad correepondiente a La variable aleatoria X del Ejemplo 2.1 y
construir la grfica de probabilidad.
(o

(b )

Suponiendo que la moneda es honrada tenemos

P(CC)

P(CS)

P( SC)

P(SS)

Luego

P(X-0)=P(ss)=;

Tabla 2-2

P(X:1) = P(CSuSC) = p(cs)+ p(sc) = i*i


P(X=21 = P(CC)
As,

la

=I

=I

f(r)

r/4

r/2

r/4

funcin de probabilidad est dada en la Tabla 2-2.

(b) I

grfica de probabilidad puede reprecentarse comoleindica en la Fig. 2-1, o por un histogromo, como
se indica en la Fig. 2-2. En la FA. 2-1 la suma de las ordenadas es 1 mientras que en el histograma la
suma de l reas rectangulares es 1. En el cao del hislogama podemos considerar la vaiable aleatoria X
como continua, por ejemplo X: 1 significa que es enre 0.5 y 1.6.

Fig.2-f

Fg.2-2 Histograma

Eepectro

FUNCIONES DE DISTRIBUCION PARA VARIABLES ALEATORIAS DISCRETAS

La funcin de distribucin acumuhda, o simplemente la funcin de dstribucin, pata vrta

varidble aleatoria X se define por

rl = F(u)
real, es decir - - 1 x ( -.

La funcin de distribucin puede

F(rl = P(x=r) -- )f(u)

(0

P(X <

donde

es cualquier nmero

(8)

obtenerse.de la funcin de probabilidad notando que

donde la suma a la derecha se toma para todos los valores de z para los cuales u = x,. Recprocamente la funcin de probabilidad puede obtenerse de la funcin de distibucin.
Si X nicamente toma un nmero finito de valores lct, z
rn entonces la funcin de
distribucin est dada por
0

F(r\

f (r')
f(rt\ + f(r

-@<fr1It
rt3fr1trz
rz3fi1rt
:

/(r,)

+...+/(r")

www.tutomundi.com

x. lxla

(5)

40

VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD

EJEMPLO

2.3. (o) Halar

representacin grfica.

(a) f'a funcin

lcAP.2

la funcin de distribucin para la vaiable aleatoria X del Ejemplo 2.2, (b) Obtener

su

de distribucin es

lo
I

F(r) =

ll
ln
la
ln
[1

-o((0
0<r--l
l<r12
2<r1-

(D) Larepresentacin grfica

de

F(r)

se mues-

tra en la Fig. 2-3.

Los aspectos siguientes acerca de la funcin de distribucin anterior, que son verdaderos en general, deben notane.

1.

Las magnitudes de los saltos en 0" 1, 2


son LlA, 712, 714 corresponden exactanrente a las ordenadas en la Fig. 2-1.
Este hecho permite obtener la funcin
de probabilidad a paftir de la funcin
de distribucin.

2.

Debido a la apariencia de la grfica de la Fig. 2-3 frecuentemente se le llama funcin escalera


o funcin paso. El valor de la funcin n un entero se obtiene del paso superior, as el valor
en 1 es 314 y no Ll4. Esto se expresa matemticamente estableciendo que la funcin de
distribucin es continua por la derecha en 0, 1, 2.

3.

A medida que procedemos de izquieida a derecha (es decir subiendo la escalera) la funcin
de distribucin permanece igual o aumenta, tomando valores desde 0 hasta 1. Debido a esto
se dice que es vnafuncin monotnicamente creciente.

DISTRIBUCION DE PROBABILIDAD

Si X es una variable aleatoria continu4 la probabilidad de que X tome un valor determinado


generalmente es cero. Por tanto no podemos definir una funcin de probabilidad en la misma forma
que para una vaiable aleatoria discreta (pgrna 38). Para llegar a una distribucin de probabilidad
para una variable aleatoria continua notamos que la probabilidad de que X se encuentre entre dos
ualores diferentes tiene significado.
EJEMPLO 2.4. Si se selecciona aleatoriamente un individuo de un grupo numeroso de hornbres adultos, la probabilidad de que su estatura X sea precisamente 147 centmetros sera cero. Sin embargo hay una probabilidad mayor
que cero de que X est entre 145 y 150 centmetros, por ejemplo.

Estas ideas

y la analoga de las Propiedades 1 y 2, pagjna 38, nos conducen

existencia de una funcin

1. f(r\ >

f(r) tal que

a poshrlar la

2. .)I__ f(r\dx=r
donde la segunda es una proposicin matemtica del hecho que una variable aleatoria de valor real
debe ciertamente encontrase entre - @ e -. Entonces definimos la probabilidad de que X se
encuentre entre y b como

P(a<X<b) : "'

f (n) d.n

www.tutomundi.com

(6)

VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD

CAP, 2]

4L

Podemos demostrar que esta definicin satisface los axiomas de probabilidad dados en la pgina 6.

Una funcin f(r) que satisface los requisitos anteriores se llama funcin de probabilidad o
distribucin de probabilidad para una variable aleatoria continua, pero con mayor frecuencia se
denomina funcin de densidad de probabilidad o simplementn funcin de densdad. Cualquier
funcin que satisface las propiedades t y 2 antnriores automticamente es una funcin de densidad
y las probabilidades pedidas pueden obtenerse a partir de (6').
EJEMPLO 2.5. (o) HaIIar la constante c para que Ia funcin

o.'"

f(r = {"^*
L0
sea una

"

de otra forma

funcin de densidad y (b) calcular P(l < X < 2).


(a) Ya que f(r) satisface la propiedad 1 si c ? 0, debe satisfacer la propiedad 2 para ser una funcin

de

densidad, Entonces

t'n

.-g

.l-*t'lol' = )ow2dr - ?1. =


y puesto que esto debe ser igual a 1 tenemos

(b)

p(r<x<z)

13

ec

c: tl9.

-.f,'!,,n*

#f, = *-h=:h

En el caso de que f(r) sea continua, lo que supondremos al menos se establezca otfa cosa, la
probabilidad de que X sea igual a cualquier valor determinado es cero. En tal caso podemos
remplazar cualquiera o ambos de los signos ( en (6) por
As, en el Ejemplo 2.5,

=.

P(1<

X<2) = P(l<X<2) = P(\<X=Z) = P(l1X<2)

fr

FUNCIONES DE DISTRIBUCION PARA VARIABLES ALEATORIAS CONTINUAS


Por analoga con (4), pgina 39, definimos la funcin de distribucin F(x\ para una uariable
leatoria continua por

F(.r)

= P(X=r)

En los puntos de continuidad de


EJEMPLO 2.6. (a) Hallar
resultado de (o) para hallar

(o)

f(r),

P(- a1X<r)

el signo

= J_-"
f' pau

en (7\ puede remplazarse por

a-

V)
si se desea.

la funcin de distribucin para la variable aleatoria del Ejemplo 2.5. (b) Emplear
P(l < r = 2\.

el

Tenemos

F(r) =
Si

0 entonces F(.t)

P(X

r\ =
o"
__,UU

= 0. Si 0 f: x 13 entonces

n, = #

F(rl

ou
fo' ,ru,

,'U",

,tu, ou

+ f"'f@)au

fo'!u,au

Si>Sentonces

F(r) =

fo"

f""oou

Por tanto la funcin de distribucin pedida es

r(o
[o
F(r) - 1/27 0<'<3

fr

s>s

Obsrvese que F(r) aumenta monotnicamente desde 0 hasta 1 como lo requiere una funcin dedistribucin. Tambin debe observarse que F(r) en este caso es continua.

www.tutomundi.com

42

VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD

()

[cAP.2

Tenemoa

P(r<x<2)

P(X=21

f(2) -

P(X=1)

F(1)

2s137

n-n

como en el Ejemplo 2.6.

La probabilidad de que

se encuentr entre

r yxt

p(r= xtn+ta)
as que si

A*

es

Ax est dada por

= .rrf'** gau

(8)

pequeo tenemos aproximadamente

P(r<X<a*tr)

: f(n\tn

(e)

Tambin observamos de (7) que al diferenciar ambos lados

ry=r@)
para todos los puntos donde
funcin de densidad.

/()

es

(10)

continu4 es decir la derivada de funcin de distribucin

es la

REGLA DE LEIBNIZ
Paa obtener (101hemos empleado el hecho familiar del clculo de que

$ !"' tlu) ou =
Este es un caso especial de

(11)

regla de Leibniz para diferencbcin de una integral:

*"";,i,','r(u,x)itu
donde

f (s)

= f""jl,',' T*0" + F(az(a),a# - F@t(n),#

(121

at, az y F se suponen derivables con respecto a.r.

INTERPRETACIONES GRAFICAS

f(r)

es la funcin de densidad para una variable aleatoria X entonces podemos reptesentar y


grficamente por una curva como en la Fig. 2-4. Puesto que f(r) Z 0, la cunra no puede
caer por debajo del eje r. El rea total limitada por la cuwa y el eje debe ser 1 debido a la
propiedad 2 en la pgna 40. Geomtricamente la probabilidad de que X est enhe a y b, es deci
P(a 1 X < b), se representa por el rea sombreada de laFig.2-4.

Si

: f(x)

Fig. 2-l

www.tutomundi.com

cAP.2l

VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD

La funcin de distribucin F(*) = P(X s

43

es una funcin monotnicamente creciente que

aumenta desde 0 hasta 1 y se representa por una culva como en la Fig. 2-5.

DISTRIBUCIONES CONJUNTAS
Las ideas anteriores se generalizan fcilmente a dos o ms variables aleatorias. Consideramos el
caso tpico de dos variables aleatorias que son ambas discretas o ambas continuas. En los casos
donde una variable es discreta y la otra connua, se hacen fcilmente modifrcaciones apropiadas.
Tambin pueden hacerse generalizaciones a ms de dos vaiables.

1.

Caso discreto.

Si

X, y son dos variables

aleatorias discretas definimos lafuncin de probabilidad conjunta por

P(X=r,Y=E) = f(x,a)

(18)

1. f(r,a) -- o

donde

2.
es

decir la suma sobre todos los valores de x, y es uno.

Supngase que X pucde tomar cualquiera de los m valoreg t, tz


x^, y f puede toma
cualquiera de los n valores !t, !2,..., !n. Entonces la probabilidad del suceso X': qiY
: /p est dada por
P(X = rj, Y : Ar) = f(r,U*\
(141

Una funcin de probabitidad conjunta para X, Y puede representarse por una tabla de probabilidad coniunta como en la Tabla 2-3. La probabilidad de que X : *, se obtiene sumando
todas las enhadas en la fila conespondiente a x I est dada por
P(X = r)

= f'(n) = k=l
) f(a,A*)

{15)

Parai:l,2,...,mestasseindicanporlaenhadadetotalesenlacolumnaomargendel

extremo <ierecho como se indica en la Tabla 2-3. Anlogamente la probabilidad de que f = y


obtiene sumando todas las entradas en la columna correspondiente a !r ! est dada por

se

P(Y-ar):
Para h :
Tabla 2-3.

L,2,..,,

estas seindican

fz(gl

= t=r
2f@t,a*\

(161

porlaentradade totalesenlafilao margeninferiordela


Tabla 2-B

"'.'. f
X\

u"

Ut

Totole

(rrai

l(xr,

'Yr

f (rr

(rz,

a)

(rz,

y..t\

f (rz, an)

,m

(r-,

ai

(r^,

yz)

Totales

zfu)

f zfuz)

(t*,

u,l

ul

iz@")

www.tutomundi.com

t@)

it@zl

ft(s^l
1

Gran Total

44

VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD

[cAP.2

Debido a que las probabilidades (/5) v (16) se obtienen de los mrgenes de la tabla frecuentemente nos referimos a fr(x) y fr9e) (o simplementn ft@l yfr(y))como las funciones de
probabilidad marginal de X, Y respectivamente. Tambin debe notarse que
m

) /'(c, =

k=l

i-- |

que puede escribirse como

f,@r)

(17)

mn
i:r

(r8)
k=1

Esto es sencillamente la proposicin de que la probabilidad total de todas las entradas es


gran total de 1 se indica en la esquina inferior a la derecha de la tabla.

Lafuncin de dstribucin conjunta de X, Y

se

1. El

define por
(1e)

En la Tabla %3, F(x,y) es la suma de todas las entradas para las eue

2.

r; a

r y

An

A.

Caso continuo.

caso donde ambas variables son connuas se obtiene fcilmente por analoga con el caso
discreto al remplazar las sumas por integrales. As la funcin de probabilidad coniunta patalas
variables aleatoriasX, Y (o, como ms comnmente se llama,lafuncin de densidadconiunta
de X, Y) se define por

El

1. f(r,u) > o

z. J_*
f" J_f"

f@,y\itrd,y

Grficamente z : f(x, y) representa una superficie, llamada lasuperfieie de probabIidad, como


indica en la Fig. 2-6. El volumen total limitado por esta superficie y el plano ry es igual a 1 de
acuerdo con la propiedad 2 anterior. La probabilidad de que X est entre o y b en tanto que Y
.est entre c y d es,t dada grficamente por el volumen sombfeado de la Fig. 2-6 y matemticamente por
se

P(a<X<b,e<Y<d) : .f.'=..f":" f (r,y) dr dy

(20)

Fig. 2-6

A representa cualquier suceso existir una regin (.o del plano ry que corresponde a 1. En tal caso podemos hallar la probabilidad de A efectuando la integracin sobre
fi.o, es decir

Generalizando, si

www.tutomundi.com

cAP.2l

VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD

p(A)

= l

,r.,a\irrd.a

(21)

fi.

La funcin de distribucin conjunta de

F(r,V)
Se deduce en analoga

X,

Y en este caso se define por

: P(X<r,Y<U) = f'
t)=

-t

f"

./t

f@,o\itnt.itn

(22\

-o

con (10), pgina 42,que


a2F

a*

I\x'a)

(23)

es

decir,la funcin de densidad se obtiene devando la funcin de distribucin con respecto a

X,

!.

De (221obtenemos

P(X <

r) = Ft(r) :

""=

-- "-=

_f

(u,a) itu

(24)

d,u

P(Y='y = Fr( =
,'=__,'=_.f(u,a)d,uila

(25)

Llamamos a (24\ y (25) las funciones de distribucin marginal, o simplemente las funciones de
distribucin, de X y Y, respectivamente. Las derivadas de (24) y (25) con respecto a r, y se
llaman las funciones de densidad nwrgirwl, o simplemente las funciones de densidad, de X y Y y
estn dadas por
f

,(x)

.f,"= _-f(n,o\da

,@)

a;

= ).= __f (u,a)

ituu

(26)

VARIABLES ALEATORIAS INDEPENDENTES

X, Y son variables aleatorias discretas. Si los sucesos X : JC, Y : y son sucesos


para
independientes
todo *, y, entonces decimos que X, Y ion uariables aleatorios independientes.
En ese caso
Supngase que

P(X =

f,

a)

f(n,a\

o lo que es igual

P(X = r) P(Y = a)

(27)

,(r)f"@)

(28)

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

Si X, y son variables aleatorias continuas decimos que son uarables aleatorins independientes si
los sucesos X S x, Y I y son sucesos independientes para todo r, y. En tal caso podemos escribir

P(X <

r, Y = a) = P(X < r\ P(Y


=g)

(2e)

o lo que es igual

F(r,u) =
donde

F'(r)F,(u)

(s0)

F, (x) y Fz@) son las funciones de probabilidad (marginal) de X y Y respectivamente. InversaX, Y son variables aleatorias independientes si para todo r, y su funcin de distribucin

mente,

www.tutomundi.com

46

VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAI)

lcAP.2

conjunta F(x, y) puede expresarse como el producto de una funcin de r y una funcin de y (las
cuales son las distribuciones marginales de X, I0. Si F(r, y) no puede expresae as, entonces X y Y
son dependientes.
Paa vaiables aleatorias independientes continuas tambin es cierto que la funcin de densidad conjunta f(x, y) es el producto de una funcin de x,f ,(xl, por una funcin de y, fz(y), y estas
son las funciones de densidad (marginal) de X, Y respectivamente.

GAMBIO DE VARIABLES

o ms variables

Dadas las distribuciones de probabilidad de una

aleatorias con frecuencia

estamos interesados en hallar las distribuciones de otras variables aleatorias que depende de ellas en
alguna manera determinada Los procedimientos para obtener estas distribuciones se presentan en
los tcoremas siguientcs para el caso de las variables discretas y continuas.

1.

Variables discretas.

Teorema

2-1:

X una variable aleatoria discreta cuya funcin de probabilidad es f(r). Supngase


que se define una variable aleatoria discreta U en trminos de X por U : (X),
donde a cada valor de X corresponde uno y solamente un valor de U e inversamente,
as que X : (U). Entonces la funcin de probabilidad paru U est dada por
Sea

s(u)
Teorema

(s1)

2-2: Sean X, Y

variables aleatorias discretas que tienen una funcin de probabilidad


conjunta f(x, y\.Supngase que se definen dos variables aleatorias discretas U y V en
trminos de X, f por U:0r(X, Y'),V: Qr(X, I|), dondeacadaparejadevalores de
X, Y cortesponde una y solamente una pareja de valores U, V e inversamente, as
que X = t(U, n,Y: z(U V). Entonces la funcin de probabilidad conjunta
de Uy Vest dada por

g(u,u)

2.

= f[,t@)]

f l,l't(u,a), gr(u, a\)

(e2)

Variables continuas.

Teorema

2-3:

X una variable aleatoria continua con densidad de probabidad f(r). Definamos


U = (X) donde X : ([.I) como en el Teorema 2-1. Entonces la densidad de

Sea

probabilidad de Uest dada por g(u) donde

= f(r)ld,rl
s@) = r@\l#l= rw@)rv'@)l
Teoema

2-4:

g(u)ldul

(83)
(34)

$ean X, Y variables aleatorias continuas que tienen una funcin de densidad conjunta f(x, y). Definamos f/: r(X,Y),V:0"(X, Y) donde X: t(U, V), Y: z
(U, n como en el Teorema 2-2. Entonces la funcin de densidad conjunta de U y V

est dada por g(u, u) donde

g(u,a)ldudal
o

s(u,a)

f(r,a\lda dy

= f(r,l#31 =

fl+,(u,a), e,(u,a)llJ

En (Sd) el determinante Jacobiano, o sencillarente el Jacobiano, est dado por

www.tutomundi.com

(35)
(36)

cAP.2l

VARIABLES ALEATORIAS Y DISIR,IBUCIONES DE PROBABILIDAD

A
E(a,ul
6(u,o)

J=

47

Ar

A1r A,

(871

aa aa

&u 0a
DISTRIBUCIONES DE PROBABILIDAD DE
FI.]NCIONES DE VARIABLES ALEATORIAS

Los Teoremas %2 y 24 especficamente incluyen funciones de probabilidad conjunta de dos


variables aleatorias. En la prctica con frecuencia se necesita hallar la distribucin de probabdad
de alguna o vaias vaiables aleatorias determinadas. Cualquiera de los teoremas siguientes es frecuentemente til para este propsito.

X, Y variables aleatorias continuas y sea U = t(X, n, V:X (lasegunda


seleccin es arbitraria). Entonces la funcin de densidad pan U es la densidad
marginal obtenida de la densidad conjunta de U y V tal como se hall en el Teorema
2-4. Un resultado anlogo es vdo para las funciones de probabidad de las varia-

Teorema2-5: Sean

bles discretas.
Teorema

2-6:

Sea f(r, y) la funcin de densidad conjunta de X, Il. Entonces la funcin de densidad g(u) de la variable aleatoria U : Qr(X, Y) se encuenha derivando con respecto
a la funcin de distribucin dada por

p,(X,y)<u)

G(u)

= fl ,rr,ylitrdy

(es)

donde Q es la regin para la cual 4r(o, A) u.


=
ClDNVOLUCIONES

Como consecuencia particular de los teoremas anteriores podemos demostra (vase Problema
es decir de U : X * n, que tengan

2.23\ que la suma de dos vaiables aleatorias continuas X, Y,


como funcin de densidad conjunta a f(x, y) est dada por

s(u)

r) itn
__ ,r.,u -

En el caso especial donde X, Y son independientns, l(u,U)

s@)

= f'
.,

(8el

= f ,(r) f ,@) y (39) se reduce a

fr(*)fr(u-r)iln

(t o

-6

que se conoce como la conuolucin de f t y f z, abreviado f ,* fz .


Las siguientes son algunas propiedades importantes de la convolucin:

1. ft. fz = fz+ ft
2. f t* (f z* f t = gt* fz)'f
3. r* (fr'f fi = ft* fz * ft+ fs
s

Estos resultados demuestran gue fr , fr, f ,, obedecen las leyes conmutatiuq reociatiua
del lgebra con respecto a la operacin de la convolucin.

www.tutomundi.com

y distribr''.iw

48

VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD

IC.AP.2

DISTRIBUCIONES CONDICIONALES
Con anterioridad sabemos que si P(A)

>

P(BIA\

(4t

Si & y son variables aleatorias discretas y tenemos los sucesos (A: X


(41) se convierte en

= r), (B: Y: J),

entonces

P(Y=ulX=r) : f\*'')
f

(42)

'(r)

donde f(x, yl = P(X : , Y : y) es la fi:ncin de probabilidad conjunta


probabilidad discreta para X- Definimos

f@tr) =

y fr(r)

es la funcin de

y8

('t g)

y la llamamc funcin de probabilidad condcional de Y dada


probabilidad condicional de X dada Y es

X. Anlogamente la funcin

##

r(rlut =

de

@+

1xlu) y f(alr)porfr(rla) I fr@lr)respectivarente.


fcilmente al caso en que X, Y son variables aleatorias continuas.

Algunasvecesdenotaemosa

Estas ideas se amplan


ejemplo, la funcin de densidad condicional de Y dada X

fe1 =

Por

es

Ll++
r(r

&s

donde f(x, y) es la funcin de densidad conjunta de X, Y, /, (r) es la funcin de densidad marginal


de X. Utilizando (45) podemos por ejemplo hallar que la probabilidad de que Y est entre c y d

dadoquerlX(r*dres

p(c<y <iI | *<X<

*dr) :

f"'"

f{rlr)da

(40

Tambin se dispone de la generalizacin de estos resultados.

APLICACIONES A LA PROBABILIDAD GEOMETRICA

Varios problemas en probabilidad surgen de las consideraciones


geomtricas o tienen interpretaciones geomtricas. Por ejemplo,
supngase que tenemos un objetivo en la forma de una regin plana
de rea K y una porcin de ella con ea K1 . Entonces es razonable
suponer que la probabilidad de pegar a la regin de rea K, es pre
porcional a K. Por tanto definimos
P(pegar en la regin de rea K1 )

Kr

Qr

donde se supone que la probabilidad de pegar al objetivo es 1. Lgicamente pueden plantearse ohas suposiciones. Por ejemplo, puede
ser menos probable pegar a reas externas, etc. El tipo de suposicin
empleado define la funcin de dishibucin de probabilidad.

www.tutomundi.com

Fis.2-7

49

VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD

cAP.2l

Problerna,s restreltos
VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD DISCRETAS

2.1.

Supngase que se lanza un par de dados honrados y que la variable aleatoria X denote la suma
de-los punts. (a) Obtener la distribucin de probabilidad paraX. (b) Consbuir una grfica
para esta distribucin de probabilidad.

(c)

LospuntosmuestralesparaloslianzamientosdeunpardedadosestndadosenlaFig.

1'17'pgina18.La

variable aleatoria X es la suma de las coordenadas para cada punto. As para (3,2) tenemos X : 5.
Utilizando el hecho de que los 36 puntos muestrales son igualmente probables, as que cada punto
muestral tiene probabilidad 1/36, obtenemos la Tabla 2-4.Po ejemplo, garaX:5 corresponden los
cuaho puntos muestrales (1,4), (2,3), (3,2), (4,1) as que la probabilidad asociada es 4/36.
Tabla 2-4
'x

l0

11

t2

/(r)

1/36

2t36

3/36

4/36

5/36

6/36

o/.Jo

4/36

3i 36

2/36

1/36

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

www.tutomundi.com

50

2.2.

VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD

[cAP.2

(c) Hallar la disgibucin de probabilidad de nios y nias en familias con 3 hijos, suponiendo
iguales probabilidades para nios y nias.. (b) Reprsentar grficamente la distriUucin en (o).
(a

EI Problema 1.46 trat el caeo de n intentos mutuatente independientes, donde cada intento tenfa dos
resultados posibles, A y A', c.on probabilidadesp y g: 1-prespectivamente. Se encontr quelrr
probabilidad de obtener eractamente r veoea A en los n intentos es icrp'q,t-.. Este reultado se
aplica a este problema bajo la suposicin de que los nacimientos eucecivos (loe "intentoe") eon independientes en cuanto se refiere al sexo del hijo. Por tanto, siA eeleuceeo"niott, D:3, ip=q:L12,
tenemos

P(eractamente

nios)

P(X =

r) =

,".(;)"(t'-' = ,".(;)'

donde la variable aletoria X representa el nmero de nios en la


familia. (Obervese que X se define sobre el eepacio muestral de
tres inentos). La funcin de probabilidad para X,

Tabla 2-6

/r \3

se

indica en la Tabla

(b) La Erfrca

2-5.

f(r) = ,c,(i)
\-'l

fr

.)

f(r)

r/8

3/8

3/8

puede representarse como en la Fig. 2-10 o en la

Fig. 2-11, dependiendo sobre si deseamos considerar a

la

vaiable X como discreta o continua. Obsrvese que el cero


del eje r se ha desplazado.

r/t

FI.JNCIONES DE DISTRIBUCION DISCRETA

2,3.

(a) Hallar la funcin de distribucin F(r) para la variable aleatoria X del Problema 2.L y (b\ reprsentar grficamente esta funcin de distribucin.

(o)

Tenemos que

F'(r)

P(X =

tl

2 fu. Enonces

u=x

0123
Nmero de ioc X =

Fis.

2-10

de

los resultados del Problema 2.1 hallamos

F(rl

0
-e 1r<.2
1/36 2fr13
3/36 3fr<4
6/36 4f s<5
0123

sslso rr<"<rz
I

(b)

12

Nmero de

lrlq

Fig. 2-ll

Vase Fig.2-L2.

F(r)
1

33/36
30/36
27

i36

24/',6

2r/36
18/3rt

15/36
12/36
9i 36

6/36
3136

www.tutomundi.com

los X =

L/8

VARIABLES ALEATORIAS Y DISIBIBUCIONES DE PROBABILIDAD

cAP.2l

2.4.

(c) Hallar la funcin de distribucin F(*) para la vaiable aleatoria


representar grfrcamente esta funcin de dishibucin.

(o)

51

del Problema 2.2V @)

Uilizando la Tabla 2-5 del Problema 2.2 obtenemo

F(rl
() L8 grfica

de la funcin de distribucin de (o) se muestra en la Fig. 2-13.

F()
I
7t8

6/r
6tE
4/E

3/8

2t8
I

UE

Fig.2-13

VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD CONTINUAS

2.6. Un
()
(a)

aXtienelafuncindedensidad

Debemostener

acf que

() si*

f(r)=c/(n2+l), donde -o(,<6,


)? est entre 1/3 y 1.

la constante c. (b) Hallar la probabilidad de que

c=Ur.

o".

t:_flu)ttr = 1,edcir
t-- / -\-'l
(*
+ | = "t"r-rrl r-o = "L;- (-;/J
J-- 12:u,'=

x2 =t,entonces

t(-'lstt
oJ-t

= " =,

-l < x = -f.

dn *lft
dr
IL'rJ5,r12*L

z2

t*tantolaprobabilidadpedidaes

=zC'
oJ6," r*l

= ?['*-'(1) - tn-r (+)]


I
= z(z-z\
6/ = 6
"\4

2.6. Hallar la funcin

de distribucin conespondient a la funcin de densidad del Problema 2.6.

f , _...\r-. 1 C" du _
F(r) = )_-t{")a"
I
= i)__ n -u, = !l-t.rr_rrl,
rL
t__J
= 11h,,-,r - ran-l(--)J = l[r*-' "

"if

= i.itan-rc
www.tutomundi.com

62

2.7.

VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD

[cAP.2

La funcin de distribucin para una variable aleatoria X es

(L-e-2" o>0
F(r\ : J^
x1O
[u
Halla (c) la tuncin de densidad, (b) la probabilidad de que X > 2, y (c) la probabilidad de

que-3<X<4.

,
fir-\ = dt
l-F1.l

(o)

P(X>z)

()

= )"

ze-z"du

f2"-u
l0

r)0
r10
l-

= -u-r"1, =

e-1

Otro mtodo.
Por defrnicin P(X =-21

= F(2) = | - e-4. Por tanto,

P(X>z) = f -(1 -e-r) =

p(-B<x<4)

(c)

e-4

= lnrulou = f_roa"+ ton2r-r,du


l{

= -e-2"1lo = L-e-8
Otro mtodo,

P(-3<X<4) = P(X=4) -P(X<-3)


= r'(4) - F(-g)
=

-e-e)-(0)

(1

= l-e-B

DISTRIBUCIONES CONJUNTAS Y VARIABLES INDEPENDIENTES

2.8.

La funcin de probabilidad conjunta de dos variables aleatorias discretas X, Y est dada por
f(r,A) = c(2r *y), donde r, y pueden tomar todos los valores enteros tales que 0 <
n 3 2, 0 = U < 3,y f(r,U\ : 0 de otra forma.
(o) Hallar el valor de la constante

(c) Hallar

c.

P(X>l,Y s2\.

(b) Hallar P(X =2, Y = l).

(a) tos

puntos muestrales (r, y) para los cuales las probabilidades son diferentes a crero se indican en la Fig.
)-11,. las probabilidades asociadas con esos puntog dadas por c(2x * y), se indican en la Tabla 2-6.
Puesto que el gran total,42c, debe ser igual a 1, tenemos que c : L142.
Tabla 2-6

Totales
I

2c

3c

6c

2c

3c

4c

5c

l4c

.)

4c

DC

6c

7c

22c

6c

9c

l2c

L5c

42c

Tota les+

www.tutomundi.com

cAP.2l

VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD

(b)

53

De la Tabla 2-6 determinamos que

P(X=2,Y=l)=5"=a42
(c)

De la Tabla 2-6 determinamos que

P(X>t,Y<2\

g32

t2l
(2c

Bc

ot-

1'4c) -f (4c*5c!-6c)
4
n

:-:
'L
42

como se indica por las entradas sombreadas en la tabla.

2.9.

Hallar las funciones de probabilidad marginal (c) de


del Problema 2.8.

XV (b)de Yparalasvariablesaleatorias

de probabilidad marginal para X est dada por P(X = r) = ft@) y puede obtenere de los
totales del margen en la columna derecha de la Tabla 2-6. De estos vemos que

(o) La funcin

r=0
u=t..
l22c=17/2r n=2

6c=L/7
|
P(X=r) = ft@) = jUc=1/3
verificacin:l+1*11
'7 3'21

=r

de probabilidad marginal pata Y est dada por P(Y = a) =


totales del margen en la ltima fila de la Tabla 2-6. De estos vemos que

(b) La funcin

P(Y=Y =

+!+1t4
verificacin:1*3
''7 74'7

fz(u) y

puede obtenerse de los

fz(

=t

2.10. Demostrar que las variables aleatorias X, Y del Problema 2.8 son dependientes.
Si las variables aleatorias.{, Y son independientes debemos tener, para todo r, y,
P(X = t,Y : A) = P(X = r\ P(Y = Y
Pero, como se determina de los Problemas 2.8 (b) y 2.9,

P(X=2,Y=\ =

P(x=4 =

P(X--2,Y=L) +

asr que

P(Y=l) = I

P(X=21 P(Y=L)

E resultado tambin se deduce del hecho de que la funcin de probabilidad conjuna,


puede expresarse como una fincin de veces una funcin de y.
2.11. La funcin de densidad conjunta de dos variables aleatorias continuas X, Y es
f

lcnU 0(r<4, 1<g<5


de otra forma
1o

(n,u) =

(c) Hallar P(X>3, Y <2).

(o) Hallar el valor de la constante c.

(b) Hallar P(1< X <2, 2<Y <3).

(o)

Debemos tener la probabilidad total igual a 1, es decir

f@,u) d,r

du = I

www.tutomundi.com

(2x rr y)142, no

54

vARIABLEs ALEAToRIAs

y DrsrRIBUcIoNEs

DErRoBABTLTDAD

IcAp.2

Empleando la defrnicin de /(.r, y), la integral tiene el valor

f4 5
J,:o J"=rcnvilxils

-l

ft rrs
xaau
= " J,=oL.r"=,
)clx

= "!,'=r$l'"-,o' = ",r=o(ry-;)*
= ":=rr2adr = "tu*)l'_, = e6c
Entonces 96c

()

= 1 y c : 1/96.

Utilizndo el valor de c hdldo en (a) tenemoe

P(l <x <2,2<Y

'

<3) =
,'=, 1""=140,

Oo

= #:=,1":=,'uau)a' = *f,'=,Yl'"=,*
1 C' 5r,- = s /rz11z
- 'J,=,Tn'
=
idt\t/|, =

(c)

P(x>s,Y=z)

= :=""'=,frarau
= * '^='l"'="u aafa' = + f"="#l'"='*
L f4 Br.
7
J"="To' = ln

2.12. Hallar las funciones de distribucin marginal (c) de X V(bl de I' del Problema 2.11.
(o) L funcin de ditibucin marginal para X i 0 < ( 4 ec

Ft@)

= p(X=r) = f'

f"

u=-4

O=-@

(s

ft

uo

J,=o J"=,

fi

fet,olduclo
dudo

= # 1,"=, [ =,
Pre o >

no

ao)au

=#

4, Ft() = 1; para 5 < 0, .F ,(a) = 0. Por tnto


Fr(rl =

(o

[o

1,

12/16 O=r14
n>-4

[t

PueetoqueF(r)escontinuaenr=Oy:4,podrfamocremplazarenlaerpreainanerior(por<.

()

La funcin de disribucin marginal para y ai 1

Fzful

P(Y

=y(

<-vl = t=_@
f1

5 ec

f"

=l

f@,o)ctud,

fv

J-"=oJ"'='ffiauao
www.tutomundi.com

cAP.2l

VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD


Para y

5, Fz@) = 1. Para U <

l, F{A) = 0. Por tanto

u<r

[o

= 4@r-t)tz+ tfy<b
a=6
l.t

Fzfu)
Puesto que F2 (y) es continua en y

OD

1, J

5, podramos remplazar en la expresin anterior

( por < .

2.13. Halla la funcin de distribucin conjunta para las variables aleatorias X, Y del Problema 2.11.
Del Problema 2,LL se observa que la funcin de densidd conjunta para X, Y puede escbirse como el
producto de una funcin en r veces una funcin en y. En efecto, l\,ul = fr(r) f2(y), donde
J

tt,|

t = 1.l orr,

( <4

de otra forma

.,(ul =

(,v I < Y < 5

de otra forma

! c(t = c :

L/96. Se deduce que X, Y son independientes, de tal manera que su funcin de distribucin
conjunta eet dada por F(r, y) : Fr G\ Fz@). Las distribuciones marginales .F (r) V Fzp) se determinaon
en el Problema 2.L2; la Fig. 2-15 muesha la definicin por trazos de .F(r, y) resultante.

F(r,Yl =
rz(az - l\
(r6)(24)

Fig. 2-15

2.14. En el Problema 2.11 hallar P(X+ y <

3).

En la Fig. 2-16 hemos indicado la regin cuadrada 0 ( (


4, 1 < y ( 5 dentro de la cual la funcin de densidad

conjunta de

X,Y es diferente de cero. La probabilidad

pedida est dada por

p(x+y<s) = ff

'

r*a-B
rc,y)dxdy

donde ft es la parte del cuadrado sobre el cual r * y ( 3,


regin sombreada en la Fig, 2-16. Puesto que f(x, 3, ryl96 sobre fi, esta probabilidad est dada por

"'=, !""=,n ffia,

av

= ut-[:.

[f=,'

*u au)a*

www.tutomundi.com

Fig. 2-I6

56

VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD

("
('
= J'- = fuL ),=o
g6.f ,_-,'u2
2 l3-'
lu=rd'

[r(3-r)z
r

'rldr

[cAP.2
1

48

CAMBIO DE VARIABLES

2.15. Demostrar el Teorema 2-t, p$na 46.


La funcin de probabilidad para U est dada por

s(u)

= P(Lt ") =

Plo(x)

- Ll

Plx = gfu))

f lv@)l

En una manera anloga puede demostrarse el Teorema 2-2, p4ina 46. Vase Problema 2.66.

2.16. Demostrar el Teorema 2-3,pqina 46.


Primero considere el caso donde u : @) 6 x :

tlt(u) es una

funcin creciente, esto es, u aumenta a medida que r aumenta


(Fig. 2-1'7). Entonces, como puede deducirse de la figura,
tenemos

P(ut

(r)

LI

1tt"):

P(rtlX1rr\

(t
/':

(2)

f7

| t\u) titr
'ul

Remplazando x
escribirse como

|,
"rl

/{..1 .;,'

V@) en la integral al lado derecho, (2) puede

f,

'

ut

Fig.
ol

au

ttt

""

12

2-17

gqullv'tu:du

'tl

Esto es vlido pr,,a todo u1 y u2 solamente si los integ'andos son idnticos, es decir

g(u) _- fl,r\uti,t'@)
Este es un caso especial de (34), pgina 46, donde ry''(u ) 0 (es decir la penCiente es positiva). Para el caso
donde rlr'(u) -< 0, esto es, L es una funcin decreciente de , tambin podemos demostrar que (31) se cumple
(vase Problema 2.67). El teorema tambin se puede demostrar si rl'(u)
0 r/'(u) ( 0.

2.17. Demostxar el Teorema 2-4, p$na 46.


Primero suponemos que a medida que r, y crecen,

y u tambin crecen, Igual que en el Problema 2.16

podemos demostrar que

P(ut<Uiu,,u11V1o,\:
?u, - 4v,
|
| s(u,v)dud.u
trrr
.
J

Dr

Remplazando

r : t@, u), y :

P(r1<X1rz,At<Y<Az)
=

fre

fe2

| l(r,y)

dr dy

z(u, u) en la integral de la derecha tenemos por un teorema de clculo

avanzado que

("' ("'n,,u,rl duda = f"' ('''


Ju,
Ju, Jtl

Ju,

r -

donde
es

flrrtu,a),,,2fu,1)llJ duda

a@'a)
d\u, u)

ellacobiano. Por tanto

s(u,a)
que es (3ti), pgir.z 46, para el caso donde J

J<

fIrfu,u), 92fu,o'tlJ

O. Anlogamente podemos demostrar ('36) para el caso donde

0.

www.tutomundi.com

cAP.2l

VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD

2.18. La funcin de ptobabidad de una variable aleatoria X

67

es

(2-' =1,2,3,...
f(r) = to de otra forma
Halla la probabilidad para la vaiable aleatoria a = X4 +
Puesto que

U: *

.+

l.

larelacin entre loe valoreedeuyrdelavariablesaletorias

u= r+11 6 r =n/F1,,

donde

u:2,!7,82,..,

UyXqtdadapor

y8hatomadolrazrealpositiva.Enonce1,funcin

de probabilidad pedida para U ea

( z-ni i
s("! = 1o

u = 2,17,E2, ..

de otra forma

utilizando el Teorema 2-1, pgina 46, o el hoblema 2.16.

2.19, La funcin de probabilidad de una variable aleatoriaX est dada por

(12/81 -3<c<6

f(a) = iL0

de otra forma

Halla la densidad de probabilidad pllra la vaiable aleatoria U

: t$2-

X).

Tbnemosu:tl3(L2-f,)x:L2-3u.Aparacadavalorderhayunoydamenteuvalordeuy

recfprocamentg.Loe valore de u que correrponden a= - 3 y* = 6 rcn u = 6 y u -2reIectivamente.


Puesto que '(u) : dx/du : - 3 e deduc.e por el Teorema 2-3, pgina 46, o por el Probler 2.16 que la

funcin de densidad para U ee

s(ut
Verificacin:

= ilt'- sutz21 ];;"1:-.

<tz:_su,2

du

= _,ttf",'ll =

2.2O. HaJlar la densidad de probabdad de la variable aleatoria U = )? donde X es l vaiable aleatoria del Problema2.I9.
Tenemos tL = tr2 r = *\. As para cada valor de conesponde uno y colamente un valor ds
u pero para cada valor de u # 0 corresponden do

valores de . Los valores de r para los cuales- 3 (


6 corresponden a los valores para los cualeo 0 S
36 como se muestra en la Fig. 2-18.

r(
u(

Como se obeerva en esta ffuura el intervalo - 3 (


< 3 corresponde a 0 s z s 9 er tanto que 3 ((
6
corresponde a 9 ( u ( 36. En este caso no podemos
emplear el Teorema 2-4 directamente rero podemor

proceder de

la

manera eiguiene. La funcin de

disribucin para U

es

G(ul = P('tlu')
Entonces si 0

Fis.2-lt

9 tenemos

G(u) = P(Il =ul = P(Xz=u) = Pl'-\n=X=rF'l


n

= J| -V-

Perosi9(u(36tenemos
G(u)

@rar

rfr,
= P(.U<u) = P(-B<X<\fr) = J-s
| f@lA,
www.tutomundi.com

58

VARTABLES ALEAT1ORIAS Y DISTR,IBUCIONES DE PROBABILIDAD


Pueeo que la

funcin de denidad g(u)

c@l
Utizando la definicin dada de

f(r)

ee

l derivada de G(u) tonemos,

ueardo la regla de

[cAP.2
l*ibnz (12),

eeto se convierte en

0<z<9
9.<<36
de otra forma
21rsrz

Verificacin:

le *

zlb- 1.

fil2136
z4B

l,

2.21. Si las variables aleatorias X, Y tienen funcin de densidad conjunta

r(x,a)
(vase Problema 2.11) hallar la

= {;r'nu ffr:i:0"

funcin de densidad de U = X + ZY.

Mtodo 1.
'Sea u = t I 2y, u : r, etcogiendo arbitrariamente lr
eegunda relacin. Entonces la olucin imultiinea
reulta r : u, ! : ll2(u - u). Por ato la regin 0
I r 1 4, 1 < y ( 5 correeponde a la regiiin 0( u (
4,2 < u - u 110 que e muesEa eombreada en la
Fig. 2-19.

El Jacobiano est dado por

Fr 0r
J_lr"0o oa
lu
la" att
lo

=l

11
tZ -, 1

_1.

Fig. 2-r9

Entonce por el Teorem a 2-4 la funcin de densidad conjunta de U y V

ea

(u(u-t:l/384 21u-o( 10, 0 < a < 4


g(u'al =
de oEa forma
{o
La funcin de denidad marginal de U est dada por

21u<6

ctfu)

f"^=oWo'
f4

J,=,-ro
0

afu- ol ,
=#"

www.tutomundi.com

6<<10

lo1u114
de otra forma

69

VARHBLES ALEAI"ORIA"S Y DISTBIBUCIONES DE PROBABILIDAD

cAP.2l
como

determina refirindoe a lae regioner ombreadas

I, IL m de b Flg. 2-19. Dearollndo

'lar

integn'

cione encontramog

2<u16
6<<10
l0<<14
2128112804

4)'12304

de otra forma
Puede efectuaEe una verificacin al demotra que la integrql de g1(u) ee igual a 1.
Nltod.o 2.

[,a funcin de ditribucin de la variable eleatoria X

P(x

Pa

21u (

*zY

ut = l
rr2y 3

+ 2Y

er dada

por

t@,ytdrdy

"

fta,au

i*Z=.i
1<c<5

6 obserraros al rferirnoo a la Fig. 2'20 gue la ltim integral ee igud a

"--,'

I":","'' gunoo = "::'lW-#fo'

Al derivala con respecto a 8e encuentra (u - 2)2 (u


reeultado dd mtodo L para 6 ( u ( 10, ec.

+ 4)t2304. De un manera anloga podemoe obtener el

Fig.2-2L

Fg.2-2O

2.22. Si las variables aleatorias

&

Y tienen la funcin de densidad conjunta

4' L <s <5


f(r,a) : {*''nu
:':'
0
de otra forma
L

= XYz, V = )PY.
Considree u : xy2 , u = x2 y , Al dividir ega ecaciones obtenemoe y/r = u/u aef que y = ut/v. Mo oe
conducealasolucineimultnea s=p2/34-r/t,y=y2/3p-rl3. I/aimagende0(x14,L(y(Senelpla'

(vase Problema 2.11) hallar la funcin de densidad conjunta de U

no uu est dada por

t<

o<azlgu-r/t<4
gue son equivalentee a
,u2

1 64u

7)

uztga-rls <

1u2 <

Eata regin ee muesba eombreada en la Fig, 2.21.

El Jacobiao est dado por

www.tutomundi.com

L26'u

60

VARABLES ALEATORTAS Y DISIR,IBUCIONES DE PROBABILIDAI)

rsu-ual
J - l:l-lor,"u-n,r f.,-t
l=
| f,u-r,to-t,, -tuznr-trs

[cAP.2

-lu-zrso-zrs

Af la funcin

de densidad conjunta de U

cer,o)

y V es, por el Teorema 24,

($u-2t3a-2rt') o2161u' tt

= {*O=f3-Io

1u2

<

l26tt

de otra forma

c@,xl = {u--''"o-rtsl288
IO

tt-z

<

ilu'

tt 1 u2 < l26tt

de otra forma

CONVOLUCIONES

2.23.

Sean X, f variables aleatorias qup tienen una funcin de densidad conjunta f(x, y). Demosbar
que la funcin de densidad de U'= X * Y es

s@l

= l-rO,u-a)ilo

Mtodo 1.
Sea LI

: X + Y, V : X, donde arbitrarianente hemo aggado la *gunda ecuacin. A eta ecuaciones


u: x i !, o= 6 x,:v. y: u- u. El Jacobiano de l tranfomacin ert dadopor

conecponden

r-

192 d'l

l#'l

Ar por el Teoema 2-4, pgina 46, la funcin

= l: -l

-l

de deneidad conjunta ile (J

y V ea

g(,o) - f(t,u-o)
Se deduce de (261,

pgin 46, que la funcin de densidad marginal de U

ee

c@l = f' f@,u-,ld,


Mtodo 2.

La funcin de ditribucin de U = X + Y es iguql a la integral


doble de f(x, y) tomada obrc la regin definida pbr * f y s u,
co ec

G(ul =

(( @,drdu
,i"au

Pueto que la regin eet por debajo de l lfnea * y = u, como


e indic por la parte ombreada en lrr Fig. 2-22, vemor que

G(u)

= ./t=-a
f' fLnr1=-a
f"-'

1r,yay]dr
-J

La funcin de denidad de U e la derivada de G(u) con repee


por

o a u et dada

c@l =

(' l@,u-r)ih

ef -a

utilizando la regla de Leibniz (I2) primelo en la integralder y


luego en la integral de y.

F's.2-22

www.tutomundi.com

cAP.2l

2.24.

VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD

R'ex,olver el hoblema
nes de densidad f t@),

2.23 si X, Y son variables aleatorias independientes que tienenfunciof, (y) respectivamente.

En este caso la funcin de denidd eonjuna et f(x,


de densidad de U: X * Y e

y):

t@) fz(yl,

as que

por el Problema 2.23 la funcin

s(ul = t'.f ,{olf2(u-olito = f t* fz


que es la conuolucidn de

2.25.

Si

X,

y fz.

Y son variables aleatorias independientes que tienen funciones de densidad

>o

ft@l =112"-t'
,<0
L0

halla la funcin de densidad de su sumao U = X

"
frfu\ =1fg"-to a=o
'-\e'
a<0
l0
Y.

Por el Problema 2.241a funcin de denidad pedida es la convolucin de f t y

fz y eet dada por

c@) = ft*fz = f' fr(o,,f2(u-t:ld.a


J_
En el integrando f1 se anula cuando u
f!

Cful = |
JO

0 y f2 8e anula cuando u

u. Por tanto

(2e-2l(ge-sru-u))do

("
= 6"-su.to

ao

ifui =

6o- ar@u

- l) =

6(e-zt

- e-tr

iu>0yg(u):Oiu(0.

f -'- o{au

Veificcin:

= tfo'k-r"-"-rv\d.u = (;-*)

2.26. Demostra gue fi t.f - f 2* f1 (Propiedad 1, pgna 47\"


Tenemos

fa

t* fz = |
/r(") fz@-o)
Jo=-a
Haciendo

u)= a.-

u de tal maneraque u

u-u,d,u:-dw,

da

obtenemos

(-' ,rru-u)f2@t)(-d.w) = ("


trfz = .fw=n

fz@\lt@-u)dut

= fz'ft

"/u=-n

DISTRIBUCIONES CONDICIONALES

2.27. HaJlar (al f(y l2), (b) P(Y : 1lX : 2' pan la distribucin del Problema 2.8.
(o) Empleando los esultado en los Problema 2.8 y 2.9 tnemo

ftutrt =
arf que con

()

61

ffi:*+#t

f(ylz\=g#f=+
P(Y=rlX=2\=/(1l3r=*z
www.tutomundi.com

VARIABLES ALEATORTAS Y DISTBIBUCIONES DE PROBABILIDAD

62

lcAP.2

2.2E. Si X, Y tienen la funcin de densidad conjunta

r(r,a)

= {i.* :".ffr:j:r.,

hallar (a) f(alr), (b) P(v > + I + < X <*+d'r).


(o) Para 0kc(1,

rt*)
ftulr\
ha

oo ralore de

()

: J'(i**r)0, = t*}

, /( | y) no ert

definid.

P(Y>ll+<x<l*drl = tr*,rlrol+)0, = ,',rYP*

2.29. La funcin de densidad conjunta de las vaiables aleatorias X, Y

est, dada

16

por

= {t^"
1=1=.t'o<a<r
de otra forma
[0

f(r,a)

Hallar (a) la densidad marginal de X, (b) la densidad marginal de Y, (c) la densidad condicio
nal de X, (d) la densidad de Y.
La regin sobre la cual f(r, y) er diferente a cero

se muestra

sombreada en la Fig. 2-23.

(c)

Para obtener la denidad marginal de X fijamos r e integramde c"on


reepecto a y dede 0 hasta r como se indica por la franja verticalen

laFg,2-23. El resultado

es

(' Sxydy - 4s
tu;) = Jt=o
pare 0 ( ( 1. Paa los ohos valoree de r, ft () =
(b)

0.

Anlogamente, la deneidad marginal de Y se obtiene fijando a y e


L, como 8e
integrando con reapecto a desde r = y hasta :
indica por la franja horizontal en la Fig. 2-23. El reultado es para 0

(y(r,

!2@)
Para

(c)

Brydr = 4a-u2'l

= '

lo otros valores de y,

f2Q):

Fig. 2-23

O,

La funcin de denidad condicional de X ec, paa 0 ( y

ft@la)

,it\

= ffi

1,

(2r/(L-azl

otra

La funcin de denidad condiciond no est defrnida cuando

(d)

L8 funcin de densidad condicional

a=r=l

= {o

de Y es, para 0 ( r (

O.

1,

fz@lr\ = !(u'a'-l
h@\ = {'u'*
lo
La funein de densidad condicional no est definida cuando

www.tutomundi.com

hl.,):

JFr

o=u=r
otray

():

0-

cAP.2l

VARIABLES ALEATORIAS Y DISTRIBUCIONES DE

Verificacin:

fo'

,rrrro,

lo'Ar"d,

t,

fot

htotdda

--

o'

63

= fo 4A$-u2lda = |

&or :

f"'r,r'lttr = "'
fo"

rrrora

PROBABILIDAD

,30, = ,

2.30. Determinar si las variables aleatorias del Problema2,29 son independientes.


EnlareginsombreadadelaFig.2-23,

t@) 2fu), y a

f(t,A\ = 8rA, t@l = 4r?, fz(A) : AaQ-A2'). Portanto f(r,U)

Y son dependientes.

Debe anotase que no puede deducirse a partir de f(x, y) : 8ry, que flr, y) puede expresarsecomo una
funcin de r por una funcin de y. Eeto e debe a la restriccin 0 < y < . Si ecta ee remplazar pu alguna
reshiccin en y no dependiente de r (como en el Problema 2.21), tal conclusin serfa verdadera-

APLICACIONES A LA PROBABILIDAD GEOMETRICA

2.31. Una persona jugando a los dardos encuentra que la


probabilidad de que el dado caiga entre r y r t d es

P(r= Rtr+d.r) = .[t - (;)']0"


Aqu, R es la distarcia del impacto desde el centro del
objetivo, c es rna constante y o es el radio del objetivo
(vase Fig. 2-24). Hallar la probabilidad de pegar en el
blanco, que se supone ene radio b. Suponer que siempre se hace impacto en el objetivo.
La funcin de deneidad ert dada por

f(r)

r_- /r)rl
= "Lt
(;

is.2-21

_.,

Puesto que siempre se hace impacto en el objetivo, tenemos

, Jo("fr/r)'lo'
=
L
\a/

--)

de lo cual c

312a. Entonces la probabilidad de pegar en el blanco es

rb

Jo

t(,),

s rbF /"\2-1, : b(Boz-br


=;lzalo
lr-(i)
l,t T
L
\a/ J

2.32. Dos puntos se escogen aleatoriamente en el intervalo 0 <

< 1. Determinar la probabilidad

de que la suma de sus cuadrados sea menor que 1.


Dentense por X Y la vaiables aociadas con lo puntos dados. Puesto que se supone que intenalc igualec
tienen probabdadee iguales, la funcionee de densidad de X, Y estn dadas respectivamente por

(r)

,G't

lI 0<<1
| 0 de oEa forma

zfu) :

tf

1 ofY=1
o de otra forma

Entonces ya que X, Y son independientes, la funcin de densidad estd dada por

www.tutomundi.com

VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAI)

64

(2t

r(x,yt

Se deduce que la

tr",t

tztut

(t)

rI

= {; l;,.,l;t" s

probabilidad peda

P(xz + Y2 =

"r*

O"O"

[cAP.2

*,

?f

r, = ))
fr.

a" au

t er la regin defnida gnt r2*y2 5 l, x >: O, U = 0, o sea un


puerto que
cuadrante de una circunferencia de radio 1 (Fig. 2-26). Entoncee
(3) repreecnte el e de R observamos que b probabilidad pedida es n14.

donde

Fis.2-25

PBOBLEMAS DVERSOS

2.33. Supngase.que

las variables aleatorias

X,

tienen la funcin de densidad conjunta

f(a,
Hallar (o) la constante c" (b) las funciones de distribucin marginal para X y Y, (c) las
tunciones de densidad marginal para XV f, (d)P(3 < X< 4,Y> Z),(elP(X > 3), (RP(X +
Y > 4), (4t) la funcin de dishibucin conjunta, (h) si X, Y son independientes.

(o) t a probabilidad

total est dada por

f,'=, f"'=o

o(2-r

I sl itr dv =

Pare que eto e igual a 1, debemor 0ener c

!,'=,

"(u, * +)ltro"

,"_r"(to,

*+)0, =

2l0c

: Ll2lO,

(D) La funcin de ditribucin marginal para X er

fr(a) =

P(x = al

= ,'=-. f"'= --rru,tsl duit't:


,'=-- "'=--odud''

"'=,f,:=,ffoua,

'='"'=oLt!du.t

- |

126

La funcin de ditribucin marginal para Y es


ts) d.u do
Fz@l = P(Y =- 'y =
[,'= _- ""= _ - l(u,

f,'=--"": -ot,ud'o
I"=" !'"=o\ffauao
""=,

t"'=ozffauao

www.tutomundi.com

o
u2

a<o

l6v

105

y26

6=y(b

t'D

VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD

cAP.2l

(c) La funcin de deneidad marginal pa X es, de la parte (b),

l\r*61/84 21x16
f(r) = tFr(") =
deorraforma
{o
La funcin de densidad marginsl paa Y es, de la parte (b ),

2fu)

(Qa+t6l/I06 0<y<5

= trrfu) = 1o

p(s<x <4,Y>2)

(d)

P(x >

(e)

s) =

.)^

= #I=,
5

,;,

[,"=,

P(x + Y >

(f,

Ju"=o

deotraforma
45

f,'=rrr**y)drd.y
rr, + al dr du

209

'#

4) = trr, itr da

donde { es la regin sombreada de la Fig. 2-26. aunqr} se puede encontra de esta forma,
utiliza el hecho de gue

p(x+y>4)

Tenemo.

P(x+Y=41 = h,'=, l"n=o'rtr*drctu

Fig.2-27

@) La funcin de distribucin conjunta

es

F(r, = P(X=r,Y < =

f'

Ju=-q

("

Jt=-.

s x, i < y yelrectngulo 21u( 6,0(u(5


figura, tenemos

F(r,a\ =

l"u="

f@,o)duda

es la interseccin del plano en el primer cuadrante u


[enelcual f(u, u\noescero]. Paralalocalizacinde(x,

En el plano uu (Fig. 2-27\ la regin de integracin


se muestra en la

= ?,

33/35.

Fig. 2-26

y) como

fcil

= L-P(x+t'=4) = ,- tfrw,fidxdv
*'

donde ft'es la regin doblemente rayada de la Fig. 2-26.

Portanto P(X +Y > 4) =

es ms

J)="Wo"o,

www.tutomundi.com

66

VARIABLES ALEATORIAS Y DISTB,IBUCIONES DE PROBABILIDAD

[cAP.2

Cuando (, i) e encuentra dentro del rectngulo, obtenemos oha erprecin, etc. Lor resultdos completoe se muestran en la Frg.2-28.

F(r,3') =

F(z,vl

F(x,yl =

F(r,y) = I

F(r,yt =

2z2y*xy2-8!-ZV2

-|

d+#

420

F(r,) = I

F(r'Y\ = I

F(r,a\

Fig. 2-2t

(h)

Las vaiable aleatorias aon dependientee ya que

f(r,al + ft@lfzfu)
o, lo que er equivalente

2.84.

Si

F(r,al + Fr(r)

F2fu),

X tiene la funcin de densidad

l6r-r\
L0

f(s) =
Halla la funcin Y

o(o(1

de oha fotma

h(X) que tenga la funcin de densidad

s@)

= {:zf(r-a\
0
|.

o<Y<1
de otra forma

SuponemoequelafuncindeconoeidahestalqueloeinervalocXSr,Y=y:l(*)ienenuna
correrpondencia uno a uno en una forma continu- Entonce. P(X =
ditribucin deben er igualee. Por tanto, para 0 ( r,y 1 l,

" au$

Jo

u)

Br2

&: a2 6
PortntoY:*tE.
Por incpeccia,

a = h(r) =

fi

2.36. Hallar la funcin de densidad de U :


Mtodo f
Sea

ttu = (u Prt(t Jo

- 2rs =

BAI

r):

t)2)

P(ts<

yI e decir la funcione

de

d,1)

2U8

e8 ua rolucin,yeatarolucintienelaepropiedadeodeseadas.

Xf

si la funcin de densidad conjunta de

X,Y

es

f(.r, y).

U: XY, V: X, alacuales correcponde u:1. u: x 6r:u, !:

do por

www.tutomundi.com

u/u.

B,ntonc,8

elJacobiano eetda-

VARIABLES ALEATORIAS Y DISTR,IBUCIONES DE PROBABILIDAD

cAP.2l

tdfr

rt

I| o 1 |
lo-t -u,t-zl --

la" arl

J -_ l^
|

l# #l

Por;.anto la funcin de densidad conjunta de U, V

_u-r

es

| ./ "\
,u) = 6r\",;
s(u
)

partir de

La

cual se obtiene la funcin de densidad marginal de U.

s(u)

o@,
J _*

aa

ft

= J_-;,r\,';,r\,)0,

Mtodo 2.
La funcin de distribucin de U es

G(u)

= lf

t",

d.r du

gSu

Paa u =- 0 la regin de integracin ge muestra sombreada en la Fig. 2-29. Observamos que

G(u)

,f_:

t f"-,,,u,yaylar *

[o'll:-'

r(r,y\<t1)ar

Derivando con respecto a u utilizando la regla de l,eibniz, obteneros

g(u)

: f: (+) ,(.,:)a, + !o'i,(,,1)* = :"r(',X)*

El mismo resultado se obtiene para u (


trazos en laFig.2-29.

por la hiprbola a
Q, cuando la regin de integracin est mitada

Fig.

Fig. 2-30

2-29

2.36. Un piso tiene lneas paralelas a distancias iguales I entre s. Una aguja de longitud a1l cae
aleatoriamente al piso. Hallar la probabilidad de que la aguja intersecte una lnea. (Este
problema es conocido como el problema de la aguia de Buffon).
Sea X una variable aleatoria que da la distancia del punto medio de ta aguja a la lnea ms cercana (Fig. 2-30 )'
Sea @ una variable aleaoria que da el ngulo agudo entre la aguja (o su prolongacin) y la lnea- Denotamos

porry0cualquiervalordeterminadodeXy@.SeobservaqueXpuedetcmarcualquiervalorentreOyll2,
asque 0 s < t/2. Tambin @ puede tomar cualquier valor entre 0 y l2.Se deduceque

www.tutomundi.com

68

VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILDAD

P(r<X<rIdr)

lcAP.2

=la,

P(c<c=c+dc) =?d,
esdecir, las funciones de densidad de

X y @ estn "r" po.

notamos que

fr(): 2ll, fz|/) : 2ln.

Comoverificacin

?ll2 ,

I ia'=r

Jo
rl2

9
:de
=
|
Jo

Pueto que X y

son independientes la funcin de dencidad conjunta

ee

l(r'c)=?'Z=!
ltlt
X = (ol2) sn @. La probabilidad

de

Cuando la expresin anterior se iguala a la frecuencia de cadas observadas en experimentos reales,


obtienen valores precisos de Esto indica que el modelo de probabilidad descrito es apropiado.

se

De la Fig. 2-30 ee obeerva que la aguja realmente toca la lfnea cuando


este uceso est dada por

{1 |r/2 |f(a/2)se
li )s= ),=

drd o = 2A
t"

2.37. Dos personas acuerdan encontrarse entre las 2:00


P. M. y las 3:00 P. M. con el conveniode que no
se esperarln ms de 15 minutos. Cul es la probabilidad de que se encuentren?

Sean X, Y las vaiables aleatorias que representan el instante de llegada, medido en fracciones de hora despus de
las 2:00 P. M., de las dos personas, Suponiendo que a
intervalos de tiempo iguales corresponden probabilidades
de llegada igrales las funciones de densidad de X, Y estn
dadas respectivamene por

ft@l=

(r

0:<=l

lo

de otra forma

lzful

lr

0=a<L

lo

de otra forma
Fig.

2-31

Entonces, puesto que X, Y son independientes. la funcin


de densidad conjunta es

(r)

f(r,ul =

Pueeto que 15 minutos

(e)

: 1/4

f t@)

fzfu)

(l

= 1o

0SSL,0<a<L
de otra forma

de hora, la probabidad pedida

e(rx

vr 1)

.R

lf

es

a" au

donde R es la regin sombreada que se muesha en la Fig. 2-31. El lado derecho de (21 es el rea de egta
regin, que es igual a t - {})(}) = !, Va que el cuadrado tiene rea 1, en tanto que loe dos tringuloe de lar
esquinas tienen reas +(*X*) cada uno. Por tano la probabilidad pedida ee 7176.

www.tutomundi.com

cAP.2l

VARIABLES ALEATORTAS Y DTSTR,IBUCIONES DE PROBABILIDAI)

69

Problenra,E suplernenta,rlo s
VARIABLES ALEATOBIAS Y DISTRIBUCIONES DE PROBABILIDAD DISCBETAS

2.38.

Una moneda e lanza tres vece& Si X es l variable aleatoria que indica el nmero de caras que rerultan, (a)
construi una tabla que muestre la distribuci6n de probabilidad de X V (b) representar grfrcamente la

ditribucin.

2.89. Una urna tiene 5 bolas blancas y 3 nega. Si se extraen doe bolas aleatoriamente sin remplazamieno y X
denoa el nmero de bola blancas, (o) hallar la ditribucin de probabilidad para X V (b) repreeentar
grficamente la distribucin.

2.4O. Resolver el Problema 2.39

2.41,

si s extraen las bolas c.on remplazamiento.

Sea Z lz vaiable aleatoria que represnta el nmcro de caa menos el n(rmero de seo6 en dos lanzamientos
de una moneda honrada. Hallar la dihibucin de probabilidad de Z, Comparar los reultados con los

Ejemplos 2.1 y 2.2.

2.42.

Sea X la yariable aleoria que representa el nmero de ases extrafdos aleatoriamente en 4 catas de una
baraja de 62 cart. (a) Construir una abla que muestre la distribucin de probabilidad de X V ()

repreeenar grficamente la ditribucin.

FUNCIONES DE DISTBIBUCION DISCBETA

2.18.

La funcin de probabilidad de una variable aleatoria X ee muestra en la Tabla 2-7. (o) Conetrui una tabla que
indique l funcin de dietribucin de X y (b) representar gr6ficarnente eta funcin de distribucin.

lbbla

2-?

Tabla 2-8

f(n)

L/2

r/3

r/6

F(r)

r/8

3/8

314

2.44.

Obtener la funcin de distribucin y su grfica para el (c) Problema 2.38, (D) Problema 2.39, (c) Problema
2.40.

2.46.

Obtener

l funcin

de dishibucin y su grfica para el (o) Problema 2.4L, (b) Problema 2.42.

2.46. La Tabla 2-8 muestra la funcin de distribucin de la variable aleatoria X.


probabilidad, (D) P(l < X g), (c) P(X >21, (dl P(X < 3), () P(X > r.41.

Determina (o) la funcin de

VABIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD CONTINUAS

2.47.

Una variable aleatoria X tiene funcin de denidad

l(x)
Ilallar

(o )

la contante c, () P(1 < X <

(ce-g" c)0

= 1o

2), (r) P(;

rso

s),

(d) P(X <

1).

2.48. Hallar la funcin

de digtribucin para la variable aleatoria del Problema 2.47. Rnpre*ntar grfrcamene las
funciones de densidad y digtribucin, describiendo la relacin entre ella.

2.19.

Una variable aleatoria X tiene funcin de deneidad

f(n) =

| "r'
1 "r
L0

L< a2

21r13
de otra forma

www.tutomundi.com

70

VARTABLES ALEATORIAS Y DISTRIBUCIONES DE


Hallar (a) la constante c, (b) P\X'>

2), (cl P(llz

PROBABILIDAD

[CAP. 2

< X < 3/2).

2.60.

Halla la funcin de distribucin para la variable aleatoria X del Problema 2.49.

2.t.

La funcin de distribucin de una vaiable aleatoria X est dada por

SiP(X:3):0hallar(o)laconstantec, (b)lafuncindedensidad, (c) P(X>l), (d) P(l<X<2).

2.52.

Puede ser la

funcin

(c(I-12)
F(r\ =
1o

=1

0=

deotraforma

una funcin de dishibucin? Explicar.

2.63.

Sea

X una variable aleatoria que tiene una funcin de densidad

0=r2

(r,
f(r) = 1o

deotraforma

Hallar (a) el valor de la constante c, (b) P(1-12< X <312), (c) P(X

> 1), (d) la funcin

de dietribucin.

DISTRIBUCIONES CONJUNTAS Y VARIABLES INDEPENDIENTES

2.64, La funcin de probabidad conjunta de dos vaiablee aleatorias discretae )d Y eet6 dada por f(x, y): cxy
parar: L,2,3,!: L,2,3, cerode otra forma. Hallar (o)laconstante c, (b) P(X=2,Y = 3), (c) P(I<X<
2, Y = 2), (d\ P(X > 21, (e\ P\Y < 2), (fl P(X = r), (g) P(Y = 3).
2.56.

Hallar las funcionee de probabidad marginal de (c) X V (b)


(c )

De'rerminar i

para las vaiables aleatorias del Problema 2.54,

Y son independientes.

2.56.

Demostrar que las variablec aleatoas dictetas X, Y son independientes solo si poro todos los uoloes de x, y
su funcin de probabilidad conjunta puede expresarse por el producto de rfna funcin en y una funcin en
v.

2.57.

Sean

X, Y variables aleatorias continuae que tienen funcin

de densidad conjunta

(c(r2*a2) 0r< 1, 0< gr< 1


f(r'u) = 1o
deotraforma
(e)siX

Determina(o)laconstantec,(b)P(X<+,Y>+),(c)P(|<X<*),(d)P(Y<{),

Ysoninde

pendientes.

2.8. Halla las funciones de distribucin

marginal (a) de X, (b) de Y para la funcin de dencidad del Problema

2.67.

2.69.

E)emotrar el resultado del Problema 2.56 para el caso donde las variables son continuas.

DISTRBUCIONES CONDTCIONALES Y FUNCIONES DE DENSIDAD

2..

Halla la funcin de probabilidad condicional (o) de

dada Y, (D) de Y dada

Problema 2.54.

www.tutomundi.com

para la distribucin del

cAP.2l

2.6!.

VARIABLES ALEATORIAS Y DTSTRIBUCIONES DE PROBABTLIDAD

si

f(r,at

77

= 1;*, l;;rl:j"<s<L

Hallar la funcia de denidd ondicional de (a) X dada Y, (b) Y dada X.

2.62, Hall

la densidad condicional de (c) X dada Y, () Y dada X, para la digtribucin del Problema 2.57

(e-(r+u) x>0, y>0


f@, = { 0
J^ otra
^_, forma
de
[^

2.63. Sea

la funcin de ilenidad conjuna de X, Y. Hallar la funcin de densidad condicional de (c) Xdada Y, (D) Y
dada X.

CAITIBIO DE VARIABLES

2,64.

Si

X tiene funcin de densidad

f(r)
Hallar la funcin de denidad de

2.66.

Y:

l"-. n)0
= to
r=o

X2.

(o ) Si la funcin de denidad de X es f(r ) hallar la funcin de densidad de X3 . (b ) Iluatrar el reultado en la


parte (a) erco$endo

(*e-2,

f(rl = i:l0

>0
n1O

y verificar la solucin.

2.66.

Demotra el Teorema 2-2,p6gna 46,

2.67.

DemostrarelTeorema 2-3,pgina46,paraloscaso (al g,@) <

0,

()

*,(ulZ 0,

(c) r,() S 0.

2.6t. SiXienefuncindedenaidad f(r):(2v)-r/2"-rz, -a <a < ., hal|arlafuncindednidad deY=*.


2.69.

Veficr que la integral de gr(?r) en el mtodo 1 del Problema 2.2L

2.7O, SiladenidaddeXes f(r)=U"(r2 *1), -. < 5 <

@,

igual a 1.

hallrladensidadde Y = tan-rX.

2.71.

Completar la labor necesaia para hallar gt(u) en el mtodo 2 del Problema2.2I y verificar su reapuesta.

2.72,

Sea la denidad de

@l =
Halla l densidad de () 3X

(l/2
to

-l<r(l
deotraforma

- 2, (bl Xs + 1.
www.tutomundi.com

2.75.

Verifica por medio de integracin directa

2.74.

Si

l funcin

de denidad conjunta hlloda en el hoblema 2.22.

X, y tienen funcin de denidad onjunta

(e-(t+vt r>0, yz0


deotraforma
{o

f(r'u) =
tJ

= X/Y, V = X

Y, hallar la fincin de denidad conjunta de U y V.

2.76.

Emplear el Problema 2.22 pare,halla la funcin de denidd de (a) U

2,76.

Sean

: XYz, (bl V = XzY.

X, Y variables aleatorias que tienen funcin de denidad conjuna @,a) = (2r\-rs-(r2+Yt), -e 16 1o,
y:8 enO demoeEarqne la
<
-@ U < @, Si,R y @ott tt,r""""vaiablesaleatoriataleequeX:R coO,

funcin de densidad de

ob\=i

2.77.

[cAP.2

VABIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD

72

l(n'u) =

Sea

){

la funcin de densidad conjunta de

r"-tz/2 r=0
r'(0
l0

(1, ofrf 1, osv51


to deotraform

Y. Hallar la funcin de dengidad de Z = XY.

CONVOLUCIONES

2.7t.

Sean

X, Y variables aleatoria independientes didribuid8r idnticamente con funcin

f(t) =
Hallar la funcin de dengidad de X

2.79.

Sean

1o

deotraforma

de denidad

X, Y variablec aleatoria independientes distsibuidae idnticanente con funci6n de denidad

tlllar la funcin de

deni<tad de

(t\ = Ir-t
1o

>0
de otra forma

Y y vericar u solucin.

2.8O. f,),emoshaque (a) lt*(fz*fs)=ft*fz*ft*fs'

2,t2,

0<<1

Y y verificar su olucin'

2.t1.

(l

(b)/rt'(lz+fs) =(/rof)*fs'

Reolver el Problema 2.21 primero efectuando la Eardormaci 2Y

para hallar la funcin de denidad de U = X + Z.

= Z y lttryo utilizndo convolucione

Si la vaiables aleatorias independienteo X1 y X2 estn ditribuidas idnticamente con funcin de denidd


|

hallar la funcin de denidad de X1

(t)

f te-t

t>:0

L0

<0

X2.

APLICACIONES A LA PROBABILTDAD GEOMETRICA

2.8E. Doc puntor e seleccionn aleatoriamente obre un segmento de lfnea cuya longitud a o ) 0. thllr
probiUd"d

la

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

www.tutomundi.com

cAP.2l

2.E4.

2,t6.

73

VARIABLES ALEATORIA,S Y DISTBIBUCIONES DE PROBABILIDAI)

que un bus llega a una estacin deerminada entre la 8:00 P. M. y la 3:80 P. M. Un pcr-na decide
6 minuto. 8i no lo toma,
tomar el metro. Cul es la probabidad de que tome el mero?
Se sabe

ir a egta estacin entre etos tiempoe aleaoriamente y eoperar por el buc mimo

Dos segmentoe de lnea, AB yCD tienen longitude de 8 y 6unidadesrelpectvamente.DoopuntosPyQ se


escogen aleatoriamente sobre AB y CD reepectivamente. Demostrar que la probabilidad dc gue el rea de un
tringulo de altua AP y base CO sea mayor que 12 unidade cudradas ee igual a (1 - ln 2)lZ. '

PROBLEMAS DIVERSOS

2.86.

Supngase que f(r) : cl3t, r :1, 2,... , e la funcin deprobabilidadparaunaviablcdeaoriaX (o)


Determinar c. (b) Hallar la funcin de distribucin. (c) Repreeentar grficamente la funcin de probabilidad y
la funcin de distribucin. (d) Hallar P(2 = X ( 5). (e) HtlarP(X > 3).

2.t7.

Supngaee que

f(r) =

( cre-22

{o

deotraforma

>- 0

X. (o) Deerminar a (b) Hallar la funcin de ditribucin. (c) Representar grficamente la funcin de denidad y la funcin dedistribucin.(d)HallarP(X> 1).
(e) HallarP(2 s X< 3).
es la funcin de densidad para una variable aleatoria

2.E8. La funcin de probabilidad

de una variable aleatoria X est dada por

f(r)

dondep

2.t9.

es una

constante. Halla (o)P(0 <

X<

3),

(b)P(X> 1).

(a) Demostrar que para una constante c apropiada,

(0

rS0

F(rl = 1"0_"_,,1, t)o


es la

funcin de distribucin para una variable aleatoria X, encontrar c.

(b ) Determinar P(1

< X < 2).

2.9O. Una vaiable aleatoria X tiene funcin de densidad

l$tr-z) o<51
f(xl = t;
deotraforma
Hallar la funcin de densidad de la vaiable aleatoria

2.91.

X2 y verificar u olucin.

Dos variables aleatorias independientee, X, Y tienen funcione de denidad reapectivar

f(n)

"ao
= {:'u-'"
ro
Lo

Hallar(o)ct!cz,GlP(x+r>1),
2.92.

Y:

(cl

c@)

P(l<x<2,Y=ll,

(c2Ye-st Y>o

= {o

(d) P(l

<x<21,

u=o
(e)

P(r=1).

En el Problema 2.9L cuil ea la relacin en'tre la rcluciones (c), (d) y (e)? Jurtifrc .u r.ue.t.

www.tutomundi.com

74

2.93.

VARIABLES ALEATORIA"S Y DISTRIBUCIONES DE PROBABILIDAD


sean

Y vaiable aleatoria que tienen funcin de denidad conjunta

f(r,a) =

o<Y <2
| c(2r+Y) o((r'
o
de otra forma
I

Hallar(o)laconstantec.(b)P(X>Ll2,Y<312),(c)lafuncindedensidad

(marginat)deX,(d)lafuncin

de deruidad (marginal) de Y.

y < g) = p(X > p(y < +,). por qu?


+l

2.94,

En el Problema 2.93 ee cumple que P(X >


+,

2.96.

En el Problema 2.91 halla la funcinde denidd de (o) X2, (b) X

2.96.

Si -X,

+ y.

tienen funcin de denidad conjunta


f

(a) Determinar ai

P(X +

lcAP.2

Y> rl2r.

(r'

llla

u) = t o

0((U,0<U<t
de otra forma

x, Y son independientes. (b) Hallar p(X>tlz).

(c) Illar

p(x<rlz,y>

1/B). (d) Hallar

2.s7.

Generalizar (o) et hoblemz 2.78 y (b) el Problema 2.79 a tres o m vaiables.

2.98.

Sean -(_ Y varible aleatori independiente ditribuidae idnticamente y con funcin de densidad
(2v)-r/2-r2, -- ( tt ( -. Hallr ta funcin de densidad de Z - X2 + Y2.

2.99. La funcin de probabidad conjunta para las vaiable X, Y

Tabla 2-9

est,

dada en la Tabla 2-9. (o) Halla las funciones de probabilidad margi-

nal de X y f. (b) ttallarP(l S X< 3, y > 1). (c) Dererminar si X


y Yron independienter.

2.11. Supngase que la funcin de probabilidad conjunta de las vaiables


aleatoria X, Y est dada por

r(r,ur

= {"-'o
|. 0

os=2'o<Y='

<x<1,y>1).

Sean

X, Y variables aleatoria independientes

r/18

7lS

r/6

r/9

1/18

Ll9

r/6

1/6

1/18

0. Demotrar que la funcin de denidad de X

s(u)

t2<X< l).

(c) HallarP(Y

r).

(d) Harlar P(Ll2

cada una con funcin de densidad

,(u) = 1e:r
donde l,

de otra forma

(o) Determinar ei X, Y son independientes. (D) Hallarp(1

2.101.

/(z) =

I @#

u=0,L,2,...
*

es

u=0,1,2,...

2.102. Cull er el anlogo del teorema de la convolucin para variables aleatorias dicreta? Ilustrarlo usando el
hoblema 2.101.

2.103. Un estaca de longitud .L se rompe en dos pares. Cul es la probabilidad de que una parte tenga una
longitud mayor que el doble de la ora? Indica claamente qu suposiciones se hicieron. Estudia i considerra que eltar oupoeiciones Bon realistas y cmo podra mejorarlas si no lo son,

www.tutomundi.com

cAP.2l

VARIABLES ALEATORIAS Y DIIT,IBUCIONES DE PROBABILIDAI)

76

2.1O4. Un piso ert conhuido de cuadrado de ldo L Una aguia de lonitud o1l a lanza al piro. Demorbar que la
probabilidad de que l atuja intersecte al meno un liado, er igral a o(4t o\ltf .

2.1O5. Paa una aguja de longitud dada cull debe er el tdo del cuadrado en el Problena 2.1O4 para que la
probabilidad de interseccin ea mdma? Erpcar ru rcluci6n.

2.106.

f (r'a'

Si
es l

rv2zs 01r11, 0< y1l, 0121L


o
1
de oha form
(

z) =

funcin de denided conjuata de tres variable aleatoriea X, Y, Z. Ilallar (o) P(X >

1.,

P(Z<X+Y).

Y<

+r,

Z>

$),

()

2.1O7. Un haz cilnico de partcula.s de radio q e dirige haci un obietivo hemifrico ABC co centro en O como
e indica en la Fig. 2-32. Supngase que Ia ditribucin de l partfcul ect dada por

I lla

l(r) = 1o
donde
es

es la distnci desde

dada por

el

eie OB.

01r 1a
deotrforma

Ilemoch que la dirtribucin

s(o) =

de lar partfcular a lo largo del objetivo

lcosa 0<c<n/2
deohaforme
{o

donde 0 es el ngulo que la lnea OP (de.ede O a cualquier punto P del objetivo) forma con el eje.

c
Fis,.2-32

2.10t. En el Problema 2.107 halla la probabidad

de gue una rarfcula pegue 8l objetivo entre A

y0

: 14.

2.109. Supngase que la variable aleatoria X Y, Z tienen funcin de denidd conjuna

r(r,a,z)

= ito-""trtcosracosrz :.'"L';J'v

1r' o1z. r

*"loq,ri"r" dos de esta vaiables aleatoria eon independientee, es decir ur factores


funci6n de densidad marginal, la! bs no son independientes.

Demoka que auque

www.tutomundi.com

Captulo 3
Esperonzo motemticq
DEFINICION DE LA ESPERANZA MATEMATICA
concepto muy importante en probabilidad y estadstica es el de la esperanza matemca,
- Un
esperado o brevemente esperanza de una variable aleatoria. Para una variable aleatoria discreta
wlor
X que puede tener los valores xr, . .. , r^ la esperanza de X se define como

E(X) = xrP(X=rr)+...+ rnp(X=r^\ = ixp(X=ri


o igualmente, si P(X

= x\: f(x),

E(n =

tf(el\

+ '.. + r^f(x^) : Lr,f(r,) = Zrf(r)

donde la ltima suma se toma sobre todos los valores up-=or"Oo, de


cuando las probabilidades son iguales, tenemos

E(X\

tt*Iz+

(z)

r. Para el caso especial

de (2)

"'+I"

que se llama la media aritmtica o simplemente la rnedia de


se

(I)

11

(e)

x2, . . . , xn

Paa una variable aleatoria continua X que tiene una funcin de densidad f(x) la esperanza de X
define como

E(x)

= f:.,f(u)dr

(t)

donde debe notarse la analoga con (2).

A la esperanza de X frecuentemente se le llama la media de


p cuando se sobreentiende la vaiable aleatoria determinada.

Xy

se denota

por lrx, o simplemente

La media o esperanza de X da un valor tpico o promedio de los valores de X y por esta razn
le llama medda de centralizacin. Otras medidas se consideran en la pgina 84.

se

EJEMPLO 3.1. Supngae un juego con un dado. En ede juego el jugador gara g20 si obtiene 2, g40 si obtiene 4,
pierde $30 gi obtiene 6; en tano que ni pierde ni gana si obiene otro resultado. Hallarla suma esperada de dinero

ganado.

Sea X la variable aleatoia que representa la canidad de dinero ganada en cualquier lanzamiento. Las posibles
cantidadededineroganadocuandoeldadoresultaL,2,,,.,6sonxr,'.2...,6respectivamenteconprobabilidadea f(r1 ), f(xz), . . , , f(xc). La funcin de probabilidad para X se indica en la Tbbla 3-1. As el valor eeperado

o eaperanze el

E(n =,.,() +(r0)(:) .(.)(:)

.,.r(t) .(.)() *r-'or(l) =

76
www.tutomundi.com

cAP.3l

77

ESPERANZA MATEMATICA
Tbbla 3-l
l

+20

+40

-30

i@ j)

r/6

r/6

t/6

L/6

r/6

L/6

Se deduce que el jugador puede esperar una ganancia de $5. Por tanto en un juego honrado es de eeperarse pagar $5

por jugar.

EJEMPLO

3.2. La funcin de densidad de una variable aleatoria X

f*u
1;

f@l =
El varor esperado de X

es

E(xt

est dada por

0<r12
de otra forma

= :_,r(r)dr = ,',(i,0, = o'tro,= *|;=+

FTJNCIONES DE VARIABLES ALEATORIAS


Sea

X una variable

aleatoria- Entonces Y

P(Y=v:

:*
1.

Si

es una variable aleatoria discreta

g(X\ tambin

es una variable aleatoria y se deduce

( | s()==y)

con funcin de probabilidad

E[s(x)] : g(n)f(r) + s(rz)(r"\ +'..

= '
i s(r,) /(",) = )
2.

Si

es una variable aleatoria.con

s(r)

/(),

entonces

+ g(x")f(n"\

/()

(5)

funcin de densidad f(r), entonces

Elsul = f- oOf@)dr

(6)

aleatorias se hacen fcilmente. As por


" -Ur;;;ables
X, Y son dos variables aleatorias
continuas con funcin de densidad conjunta f(r, y\,

Generalizaciones a funciones de dos

ejemplo si

entonces la esperanza de g(X, Y) se obtiene por

Els(X,Y)l
EJEMPLO

3.3.

"
= --f Jf*-

g@,a)

f(r,y) r)r d.y

\7)

Si X es la vaiable aleatoria del Ejemplo 3.2,

E'ex2_

zx)

- f"_rt" -2x'f@)dx .. .fo" ,rrr-z.l(ir) a' = *

ALGUNOS TEOREMAS SOBRE ESPERANZA


Teorema

3-I:

Si c es cualquier constante, entonces

E(cX)
Teorema

Teorema

3-2:
3-3:

Si

X,

: cE(X)

(s)

Y son variables aleatorias, entonces

E(X+

y) = E(x) + E(y)

Si X, Y son variables aleatorias independientes,

E6n :

E(X)

(e)

entonces

E(Y)

Generalizaciones de estos teoremas se hacen fcilmente.

www.tutomundi.com

(10)

78

ESPERANZA MATEMATICA

lcAP.3

TI|' VARIANZAY I,A DESVIACION TIPICA

Anteriormente e_n la pgina ?6, anotamos que la esperanza de una vaiable aleatoria X frecuenemente se le llama la- media y se le denota por t. Otra cartidad de gran importancia en
probabilidad y estdstica se llasra lautianza y se define por

Var(X)

= E(X-*)'j

(II)

La varianza es un nmeo no negativo. A la raz cuadrada posiva se le llama ladesviacin tpica y


por

est dada

x = t/@

,,tr71x-l

ee\

Donde no exista lugar a confusin, la desviacin tpica se denota por o en cnmbio de o*, V la
varianza por o2.
Si

es una vaiable aleatoria discreta con funcin de probabilidad

f(*),

a'l = E[(X- p)r) = 2 @,- p)rf(xtl = X (rEn el caso especial de

(I3) dondelas probabilidades son toda

entonces la varianza

plrf(a)

(13)

iguales, tenemos

= l(u-p)r+(rr-p), +...+ (a"-plzlln


que eslavarianzade turconjunto dez nmerosf ..., x^Si

es una vaiable aletoria

(1t)

continua con funcin de densidad f(r), entonces la varianza

"? =

Ei/.

- t)rl = __ O -

es

,)2

f(n) ita

es

(151

I-a, varianza (o la desviacin tpica) es una


medida de la dspersin o wriaein de los valotes de la variable aleatoa alrededor de r. Si
los valores tienden a concentrase alrededor
de la medi4 la varianza es peguea; en tanto
que si los valores tienden a distribuirse lejos de
la media, la varianza es grande. La situacin se
representa grfrcamente en la Fig. &1, para el
caso de dos distribuciones continuas con la
misma ,.
Fis. 3-r

3.4. Hallar la varianza y la desviacin tfpica de l vaiable aleatoria del Ejemplo 3.2.
De acuerdo con el Ejemplo 3.2 l, media 6 p = E(X) = 4/3. Entoncec l varianza re encuenha por

EJEMPLO

'

02

y la desviacin tfpica

r/
t\21
tl("-n/l

.-

/
\2
(z/
\ ,
rota" = J.
= J-- ("-)
= ;2
("-i)\r/fl;'*

"=\F=+

es

Obsrvese que si X tiene ciertas dimensiones o unadeq por ejemplo entmetros (cm), entonces la varianza de X tiene unidades cm2 en tanto que la desviacin tpica tiene las mismas unidades
que X, es decir cm. Es por esta rcz6n que con frecuencia se utiliza la desviacin tpica.

ALGI,NOS TEUREMAS SOBRE VARIANZA

Teorema 3-4:

E(X

-p)'l = E(Pl -

donde p = E(X\.

www.tutomundi.com

p2

E(X')

- l0(Xll

(161

cAP.3l

ESPERANZA MATEMATICA

79

Var(cX) --

(17\

Teorema 3-5: Si c es una constante

c2Yar(X)
Teorema 3-6: La candad E 6 - a)" 1es mnima cuando a : p : E(X).
Teorema

3-7:

Si

X,

Y son variables aleatorias independientes,

y) =
Var (X - Y) =
Var (X +

(Y)
Var (X) + Var (Y) 6
Var (X) + Var

o2.'.*y

o?-v

:
=

ol
o2* * o2,

o2*

(18)

(19\

Generalizaciones del Teorema 3-7 a ms de dos variables independientes se hacen fcilmente. En


palabras, la varianza de la suma de variables independientes es igual a la suma de sus vaianzas.

VARIABLES ALEATORIAS NORMALIZADAS


Sea X una variable aleatoria con media r
definir una uariable aleatoria normalizadd como

desviacin tpica o (o

0). Entonces podemos

x* - x---yUna propiedad importante de X* es que ti"rr"


nombre de normalizcdc, es decir

E(X*)

cero

-"Ol

@ol

vayianzal, as teniendo en cuenta el

Var(X*) : 1

=6

Ora propiedad importante de Xx es que es una cantdad adimensional


no tiene unidades aunque X las tenga.

(91)

sn dimensiones, esto es,

Los valoes de una vaiable normalizada se denominan algunas veces referencias tipificafus y X
tipificadcs (es decir, o se toma como unidad al medir X - p).

se dice est expresada en unidades

Las variables normalizadas son tiles para compar diferentes distribuciones.

MOMENTOS

El momento r de na uariable aleatoria X alrededor de la media p, tambin conocido como el


momento central r, se define como
p. : E[(X - p)'l
@2)
donde r:1,2.....
Sededuceguel.o:1,lJr:0yre : 02,esdecirelsegundomomento central
o segundo momento alrededor de la media es la varianza. Tenemos

p, = i(r,-

ti,f@) = )(r-

j=l

t', =
7)l momento'r de

f@

,l

(r) du
-- l, - fi' f

p)'l\r) (variablesdiscretas)
(variables

continuas)

\23)
(24\

X alrededor del origen se define como

pi'= E(X')

@5)

dc:cler:0, l,2,...yenestecasohayfrmulasanlogasa(23)y(24)enlascualesp:0.
La relacin entre estos momentos se expresa por

t",

pi-

(l)r,

,r,

"'

(-\'(;)-l-t"i* "' * (-r)',6,'

www.tutomundi.com

@61

80

ESPERANZA MATEMATICA

lcAP.3

pl = p ygb:1,

Como casos especiales tenemos, utilizando

tt, = l"L- t"2


lrt = t"L-Bp'rtr *
l"t : t't- 4pip I

2p"
6Ir12

(27)

'i|'a

FI.'NCION GENERATRIZ DE MOMENTOS


I-a,funcin generatrz de momentos se define como

Mx$)
ee

decir

M*(t) =

,=t

eo'f(r) = 2

er"f

) _. erf(r\ dr

M"(t)

(28)

E(e'*)

(r)

(variables discretas)

(variables continuas)

(2el
(30)

Podemos demogtra que la expansin en serie de Taylor es [Problema 3.15 (c)]

M*(t')

: I + tLt * r;#l+ "' * r:#+'''

(r 1)

Puesto que los coeficientes en esta expansin nos permiten hallar los momentos, la justificacin del
nombre funcin generatriz de momentos es lgica. De la expansin podemos demostrar que [Problema 3.16(D)l

"i

= fi*"Oll,-"

(32)

es decir, ri es la r-sima derivada de M * () evaluada en : 0. Donde no exista lugar a confusin


escribimos M() por M"(tl.

AIfUNOS TEOREMAS
Teorema

3'8:

SOBRE LA FUNCION GENER ATR,IZ DE MOMENTOS

Si Mx () es la funcin generahiz de momentos de la variable aleatoria X y a y b (b


0) son constantes, entonces la funcin generatriz de momentos de (X + a)/b es

Mr*ro,,r(t\
Teorema

= """'**(l)

(33\

3-9: Si X, f
M

"

son variables aleatorias con funciones generahices de rnomentos M


y
"(t)
(t) respectivamente, entonces

M**"(t) = Mx(t)MtQ)

(3 /r)

Generalizaciones del Teorema 3-9 a ms de dos variables aleatorias independientes se hacen fcilmente. En palabras, la funcin generatnz de la suma de vaiables aleatorias independientes es igual al
producto de sus funciones generatrices de momentos.
Teorcma

3-I0

(Teorerna de la unicidad): Supngase queX, Yson variables aleatorias con funciones generatrices de momentos M * (t) y M , (t) respectivamente. Entonces X, Y tienen

la misma distribucin de probabilidad solo si M. (r)

..

IUI

(t\ idnticamente,

FUNCIONES CARACTERISTICAS
Si remplazamos : i<.r, donde i es la unidad imaginaria en la funcin generatriz de momentos
obtenemos una funcin importante llamada lafuncin caracterstca. La denotamos por

www.tutomundi.com

cAP.3l

81

ESPERANZA MATEMATICA

*(') =Mx(i')=E(e"*)
Se deduce que

*(,) = )er*t f(rl : )

et',f

fa

*(,)
.- = .,|_- et""f(r)dn

(r)

(35)

(variables discretas)

(86)
(37)

(variables continuas)

Los resultados correspondientes a (3I ) y (32) son

*(.)

donde

= L*it",- r;#,+ "' *t'ri#.+ "'


t"i

(38)
(3e)

FL', fr+-Al.-,

Cuando no exista lugar a confusin escribimos

@(<.r

por 4*(.).

Los teoremas para las funciones ca:actersticas correspondientes a los Teoremas 3-8, 3-9
son los siguientes.
Teorema

3-II: Si

*(ar) es la funcin caacterstica de la variable aleatoria


constantes, entonces la funcin caracterstica de (X + a)lb es

,**",20(') Teorema 3-12: Si


"

"t""r(;)

y 3-10

X y a,b (b + 0) son
(+o

X, Y son variables aleatorias independientes con funciones caactersticas {* (c,.r ) y


(<^

) respectivamente, entonces

**r(,) = *(,)v(,)

(t'1)

En general, la funcin caracterstica de la suma de vaiables aleatorias es igual al producto de sus


funciones caactersticas.
Teorcma

J-I3

(Teorema de la unicidad): Supngase que X, Y son variables aleatorias con funciones caactersticas d*(<), "(<) respectivamente. Entonces X, Y tienen la misma
distribucin de probabilidad slo si 4* (o ) : " (<..r ) idnticamente.

Una razn importante de introducir la funcin caracterstica es que (37)representalatran*


formada de Fourier de la funcin de-densidad /(r). De la teora de transformadas de Fourier
podemos determinar fcilmente Ia funcin de densidad a partir de la funcin caracterstica. En
efecto,

f(r) = * *.

"-'.'f,,(,)

d,

(t g)

que con frecuencia se denominalafrmuh de inuersin o la transformada inuers de Fourier. De


una manera semejante podemos demostrar en el caso discreto que la funcin de probabilidad f(r)
puede obtenerse de (36) empleando la serie de Fouier, que es el anlogo de la integral de Fourier
para el caso discreto. Vase Problema 3.39.
Oh:a raz6n para utilizar la funcin caacterstica es que siempre existe mientras que la funcin
generatnz de momentos puede no existir.

VARIANZA PARA DISTRIBUCIONES CONJUNTAS. COVARIANZA


Los resultados anteriores para una vaiable pueden ampliarse para dos o ms vaiables. As, por
ejemplo, si X, Y son dos variables deatorias continuas con funcin de densidad conjunta /(r, y), las
medias o esperanzas de X, Y son

www.tutomundi.com

82

ESPERANZA MATEMATICA

t"x

= E(X)

[cAP.3

.f"_.f"_ rf(r,a)d,rds, ty = E(y)

: :-

(48)

uf@,y)d,rits

f_'-

y las varianzas son

, =

Er--,*),1 =

:- f _- O- t )2f(r,ylitxd.y
(t

"?

El(Y

!_'- to- t r),f(r,s)(tnity

l:-

-,")ul =

.(,

Otra cantidad que aparece en el caso de dos vaiables


xy

Cov (X,

l)

Y es la covarianza definida por

Y) = EUX - p*XY -

(45)

r")]

En t{rminos de la funcin de densidad conjunta f(x, y) tenemos

oxy

= :. 1"" @ - t")@ - t") f (r,y' itr (ry

(t 6)

Consideraciones semejantes pueden hacerse para dos variables aleatorias discretas. En


G3) V (46) se remplazan por

/.*

22rf(a,u)

,"

tll

oxy

= X2uf@,ul
x9
X,

caso

(+r

- > > (r - p*)@ - p")f(r,a)

donde las sumas se toman sobre todos ro, u"ror". discretos de

tal

Ura

Y.

Los siguientes son algunos teoremas importantes sobre covarianza.


Teorema

3-14:

Teorema

3-I5:

Si

oxy

= E(XY) - E(X)E(Y) =

(+s

pxtry

X, Y son vaiables aleatorias independientes,


o*",

* Y)

Var (X

Teorema 3-16:

E(Xy)

(,

Var (X)

Var (Y)

(50)
2 Cov (X, Y)

(51)
(52)

(5s)

lo*"1
es

o'**v: "2*+"'l!2o*,

Teorema 3-17:

El inverso del Teorema 3-15 no

Y) =

Cov (X,

oro"

necesariamente cierto. Si

X, Y son

independientes, el

Teorema 3-16 sd reduce al Teorema 3-7.

COEFICIENTE DE CORRELACION
Si X, y son independientes, entonces Cov(X, Y) : oxv : 0. De otra parte si X, Y son dependientes completamente, por ejemplo X : Y, entonces Cov(X, Y) : oxv = oxoy. De esto llegamos
auna medida de la dependencia de las variables X, f dada por
oxY

P-

(5tt\

"*""

que es una cantidad adimensional. Llamamos a p el coeficiente de correhcin. Del Teorema 3-L7
obsenamosque- L= p < 1. En el casodonde p: O (esdecir, lacovaianzaescero) decimosquelas
variables X, Y no estn relacionadas. Sin embargo, en este caso las variables pueden ser independientes o no. Estudio posterior de la correlacin se ampla en el Captulo 8.

www.tutomundi.com

cAP.3l

ESPERANZA MATEMATICA

83

ESPERANZA, VARIANZA Y MOMENTOS CONDICIONALES

Si X, Y tienen funcin de densidad conjunta f(x, yl, entonces de acuerdo con lo visto en el
Captulo 2 la funcin de densidad condicional de f dada X es f(y I x) = f(x, y)lf t@\ donde f1(r)
es la funcin de densidad marginal de X. Definimos la espensnzrt condiciowl o media condiciowl de
Y dada X por

E(ylX:r) = .tf*rf@lx)da
_^

@5\

donde "X: N" debe entenderse como x 1X S r * denelcasocontinuo.LosTeoremas 3-L, 12


y 3-3 tambin son vlidos para la esperanza condicional.
Obsewamos las propiedades siguientes:

1.

E(Y lX =

2.

E(Y)

r) = E(Y) si X' }z son independientes.

: .tf- ,glX
-.*

= r)f 1(r)dr

Con frecuencia eb conveniente calcular las esperanzas empleando la Propiedad 2 y ro directamente.

3.5. El tiempo promedio de viaje a una ciudad lejana es c horas en automvil o b horas en bu. Una
no puede decidir si conducir o tomar el bua, asf que lanza una moreda. Cul ee su tiempo de viaje

EJEMPLO

prsona

eeperado?

Aquf eetamo considerando la distribucin conjunta del resultado del lanzamienb, X, y el tiempo de viaje, {
Y: Yauro si X:0; f : Y6,r"siX:l.Presuntamenb,YautoV YbussonindependientesdeX, as quepor

donde

la Propiedad 1 anterior

E(YIX -0) = E(fwolX=0) = E(Y*rol = c


E(YIX= 1): Z'(ysorlX=l) = E(y5*) = b

Entoncea la Propiedad 2 da (con la intcgral remplazada por una zuma), para una moneda honrada,

E(Y)

= E(YlX=0)P(X=0)* E(YlX=l)P(X=l) = +

De una manera semejante podemos definir la uarianza condiconal de Y dada

E[(V
donde .rr

= E(Y lX: *).

*r\2 | X =

r) = _-

,o

*r), f@ln) da

X como
(56)

Tambinpodemosdefinir elmomento condicionalrde YdadaX

alrededor de cualquier valor c como

nlv -

a\,

x = a)

= __, -

al, f@lr) du

\57)

Los teoremas comunes para varianza y momentos se amplan a la varianza y momentos condicionales.

DESIGUALDAD DE CHEBYSHEV

Un teorema importante en probabilidad y estadstica que revela una propiedad general de las
y varianza finitas se conoce con el nombre de desigualdad. de

variables aleatorias discretas con media


Chebysheu.

Teorema

3-18 (Desigualdad de Chebyshev): Supngrise que X es una variable aleatoria (discreta o


continua) son media t y vaanza o2 finitas. Entonces si e es cualquier nmero positivo,

P|X-pl
rr
| | 3.)
/ s 4

o,con.:}(, Kti

(58)

a2

P|X

pl> ko)

www.tutomundi.com

k2

(5e)

84

ESPERANZA MATEMATICA

EJEMPLO

3.6. Si h : 2 en la desigualdad de Chebyshev

P(X-pl>2s) = 0.25

lcAP.3

(59 ) vemoo que

P(lx-pl<2"\ >

0.75

Literalmente, la probabilidad de que X diflera de su media en ms de 2 desaciones tpica8 8 menor que o iEral a
0.25; equivalente, la probabilidad de que X se encuentre dentro de 2 dewiaciones tpicas de su media es rnayor que
o igual a 0.75. Esto es bastante extraordinaio si se tiene en cuent que an no se ba eepecificado la distribucin de
probabidad de X

LEY DE LOS GRANDES NUMEROS

El teorema siguiente, llamado la ley de los grandes nmeros,

es una consecuencia interesante de

la desigualdad de Chebyshev.
Teorema

Sean X, , Xz, .. . , variables aleatorias mutuamente


independientes (discretas o continuas), cada una con media g y varianza o2 finitas.

3.19 (LeV de los gnndes nmeros):


Entoncessi S,

: Xt* Xz+ ...


lim

+ X"

(n=L,2,...\,

=o
"( *-" =.)

(60')

Puesto que Sn/n es la media aitmtica de X1 , . . - , Xn, este teorema establece que la probabilidad de que la media aritmtica S,/n difiera de su valor esperado por ms de e, tiende a cero
: g,pero
cuando n '+ @. Un resultado ms fuerte, que esperamos sea verdadero, es que

li*S"/t

p con probabilidad uno. Con


li31
frecuencia este resultado se denomtna ley de los grandes nmeros en forma fuerte, y, en contraste,
el resultado del Teorema 3-19 se llama ley de los gundes nmeros en forma dbil. Cuando se hace
referencia a la "ley de los grandes nmeros" sin ninguna especifrcacin, se implica la ley dbil.
realmente es falso. Sin embargo podemos demostrar que

Sn/n

OTRAS MEDIDAS DE CENTRALIZACION

Como hemos visto anteriormente la media o esperanza de una variable aleatoria X provee una
medida de centralizacin para los valores de una distribucin. Aunque la ntedia es la ms empleada,
tambin se emplean otras dos medidas de centralizaciiln. Estas son lamoda y lamediana.

1.

Moda. La moda es el valor que con mayor frecuencia ocurtre, o en otras palabras, tiene la mayor
probabilidad de ocurrir. En tal valor r, f(r) es mma. Algunas veces tenemos dos, tres o ms
valores que tienen relativamente grandes probabilidades de octrrrencia, En tales casos decimos
que la distribucin es bmodal, trimodal o multimodcl respectivamente.

2.

Mediana La mediana es el valor de r para el cual P(X = x): P(X. r): 1l2.En el caso de una
distribucin continua la mediana corresponde a la ordenada que separa una curva de densidad en
dos partes que tienen reas iguales de Ll2 cada una. En el caso de una stribucin discreta
puede no existir una mediana nica (vase Problema 3.34).

PERCENTILAS

Con frecuencia es conveniente subdividi el


rea bajo una curva de densidad empleando ordenadas de manera que el tea a la izquierda de la
ordenada sea algn porcentaje del rea unidad to
tal. Los valores que corresponden a tales reas se
llaman uolorcs percentila o simplemente percenths. As por ejemplo el rea a la izquierda de la
ordenada eD f,q en la Fig. 3-2 es c. Por ejemplo, el
nea a la izquierda de r.ro sera 0.10 6lO% y se
www.tutomundi.com

Fig.3-2

cAP.3l

ESPERANZA MATEMATICA

85

llamara la dcima percentila (o la primua decilal, La mediana sera la quincuagsima percentila


(o quinta decila'.

OTRAS MEDIDAS DE DISPERSION

As como hay varias medidas de centralizacin adems de la media, hay diferentes medidas de
dispersin o variacin respecto de estas medidas centrales adems de la varianza o desviacin tpica.
Algunas de las ms comunes son las siguientes.

1.

Recorrido. El recorrido es la diferencia entre los valores ms grande y ms pequeo de una


distribucin. Lgicamente, esta medida no tiene sentido si alguno de los valores extremos es
infinito.

2.

Recorrido semi-intercuartlico. Si r.r5 y x.r representan los valores de la vigsima quinta y la


septuagsima quinta percentila la diferencitrc.ts
- r.25 se Ilama el recorrid intercuartiticoy
Il2 (x.ts - x.zs) es el recondo semi-intercuartlico.

3.

Desviacin media La desuiacin media (D.M.) de una vaiable aleatoria


de lX- .1, es decir

se define como la

esperanza

D. M.(X)
D. M.(X)
SESGO

1.

EllX -.,11 :

) lr- plf(r) (variablesdiscretas)


= DllX-,ll : f_- O - tlf(r,l dr (variablescontinuas)

(62)

Y CURTOSIS

Sesgo. Con frecuencia una distribucin no es simtrica con respecto a un mximo sino que ene
una "cola" ms Iarga que la otra. Si la cola ms larga se extiende a la derecha, como en la Fig.
3-3, se dice que la distribucin est sesgada a la derechc, mientras que si la cola ms larga se
extiende a la izquierda, como en la Fig. 3-4, se dice que eslsesgada a la izquierda. Las medidas
que describen esta simetra se denominan los coeficientes de sesgo o sencillamente sesgo. Una de
las medidas es
'il

""

D[(x - p)3]

ps

o,

que es una cantidad adimensional. La medida


es positiva
sesgada a la derecha o a la izquierda respectivamente. Para una

Fig.

2.

(6f )

o negativa si la distribucin est


distribucin simtrica o : 0.

Fis. 3-5

F'ig. 3-{

3-3

(63)

Cutosis. En algunos cafios una distribucin puede tener sus valores concentrados cerca de la
media as que la dishibucin tiene un pico grande como se indica por la curva slida de la Fig.
3-5. En otros casos la distribucin puede ser relativamente plana como en la cuna a trazos de la
Fig. 3-5. Medidas del grado de apuntamiento de una distribucin se llaman coeficientes de
curtosis o simplemente curosis. Una medida empleada frecuentemente est dada por

E[(x- p)n]

"4

:-_-----i--:

o*

www.tutomundi.com

p+
o4

(64)

86

ESPERANZA MATEMATICA

lcAP.3

que es una cantidad adimensional. Comnmente se compara con la curya nonnal (vase Captulo
4), que tiene un coeficiente de curtosis igual a 3. Vase tambin Problema 3.41.
Es posible definir coeficientes de sesgo y curtosis utilizando otras medidas de centralizacin y
dispersin, pero los definidos anteriormente se emplean con mucha frecuencia.

Problerna,s resueltos
ESPERANZA DE VARIABLES ALEATORIAS

3.1.

En una lotera hay 200 premios de $150, 20 premios de $750 y 5 premios de $3000 Suponer que se colocan a la venta 10 000 boletos. Cul es el precio justo que se debe pagar por
un boleto?
Sea

X la variable aleatoria

qrre denota la canidad de

Tabla 3-2

d:..ero que se ganar un boleto. [.os diferentes valores de X conjuntamente con sue probabilidades se
muestran en la Tabla 3-2. Por ejemplo la probabilidad de obtener uno de los 20 boletos que dan un
premio de $ 750 es 20/10 000:0.002. La esperanz de X en pesos es

D(x):

(150) (0.02)

750 (0.002)

(pesos)

150

750

3000

: r\

0.02

0.002

0.0005

0.977t

P(X

+ 3000 (0.0005) + (0)

(0.9?75)

6.00

6 pesos. El precio justo a pagar por un boleto es 6 peeoo. Sin embargo una lotera gana dinero, el precio
del boleto sera ms alto.

3.2.

Hallar la esperanza de la suma de puntos al lanza un par de dados honrados.


Sean

X, Y los puntos que

aparecen sobre los dos dados. Tenemog

E(x)

E(Y)

^/t\ = t7
*
"' - o\El
= tll)
\o./ 'l*)*
\o/

Entonces, por el Teorema 3-2,

E(X+Y) = E(X\*E(Y) =

3.3. Hallar la esperanza de una variable

aleatoria discreta

dada por

Itrl

: (i)'

X cuya funcin

(t=r,z,s,...)

Tenemos

E(xt =

,(i)" = +.,(+).'(*).

Para halla esta suma, hgase

s = ;.,(i).'(+).'(#).
Entoncee
Restando,

|s = i .,(*) .'(*) .
js = !+ | + + # +... =

PorantoS:2.

www.tutomundi.com

de probabilidad est

cAP.3l
3.4.

EsPERANZAMATEMATTcA

Una variable aleatoria continuaX tiene densidad de probabilidad dada por

Hallar (a)

E(X), (b\ E(X,).

()

o>0
r-=0

f(r\ = {"-*
lO

E(x): l-rrrr,o, = fo,e"-"\a, = zf-,"-r,a,


/ '-z'\-'tl'
= ,fL.,rl\ ":1"\
_'/ _ (1)\=4
/_jl, = ;
1

()

3.5.

E(x2)

= !l* x,l@ ar = z fo* xze-z,,rr


/'-z'\ + tzt\
: ,fL.,rrr(g-"\- e")\-)
,t(g=\ll'
1
\-T)
-a /Jl. = ,

La funcin de densidad conjunta de dos variables aleatorias

f(r,a) =

X, Y

estdada por

lra/96 o<r14'LcY15
de otra forma
io

Halla(a) E(X), (b) E(Y), (c) E(XY), (d) E(zx +By).

(a) E(xt : :" :-

r f(r,v)

dx

dv =

l,o=o

.(#)0, o, =

"'=,

: :- :- y f(r,y) dr dy = ,'=" f:=, ,(ffi)a, o, = +


(c) E(xy) : !:" :. @ r(x,drda = ,n=o l"'=, arl(ffi) a,a, = #
(D)

E(yt

(d)

E(zx

+Br)

- !:" f-er+Byv(r,a\ dr da =

,r.=,

:=,e" *ta(#)

dr

ds =

OEo mtodo.

(c)

Puesto que

Y eon independientes, tenemos utilizando partes (o) y (b)

E(xyt
(d)

E(x)

E(y) =

(*X+) = #

Por los Teoremas 3-1 y 3-2, pgina Z?, conjuntamente con (o) y (b)

E(zx+sy)

3.6.

z^(x)

BE(y)

= r(;)-' r(#) = +

Demostrael Teorema X2, pgna?7.


Sea

f(r, y)

la funcin de probabilidad conjunta de X, Y, considerada discrea. Entonces

E(x+y) = ))t"*f(r,a)

+"'o'Y) + ) 2Yf.-'a)

= E(X) +

E(Y)

Si cualquier variable ee continua, la demotacin se dearrolla de igual manera, @n las sumar apropiadae
remplazadas por integraciones: Obsrvese que el Teorema se cumple i X, Y son independientes o no.

www.tutomundi.com

88

3.7.

ESPERANZA MATEMATICA

[cA".3

Demoshar el Teorema 3-3, pgina 77.


Y, coniderada dicreta. Si la vaiablec X, Y rcn

Sea t(, y) la funcin de probabilidad coniunta de X,


independienteo, tenemoe f(x, y): f tG) /2 (y). Por tanto

E(XY) = 22
!J!

ra

f@,u) = ) ) ,y f t@) fz(a)

--t

)1,'/'Q)2afztu)

;;"

(')no(')l

E(X) E(Y)

Si cualquier vaiable e continua la demoetracin ee desarrolla de igual manera, con las eumas apropiadae
remplazadas por integracioneg. Obsrvese que la validez de eate teorema gira alrededor de si f(.r, y) puede
expresarae como una funcin de r multiplicada por una funcin I, pa todo , y, ea decir, de i X, Y on
independientes. Paa vaiblee dependientec generalmente no ee cumple.

VARIAT'IZA Y DESVIACION TIPICA


3.8. Halla (a) la varianza y (b) la desviacin tpica de la suma obtenida al lanzar un par de dados
honrados.

(o)

E(X): E(Y)=

Del Problema 3.2, tenemos

E(x2)

7 12. Adems,

= E(vz =',(+)-Fr,(l)

'

.*()

:%1

Entonces, por el Teorema 3-4,

var(X)

= +-(;)'=

Var(Y)

y, pueto que X, Y ron independientee, por el Teorema 3.7

Var (X *

(b)

3.9.

Y) =

Var (X)

Var

(Y) = F

ox+). = Wa"(X+Y) = 1/g


v6

Hallar () la varianz y (b\ la desviacin tpica para la variable aleatoria del Problema 3.4.

(o)

Como en el Problema 3.4 l media de X ee

Var

(X)

t= E(Xl -- 1/2. Entonce l varianza e

= Et - p\zt = '[(* -])'] = l:_ (" _'L)' t*, o.


/
.\2
^a
=i
= f-('-L)''"-"0'

Oto ntodo.
Por el Teorema 3-4,

var(X)
(D)

= El(x-r)21 E(xz-ll(x))2 = t- (;)'= i


o = tFf-var(x) = \E = t

3.10. Demostra el Teorema L4, p6gna 78.


Tenerno

E'(x

^"'

r" :

www.tutomundi.com

=i'|',:r::*

-'u;"*'
""'*"'

u'

ESPERANZAMATEMAIICA

cAP.3]

89

3.11. Demostrar el Teorema 3-6, pgina 79.

Er(x-'''.':,t:;_i;,r.!^r_':i;;:.,,i,r?2,"
-- E6 - P)21 + (P - a)2
pueeo que E(X
- tt): E(X)- lt:0, f)e esto vemos que el valor
do (t - o)n = O, e decir cuando a : ll.

mnimo de

El(X-o)'l ocutre

cuan-

3.12. Si X* : (X - tt)lo es una variable aleatoria normalizadq demostrar que (u) E(X* = 0' (b)
Var (X*: 1.

(a)

E(x*t

pueso que E(X) =

= Lnwl-r) =
= t(4=\
a'
o / =, !rw-u
\

r.

(b)

var

(x*)

= u" (?)

= \o1x -

utilizando el Teorema 3-5, pgina ?9, y el hecho de que E[(X

u"1

tt)z1=

=I

oz

3.13. Demostrar el Teorema 3-7, pgna 79.


Var (X +

Y) = E[{(X + Y) -

=
=
=
=

(px + pv))2]

- px) + (Y - pv)}21
EllX - px)2 * 2(X - px)(Y - py) + (Y - n)21
E[(X - pl|,2] + zEl(X - u\(Y - pv)l * El(Y EI{(X

Var (X) + Var (Y)

utilizando el hecho de que

El(X

ya que X, Y y por tanto X


gue al remplaz,ar Y gnr

-Y

pvl2)

px)(Y

pv)l

E(X

- pi

E(Y

py)

- ltx, Y - ttv eon independiente. La demotracin de (I9), p{ina 79, se ri'


y emplear cl Teorema 3-6.

MOMENTOS Y FI.TNCIONES GENERATRICES DE MOMENTOS

3.14. Demeshar el resultado (26),pgna79.

Pr = El(x-pl'l

= nfL x, - (i\*,-'u
\I/

+ ... + r-rt('.\x,'tut
'\'/

+ "' + (-L)'-'( t .)"n'-' + (-t)'p'lJ


\r-r/.
= .E(x,t - \r/
ft\tr*"-,), * . .. * t-t'(T)t1"'-,,u,
\t /
+ (-t)rpr
+ ... + (-r\'-'( n .)t(")u'-l
\,' - r,/
/\
= ,,, - (i/"\)/,-,t'+ "' + {-r\r\l)r,-iut
+ "' + (-l)'-tur * (-l)-rnt
donde al combinr loe do limo trmino reulta

(-l)r-1(?'-

1)p'.

www.tutomundi.com

90

EspERANzA

MATEMATToA

[cAp.

s.16. Demoshar (o) el resultado (Br ), (b) el resultado (g2), pgina g0.
(o) utllizndo lrr erpanein en serie de potencia de eu (8., Apndice A) tenemoe

Mxe) = E(etx = n(t+tX-t2x2,3x3,


- 2'. -T! 'r"') \
\
12
rg
t + tU(x) + ae(xr)
+a1xa a ...

= L+tlt*uL#*ri#*...
()

Sc dcduce inmeditamene del hecho conocido del clculo de que si la nie de Taylor
de f() alrededor

dc=oer

f(t) :

enroncc

cn

,)

cn(

o)"

= i. ffirol,_"

3.16. Demostra el Teorema B-9, pgina g0.


!utt" quc X, Y ron independiehtee, cualguier funcin de X y cualquier funcin de y son independientes.
For tto
Mx*vQ) = Elet(x+Yr) = E(etxetv : E(etx) E(tv = MxG) My(t)
8.17. La variable aleatoria X pugd.e t-oma los valores 1 y
- I con probabidad 1/2 cada uno.
Eltt (o) la funcin genratriz de momentos y (b) ls primeros-cuatro momentos alrededor
del origen.

(o)

Eqetx

(D)Tenemor

= ,,,',(;) * ,,,-',() = |G,+"-,t

et =

t+r+#..r|r*frr...

= 1_+ r+_#*fr_
,Lf",*"-,1 = ,*#.*#*...

e_t

hsonce

(r)

Pcto

(zl

Al comperu

(I)V e\

Mx(\

= L*pt*uLr4.*r#*u,rfr.*

tenemog

t!:0,

pL=1, =0,

p'+=L,

Todo los momentos impares 6on cero y los pares Eon uno.

8-18. una variable aleatoria

tiene funcin de densidad dada por

f(r\ = {z'-"
[0
{4t* (o) la funcin generatriz de momentos
del origen.
(ol

M(t) = Eletx = f"


J

r>0
r(0

y (b) los primeros cuafuo momentos


eEf(t)dr

fo" ""1,,-"'ro, = 2 fo'e<t-z>'d,r


ze<t-Dt l@
z
: -T=Tlo
li't<2
= z-t,
www.tutomundi.com

alrededor

cAP.

3]

91

ESPERANZA MATEMATICA

(b)

S ll

2 enemo

z_t

Pero

L_tlZ

M(t) =

Por tanto, al comparar trminos,

= ',*L*!-L*!*...
2 4 8

16

* tt + u#* rtfr+ tt^fi+ "'

t = )2, /t = \, tti = *,

p'n

P.

3.19. Hallar los primeros cuaho'momentos (c) alrededor del origen, (b) alrededor dc la media, para
unavaiable aleatoriaX con funcin de densidad

r(r)
(c)

= i;'''-r2)/8r :"=i;;*,"
=

t,, = E(X) =#""*zs-z)itr =f

= # 1"" *rn -

s2)

pi = E(Xr) = ,,l(3.216 Jo "ot,

12)

pL

Elxz

d,r.

tt

dr = -51

pi
(b

Utizando el resultado (27\, p6gin 80, tenemos


ttl

t2 = r-(*)'=

# =

02

r/9)'
Fr - 216
",",\51 *, "\5/
85 -r,r,1!)
tt4

y,
= - 8?b

ztcy q\,
,/!\. _
= 27
=
^f
^,",/!\'_-t\Ei
2 -s\s5;\;/+b(;r)\B/

B6eg
8?50

FI.'NCIONES CARACTERISTICAS

3.20. Halla la funcin caracterstica de la variable aleatoria X del Problema 3.17.


La funcin caracterstica est dada por

Eteiux,

* ,', ',(l)
= ,,",',(+)
-- Lp,-+e i.) =
\ -,/
\ -/

coso

empleando las frmulas de Euler

io
con 0

c,

cosa

* isena

s-io = cos, - ien,

El resultado tambin puede obtenerse del Problema 3.17(o) al remplazar t

i<

3.21. Hallar la funcin caacterstica de la vaiable aleatofia X con funcin de densidad dada por
I r/2a lrl < a

f(t) : io

deotraiorma

www.tutomundi.com

92

ESPERANZA MATEMATICA

lcAP.3

La funcin caacterfstica est dada por

D(etx

= f-."r,rrrrru, = *t_""^"0,
=

al@t

ela@

la

2a io l-o =

- e-ho

empleando las frmulas de Euler (vase problema 3.20) ce d

8en

2ia.,o

C,

ao.

3.22. Hallar la funcin caracterstica de la variable aleatoria X con funcin de densidaa f@)
= ee-atEt, -oo < 1 @,donde c ) 0 y c es una constante apropiada.
Puesto que f(r) es una funcin de densidad tenemog

).,r', o" =

asf que

Entonces

c:

l:.c-atxt

d,r

= "l:.

u-n<-,t an

= "{lo
4f-o

+ !o' "-"r,, arf


2c

,"-*l*
=
-Alo

-I

ol2, Por tanto, la funcin caacterstica est dada por

E(eiax =

.l*-ei.,f(r)dr
tl-"eore-o<-x, a, + fo*
n.f?o/.6-'l

;LJ_-e(a+t@)ro"

"iar-.o<t>

sf

* Jo -<a-;tit)

lo , e-(a-i@)
2 a*io l-" ' - _(a_io)

q, e<o+iarz

a
L
2(o* io)
2(a- io') =

l
lo

_a2
a2 *

o2

COVARIANZA Y COEFICIENIE DE CORREIACION


3.23. Demostar el Teorema B-14, pgina 82.
Por definicin la covarianza de X, Y es

Y) = El(X - xXY - pv)]


= E[Xy - p*y - pvX.* npv]
= E(XY) - pxE(Y) - pyE(X) * E(pxpvl
= E(XYI - Fxpy - ryttx * pxpv
= ElXy). - lxtty
= E(XY) _ E(X) E(Y)

oxy =

Cov (X,

3.24. Demostra el Teorema B-15, pgina 82.


Si X, y eon independientes entonces E(Xy) : E(Xl E( y) . por tanto por
oxy

Cov(X,

Yl =

el problema 8.23

E(XYI -- E(X)E(ts)

www.tutomundi.com

cAP.

3.26.

Hdla
Cov (X,

93

E(Y'), (/) Var(x), (s) Var(Y),

()

EsPERANZAMATEMATIcA

sl
(a) E(X', (b)

E(Y), (c) E(XY), (d) E(X'),

(e\

y), (0 p, si las vaiables X, Y se definen como en el Problema

()

= ))o/(",y) = ?rh f(,,,at)


= 4,,.O.(1)(1ac) +(2)(22c\ = 58o = E = n

E(x)

(b)

E(Yt

(c)

= 22af.-, = ;, [] tA,at)
= rr,r",.(1)(9)+ (2)(L2cl+(3X15c) =

D(xY,

2.8, pgina 52.

=
=

78c

= E= +

22nufia,a\
,o,,ol,o,

(0)(1Xc)

(1X0)(2c)

(1X1)(3c)

(2)(0)(ac)

(0X2X2c)

(0)(3)(3c)

(1)(2Xac)

(2X1)(6c)

(1XBX6c)

(2X2X6c)

(2XB)(?c)

427

E(xz:22r2f(r,al = )"rl-)ftr,alf

ld.)

'*

= *,ur", * (1)z(1ac)
(e)

E(Y2')

= 22u2f(u,ul = )y,[)

= ;;.',*,,,,,n",

(fr

o2*

(s\
(r)

4=
oxy

var(x)

lllr"t

=# =+

=t ,or,

@,a\l

= re2c: #= +

lr,r,lrrr"o*,o1,tuo

E(x2r-l*(x\)z

+-('*)

ffi

var(Y)= E(Y2')-lE(Ytl2=

cov(X,y)

= E(xy)-E(x\E(yt

txv
o
.lyL47- =
=
oxnv= -'
t/zwan 15514,

*l

?-(it)'=:*
= +-/+)l+)
r47
7 \21l\7/ = --+

-20: =

,/zso r/55

-0.2103 apror.

3.26. Resolver el Problema 3.25 si las vaiables aleatorias X, Y se definen como en el Problema 2.3,
pgina 50.
Utilizando c :

()

LI

2LO

tenemo:

E(xt =
E(Y\

(c)

E(xY)

+ s) dr
t,"=, f"t=u our,

dy

t 16 ri
= )"=,J"-o{o)1"Iuld'rita =

tf67580
,:-* J,=, Ju=o {r{rr

www.tutomundi.com

sl dr

%T

I70
6s

dv = ;

94

ESPERANZA

(d)
u')
b)
(t

[cAP.

=#
E(Yz =
h f,"=, f u',=o,rrrr, * a) dr tru = #
otr - var(X) = E(xz-ll(xtl2 =
#- (#)' = *tq*$
o2, = var (y) = E(vz _ l'(y))2 = t# _ (#)' = t;#
E(xz

(el

(h')

=h

MATEMATICA

oxy

p=

,^:,

fu'=o

,,rrr, * v) dx da

= cov(x,y) = E(xy)-E(x\E(y) = ?-(?f)(*t)


oxy

oxoy

-200l3969
/50s615e6-0

-200

{r6nsn

t/zsnr/te

zzs

= -#
-0.03129 aprox.

ESPERA}IZA, VARIANZA Y MOMENTOS CONDICIONALES


3.27. Hallar la esperanza condicional de Y dada X : 2 en el problema 2.g, pgna 62.
Como en el hoblema 2.27, pgina 61, la funcin de probabilidad eondicional de Y dada X

ftutz) =
X:

Entonces la esperanza condicional de Y dada

"x

= ? r(+)

donde la suma se toma sobre todo y que corresponde a

E(y,x=2)

2 es

2 es

=2)

E(Y

X:

2. Esto oru o"oo oo,

= -,(#). ,(ui) . ,(#). ,(iu) = ii

3.28. Hallarlaesperanzacondicionalde(c)YdadaXv(b)XdadaYenelProblema2.2g,pg1na62.

(o)
()

= -_afrtuldau = r'r(rr")* = +
E(xly=y =
f_-",,(rlytdr = "'"(#*S*

E(ylX=r)

2(L-ys

El=a\
3.29. Hallar

lavariar,za condicional de Y dada

2(l+y*y2)
--O+7I-

para eI problema 2.2g, pgna62.

[,a varianza pedida (segundo momento alrededor de la media) es

('/ z"\'/zu\' =1812


E[(v-pr)zlX=r]
Pz"'- = J_f'w-td2fz@lr)da ==J.\r-;)\t)*
donde hemos utilizado el hecho de que

ltz: E(Y lX: r) :2.zlB del Problema

8.28(o).

DESIGUALDAD DE CHEBYSHEV
3.30. Demostrar la desigualdad de Chebyshev.
Presentaremoe la demostracin para variables aleatorias ecntirruas. La demosbacin para variables discretas es
semejante si ee remplazan las integralee por sumas. Si f(r) es la funcin de densidad de X entonces

www.tutomundi.com

cAP.3l

ESPERANZA MATEMATICA

02 =

EI(x

p)21

('
= J-*

95

p)2

l(r) dr

Puesto que el integrando es no negativo, el valor de la integral solamente puede disminuir cuando el intrvalo
de integracin se reduce. Por tanto
02

tz-ttlZe

lr-al=e

rlr-yl=.

Pero Ia frltima integral es igual a P(lX

pl

? .). Por tanto

P(lX-rl > 6)
3.31. Para la variable aleatoria del Problema 3.18, (c) hallar P(lX - rl > 1). (b) Utilizar la
desigualdad de Chebyshev para obtener un lmite superior de P(lX - .rl > 1) y compararlo
con el resultado en (a).

(o)

DeI Problema 3.18,

= 1/2. Entnce

P1x

,t

.t)/ = ,(-:.x.|)
= "(l*-*l
ol
l
\l
\ o

<1)

:l/2

Ze-udr = 1 -

= J|

,(l*-*l

Portanto
(b) Del Problema

=t)/ = 1-(1-e'r) =

\t

3.18,

o2

= plr-

p2

= 7/4.

e-3

e-s

0.04e?e

La desigualdad de Chebyshev

P|X-pl > f)
resulta

P(lX-

r]

1) < oz =

0.25

Comparando con (o) observamos que el lmite dado por la desigualdad de Chebyshev e batate crudo.
En la prctica la desigualdad de Chebyshev se emplea para dar estimativos cuando es inconvenientc o
imposible obtener valores exactos.

LEY DE LOS GRANDES NUMEROS


3.32. Demostrar la ley de los grandes nmeros establecida en el Teorema 3-19, pgina 84.

E(Xrl = E(X2l = ... = E(X) = p


Var(Xr) = Var(X2\ = "' = Var(Xn\ =

Tenemos

Entonces

t(*)

- |ww,t+...+E(x")l = L(nt) =

"(*'*';'*"')

Var(S") = Var(Xr*'..*X,)
as

que

= Var(Xr)*.'.*Var(X,)

t'" (+) = 4 var (s") = *

donde hemos empleado el Teorema 3-5 y una extensin del Teorema 3-?.

As por la desigualdad de Chebyshev con

Tomando el lmite cuando n

) -,

X: Sr/n enemos
_/ls"
|
\

'|;

- ul=')

02

esto se conviertq, como se pide,

",*

o2

r|;/ts

|
_ ul=_
,)\

www.tutomundi.com

toz

tt

96

ESPERANZA MATEMATICA

lcAP.3

OTRAS MEDIDAS DE CENTRALIZACION

3.33. La funcin de densidad de una variaut aleatoria continua

es

osc<3
f(r) : 1:'@-r2)/8r de otra forma
l0

(a) Hallar la moda. (b) Hatlar la mediana. (c) Comparar la moda" la mediana y la media.
(o

La moda se obtiene hallando donde la densidad f (x) ea mima. El mximo relativo de


la derivada es cero, e8to e3

df

ar.9

-'l

,rL 81 -_l =
Entonces

, = fr:

aegunda derivada,

(b) La medianaee

86

l2r2

8l

1.?3 aprox., que ea La moda pedida. Obrvese que este valor da el mximo ya que la
-24x 187 , ea negativa para x = 1f.

aquel valor deo parael cudlp(X

P(x<a)
Igualando eeta

'r2)

f(r ) ocurre dondc

all2

a): ll2, Ahorapara0(a (

3.

= *.[,"on-r2tdr = #(Y-t)

hallamoe que

2aa_36a2

*91 =

de donde

_ia2 = 36a\436P-4(2X81-) - 36='r


ze)

= sli{z-

Por tanto la mediana pedida, que debe enconharse entre 0 y B, eet dada por

az
de donde o

(c)
'

= n-Zr/,

= 1.62 apror.

E(x)

('z(g-xz\da = !(t*-+)l'=
=+
8l\
5/lo
8lJo

r.60

que prcticamente ee igual a la mediana. La moda, la mediana y la media se muestran en la Fig. 3-6.

l(r't

3.84. una vaiable aleatoria discreta tiene una funcin de probabilidad f(r) : !12' donde
2, . . . . Halla (a) la moda y (b) la mediana, y (c) compararlas con la media.
(a)/ La moda es el valor de 4 asociado con la probabilidad ms grande. En este caso
probabilidad esLl2.

www.tutomundi.com

es

r:

L,

1, para el cual la

cAP.3l

97

ESPERANZA MATEMATICA

(b) Siescualquiervalorentrely2,P(X=r):l12yP(X..t):ll2.Portantacualquienmeroentrel
y 2 podrfa representar la mediana. Por coneecuencia escogemos el punto medio del intervalo, es dec
312.

(c)

Como se encontr en el Problema 3,3, I,l

2. Por tanto el orden de las tres medidac es contrario al del

hoblema 3.33.

PERCENTILAS

3.35. Determinar los valores de la (c) dcima, (b) vigsima quint4 (c) septuagsima quinta percentilas para la distribucin del Problema 3.33.
Del hoblema 3.33(b) tenemos

P\X<a)=#(Y-fl =
"#

(o) LadcimapercentilaeselvalordeoparaelcualP(X5o):0.l0,esdecirlasolucinde(18a2
: 0.10. Empleando el mtodo del Problema 3.33 hallamos que s : 0.68 aprox.
(b)

La vigsima quinta percentila es el valor de a tal que (L8o2

(c)

f,a septuagsima quinta percentila es el valor de tal que (18o2

aa

\l8L

a4

O.25, o sea

8t:

0.? 5,

@a,

-a48t

1,098 aprox.
a

2.L21 aprox.

OTRAS MEDIDAS DE DISPERSION

3.36. Determina (a) el recorrido, (b) el recorrido semi-intercuartlico y (c) la desviacin media para
la distribucin del Problema 3.33.
(o) Puesto que todos ls valores ) 3 tienen probabilidad cero, tomamoseluolor mximo de : 3. En
forma anloga puesto que todos los valores ( 0 tienen probabilidad cero, tomamos el uolor mnimo de
: 0. Entonces el recorrido es 3 - 0 : 3,
(b) Por el Problema 3.35 los valores de la vigsima quinta y septuagsima quinta percentilae son 1.098 y
2.121 reepectivamente. Por tanto

Recorrido semi-intercuartflico

(c)

Del hoblema 3.33 la media


Desviacin media

ee

lt

D.

1.60

M. =

= ?121 ,-1998

0.b1 aprox.

8/. Entonces
E(lX

p|)

l_",

:,r

pl f (n)

dr

= l"' l' - *l[#.n "fa'

= ^" (; - ")[#.o - ")] d' + ,",, (" - ;)[#'n - '")a'


=
SESGO

0.655 apror.

Y CURTOSIS

3.37. Hallar el coeficiente

de (a) sesgo

y (b) curtosis para la distribucin del Problema 3.19.

Del Problema 3.19 tenemos

(a) Coeficiente de sego -: o.r ::

32
8?5

ll

02

25
It3
oo

-0.1253

www.tutomundi.com

3693
8750

98

ESPERANZA MATEMATICA

lcAP.3

(b) Coeficientedecurtosis = et :- j - Z.tlZ


Se deduce que hay un sesgo moderado a la izquierda, como se indica en la Fig.
es algo menos apuneada que la

3. Tambin la distribucin

distribucin normal, que tiene una curtosis de 3.

PROBLEMAS DIVERSOS

3.38. Si M(tl es la funcin generatriz de momentos para una variable aleatoria X demostra que la
media S g : M'(O, y la varianzaes 02 : M"(O)-M'1O12.
De (32),pgina 80, tenemos remplazando r : L y r : 2,

ti = M'(ol

tL =

M"(o)

Entonces de (27)

p = I'(0)
3.39.

Sea

(a\

Lafuncin caacterstica

p, = o" =

una variable aleatoria que toma los valores

1, .
,
Qk).

M"(0)

p:

lM'1012

h con probabilidadespr donde

k:

n. (a) Hallar la funcin caracterstica 0(n) de Xy (b) obtenerpk en trminos de


es

puesto que

-- > ]xeik.
,,, "r**:r;
(b) Muliplicar ambos lados de la expresin (r) ;
respecto I @ desde 0 hasta 22.
""
Entonces
f'= " -iia 4,(ar tra -= k =S--n o*Jaf "-o i{r'- i)o f, = 2pj
.Iu-|
(o)

E1er,x

rt

P - ;t_
e .,| o1_o

j por h,

r^.

ior

= I#+i:"-o
2

f_"n,,,r-,,.n.

Por tanto

o, remplazaudo

i -)

pk

12=

T, J,"

k---j

tt'' sr(,.rf t1o

,'

,,

k+j

'^'y',{o) r/o

Con frecuencia llamamos

Q$, yp los

coeicietttes tte iour"r.Para una variable leatoria continua, la serie de Fourier se rernplaza por la integral de Fourier (vase pgina 81).

3.40. Utilizar el Problema 3.39 para obtner 14 distribucin de probabilidad de una variable aleatoria X cuya funcin caracterstica es O(< ) : cos ,.
Del Problema 3.39

n2;

I
pt, = ;_
.
,1,, ,,

':.
-

f tl'

zt;,

,1,, ,,

,,,.,, coS

do

" t*''L i:.. f-ri",

I
ir r
1;.l l''.
,,,..

-e

rru,/"

icr_.l

rt"

(". ,
;1-J,u-
4

www.tutomundi.com

,,r i r)d

(@

cAP.3l

99

ESPERANZA MATEMATICA

Si&:lhallamosr'=$;si.k:-1hallmogp-r=*.PaalooEdvaloredektenemop*=0.
Por tato la vaiable aleatoria ect dada por

(r

X=)

|.

con probabidad Ll2

-r

con probabilidad Ll2

Com una verificacin vas hoblema 3.20.

3.41. Illa el coeficiente de (c) sesgo y (b) curtosis

de la distribucin defrnida por la curua normal,

con densidad

f(t)= l-"'"

(o)

-co<n<e

l/Zn-

La ditribucin tiene I apariencia de la Fig. 3-7. Por simetra,


cientc de sesgo es cero.

Fig.

(b)

l!\ : llt = O y lt\:0.

Por tanto el coefi-

3-?

Tenemos

p; =

E(xz

= -+
l"
l/2r -.
= Z Jo(..
{i

,2"-22/2

or,,

"_,

= + 'tof'sz-x'/z,
{2

- = -z-rll) - 2.1"/1) = r
\/;- \2/
{; 2'\2/
donde hemos efectuado la transformacin xz 12 : u y utilizando las propiedader de la funcin gama
(2\V 6\ del Apndice A. Anlogamente obtenemos

dadas en

ti = E(xr = h fl=

o,

-f

rz

, =

," *.x2/2 ,

# to' '"t2"-'d'o

= -{./g\
= {;4.8.1"/l)
2 2'\2/ =
,/;'\2/
Entonces

= EI(X- p,)21 = E(X2) = p =


ps = qllX -p){] = E(X4) = p'n -o2

Por tanto el coeficiente de curtoi e

'lt4-.

-i-

www.tutomundi.com

ESPERANZA MATEMATICA

100

3.42. Demosbar que -1 <

s1

[cAP.3

(vase pgina 82).

Para cualquier constante real c tenemo

- !\'Entonees el lado izquierdo puede escribirse


El,Y

El(Y _v)21

c(X

Px))21

c2El(Xr x)21 - zcEl(X- ,x)(Y-

pv)l =

/
ol,

c2al

2co*,

o?. + n?.(
-*
= -"
-2"":'\
\-",
"r* )

-/
= o+oil"-.zl

'xv\2--t-"i"
"x/ "i

"'*"?- otr
___q__

-* "\"-;{)
-, / - -".,r\'

Para que Ia ltima cantidad sea mayor o igual que ceo para cada valor de c debemo tener

""*"1-o'*"=-0 *=1
'7n
queesequivalenteap2 <

1 -1 < p < l.
I

Problerna,s suplernent&rio s
ESPERANZA DE VARHBLES ALEATORIAS

3.49.

Una variable aleatoria X se define

| -2 prob. 1/3
por .Y = ] 3 prob. ll2 . Hallar (a) E(XI,

I 1
3.44.

Sea

(b) E(zX + 6), (cl E(X21.

prob. 1/6

X una variable aleatoria definida por la funcin de denidad

( 3n2 O< r=_L


/(r) = 1 0 de otra forma

Hallar (a) E(X), (bl E(}X-21, (c\ E(Xt).

3.45.

La funcin de densidad de una variable aleatoria X es

/(r) =

(e-r r>0
de ora forrns
10

Hallar (o) Eo(l, (b) E(Xr), (c) E'l(X-1)21.

3,46.

Cul es el nmero esperado de puntos que resultan en 3 lanzamienos sucesivos de un dado honrado?
Parece razonable su

solucin? Explicar.

g.47.

Una variable aleatoria X tiene la funcin de denidad

9.48.

Sean

X, Y variables aleatorias indeperrdientes

(e-' r>0
/(r) = {l0^ (0

cada una con funcin de densidad

fZ"-"
f(tt) = II 0
Hallar (o)

E(x+Y),

u>0
de ota forme

(b) E(Xz *)a2), (c) E(XY).

www.tutomundi.com

Hallar E(e2x/31.

cAP.3l

ESPERANZA MATEMATICA

3.49.

Se cumple

3.50.

Sean

que (o) D(X + Y) = E(X) + E(Y), (b) E(Xy) -- E(X) E(Y), en el Problema 3.48? Explicar.

X, Y vaiables aleatorias con funcin de densidad conjunta

Hallar (o)^E'(X),

3.51.

Se

3,62,

Sean

101

0f s<I,0=tt<2
lr(t*u)
l\x'a) = f
deoraforma
1o
(b) E(Y), tc)E(X+Y\, (d)E(XY).

cumple que (o) E(X + Y) = E(X\ +

E(Y\, (b\ E(XY) :

E(X) E'(Y), en eI Problema 3.50? Explicar.

X, Y vaiables aleatorias con deneidad conjunta

o-<:us1' o<tl<1

f(r'al = iat'
Io

de otra forma

Hallar (o) E(X), (b) E(Y), (c) E(X-rY), (d) E(XY).

3.53.

Se

cumple que (c) E(X + Y)

= EIX) + E(yl,

(f,(zr+y) 0<r='I,0lyf
3.54. Si /(t, s) = ] :
de otra forma
|0
Y), (ft E(xY).
3.55.

Sean

X, Y variable aleatorias independientes


vt

||

prob. 1/3

\o

prob.2/3

(b) E(.XY\

= E(X) E(Y\,

en el Problema 3.52? Explicar.

tales que

v)

| 2
i -a

prob. 3/4

prob. 1/4

Hallar (o) E(3X+2Y), (b) E(2X2-Y2), (cl E(XY), (d) E(X2t').

3.66,

Sean X1

, X2, . . . , Xn n variables

aleaoria8 que estn distribuidas idnticamente tal que

| 1
Xt, = I Z
[ -_r
Hallar (o) E(Xt+

Xzl .'.

+ Xn),

() E6?+

X'r+

prob.7/2
prob. 1/B
prob. 1/6

... * Xil.

VARIAT{ZA Y DESVIACION TIPICA

3.57.

Hallar (o) la varianza y (b) la desviacin tpica del nmero de puntos que resultan en un EoIo lanzamiento de
un ddo honrado.

3.58.

Sea

X una vaiable aleatoria con funcin de denidad

(1/4 -2f x=2


l(rl = jo
deotraforma
Hallar (o) Var (X), (b)
"x.

3.69.

Sea

X una variable aleatoria con funcin de densidad


f

Hallar (o) Var

(X), (b)

(e-,
(x) =
io

x>-0
de otra forma

"x.

www.tutomundi.com

r02

ESPERANZA MATEMATICA

[cAP.

3.60.

Hallar la vaianza y la desviacin tpica para la variable aleatoria X del

3.61.

Una vaiable aleatoria X tiene

3.62.

Si una vaiable aleatoria X es tal que E[(X

3.63.

Demostrar el Teorema 3-1, pgina 77,

E(X):

2, E(X2 )

1)2]

8. Hallar

(o )

(a )

Problema 3,43, (b) Problema 3.44.

Var (X ), (b ) ox.

= L0, Ei6 -

2\21

- 6 hallar

(a)

E(X), (b) Var (X), (c) o.

MOMENTOS Y FUNCIONES GENERATRICES DE MOMENTOS

3.64.

Hallar (o) la funcin generatriz de momentos de la variable alatoria

x =
y

3.65.

(b ) los

(o )

( U2

prob. 1/2

-tn

prob. 1/2

primeros cuatro momentos alrededor del origen.

Hallar la funcin generatriz de momentos de una vaiable aleatoria X con funcin de densidad

(r/2
l(r\ = {-0
l(b ) Emplear la

funcin generatriz de

(o )

0rl2
de otra forma

para hallar loe primeros cuatro momentos alrededor del origen.

3.66.

Hallar los primeros cuatro momentos alrededor de la media en el

3.67.

(a) Hallar la funcin generatriz de momentos de una variable aleatoria con funcin de densidad

f(t) = feO
I
y

(b )

(a )

Problema 3.43, ( ) Problema 3.44.

r>o
de otra forma

determinar los primeros cuaho momentos alrededor del origen.

3,68.

En el Problema 3.67 halla los primeros cuatro momentos alrededor de la media.

3.69.

Si

X tiene funcin

de densidad

t") :

(l/(b-a\
O

a'=r=b

-i

de otra

forma.

Hallar el hsimo momento alrededor (a)

del origer^, (b) de la media.

3,70.. Si M() es la funcin generatriz

de momentos de la variable aleatoria X, demostrar que el 3o. y 4o. momentos

alededor de la media estn dados por

=
p1 -

F:t

ItI"'(.01

3M"(0) l'(0)

Ifrivr(Q)

4M,,'(0) f,(0)

2lM'(0\13

6M"(o)lM,(0)]2

3[M'(0)]4

FUNCIONES CARACTERISTICAS

3,71.

Demostra el Teorema 3-11, pgina 81.

3.72.

Halla Ia funcin caacterstica de la variable aleatoria

3.73,

Hallar la funcin caracterstica de la variable aleatoria X que tiene funcin de densidad

'llZa
f(r) = 1o
3.7

4,

(a
X = 7
I

prob. p
Prob'

g=L-P

lxl I a
deotraforma

Hallar la funcin carar:terstica de la variable alcatoria X con funcin de densidad

f):

(x/2
io

05rtZ
deotraforma

www.tutomundi.com

cAP. 3l

ESPERANZA MATEMATICA

3.?5. Sean x.- = "l ]


[ _l

*r,"0,".
::":,tfl
pr<tb. t/2

103

aleatoriasindependienres(E=

t,2,...,n).

Demosrrarquelafun-

cin caracterstica de la vaiable aleatoria

x\+x2+...+x,
\n
es [cos (,,;/1)]".

3.76. I)emostrar que

cuando n -+ @ la funcin caracterstica del Problema B.7b tiende


Tomarel logaritmo de la funcin caracterstica y emplear la iegla de L'Hospital).

^ "-o2/2.

(Sugerencio:

COVARTANZA Y COEFICIENTE DE CORRELACION

3.71.

Sean

X, Y variables aleatorias con funcin de densidad conjunta


f

Hhllar (o) Var (X), () Var

3.?8.

(x rA
1o

(r'a) =

(y),

o,

(c)

(rt)

0.*1

r=1,0<U<L

de otra forma

oy, (c oy.., (t') p.

Resolver el Problema 3.2? si la funcin de densidad conjunta es (2,

y) = .fr'^ "'u'
i0

3.?9.

Hallar (o) Var (-Y),

3.80.

Resolver el Problema 3.79 para las vaiables aleatorias del prc,blema 2.99.

3'81.
3'82.

1r)

Vat Y, (c) o,

ftt) oy-, (e)

"xv,

(/) pt

r > 0' y > 0


de otra forma'.

para las variables aleatorias del Problema 2.5?.

Hallar (o) la covarianza y (b) el coeficiente de correlacin de la dos variables aleatorias X, Y si E(X) 2,
=

'(l') - 3, E(XY).= 10, E(X2) - 9, Er(l':) -

16.

El coeficiente de correlacin de las dos vaiables aleatorias X, Y


Hallar la covarianza.

es

1/4 en tanto que sus varianzas son B y 5.

ESPERANZA, VARIANZA Y MOMENTOS CONDICIONALES

3,83.

Si

X, 1l tienen funcin de densidad

f(r,u)
Halla la esperanza condicional de (a)

3.g4.

Resolver el problema 3.g3 si

fr*u

=1
y

/(, y) -

de otra forma

dada

0<=I,0ay<1

X (b)X dada y.
t' t tvt r > o', y -

.f,2e-

Io

de otra forma

3.E5. Si x' y tienen la funcin de probabilidad conjunta dada en la Tabla 2-g, pgina 24. Halla la esperanza
condicional de

(a

) Y dada

(b ) X dada

y,

3,86'

Si X' y son variables aleatorias independientes continuas demostrar que las densidades condicionales de X
dada Y y de Y dada X son las mismas respectivamente que las densidades marginales de X y y.

3.87.

Establecer y demostrar un resultado para variables aleatorias discretas anlogo al del problema 3.g6.

3.88.

Ilustrar por medio de un ejemplo el resultado del (o) Pro'rlema 3.86. (b) problema B.g?.

3.89.

Hallar la vaianza condicional de

3.90.

Resolver el Problema 3.89 para la distribucin del problema 8.g4.

3.91.

Resolver el Pr<blema 3.89 para ra distribuciorr del problema2.gg.

(o

) Y dada X, (b ) X dada Y para la distribucin del problema S.gB,

www.tutomundi.com

[cAP.3

ESPERANZA MATEMATICA

104
DESIGUALDAD DE CHEBYSHEV

g.g. Una variable

aleatoria X tiene media 3 y varianza 2, lJtilizzr la desigualdad de Chebyshev para obtener un


para (a) P(lX - 3l > 21, (b) P(lX - 3l > 1).
superior
lfmite

3.93.

Demostrar la desi;ualdad de Chebyshev para una variable digcreta X. (Sugerencio; Vase Problema 3.30).

g.94. UnavariablealeatoriaXtienelafuncindedeneidad f(r)=[c-ltl,-@ <r < -. (o)HallarP(lX-pl>21.


Emplear la derigualdad de Chebyshev para obtener un lmite uperlor de P(lX - ,tl > 2 ) y compararlo con el
resultado en (o).

3.95.

Sean X1

X2, . . . , Xn n vaiables aleatoria independientes cada una con funcin de densidad

-1 <c<1

f(r\ = [l/2
|. 0
- Xr+ X2 + "' + X. demostrar que

Si S*

de otra forma

_/ls"li.l \ _

P{ ljl
-\l

"l

|
3ne2

LEY DE LOS GRANDES NUMEROS

3.96.

Demostrar que la ley de los grandes nmeros (en forma dbil) puede establecerse como

/ls-

l* "( l;-'l'')

e interpretarla.

3.9?. SeanX (h:1, ...,n)

|
\o

g.g8.

orob. n
prob. q

Sean

=L-P

el nmero de caras en el k-simo lanzamiento de una moneda,


8 S' = Xt * "' +X'?

I)enostrar que la ley de los grandes nfrmeros parg este

representa

Puede darse
(

n variables aleatoriaindependientes tales que

^t( (o) Si X

"trx

interpretar egte resultado.

caao s reduce a

/1s.,o1=
|

"(

l;-

X, h = I, 2,. . . , variable aleatorias independientes

f(r\ = -.+--^
TlL + r')

qu interpretacin

'

1=

cada una con funcin de densidad

-@<s<@

Demostrar que la ley de los grandes nmeros no es vlida en este caso'

g.gg. (o)

Problema 3.98 se rempliaza por


Sera vlida la ley de los grandee nmeros si la funcin de denidad del

f(r):cl(l*rt)?

(b)

Es necesaio que existan todos lo momentog


nfimeros sea vlida? Justificar su reqpuesta.

de una distribucin para que lrr ley de loa gnndes

OTRAS MEDIDAS DE CENTRALIZACION

3.100. Hallar (o) la mod y (b) la mediana de una vaiable aleatoria X con funcin de dengidad

f(r) =
y (c) comparalas con la media.

le-t
{o

r0
deotraforma

www.tutomundi.com

cAP.3l

105

ESPERANZA MATEMATICA

3.101. Resolver

el Problema 3.100 si la funcin de densidad es

(at-z
l(r) =
1o

0<r<1
deotraforma

3.102. Hallar (a) la mediana y (b) la moda para la variable aleatoria definida por

( 2

x =
i -t

y compararlas con la media.

3.103. Hallar

(o

) la mediana y

(b

prob. 1/3
prob. 2/B

) la moda del conjunto de nrneros l, 3, 2, 1, 6, 6, 3, 3 y comparala con

la

media.

PERCENTILAS

3,104. Hallar los valores de la (o ) vigsima quinta y


funcin de densidad

quinta percentilas para la variable aleatoria con

(b ) septuagsima

(2(l-r\
(rl =
iu

0.1

x!-L

de otra forma

(o ) dcima, (b ) vigsima quinta, (c ) septuagsima quinta, (d ) nonagaima percentila


paa una variable aleatoria con funcin de densidad

3,10-5. Hallar los valores de la

lc(r-rs\
(n) =
i o

-1

.1

r{1

de otra forma

donde c es una coriatante apropiada.

3.106. Una variable aleatoria X tiene frncin

de densidad dada por

(e-,
1n

f(u):
I)emostra que la percentila 100p tiene el valor

-ln

(1

-p)

rl:0
deotraforma
donde 0 = p

3,f0?. UnavariablealeatoriaXtienefunci6ndederuidad f(r)=ll"(I*r'2),


de La percentila es tan (p - | lz)n donde 0 ( p ( 1.

< l.

-@

<n ( o.flemostrarqueelvalor

OTRAS MEDDAS DE DISPERSION

3.108. Hallar (o)

el recorrido, (D) el recorrido semi-intercuatlico y (c) la decviacin media para

!r vaiable aleatoria

del Problema 3.104.

3.109. Resolver el Problema 3.108 para la vaiable aleatoria del Problema 3.105.
3.110. Expcar por qu el recorrido no es una medida de dispersin til en el (o) Problema 3.106, (b)Problema
3.1 07.

11.
g.ll2.
3.1

S.1f

3.

Demostrar que el recorrido semi-ntercuartlico para la vaiable aleatoria del Problema 3.106 es

Ll2ln

3.

Demostrar que eI recorrido semi-intercuartlico para la variable aleaoria del Problema 3.107 es 1.

Hallar'la desviacin media de a vaiable aleatoria X en el (o) koblema 3.106, (b) Problema 3.107.

3.114. Obtener Ia probabilidad de que la vaiable aleatoria X difiera

de su media por ms que el recorrido semi-in'

tercuartlico en el caso del (o) Problema 3.104, (b) Problema 3.106,


SESGO Y CURTOSIS

3.115.

(c(1

Sea

/(z) = I| ^0

la variable aleatoria

-t

-1 <r:'1

donde
de otra forma
^-.,_-, ,.'.

X. Halla

c es una constante apropiada, la funcin de densidad

el coeficiente de (o) sesgo, (D) curtosie.

www.tutomundi.com

de

106

ESPERANZA MATE\'ATICA

3.116. Halla el coeficiene de (o) eergo y (b) curtosio

[cAP.

para la distribucin del Problema 8.106.

3.117.

Puede definire un coeficiente de cutosic para la distribucin del Problema 3.10?? Jusifica su rerpuecta.

3,118.

Si

r/

-;ll"l\

l"(1

f(r)=1t

rl=a
lr )a

Io

donde c c. un contante apropiada. e la funcin de denidad de X, hallar el coeficiente de (a) ceego, (b)

curtoii.

3-1i9.

Flalla el coeficiente de (o) sesgo, (b) curtosis, para la distribucin con funcin de deruidad

r>0
(0

ftr-I
l0

fk\={
PBOBLEMAS DTVERSOS

8.120. Se X una variable aleatoria que puede toma los valore 2, L, g con probaSilidadea 1/3, Ll6 y Ll2
respectivamente. Halla (a) la media, (b) la varianza, (c) la funcin generaEiz de momentoe, (d)lafuncin
cancerftica,

8.121. Reoher

(e )

el tercer momento alrededor de la media.

el hoblema 3.120 si

X tiene funcin de denidad

f(r\ = {c(t-r\
[0

o(r(1
de otra forma

donde c es una cotutante apropiada.

ln2 tes dados honrado uc.ecivamente. Hallar

8.122.

Se

8.129"

Sca

X una variable letcia con funcin

(o )

la media y (b ) la vaianza de la euma.

de densidad
f

(r\ =

cr
1o
f

0=r<2
de otra forma

donde c es "'l constante apropiada. Hallar (o) la media, (b) la varianza, (c' la funcin generatriz de
momentoq (d) la funcin cracterfstica, (e) el coeficiene de rergo, (l) el coeficiente de curtoi.

8.124. Refuindoe al Problema 1.166, pgina 37, determina el nlmqo de crta


apropiado.

8.12.

Si

eeperado que llegarn al destno

X, ftienen funcin de denidad conjunta


|

f(x,u) = "ra
1o
Haltar (a) E(X2 + Y2), (b) E({XzTF.

0(r(1,0<37(1
de

otn forma

3.120. Reeolver el Problema 3.126 8i X, Y ron variable aleatoria independiente diribuida idnticamente con
funcione de densidad f(u\ = (2)-t/2e-!2/2,
-@ < r < .
8.127.

Sea

X una vaiable aleatoria con funcin de denidad

f(r)
y rea

Y:

X2. Halla (a)

E(XI,

(b)

= {j

;;j;;"

E(f), k) E(Xy't.

www.tutomundi.com

cAP.3l

ro7

ESPERANZA MATEMATICA

3.128. Utiliza el resultado del Problema 3.L27

demotrar que podemos tener E(XY)

paxe

E(X\ E( Y) rin que X, Y

sean independientes.

3.129. Demotrar que si { Y son variables aleatorias independientes, entonces Elf(X)g(Y)l = E'lf(X)l'Olc(ll
donde f(X) y S|Y) son funciones de estas vaiables. Hay alguna reericcin sobre estr funcioneo? Elplicar.
3.130. Si )( y son variables aleatorias con funcin
de X, Y se define como

de densidad conjunta f(x,

M(t,u.\ = Elecx+r1 =

?@

?<

,tz+ut

y) la funcin generatriz de momentot

f(n, dr d.u

(o) Hallar la funcin generatriz de momentos para la ditribucin del Problema 3.125. (b) Er la funcin
generatriz de momentos de X, Y en este caso igual al producto de las funciones generatrices de mbmento
de X y Y por separado? Expcar su respuesta y decidir si este es el caso para todas las funciones de
densidad conjunta.
3.131

f)emostra cmo puede emplearse la f uncin generatriz de momentoe del Problema 3.130 para hallar E(Xn
Yn ) donde m y n son enteros positivos.

3.132: De acuerdo c.on el hoblema 3.130, cmo defrnira la funcin caacterfrtica de X y Y? trustrar por medio
de un ejemplo.
en lanza una moneda hasta que ap tezca una cara. Si eto lucede en el h-.imo lnzamien'
lia moneda ec honrada y dircutir el
significado de su reepuesta (Eete juego se conoce como laporadojo de Son Petersburgol.

3.133. Un juego conriste

to un jugador recibe 2h dlare. Halla l esperanza ruponiendo que

3.134.

Reeolver el Problem 3.133 si la moneda ect cargada.

3.135. Demostrar que ei X1 , . . . , Xn

eon variables aleatoria entonces


/t

var( )x* ) = k=r


)va"(X.)* l*k
), cov(xxt)
\t=r /
3.136.
3.f

37.

Sea M()

la funcin generakiz de momento de la variable leatoria X. Demoeha que si K() = ln.ltl(f)

entonces (a) K'(0)

= p = E(X),

() /<"(0)

o2

= Var (X).

Refirindoe at obtema 3.136, erpreear (o) el tercero y (b) el cuato momentos en t&tninoc de K y r
derivada evaluadas en

3.138. Obtener

t:

0.

resulados correepondientes a los Problemas 3.136 y 3.137 para la funcin caacterftica.

3.139. Sean Xt, Xz, . . , , Xnvariablee aleatorias independientes distribuidas idnticamente con funcin
I l/2a
l(t) = io
donde o

lrl I

de denidd

deotraforma

0. Hallar la funcin caacterfetica de

xl + x2+ ... + xn
\/"
Comparar
3.140. (a) Demostrar que cuando ,r + l funcin caactertica del Problema 3.139 tiende
con los hoblema 3.75 y 3.76. (b) Qu conclusionee puede extraer acerca de los lfmites "-a2/2.
de la ditribuciones en los dos casos?

www.tutomundi.com

Captulo 1
Distribuciones de probobilidod
con nombre propio
DISTBIBUCION BINOMIAL O DE BERNOULLI
Supngase gue tenemos

un experimento como lanzar una moneda o un dado repetidamente,


uma repetidamente, etc. Cada lanzamiento o
a
hay una probabilidad asociada con un suceso
a
o la seleccin de una bola roja. En algunos cas
a
pmeba
la
a
siguiente
(como en el lanzamiento de la roneda o del dado). A estas pruebas se
9" }n"
leg lln'na independienfes y se conocen como las pruebas d,e Bernoulli en memori de Jamej Bernoulli
quien las investig a finales del siglo XVII.

probabi
prueba
Sea

i:'aJ"Ti:i"3:"::T:xll"!'llff$:J,:
de que el suceso ocurra.r veces en n
por la funcin de probabilidad

pruebas

ada

f(r) :- p(X:n) = (])r,n"-, = f_;

r)rqt.r
donde la vaiable aleatoriaX denota el nmero de xitos en n pruebas y r : 0, l, . . . , fl.
EJEFLO 4.1. La probabilidad

(r)

de obtener exactamente 2 caas en 6 lanzamientos de una moneda honrada es

PIX=2) =

/e\/rf/r\6'?
\,,,
\2/t\Z/

6:

/r\=/1 o-z
'z\!/
\, )

lb
61

La funcin de probabilidad discreta (f ) con frecuencia se denomina distribucin bnomial


r = 0, 7,2, .. . , n correspondb a los trminos sucesivos enlaexpansin binomial

puesto que para

\q+p)'

= o"

* ('i) q, 'p + (i)0" ,u, *

+ pn

: ('1'1r-,,,-,

(2\

Tambin se llama distribucin de Bernoulli. Una variable aleatoria con la distribucin (f ) se dice que
et distribuida binomiabnente o es de la distribucin de Bernoulli.

AII.JNA.S PROPIEDADES DE

LA DISTRIBUCION BINOMIAL

Algunas de las propiedades importantes de la distribucin binomial se presentan en la Tabla

4-L.

EJEMPLO 4.2. En 100 lanzamientos de una moneda honada el nmero esperado o media de cras es r = (100)($) =
60 en tano que

La

desviacin tpica es o

: y'jfborr} :

g.

www.tutomundi.com

cAP.4l

109

DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO


Tabla 4-l

o2 .. tt'lq

Varianza

o =

Desviacirn tpica

Coeficiente de

'np

Media

_ q-

sesgo

Funcin caracterstica

v npq

"

Coeficiente de curt<sis
Funcin generatriz de momenCos

ytirytq

|LIft

l-6pq
y npq

ft

l- yter)n

4,6) = (qIpe,.)"

LA LEY DE LOS GRANDT]S NUMEROS PARA LAS PRUEBAS DE BERNOULLI


La ley de los glandes nmeros, pgina 84, tiene una interpretacin ineresante en el caso de las

pruebas de Bernoulli y se presenta en el teorema siguiente.

Teorema

4-1

nrheros para las pruebas de


mero de xitos en n pruebas
Entonces si p es la probabilidad

(Ley de
alealoria
proporci
ro positivo,

l'*"(l

{i_ rl ,.)

li,

Sea

as
es c

(3)

En otras palabras: a la larga se hace extrerailamente factible que la proporcin de xitos, X/n,
sea tan prxima como se clesee a Ia probabiliCad de xitc en una sola prueba, p. Esta ley en un
sentido justifica el emr!+n de la definicin de probabilidad en Ia pgina 6" Un resultado rns fuerte
lo suministra la iey de los glandes nlner<;; en forma fuerte (pgrna 84) que establece que con
protrabilidad uno lirn .\/r --: ,l/, es decir X/n realmente conuerge o p excepto en un caso despreciable de casos.

DISTRIBUCION NORMAL

Uno de los ms importantes ejemplos de una distribucin de probabilidad continua es la distri'


bucin normal, algunas veces denominada la distribucin gaussian. La funcin de densidad para la
distribucin est dada por

f(x) :

-co <'t <

-L---r'-r'r2':'2
o/2-

oo

()

donde p y o son la media y la desviacin tpica respectivamente. La funcin de distribucin


conespondiente est dada por

I-(r) = P(X<r) : -!-; f'


o\/Zr --

-'"-u''/b'd1)

't

www.tutomundi.com

(5)

110

DIsrRIBucIoNEs DE IRoBABTLTDAD coN NoMBBE

pRoplo

[cAp.

En este caso decirnos que la variable aleatoria X est normalmente distribuida con media g y

vaianza

l.

Si hacemos que Z sea la variable normalizada correspondiente

X,

es

decir si hacemos

z=r=
entonces
denidad

(6)

la media o el valor esperado de Z es 0 y la variartza es 1. En este caso la funcin


panZ puede obtenerseapartir de (4) alremplazar! = 0V o: 1, resultando

f(z)

: le-"'"
V2"

de

(r)

Este resultado se conoce frecuentemente como la iuncin o la distribucin de densidad normal


tipif!eada. La funcin de distribucin correspondiente est dda por

F(z)

P(Z <

z) =

Algunas veces llamamos al valor

I
t/2"

'-"-,",, du =

fo'

,-,,,,

du

(s)

z de la variable tipificada el wlor tipificado. La funcin F(z)

encuentra relacionada con la funcin enor, ert (z). Tenemos

e(z) = z-frr'

e-u'd,u

F(z)

: ['. *t(ft)]

se

(e)

En la Fig. 4-1 se muestra una representacin grfica de la funcin de densidad (7), algunas veces
conocida como la curva normal tipificda. En esta representacin grfica hemos indicado las reas
dentro de L,2 y 3 desviacionestpicasde lamedia(esdecir entue z: -1y * L,z- -2y I2,z:
8 y + 3) las cuales rcn iguales aJ.68.27%,96.451/" y 99.73% del rea total, que es uno. Esto quiere
-decir
que

P(-1<Z=L) = 0.6827, P(-Z=Z<2) = 0.9545, P(-3< Z<3) = 0.99?3

(10)

$$.Nl/s->
96.46%,

99.73%

Fig. 4-l

En el Apndice C se presenta una tabla que da las reas bajo esta cuna limitada por la ordenada
O y cualquier valor positivo de z. A parr de esta tabla se pueden encontrar las eas entre dos
ordenadas cualesquiera utilizando la simetra de la curva alededor de z : 0.

www.tutomundi.com

111

DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO

cAP.4l

ALGUNAS PROPIEDADES DE LA DISTRIBUCION NORMAL


Algunas de las propiedades importantes de la distribucin normal general se presentan en la
tabla siguiente.
Tabla 4-2
Media
Varianza

02

Desviacin tpica

0l=0

Coeficiente de sesgo
Coeficiente de curtosis

01 -

II(t) : ettt+(2t2/2)

Funcin generatriz de momentos


Funcin caracterstica

(r)

"itto-'{'r2a2/2)

RELACION ENTRE LAS DISTRIBUCIONES BINOMIAL Y NORMAL


Si n es muy grande y ni p ni q estn muy prximas a cero, la distribucin binomial puede
aproximarse estrechamente a la distribucin normal con vaable tipificada dada por

z = 4_ll
vnpq

(rr)

Aqu X es la variable aleatoria que da el nmero de xitos en n pruebas de Bernoulli y p es la


probabilidad de xitos. La aproximacin es tanto mejor conforme aumenta n, y en el lmite es total.
(Vase Problema 4.t7). En la prctica la aproximacin es muy buena si ambos np y nq son
superiores a 5. El hecho de que la distribucin binomial tiende a la distribucin normal puede
describirse aI escribir

x -'p - r) :
L J"f"-u2tz r,
n+ \
vnpq /
1/2n
que la variable aleatoria tipificada (X - rup)ll/nfiqes
tm P(a=

Literalmente, decimos

(12)
normol asintticamente.

DISTRIBUCION DE POISSON
Sea

X una variable aleatoria discreta que puede toma

de probabilidad de

los valores 0, L, 2, . .

tal que la funcin

X est dada por

f(r) = P(X--x):

{]

r=0, 1,2,...

(1g)

donde tr es una constante positiva dada. Esta airiUu"ir, se llama la distribucn dePodsson (en
memoria de S.D. Poisson, quien la descubri a comienzos del Siglo XIX) y una variable aleatoria con
esta distribucin se dice que est distribuida de acuerdo con la distribucin de Poisson.
Los valores de f(r) en (13) pueden obtenerse empleando el Apndice H, que da los valores de
e-r para diferentes valores de )., o utilizando logaritmos.
ALGUNAS PROPIEDADES DE LA DISTRIBUCION DE FOISSON
Algunas de las propiedades importantes de la distribucin de Poisson qe presgnfrr en la tabla
siguiente.

www.tutomundi.com

TL2

DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO

lcAP.4

Tabla 4-3
Media

a2=tr

Varianza

Desviacintpica

"=rA
n -- 7/t/i

Coeficiente de sesgo

curtosis |

Coeficiente de

Funcin generatriz de

".,

3 + 11/x)

momentosl Il(t\ "rrrr--l)


I

Funcin

caracteristica
-- I O(") =

tr(c'(-r'

RELACION ENTRE LAS DISTRIBUCIONES BINOI\IAL Y DE POISSON

En la distribuci
sucesoestcercad
la prctica conside

grande

:1-

es raro

mientras que np es menor que 5. En tales casos l


distribucin de Poisson (I3) con tr : np. Esto se ve comparando las Tablas 4-7 y 4-3, ya que al
remplazartr:np,qN1-yp=OenlaTabla4-1 obtenemoslosresultadosdelaTabla4-3.
RELACION ENTRE LAS DISTRIBUCIONES DE POISSON Y NORMAL
Puesto que existe una relacin entre las distribuciones binomial y normal y entre las distribuciones binomial y de Poisson, se deduce que hay tambin una relacin enhe las distribuciones de
Poisson y normal. Efectivamente esto sucede, Podemos demostrar que si X es la vaiable aleatoria de
Poisson de (I3) y (X - r)/V[ es la variable a]eatoria tipificada correspondiente, entonces

x-r

l'* "("

:j

1A

,,,t* "'"

'2t't

,,

estoes,ladishibucin de Poisson tiende aladistribucin normal a medida que


n or mal asi n tt i came n te.

(1

4)

l - - (X- r)/V,f es

TEOREMA DE LIMITE CENTRAL

La semejanza ente (1 2) y (14) naturalmente nos conduce a preguntarnos si existen ohas


distribuciones ademas de la binomial y la de Poisson que tengan la distribucin normal como clso
lmite. El extraordinario teorema siguiente revela que realmente una gran clase de distribuciones
tienen esta propiedad.
T'orema

4-2

(Teorema del lmite central): Sean X, , Xr, .. . vaiables aleatorias independientes


que estn distribuidas idnticamente (es decir todas enen la misma funcin de
probabilidad en el caso discreto o funcin de densidad en el caso continuo) y tienen
media p y vatianza u2 finitas. Entonces si S, Xrl-Xr -1- . . +X,, (r - 1.2, . . .),
=

\m P(

n-

s"
=

-l'

o/??

= o)
/

www.tutomundi.com

= - l-= ('", ',',u d,t,


V2=.J.,

(15)

cAP.4l

113

DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO

es decir, la variable aleatoria (5"-np)/"1/, que es Ia variable tipificada a


normal asintticamente.

S,,

es

es verdadero bajo condiciones ms generales; por ejemplo, se cumple cuando


son variables aleatorias independientes con la misma media y la rnisma varianza pero
no necesariamente distribuidas idnticamente.

El teorema tambin

Xr, Xr,...

DISTRtrBUCION MULTINOI\{IAL

SilossucesosAl, Ar,...,AppuedenocurrirconprobabilidadesPt,Pz,...,pedondePt.*Pz
Xe sonlasvariablesaleatoriasrespectivamentequedanelnmero
devecesqueA,A2,...,An ocurreenuntotaldenpruebas,demodoque X1 -lXz* "'*Xt =

+...+ p;:1" SiXl , Xr,...,

n" entonces

P(Xt- llt, Xz:Tt2

. . .,

Xr=nx) :

nr, rr]

n, * n. + . . . + flh : f,, es la funcin de probabilidad


Xr,Xr,..'rXk.
donde

- -6P\'P')''

(16)

"P',1,*

conjunta para las variables aleatorias

ESta distribucin, que es una generalizacin de la distribucin binomial, se llama la dstribucin

* pz * "'

multinomial puesto que (16) es el trmino general en laexpansinmultinomiald" (pt

ph)"

EJEMFLO 4.3. Si un dado honrado se lanza 12 veces, laprobabilidaddeobtener


uno es

1,2,3,4,5

y6exactamentedos

veces cada

p,x,=Z.x:-2,

,Xo=2\

= z,--r.uv.hur(;xix*xxlx)'

#,

000344

ElnmeroesperadodevecesqueAt,Az,...,Ak'ocurraennpruebassonnpr,hPz,..-,ftPn
respectivamente, esto es

E(X1\ -' np1, E(Xr) : rlp2,

E(Xk) =

nqk

(17)

DISTRIBUCION HIPERGEOMETRICA
s n pruebas de un experiSuponga que una caja contiene b bolas blancas y
se regresa la bola a la caja.
se
una
escoge
bola
aleatoriamente,
mento.en t c se
to. En tal caso si X es la
Este tipo de experimento se conoce como muestreo
variable aleatoria para el nmero de bolas blancas escogidas (xitos) en n pruebas, entonces empleando la distribucin binomial (/ ) vemos que la probabilidad de r xitos es
(r 8)

ya que

p: bl\lt'tr), q --.l- P:

'/\b + r\.

Si modificamos el experimento anterior de modo que el rnuestreo sea sin remplazamiento,


decir las bolas no se regresan a la caja despus de seleccionarse, entonces

p(x _

(b\( r \

rl = Vlu\r* ,il

(1e)

\?i

Esta es

la distribuci.n hipergeomtrica. La media y

es

Ia varianza paxa esta

www.tutomundi.com

distibucin son

114

DISTRIBUCIONES DE PBOBABILIDAD CON NOMBRE PROPIO

'tL

[cAP.4

nb

(20)

D+r

-:

Si consideramos que el nmero total de bolas blancas y rojas es N, en tanto que las proporciones
de bolas blancas y rojas 6onp y q = L- p respectivamente, entonces

,=#=*,s=#=#
de modo que

(I9)

e0\

se

b=Np, r=Nq

conviertan respectivamente en
P(X =

x' =

(22)

p--nP
Obsrvese que cnando
escribirse como

N -+ - ( N

(23)

es grande comparada con

p(x=t:)
y (23)

(21)

n), (221 se reduce a (I8), que puede

(I)o,n'-"

(24)

se reduce a

p=nP

o2 =

(25)

'ILPQ

de acuerdo con las primeras dos entradas de la Tabla 4-L, prySna 109. Los resultados son los que
N gmnde el muestreo sin remplazamiento realmente es idntico al nuestreo con remplazamiento.

esperbamos, ya que para

DISTRIBUCION I'NIFORME
Una variable aleatoria X est distribuida uniformemente en a 3 fi 3 b si su funcin de densidad
es
f

y la disbibucin

se llama

(t\ = Il/(b-a)
{o

a<r<A
(26)

de otra forma

dunbucin uniforme.

La funcin de distribucin est dada por

F(rl =

P(X = x) =

r<a

j (t- a)/(b-a) a< n <b


rzb
|1

(27)

La media y la varianza son respectivamente

u = |@+b)

", = i@-a),

(281

DISTRIBUCION DE CAUCHY
Una variable

X tiene la dbtribucin de Cauchy,

si la funcin de densidad de

es

(2el

www.tutomundi.com

cAP.4l

DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO

115

Esta funcin de densidad es simtrica con respecto a x :0 as que su media puede tomase como
cero. Sin embargo no existen la varartza y otros momentos superiores. Anlogamente no existe la
funcin generatriz de momentos. Sin embargo la funcin caracterstica existe y est,dada por

-o'

$lu'):

(30)

DISTRIBUCION GAMMA
Una variable aleatoria tiene la distribucin gamma si la funcin de densidad

donde

f (a) es la funcin gamma

ru--,t

e-tttt

r)0

-r p"t'(tt)
lo

f(r) :

(vase Apndice

Qt,p,0)

rS0
A). La media y
o2 :

F:all

es

(81)

Ia varianza estn dadas por

(32)

nF2

La funcin generatriz de momentos y la funcin caracterstica estn dadas respectivament por

M(t): (1-pr-"

(,) = (l- Bi"')-"

(33)

DISTRIBUCION BETA
Una variable aleatoria

X tiene la distribucin beta si la funcin de densidad es

-j)u-' 0(r(1 ^

tA,Bl
f(r) : 1[*,"11
o

(o,B>0)

(3t\

de otra forma

donde B(a,9) es la funcin beta (vase Apndice A). En vista de la relacin (9), Apndice A, entre
y gamma la distribucin beta tambin puede definirse por la funcin de densidad

las funciones beta

r'r,, + Br
Il-):-,.-:^:Jo-r(l
-' \- -r\tt-t
j
r(CI)
l'(p)
f(r) =

( <1

(35)

de otra forma

donde o, p son positivos. La media y la vananza son


(lo

rrB
c-= (,t*B):(a+B+1)

ts=;+a
Para a

>

L, P

(s6)

) t hay una nica moda en el valor


4'lmoda
-

,t-1
t-lB-

(37)

DISTRIBUCION CHI.CUADRADO
Sean X, , X", . . , X, t, variables aleatorias independientes distribuidas normalmente con media
cero y vartartza 1. Considrese la variable aleatoria

x":

X'i+xt+..-+x?,

www.tutomundi.com

(3

8)

116

DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO

donde y2

se

llama chi-cuadrado. Entonces podemos demosha que para n >


P(x' <

r) = 2r:) o

[cA?.4
A,

0r,,,",-, e-ulz du

(3e)

YP(x'-r)=0Parar(0.
La distribucin definida por (39) es la ddsfribucin chi-cuadrado y v es elnmero de grados de
libertad. La distribucin definida por (39) tiene la funcin de densidad correspondiente dada por
f (r\ =

[_ r_

) 2'/! t'('/4 (t'/2'-r e-

r/2 r )

lo

(to

r<o

Se observa que la distribucin chi-cuadrado es un caso especial de la distribucin gamma con o


,12, B: 2. Por tanto
tL

= 1,,

o2

: 2r,, M(t) = (l-zt-.tt,

podemos ciemostar que{2y2


Para grande (,
',
= 30)1.
con media 0 y varianza

12,

(') =

(1

-2i,,''r''

(tr

:
t

1 est casi distribuida normalmente

Las consideraciones anteriores se sintetizan en el teorema siguiente.

Xr,..., X, variables aleatorias independientes normalmente distribuidas


con meia 0 y varianza 1. EntoncS 2 = Xt'+Xi+'.. f X,j tiene distribucinchicuadrado con z grados de libertad.

Teorema4-3: Sean Xr,

Otros dos teoremas que son tiles en el estudio posterior son:


Teorema

4-4: Sean U, , Ur, . , . ,Uo variables aleatorias independientes

con distribucin chi-cuadra-

,.,, r'2, ..., ,r grados de libertad respectivame'hte. Entonces susuma fV: Ur


| ',,, gradosde li+ U2 + - .-. t Un tiene distribucin chi-cuadrado corl r', -l- v" -l

do

bertad.

Teorema

4-5: Se V, y V,

variables aleatorias independientes. Si V, tiene distribucin chi-cuadrado con r,, grados de libertad mientras que V : Vt * V, tiene distribucin
chi-cuadrado con r grados de libertad, donde r, ) v,. Entonces V2 tiene distribucin
chi-cuadrado con v -- vr gIados de libertad.

En conexin con la distribucin chi-cuadrado, la distribucin (ms adelante), la distribucin F


y otras, es comn en el estudio estadstico emplear elmismo smbolo para la variable
aleatoria y el valor de esa variable aleatoria. As, los valores de las percentilas de la distribucin
chicuadrado para grados de libertad se denotan por x;.,., o simplemente xto si v se sobreentiende y no
'
pot ftp,, r,,. (Vase
Apndice E). Esta es una notacin ambigua y el lector debe emplearla con
cuidado, especialmente cuando cambie de variables en las funciones de densidad.
(pgrna 117),

DISTRIBUCION DE STI.IDENT
Si una variable aleatoria tiene la funcin de densidad

lft\ :

+ r\
_/r
r\--c-

L1.,i(lt 1' /j'-)


/

t;'(;)t\-/

'l'

www.tutomundi.com

-(f<o

(42

cAP.4l

LL7

DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO

t de Student, o
simplemente la dstribucin t, con v grados de
libertacl. Si v es grande (,, > 30) la grfica de f()
se aproxima estrechamente a la curva de la distribucin normal como se indica e_n la Fig. 4-2
(vase Problema 4.161). Los valoles de lis percentilas de la distribucin f para v grados de libertad se denotan pot tr.,,, o sencillamente , si
se sobreerltiende p. Para una tabla que da tales
valores vase el Apndice D. Puesto que la distribucin es simtrica, tr-o : -n; por ejemplo f o;
se dice que iiene la distribucin

Para la distribucin

tenemos

p:0

(,>

"z:;j

(t*s

2)

El teorema siguiente es importante en el estudio posterior.


Teorema

*6:

Sean Y y Z variables aleatorias independientes, donde Y est normalmente distribuida con media 0 y varianza L mientras que Z tiene distribucin chi-cuadrado con v
grados de libertad. Entonces la variable aleatoria
11-

tiene la dishibucin

DISTRIBUCION

(4t)

lzt;

con ,,gmdos de libertad.

Una variable aleatoria liene distribucin F (en memoria de R.A. Fisher) con v,
Iibertad si su funcin de densidad est dada por

u)0

v" grados de

(.45)

z<0
grados de libertad se denotan por

Los valores de las


Fp,,,,,,n, o sencillam

p?ra u,, r,.,


vr, vr.'IJn tabla que da tales valores en el caso

donde P: 0.95 Y P
F.
La media y la varianza estn dadas respecvamente por

: .:1,,
"2

(r',

) 2)

(to

O-=

La distribucin tiene una moda nica en el valor

(t'nt?)(#)

(u,>2)

&r

Los teoremas siguientes son importantes en el estudio posterior.


Teorema

4-7: Sean Vt y V,
v, gados

variables aleatorias independientes con distribucin chi-cuadrado y vf

de libertad respectivamente. Entonces la variable aleatoria


@a

tiene distribucin

f' con ,t y

uz grados de

libertad.

www.tutomundi.com

118

DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO

Teorema

*8:

4-o,rr,r, : L/4'rr'r,

RELACIONES ENTRE LAS DISTRIBUCIONES CHI.CUADRADO,

4-r,r,, =

Teorcma 4.9:
Teorema

lcAP.4

4.,,,- =

410:

fYF

t!-qprzt,,

DISTRIBUCION NORMAL BTDIMENSIONAL


Una generalizacin de la distribucin normal
por la funcin de densidad conjunta

f(r,u\ :

2rororl/T-p" ".'

{-[(?)'

a dos vaiables aleatorias continuas

-,0(*

X, Y est dada

:,r'X?) . (+)' ) /,o- n]


(4s

donde -o ( t, 1, - <A <6', r p2son las medias de X, Y;ottoz sonlasdesviacionestpicas


de X, Y; y p es el coeficiente de correlacin entre X y Y. Con frecuencia nos referimos a (49) como
la distribucin normal bidimensioul.
Para cualquier dishibucin conjunta la condicin p = 0 es necesaria para independencia de
las variables aleatorias (vase Teorema 3-15). En el caso de (491esta condicin tambin es suficiente
(vase Problema 4.51).

DISTRIBUCIONES DIVERSAS

En las diskibuciones descritas ms adelante, las constantes o, p, a, b, . .. se considenn positivas


al menos que se establezca lo confrario. La funcin caacterstica se obtiene de la funcin generatriz
de momentos, donde se da, remplazando t = ia.

1.

Distribucin geomtrica

f(t) = P(X=r) = pq'-'

r=t,Z,...

r=l ""=# Me)=#

La variable aleatoa X representa el nmero de pruebas de Bernoulli hasta, e incluyendo,


p es la probabilidad de xito en una sola prueba.

aquella en que el primer xito ocura. Aqu

2.

Distribucin binomial negativa o de Pascal.


f

(r)

P(x =

r, = (X -t)o'n'-' r :. r,r *1, . .

r"rq

lt:po'=p2

La vaiable aleatoria

M(t\:

E+S

representa el nmero de pruebas de Bemoulli hasta, e incluyendo,


r : 1 da la distribucin geomkica.

aquella en que el r-simo xito ocurra. El caso especial

www.tutomundi.com

cAP.4l

3.

DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO

Distribucin exponencial

lae-"' c)0
n=0
L0

fkl =

t'=;
4.

1"1 =j

M(t)= q,-t

DishibucinWeibull.

f(s) =
rL

5.

119

o-','r(r

o6*t-r

{o

|)

02

fi >

"-axt

r<o

a-2,b[.(r

i) - "(t.+)]

Distribucin Maxwe.

r >0
<0

f(r)

)o-l

lt=

Problerna,a resueltos
DISTRIBUCION BINOMIAL

4.1.

Hallar la probabilidad de que al lall.zar una moneda honrada tres veces resulten (c) 3 caras, (b)
2 sellos y una cara, (c) al menos 1 cara, (d) no ms de un sello.
Mtodo 1.

Si C denota "cara" y S denota 'rlellot' y derignamos CSC, por ejemplo, para rignificar cara en el primcr
lanzamiento, c.llo en el regundo y cara en el tercero.
Puesto que en ceda lenzamiento pueden ocurir 2 posibilidedec (cara o rello), hay untotalde (2X2)(2)= g
reultados poeibles, es decir puntoc muesEalee, en el erpacio muetral. Estoe lon

ccc, ccs, csg css, ssq scq scq sss


Para una moneda honrada a eto reultado re ler asignan probabilidadee iguales de 1/8, Por tanto

(o) P(3 cetar) = P{CCC =


}

(b,

P(2 sellor y 1 cara) = P(CSS U SSC U SCS)

=p(css)+p(ssc)+p(scs):
(c)

+***

P(al menoc una cara)

:P(L,2Scarar)
: P(l caa) * P(2 carar) * P(3 carae)
: P(CSS U sCs U SSC) + P(CCS U CSC U SCC) + p(cc?)
:P(CSS) +P(scs) + P(ssC) + P(CCS) +P(csc) + P(Scc)

www.tutomundi.com

P(CCC\

= | s

I2O

DISTRIBUCIoNES DE PRoBABILIDAD CON

NOMBREPROPIO

[CAP. 4

De otra forma,

P(almenosunacara): |-P(ningunacara):1-P(SSS): t - = 3

(d) P(no

P(0 sellos o 1 sello)


= P(0 sellos) * P(l sello)
: P(CCC) +P(CCS u CSC U SCC)

ms de un sello)

P(CCC) + P(CCS) + P(CSC) +?(SCC)

4l
82
Mtodo 2 (empleando frmula).

(o) p(scaras)

= (l)(;)'(i)'=

(b) p(zserrosunacsra)

(c)

P(aI menos 1

:: (;X;)'(;)'=

cara): P(1,2, 3 caras)

P(1 cara)

P(2 caras)

P(3 caras)

/'\/l\'/t\',
/'\lrY/l\'., /l\/tYll\'=
-= \t/\t/
\z/ ' \z )\zl \zi \3 l\2) \2 /

i
8

De otra forma,

P(al menoe 1 cara)

P(ninguna cara)

: , -1t\irY/'\'=
\0/\2i \2/
(d) P(no ms

de un

1
8

sello): P(0 sellos o 1 sello)

P(0 sellos)

P(1 sello)

/s\/r\'/r\o-\.r)\t)\r)
/s\/rY/r\ = \s/\rl
,
\
1

Debe mencionase que tambin puede usarse la notacin de las vaiables aleatorias. Ae por ejemplo si
seleccionamo, qr" X- sea la vaiabi aleatoria que denote el nmero de caras en los 3 lanzamientos, (c) puede
escribirse
P(al menos una

cara) = I'(X

--

1) = P(X = 1) + P(X =2\ * P(X: 3) -

Usaremos ambos de los enfoques intercambiablemente.

4.2.

Halla la probabilidad de que en cinco lanzamientos de un dado honrad o aparezca 3


veces, (b) mximo una vez, (c) al menos dos veces.
Sea la vaiable aleatoria
honrado. Tenemos

X l

nmero de veces que un 3 aparece en lo cinco lanzamientos de un dado

Probabidad de 3 en un solo lanzamiento

= o=I

Probabilidaddeno3enunsololanzamiento ='

(o) P(Bocura2veces)

(c ) dos

/l\llYll)'\6/ = i"'
P(x-2) \2/\6/
3888
www.tutomundi.com

q = t-U

cAp.

4l

DTSTRIBUCIONES DE PROBABTLIDAD CON NOMBRE

PROPIO
'..zL

(b) P(3 ocurra mximo

una

vez) = P(X 1) = P(X = 0) * P(X = 1)


=

s) /r\'/rY
=
- 1l\/rY1\'*
\o/\6i \6/ ' \r/\oi \o/
3125 . 3725 3125
= n76r
n76- = 8-888

(c)

P(3 ocurra al menoa 2 veces)

=
=

P(X>2)
P(X =2)

* P(X=3) *

P(X=4)

P(X=5)

II)/l\'/q)'* /u)1lY11\',- /s\/t\'/qY


= ll)/1\'19)'*
\2/\6i \6/ * \'i \ei \o/ * \o/\e/ \6/ * \s/\a/ \a/
626 r25 25 1
763
- 3888 ' 3888 ' 7776 ' 7776 - 3888
4,3. HaIaf la probabilidad

de que en una familia de 4 hijos (c) al menos 1 sea nio, (b) al menos 1
de un varn es

sea nio y al menos 1 sea nia. Suponer que la probabilidad del nacimiento

Ll2.
(o) p(lnio)
p(3nios)

t-.
1l\'/+)' = t,
-' /t\
\r / \zi\z/

/t)l+)'ll\' = 2
= \.;i
\t/ \t/ 8
p(4 nios) = (l\ /1)'11)'= f
x-/\z) \z/ - 16
P(2 nios)

l.
=- /1\/1\'/l)'=
\s/\z) \z/ - L'

Entonc.es

P(al menos 1 nio)

: P(l nio) *

P(2 nios)

1 3 1 1
4 8',4 16

P(3 niror)

P(4 nloa)

16
16

Otro mtodo.

P(almenorlnio):1-P(nirgfrnnio) = l(b)

P(al menos 1 nio y al menos una nia)

ll)t
\2/

= -, -l 16 = E
16

= 1 -P(ningn nio) -P(ninguna nia)

=1-1-1-1
-16168
Tambin podemos resolver este problema si X e! una variable aleatori que denota el nmero de nio erl
fania con 4 hijos. Entonces, por ejemplo, (o ) ee covierte en

P(X>l) : P(X:l)*P(X=2)*P(X=3)*P(X=4) =

4.4,

18

De 2000 familias r-:on 4 nios, cuntas calcula deben tener (c) al menos 1 nio, (b) 2 nios,
(c) 1 2 nias, (d) ninguna nia?
Refirindonos al Problema 4.3 vemoe que

nio = ,ooo (lf)

(o)

N(rmero esperado de familia con al menos 1

(b)

Nmero esperado de familia con 2 nio 20OO ' P(2 nios)

(c) P(l

2 nias)

: P(l nia) *

:P(l

P(2 nia)

nio)*P(2

nioe)

: I +3 :
*

www.tutomundi.com

=
2000

18?5

(3) =
\.i

tUO

L22

DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO

Nmero esperado de familias con 1 2 nias

(d)

4.6.

Nfrmero esperado de famias sin nias

\/ =

tZOOOill)
'
'\ 6 /

(2000)(

i ) =

lcAP.4

1250

125

Si el 20 % de los tornillos producidos por una mquina son defectuosos, determinar la probabidad de que de 4 tornillos escogidos aleatoriamente (a) 1, (b) 0, (c) menos de 2, sean
defectuosos.
La probabilidad de un tornillo defectuoso e8 p :0.2, de un tornillo no defectuoso es g
vaiable aleatoria X el nlmero de tornillos defectuosos. Entonces

(o) P(X: t) =

() p(X = 0) =
(c) P(x <e)
=

4.6.

(0.8)a

s.46e,;

(fi)to.rt't0.8)r

.46e6

ffi ? ;;::

=:"0,,0,

(rn

),0.r,'

: I - p:0,8,

Sea la

HaIIar Ia probabilidad de obtener un total de 7 al menos una vez en tres lanzamientos d un


par de dados honrados.
En un lanzamiento de un par de dados honrados la probabilidad de un 7 es

p:1/6

(vase Problema 2.1,

pgina49),detalmodoquelaprobabilidaddenoTenunsololanzamientoesq:1-p:516.Entonces
P(ningrrn z en B lanzamienros)

y
4.7.

= 1:)l+Y/q\' -\"/ \"/ \6/

r25
216

= | - l# = fr

P(al menos un ? en tres lanzamientos)

Hallar la funCin generatiz de momentos de una variable aleatoria


binomialmente.

Mdodo 1.
Si X est'distribuida binomialmente,
f

(r)

P(x =

r) = (!\o,n" ,
\r/

Entonces la funcin generatriz de momentos est dada por

M(t) = E(etx = )etxf(r'


n /n\
= =0
) ,,'(\*,/_)p,q" ,

=
=

n /n\

'?n

('/tr"')'0"-'

(a -l- pet"

Mtodo 2.
Para una secuencia de n pruebas de Bernoulli definimos

Xi
'

|0
{ -1
[

si fracaso en la prr.nba j-sima

si xito en la prueba j-sima

www.tutomundi.com

U=1'2,...,n)

que est distribuida

cAP.4l

L23

DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO

Entonces las X son independientes y

tenemos

X: Xr * Xz *..'*

Xn. Paa la funcin

geraeratr:iz

de momento

(i=1,2,...,n)

Mj(t) = stoqlettp - e*pet

Entoncee por el Teorema 3-9, pgina 80,

M(t) =

4.8.

M tQ) LI2Q\' '

'

M"(t) -

(Q

'f

pstn

Demostra que la media y la varianza de una variable aleatoria distribuida binomialnente son
p: np Y o2 : npg respectivamente.
Procediendo como en el Mtodo 2 del Problema 4.7 tenemos

para/: L, 2, . .,, n,

E(X) = 0q*Ip =

y1

var (x;)

+ (r -

p)2p

= i)", :-,i)'== ,)l*.lro,q


Entonces

p:E(X)=E(X'\+E(X2)+"'+E(X")-np
o2

= Var(X) = Var(Xr) *Var(Xz) +."

*Var(X) =

npq

donde hemos utilizado el Teorema 3-7 para o2 .


Los resultados anteriores tambin pueden obtenerse (pero con m difrculad) derivando la funcin genaetriz
momentc (vaee Problema 3.38) o direetamente de la funcin de probabilidd (vace Problcma 4.L52\.

de

4.9.

Si la probabilidad de un tornillo defectuoso es 0.1, halla (a) la media y () la desviacin


tipiticada para el nmero de tornillos defectuosos de un total de 400 tornillos.
(o) Medialt:np:(400)(0.1 ):40,esdeciresperamolque40tornillosestndefectuoos.
(b) l'Iananza o2 : npq: (400) (0.1,)(0.9) : 36. Por tanto la desviacin tipifrcada o = y'56 =

6.

LEY DE LOS GRANDES NT.IMEROS PARA LAS PRI.'EBAS DE BERNOULLI


4.10. Demostrar el Teorema 4-7,la ley de los grandes nmeros (en forma dbil) paa las pruebas de
Bernoulli.
Por la desigualdad de Chebyshev, pgina 83, si X es cualquier vaiable aleatoria con media
tas, entonces

,t

y varianza 02 ini-

P(X-11 -ko\

(r)

En particular si X tiene distribucin binomial o de Bernoulli, entonces F =


en

flp, o =.t/V6d,y (I)rc

convierte

P(lX- npl > k1/i-npq) < i

tol

(3)

Si hacemos

c =

\lv T,

(3 ) se

convierte en

P(lz14-,1
'l = .)
/
\
y tornando el lmite cuando n -+

2+
4r.

tenemos, como se requiere,

li* Pll{-,i .)
+ \l ? -l = /

El resultado tambin se deduce directamnte en el Teorema 3-19, pgirra 84, con S, =

www.tutomundi.com

X, tt = flp,

{-npq.

L24

DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO

lcAP.4

4.11. Dar una interpretacin de la ley de los grandes nmeros (en forma dbil) por la aparicin de
un 3 en lanzamientos sucesivos de un dado honrado,
[,a'ley de los grandes nmeros establece en este caso que la probabilidad de la proporcin de los 3 en n
lanzamientosdiferiendodel/6pormsquecualquiervalor)0tiendeaceroamedidaquen-+.

DISTRIBUCION NORMAL

4.12. Halla el rea bqio la curva normal tipicada (a\ enfte z: Q y z: 1.2,(b) entre z:-O.68 y z
: 0, (c) entre z : -0.46 y z: 2.27, (d) entre z: 0.81y z = L.94, (e) a la derecha de z: -

L.28.

\..L

(o)

Utizando la tabla en el Apndice,C, baje por la columna macada con z hasta alcanzar el valor /.Luego proceda a la derecha
hsta la columna marcada 0. El recultado, 0.3849, es el rea
pedida y representa la probabidad de que Z est ente O y 7,2.
Por tanto

P\0=z=r.2)

{u

rz
Jo

r, =
"-u!/t

z=O .=12
Fig. 4-3

0.gg4g

(b) Area pedida : rea entte z : O y z: *0.68 (por simetra). Por


anto', baje por la columna z basta alcanzar el valor 0.6, Entoncee, proceda a la derecha hasta la columna 8.

El resultado, 0.2517. ee el rea pedida y representa la probabilidd de que Z et entre -0.68 y 0. Por tanto
P(-0.68

sz=o) = -! l'o
{2 J

-o.as

(c)

r'

0.68

"-

u.rzu

e-'/!

J"
Area pedida - (rea enhe z :-0.46 y z : O)
* (rea ente z : O y z : 2.2L)
: (rea entre z : O y z : 0.46)
* (rea enbe z:0 y z : 2.2I)
: O.!772 + 0.4864 : 0.6636

clu =

0.25f

El rea,0.6636, represena la probabilidad de que Z eat entre


-0.46 y 2.21. Por tanto

P(-0.46

f Z2.211 = + (''"
{2r .t _o.+e

fo
= -!
\E J

"-u2t2f,
-uzr!u

-o,u

(d) Area pedida : (rea entre z :

:
Eto

es

(rea

0.4738

yz

entrez :

+ ('"' "-u2tz

t/2" 'lo

14

2l
10.46 "
1
= O.i77Z + 0.4964
e-u.ildlt + _= |^2
|
t/Zt Js
\/2r Jo "-uz/z

___1__

: 1.94)
O y z = 0.81
0.2910 = 0.1828
O

lo mimo que P(0.81 = Z =

L.941.

www.tutomundi.com

L26

DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPO

cAP.4l

(e)

Area pedida

z: -t.28'y z = O)
T 1rea a la derecha de z : 0)

(rea entre

= 0.3997 + 0.5:0.8997
Esto es lo mismo que P(Z > -1.28).

4.13. Si "rea" se refiere al rea bajo la curva nonnal tipifrcada, hallar el valor o los valores de z
tales que (a) el rea entre 0 y-z sea 0.3??0, (b) el rea a la izquierda de e sea 0.8621, (c) el
rea enhe

(a)

1.5 y z sea 0.0217.

En la tabla en el Apndice C, el valor 0'3?70 se encuentra a la


derecha de la fila macada 1.1 y bajo la columna 6. Entoncec la
z pedida es 1.16.
Por simetra, z : -t.16 es otro valor de z. Por tanta z: + 1.L6.
El problema es equivalente a resolver para z la ecuacin
rfz

G ),
(b) Puesto que el rea

es

e-tt/2

du =

0'3770

mayor que 0.5, z debe ser positiva.


0.3621, de lo cual

z:1.09.

(c) Si z fuera positiva el rea sera mayor que el rea entre


que es 0.4332; por tanto z debe ser negativa.

-1.5 y 0'

Area entre 0 y z es 0.8621

Caso

1:

- 0.5:

z es negativa pero a la derecha de

Area entre -1.5 y z :


0.0277

(rca entre -1.5 y 0 )


- (rea entre 0 y z)

: 0.4332-

Entonces el rea entre 0 y z es


cual e: -1.35.
Caso

2:

-1.5,

(rea entre 0 y z)

0.4332-

0.O2L7

z es negativa pero a Ia izquierda de

Area entre z

-t'5: 9,:1T"11u

O.O2l7 :
Entonces el ea entre

0.4115 de lo

-1.5.
o,

z)- "O.4332.
0 y z esO.O2l7 + 0.4332 :0.4549 y z:

(rea entre 0 y

utilizando interpolacin lineal; o, con menos precisin,


-1,694
z : -1.69.

l'ig.4-ll

4.14. El peso medio de 500 estudiantes varones de una universidad es de 68.5 kg y la desviacin
tipiiicada es de 10 kg. Suponiendo que los pesos estn dishibuidos normdmente, hdlar el
nmero de estudiantes que pesan (a) entre 48 y 71 kg, (b) ms.de 91 kg.
(o)

Los pesos registrados entre 48 y 7l kg pueden realmente tener


cualquier valor entre 47.5 y 71.5 kg, suponiendo que se regis'
han al valor de kg ms prximo.

: (47 .5: -2.7O


?1.5 kg en unidades tipificadas : (71.5: 0.30
47.5 kg en unidades tipificadas

68.5)/10

68.5 )/10

www.tutomundi.com

L26

DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO

Proporcin pedida de estudiantes

lcAP.4

(rea entre z

:
(rea entte z:
-2.10 y z Ol
* (rea ette z = O y z : 0.30)

0.4821

Entonces el nfimero de estudiantes que pesa entre 48 y

= -2.10 y z:0.30)

+ 0.1179 =

7f

kS ee

0.6000

500(0.600)

(D) toe etudiantes que pesan ms de 91 kg deben pesar al menos 91.5

300.

kg.

91'5 kg en unidadee tipificadas: (91.5 - 68.6)/10

2.30

Proporcin pedida de estudiantes

a. , : Z.SO)

(rea a la derecha

(rea a la derecha de z : 0 )
- (rea entre z : O y z : 2.300)
0.5

0.4893

0.0107

Entonces el nmero de estudiantes que pesa ms de 91 kg

600(0.010?):

2.30

es

$.

Fig. 4-r3

Si W denota el peso de un estudiante escogido aleatoriamente, podemos resumir los resultados anteriores en
trminos de la probabilidad al escribir

P(47.5<W<71.5)=0.600

P(W -- 91

= 6.9tOt

4.11. La media del dimetro interior de una muesha de 200 lavadoras producidas por una mquina
es 1.275 cm y la desviacin tpica es 0.0125 cm. El propsito prira el cual se han diseado las
lavadoras permite una tolerancia mxima en el dimetro de I.26 a 1.29 cm, de otra forma las
lavadoras se consideran defectuosas. Determinar el porcentaje de lavadoas defectuosas producidas por la mquina, suponiendo que los dimetros estn dishibuidos normalmente,
1.26 en unidades tipificadas
1.29 en unidades tipificadas

:
:

(1.26
(1.29

Proporcin de lavadoras no defectuosas


- (rea bajo la curva normal entre z

- (dos veces el rea enhe z :


= 2(0.3849) = 0.7698

yz

- 1.275)l O.O]-25: -1.2


- I.275')lO.0126: L.2
: -7.2

yz

L.2)

L.2)

-1.2

77%

Por tanto el porcentaje de lavadoras defectuosa es 10002

-77% =

23%.

Fig.

r.2

1-14

Obsrvese que si consideranros el intervalo L.26 s 1.29 cm como representando realmente los dimeros dede
L.266 a 1.295 cm, el resultado anterior se modifica ligeramente. Sin embargo para doe cifrar significativag los

resultados son iguales.

4.16. Hallar la funcin generatrrz

de momentos para la

distribucin normal general.

Tenemos

M(tl = E(etx = L=

('

ot/2r J --

Remplazando (x

- tt)lo: uenlaintegralde
14q

M(tl = -= |
\/2r J--

modo

quer:+

etrt+oot-tu2/2,

ette-(t-tD2/2c2 dtr
g.l,

dx:

d4 tenemor

d1) = "ut'<o2t2/2t (J- "-tr-ort"


l/2"

www.tutomundi.com

dt,

cAP.4l

L27

DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO

Entonces sustituyendo u -

ot: u hallamoc que

M(t) :

+
f\t/2" J-* "--,,,*\ /

ettt+(c2t2/2)(

ewt+(ozt2/2)

APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL

4.17. Hallar la probabilidad de obtener entre 3 y 6 caras inclusive m 10 lanzamientos de una moneda honrada utilizando (c) la distribucin binomial, (b) la aproximacin normal a la distribucin binomial.
(o

Sea

X la variable aleatoria que da el nmero de carag en 10 lanzamientos, Entonces

p(x=B\ =
P(x

('f)(;X;)'_ ,E

P(X=A)
= /ro\/fY/r\'_
\4 /\z/ \z/

"
Ar

ll)' : ,*

l+Y
=5) = l,-o)
5

P(X=6) =

\ /\2/ \2/

/to\/r\o/r\n _
=

(; )\;)\;)

106

stz
ro

ffi,

Entonc.es la probabilidad pedida es

P(B=x<6)

#.#*%*#

# = 0.7784

Probabilidad
03

23{587E

2341678
Nfrmero de caras

Nfrmero de caras
Fig.

Fig. 4-r5

()

1-16

La distribucin de probabilidad para el nmero de caras en 10 lanzamientos de la moneda se presentan


gtficamente en las Figuras 4-15 y 4-16, en la Fig. 4-16 trata los datos como gi fueran continuog. La
probabilidad pedida es la suma de las reas de los rectngulos sombreados en la Fig, 4-16 y puede
aproximarse por el rea bajo la correspondiente curva ncrmal, mostrada a trazos. Corsiderando los datos
como connuoe, se'deduce que 3 a 6 caras pueden considerarse como 2.5 a 6.5 caras. Tqqbi"r!g_.p94!l

y la varianza para la distribucin binomial estn


= 1.58. Entonces

dadas

por/r= np=10(4\= 5yo =

: (2.6- 5)/1.8 : -1.58


6.5 en unidades tipificadas : (6.5 - 5)/1.58: 0.95

2.5 en unidades tipificadas

Probabilidad pedida

:
:

z: -1.58 y z : 0.95)
(rea entre z :-1.68 y z = O)
* (rea entre z : 0 y z : 0.95)
: O.4429 + 0.3289 : 0.7718
(rea entre

que se compara muy bien con el valor verdadero

d,e O.7734

obtenido en la parte (o). La precisin es an mejor para valores


superiores de n.

www.tutomundi.com

{nw = y'(10)(+)(+)

L28

DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO

[cAP.4

4.18. Una moneda honrada se lanza 500 veces. Hallar la probabilidad de que el nmero de caras no
difiera de 250 por (a) ms de 10, (b) por ms de 30.

t.

= ,"p: ,mr,(i) =

s '= \/ill

250

,,,,,(;)(+)

I 1.18

(o) Necesitamo la probabilidad de que el nmero de caras se encuentre enbe 240 y 260, o si conslderamos
los datos como continuos, entre 239.5 y 260.b.

- 250y11.18: - 0.94 260.5 en unidades tipificadas :


: (rea bajo la curva normal entre z: -0.94 y z: 0.94)
: (dos veces el rea enhe z: O y z :0.94):2(0.3264): 0.6528

239.5 en unidades tipificadas

hobabidad pedida

(239.5

ib) Necelitamoe la probabilidad de que el n(mero de caras

la

se

encuentre entre22O

datos como continuos, entre 219.5 y 280.5.


219.5 en unidades tipificadas

Probabilidad pedida

(219.5

: -2.7 3

250 )/11.18

: (dos veces el ea bajo


: 2(0'4968): 0'9936

la eurva normal enb.e

28O, o si consideramos

280.5 en unidades tipificadas

z:

0.94

2.7 3

z:2.73\

Se deduce que podemos estar muy confiadog de que el nmero de caras no diferir del esperado (250)

por ms de 30. As si resulta que el nmerc real de caraa


ee

280, podramos considerar que la moneda no

es

honrada, es decir etabacargoda

4.19. Un dado

se lanza1-2O veces. Hallar la probabilidad de que resulte 4 (c) 18 veces o menos y (b)
14 veces o menos, suponiendo que el dado es honrado.'
La probabilidad de que resulte un 4 es p:

(o)

l16 y de que no reeulte esg

Deseamos la probabilidad del nmero de 4 entre 0

y 18. Esta

rzo\/f\"i 5\'o' , rzo\1\''l5_\'o'


\.6/
r7

\ r8 /\6/

\6/

/\6/

5/6.

se encuentra exactamente

,.

pbr

... , (rzo\/r\/!\',,,
o
\

i \6/ \6/

pero debido a que el habajo involucrado en la computacin es excesivo, empleamos la aproximacln normal.

Conidenndo los datos como continuos que 0 a

l8

cuatros pueden tratarse como

-{.5 a 18.5 cuatros.

Tambin

tt = ttp =

/t\

)l = ZO
\o/

120(

q =

1/-n7tq

,',,,(lX*)

4.OB

Entonces

: -5.02
18.5 en unidades
:
Probabilidad pedida
(rea bajo la curva normal entre z:
-5.02y z: -O.311
: (rea ente z: O y z: -5.02)
:
:
-(rea enhe z O Y z -0.37)
: 0.6
0.1443:
0.3557
-0.5

en unidades tipificadas

1-0.6

2O)l4.OB

tipificadas

: -0.3?

(D) Procedemos como en ha parte (o), remplazando 18 por 14. Entonces

-0.5

en unidadee tipificadas

Probabilidad pedida

(rea

:-5.O2

14.5 en unidades tipificadas: (14.5 -- 20)14.08

.-

-1.31-i

bajo la curva normal enhe z : -5.02 y 2 : -1.35)


: (ea entre z : O y z : -5.02)
- (rea entre z: : O Y z :-1.35)
: 0.5
- 0.4115 0.0885

Se deduce que si furamos a tomar muestras repetidas de 120 lanzamientos de un dado, un 4 debe
apariecer 14 vece o menos en aproximadamente la dcima parte de estas muestras.

www.tutomundi.com

DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO

cAP.4l

L29

DISTRIBUCION DE POISSON

4.20. Establecer la validez de la aproximacin de Poisson a la distribucin binomial.


Si X est dishibuida binomialmente, entonces

/-\

P(X=r\ = l'"lqrq-r
\r/
:
:
:
p
I/n. Entonces
np, Hilgase , rtp de modo que
donde E(X)

(f)

(I

) se convi'erte en

,'ir - I
\n/
/

rl
Entonces cuando

n1@,

1'-t)/'-?)..
n/\
n/
\
en tanto que

empleando el resultado conocido del

clculo

-->

pero

(-r)(1)

-tr

;rl ('* i) =
Se deduce que cuando n

('-+) +,

+
= (r-\)'1t
m/ \ - i)-'
\

/,-r)"
r?,/
\

r \

eu

permanece frjo (es decir p -+ 9

P(X=r) +

(2')

:q;

que ee la distribucin de Poisson.

Otro mtodo.
La funin generatriz de momentos para la distribucin binomial

(q*pet)" = (1-p+pet)" = [1+p(et-l\]n

(3)

Si

es

\:

np de modo que p

)t/n, esto se convierte en

[' * rc=t"

(+)

A medida que n -+

eto tiende a

(5)

tr(et--l)

que es la funcin generahiz de momenos de la distribucin de Poisson. El reeultado pedido entoncec e


deduce utilizando el Teorema 3-10, pgina 80.

4.21. Verificar que la funcin lmite (2) del Problema 4.20 realmente es un funcin de probabili'
dad.
Primero, obseryamos

queP(X: ) )

para

r = 0, 1, ' . . , dado que ), )

>{]-.
!a1*=" = t=O

r=0

se

= "-^;+::
=(l '

completa la verificacin.

www.tutomundi.com

'

0. Segundo, tenemos

e-)..er

130

DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO

lcAP.4

4.22. Diez por ciento de las herramientas producidas en un proceso de fabricacin determinado re.
sultan defectuosas. Halla la probabilidad de que en una muestra de 10 henamientas seleccionadas aleatoriamente, exactamente 2 estn defectuosas, empleando (o) la distribucin binomial, (b) la aproximacin de Poisson a la distribucin binomial.
(o)

La probabilidad de una herramienta defectuosa es p :0,1. Dentese por X el nmero de herramientas


defectuosas de las 10 escogidas. Entonces de acuerdo con la distribucin binomial

p(x:zl
(b) Tenemos )\:

np

(10)(0.1)

(tJ )10.rr1s.e' =

\z/

0.1e37

o.re

1. Entonces de acuedo con la distribucin de Poisson


I-

P(x--x) - ;-

P(X=2) =

En general la aproximacin es buena si p 0.1

%:

0.183e

0.18

y \ = np 5 5.

4.23. Si la probabilidad de que un individuo sufra una reaccin por una inyeccin de un determinado suero, es 0.001, determinar la probabilidad de que de un total de 2000 individuos (c)
exactamente 3, (b) ms de 2 individuos tengan reaccin.
Dentese por X el nmero de individuos que sufren una reaccin. X tiene una distribucin de Bernoulli, pero
ya que las reacciones se suponen sucesos raros, podemoa suponer que X tiene una distribucin de Poisson, es
decir

P(X:x\ -;-

donde

^:?p:(2000)(0.001)

p(x-Bt - 1#

(d)

(b)

I-)\

:2

0.180

P(X>2) = 1-[P(X=0) *P(X:1) +P(X=2)]


_ rI -Lt
fzo-z- 2te-z --z!
, Zze-21
-1!
)
= l-6e-z
= 0.323

Una evaluacin exacta de las probabilidades empleando la distribucin binomial requeiira mucho ms
trabajo.

TEOREMA DEL LIMITE CENTRAL

4.24. Yerificar el teorema del lmite central para una variable aleatoria X que est distribuida
binomialmente y as establecer la validez de la aproximacin nonnal a la distribucin
binomial.
X* = (X - np)/l/nW y la funcin generatriz de momentos
Eletx'
E(et<x-n/t'/-nil
tnnr rliii g
1"txrl no
"-

La variable tipificada para X es

_/1t\

"
= e-tnpt,/il 2 o et't-(,

".

e ' tnp, vC,.'

,,

> |\_./
- )(p",
=0
e t,tr r/i 1o + per/ lliii
-

tvr ll-nw 1n

= le(qe

pt

liii

)r,0"-'
, tfi-oa

+ pet, lioo ln
ptar

www.tutomundi.com

{ili

t qn- t

para

X*

es

cAP.4l

DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO

131

Entonces empleando la expansin

eL

= L*u*

u2

t+gl

uj

+"'

hallamoa

qe-to/,,tar

peta/tlnnf,

= ,(t )
h+ m.
/., - tq , tzqz , "' \
-, o\t
z"Pq-r
/
'/"oo(n-!-g\
* ...
= q+p+-'iroo

: L+h+...
t2

E(etx'l: (r*!+"')"

Portanto

\2,?/

Pero a medida que n + e el lado a la derecha iende a et2/2,qte es la funci6n generatriz de momentos para la
distribucin normal tipifrcada. As el resultado pedido se sigue por el Teorema 3-10, pgina 80.

4.25. Demostra el teorema del lmite central (Teorema 4-2, pignaLL2\.

Paran:L,2,...tenemosSn:Xr

+X2+"'*Xr.EntoncesXt,Xz,...,XntienenmediallyvarianTa

o2. Por tanto

(s")

= E(X)+E(X) + "'+ E(X,) =

nu

y, debido a que las X eon independienter,

Var(S") = Var(X1)*Var(Xzl+" '*Va(X)


Se deduce que la

variable aleatoria tipificada correspondiente a S,

noz

es

s" -JP
oVn

La funcin generaEiz de momento para ,Sl es

E(etsi

Efet<s^-nutror/i

- Elet<xt-,)/ot/; e(x2-tt)/"G.
,

et<x^-tJ/ol;f

= Efet(xr-lo6).Elet<xz-/"6)...Elet<x"-Dta{;1
= {Eletrxr-utr"1"

donde, en los dos ltimoe pasoa, hemos utilizado respectivamente los hechos de que las X son independientes y que estn ditribuida idnticamente. Entonces, por una expansin en serie de Taylor,

Elet<xr-u)ro{i1

- r[rL +

t(xt _ p) tz(x-t. p)2 ...-]


+ 2o2n +
ovn
J

l;n6r-)
n

E'(1)

orJ

+ ft,r1*'-p)21

* .'.

= r++@++Gz)-,....
= r+fi+...
Zo'n
o\/n
de modo

que
.E(er.si =

/
Iz
(t*;+..)

Pero el lmite de esta expresin a medida que n -+ @etet2/2,queeslafuncin genetafrizde momentosdela


funcin normal tipificada. Por tanto, por el Teorema 3-10, pgina 80, se sigue el reeultado pedido.

www.tutomundi.com

132

DISTRIBUCIONES DE PROBABILIDAD CON NQMBRE PROPIO

lcAP.4

DISTRIBUCION MULTINOMIAL

4.26. Una cqia contiene 5 bolas rojas, 4 blancas y 3 azules. Una bola se selecciona aleatoriamente de
la caj4 se observa su color y luego se remplaza. Halla la probabilidad de que de 6 bolas
seleccionadas de esta forma 3 sean rojas, 2 blancas y 1 azul.
Mtodo 1 (por frmula).
P(roja en cualquier extraccin)

P(blanca en cualquier extraccin)

= #

P(azul en cualquier extraccin)

Entonces

p(B rojas, 2 brancas,

r azur)

= h

- i

.h(r)'(#)'(,+)' = ffi

Mtodo 2.
La probabilidad de escoger cualquier bola roja es 5172. Entonces la probabilidad de escoger 3 bolas rojas
/5tl2\3 , En forma anloga la probabilidad de escoger 2 bolas blancas e (4ll2l2 y la de escoger 1 bola azul
(3/12)t . Por tanto Ia probabilidad de escoger 3 bolas rojas, 2 blancas y 1 azul en ese orden es

es
es

/s\'/\'/rY
\tll \.rt.t \A/
Pero la misma seleccin puede realizarse en otros rdenes diferentes, y el nmero de estas formas diferentes

6l

3!2!1!
como se expuso en el Capftulo 1. Entonces la probabilidad pedida es

lr

6t In\"lt\-/:lY
z!r!\itl/ \itl \rrl

Mtodo 3.
La probabilidad pedida es el trmino 44p" en la expansin multinomial de (p, i-paIpo)G donde p,
12, pb = 4/72, Po=' 3/12' Porexpansin se obtiene elresultado anterior.

$/

DISTRIBUCION HIPERGEOMETRICA

4.27. lJna caja contiene 6 bolas blancas y 4 rojas. Se realiza un experimento en el cual se selecciona
una bola aleatoriamente y se observa su color, pero no se remplaza la bola. Hallar la
probabilidad de que despus de 5 pruebas del experimento se hayan escogido 3 bolas blancas.
Mtodo 1.

/a\

El nmero de formas diferentes de selecciona 3 bolas blancas de 6 blancas * \r/.El nmero de formas
diferentes de seleccionar las 2 bolas restantee de las
diferenes que contienen 3 bolas blancas

2 rojas

rojas

* (; )

Por tanto el nmero de mueshas

". ll\"/ )(l\-i )

Entonces el nmero total de formas diferentes de seleccionar 5 bolas de 10 bolas (6 + 4) en la caja


Por tanto la probabidad pedida est dada por

/o\ /r'i
\,ri \z )
/ro\
\5,',

www.tutomundi.com

rc
2l

/rr,\
[ ,t i

cAP.4l

133

DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO


Mtodo 2 (empleando la frmula).
Tenemos b

=6, r= 4, n=6, r = 3. Entonces por(I9),pginallS,laprobabilidadpedidaes

PIX=S)

\/4 \
}i|j.l

/10\

\5/
DISTRIBUCION T.'NIFORME

4.28. Demostrar que la media y la varianza de la dishibucin uniforme (pgina 114) estn dadas
respectivamente por () , : Ll2(a + b), (b) o2 : Ll72(b -a)2.

l"'*

t, = E(x) =

(a)

(b) Tenemos

E(xz\

b2-a2
Z(b-a\

= #:af"

a*b
2

I.'f-+ = #tl. = ffi= Yt+Y

Entonces la vaianza est dada por

s2 = E[(X-u21 = E(Xzl-uz

ry4y_ (+), = firo_ot,

DISTRIBUCION DE CAUCHY

4.29. Demostrar que (a) la funcin generatnz de momentos para una variable aleatoria
distribucin de Cauchy no existe pero que (b) la funcin caracterstica s existe.
(a) La funcin gerreratriz de momentos de X es
-,
E(erx = g (" -J"T .r-n '.r! * dz
la cual no existe si

es

real. Esto puede verse al notar por ejemplo que si

e,,

= r*tu*lf*...

->

con

r 0, > 0

t!!

de,modo que

"- #ruo, = n# ,'

7't|^ou"

y la integral a la derecha diverge,

(b)

La funcin caracterstica de X es

E(eiox) = g (+ a:,, ,
i J-6 x''""'l'
a f - cos or
= ; J-. 7+ azctr

("'

sin r
+-ai )-- rr
n'

2o (" cosor r=.


' , Jo r.2+d2dr

donde hemos utilizado el hecho de que los integrandos en el segundo rengln son funciones par e impar
respectivamente. Puede demostrarse que la lima intcgral existe y es igual a e-aa (vase hoblema
4.159).

4.30. Sea @ una vaiable aleatoria distribuida uniformemente en el intervalo -l=t


trarque X: atan @, o > 0, tiene unadistribucin Cauchy en- @ 1x1*.'
La funcin de densidad de

@ es

/(a) =

-L-2-

"- =
-

www.tutomundi.com

o
2

<

j.

Oemos-

134

DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO


Considerando la baruformacin

[cAP.4

a tan 0 tenemog

o-t-L! a

.r

Y
dx

z+a'

Entonces por el Teorema 2-3, pgina 46, la funcin de densidad de X est dada por

s(r)

= r@l#l = :a+-a

que es la distribucin de Cauchy.

DISTRIBUCION GAMMA

4.31. Demostrar que la media y lavananza de la distribucin gamma estn dadas por (a) p: aP, (b)
o2

oB2.

(a)

RemPlazando

xlQ: t

tenemos

p=

()
Remplazando

: f," ffi,"

t, = ," "loo";1o"

E(Xz

,19: t

Bon f' Fe-tdt

= t,"

= ffirt"+f =

tenemos

= ff"*, fo"' ,o*r"-ro,


n2

= ift)"("+z) =
=

(c

,'#0"

",lff...,.,)*:

E(xz

ya que I'(a + 2)

aB

1)

r(c

p2(a*t)a,

* 1) = (a * 1)a I(a). Por tanto


p2 = Bz(aIL)a"2 - E(X2) -

(ap)z

"Bz

DISTRIBUCION BETA

4.32. HaJlar la media de la distribucin beta.

p = E(x) = ### fo'*,"-r{r-x)F-tlitr


r.^.t

p\

f I

= frffiJ.
l'(a

* 0)

sa(r

)e-r fls

l'(a + 1) r(B)

rt"lrtBl r(a+1+B)
I(a + ) dr(d) r(B)
r(a) r(B) (" + P) f(4 + p) =

4.33. Hallar lavarianza de la distribucin beta.


El segundo momento alrededor del origen

es

r",+fl (t ,zro-r1l,a-\d,r
E(xz =- f(a)f(p)
*
Jo l*
_

r'(a + 4)-

r(a)I'(p)
r(c

(t *su+t11 -

Jo

B) r(d +

2) l'(B)

n)e-r ,

r(a+2+ t)
_ r'(a * ) (a * l)a r(a) r(B)
t'(a) t'() (a * p * 1)(a + p) I(a + p)
r(a) r()

_ (a-rB)@+B+1)
"(el_!
www.tutomundi.com

cAP.4l

DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO

135

Entonces, utilizando el Problema 4.B2,la varianza es

02

_(rro)'= cr6#T_Fn

= E(xz-l'(x)l=

DISTRIBUCION CHI.CUADRADO

4.34. Demostrar que Ia firncin generatriz de momentos de una variable aleatoria X con distribucin chi-cuadrado con

grados de libertad es M()

M(t)

E(etx

= +6

: (1- 2t)-,r2.

to* "r"rr,-rr/2e-./2d
(-,s(v-2)/2e-<L-2t>r/2 dr

=J2,r2 r(v/2) )o
Al remplazar (l

2t)n/2 =

7.1

en la ltima integral hallamos

M(tl = 2,t2r(v/2)Jo
" r-2t
\r-2t/
: ll - ztl-v/2 fa u<v/z)-re-udu = (L-zt-'rz
r'(v/z) )o
4.36. Sean t y X,
grados de liberta

u2

dA

Z:Xt *X, es
con

v,

(b)

* v,

do

grados de libertad.

funcin generatriz de momentoo de Z = X, ! X, ea


M(t) : Enet(xr+x1 : E(etx,)Eqx" : 1l-2t-'r/2 1l-2t)-vz/2
utizando el koblema 4.84.
t

(1

N-Qr+v2t/z

Se observa del Problema 4.34 que una distribucin cuya funin generatriz de momentos es (1
2t)-<vt+v2)/2 es la dishibucin chi-cuadado con v11- v2 gadosde bertad. Esta debe ser la distribucin
de Z, por el Teorema B-18, pgina g1.

Al generalizar los resultados anteriores obtenemos una demostracin del Teorema 4-4, p4ina

1-1.6.

4.36. Sea X una variable aleatoria distribuida normalmente con media 0 y varianza 1. Demostrar que
X2 tiene distribucin chi-cuadrado con 1 grado de libertad.

Y: x2 dad,a una distribucin normal para X. Puesto que Ia correspondenX y Y no es uno a uno no podemoe aplicar el Teorema 2-3 como est, pero procedemos de

Deseamos hallar la distribucin de

cia entre

la manera siguiente.

Paray

0es lglco que P(Y SU)

P(Y<u):

:0.

Paa

y>

0 tenemoe

P(Xz<a) = P(-\/u=X<+\/a)

+fr"-,'rzs
(-fr"-,'tzs
=+
f
=+
J-
1/2n Jo
l2n
donde en el ltimo rengln ae utiliza el hecho de que la funcin de densidad normal tipificada es cero.
Efectuando el cambio de variable x : *t/T en la ltima integral, obtenemos

P(Y <

= -! fs rrrze-uz
t/2r Jo

d.t

Pero esta es una distribucin chi-cuadrado con 1 grado de libertad, como se ve al


pgina 116, y utilizar el hecho de que r() = V7.

www.tutomundi.com

colocarz:

1 en (39),

DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO

136

4.37. Demostrarel Teorema 4-3,pryina 116, para v :


Por el Problema 4.36 vemos que si X y X2

lcAP.4

2.

es;tn distribuidas normalmente con media

0 y varinza

1,

entonces X? V X3 tienen distribucin chi-cuadrado con 1 grado de libertad cada una. Entonces del Problema
4.35(b), u"mo. qi" Z = X?*X2" tiene distribucin chi-cuadrado con 1 * 1:2gradosdelibertadsiXr y
X2 son independientes. El resultado general para todos los enteros positivos l. se deduce en la misma manera.
Vase Problema 4.150,

4.38. La representacin grfica de la dishibucin chi-cuadra-

se muestra en la Fig. 4-18.


(Vase las consideraciones sobre notacin en la pgina
116). Hallar los valores de xf, x! por los cuales

do con 5 grados de libertad

(a) el rea sombreada a la derecha: 0.05,

(b) el rea total sombreada: 0.05,


(c) el rea sombreada a la

X,,

izquierda: 0.10,

X,,

(d) el rea sombreada a la derecha: 0.01.

(o)

Fig.

Si el rea sombreada a la derecha es 0.05, entonces el ea a la izquierda de


representa la nonagsima quinta percentila, x.esr.

xl

es (1

4-18

- O.O5): 0,95 y

xz2

Refirindose a la tabla en el Apndice E, en la columna /, bsquese el valor 5. Entonces procdase hacia


la derecha hasta la columna x%r. El resultado 11.1 es el valor pedido de 12.
(b) Puesto que la distribucin no es simtrica, hay muchos valores para los cuales el rea totl sombreada :
0.05, Por ejemplo, el rea sombreada a la derecha puede ser 0.04 en tanto que el rea a la izquierda es
0.01. Sin embargo, se acostumbra, al menos se especifique lo contraio, escoger las dos reas iguales.
Entonces, en este caso cada rea:0.026,

Si el rea sombreada a la derecha es 0.025, el rea sombreada a la izquierda de x3 es 1


j iepresenta la percentila 9?.5, xz:,r,la cual del Apndice E es 12.8.

- 0.025:

0.9?5

Anlogamente, si el ea sombreada a la izquierda es 0,025, el rea a la izquierda de x? es O.O25


representa la percentila 2.5,x?os,la cual es igual a 0.831.

x?

Por tanto los valores son 0.831 y 12.8.

(c) Si el rea sombreada a la izquierda es 0.10,

xi

representa la dcima percentila,2,,,,Ia cual es igual a 1.61.

(d) Si el rea sombreada a la derecha es 0.01, el tea a la izquierda de


percentila 99, x.2gs, la cual es igual a 15.1.

a!

es 0.99

22 representa la

a la derecha de la distribucin 2 es
0.05, si el nmero de gndos de liberbad v es igual a (c) 15, (b) 2I, (c) 50'
Utilizando la tabla en el Apndice E hallamosenlacolumna 2er, los valores: (a)25.0 correspondientear:

4.39. Hallar los valores de 2 para los cuales el rea de la cola


15; (b) 32.? conespondiente

av:21,

(c) 67.5 correspondiente

4.40. Hallar el valor de la mediana de


libertad.

z:

50.

que corresponde a (a) 9, (b) 28

y (c) 40 grados de

UtIizando la tabla en el Apndice E, hallamos en la columna ,2-, (puesto que la mediana es la percentila 50 )
los valores: (o) S.34correspondienteav:9;(b) 2T.3correspondiente av:28; (c) S9.3correspondiente^v

:40.

Es de inters notar que los valores de la mediana estn muy prximos al nmero de los grados de libertad' En
efeco, parav> 10 los valores de la mediana son iguales av - 0,7, como puede observarse de la tabla.

www.tutomundi.com

cAP.4l

DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPTO

13?

4.41. Hallar xlerpm (a) v : 60 y (b) y - 100 gados de libertad.

/ mayor que 30, podemor utiliza el hecho de que ({Tx2 - r/2, - t etl ci dbEibuido normlmenc
con medie certr y varianza uno. Entonca ti z, er la percentil 10Op de l ditrlbucin nornd tipilicada,
podemoe ercribir, oon un alo grado de aprorimacin,

Para

,Elrode donde

(o) Si v=50,

x3s

t6=t = ,o 6 ,FA = zp I t/Ft


x| = *(zo+tffjz

= \@.es+ftool-t)2= +(1.64+rfssz =69.2,locualetdecuerdooonelvalor6?.6

dado en el Apndice E.

(b) Si r=100,
DISTRIBUCION

xlgs

= f,,(z.ss+rtrOool-tz = |(1.64+/199P = 124.0(vlorrel =L24.3).

DE STUDENT

4.42. Demostrar el Teorema 4-6, pgina 117.


Pueeto que Y ert ditribuide nomalmente con media 0 y varianza 1 ru funcin de denidad e

(r)

--:1" e-!'/2

Puesto que Z tiene distribucin chi-cuadrado con

12"

+GE2Q/D-!-zn z)

(21

Debido a que Y y

para

gradoe de libertad su funcin de denidad ee

2 rcn

-o 1g 1lo,

independientee u funcin de denidd coqjunta er 6l producto de (I ) y (2),er dccir

\/21 2'/2 r(v/z\

z<v/z)_te_

:|-r+zr/2

0.

I = Ylt/ffi e
F(u) = P(T=r)

La funcin de ditribucin de

P(Y=er/Zfi)

= y@2,rzrl,/4 f ( 7<rrz>-r e-<yz+ztrz ,y 2


#
donde la integral e toma obre la regin ( del pleno lz parn l crl g ut/. himero fijamor r z b
=
integramos con reepecto a y dede
- @ hast rl/z/r.Lu{p integrannr_conrespecto az dede 0hato. Por
tanto tenemos

Remplazando

F(xl = ,-j(*
- - va J"'
"ffi "-r,,tzul"
{2r2,tzt'(vl2\ ),=o"r,,rr-r"-,,rf
LJ":_-e
A = urfi en la integral entre parnteais rectangulares hallmo
- ('
F(r) = _ tzo/2)-re-z/21ffi e-uzzr2, dud,z
f
\f 2nz,tzl(vl7\ Jz=o Jr=-.
=

Susituyendo

d,,

I'

*^

*l ":

,/
..u\
- = ;lt * T ) eeto puede eocribire

F(r)

= G;,"^'
+

de acuerdo con lo pedido.

zo+"/2

z(''

- t' / 2 e- zl ztt + <t2 | v>r a")au

"

como

"'=-*

[f=. #;#;"a']au

r\

'\-/, z / (,
z\ Ju= -'
tnr(
- \2/

d.u

(l + u2'<'+t>rz

www.tutomundi.com

138

DTSTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO

4.43. La representacin grfica de la distribucin

[cAP.4

de Student con 9 grados de libertad se muesha

en la Fig. 4-19. Halla el valor de 1 para el cual

(c) el rea sombreada a la derecha

0.05.

(b) el rea total sombreada: 0.05,


(c) el rea total sin sombrea: 0.99,
(d) el rea sombreada a la izquierda : 0.01,
(e) el rea a la izquierda de , sea 0.90.

(a)

._tr

tt
Fig.

Si el ea sombreada a la derecha es 0.05, entonces el rea a la izquierda de es (1


repreeenta la percentila 95, .e;.

4-19

- O.O5): 0.95 y r

Refrrindonos a la tabla en el Apndice D, bsqueee en Ia columna y el valor 9. Entonceg bequese la


c.olumna .es. El resultado 1.83 es el valor pedido de t
(b) Si el rea total ombreada es 0.05, entonced el rea sombreada a la derecha es 0.025 por simetra. Por
tanto el ea a la izquierda de 1 es (1 - 0.025): 0,9?5 y r reprecenta la percentila 9?.5, .er5. Del
Apndice D hallamoe 2.26 como el valor pedido de .
(c) Si el irea total sin eombrear ee 0.99, entonces el rea total sombreada es (1
- 0.gg) = 0.01 y el rea
sombreada a la derech es 0.01/2 : 0.005. De la tabla hallamos t.css = 3.25.
(d) Si el rea sombreada a la izquierda es 0.01, entoncs por simetra el rea sombreada a la derecha es 0.01.
De la tbla t ss = 2.82. Por tanto el rea de t para el cual el rea sombreada a la izquierda es 0.01 es
(e)

-2.82.
Sieleaalaizquierdade es0.90,entoncesl correspondealapercentilagO,.e0,quedelatablaes
igual a 1.38.

4.44. HaJlar los valores de f para los cuales el

rea de la cola a la derecha de la distribucin


si el nmero de grados de libertad es igual a (c) 16, (b\ 27, (c) 200.

es

0.05

Refirindonos al Apndice D, hallamos en la columna te, losvalores: (o)L,75 correcpondienteay:16;(b)


1.70 correspondiente a v = 27i (c) 1.645 correepondiente a y: 200, (El ltimo e el valor que se obtendra
utizando la cuva normal, En el Apndice B ete valoi corresponde a la enhada en la ltima fila macada ).

DISTRIBUCION

''

4.45. Deimostrar el Teorema 4-?.


La funcin de densidad conjunta de
f

(, t,

V y V2 et, dada por

t;) =
6"i,

-1)(v'\/2)

"-.','') (? rr^

o(vz/2)

a\, J z t - t u(v2/ 2) - 1 ez(vt+ v2)/2 lQl/21 f (u2/2)

ri o,

) 0, a, )

-|

"-',,r)

<t | + 2)'

0 y 0 de otra forma. Efecte Ia transformacin


u 1/ v1
,lL=-=_r=02
L"a/ ar

t'2 |

vl1t2'

.
ODt=r,DZ=

l1U7D

Entonces el Jacobiano es

i';:"i = l::"',:: ::',:,::l = l"*:" 'u':'"

| 1U)
t,2

Denotando la densidad como funcin de u y w por g(u, t,rl), tenemoe

g(u,u) = .[,nD\]uJur0;l4\
-1-

f 'pw\"rz'-' ID'-''-"e
'"''o'-,
r /

www.tutomundi.com

Ll+

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

cAP.4l
si u

DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO

>

0, u,

>

139

0 y 0 de otra forma.

La funcin de densidad (marginal) de U puede encontraree integrando con recpecto a

r desde

0 hata , er

decir

hkt) =
ei u

(- *r,,,+t,2\/2)-t e-tt+<v{/v2)t(o/2>
z(tt ' u2)/2 t0t/21 l,(vz/2) Jo
-tL-!:j!::-:-

0 y 0 ei rt 0. Pero de

da)

(I5), Apndice A,
( " *, - t e- au d.ut = t'(P)
ap
Jo

Tenemoe

(r

h(u)

si u

0 y 0 i

0,

que

es el

v2\vr/2 4Q

/v' I vr\
)

1/'' - t ,\i

reeultado pedido.

4.46. Demostrar que la distribucin F es unimodal en el valol v'

'

2\

/ v' \ si v, )

(r, i \rn)

2'

La moda localiza e! valor mximo de la funcin de deneidad. A diferencia de una conetante, la funcin

de

densidad de la ditribucin F es
r[(t,i/2)--t (v2:L vru)-(r,t r rz)tz
Si tiene un mximo relativo se presentar cuando la derivada sea cero, es decir

(;
,\z

2(,2* r,rt)
-

,,\rt,',r'

('r

+t2)/2

Dividiendo Wt ut|ti2)-2(t2l tt)-[("\+t.\/2i-r,

/,,,

.t,,,,t)-

.\('4fa)
z /.-(,2*

tyt

) = 0

\-i.-'1t'"tvp)-uvr\j-:,

trt

ry \
= /,1-2\/
(-" /\;TZ)

Utilizando el criterio de la segunda derivada podemos demoetra que realmente

se

4.47. Utilizando la tabla para la distibucin F en el Apndice F, hallar ()


F.o.r,s,so, (d) F.ot,rr,n.

(o) DeI Apndice F, donde.ul

10,

(b) Del Apndice F, donde vt -- L5,

\ :

15,

,..,

9, hallamos F.oc.l,0 =

=-

hallamog

.F' gs, ro, rs

11 =
,.
(c) Por el Teorema 4-8, pgina 118, r.ob,s,io
= F_3.0g
.9.5,30,8
(d) Por el Teorema 4-8, pgina 118,

F.o,,,r,l=

ir ua 0, hallamoa

/,,1 -,'r2\

\.

r1u)-(,,+v2't/2r-r =

*;;

trata de un mximo.

F'.rr,

ro.

rr, (b) F .ee, rr.o,

(c)

3.80,

4.96.

0.326.

# = 0.257.

RELACIONES ENTRE LAS DISTRIBUCIONES F, 2 y


4.48. Verificar que (o) /.ss : t?n
(b) fl.ss : f.'rrr.
",
(a) Comparar ia entradas en la primera columna de la tabla F.o5 en el Apndice F con ea en l distribucin

bajo

.e75.

Vemos que

L6l = (72.71)2,

18.5

: (4.502,

10.1 = (3.18)2, 7.7L

www.tutomundi.com

= (2.78)2,

etc.

140

DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO

(b)

[cAP.4

Comparar la enhadas en la primera columna de la tabla F.ee en el Apndice F conegarenladistribucin bajo .eer. Vemos que
4050

(63.66)2, 98.5

= (9.92)2, 34.1 = (5.84)2,

21.2

-- (4.60)2,

etc.

4.49. Demostrar el Teorema 4-9, pgina 118, que puede establecerse simplemente como
F

a.s

r-p

t? ott

generalizar los resultados del Problema 4.48.

Sea 11

- l,

v2

v en la funein de densidad para la distribucin F

-/,
r( +olr\

,t, ,'.
'\2/'\2/
"11\
"/r\

(ul =

,u/2-r/2(y + ul-(r1tr/2

r\

{",9 "

^/,

-r-

l(4),pgina 11?]. Entonces

-t'* ""
t /
vv/21l-12v-(,,*rr,r( ,.',- o)

/ +1\

ll'\ '=2 |

'/

r-ru+l)/9

/_u_r,r(l +3!)

;4*)___\-,/
para u

O,

f(u):

que P(U 5 .Ft-o)

0 para < 0, Entonces por la definicin de un valor de percentila,

= 7-

F,-,es el nhmero tal

P. Por tanto

* t\
,
I
"/"t ',
^F,
{ l'-'u-r,r

^\

n'(;)"

En la integral efectfe el cambio de variable

t=t

\-(!!'/'l

l+1)
"/

tru = } -p

t/-u:

,./" + r\

'\
/ +z\-r r)r'rl dt
-'(f+-
2-r 2,-lJ r,rtF,l
= t-p
\
'/
=,(;)"
\/
Comrarando con (42), pfuina 116, vemos que el lado izquierdo de la ltima ecuacin es igual

z.

P(.0

donde ? es una variable aleatoria con distribucin

t-P
2

<'T = *t/Ft_o)

de Student con u grados de libertad, Por tanto

= Pp<T:;+tfttur
=

P(T

s +VFt-p) - P(f 0)
=

= P(T=+\E|-+
donde hemo usado la simetra de la distribucin . Reolviendo, tenemos

P(T=+tlrno = t -Pi
www.tutomundi.com

CAP,4]

L4t

DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO

Pero, por definicin,

tt

tt/z. es

el nmero al que

P(T=tt,(p/z\\ = l-?,
y este nfimero se determina finicamente, ya que la funcin de densidad de Ia distribucin
positiva. Por tanto

= tt-(p/zt

+\/F;

Fr-p :

es estrictamente

tl2t'-tptz',

que era lo que se querfa demostrar.

4.50. Verificar el Teorema 4-10, pgina 118, para (a\ p

(c)

0.95

y (b) p

0.99.

Comparar las entradas en Ia ltima fila de la tabla F o= en el Apndice F (correspondientes


las entradas bajo .1; en el Apndice E. Entonces vemos que

-.
3.8t

3.94

-- ;.

3.00

=;,

(r(r

.7

2.60

a1

't7 _
2..,,
-

-- ;,

9.4!
4

2.21

Ll .L

;+,

a r': ) con
etc.

lo cual provee la verificacin requerida.

(b)

Comparar las entradas en la ltima fila de la tabla .F e,; er el Apndice F (correspondientes


las enhadas bajo x:nn en el Apndice E. Entonces vemos que
6.GB

= "'13. 4.il =

(4

s.78

#. s.s2 T

r.02

#.

',

@) con

etc.

lo cual provee la verificacin requerida.


La prueba general del Teorema 4-10 se deduce tomando el lmite cuando U2
la prfuina 117. Vase Problema 4.145.

+ * en la distribucin F en

DISTRIBUCION NORMAL BIDIMENSIONAL


4.51. Sean X, Y variables aleatrias cuya funcin de densidad conjunta es la distribucin normal
bidimensional. Demostrar que X, Y son independientes solo si su coeficiente de correlacin es
cero.
Si el coeficiente de correlacin p = 0, entonces la funcin de densidad normal bidimensional (49), pgina
118, se convierte en

l@,

!,,',r"?ll--+"-,,
= t-+o-,
lotll,
)Lo.:\/2=

y puesto que este es un producto de una funcin solamente


r, y se deduce que X, Y son independientes.

en

,,,',,r'il
)

por una funcin solamente en y para todos

los valores de

Inversamente, si X, Y son independientes, f(x, y) dada por (49) debe para todos los valoxes de x,
producto de una funcin solamnte en.r y una funcin solamente en y. Esto es posible slo si p : 6.

ser el

DISTRIBUCIONES DIVERSAS

4.52. Hallar la probabilidad que en lanzamientos sucesivos de un dado honrado resulte un 3 por
primera vez en el quinto lanzamiento.
Modo 1.

La probabidad de no obtener un 3 en el primer lanzamiento es 5/6. Anlogamente la probabilidad de no


obtener un 3 en el segundo lanzamiento ee 5/6, etc. Entonces la probabilidad de no obtener un 3 en lo
primeros cuaho lanzamientos es (5/6)(5/6)(5/6X5/6): (5/6)4.Por tanto la probabidad de obtener un 3 en
el quinto lanzamiento es 1/6, la probabilidad pedida es

Y/r\

\6i \6/ -

c,25

77i6

www.tutomundi.com

L42

DISTRIBUcIoNEs DE rRoBABTLTDAD coN NoMBRE

pRopro

[cAp.

Mtodo 2 (utilizando ftmula).

Utilizando la ditribucin geomhica, pgina 118, eon

pedida er

p: Ll6,q:616, :6

/t\/o\' _
\6/ \6 /

vemo que la probabilidad

Gzl

i7't6

4.63. Verifrcar las expresiones dadas para la (a) media, (b) la variarrza, de la distribucin Weibull,
pgina 119.

(o)

t' = E(X) = JOf

abrb e-o"o d,r

ab ('/"\

), \i)"-";""tb)-t

du

f@

a-ub I ur/be-! du
Jo
a_,tbr
donde hemo tilizado Lr ustitucin u

()

: atb

E(Xz =
fo-

/'
(r. i)

pa.ra evaluar la

integral.

oOro*r-otolg

r
('/z\r*ttro> e-!:u(t/b)-t
"b )o
= o"o
\;/

= o-r,oJs(' u,be-!
/

du

o\

= o-2/br\t + a)
Entonce

02 = El(X-u21 = E(Xz)-uz

o-",of (1 + 3)
b/
L\

- p(\ t + +)-l
/J

PROBLEMAS DIVERSOS

4.64. La probabilidad de que un estudiarte que ingrese a la universidad se gradees 0.4. Determinar la probabilidad de que de 5 estudiantes (a) ninguno, (b) uno, (c) al menos uno, se grade.
(a) P(ninguno ee grade) = 5Cs(0.4)0(0.6)r : 9.977?6, aproximando 0.08
(D) P(re grade uno) = 5Cr(0.4)1(0.6)4 = 0.2692, aproximando O.26
(c) P(al menos uno re grade) = 1 -P(ninguno se grade) :0-92224, aprorimando

4.55. Cul es la probabilidad de obtener un total de 9 (o) dos


lanzamientos de rn pa de dados?

0.92.

veces, (D) al menos dos veces en 6

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

en

eado por (1,

f,

11, 2, etc.

www.tutomundi.com

cAP.4I

143

DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO

De estas 86 forma todar igualmente factibles i los dados on honrado, un total de 9 ocurte en 4 cqlos
(3, 6), (4, 5), (5, 4), (6, 3). Entonces la probabilidad de un total de 9 en un olo lanzamiento de un per dddados esp :4136:1/9 y la probabilidad de no obtener untotaldeg enunsololanzamiento esq=L-p8/9.

(o) P(9 do

(b)

veces en seis

lanzamientos

P(al meno 9 doeveces)


(9 seis vecee)

-"^11Y /q\t-' -=
- 6"'\t/

\0/

440

-61
6sl 441

=P(9 dos vecee) *P(9 trecveces) *P(9 cuatro vec.er)*P(9cincovecer)*P

- /r\'/e\a,
* ^ /r\'/e\',* ^/r\'/a\',* ^ /r\ta,
= 'c'(o/
^ /r\u
\/ '"'(;/
\;/ '"'(;/ \/ '"'foi * '''Gi
72689
1
61 440 10240 960
* ss148
= 681
441 - 5Bt 441 = 531 441
441 - 65f T - 5gr 441
Otro mtodo.
P(al menoe 9 doa veco)

P(9 cero vecer)

P(9 una vez)

: ,-- ."'\g/
^/l\'/q\'
' ^/rY/s\u
\e/
\s/ - 6u,\0/

7268s

ffitZ

4.6. Si la probabilidad de un tornillo defectuoso es 0.1, hallar (c) la media y (b) la desviacin
tpica para la distribucin de tornillos defectuosos de un total de 400.
(a)

Media

(D) Varianza

np

:400(0.1):

: npe:

40, es decir podemoselpemr que 40 tornillo esn defectuosos.

(40OXO.1XO.9): 36. Por tanto la deacin tfpica

4.5?. Halla los coeficientes de (a)

(a)

sesgo

= /56 =

6.

y (b) curtosis de la distribucin en el Problema 4.56.

Coeficientedeeeego=

vnpq

==

0.133

Puesto que es positivo, la distribucin est sesgada a la derecha.

(b)

coeficienedecutosis:
l,a ditribucin

ee

1-6(0'1X0'9) s+l---^6:q
=
nuq : 3+ff

3'01

ligeramente m apuntada que la distribucin normal.

4.58. Las calificaciones de un parcial corto en biologa fueron 0, L,2,. . . , 10 puntos, dependiendo
del nmero de respuestas conectamente solucionadas de un total de 10. La calificacin media
fue 6.? y la desviacin tpica fue 1.2. Suponiendo que las calificaciones estn distribuidas
normalmente, determinar (c) el porcentaje de estudiantes con 6 puntos, (b) la calificacin
mxima del L0% ms bajc de la clase, (c) la calificacin mnima delL0% ms dto de la clase.
(a)

Para aplicar la ditribucin normal a datos discetoe, eb necesario conidcrar los datoe como si fueran
continuoe. Por tanto una calificacin de 6 puntos e corsidera como 5.6 a 6.5 puntoe. Vase Fig. 4-20.

:
6.5 en unidader tipificadar :

- 6,7)1L.2 = -'1.0
(6.5 - 6.7)1L.2:{).17
z: -1 y z:-4.17

5.5 en unidadee tipificadar

hoporcin pedida:

ea entre

(rea entte

0.3418 -

(5.6

z: -1

y e = 0)
(re entre z :{.17

0.0676 :

www.tutomundi.com

O.2788:

y
277o

z:

O)

L14

DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO

[cAP.4

- I -0.17
I'ig.4-20

(b)

Fig.

4-21

Sea r la calificacin mxima pedida ] z !u equivalente en unidadec tipificadas. De la Fig. 4-2L el


la izquierda de z eo LOT, = 0.10; por tanto

Area entre zt y O: 0.40


:
(aproximadamente).
zt -L.28
Enonces zt = (xt - 6.7)lt.Z:-t.28y r:6.26 6 aproximando

rea, a

(c)

Sea

al entero m cercano.

.r2 la calificacin mnima pedida

zz =L.28. Entonces (x2

! 22 Eu equivalente en unidades tipificadas. Si (b), por simetra


: L.28,x2:8.2 u 8 aproximando al entero m cercano.

6.7)17.2

4.69. Un contador Geiger se emplea para contar la llegada de partculas radioactivas. Halla la
probabilidad de que en un tiempo f no se cuenten partculas.
La Fig. 4-22 repteeenta el eje de tiempo c.on O como el origen. La
probabilidad de que se cuente una parfcula en el tiempo Af ee proport
t
tatr

r-----]--l

cionl a At y puede eecribire como l, At. Por tanto la probabilidad de no


contar en el tiempo At ec 1 - I At. Me precisamente, exiatirn trmino
adicionalecqueincluyen a (A)'y rdene ruperiores, pero no se conside-

ran si A es pequeo.

Fig.4-22

la probabidad de no cuenta en el tiempo t Entonces Po ( + At) es la probabilidad de no cuenta en


el iempo + A. Si se suponen lar llegadae de lae partcula sucegos independientes, la probabilidad de no
cuenta en el tiempo t * At es el producto de la probabilidad de no cuena en el tiempo y la probabilidad de
no cuenta en el tiempo Af. Por tanto, rin considerar los trminoe que incluyen (A)2 y trmino cuperiores,
Sea P6 ()

tenemoS

(r)

Po(+a)

-IA]

Ps()[1

De (I ) obenemos

lim

(2)

Po(-f a)

At+0

PoQ\

= -IPo

()

e decir

dlu

(.r)

dt

-^po

u dP"
n

->'t

Reolviendo (3) por integracin obtenemos

lnPn = -X +

cl

PoQ) = -Lt

Paa determinar c notamoc que si = 0,P6(0): c e la probabidad de no cuenta en eliempoGrro,que


lgicamente e 1. Por tano c = I y l probabilidad pedida ee

Po() = -^t

(11

4.60. Refiindose al Problem^ 4,69 halla la probabilidad de exactamente una cuenta en el tiempo
t.

I de modo queP(t + Af)er la probabilidad deun


A. Entoncee tendremos una cuenta en el tiempo f * Af en lor riguientee dos cao

SeaPl() la probabilidad de una cuenta en el tiempo

cuerta en el iempo

f+

mutuamente excluyenter:

(i) 1 cuenta en el tiempo f y 0 cuentar en el tiempo At


(ii ) 0 cuenta en el tiempo y 1 cuenta en el tiempo A

www.tutomundi.com

145

DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO

cAP.4l

La probabilidad de (i) es P1()(1

- I a).

La probabilidad de (ii) es Po()I at.


Por tanto, sin coruiderar los tminos que incluyen (A)2 y ruperiores,

(r)

Pl

+ a)

Pr ()(1

r a) +

P0 ()r a

Esto puede escribirse


Pr ( +
(2)

l)
Lt

- I"(t) =

XF'o()

IP1 ()

Tomando el lfmite cuando Af -+ 0 y utilizando la expresin para Pe() obtenida en el Problema 4.59 esto
convierte en
dP,
tr-At (3)
dt =
^Pl

ge

o
d.P,

u)

* \P, - e-rtt

d.t

Multiplicando por

e^

esto puede escribirse como


d.

(5)

@xtPr)

que al integrar

Pr(t) = \-r+c2e-\r

(6)

P1(0) eo la probabilidad de 1 cuenta en el tiempo 0, que es cero. Utilizando eto en (6) hallamos

t:0,

Si

c2

0. Por tanto
Pt ()

(7')

- rt

Continuando de esta forma podemos demostrar que la probabilidad de exactamente n cuentas en el tiempo
est deda por

Pn(t\

(8)

(^t);i

que es [a distribucin de Poisson.

Problerna,s supletnenta,rlos
DISTRIBUCTON BINOMIAL (BERNOULLI)

4.61.

Halla la probabilidad de que al lznz,ar una moneda honrada 6 veces aparezcan (o) 0, (b ) 1, (c) 2, (d) 3' @l a,
(n 5, @l 6 caras.

4.62, Illa la probabilidad de (o\ 2 o mr

caras, (b ) menos de

4 caras en un solo lanzamiento de 6 monedas

honradas.

4.69.

Si

X denot el nmero

P(X=2),

(d)

de caras en un solo !nzamiento de 4 monedas,

hallar (o) P(X =

3),

(b\ P(X

<21'

(c)

P(1<x=3).

4.64. DeSOOfamiliacon Shijos, cuntaseeperarantener(o)3nios,(b)5niar, (c)o23nios?

Suponer

probabilidades iguales para nios y nias.

4.66.

Hallar la probabilidad de obtener un total de 11 (c) una vez, (b) dog vece3' en dos lanzamientos de un par de
dados honrados.

4.66.

con un par de dados?


Cul es la probabilidad de obtener un 9 exactamente una vez en 3 lanzamientos

4.67. Hallar

la probabilidad de acerta correctamente al meno 6 de 10 resruestas en un examen tipo verdadero-

falo.

www.tutomundi.com

L46

DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO

lcAP.4

4.68. Un

agente de una compaa de reguros vende plizas a 5 personas, todas de edad idntica y con buena salud.
De acuerdo con las tablas de los actuarioe la probabilidad de que una persona de esta edad especfica est viva
en 30 aos es 213. Hallar la probabilidad de que en 30 aos (o) Ias 5, (b ) al menos 3, (c) solament e 2, (dl al
menos I persona est viva.

4.69.

Calcular la (o) media, (b) desviacin tpica, (c) coeficiente de sesgo, (d) coeficiente de curtois para una
dishibucin binomial en la cualp : 0.? y n : 60. Interpretar los resultados.

4.7O.

Demostrar que si una dishibucin binomial con n

4.71.

Evaluar (o)

4.72.

Demostrar las frmulas en la pgina 109 para los coeficienes de seego y curtosis,

(c

p\3

(r) v

(b) > (r

- r)af(rl

100 es simhica, su coeficiente de curtosie es 2.9.

para la distribucin binomial.

DISTRIBUCION NORMAL

4.79'

En un examen la media fue 78 y la desacin tpica 10, (a)Determinarlas calificacionestipificadasdedog


estudiantes cuyos puntajes fueron 93 y 62 respectivamente, (b) Determinar los puntajes de dos estudiantes
cuyas calificaciones tipificadas fueron
y 1.2 respectivamente,

4,74,

Hallar (o) la media y (b) la desviacin tfpica de un examen en el cual los puntajes de ?0 y 88 corresponden a
calificaciones tipificadas de
-0.6 y 1.4 respectivamente,

-0,6

4.75. llallar el rea bajo la curva normal


z: 0.50.

entre (o)

z:-I.2O y z --2.4O,(b)z=I.23yz:1.82, (c)z:-2,85V

4.76. Hallar el rea bajo la curva normal (o) a la izquierda de z : -1.?8, (b) a la izquierda de z:0.56, (c) a la
derecha d,e z: -1.45, (d) correspondientea z>:2,!6, (e)correcpondientea-0.80< z< !,58, (/)ala
izquierda de z:-2.52 y a la derecha de z: 1,83.
4,77,

Si

est

distribuida normalmente con media 0 y varianza 1, haltar (a) P(Z

(c) P(lzl > r).

4.78: Hallar los valores

-1.64),

(b) P(-1.96
=_

Z < t.96),

de z tales que (a) el rea a la derecha de z sea 0.2266, () el rea a la izquierda de z sea
-0.23 y z sea O.5722, (d) el reaentre 1.15 y z *aO.O?30, (e) el iea ene-z y z

0.0314, (c) el rea entre


sea 0.900.

4.79. Hallarz si P(Z-21)= 0.8{, dondeZestdistribuidanornalmenteconmedia0yvarianzal.

4.80'
4.81'

Si X est distribuida normalmente con media 5 y desviacin tipificada 2, hallar P(X > S).

Si las estaturas de 300 estudiantes estn distribuidas normalmente c\on media 1.?O m y desviacin tpica 10

cm, cuntos estudiantes tienen estaturas (o) nayores que 1.85 m, (b) menos que o iguales a 1.55 m, (c)

entre 1.59 y 1.El m inclusive, (d) igual a 1.?0 m?

4.82.

Si los dimetros de los cojinetes de municiones estn normalmente distribuidos con media 0.6140 pul y
desviacin tipificada 0.0025 pul, determinar el porcentaje de los cojinetes de municiones con dimetros (a)
entre 0.610 y 0,618 pul inclusive, (D) mayor que 0.61? pul, (c) menores que 0.608 pul, (d) iguales a 0.615
pul.

4'83.

La calificacin media de un examen final fue 72 y la derviacin tpica g. El l}',b superior de los estudiantes
recibirn una calificacin A (excelente). Cul es la cslificacin mnima que debe obiener un estudiante para
recibir una A ?

4.84.

Si un conjunto de mediciories est distribuido normalmente, qu porcentaje de esas mediciones diferir de la


media por (o ) ms de media desviacin tpica, (b) menos de hes cuartos de desviacin tpica?

4.85-

Si 't es la media y o la desviacin tpica de un conjunto de mediciones que estn distribuidas normalmente,
qu porcentaje de las medicione estn (o) dentro del recorrido I,t ! 2 o, (b) por fuera del recorrido t ! 1.2
o, (c ) mayor que g
1.5 o?

4.86. EnelProblema4.gShallarlacontanteatalqueelporcentajedelocasos(o)dentrodelrecorrido
7 ',t'c, (b) menos que p
- oo ea 22c/a.
www.tutomundi.com

lt!aosea

cAP.

4l

DISTRIBUCIONES
DTSTRTBUCTONES DE PROBABTLTDAD
PROBABILIDAD CON NOMBRE PROPIO
PROPTO

I47
L47

APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL

1.87.

Hallar la probabilidad de que en 200 lanzamientos de una moneda resulten (a) entre 80 y 120 caras inclusive,

(b) menos que 90 caras, (c) menos de 85 o ms de 116 caras, (d) exactamente 100 cara.

4.88.

Hallar la probabilidad de que un estudiante pueda acertar eorrectamente lasrespuestas a(a)12 o ms de 20,
(bl 24 o ms de 40 preguntas en un examen tipo verdadero-falso.

4.t9.

Una mquina produce tornillos,

LO"/o de los cuales son defectuosos. Hallar la probabilidad de que en un


muestreoaleatorio de 400 tor4illos producidos por estamquina (a)mximo 30, (b)entre 30y 60, (c)entre

36

4.90.

46, (d) 55 o ms, de loe tornillos sean defectuosos.

Hallar la probabilidad de obtener ms de 25 "sietes" en 100 lanzamientos de un par de dados honradoe.

DISTRIBUCION DE POISSON

4.91.
4,92.

Si 3% de las lmparas elctricas producidas por una compaa son defectuosas, hallar la probabilidad de que
en una muestra de 100 lmparas elctricas (a) 0, (b) 7, (c)2, (d) 3, (e) 4,(n5lmparar sean defectuosas.
En el Problema 4.9!, hallar la probabilidad de que (of rns de 5, (b) entre 1 y 3, (c) menos de, o 2lmparas
elctricas sean defectuosas.

4.93. Un talego contiene

una bola roja y siete blancas, Se extrae una bola y se obsen'a su color. Entonces se coloca
la bola en el talego. Utilizando (o) la distribucin binomial y (b) la aproximacin de Poisson a la distribucin
binomial, hallar la probabilidad de que en 8 de tales extracciones se seleccione una bola roja 3 veces.

4.94.

Segn Ia National Office of Vital Statistics of the U. S. Department of Health, Education and Welfare, el
promedio de ahogados en accidentes por ao es 3,0 de cada 100 000 personas. Halla la probabilidad de que

enunaciudadcuyapoblacinesde200000ocurran(a)0,(b)2,(c)6,(d)8,(e)entre4y8,(f)menosdeS
ahogados por ao.

4.95.

X1 l X2 son variables independientes con distribuciones de Poisson con parmetros


ytrz,entoncesXr+X2 tieneunadistribucindePoissonconparmetro),1 t\,2.(Sugeren-

Demostrar que si

respectivostrr

cia: Utiliz,ar la funcin generatriz de momentos). Generalizar el resultado a n variables.

TEOREMA DEL LIMITE CENTRAL

4.96.

Demostrar el teorema del lfmite central para el caso en q rre X , Xz, . . . son independientes y estn distribuidas idnticamente con la distribucin de Poisson, ( t 3 ), pgina I 1 1 .

4.97.

Demostra el teorema del lmite central para las variables independientes

xk =
4.98.

( L

prob. 1/2

-r

prob. 1/2

Demostrar el teorema del lmite central para las variables independientes

'Yk
donde g

| |
1

-t

pr.b.

p, ar generalizando el Problema 4.97,

4,99. Explicar por qu se podra esperar que el teorema


engan la

prob. p

del lmite central no sea vlido en el caso que X . Xz, . .

distribucin de Cauchy,

f(r) =, f,#Tf

-',

<x<

DISTRIBUCION MULTINOMIAL
4.10O. Demostrar el resultado (l 7), pgina 113.

4.101. Se lanza un dado honrado 6 rece, Halla la probabilidad de que el resultado sea: (o ) 1 "uno", 2 "doses" y
. "heses"; (b) cada caa una vez.

www.tutomundi.com

148

DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO

[cA.4

4.102. Una caja contiene una gran cantidad de bolas rojas, blancas, azules y amarillas en la proporcin 4t 3z 2: L.
Hallar la probabilidad de que de 10 bolasextrada: (o) 4 rean rojas, S blrncar, 2 zzulee y l amarilla;(b)8
sean rojas y 2 amarillas.
4.103. Hallar la probabilidad de no obte4er un 1, 2 3 en cuatro lanzamientoe de un dado honrado.
DISTRIBUCION HIPEBGEOMETRICA

l0 blancas. Si se seleccionan 8 bolaaleatoriamente (sinremplazamieno)


determinar la probabilidad de que (a) 4 sean rojar, (b) todas sean blancas, (c) al menos una sea roja.

4.104. Una caja contiene 5 bolas rojas 5l

4.105. Si se seleccionan 13 cartas aleatoriamente (sin remplazamiento) de una baraja de 62 cartas, hallar la probabilidad de que (a) 6 sean figuras, (b) ninguna sea figura.

4.106. De 60 aspirantes a una universidad 40 son del oriente. Si se seleccionan 20 aspirantes aleatoriamente, hallar la
probabilidad de que (o) 10, (b) no ms de 2, sean del oriente.

4.107. Emplear la aproximacin binomial (18)

(24\

y etudia la precisin

para resolver el Problema 4.106

obtenida.

4,108. Demostrar directamente que (22),pgin;z 114,

se

reduce a (I ), pgina 108, cuando N

e.

'

DISTRIBUCION UNIFORME

4.109. SiXestdistribuidauniformemente

en-2< x=2.Hallar(al

P(X

<1),

(b) P(lX-11

+).

4.110. Hallar la funcin generatriz de momentos para la ditribucin uniforme.


4.111. Hallar (a) el tercero y (D) el cuarto momento alrededor de la media de una dishibucin uniforme.
4.112. Determinar el coeficiente de (a)

sesgo

y (b) curtosis de una ditribucin uniforme.

4.113. Si X, Y son independientes y ambas eetn distribuidas uniformemente en el intervalo de 0 a 1, hallar P(lX
>
-

ll
6/.

- fl

DISTRIBUCION DE CAUCHY

o:2.Hallat(a) P(X

4.114. Suponga que X tiene una distribucin de Cauchydeacuerdocon(29),pgrna114,con


< 2), (b) P(Xz > r2).

i.115. Demostrar que el recorrido semi-intercuatlico para la ditribucin de Cauchyeeo. Porqu en este caso el
recorrido gemi-intercuartlico es un eustituto de la desviacin tfpica?

4.116. Demostrar que si X1 y X2 son independientes y tienen la misma distribucin {e Cauchy, entoncel su mdia
aritmtica tambin tiene esta distribucin.

4.11?. Generaliza el resultado del Problema i.116.


4.11E. Si

Xt y Xz son independientes y distribuidas

Xt lXz tiene una distribucin

normalmente con media 0 y varianza

Demostrar que

Y:

de Cauchy.

DISTRIBUCTON GAMMA

4.119. Verificar que (31 ), pgina 116,

es una

funcin de densidad.

4.120. Una variablealeatoriaX tiene una distribucin gamma conQ:3,9:

Z.

tlllar(o) P(X= 1), (t) P(l = X=2).

4.121. Determinar los valore modales de la distribucin gamma.


4.122. Yerificar la (a) funcin generatriz de momentos

y (b) la funcin caracterfstica

dadas por (33 ), pgina 115.

www.tutomundi.com

de la ditribucin gamma

t49

DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO

cAP.4l
DISTRIBUCION BETA

4.123. Verificr que (34),pSrrra 115,

es una

funcin de densidad.

4.124. lJnavariablealeatoriaXtieneunadistribucinbetcono:3,9:2.
4.125. Demostrar que la distribucin beta tiene una moda lnica en

r:

(a

P(lX-+l = +).
+ p - 2\'

Hallar

l)/(a

DISTRIBUCION CHI-CUADBADO

4.126. Para una distribucin chi-cuadrado con 12 grados de libertad, hallar el valor ie ,ti til gue (o) el rea a
derecha de l sea 0.05, (b) el rea a la izquierda de xi sea 0.99, (c) el ea a la derecha de xl sea 0.025.
4.12?. Halla los valores de 2 para los cualec el rea de la cola derecha de la dietribucin x2
de grados de bertad z ec igual a (o) 8, (b) 19, (c) 28, (d) 40.

ee

la

0.05, si el r.rmero

4.128. Resolver el Problemz 4.727 si el rea de la cola derecha es 0.01.


e.129. (o) llaltar x! y x? tales que el rea bajo la distribucin x2 correspondiente a v -- 20 91tt: 1i Y_4_.? 9:?^5:
suponiendo ireae'ig,rales a la derecha de xB y a la izquierda de x!. (b) Demostrar que si la suposicin de reae
iguales en la parte (o ) no se cumple, los valo-res de x? y x! no son nicos'

4.130. Si la variable U tiene distribucin chi-puadrado


P(u < x?) : 0.50, (c) P(x?< U < x2z) = 0.90.
y (b)

4.131. Halla (o)

x.%t

4.132. Hallar (a)

x?ozs

x.2gs

para r

con y

:7,

hallar

x2,

y x!

y (b) xizs para'r =

250.

/ una buena aprorimacin para


percentila (100p) de la distribucin normal tipificada.

4.134. Demostrar que (a) E(xz) =

= 0'025; ()

150.

4.133. Demostrar que para grandes valores de


es la

tales que (a) P(U > x?rl

v, \b\ Yar

2o egt

dada Por

* ,ol/l',donde

zo

(7zl -- 2,'

DISTRIBUCION DE STUDENT
4.136,

una distribucin f de Student con 15 grados de libertad, hallar el valor de tal que (a) el rea a Ia
derechade1 seaO.01,(b)elreaalaizquierdadetlsea0.95.(c)elreaaladerechade1 eea0.10'(d)el
sea 0.01, (e) el rea entre -f1 f f1 sea 0.95.
rea combinada a la derecha de 1 y a la izquierda de

hra

-f1

para los cuales el ea de la cola derecha de


es igual z (a) 4, (b) 12, (c ) 25, (d ) 60, (e ) 150.

4.136. Hallar los .valores de


grados de libertad

la distribucin

es

0.01, si el nmero de

4.13?. Hallar los valores de r para la distribucin de Student que satisface cada una de'las condiciones siguientes:

(a)elreaentre-1 yt seaO.90yy:25t (b)elreaalaizquierdade-1 sea0.02'5yv=20'(c)elxea

combinada a la derecha de y a la izquierda de

v:

16.

-f1

sea

0.01 y

.,

6, (d) el rea a la derecha de 1 sea 0.55

4.13E. Si una variable Utiene una distribucin de Student con .,:10, hallarlaconstantec talque (a\
0.05, (D) P(-a= U 3 c) :0.98, (c) P(U = cl = 0'20, (d) P(U 2 c) = Q.9'

4.139. Demostrar que para 1 grado de libertad la distribucin

es una

P(U>c)=

distribucin de Cauchy.

4.140. Demostrar que la vaianza de la distribucin t de Student con t, grados de libertad


DISTRIBUCION

x ,/(, -

2),

2.

4.141. Hallar el valor de:

(a) F.ss,rs,rz; (b) F.gc,rzo.eo; (c) F.ss,oo,zi (d) F.or'so'lr-; Q) F.os,g,zoi (.i)

4.142. Verificar que la integral desde u


lsugerenca: Hgase a

= t2ul(v1*

: 0 hasta e

f.or,.'

de la funcin de densidad (45', pgirn 117, er igual a 1.

v2u).1

www.tutomundi.com

150

DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO

lcAP.4

4.143. Demostrar el resultado (46),pfuinal77.


4.144. Demostrar el Teorema 4-8, pgina LL8. (Sugerencia: Ilaga la transformacin u : 1/u).
RELACIONES ENTRE LAS DISTRIBUCIONES CHI-CUADRADO,I Y T'

4.145. Demostrar el Teorema 4-10, pgina 118,


DISTBIBUCION NORMAL BIDIMENSIONAL

4,146. Suponer que X, Y tienen la funcin de densidad conjunta f(r,A) = ke-(!z+2bra+"v'l donde a, b, c,
constantes y b2 < c. Verificar que estas constantes son ls dadas en (19), prfuina 118.

h aon

4.147. Si X, Y mnjuntamente tienen la distribucin bidimensional (19), demostrar que e8t6n distribuidas marginalmente con varianzas

"?

y oi respectivamente.

PROBLEMAS DIVERSOS
4.14E. Halia el valor aproximado de

(t3o),0.0r,r,0.e8zsa

\z /'

(tlu)to.o2)a(0.e8)2ez

\3 /'

y dar una interpretacin de probabidad.


4.149. Si X est distribuida normalmente con media g y variznza
grado de libertad? Vase Problema 4.36.
4.150. Generalizar el Problema 4,37 demostando que si

buidas normalmente con media 0


grados de
4.1

51. Si

libertad.

Xr,...,X,

o2

X1,...,X,

varianza 1, ento'nces

tiene

X2

una distribucin chi-cuadrado con 1

son variablee aleatoria independiente disrl-

) Xf ti"tt"

k=l

una distribucin chi-cuadrado con y

lonvaiablesaleatoasindependientescon ditribucinchi-cuadradoypr,...,prgradoe
X + . . . + Xn.

de

libertad respectivamente, hallar la funcin de distribucin de

(")

4.162.Porevaluacindelasseries
dos del Problema

4.8.

^
=o

,^h.,

() io
",7ffi1.,

demostrardirectamentelosresulta-

4.153. Hallar la funcin generatriz de momentos de la ditribucin hipergeomtrica.


4.154. Sean las variables independientes

X, k=1,...,n,

cada unacondistribucingeomtrica. Demostrarque

k=l

X* tiene distribucin de Pascal

(vase pgina

118).

4.155. Puede deducirse la ley de los grandes nmeros en forma dbil del teorema del lmite central? JuEtificar su
solucin.

4.156. Demosha el teorema del lmite central para el caso donde Xt, Xz, . . . son independientes pero no necesaria.
mente tienen una distribucin idntica,

4.157. Completar la demostracin de la ecuacin (8) del Problema 4.6O, pgina I44,
4.15E. Demostrar el Teorema 4-5, pgina 116.

4,159. Demostrar que


2u (- c<ts n'r
-;.r,,
rj + of l = 'o-

(a > o' o

;'

o)

4.16O. Demostrar los resultados (20) y (23), pgina 114.

4,161. Demostrar que cuando

v "> @

la distribucin f de Student tiende a la distribucin normal tipificada.

www.tutomundi.com

cAP.4l

DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO

4.162, Estudiar qu le sucede a la varianza de l distribucin t


4.163. Estudiar qu le sucede

a la media

(o) r =

y varianza de la distribucin

4.164. La probabilidad de que una molcula de un

gas

.F'

f,

(b) v =

2.

(b\ v2= 4, (c) v1*

para loc casos (o)

ideal terga una velocidad enhe u y u

du est dada por

cuze-mv2lzkT du

donde k e! la conson te de Boltzmann y T es la emperatura Kelvin del gas. Determinar (a ) la conetante c, (b )


la velocidad media, (c) la velocidad ms probable, (d) la velocidad efectiva(rme,esdecirlarafzcuadradade
la velocidad media al cuadrado). Comparar sus resultados con

entrada 5, pgina 119.

www.tutomundi.com

www.tutomundi.com

Farte tl
ESTADISTCA

www.tutomundi.com

www.tutomundi.com

Captulo 5
Teoro de muestreo
POBLACION Y MUESTRAS. INFERENCIA ESTADISTICA
Con frecuencia en la pctica estamos interesados en extraer conclusiones vlidas respecto a un
grupo grande de individuos u objetos. En cambio de examinar un grupo entero, llamado la poblacin,lo cual puede resultar difcil o imposible, puede llegarse a la idea de examinar solamente una
parte pequea de esta poblacin, que se llarna la muestra. Esto se hace con el propsito de inferir
cieitos hechos respecto de la poblacin de los resultados hallados en la muestra, un proceso conocido como inferencia estodstica. El-proceso de obtener muestras se llama muestreo.
EJ EMPLO 5, 1 . Deseaamos extraer conclusiones reapecto a las estaturas (o pesoe ) de 12 000 estudiantes (la poblacin ) examinando solamentc 100 estudiantes (la muertra ) seleccionados de esta poblacin.

EJEMPLO 5.2. Desearamos extraer conchsiones respecto al porcentaje de tornillo defectuosos producidosen una
fbrica durante una semana de 6 dfas examinando 20 tornillog diariamente producidos en tiempos diferentes duant
el da. En este caso los tornillos producidos durante la emana conforman la poblacin, en tanto que los 120
tornillos escogidos constituyen la muesha.
EJEMPLO 5.3, Desearfamos ertraer conclusiones respecto a la honradez de una moneda deerminada al lanzarla
repetidamente. La poblacin consiste en iodos lc lanzamientos poeibles de l moneda. Se podra obtener una
muestra al examinar, por ejemplo, loa primeros 60 lanzamientos de la moneda y notar los porcentqiea de caras y
sellos.

EJEMPLO 5.4. Desearamos extraer conclusiones reapecto a los colores de 200 bolas (la poblacin) en una urna
seleccionando una muestra de 20 bolas de la urna, donde cada bola seleccionada se regresa luego de observar su
color.

Deben notase varias cosas. Primero, la palabra poblacin no tiene necesariamente el mismo
significado como en el lenguaje comn, como en "la poblacin de determinada ciudad es de
180 000". Segundo, la palabra poblacn se utiliza para denota la.s observaciones o medida.s y no
los individuos u objetos. As en el Ejemplo 5.1 podemos hablar de la poblacin de 12 000 estaturas
(o pesos) en tanto que en el Ejemplo 5.4 podemos hablar de Ia poblacin de todos los 200 colores
en la urna (algunos de los cuales pueden ser iguales). Tercero, la poblacin puede ser finita o
infinita, el nmero se llama el tamao de Ia poblacin, comtnmente denotado por N. En forma
semejante el nmero en la muestra se llama el tamo de la muestr,c, denotada pot n, generalmente
finito. En el Ejemplo 5.1, N : L2 000, n = 100 mientras que enelEjemplo S.S,Nesinfinito,n:
60.

MUESTREO CON- Y SIN REMPLAZAMIENT\O


Si extraemos un objeto de una urna, tenemos la alternativa de colocarlo o no en la uma antes de
una segunda extraccin. En el primer caso un objeto determinado puede seleccionarse una y otra
vez, mienhgs que en el segundo caso solamente puede seleccionarse una vez. El muesbeo donde
cada miembro de una poblacin puede seleccionarre ms de una vez se llama muestreo con rempla.
zamiento, mientras que si cada miembro no puede seleccionarse ms de una vezwllamamuestreo
sin remplazamiento.
155

www.tutomundi.com

156

TEORIA DE MUESTREO

lcAP.

Una poblacin finita muestreada con remplazamiento puede tericamente considerarse infinita
ya qqe pueden extraerse mueshas de cualquier tamao sin agotar la poblacin. Para la mayora de
propsitos prcticos el muestreo de una poblacin finita que er *y grande puede
"otrrideturr"
como muestreo de una poblacin infinita.
MUESTRAS ALEATORIAS. NUMEROS ALEAT'IORIOS
Lgicamente, la confiabilidad de las conclusiones extradas concemientes a una poblacin deha escogido
de tal modo que represente la poblacin lo
.se
suficientemente bien; un de los proble
de la i4ferencla estdstica es

penden de si la mqestra

"3-o "."og",

una muestra.

Una forma de hacer esto para poblaciones finits es asegurarse de que cada miembro de la
poblacin tenga igual oportunidad de encontrarse en la mueslra, lo cual J" co.o"e com muestra
ales,toria- El muestreo aleatorio puede efectuarse para poblaciones relativamente pequeas extrayendo lotes o, en forma equivalente, utilizando una tabl de nmerosaleatorios 1epnaice I)especialmente construida para tales propsitos. Vase Problema 5.48.
Debido a que la inferencia
_
lenguaje de probabilidad en

de la muestra a la poblacin no puede ser cierta debemos emplear el


cualquier proposicin e conclusions.

PARAMETROS POBLACIONALES
que se conoce una poblacin cuando conocemos la disbibucin de probabilidad
-_ Se-consjdera
(funcin
probabilidad o funcin de densidad) de la variable aleatoria asoiada X. por
de
/(r)

fjemplo, en el Ejemplo 5.1 si X es una variable aleatoria cuyos valores son las estaturas (o pesos)
los 12 000 estudiantes entonces X tiene una distribucin de probabilidad f(r).

de

Si, por ejemplo, X est normalmente distribuida decimos que la poblacin est normalmente
distribuida o que tenemos wa poblacin normaL En forma semejante, si X est binomialmente
distribuida, decimos que la poblacin est binomialmente distribuida o que tenemosunapoblacin
bnomial.

Existin ciertas cantidades que aparecen en f(r), como p y o en el caso de la distribucin


normal o p en el caso de la distribucin binomial. Otras cantidades tales como la mediana, momentos, sesgo, etc., pueden determinarse en terminos de estos. Todas estas cantidades se conocen como
panmetros pobhconales. Cuando nos dan la poblacin, de modo que conocemos /(r), entonces los
parmetros poblacionales tambin son conocidos.
robabilidad f(r) de la
menos poder formular
podemos tener alguna
sabramos uno o ambos de los valores rt

y o yas desearamos

estimarlos.

mente' En tal caso no

ESTADISTICOS MUESTRALES
Podemos tomar mustras aleatorias de la poblacin
que sirven para estimar los parmetros poblacionales.

y entonces emplearlas para obtener

valores

Como ejemplo ilustrativo, consideremos el Ejemplo 5.1 donde X es una variable aleatoria cuyos
valores son las diferentes estaturas. Para obtener una muestra de tamao 100 debemos primLro
escoger un individuo aleatoriamente de la poblacin. Este individuo puede tener cualquier valor, por
ejemplo rr, de las diferentes estaturas posibles y llamanos r, el vlor de la variabl aleatoriaX,,
donde el subndice 1 se emplea ya que corresponde al primer individuo seleccionado. De la misma

www.tutomundi.com

cAP. 5l

TEORIA DE MUESTREO

L67

marrera escogemos el segundo individuo para la muestra, que puede tener cualquiera de los valores

JC2 de las estaturas posibles, y 12 puede tomarse como el valor de una variable aleatoria Xr.
Podemos continuar este proceso hasta Xroo puesto que el tamao de la muestra es 100. Por
simplicidad supongamos que el muestreo es con remplazamiento de modo que el mismo individuo
poa conceptualmente escogerse ms de una vez. En este caso, ya que el tamao de la muesba es
mucho ms pequeo que el tamao de la poblacin, el muestreo sin remplazamiento dara realmente los mismos resultados que el muestreo con rernplazamiento.

En el caso general una muestra de tamao n se describira por los valores )ct , 2c2, . . . , xn de las
variables aleatorias Xr, X,
Xr. En el caso de muestreo con remplazamiento Xt, Xz, . . ., Xn
seran variables aleatorias independientes distribuidas idnticamente con distribucin de probabilidad /(). Entonces su distribucin conjunta sera

P(Xt:tt,Xz:n ...,Xn-frn\ = f(r)f(rz)..'f(u")

(t)

Cualquier cantidad obtenida de una muestra con el propsito de estimar un parmetro poblacio

nal se llama estadstcos muestrales o brevemente estadsticos. Matemticamente, un estad'tico


muestral para una muestra de tamao n puede definirse como funcin de las variables aleatoris Xr ,
Xr, . . , X,, es decir g(Xt, . , Xn). La funcin9(Xr X,) es otravariable aleatoria, cuyos
valores pueden representarse porg(r1 ,...,x^).I'a palabra estadstico se emplea frecuentemente
para la variable aleatoria o para sus valores, el sentido determinado se deduce lgicamente del
contexto.

En general, correspondiente a cada parmetro poblacional habr un estadstico a calcularse de la


muestra. Comnmente el mtodo para obtener un estadstico de la muestra es semejante al de
obtener el parmetro de una poblacin finita, ya que una muestra consiste de un conjunto finito de
valores. Sin embargo, como veremos esto no siempre produce el "mejor estimador" y uno de los
problemas impclrtantes de la teora de muestreo es decidir cmo formar el estadstico muestral
apropiado que mejor estime un parmetro poblacional dado. Tales problemas se consideran en
captulos posteriores.
Donde sea posible trataremos de utilizar letras griegas, tales como J,o, etc., para valores de
parmetros poblacionales y letras romanas m, s, etc., para valores del correspondiente estadstic
muestral.
DISTRIBUCION MUESTRAL
Xn es funcin de estas
Como hemos visto, un estadstico mueEtral que se computa de X1
variables aleatorias )' es por tanto una variable aleatoria. La distribucin de un estadstico muestral
se llama la distribucion muestral del estadstico.

De otra forma podemos considerar todas las muestras posibles de tamao n que pueden extraerse de la poblacin, y para cada muestra computar el estadstico. De esta manera obtenemos la
distribucin del estadstico, que es su distribucin muestral.
Para una distribucin muestral podemos lgicamente computar la media, variarrza, desviacin
tpica, momentos, etc. Algunas veces se llama a la desviacin tpica, enor tpico.

MEDIA MUESTRAL
Dentense por X, , Xr, . . . , Xn las variables aleatorias para una muestra de tamao n como se
describe anteriormente. Entonce s la media de Ia muestra o media muestral es una variable aleatoria

definida por

.Yrf X--"''ffn
ll

en analoga con (3), pgina 76. Si lct, x2


especfica de tamao n entonces la medi4pam

r,

(2)

denotan los valores obtenidos en una muestra


por

esa muestra se denota

www.tutomundi.com

158

TEORIA DE MUESTREO
Jrf

ll

lcAP.

|"'Fi.,

(3)

EJEMPLO 5.5. Si una muestra de tamao 5 resulta en los valores muestrales 7, 9, 1,6, 2 entonces la media muestral

, = ll s_t_1_t_gl"
5

DISTRIBUCION MUESTRAL DE MEDIAS


Sea /(r) la disbibucin de probabilidad de alguna poblacin dada de lia cual extraemos una
muestra de tamao n. Entonces es natuml buscar la distribucin de probabilidad del estadstico
muestral X, que se llama la distribucin muestral para h media de la muestm o la distribucin
muestrcl de medias. Los teoremas siguientes son importantes en este sentido.

Teorema

5'1:

La media de la disbibucin muestral de medias, denotada por

E(X) =
donde

.r es

F*.

est dada

por

(l)

= t'

la media de la poblacin.

El Teorema 5'1 establece que el valor esperado de Ia media muestral


Teorema

,ux,

es la media de la

poblacin.

5-2: Si una poblacin es infinita o si el muesheo

es con remplazamiento, entonces la


varianza de la distribucin muestral de medias, denotada por oi, est, dada por

E[(X-ti'l: "l = n

(5)

donde o2 es la vaianza de la poblacin.


Teorema

5-3:

Si la poblacin es de tamao N, si el muestreo es sin remplazamiento,


de la muestra es n S N, entonces (5) se remplaza por

o2/N -n\
,
oft
= ;( -f
/

y si el tamao
(6)

en tanto eue r* an se da por (4).


Ntese que (6) se reduce a (5) cuando N - -.
Teorema

5-4:

Teorema

5'5:

Si la poblacin de la cual se toman muestras est distribuida normalmente con media


est normalmente dishibuida con media

p y vaianza o2 entonces la media muestral


p y vananza /n.

Si la poblacin de la cual se toman las muestras tiene una distribucin de probabilidad con media p y vatianza o2 que no necesaiamente tiene una distribucin normal.
Entonces la variable tipificada asociada con X, dada por

x-r

Z:
es

normal reintticamente, estn

lim P(Z

(7)

"/\n
es

z) = -= f-z
=
J

vzr -*

"-uztz

r,

(s)

El Teorema 5-5 es una consecuencia del teorema del lmite central, pgina 112. Se supone aqu
que la poblacin es infinita o que el muestreo es con rernplazamiento. De otra forma Io anterior es
conecto si remplazamos o/l/-n en (7\ por o* como se da en (6).
www.tutomundi.com

cAP.5l

19

TEORIA DE MUESTREO

DISTRIBUCION MUESTRAL DE PROPORCIONES


Si ura poblacin es infinita y distribuida binomialmente, si p y q: 1 -p son las probabilidades
respectivas de que un miembro dado exhiba o no exhiba una propiedad determinada. Por ejemplo,
la poblacin puede ser los posibles lanzamientos de una moneda honrada, en el que la probabilidad
del suceso "cara" es p : Ll2.
Considere las posibles muestras de tamao n extradas de esta poblacin y para cada muestra
determina'r el estadstico que es la proporcin P de xitos. En el caso de la moneda P sera la
proporcin de caras que resulten en n lanzamientos. Entonces obtenemos qnad,istribucin muestrul
de proporcdones cuya media pp y desviacin tpica op estn dadas por

p(r

oP=

Pp:P

p)

(e)

y (5) al colocar p = F, o = \/le.


Para grandes valores de n(n > 30) la distribucin muestral est muy prxima

que pueden obtenerse de (4)

a una distribucin

normal, como se ve del Teorema 5-5.


Para poblaciones finitas en las que el muestreo es sin remplazamiento, la segunda ecuacin en
(9) se remplaza por o corDo se da por (6) con o = {-pq.

Ntese que las ecuaciones (9) se obtienen mucho ms fcilmente al dividir por
desviacin tpica (np y {npq ) de la distribucin binomial.

n'la media y la

DISTRIBUCION MUESTRAL DE DIFERENCIAS Y SI'MAS


Se nos dan dos poblaciones. Por cada muestra de tamao n, extrada de la primera poblacin
computemos un estadstico 51. Esto resulta en una distribucin muestral para 51 cuya media y
desviacin tpica denotamos por Fs, 5l or, rspctivamente. En forma semejante por cada muesha de
tamao n, exftada de la segunda poblacin computamos un estadstico 52 cuya media y desviacin
tpica son .tr, J o", rspctivamente.

Tomando las posibles combinaciones de estas muestras de las dos poblaciones podqmos obtener
una distribucin {e las diferencias, St - Sr, que se llama la distribucin muestml de la diferencia de
estadsticos. La media y la desviacin tpica de esta distribucin mueshal denotada respectivamente
Pof ps,-s, Y os,-sr, estn dadas por

os,-s,

Psl-Sz- ltsr-ttrs,

= 1/Q

"t",

(10)

dado que las muestras escogidas en ninguna forma dEpendan enbe s, es decir las muestras son
independienes (en obas palabras, las variables aleatorias Sr V Sz son independientes).

Si por ejemplo Sr y Sz son las medias muestrales de dos poblaciones, denotadas por Xr, Xz
respectivamente, entonces la distribucin muestral de la diferencia de las medias est dada para
poblaciones infinitas con media y desviacin tpica lt o t y ltz, oz respectivamente por
,t*1-x2 :

F*, - P*,

- P2t

P1

*4,

ox, - o*, =

utilizando (4) V (5).Este resultado tambin es vlido para poblaciones finitas si el muestreo
remplazamiento. La variable tipificada

Z=

(Xr-

Xr)

(r,,

tm*

'rl

pr)

^*

(11)
es con

(12)

en tal caso tiene casi una distribucin normal si n, y n2 son grandes (nr, n, 30). Resultados
= remplazamiento
semejantes pueden obtenerse para poblaciones finitas en las que el muestreo es sin
empleando (4) v (6).

www.tutomundi.com

160

TEORIA DE MUESTREO

lcAP.

Resuitados cortespondientes pueden obtenerse pan disfuibuciones muestrales de diferencias de


prcpordnes de doe poblaciones distribuidas binomialmente con parmetros pt, et y pz, ez respectivanente. En este caso ,S, y S, corresponden a las proporcioneJ de xitos P, y P, y iai-ecuacines
(I1 ) resultan

Ittt-?z - llpt

opr-p, :

Pt,- P",

iLp2

Pt ,

{$j$

PzQz

(13)

En cam!:i.o de rcnal diierencias de estadsticos algunas veces estamos interesados en la suma de


estadsticos. En '"al caso ia distrbucin muestral de la suma de estodsticos S, y 52 tiene media y
desviacin pica dada por
Fsr+s,
supotriendc rtii

a-s

's,

* l's,

osr.s, : {"'rr4r,

(11)

nrruestras son independientes, Se pueden obtener recultados semejantes a (1 1).

VARIA,iZA MUESTRAL

9i Xtr Xr,, .., X, denota las variables aleatorias para una muesha de tamao n, entonces la
variable aleatoria que da la uarianza de la muestra o la uarianzt muestral se define de acuerdo con
(14), pgina 78, por

(X,-i)'? + (Xz-.t)''

.. i

(X^-, X\z

(15

Entonces en el Teorerna 5-1 hallamos que E(*) = A y sera increble si tambin pudiramos tener
esperado de'un' eit"drti"o sea igual al parmetro poblacional
conespondiente llarnarnos al es+dstico un estimador insesgdo, y el valor una estima insesgada, de
es+,e parmeto. Sin embargo. resulta ser que (vase Problema 5.20)

t(S2) : o2. Sienrpre que el valor

'(St)

= Asr : ?-Joz

qu9 9sq rnuy prximo a o2 solamente para grandes valores de n (n

est definido por

Q6)

> 30). El estimador

(x, -X), + (xz- X). + . -. +

q2

(x^-

Xz

n-I

de modo oue

u(D')

= g'

insesgado

(17

(t8)

Debido a esto, algunos estadistas escogen para definir la varianza muestral por S, en cambio de 52 y
sencillamente remplazan n por n
-1 en el denominador de (15). Sin embargo, continuaremos
definiendo la varianza muestral por (I5), puesto que al hacerlo as muchos resultados posteriores se
simplifican.
EJEMPLO

5.6. Refirindose al Ejemplo 6.5, pgina l57,la varianza mueshal tiene el valor

+(6-6)2

a2 =

en tanto que la ertima inseegada eet dada por

Ao
s- = 5 - = li4-6ri
\"-

Los resultados anteriores son vlidos si el muestreo es de una poblacin infinita o con remplazamiento para una poblacin fnita Si el muesheo es sin remplazamiento de una poblacin finlta de
tamao N, entonces la media de la distribucin muestral de varianzas est dada por

E'(s,)
Cuando

N* -

ps2

: ("\) (+).

sta se reduce a (16).

www.tutomundi.com

Qe)

161

TEORIA DEMUESTREO

cAP. 5l

DISTRIBUCION MUESTRAI. DE VARIANZAS

Tomando todas las posibles muestras aleatorias de tamao n extradas de una poblacin y
computando la varianza para cada muestra podemos obtener la distribucin mueshal de varianzas.
En cambio de hallar la distribucin muestral de S' S' es conveniente hallar la distribucin
muestral de la variable aleatoria relacionada
nS!

(20)

,i2

o-

o2

La distribucin de esta variable aleatoria se describe en el'teorema siguiente.


Teorema

5-6:

Si se toman ruestras aleatorias de tamao n de una poblacin que tiene una distribucin normal entonces la variable de muestreo (20\ tiene una distribucin chi-cuadrado

conn

1 grados de libertad.

Debido al Teorema 5-6 la variable en (20\


cin de este teorema vase Problema 5.22.

se

denota con frecuetlcia por 2. Para una demostra-

CASO DONDE LA VARIANZA POBLACIONAL SE DESCONOCE


En los Teoremas 5-4

5-5 hallamos que.la variable tipificada

Z=

X-t

(21)

"/y,

est normalmente distribuida si la poblacin de donde se tomaon Ias muestras de tamao n est
normalmente distribuida, en tanto que es normal asintticamente si la poblacin no es normal dado
que n >: 30. En (2I ) hemos supuesto lgicamente que se conoce la varianza poblacional o2 .
Es natural preguntar qu sucedera si no conocemos la varianza poblacional. Una posibilidad es
estimar la varianz poblacional utilizando una o ms varianzas muestrales y luego colocar la corespondiente^ desviacin tpica en (21). Una mejor idea es remplazar la o e-n (21) por la variable
aleatoria S dando la desviacin tpica muestral'e investigar la distribucin del estadstico correspondiente que designamos por
ft1

X-t,

S/\n

X-t'
slltn'-

(22)

Podemos entonces demostra utilizando el Teorema 4-6, pagjna 117, que ? tiene una distribucin

de Student con n

1- grados'de

libertad. Establecemos esto en el teorema siguiente, que

se

demuestra en el Problema 5.24.

5-7:

Si se toman muestras aleatorias de tamao n de una poblacin normalmente distribuida entonces el estadstico (22) tiene una distribucin de Student con n - 1
grados de libertad.
Se encuentra que el Teorema 5-7 es vlido aun cuando las muestras se tomen de poblaciones que no
son normales p-ero que tengan distribuciones en forma de campana como la distribucin normal.
Teorema

Puesto que no tenemos que conocer la varianza poblacional con frecuencia nos referimos al
anterior tipo de muestreo como la teora de pequeas muestras o teora de muestreo exacto.

DISTRIBUCION MUESTRAL DE RELACIONES DE VARIANZAS


En la pgina 159 indicamos cmo pueden obtenerse distribuciones muestrales de diferencias, en
muesa la
particular diferencias de medias. UtilizAndo la misma idea po
ms
es
buci
resulta
embargo,
Si.
Sin
Sivarianzas,
de
"
diferencias
ir
ande o
e un
bien complicada. En cambio, podemos considera l estads
pequea indicara una grrn iierencia mientras que una relacin prxima a 1 indicara una pequea
diferencia.

www.tutomundi.com

t62

TEORIA DE MUESTREO

Teorema

5.-8:

[cAP.5

Si se extraen dos muestras aleatorias independientes de tamao m y n respectivamente de dos poblaciones normales con valianzas oi, u,j respectivamente. Enlonces si las
varianzas de las muestras aleatorias estn dadas por .Sl, Sr respectivamente, el estads_
tico

lr^
-_ '1,!!1,-_.!f
nSj/('n 1)or, S,?/,,:

,ac\
\{r/

tiene la distribucin F con ffi 7, n 1 grados de libertad.


EI teorema tambin puede aplicarse en el caso de que las distribuciones de poblacin no sean
normales pero tengan forma de campana.
OTROS ESTADISTICOS
Muchos otros estadsticos adems de la media y la varianza o desviacin tpica pueden definirse

para muestras. Por ejemplo la mediana, la moda, los momentos, el sesgo, la curtosis, etc.
Tabla 5-1
ERRORES TIPICOS PARA ALGUNAS DISTRIBUCIONES MUESTRALES

Distribucin muestral

Error tpico

Notas especiales
Se cumple para muestras grandes o pequeas donde la poblacin es infinita o el muestreo es con remplazamiento. La distribucin

Medias

muestal de medias se justa mucho a una


normal (normal asintticamente) para n =
30 incluso para poblaciones no normales.

o,t

\/n

r, ,: ir, la media poblacional


en todos los casos.

Proporciones

oP

^7ett

dncrr
Medianas

"

"!t;1,.2533 0

\/n

6n

!;

Las notas anteriores para medias

son

igualmente aplicables aqu .


ttp - p en todos los casos
Para n
= 30 la distribucin muestral de la
mediana es muy prxima a una normal. Los
resultados dados son vlidos solamente si la
poblacin es normal o aproximadamente
normal.

Para

n =) 100 la distribucin muestral de

S es muy prxima a una normal.

oq est dada por (1) solamente cuando

(l)

o"

Desviaciones tpicas

(r)

Os

la

!-

poblacin

t/ 2n

normal). Si la poblacin noesnormal,puede


utilizarse (2 ).
Ntese que (2) se reduce a (1) cuando .ra
: 3o4 , lo que se cumple para poblaciones

es

normal (o aproximadamente

normales.
Para

n '- 100,

cin.
(1)

O..i

(-')

- o con gran aproxima-

Las notas para desviaciones tpicas sqn


igualmente aplicables aqu. Ntese que (2) se
convierte en (.1 ) en caso de que la poblacin
sea

Vaianzas

/.s

normal.

(r/

lo 't/tt

O..t

que es casi igual a o2para valores deir trr j

www.tutomundi.com

l1(t1

Sus

163

TEORIA DE iUESTREO

cAP. 5l

definiciones son anlogas a esas dadas para poblaciones en el Captulo 3. Distribuciones muestrales
para estos estadsticos, o al menos sus medias y desviaciones tpicas (errores tpicos), puecen
enct-ntrarse con frecuencia, Algunos de estos, conjuntamente con los dados, se nuestqan en la tabla
anterior.
DISTRIBUCIONES DE F.'RECUENCTA

Si una muestra (o una poblacin) es grande, es difcil observar las diferentes caractersticas o
computal estadsticos tales como la media, desviacin tpica, etc. Por esta razn es til organzar o
agrupar los dofos. Como ilustracin suponga que una muestra consiste de las estaturas de 100
estudiantes de la univelsidad XYZ. Orden3mos los datos en clases o categortbs y determinamos el
nmero de individuos que pertenecen a cada clase, denominada la frecuencia de clase. La ordenacin resultante, Tabla 5-2, se conoce como dsribucin de frecuencia o tablade frecuencia.
Tabla 5-2

ESTATURAS DE 1OO ESTUDIANTES


DE LA UNIVERSIDAD XYZ

Estatnra i Nmero

(pulgadas)
-f;l

,)

(::i t',:)
riri {l

lii

fir)

12

-71

27

;'J ir

ilr

de

estudiantes

10

tro

tr-r

61

64

6t-

l0

?3

76

(pulgadas)
Estatura (p
[:ig..-r-l

La primera clase o categora, por ejemplo, consiste de estaturas desde 60 hasta 62 pulgadas,
inciicadas por 6G-62, Io que se llama uninterualo de clase. Puesto que 5 estudiantes tienen estturas

correspondientes a esta clase Ia correspondiente frecuencia de clase es 5. Ya que una estatura


registrada tromo 60 pulgadas realmente est entre 59,5 y 60.5 pulgadas mientras que unaregistrada
como 62 pulgadas realmente est entre 61.5 y 62.5 pulgadas, podramos haber registrado el intervaIo de clase como 59.5-62.5. EI siguiente intervalo de clase sera entonces 62.5--65.5, etc. En el
intervalo de clase 59.5-62.5 los nmeros 59.5 y 62.5 se conocen como lmites reqles de clsse. El
ancho del intervalo de clase 7-simo, denotado por cr que comnmente es el mismo para todas las
clases (en cuyo caso se denota por c), es Ia diferencia entre el lmite real superior e inferior. En este

casoc:62.5-59.5:3.

EI punto medio del intervalo de clase, que puede tomarse como representativo de la clase, se
llama marca de clase. En la tabla anterior la marca de clase correspondiente al intervalo de clase

60-62

es 61.

Una representacin grfica para Ia distribucin de frecuencia puede suministrarse por un hstograma, como se muestra sombreado en la Fig. 5-1, o por un polgono de frecuencios uniendo los
puntos medios de los techos del histograma. Es interesante observar que Ia grfica parece indicar que
la muestra se extrajo de una poblacin de alturas normalmente distribuida.

DISTRIBUCIONES DE FRECUENCIA RELATIVA Y OJIVAS

Si en la Tabla 5-2 registramos la frecuencia relativa o porcentual en cambio del nmero

de

estudiantes err cada clase, el resultado sera una distribucn de frecuenciarelatiua oporcentual.Por
eemplo, la frecuencia relativa o porcentual correspondiente a la clase 63-56 es 18/100 18'i. El
histograma correspondiente es entonces semejante al de la Fig. 5-1 ercepto que el eje vertical es
frecuencia relativa en cambio de frecuencia. La suma de ias reas es 1 l-00'.
.

www.tutomundi.com

L64

TEORIA DE MUESTREO

lcAP.5

Podemos c<nsiderar una distribucin de frecuencia relativa como una distribucin de probabilidad en la que las probabilidades se remplazan por frecuencias relativas. Ya que las frecuencias

relativas pueden considerarse como probabilidades empricas (vase pgina 6), podemos considerar a
las distribuciones de frecuencia relativa como distribuciones de probabilidad emprica.

En el Captulo 2 vimos que podamos asociar con cada distribucin de probabilidad f(r) una
funi'in de distribucin definida por F(r) : P(X:1 r) y tambin podamos representar graficamente
esta funcin. P<.r analoga podemos asocia con cualquier distribucin de frecuencia una distribucin de frecuencia acumulada, o distribucin de frecuencia relatiua acumulada, cuyas representaciones grficas asociadas se conocen como ojiuas u ojiuas porcentuales respectivamente. Vase Problema 5.3u.

COMPUTO DE LA MEDIA, VARIANZA Y MOMENTOS PARA DATOS AGRUPADOS


Podemos representar una distribucin de frecuencia como en la Tabla 5-3 dando cada maca de
clase y la correspondiente frecuencia de clase. La frecuencia total es n, es decir

... fr

/:* "'-l,. = I/
Tabla 5-3

Marca de clase

Frecuencia de clase

.fl

lt
f,l
:

.r

fk

TOTAI,

Puesto que hay f, nmeros iguales d


media est dada por

;r _

xt, fz

nmeros iguales a xr,

lt-_+-[291:-'' _l/1..1
n,

nmeros iguales ?

rp,

l3

s t(2Ir)

ll

Anlogamente la varianza est dada por


(25)

IL

Ntese Ia analoga de (24) y (25) con los resultados (2), pagina 76,
corresponde a probabilidades empricas.

y (13), pagina

78, si f/n

En el caso cuando todos los intervalos de clase tienen igual tamao c hay disponibles mtodos
cortos para computar Ia media y la varianza. Se conocen como mtodos claves y emplean la

transformacin de la marca de clase

a un entero correspondiente u dada por


'r"-

donde

= a+cu

es una marca de clase escogida Lrbitrariamente que corresponde

claves para la media y Ia varianza estn dadas por

(26\

au

0. Lasfrmulas

(27)

(28)

www.tutomundi.com

cAP. 5l

TEORIA DE MUESTREO

165

Frmulas semejantes existen pa momentos superiores. As los momentos r con respecto a la media

y al origen respectivamente estn dados por


'rt

..^,
Itt

(2e)

rl

It.fi l-'''
-

s f,.r

f rt'i'

4J

(30)

11,

Las dos clases de momentos estn relacionados por


?ll1 -

-:
1n:, :

tnz

hl

tni

- tt'i2
ntlt - Snt\m + 2tn,\3
t)t1 mimit+n\2nt-Bn{ra

t:

(s

1)

etc. Si escribimos

f,

il,

/l

- i7--I'

xIi-

/'

entonces las relaciones (3f ) tambin son vlidas para las M. Pero

'rrr : >("j)l
lln

)'/[(a + cr) -- (tr l cr-

de tal modo que obtenemos de (3I ) las frmulas claves

/tlr =

= c2(XIi-M'l)
l1tt = cj(Mi, - gWiM + 2M'r3)
lnt = cl(xIi- utiui+ 6It[i'M3 ,gM'r")

nz

(32)

etc. Lgicamente la segunda ecuacin de (32) es igual a la (28).

De una manera semejante otros estadsticos como el sesgo, la curtosis, etc. pueden hallarse

para muestras.

Probletna.s resueltos
DTSTRIBUCION MUESTRAL DE MEDIAS

5.1.

Una poblacin se compone de los cinco nmeros 2, 3, 6, 8, 11. Considerar todas las muestras
posibles de tamao dos que puedan extraerse con remplazamiento de esta poblacin. Halla
(a) la media de Ia poblacin, (b) la desviacin tpica de la poblacin, (c) la media de la distribucin muestral de medias, (d) la desviacin tpica de la distribucin muestral de medias, es
decir, el error tpico de medias.
(a)

r o2 = 12___i_E_l_e_ll

(b)

J -':l
---

. ((i

(i)r

_1

ri

*rt-f- ll

5b

30

----

(8- (ir, r !11 0,

8.29.

www.tutomundi.com

Lr.U

_ l(; '1 9 + 0
c

+ 41'21

10.8

166

TEORIA DE MUESTREO

(c)

lcAP.5

Hay 5(5) : 25 muestas de tamao dos que pueden extraerse con remplazamiento (puesto que cualquiera de los cinco nmeros de la primera extraccin puede asociarse con cualquiera de los cinco nfrmeros de
la segunda extraccin). Estas so r

(2,2) 12, 3) (2,6) \2,8)


\3,2t (3, 3) (3, 6) (3,8)
(6,2) (6,3) (6,6) (6,8)
(8, 2)
(8, 3)
(rl, 6)
(8,8)
(11,2) (11,3) 111,6) (tt,8)

(2,11)
(3,11)
(6,11)
(8,11)

(1r.11)

Las correspondientes medias muestrales son

(.r )

2.0

otr

4.0

5.0

t<

3.0

4.5

O.D

4.0

.f.5

6.0

5.0

5.5

7.0

6.1-

7.0

8.5

y la media de la distribucin muestral de medias

I.U

7.0
8.0
9.5

8.5
9.5

11.0

es

" (l

,,* ., l'I1!11-q9-"'-lgl-99'":'I9't3ls
25
comprobndose que

6.5

t{' -, '. Para una demostracin general vase

150
tt -

o''

Problema 5.6.

(d) I'a varianza

o{. de la distribucin muestral de medias se obtiene restando el valor de la media 6 de cda


nmero de (1 ), elevando al cuadrado cada diferencia, sumando los 25 nmeros as obtenidos y dividiendo por 25. El resultado final es

.,
4

:135 -- 5.40 de modo que

o.r'

= 16.40 =

2'32

Esto pone de manifiesto el hecho de que para poblaciones finitas en las que se efecta muestreo con
remplazamiento (o poblaciones infinitas),"2*= o2/r.,puestoqueel segundo miembro es 10.8/2 = 5.40, de
acuerdo con el valor anterior. Para una demostracin general vase Problema 5.?.

5.2.

Lo mismo que en el Problema 5.1 para el caso de muestreo sin remplazamiento.


(o) y () como en el Problema 5.1,

r:

6 y o2

:10,8, o:

3.29.

(c) Hay iC-.-- 1 muestras

de tamao dos que pueden extraerse sin remplazamiento (esto significa que se
extraer un nmero y despus otro nmero diferente del primero) de la poblacin, stas son

(2,3),

(2,

rj),

(2,

8),

(2,

11), (3;6), (3,8),

(3,

11),

(6,

8),

(6,

ll ), (8, 11)

La seleccin (2,3), por ejemplo, se considera la misma que (8,2).


Las correspondientes medias muestrales son

2.6, 4.0, 5.0, 6.5, 4.5, 5.5, 7.0, 7.O, 8.5,


y la media de la distribucin muestral de medias es

,,*

2.5

4.0

itO + 6.5 + 4.5+ 5.5 +

7.0 -i- 8.5

9.5

10

poniendo de manifiesto el hecho de que t


-

-('25--

6.0

/r.

(d) La varianza. de la distribucin muestral de medias


x

7.0

9.5

es

6.0), + l:1.0r 6.!lr_115.0


10

c.0::

-f -' . + (9.b -

6.0)2

4.05

Y ox r- 2.01.

10'8/5 - 2\
- "\, or".to
Esto pone de manifiestr
) que "l'' - o2/ N
^^ .;
oue el sesundo
segundo miembro
nuesto que
-:^-L-^ ""
;\ N _irl,
(; _ ) - 4.05,
que es el valor obtenido anteriormente. Para una demostracin general de este resultado vase hoblema

5.47.

www.tutomundi.com

cAP.5l

5.3.

r67

TEORIA DE MUESTREO

Supngase que las estaturas de 3000 estudiantes de una universidad se distribuyen normalmente con media 68.0 pulgadas y dewiacin tpica 3.0 pulgadas. Si se toman 80 muestras de
25 estudiantes cada una, cul ser la media y'la desviacin tpica esperada de la distribucin
muestral de medias resultante si el muestreo se hizo (o) con remplazamiento, (b) sin remplazamiento?
El nmero de muestras de tamao 25 que tericamente pueden obtenerse de un grupo de 3000 estudiantes
con y sin remplazamiento son (3000)2s V aoooCzs, que son muchas ms de 80. De aqu que con 80 no se

obtenga realmente una distribucin muestral de medias, sino solamente una distribucin muestral experimen1. Sin embargo, puesto que el nmero de muestras es grande, habra mucha aproximacin entre las dos
disbibuciones muestrales. Por ello, la media y desviacin tpica esperadas sern muy prximas a las de la

distribucin terica. As se tiene,

p*.

\a)

tL

p* = p -

(b)

68.0

ox = o=3

pulgadas y

68.0pulgadas

\/n

Yox=-

{zs

0.6 pulgadas

N-n _3
N-1
\/%

vn

3000
3000

- 25
-1

que es ligeramente menor que 0.6 pulgadas y puede, por tanto, para todo propsito prctico, considerarse la
misma que en el muestreo con remplazamiento.

As, pues, cabra esperar que la distribucin muestral experimental de medias se distribuya aproximadamente
normal con media 68,0 pulgadas y desviacin tpica 0.6 pulgadas.

5.4.

En cuntas muestras del Problema 5.3 cabra esperar una media (o) entre 66.8

pulgadas, (b) menor de 66.4 pulgadas?

La media X de una muestra en unidades tipificadas viene dada

(o)

66.8 en unidades tipificadas


68.3 en unidades tipificadas

:
:

(66.8 - 68.0)/0.6
(68.3 - 68.0)/0.6

por

X-p*

68.3

X-68.0
0.6

aX

: -2.0
: 0.5

Proporcin de muestras con medias entre 66.8 y 68.3 pulg.


: (rea bajo la curva normal entre z :
-2.0 y z : O.5\

:(reaentree:-2yz:O)
* (rea entre z : O y z : 0.5)
: O.4772 + 0.1915 : 0.6687

Entonces el nmero de muestras esperado es (80)(0.6682) 59.

(b)

66.4 en unidades tipificadas: (66.4

68.0)/0.6

: -2.67

Proporcin de muestras con medias menores de 66.4 pulgadas


- (rea a la izquierda de z : -2.67)

(rea a la izquierda de z : 0)
y z : O)
- (rea entre z :

0.5

0.4962

-2.67

0.0038

Entonces el nhmero de mueshas esperado es : (80)(0.0098):


0,304 o cero.

-2

A7

Fig. 5-3

5.5. Quinientos

cojinetes de bolas tienen un peso medio de 5.02 onzas y una desviacin tpica de
0.30 onzas. Hallar la probabilidad de que una muestra af azar de 100 cojinetes elegidos entre
este grupo tenga un peso total (c) comprendido entre 496 y 500 onzas, (b) de ms de 510
onzas.
Paa La distribucin muestral de medias

ox-

yn

!* = p =
N-n
N-1

5.02 onzas,
0.30

/ioo

500

100

500-1

www.tutomundi.com

0.02

168

TEORIA DE MUESTREO
(o

lcAP.5

El peso total se ncontra entre 496 y 500 onzas si la media de los 100 cojinetes
y 5.00 onzas.

4.96 en unidades tipificadas: (4.96

5.O2\10.027

5.00 en unidades

5.02)lO.O27

tipificadas : (5.00 -

se encuentra entre 4.96

: -2.22
: --0.7 4

Probabilidad pedida

:
:

: -2.22 y z : -0.7 4)
(re^ entte z : -2.22 y z : O\
- (rea entre z : -4,7 4 y z : O)
= 0.48(i8 - 0.2704 : 0.216-1
(rea entre z

222 -074
Fie- 5-4

() El peso total

exceder de 510 onzas si el peso medio de los 100 cpjinetes sobrepasa las 5.10 onzas.
5.10 en unidades tipificadas: (5.10 - 5.02)lO.O27 : 2.96

Probabilidad pedida

: 2.96\
(rea a la derecha de z:0)
- (rea entre z : O y z = 2.96)
:0.5 - 0.4985: 0.0015
:

(rea a la derecha de z

As,pues, solamente se darn 3 casos cada 2000 de obtener una


muestra de 100 cojinetes con un peso total superior a 510 on-

F'ie.5-5

zas.

Demostrar el Teorema 5-1, pgina 158.

5.6.

Puesto que X1,

X2,..., X,

son variables aleatorias que tienen la misma distribucin que la poblacin, la

cual tiene media 1, tenemos

E(X)

l-12

Entonces ya que la media muestral se define como

-Y=''

x, '1-...+-\1L

tenemos como se requiere

l
E(X)
= ]lEtX,t -

6.7.

= L(rr\ =

- E6))

t!

Demostrar el Teorema 5-2. pgina 158.


Tenemos

- + "' + -'
Entonces puesto que X,

x,

son ina"p"nl'i"nt".ttr

rr"rr"n

Var

uuri^X,ruo2, tenemos por los Teoremas 3-5 y

3-7
"

Var (X)

-f

vu. (x1)

rI

(x,,)

,,(,+"'")

=,

DISTRIBUCION MUESTRAL DE PROPORCIONES

5.8.

Hallar la probabilidad de que en 120lanzanientos de una moneda el nmero de caas (o) est
comprendido entre el 40% y el60%, (b) sea 5/8 o ms del nmero de lanzamientos.
Se consideran los 120 lanzamientos de la moneda como una muestra da la poblacin infinita de todos los
posibles lanzamientos de la moneda. En esta poblacin la probabilidad de cara es p : I12 y la probabilidad de
sello es C :1P : l12.

(a)
'

pide ra probabilidad de que el nmero de caras en los 12Q lanzamientos se encuentre ente 4O(/o de
6 48, y 6Ol/" de l2O, 6 72. Se procede como en el Captulo 4, mediante la aproxlmacin normal a la
binomial. Puesto que el nmero de caras es una variable discreta, se pide Ia probabilidad de que el
nmero de caras se encuentre entre 47.5 y 72.5.
Se

1-2O,

www.tutomundi.com

cAP. 5l

TEORIA DE MUESTREO

r:

oo

\/"pq -

o=
47

- np = rzo(!) =

nrnero de caae esperado

.5 en unidades tipificadas =

47.5

60

5.48

72.5 en unidades tipificadas = 72.5 - 60


5.48

2.28

Probai .idad pedida

:
:
:

(rea bajo la curva normal

entrez=-2.28y2:2.28)
2(rea errtre z : O y z : 2.28)
2(O.4887 ) : O.977 4

Otro mtodo.

",=1p= ^FY

ttp=P:i=o.uo

120

40Vo enunidades tipificadas


60o1c

en unidades

tipificadx: ffip

s la probabilidad pedida es el rea bajo la curva normal entre


0.971.1.

0.0456

-2.I9

= 2.I9
: -2.t9

yz

2.19

2(0.4857)

Aunquees:cresultadotiene dos cifras significativas, no concuerda exactamente, puesto que no se ha utilizado el hecho de que la proporcin es realmente una rariable discreta. Teniendo esto en cuenta se resta

l1

11
Z" = Al, de 0.40 y se Buma ; = ,fn
ficadas son, puesto que L1240: 0.0041 7,
0.40

0.00.117

0.0r56

0.50

a 0.60. As pues, las proporciones pedidas en unidades

= _2.28 _

0.60+0.0041?-0.50

0.0456

tip!

2.28

que concuerda con lo obtenido por el primer mtodo.

Advirtase que (0.40

0.00417)

y (0.60 +

0.00417) corresponden a las proporciones 47.5/120 y

72.51720 del primer mtodo.

(b)

Empleando el segundo mtodo de (o) se tiene, puesto que

(0.6250

5.9.

0.6250, que

- 0'60 = 2.86
: (rea bajo la curya normal a la derecha de z : 2.65\
: (rea a la derecha de z : 0)
- (reaentre z : 0 y z : 2,65)
: 0.5 - 0.4960 : 0.0040

0.00417) en unidades tipificadas

Probabilidad pedida

5/8:

-_

0'6250

0'00417
0.0456

Cada persona de un grupo de 500 lanza una moneda 120 veces. En cuntos individuos cabe
esperar que (o) el nmoro de caras se encuentre entre eI 40% y el 60% desuslanzamientos,
(b) 518 o ms de sus lanzamientos resulten cara?
Este problema est estrechamente ligado al Problema 5.8, Aqu se consideran S00muestras,detamao 120
cada una, de la poblacin infinita de todo.s los posiblea lnzamientos de una moneda,

(o)

En el apartado (o) del Problema 5.8 se ha obtenido que todas las posibles muestras de 120 lanZamientos
de una moneda, i:abe esperar el encontrar un97.74% de ellas con porcentaje de caas entte AOVI y el

www.tutomundi.com

170

TEORIA DE MUESTREO

lcAP.5

6OVo. En 00 muestras se puede esperar 97 .7 4% de 500, 489 muestras con esta propiedad. Se sigue que
en 489 individuos se esperara que su nmero de caras se encontras entre eI 4O% y el 6O%.

Es interesante advertir que en 500 - 489 : 1I individuos cabe esper: que su nmero de caras no se
encuentre entre el 4O% y el 6O% de los lanzamientos, Tales individuos pueden razonablemente sospechar
que sus monedas no estn bien hechas aunque s lo estn, Este tipo de error es un rresgo que se presenta
siempre que se trata con probabilidades.

(b)

Razonando como en (o), se concluye que en (500X0.0040)

2 personas se esperar que los 5/8 o ms

de sus lanzamientos sean caras,

5.10. Se ha encontrado que el 2% de las piezas producidas por cierta mquina son defectuosas.
Cul es la probabilidad de que en una partida de 400 piezas sean defectuosa.s (o) 3% o ms,
(b) 2% o menos?

PP'=P=0.02
(o)

oP=tE=

Mediante la correccin para variables discretas, L/2tt.

1/

0.02(0.98)

1/800

400
=

_ 0.14 =
20

0.007

0.00125, se tiene

(o.o3_o.oo125)enunidadestipificadas=W=|.25
hobabilidad pedida

(rea bajo la cuva normal a la derecha de z

: I.26):

0,1056

Si no se hubiese aplicado la coneccin se hubiese obtenido 0.0764.

Otro modo.
(3% de 400 ) : 12 piezas defectuosas. En concepto continuo, 12 o ms significa 11.5 o ms.

p-

(2()'o

de 400)

" : {"w :

Entonces 11.5 en unidades tipificadas

(11.5

0.1056.

(b)

{0.02

0.00125) en unidades

Probabilidad pedida

:
:

8)12.8

tipificadas

Si no se hubiese aplicado la correccin,


mtodo del apartado (o).

se

2.a

1.25 y como antes la probabilidad pedida

0'02

010q1?5

- 0'02 --

(rea bajo la curra normal a La izguierda de z

0.5000 + 0.0714

y'1+oo)1onz)rsg

es

0.18

0.18)

O.57L4

hubiese obtenido 0,5000. Tambin puede utilizarse el aegundo

5.11. Los resultados de una eleccin demostraron que un cierto candidato obtuvo el 46% de los
votos. Determinar la probabilidad de que de (a) 200, (b) 1000 individuos elegidos aI azarde
entre la poblacin votante se hubiese obtenido una mayora de votos para dicho candidato.
(a)

I.p = :p = 0.4G

,-'

",,={-=

0.0352

Pueso que L12n: ll40O: 0.0025, una mayora se obtendra en la muestra si la proporcin en favor del
candidato fuese 0.50 + 0.0025 : 0.5025 o ms. (Esta proporcin puede tambin obtenerse dndose
cuenta que 101 o ms indica mayora, pero sta, como variable continua, sera 100.5 y as la proporcin
sera 100.5/200 = 0.5025.)

Entonces, 0.5025 en unidades tipificadas

Probabilidad pedida

(0.5025

- 0.46)/0.0362:

1,.21

(rea bajo la curva nonnal a la derecha de

0.5000

0.3869

:0.1131

www.tutomundi.com

z : l.2t)

cAP.6l

TEORIA DEMUESTREO

(b)

pp

p:

0.46, o,, = t/f,q/n = y'd.46@Ba)/1000= 0.0158, y


0.5025 en unidades tipificadas

Probabilid pedida

= ff*s

2.69

(rea bajo la curva normal a la derech de z

= 0.5000

0.4964

= 2.6g)

0.0036

DISTRIBUCIONES MT.]ESTRALES DE DIFERENCIAS Y SUMAS

5.12. Sea Ut la variable de los elementos de la poblacin 3, 7, 8 y U2 lavariable de los elementos


de lapoblacin2,4. Calcular (a) *u,, (b\ pu,, (t) vr,,_ri,, @),iu,,-(e) ou", (f,) nu,_u".

(o)

y,

(b)

r,,

(c)

mediadelapoblacinU, =

media de

La

poblaci n lJn

]{S*?*8) =

= f,e + ll =

l,

La poblacin consistente en las diferencle de cualquier trmino de U y cualquiera de (J2

3-2
3-4
Entonces

Fur-u,

7-2
7-4
media de

8-2
8-1
(U1- Ur)

esto concuerda con el resultado general FLtr_uz=

(d.)

ofi, =

.m=!T.

ea

varianza de la poblacin

I/'

FLrt

4Lrr, sacado de (o)

y (b).

(3-6)2 + (7-6)2 + (8-6)z _

14

33

ou,

(e)

a2u,

varianzadelzpoblacin

U,

(2-3)2 * (4-3)2

=l

ou"= l.
(f)

n'u

r-

u" =

mrianza de la poblacin (U 1-

(1-3z + (5-3)2 +

U 2)

(6-3)21(-, -3)2 + (3-3)2 + (4-3'z

L7

Oo,,,,j ut-v2

Eeto concuerda con el reeulado general para muestras independient"" ou,_u,= \Ej7r-,
(d) V @ ). [,a demostracin del resultado general se deduce del Teorema g-7 ,' iinz- 7 g .'

ecado dc

5.13. Las bombillas elctricas de n fabricante tienen una duracin Lned,ia de 1400 horas con
una desviacin tpica de 2OO horas, rnientras que las de otro fabricante B tienen una duracin
media de 1200 horas con una desviacin tpica de 100 horas. Si se toman muestras al aza de
125 bombillas de-cada fabricante, cul es la probabilidad de que las bombillas deA tengan
una duacin media que sea al menos (a) 160 horas, (b) 250 hras ms que las bombilhjde
B?

www.tutomundi.com

L72

MUEsTREo

TEoRTA DE

*n y )(o las duraciones

Dentense por

[cAp.

medias de ls mueatraa A y B, respectivamente. Entoncee

*-* -

pxe

- ttxn
ofr

"2
o.. --, = 1l-+Y fly
^^- ^B

1400

1200

v 125-

1/(1qo]'

200 horas

gry = 2o horas
125

La variable tipifieada para la diferencia de media es

(X,+-

z
y

se acerca

(o)

o.(.,

(x^-

0'x

200

2OO)\2O:

-2.

xrr\

*o

20

mucho a una distribucin normal.

La diferencia de 160 horas en unidades tipificadas

Probabilidad pedida

(b)

Xil

:
:

0.5000 +

Probabilidad pedida

(160

0.4772:

La diferencia de 250 horas en unidades tipificadas

:
:

ss:

(rea bajo la curva normal a la derecha de z

es:

O.9772

(250

2OOll2O: 2.50.

(rea bajo la curva normal a la derecha de z

0.5000

0.4938

: -2)

2.50)

0.0062

5.14. Los cojinetes de bolas de una determinada casa pesan 0.50 onzas con una desviacin tpica de
0.02 onzas. Cul es la probabilidad de que dos lotes de 1000 cojinetes cada uno difieran en
un peso superior a2 onzas?

Dentene por

Xr y Xo los

pesos medios de los cojinetes en los dos lotes. Entonces

/x,-*o = trx, /ro o*,

-,t,

0.50

ffif

0.50

.ffif

o.ooo8eb

o
Z = t":u'uuu6:'5 se distribuye muy prxima a una nor=1:lrmal.
Una diferencia de 2 onzas en los lotes es equivalente a una diferencia de 2/1000 : 0,002 onzas en las medias,
Esto puede ocurrir si X1 - X,
0.002 Xr - X2 -0.002, es decir
=
=
o.o020
_ oo,
-nnot-n = -2.23
7 Z f -^j^j:;=6
(r.t,uuy5
0.000895
La variable tipificada para la diferencia de nedias es

Entonces

P(z>-2.23

2=-2.23) = P(Z>2.23)+P(z=-2.2:t) =

2(0.5000-0.4871) :0.0258

6.15. A y B juegan a "cara y sello", lanzando cada uno 50 monedas. A ganar eI juego si consigue 5
o ms caras que B, de otro modo gana B. Determinar la proporcin conha de que gane un
juego determinado.
Dentese por

y Pp la proporcin de caras obtenidas por A y B. Sisesuponequelasmonedasestnbien

hechas, la probabilidad de caa es p

1-12.

Entoncer,

!t',r. pn -

ApA 4I,B =
f

q|li-tt

!#=0.10
La variable tipificada para Ia diferencia de lasproporciones es

Z = lP- PB-

0)/0.10.

En una distribucin continua, 5 o m sera 4.5 o ms, de modo que la diferencia de proporciones sera
4.6160 : 0.09 o ms, es decir, Z mayor o igual a (0.09 - 0 )/0.10 : 0.9 (<t Z > O.9). La probabilidad de esto

e el rea bajo la curva normal a la derecha de Z

:0.9

que

es

0.5000

0.3159

0.1841.

As,pues, laproporcincontraAes(1 -0.1841):0.1841 :0.8159:0.1841 64.43a,7.

www.tutomundi.com

173

TEORIA DE MUESTREO

cAP. 5l

5.16. Dos distancias se miden obtenindo se 27.3 pulgadas y 15.6 pulgadas, con desviaciones tpicas
(errores tpicos) de 0.16 pulgadas y 0.08 pulgadas, respectivamente. Determinar'la media y la
desviacin tpica de (a) la suma, (b) la diferencia de las distancias.
Si las distancias se denotan por

, '

(ol

y D2, se tiene

t,D,) r" :
oD,t

r,,

oD,_r),

trD,

I tro,

27.3

15.6

42'9 pulgadas

\:i6FJT8)t =

= t/7,, + 4,

t,D,-D, -

(b)

po, =

trnr*

27.3

- 15.6 =

-- \/q + """ = /{oJG)t+

0.l8pu[adas

11.7 pulgadas

(0.08),

0.18pulgadas

5.1?. Un cierto tipo de bombilla elctrica tiene una duracin media de 1500 horas y una desviacin tpica e 150 horas. Se coctan tres bombillas de forma que cuando- una se funde, otra
sigue alumbrando. Suponiendo que Ias duraciones se distribuyen normalmente, cul es la
p-U"Uina"d de que te tenga luz (c) al menos 5000 horas, (b) como mucho 4200 horas?
Sean las duraciones

Lt, Lz y tr3. Entonces


Itr.r* t.r4 r." = pt.,4' !rr, i t,." ot.,+I,+,.,

(o

(b)

- {t.!ffi.,

:
Probabilidad pedida :
:

5000 horas en unidades tipificadas

4200 horas en unldades tipificadas

(5000

1500

1500

+ 1500 =

\mbO)t =

4500)/260

2G0

4500 horas

horas

= I.92.

(rea bajo la curva normal a la derecha de

z: t'92)

- 0.4726:0.0274
: (4200 - 4500)/260 : -1.15'
0.5000

Probabilidad pedida: (rea bajo la curva normal a la izquierda dez


: 0.5000 - O.37 49 : 0.1251

: -1'15

DISTRIBUCION MUESTRAL DE VARIANZAS


5.18. Con referencia al Problema 5.1, hallar (o) la media de la distribucin muestral de varianzas,
(b) la desviacin tpica de la distriucin muestral de varianzas, es decir, el error tpico de
varianzas.

(o)

Las varianzas muestrales correspondientesa cada una de las 25 muestras del Problema 5.1 son

0.25

0.25

4.00

2.25

9.00

6.25

20.2t:

4.00

9.00

2.25 6.25
1.00
0
1.00 0
6.25

16.00

20.25
16.00
6.25
2.25

2.25

La media de la distribucin niuestral de varianza es

/,.s2

- "-g39-!99q-le'"'ggg#4!Eaa* t#

Esto pone de manifiesto el hecho de que trs2 = (? -l\(ozl/n, puesto que para
Problema 5.1(b)], el,segundo miembro se convierte en J(10.8) - 5.4'

n:

b..ro

2 y o2

:10.8

lvase

Este resultado muestra Ia conveniencia de definir una varianTa cofiegidl para las muestras, como

3, = ;=

52, puesto que se seguira que 4.q,

o2. (vanse

tambin las notas de la pgina 160)'

de la distribucin muestral de varianzas ol, se obtiene restando la media 5.40 a cada uno de
Ios 25 nfimeros de la tabla anterior, elevartdo al cuadiido estas diferencias, sumndolas y dividiendo el
resultado por 25, As, o.2, : 575.75/25 == 23.03 o"z : 4.80'

(b) La arianza

www.tutomundi.com

t74

TEORIA DE MUESTREO

[cAP.6

6.19. Solucionar el problema anterior para el caso en que el muestreo sea sin remplazamiento.
(o) Hay 10 mueetrae cuyas varianza vienen dadas por los nfrmeros pot encima (o por debajo) de la diagonat
de cerog de la tabla del Problema 5.1g(a). Entonces

u.' =

l0

Este es un ca.o particular del gener'ar'


comprueba haciendo

N:

5,

n:

6'25+16'00+1'00+6:25+2'26

t\
p.r = / N \ /" -

o.7

[ecuacin (re), pgina 160], como

\=/\T)"

o2

10.8 el segundo miembro pasa a ser rs,

: (f )({)(10.8) :

se

6.75.

() Rertando 6.75 de cada uno de los 10 nmeros por encima de la diagonal de ceros de la tabla del
Problema 6.18(o), elevando al cuadrado estos nfrmeros, sumndolor y i"idittdolos por 10, se tiene
o!: =39.676 o"r =6.30.

5.20. Demostrar que

E'(S')

= |c

don{e S2 es la varianza mustral _para una muestra aleatoria de tamao n, como se define en
la pgina 160, y a2 es la varianza de la poblacin.
Mtodo 1.

Teneno

x,-* = x,-itxr+...+xtr) = *t"-l)xr-x2-...-x^l


: *f"-

r)(Xr

- tl - (Xz- ti -

.. .

- (xn- p\)

Entonce

(x,-f,r = #U"-1)2(Xr- 2t(xz-pl2+ '..+ (x. -tl2 +tminodeproductocruzado]


Pueto que las X eon independiente la eqreranza de cada trmino de producto cruzado

tiene

E[(Xr- *21 = #U"-

L)2

El(Xt- t)r) + El(Xz-

fr{("-L)znz

* o2 * ... I

d2)

o2l

fiu"-l)-zoz* (n-L)oz) = #",


Anlogamente, El(X*- *21 = @ - lloz/n para k : 2, . .., z. por tanto
X)2

+ . .' + (X"-

lfn-l o-r"'",
- nL
"

Mtodo z.
Tenemos

1-

= ;nt<Xr-

X-* = (X- -G-). Entonces


g,- Xz = (xt-

p)2

X\21

-1 o-)
"l = n-L
"
-o'

- 2(x-

p\(*

- r) + {i -

,,z

(r)

)1x,-i, = )(x-

donde l suna es desCe

j: t

p)2

- z(X-p))1x-r)

hasta n. [.o que puede escribire como

www.tutomundi.com

ceror por tanto se

+ ... + El(X,-p)2]]

'(S2)

es

+.)1x-uz

cAP.5l

'"O*'O

)tx,-xlz

(2)

puesto que

>

6-

r)

el Problema 5.7 hallamos

)tX;- )(x;-

Sv - np -"(X t-

t76

DE MUESTREO

- 2n(X- 2 + n(*p)2 - n(*-p)z


ti2

uz

p). Tomando la esperanza a ambos lados de (2) y utilizando

_-1

-l

EL> (X,-*zl
= El >(X,-rr)2 l- nEl6-u)21
'_JL-)
-

no" - n("'\
'r,n

'(S'z)

de donde

(n_

7)o2

o'

5.21. Demostrar el Teorema 5-4, pgina 158.


Si Xj, ,i : l, 2, . , f,, est distribuida normalmente con media .r y

vzrianza 02, entonces su funcin

caracterstica es (vase Tabla 4-2, pgina 111)

QiG) = oita-{o2a2)/2
La funcin caracterstica

de X, * Xz* .. *
.

X,, es, por el Teorema 3-12,

d(r) = cr(r) oz(r). . 'gn(r) -

"iua-<nci2a2)/2

puesto que las X.; son independientes. Entonces, por el Teorema 3-11, la funcin caracterstica de

xt +x"l-...

-t=

es

1x,

x(") = t( ;)

: ,iu--t'o2/n)of

t/2

Pero sta es la funcin caracterstica para una distribucin normal con mediia t y varianza
deseado se deduce del Teorema 3-13.

02

/n, y el resultado

5.22. Demostrar el Teorema 5-6, pgina 161.


j,t,-X)r.S"deducede(2)delMtodo2enelProblemaS,20que V:Vt*
Pordefinicin,(il--f3: = j-r

l',,. donde

(j-L-:l'
t/t -{
,
- ir-;-

(x-P\z
t,
v",--oznchi-cuadrado con n grados

r'rt -= l'-:
o2--,

ytiene distribucin
de libertad [como se
normal
con media .t y
tiene
distribucin
por
X
5.21,
el
h'oblema
Tambin,
u)lo].
variunia o2 n. Pr fanto, del Teorema 4-3 con ., : 1 y X remplazadapor (X - p)/{tz/",vemos que V2 tiene
una distribucin chi-cuadraclo con 1 grado de libertad, Se deduce del Teorema 4'5,pgina 116, que si I/1 y
V2 son independientes entonces V1 tiene distribucin chicuadrado con n - I grados de libertad. Ya que
podemos demostrar que V1 y y2 son independientes (Problema 5.135) se sigue el resultado pedido.
Enbonces por elTeorema4-3, prigina116,

ve remplazando -X por

(X;-

5.23. (a) Emplear el Teorema 5-6 para determinar el nmero esperado de muestras en el Problema
5.1 para las cuales las varianzas muestrales son mayores que 7.2.(b) Verificarelresultadoen
(o) con el resultado real.

(a)

Tenemos

n : 2, o2 = 10.8 [del Problema 5.1(b)]. Para sf nt _ (2)(7.2\


= 1.33.
10,8
02
www.tutomundi.com

7.2, tenemos

176

TEORIA DE MUESTREO

lcAP.

Entonces de acuedo con el Teorema 6-0 x2 = nS2/o2 = 2S2l10.g tiene la ciitribucin chi-cuadrado con
grado de libertad. De la tabla en cl Apndice E ae deduce que

P(S2>s!) = P(x2>1.33) =

(b)

0.2b

por tanto eeperaramos que alrededot


del 26V. de lae muestras, o 6, tengan rdianzas mayores a ?.2.
Del Problema 5'18 haltamog al contar que realmente hay 6 rarianzag mayores que 7.2,de modo que los

resultados son iguales.

CASO DONDE SE DESCONOCE LA VARIANZA POBLACIONAD


5.24. Demostrar el Teorema 5-?, pgina 161.
Si

Y-"

I'-'+,
olln

nS2
z- =ff,

| = fl-1.

Entoncespuesoquelas Xeetndistribuidasnormalmenteconmediar

y varianza o2 sabemos (Problema 5.21) que est digtribuida normalmente con


media g y varianza 02 /n, de
modo que Y e distribuida normalmente con media 0 y varianza I, Tambin, del Teorema
-6, pfuina 161,
o del Problema 5,22 Z tiene digribucin chi-cuadrado con v : n 1 gradoa de libertad.

Se

deduce del Teorem 4-6, pgina l1Z, que

f =
tiene la distribucin

)'

,/u,

x-P

= -!-P

s/\/;=

Snla

con n - 1 grados de libertad.

5.25. De acuerdo con la tabla de la distribucin f de Student para un grado de libertad (Apndice
D) tenemos P(-1.3?6 <T< 1.326) = 0.60. Verificar si este resultado se confirma con los
obtenidos en el Problema b.1.
De los valores
siguientee para

X e=n (J ) de la pgina 166 y loe valore


? = (X - p)/(S/t/1 \:

d_e

-;;

-1.0
-0.33
0.11

-1"'

-1.0
-0.20
0.25

de 52 en el hoblema 5,18(o) obtenemos los valores

-ll -lll ill


1.0
Z.Bg

1.0
1.0

1.0

2.BB

l6 valorespara loe cuale- 1,3?6 < ? 1.3?6mientraaqueesperaramo8(0.60X2b):1b.


Eeto no ee tan malo gi ge considera la pequea cantidad =
de datoe involucrados. Este mtodo de muestreo fue
efectivamente la manera como "studen" originalmente obtuvo la ditribucin f.
Realmente hay

DISTRIBUCION MUESTRAI, DE RELACIONES DE VARIANZAS

5.26. Demostrar el Teorema 5-8, pgina 161.


Dentene la muestra de tanaos m y n por Xr,.-.. , X^ y
yinz
mueFale eetn dadas por

at'

si = * -J tx, - x', sj
donde X,

Yl

,..,, Y

reopectivamente. Entonces las

; -) rr', - i'r,

Ii on las medias muestrale.

Entonces del Teorema 5'6, pgina 161, sabemosq:uemsl/oly nS:/"|tienen distribucin chi-cuadrado con m
1 y n - 1 grados de libertad respectivamente. Por tanto del Teoreml 4-7,ggiru- 1l?, se deduce que

tiene la distribucin F con m

F = ms?tn-t),i
;s76_q 9lt
En

1, tr

- 1 grados de libertad.
www.tutomundi.com

r77

TEORIA DE MUESTREO

cAP.5l

5.2?. Dos muestras de tamaos 8 y 10 se extraen de dos poblaciones distribuidas normalmente con
vatianza 20 y 36 respectivamente. Hallar la probabilidad de que la varianza de la primera
muestra sea ms de dos veces la vartanza de la segunda.
Tenemos

.- 8, n - 1O, = 20, -.
"i
"l

3e

. Por tanto

F '

s?

1.85---iJ

El nmero de grados de libertad paraelnumeradoryeldenominadorson vt = ffill : 7, v2 = -1= 9.


Sf es ms de dos veces Si. es decir Sf > ZS!, entonces F > 3.70. Refirindonos a las tablas en el
Apndice F vemos que la probabilidad es menor que 0.05 pero mayor que 0.01. Para valoree exacto
Ent onces si

necesitamos una tabulacin ms arnplia de la distribucin F.

DISTRIBUCION DE FRECUENCIA
Tabla 5-4

5.28. En la Tabla 5-4 se registran los pesos de


40 estudiantes en State University con
aproximacin de una libra. Construir una
distribucin de frecuencias.

144 I25 r49 L67


136 148 L52 t44
163 119 154 165
135 153 140 135
150 156 145 128

138 r 61 150 r32


116 158 110 147
168 lzc' 138 176
14(i r73 r42 147
I 61 1,15 135 142

El peso mayor es 176 libras y el menor 119 tibras, de modo que el recorrido es 176 - 119
57 libras.

Si utilizamos 5 intervalos de clase, el tamao de cada


uno es 57/5

Tabla 5-5

11 aproximadamente.

Si utilizamos 20 intervalos de clase, el tamao de cada


uno es 57/20 : 3 aproximadamente.

Peso
1

Una eleccin conveniente para el tamao del intervalo


de clase es de 5 libras. Tambin conviene elegir las
marcas de clase en 120, 125, 130, 135,.,.libras. As
los intervalos de clase pueden ser 118-122,123-727,
L28-132,. . . Con esta eleccin los lmites reales de
clase sern 1-t1 .5, 122.5, 127.5,... que no coinciden
con los datos observados.
La distribucin de frecuencias pedida aparece en la Tabfa 5-5. La columna central. denominada columna de
cuenla, se utiliza para tabular las frecuencias de clase
de la totalidad de los datos y generalmente se omite en
la presentacin final de la distribucin de frecuencias.

(libras)

18- 0r/

102

r28I DD-

38-

I AD
1

48-

A'1-

27
:t2
37
42
47
52
67
62
67

5863-

(;8- nt/

73-

Cuenta

I
tl

,.

ll
il/t

2
4

'ft|+ I
Tfl+

'l|lJ

lll

ilil
ll
/il

5.29. Construir un histograma y un polgono de frecuencia para Ia distribucin de Ios pesos del
Problema 5.28.

El histograma y el polgono de frecuencias para

cada

uno de los dos casos considerados en el Problema 5.28

estn dados en las Figs. 5-7 y 5-8. Niese que los centros
de las bases de los rectngulos se encuentran en las mar'
cas de clase

www.tutomundi.com

2
D

TOTAL

Naturalmente, son posibles otras distribuciones de frecuencia. La Tabla 5-6, por ejemplo, muestra una distri
bucin de frecuencias con 7 clases solamente en las que
el intervalo de clase es de 9 libras.

77 lt

Otr< mtodo.

Frecuencia

40

Tabl 6-6
Peso (libras)

Cuenta

Frecuencia

118-126 / / /
r27-r35 ll-ll
136-144 fitl llll
145-153 Ttll -ft/+ //
154-162 -ll-/1
163-171 l/ll
172-180 / /

12

TOTAL

40

5
q

4
2

178

TEORIA DE MUESTREO

:T83:ETg!E['

f3

5-?

5.30. Se lanzan cinco monedas simultneamente 1000 veces


y en cada lanzamiento se observa el nmero de caras.
Los nmeros de lanzamientos durante los cuales se obtienen O, 7, 2, 3, 4 y 5 caras se muestran en la Tabla
5-7. (a) Representar los datos grficamente. (b) Construir una tabla que muestra el porcentaje de lanzamientos que resultan en un nmero de caas menor que 0,
l, 2, 3, 4,6 6 6. (c) Representar grficamente los datos
de la tabla construida en (b).

(o)

r40

14? t58

187 t76

165

Peso (libras)

Peso (libras)

Iris.

lcAP.5

ig. 5-8

Tabla 5-7

Nfimero de
Nmero de

lanzamientos

caras

(frecuencia)

38

t4.t

342

Los datos aparecen grficamente en la Fig. 5-9 o en la Fig.

287

5-1 0.

La Fig. 5-9 es un grfico de empleo ms lgico, puesto que,


por ejemplo, el nmero de caras no pueden ser 1.5 3.2.
Este grfico es una especie de grfico de barras en el que las
barras tienen una anchura cero y a veces se llama grfico de
uoro. Se utiliza especialmente cuando los datos son discre-

164

25

TOTAL

1000

es la frecuencia

total 1000.

[os.

ta

Fig. 5-10 muestra un histograma de los datos. El rea total del histograma

Al emplear la representacin de histogtama o el correspondiente polgono

de frecuencia se estn tratan-

do los datos como si fuesen continuos.

o
o

o)
E
N

350

^-^
ou

300

soo

zso

250

(d

200

zoo

150

roo

roo

50

!a

50

tt

lcu

1234
Nfimero de caras
tr'ig. 5-9

(b)

1231
Nmero de caras
Fig.5-10

Refirindose a la Tabla 5-8, advirtase que muestra nicamente una distribucin de frecuenciasacumulay una distribucin acumulada porcentual del nmero de caras. Las entradas reflejadas como "menor
que 1", "menor que 2", etc., podran igualmente haber sido "menor que o igual a 0", "menor que o
das

igual a 1", etc.

www.tutomundi.com

TEORIA DE MUESTREO

Nfimero de lanzamientos
(frecuencia acumulada )

Nfrmero de caras

menor que

Porcentaje de lanzamientos
(frecuencias acumuladas
porcentuales)
0.0

menor que 1
menor que 2
menor que 3
menor que 4
menor que 5
menor que 6

38

3.8

t82

18.2

524

52.4

811_

81 .1

975

9?.5

1000

100.0

100

o
C

t{0

6
N^^
Eou

N-^
EOU

o
O

G'

,10

,10

:!

lzo

Hzo

A
0123456
Nmero de caras

6
0123,1
Nmero de caras
Fig. 5-12

Fig.5-ll

(c)

La representacin grfica puede indicarse como en la Fig, 5-11 o en la Fig. 5-12.

La Fig. 5-11 es Ia ms lgica para representar datos discretos; as por ejemplo, el porcentaje de lanzamientos en los que haya menos de 2 caras es igual aI porcentaje en las que haya menos de 1,75, 1.56
1.23 caras, de modo que eI mismo porcentaje l8.2ol,,aparece para todos estos valores (indicado por la
lnea horizontal).
La Fig. 5-12 muestra el polgono de frecuencias acumuladas u ojiva de los datos y los trata como si en
esencia fuesen continuos.

Ntese que las Figs. 5-11 y 5-12 corresponden a las Figs. 5-9 y 5-10 de la parte (a).

CALCULO DE LA MEDIA, VARIANZA Y MOMENTOS PARA MUESTRAS

5.31. Hallar la media aritmtica de los nmeros 5,3,6, 5,4,5,2,8,6,5,4,8,3,4,5,4,8,2,6,4.


Mtodo

l.
2x

+3

fi + 5 + 4 + 5 + 2 + 8 +

6+ 5+ 4 + 8l- 3 + 4 + 5+ 4 + 8 1 2+ 5+ 4

It

20
qA

=:n'"
Mtodo 2.
Hay seis 5, dos 3, dos 6, cinco 4, dos 2 y tres 8. Entonces

_ )/
n

+ r5)(4) I (2)(2) +(3)(8)


6+21-2+5+2+3

,(6)(5) +(2)(3) +(2)(6)

96
20

4.8

5.32. Cuatro grupos de estudiantes, formados por 76, 20,10 y 18 individuos registran una media de
pesos de 162, L48, 153 y 140 libras, respectivamente. Hallar el peso medio de todos los
estudiantes.

www.tutomundi.com

180

TEORIA DE MUESTREO

lcAP.

sfn

150 libras

5.33. Utilizar la distribucin de frecuencias de estaturas en la Tabla 5-2, pgina 163, para hallar
tatura media de los 100 estudiantes de la Universidad, XYZ.

la es

La solucin se indica en la Tabla 5-9. Advirtase que todos los estudiantes con estaturas de 60--62 pulgadas,
63-65 pulgadas, etc., se consideran como teniendo estaturasde 61,64, etc., pulgadas. Elproblema entonces
se reduce a encontrar la estatura media de 100 estudiantes, si 5 tienen una estatura de 61 pulgadas, 18 tienen
una estatura de 64 pulgadas, etc.
Tabla 5-9

fr

Estatura (pulgadas)

Maca de clase (c)

Frecuencia (/)

60-62

61

305

63-65

64

18

rt52

66-68

67

AO

28t4

69--71

70

27

r890

584

72-7 4

-)/-100

2lr >/

fr = 6745

+ - ffiq = 6?.45 pulgadas

Los clculos involucrados pueden conveitirse en tediosos, especialmente para los casos en los que los nmeros
son grandes y hay muchas clases. Tcnicas breves se encuentran disponibles para disminuir el trabajo en tales
casos. Vase Problema 5.35, por ejemplo.

5.34. Derivar la frmula clave (27),pgina 164, para la media aritmtica.


Dentese la clave de marca j-sima por .rj. Entonces la desviacin de.r con respec[o a alguna marca de clase
determinada a, xj - o, es igual al tamao de intervalo de clase c multiplicado por algn entero u, es decir r
-o:cltj x: a *cu, (tambinescrito brevementecomor =a I cui.
La media est dada por

fi

nnnn.=
=

yaque

o>f;

)/'(o*crr)

2fr
=

2fu;

a*c!

)/'rr'
,t

alc"

n=2f.
T abla 5-lO

5.35. Utilizar la frmula clave del Problema 5.34


para hallar la estatura media de los 100 estudiantes de la Universidad XYZ (vase Problema 5-33).
La solucin puede ordenarse como se indica en la
Tabla 5-10. El mtodo se denomina el mtodo claue

y debe emplearse siempre que

sea

posible.

u = "*(?t;)"

)fu = l5

67+

(i%),,, -.

www.tutomundi.com

67.45 pulgadas

181

TEORIA DE MUESTREO

cAP. 5l

5.36. Hallar (c) la varianza y (b\ la desviacin tpica para los nmeros en el Problema 5.31.
(o) Mtodo 1.
Como en el Problema 5.31 tenemos

= 4.8. Entonces

n20
_ 59.20 , ar
20

Modo 2.

"

2f(r-r\2 _

6(5

- 4.8)2

59.20
20

(b)

De (o\, s2 =

5.37. HaIIar

2.96

Ia desviacin

,z -

f(r

(2_-

4.8):

3(8

4.8)2

20

2QA

"-rfzs6=1.36.

tpica de los pesos de los estudiantes del Problema 5.32.


15(162- 150)2 | 20(149-1si)i -tJ911!!:-!Li)2 + 18(140-

- r\2 n

!5+20+10-f

150z

18

= +:q = 65'6 en unidades libras cuadadas o (libras)2


, : y'Gb.6 (libras)2 : \6bS libras : 8.10 libras, donde hemos utilizado el hecho de que las

Entoncee
unidades siguen la leyes comunes del lgebra.

5.38. Hallar la desviacin tpica de las estaturas de los 100 estudiantes de la Universidad XYZ
Vase Problema 5.33.

Del Problema 5.33,

x:

67.45 pr.rlgadas, [,a solucin puede ordenarse como se indica en la Tabla 5'11.
Tabla 5.11

r-r

Estatura
(pulgadas)

Maca de

60-62

61

-6.45

4t.6025

63-65

64

-3.45

clase

r-

=
67.45

lr -

fr)

Frecuencia

f(r

\2

208.0L25

11.9025

18

214.2460
8.5050

66-68

67

-0.45

0.2025

42

69-71

70

2.55

6.5025

27

ID.DO'O

246.4200

72-74

o.Do

73

30.8025

n=)/=100
2

f(r TL

n\z

852.7500
100

= {dEfB =

5.39. Derivar la frmula clave (28), pgina 164, para lavarianza.


Como en el Problema 5.34 tenemos ri = a + cui y

ft = a*c'" 2f,u,
= a*c'
t
www.tutomundi.com

2f(r-lz=
852.7500

2.92 pulgadas

L82

TEoBTADEMUEsTREo

Entonces
s2

= f,> f ,{r,-

: }>

o,

f ,1"u,_

[cAp.

"o,

= 2i) f @,-az
= "i 2 ,<"? - j. + tlz)
2xt

= *2

-'#2

t,"?

2 'tf,u?t
= 2
-

22c2

,'r",u?
-t t

*>

r,o,

c2z

/2f,u,\t
't t

",f!n'LN

c2[u2

C2[

ru, +

(;'1
\fu/J

2]l

5.40. Utilizat la frmula clave del Problema 5.39 para hallar la dewiacin tpica de las estaturas en
el Problema 5.33.

La solucin puede ordenarse como se indica en ta Tabla 6:12. Esto nos permite halla
6.35. De la frltima columna tenemos

a2

s:

como en el Problema

= "rfL>l!'n /)'l
\n /l = 21 - az
/ rs Vl
= ta)'f-re?
Ltoo-\t*/J =

^ -275
'b

2.92 pulgadas.
Tabla 5-12

61

-2
-1

fu

fuz

-10
-18

20

18

42

70

27

27

27

73

32

64

+67

z=)/=100
5.41.

lalEr lo-s primeros

del Problema 5.33.

2lu=75

18

)fqz =

97

cratro momentos con respecto a la media para la distribucin de estatuas

Continuando el mtodo del Problema 5.40 obtenemos la Tabla 5-13.


Tabla 5-13
fi

6t

-2
-1

18

67

42

70

27

27

27

27

27

73

16

32

64

L28

64

z=

)/:

-10
-18

100

2fu=16

fu2

'20
18

2fu2:97

www.tutomundi.com

fux

fua

-40
-18

80

I/aa:33

18

2 fu+

--

253

cAP.6l

183

TEORIA DE MUESTB,EO

Entoncee, utilizando

La

notacin de la pgina 165, tenemoe

M]

>fu
n

M= >fu2
n

ML=Zy =

0.15

o.BB

M,^=>+=2.53

0.97

y de (32),
lttt =

ffi2=

M'r') = 9[0.9? - (0.1s)2] =


ca(ML-gLI|Mi+ zM'Lz) = 2?[0.88 -

ffi3=

,nL

8.6275

"z1ML-

= ca(M't- 4MiML+ 6M'r2ML-

B(0.15X0.9?)

+ z(0.1b)B]

-2.6982

BMin)

81[2.53-4(0.15)(0.33) + 6(0.15)2(0.97) -3(0.15)41

199.3?59

5.42. Hallar los coeficientes de (o) sesgo y (b) curtosis para la dishibucin de estaturas del
Problema 5.33.

(o)

DeI Problema 5.41,

ffi2=s2=8.5275
Entonces

mB

Coeficiente de eesgo = a,

= -2.6932

fflg
a3

= p:
{ (8.5275)3
(b)

-0.14

Del Problema 5.41,

m+
Entonces

ffiz:s2=8.5275

199.3759

Coeficiente de

rttt

cutosis= as=E

199.3759

qa-szrgy

_
al
= 6z't+

De (o) vemos que la distribucin est modetadamente sesgada a la izquierda. De (D) yemos que e8 menoc
apuntada que la dishibucin normal (que tiene un coeficiente de curtosir: 3).

PROBLEMAS DIVERSOS

5.43. (a) Demostra cmo escoger 30 muestras aleatorias de 4 estudiantes cada una (con
remplazariiento) de la tabla de estaturas en la pgina 163 utilizando nmeros aleatorios. (b)
Hallar la media y la desviacin tpica de la distribucin muestral de medias en (o). (c)
Comparar los resultados de (b) con los valores tericos, explicando cualquier discrepancia.
(o) Emplear dos dgitoe para numerar a cada uno de los
100 estudianes: 00, OL, 02,... , 99 (vase Tabla
5-14). Asf los 5 estudiantes con esaturas 60-{2
Tabl 6-14
pulgadas s numeran 00-{4, los 18 eetudiantes con
estaturas 63-65 pulgadas se numeran 05-22, etc. Cada
Nfmero
Estatura
n(rmero de estudiantes se denomina nmero'muestral.
Entonces extraeremo8 nlmeros muestrales de la tabl
de nfmeros aleaorios (Apndice I). Del primer rengln
hallamos la secuencia 5I, 7'1, 27, 46, 40, etc., que
tomamos como n(meros muestrales aleatorios, cada
uno de los cuales determina la estatua de un eetudiante determinado. As 51 conesponde a un estudiante
con estatura 66-68 pulgadas, que tomamos como 67
pulgadas (la marca de elase). En forma semejante 77,

27, 46 resultan en'estatuas de 70, 67,67

pulgadas

respectivamente.

www.tutomundi.com

(pulgadae

Frecuencia

muestral

60-62

00-04

63-65

18

05-22

66-68

42

23-64

69-71

27

65-91

72-74

92-99

184

TEORIA DE MUESTREO

lcAP.5

Por eete proceso obtencmo l Tblr Fl quc rnuetra lo n(mcro muetrale extrafdor, l.8s estatuas
correspondientee y la esttun mcdb pan cde un de h 30 muegtraa flebe menciorarse que aunque
eecogimos el prirner rengl,n dc l trbl de nlrncro dcatoiio hbrfrmo podido inici en eualquier
parte y escoger cualquicr patrn dctetmindo,

Tbh 6-r
Nfmeros muesFale

Esttwr

o-

Ela+

Nfrmeros muestralea

rff

Estatras corespondientec

extrafdo

rrcqrondieatcc

medi

1. 51,77,27, 46
2. 40,42,33, 12
3. 90,44,46,62
4. 16,28,98,93
5. 58, 20,41, 86
6. 19,64,09,70
7. 56,24,03,32
8. 34,91,83,58
9. 70, 65, 68,2L
10. 96,02, 13, 87
fl. 76, 10, 51,08
12. 63,97, 45, 39
13. 05,91, 45,93

67, 70, 67 , 67

67.75

13.

11,64, 55, 58

64, 67, 67, 67

66.25

67, 67, 67, 64

66.25

1f.

70, 56,91, 43

70, 67, 73, 67

69.25

70, 67, 67, 67

67.75

1t.74,28,93,50

70, 67, 73, 67

69.25

64, 67, 73, 73

69.25

19.

79, 42,'7L,30

70, 67, 70, 67

68.50

67, 64, 67, 70

67.00

m.

58, 60, 21, 33

67, 67, 64, 67

66.25

14.96,0L,73,52

15.

64,70, 67, 67

67.00

07,82,54,24

extnfdo

media

64, 67, 64,70

66.25

21. 75,79,74,54

70,70,70,67

69.25

67,67,6L,67

65.50

2:2. 06,31,04,

18

64, 67, 6L, 64

64.00

70,64,64,73

67.75

70, 64, 67, 64

66.25

67, 73, 67, 67

68.50

23. 67, 07, L2,97


24. 31, ?1,69, g8
25. tt,64,2L,87
26. 03,58,57,93
27. 53, 81, 93,99

64,70, 67,73

68.60

23.23,22,96,79

67, 64, 73, 70

68.50

73, 61, 70, 6?

67.75

29.
30.

98, 56, 59,36

73, 67, 67, 67

68.50

08, 15,08,84

64.64, 64,70

65.50

67, 70, 70, 67

68.50

70, 70, 70,64

68.50

73,6r,64,70

67.00

67, 70, 70, 70

69.25

64, 67, 64, 70

66.25

6L, 67, 67, 73

67.00

67, 10, 73, 70

70.00

Trbl 6-16

fu

fu2

64.00

-4

16

64.75

-4
-3
-2
-1

-4
-6

Media muestral

Clenta

65.50
66'.25

a+67,00
67.75
68.50

/t/t

69.25

)#{

70.00

14

28

16

45

16

l,f = n -

30

),fu. =

2 fuz

23

123

(b) I Tabla 5-16 da I ditribuci6n

de ftecucrci dc I media muestral de las estaturas obtenidas en (o).


Esta ee una distribucin mucetal de mediu. L medi y la derviacin tfpica ee obtienen como es usual
por los mtodos claves delcrito anterbrmeue.

Medi = a*c
Derviacin

= o*c2fu
tpicr =
=

(0.76)

www.tutomundi.com

6?.00* (0'75)(23\
=
'-

67'58 Pulgadaa

2fuz />1"\'
n -\ i

"

1.41 pulgadar

cAP.5l

TEORIA DE MUESTREO

(c

185

t a media terica de la distribucin muestral de medias, dada por a, es igual.a la media poblacional r que
67.45 pulgadas (vase hoblema 5.33), de acuerdo.con el valor de 67.58 pulgadas de la parte (b).

es

La desviacin tpica terica (error tpico) de la distribucin muestral de medias, dada por o*, es igual a
o/y'[, donde la dewiacin tpica poblacional o = 2.92 pulgadas (vase hoblema 6.40) y el tamao de la
muestra n : 4. Puesto que o/t6':2.g2/fi = 1.46 pulgadas, estamos de acuerdo con el valor de 1.41
pulgadas de la parte (b), Las discrepancias se deben a que solamente 30 muestras fueron seleccionadae y
el tamao de la muestra fue pequeo.

5.44. La desviacin tpica de los pesos de una poblacin muy grande de estudiantes es de 10.0
libras. Se escogen muestras de 200 estudiantes de esta poblacin y se calculan las dewiaciones
tpicas de las estaturas de cada muestra. Hallar (c) la media y (b) la dewiacin tpica de la
distribucin muestral de las dewiaciones tpicas.
Podemos considera que el muestreo es o de una poblacin infinita o con remplazamiento de una poblacin
finita. De la Tabla 5-1, pfuina 162, tenemos:

5.45.

[,)

lr)

ps: o =
o

ts=-'

\/2"

10.0 lb

= 0.50Ib
+
v400

Qu porcentaje de las muestras del Problema 6.44 tendran dewiaciones tpicas (o) mayores
que 11.0 libras, (b) menores que 8.8libras?
La distribucin mueetral de desviaciones tpicas es aproximadamente normal con media 10.0 libras y desviacin tpica 0.50 libras.

(a)

11.0 libra en unidades tpicas: (11.0 - 10.0)/0.50 : 2.0. El rea bajo la curva normal a la derecha de z
2.0 es (0.5 - 0.4772) = 0.0228; por tanto el porcentaje pedido es 2,3'/'.

(b) 8.8 libras en unidades tpicas : (8.8 - 10.0y0.50 : -2.4. El rea bajo la curva normal a la izquierda
z : -2.4 es (0.5
- 0.4918) : 0.0082; por tanto el porcentaje pedido ec 0.8%.

de

6 observaciones se hace aleatoriamente de una poblacin. Cul es la


probabilidad de que las dos ltimas observaciones sean menores que las primeras cuatro?
Suponemos que la poblacin tiene funcin de densidad f(xl. Ia probabilidad de que 3 de las primerae 4
observaciones sean mayores a u mientras que la cuata obsenacin se encuentre entre u y u I du et dada

5.46. Una muestra de

Por

(1)

.".

- ?d
L

J,

-r;t

/(r) tr.rJ f eL) du

La probabilidad de que las 2 ltimas obervaciones sean menores que u (y por tanto menores que las primeras
4) est dada por
fnu12

l) --na a. )

(2)

Entonces la probabilidad de que las primeras 4 sean rnayores que y las 2 ltimas 6ean menores que u
es decir

producto de (1 ) y (2),

(r)

f"

nc,,f f t@ta*l'/t,,r ,t,,1


'LJ"
aJ. 1r)drl'z
I
J
la probabilidad total de que las 2 ltimac'obervacione

Puesto que u puede tomar valores entre


e
menores que las primeras 4 es la integral de (3 ) desde o hasta , esto es
Q\

,r,

:-l,'

ea el

a*)"lJ'"-r,a a,l'

www.tutomundi.com

ra,) au

sean

186

TEORIA DE MUESTREO

lcAP.5

Para evalua esta erpreein hacemos

1,

(5)

!l_ ,r" o'

Entonces
(6)

Cuando u

: -

1 y cuando u

d.o

- f(u)itu

=-

@, u

t1

cus

('

Jo

r-o = !"'nO*

= 0. Por tanto

(4 ) se

convierte en
F(B)

f(4)
z(t-)titp = 4=6-a

= G

que es la probabilidad pedida. Es intereant notar que l,a probabilad no depende de la distibucin de
probabilidad f(r). Este es un ejemplo del eatdstico no paromtrico puesto que no ae necesita oonocer
ningn rarmetro poblacional.

xn} una muestra aleatoria de tamao n extrada sin remplazamiento de


{xr, x2
una poblacin finita de tamao N. Demostrar que si la media y varianza poblacional son J y
o2 entonces (a) E(Xi) = r, (b) Cov (X,X): -"21(N -L).

5.47. Sea

Suponer que la poblacin conie del conjunto de nmeros {dt, ez,. . . , oN}, donde las c no son
neceesriamente ditintas. Un procedimiento de muestreo aleatorio es aquel bajo el cual cada seleccin de n de
un total de N c tiene h misna probabilidad (es decir LlttC"). Eato quiere decir que las XJ eetn dishibuidas
idnticamente.

prob.
prob.

xj=

l/N
l/N

(i = 1,2,...,n)

Sin embargo, no son mutuanente independientes. En verdad, cuando

est dada por

P(Xr= a, X= ar) = P(X:

= *4,"0

i*h,la

distribucin conjunta de X1 y

a^)

P(X = a, I X= a)

au I

X;:
lt#

a)

\=y

dondelyzvarande1aN.
N

E(xi\

(o)
(b)

Qov

).: I

aP(X - a) =

EIX:- pXxr -

(X,Xyl

tN

J,* =

p)l

NN

= +("+)^,
donde la (rltim suma contiene un total de N(N
sibles de l, y z deaiguale.s.

Entoncee, por lgebra

elemental.

t(or-,)I(oz-p)+'..*(or-p)12

(or-r)(o'-r)

1) trminos, que correqronden a todas las parejas poN


N
) _ ("^-pl(o,-p)
= I=1
.). ("^-t'\2 +. l+v:l

www.tutomundi.com

cAP.6l

187

TEORIA DE MUESTREO
En esta ecuacin, el lado izquierdo e8 cero, ya que por definicin

-la2+'," +av =

a1

y la primera suma en el lado derecho er igual

I+v:l

a N 02,

(o

por definicin. Por tanto

p)(o,

- p) =

-Noz

't/

r \
-2
rr-:--r l(-,1'", = - N-1
'r' X)
^' = ;(
- N\N-rl'

Cov (X,

5.48. Demostrar que (c) la media y (b) la varianza de la media muestral del Problema6.47 estn
dadas respectivamente por

t*=
E6) =

(o)

"1 =*"(x=)
/X' +...f x"\
D

) = ;iE(x)+"'+E(x")l
1

(.'

"

=1 n (p -r "'+p)

donde hemoe empleado el Problema 6.a7 @).

(b)

Uilizando loe Teoremar 3-5 y 3-16 (generalizadoe), y el Problema 6-4?, obtenemos

var(x)

Sv^,(,t

",) = #[, var(X) * ,,

cov(x,x)]

= #* *,,(n_',(-r_ i)]
= Lfr-"-rf
nl- N-1J = 4(N-"\
'\N-1/

Problern

a,t

suplernenta,rlo s

DISTRIBUCION MUESTRAL DE MEDIAS

6.49,

Una poblacin est6 formada por los cuatro nfrmeros 3,7,LL, 15. Considerar toda lae posibleamuestrasde
tamao dos que pueden extraers de esta poblacin con remplazamiento. Hallar (o ) la media poblacional, (b )
la dewiacin tpica poblacional, (c) la media de la digtribucin mueshal de medias, (d) la dewiacin tpica de
la distribucin muestral de media. Encontrar (c) v (d) directamente de (c) y (b) mediante las frmula

adecudas.

5.50.

Resolver el Problema 5.49 si el muestreo fuese sin remplazamiento.

.51.

Loa peeos de 1600 cojinetes de bolas se distribuyen normalmente con medla 22.40 onzas y dearriacin tfpica
0.048 onza. Si se erraen 300 mueetras de tamao 36 de ea poblacin, determirar la media y la dewiacin
tpica eeperada de la ditribucin muetral de medias si el muestreo se hace (o ) con remplazamiento, (b ) sin

remplirzamiento.

6.62.

Resolver el Problema 6.51 si la poblacin 5e compone de 22 cojineter.

5.53.

En el Problema 5.51, en cuntae de lag muetras aleatoria cabe ecperar que sus medias (a) ertn enl'l.e 22.39
onzas, (b) sean rnayor de 22.42 onzae, (c) sean menor de 22.37 onzaa, (d) ean menor de 22.38 o
mayor de 22.4L onzas?

y 22.4L

www.tutomundi.com

188

6.54.

TEORIA DE MUESTREO

lcAP.6

Ciertos tubos fabricados por una compaa tienen una duracin media de 800 horas y una dewiaein tpica
de 60 horas. Hallar la probabilidad de que una muestra aleatoria de 16 tubos, tomada de entre ellos tenga una
duracin media de (a) entre 790 y 810 horas, (b) menor de 785, (c) mayor de 820 horas, (d) enhe ??0 y 830

horas.

6.55.

Lo mismo del Problema 5.54 si la muestra extrada

5.56.

Los pesgs de los paquetes recibidos n un departamento de almacenamiento tienen una media de 300 libras y
una desviacin tpica de 5O libras. Cul es la probabilidad de que el peso de 25 paquetes recibidos aleatoriamente y cargados en un ascensor supere el lmite de seguridad del ascensor, que es de 8200 libras?

ee

de 64 tubos. Explica la diferencia.

DISTRTBUCION MUESTRAL DE PROPORCIONES

5.57. llallar Ia probabilidad de que de los prximos 200 nios nacidoe (o ) menos d,el 4Oi'o sean nios, ( ) entre el
43% y el 57% sean nias, (c) ms del 640/o sean nios. Supnganse iguales las probabilidades de nacimientoe
de nio y nia.

5.5t.
5.59.

De un total de 1000 muestras de 200 nios cada una, en cuntas cabe esperar que (o) menos del 4OVo sean nios, (b ) entre el 4O% y el 60% sean nias, (c ) el 63"h o ms sean nias?

Resolver el Problema 5,57 si se consideran 100 en lugar de 200 nios

explic.ar las diferencias en los

resultados.

5.60.

Una una contiene 80 bolas de las que 6oo/a son rojas y 4OToblanca* De un total de 50 muestras de 20 bolss
cada una, sacadas de la urna con rempliazamiento, en cuntas cabe esperar (a) igual nmero de bolas rojas y
blancas, (b) l2 bolas rojas y 8 blancas, (c) 8 bolas rojas y 12 blancas, (d) 10 o ms bolas blancas?

5.61.

Dsea un experimento que ponga de manifiesto los resultadoe del Problema 5.60. En lugar de bolas rojas y
blancas, se pueden usar hojas de papel, sobe las que se escrriba la inicial .R o I en las proporciones adecuadas.
Qu enores pueden introducirse al utilizar dos conjuntos diferentes de monedas?

6.62. Un fabricante despacha 1000

lotes de 100 bombillas cada uno. Si normalmente el 6Vo de las bombillas es


defectuoso, en cuntos lotes cabe esperar (o) menos de g0 bombillas buenas, (b) 98 o ms bombillas
buenas?

DISTRIBUCIONES MUESTRALES DE DIFERENCIAS Y ST'MAS

5.63. A y B fabticzn dos tipos de cables, que tienn unas registencias ,nedias a larotura de 4000 y 4500 libras con
desviaciones tpicas de 300 y 200 libras, respectivamente. Si se comprueban 100 cablesdeA y 50 cablesde
B' cul es la probabilidad de que Ia media de resistencia a b rotura sea de (a) al menos 600 libras ms que A,
() al menos 450 libras ms que A?

5.64.

Cules son las probabilidades del Problema 5.63 si se comprueban 100 cables de cada fabricante? Explicar
las diferencias.

5.65. En una prueba de aptitud

la puntuacin media de lo estudiantes es de ?2 puntos y la dewiacin tpica de 8


puntos.' Cul es la probabilidad de que dos grupos de estudiantes, formados de 28 y 36 eetudiantes,
respectivamente, difieran en su puntuacin media en (o) 3 o ms puntos, (b) 6 o ms puntos, (c) entre 2 y 5
puntos?

5.66.

Una urna tiene 60 bolas rojas y 40 blancas. Se extraen dos cotecciones de 30 bolas cada una con remplazamiento y s anotan sus colores, Cul es la probabilidad de que las dos coleccionee difieran en 8 o ms bolag

rojas?

5.6?.

Resolver el Problema 5.66 si las exracciones son sin remplazamiento al obtener cada coleccin,

5.6t.

Los resultados de una eleccin mostraron que un cierto candidato recibi el 65% de los votos. Hallar la
probabilidad de que en dos muestras aleatorias compuesta cada una de 200 votantec, haya una diferencia
superior al1^o"k en las proporciones que votaron por dicho candidato.

5.69.

Si U y U2 son los cor\ntos de nhmeros del Problema 5.12, comprobar que

www.tutomundi.com

cAP.5I

(a) 4.tr*Lrr: ru, I


6.70.

189

TEORIA DE IIIUESTREO
ttur2

(b)

ou1+ur

= \Grtr.

Se pesan tres cantidades dando 20.48,35.97 y 62.54 libras con dewiacionee tpicar de 0.21,0.46 y 0,54
libras, respectivamente. Hallar (o ) la media y (b ) la desviacin tpica de la suma de las cantidades.

6.71. El voltaje

medio de una baterfa e de 15.0 voltios y la dewiacin tfpica 0.2 voltios. Cul er la probabilidad
de que cuatro de estas baterfas conectadae en serie tengan un voltaje conjunto de 60.8 o msvoltios?

DISTRIBUCION MUESTRAL DE VARIANZAS

6.72. Con

referencia al Problema 6.49, hallar (o) Ia media de la distribucin muestral de varianzas, (b) el error

tfpico de varianzas.

6.73.

Reeolver el Problema 6.72 ei el muestreo es sin remplazamiento.

6.74.

Una poblacin normal tiene una varinza de 15. Si se extraen muestrae de tamao 5 de esta poblacin, qu
porcentaje puede tener varianzas (a) menores que 10, (b) mayores que 20, (c) entre 5 y 10?

.75.

la duracin de tubos de televisin fabricados por una compaa tienen una media de 2000 horas
una dewiacin de 60 horas, Si se seleccionan 10 .tubos aleatoriamente hallar la probabilidad de que la
dewiacin tfpica muestral (o) no exceda a 50 horas, (b) se encuentre enre 50 y 70 horas.
Se halla que

CASO DONDE SE DESCONOCE LA VARIANZA POBLACTONAL

5.?6.

De acuerdo con la tabla de distribucin de Student para 1 grado de libertad (Apndice D) tenemos P(-1 <
1) : 0.50. Verificar si los resultados del Problema 5.i se confirman por este valor y explicar cualquier
diferencia.

?s

6.77. Verificar si los resultados del Problema 5.49 se confiman utilizando (a) P(-1 < f < 1) = 0.50, () P(1.3?6 < ?
1.376) - 0.60, donde ? tiene, una distribucin de Student con r, = 1.
=
5.78. Explicar cmo

podra utilizar el Teorema 5-7, pgina 161, para disear una tabla de distribucin f de Student
como la dada en el Apndice D.

DISTRIBUCION MUESTRAL DE RELACIONES DE VARIANZAS

5.79.

Dos muestras de tamaos 4 y 8 se extraen de una poblacin distribuida normalmente, Es la probabilidad de


que una ttarianza sea mayor que 1.5 veces la otra mayor que 0.05, entie 0.05 y 0.01, o menor que 0,01?

5.E0.

Dos compaas, A y B fabrican bombillas. La duracin parz A tiene una desviacin de 40 horas
la duracin de B tiene una desviacin tpica de 50 horas. Una

muestra de 8 bombillas se toma de A y 16 de 8. Determinar la


probabilidad de que la varianza de la primera muestra sea mayor
que (o) dos veces, (b) 7.2 veces, la de la segunda.

5.8f

DISTRIBUCION DE FRECUENCIA

5.82.

Tabla 5-17

Duracin
(horas)

Solueionar el Problema 5.80 si las desviaciones tpicas de las duraciones son (o) ambas 40 horas, (b) ambas b0 horas.

La Tabla 5-17 rmuestra una distribucin de frecuencias de la


duracin de 400 tubos de radio comprobados en la L & M Tube
Company. Con referencia a esta tabla determinar:

() f 'mite superior de la quinta clase.


(b) Lmite
inferior de la octava clase.
(c) Marca de clase de la sptima clase.
(d) Lmites reales de la ltima clase,
(e) Tamao del intervalo de clase.
6 Frecuencia de Ia cuata clase.
(g) Flecuencia relatira de la sexta clase.
(h) Porcentaje de tubos cuya duracin no sobrepasa

las 600 horas.

www.tutomundi.com

en tanto que

- 399
400 - 499
500 - 599
600 - 699
700 - 799
800 - 899
900 - 999
300

Nmero de
tubos
L4
46
58
76
68
62
48

1000-1099

22

1100-1199

TOTAL

400

190

TEoRTA DE MUEsTREo

(i)
(j)

lcAP.5

Porcentaje de tubos cuya duracin es mayor o igual a 900 horas.


Porcenaje de tubos cuya duracin es al menos de 500 horae pero menor de 1000 horas.

5.83. Construir (a) un histograma y () un polgono de frecuenciae


ciaa del hoblema 5.82.

correspondientes a la distribucin de frecuen-

5.t4.

Para los datos del Problema 5.82 construir (o ) una distribucin de frecuencias reliativas o porcentual, (b un
)
histograma de frecuencias relativas, (c ) un polgono de frecuencia relativas.

5.E5'

Para los datos del Problema 5.82 construir (o) una distribucin de frecuencis acrmuladas, (b) una distribucin acumulada relativa o porcentual, (c) una ojiva, (d) una ojiva porcentual.

5.86.

Estimar el porcentaje de tubos del Problema 5.82 con duraciones de (o) menos de 560 horas, (b) 9?0 o mg

horas, (c) entre 620 y 890 horas.

5.87.

Los dimetros interiores de las arandelas producidas por una compaa pueden medirse con aproximacin de
milsimas de pulgada. Si las marcas de clase de gna distribucin de fiecuenciaa de estoe dimetros vienen
dadas en pulgadas por los nmeros 0.321,0.324,0.327,0.330, 0.333 y 0.386, hallar.(a) el tamao de
intervalo de clase, (b) los lmites reales de clase, (c) los lmite de clase.

5.88. La Tabla

5-18 niuestra los dimetros en pulgadae de una muestra de 60 cojinetes de bolas fabricados por una
compaa. Construir una distribucin de frecuencias de los dimetros utilizando intervalos de clase

"de"*-

dos.

Tabla 5-18

0.738 0.729
0.728 0.737
0.746 0.736
0.733 0.?30
0.735 0.732
0.732 0.737

0.743 0.740
0.?36 0.735
0.742 0.740
0.732 0.730
0.735 0.72t
0.731 0.746

0.736
0.724
0.128
0.739
0.734
0.735

0.741
0.733
0.738

0.734
0.732
0.735

0.735 0.731
0.742 0.736
0.725 0.733
0.738 0.?39
0.736 0.741
0.729 0.734

0.726 0.737
0.739 0.735
0.734 0.732
0.727 0.735
0.736 0.744
0.?30 0.740

5.89. Con los datos del Problema 5.88 consruir (o) un histograma, (b) un polgono de frecuencias, (c)

una

ditribucin de frecuencias relativas, (d) un histograma de frecuenoias relativas, (e) un polgono de frecuencias relativas, (f) una distribucin de frecuencias acumuladas, (g) una distribucin acumuhd porcentual, (h)
una ojiva, (i) una ojiva porcentual.

.90.

Con log resultados del Problema 5.89 determinar el porcentaje de cojinetes de bolas que tienen dimetros (o)
superiores a 0.732 pulgadas, (b) no superioree a 0.?36 pulgadas, (c) entre 0.?30 y 0.?38 pulgadar. Comparar
estos resultados con los obtenidos directamente de la coleccin de datos de la Tabla -18.

6.91.

Resolve el Problema 5.89 para los dato del hoblema 5.82.

CALCULO DE LA MEDIA, DESVIACION TIPICA Y MOMENTOS PARA MUESTRAS

6.92.
.93.

Las calificacione de un estudiante en cinco aeignaturaa fueron 85, ?6, 93, 82 y 96. Hallar la media aitmtica
de dichas calificaciones.

Los tiempos de reaccin de un individuo a determinadoe estmulos fueron 0.63, 0.46, 0.50, 0,49, 0.52, 0.63,
y 0.55 segundos, respectivamente. Deerminar el tiempo medio de reaccin del individuo a los estmu-

O.44
los.

6.94. Una

eeie de nfimeros est formada


aitmtica ?

6.95.

por seis 6, siete 7, ocho 8, nueve 9 y diez 10.

Cul es

u media

Las calificaciones de un estudiante en las tres asignaturas del curso fueron 77,78 y 89. (c) Si las ponderaciones asignadas a cada asignatura rcn 2, 4 y 6, respectivamente, cul es el promedio adecuado para sus
calificaciones? (b ) Cul sera si todas las ponderaciones son iguales?

6.96. Tles profesore

de economfa regienron una ealificacin media en sus eimenes de 79,74

www.tutomundi.com

y 82;

sue clasee

191

TEORIA DEMUESTREO

cAP.5l
estaban formadas por 32, 25

y 11 estudiantes, reqrectivamente. Determinar lacalificcinmediaparatoda8

las clases.

pagado a todos los empleados de una compaa fue de $6000. Log salarios medios
anuales pagados a hombies y mujeres de la compaa fueron $200 y $4200, respectivamente. Determinar
el porcentaje de hombres y mujeres empleados en la compaa.

5.g?. El salario medio anual

Tabla 6-19

muestra la distribucin de las cargas mximas en


toneladas cortas (1 tonelada corta : 2000 libras) que soporan
cieros cables producidoe por una compala. Determinar la media
de la carga mxima empleando (a) el "mtodo latgo", (b) el mto'
do clave.

5.98. La Tabla 6-19

5.99.

Carga mxima

Nlmero de

(toneladas cortas)

cableg

9.3-

para los daos de la Tabla 6'20 empleando (o) el "modo


largo", (b) el mtodo clave.

Halla

Tabla 6-2O
fr

462 480 498 516 534 552 570 588 606

98 75 56 42 30 21 15 11 6

9.7

9.8-10.2
10.3-10.7
10.8-11.2
11.3-11.7

624

i)

t2
17

l4

11.8-r2.2

12.3-L2.7
L2.8-L3.2

TOTAL

60

.100. La Tabla 5-21 muetra Ia distribucin de los dimetros de las cabezas de los remaches fabricadoe por una
compaa. Calcular el dimetro medio.
Tabla 6-22

Tabla 5-21

Dimetro (pulgadas)

0.7247-0.7249
0.7250-0.7252
0.7253-0.7255
0.7256-0.7258
0.7259-0.726L

42

0.7.262-0.7264

68

0.7265-0.7267
0.7268-0.7270
0.7271-0.1273
0.7274-0.?276
0.7277-0.7279
0.7280-0.7282

49

6
8

15

Frecuencia

Clase

Freeuencia

lG-menoe
16-menoe
20-menos
26-menos

de 16
de 20

de
de
Sfmenos de
36-menos de
40-menos de

25

3
7

25

16

30
36
40
45

L2

TOTAL

I
o
2

54

18
L2
4
1

TOTAL

250

6.101. Calcular la media de los datos de la Tabla 6'22.


6.102. Hallar la desviacin tpica de los nmero:
(a) 3,6, 2, 1,7,5; (b) 3.2,4.6,2.8,5.2,4.4; (c) 0,0,0,0,0, 1' 1'
5.103.

(o)

1.

Sumando 5 a cada uno de los nlmeros de la serie 3,6,2, L,7,6 se obtiene la srie 8, 11 ,7,6, 12, 10.
Demostrar que as dos series tienen lae mismas desviaciones tfpicas, pero diferentes medias. Cmo estn
relacionadas las medias?

(b) Multiplicandocadaunodelosnmeros3,6,2,1,?,6por2ydespussumando6seobtienelaseriell,

Cules 8on lias relaciones entre las desviaciones tpicas y las medias de las dos series?
lo
Qu propiedades de la media y de la desviacin tfpica se ponen de manifiesto por lae series de

L7,9, 7, 19, 15.

(c)

nfimeros de los apartado (o) y (b)?

6.104. Hallar la dewiacin tpica de la serie de nlmeros de la progreein aimtica 4, 10' L6,22,. . . ' 164.
.106. tlalla la dewiacin pica para las distribuciones del (o) hoblema 6.98' (b) 6.99.

www.tutomundi.com

L92

TEORIA DE MUESTREO

lcAP.

5.1o6. Hallar (a) la media y (b) la desviacin tpicaparaladistribucindelProblema


de los resultados obtenidos.

S.30explicandoelsignificado

5.f 07. (o) Hallar la desviacin tpica s de los dimetros de los remaches del Problema b.lOO. (b)
eu porcentaje de

dimetros se encuentra entre (r1 ,t s), (t t 2s), (t l3s)? (c) Comparar los porcettajes'de (b)
lo. teiicos
esperados, si la distribucin fuese normal, y comentar las diferencias observadas.
"on

5.108.

(a) Hallar la media y desviacin tpica para los datos del problema 5.2g.
) Construir una distribucin de frecuencias para los datos y hallar la desviacin
(c) Comparar el resultado de (b) con el de (a).

(b

tpica,

5.109. Lo mismo del Problema 5.108 para los datos del problema 5,gg.
5.f f O. (a) De un total de n nmeros, la fraccinp son unos mient:'as que la fraccin q : 1
-p son ceros. Demostrar
que la desviacin tpica de La serie de nmeros es
fi. Aplicar el resultado de (o) al Problema b,102(c).

5.111. Hallar los momentos de (a) primero, (b) segundo, (c) tercero y (d) cuarto orden de los nmeros 4,,1
,5,g,g,
3, 6.

5'112. tlallar los momentos de (o) primero, (b) segundo, (c) tercero y (d) cuarto orden con respecto
los nmeros del Problema 5.111.

a la media de

5.113. Hallar los momentos de (o) primero, (b) segundo, (c) tercero y (d) cuarto orden respecto al punto ? para los
nmeros del Problema 5.111.

5.114. Con los resultados de los hoblemas 5.111 y 5.1!2, comprobar las relaciones entre momentos (a)
mi2, (b) rr,, = nt.;-Btnini l2m'rs, (c) lrq - nl_ thnirni+6ml2rn,2_ Bm,+.

,nz

= ml-

5'115. Hallar los cuatro primeros momentos con respecto a la media de los nmeros de la progresin aritmtica 2, 5,
8, 11, 14, 17.

5.116. Si el momento de primer orden con respecto al punto 2 es igual a 5, cul

es la media?

5.117. Si loscuatroprimerosmomentosdeunaseriedenmerosrespectoalpunto3sonigualesa-2,10,-2bybO,
determinar los correspondientes momentos (o) respecto a Ia media, (b) respecto al punto 5, (c) respecto al
origen.

5.llE. Hallarloscuatroprimerosmomentosconrespectoalamediadelosnmeros0,0,0, l,
5.119. (a) Demostrar que

,,r5

?n:

1m'rm!

l}m'r2nt!,

l}rnlstn"

4n,r5. (D )

1,

l, 1,1.

Derivar una frmula anloga par^rns.

5.120. De un total de n nmeros, la fraccin p son unos mientras que la fraccin q : 1 p son ceros. Hallar (o) m t ,
(b) mz, @') mt y (d) ma para los nmeros. Comparar con el problema b.11g.
5'121. Calcular los primeros cuatro momentos con respecto a la media para la distribucin

Tabla 5-23

de la Tabla 5-23.

5.L22. Calcular los cuatro primeros momentos con respecto a la media para la distribucin
del Prollema 5.98.

5.123. Hallar (a) ntr, (b) m,, (c)

nt3,

(l).mt, k) , (f) s, @;li, tt,l F, tl F, y (i) (i+ rFpara

la distribucin del Problema 5.101.

5.124. Hallarelcoeficientede(c)sesgo,(b)curtosisparaladistribucindelProblema5.121.
5.125. Hallar el coeficiente de (o) sesgo, (b) curtosis para la distribucin del Problema 5.98,
Vase Problema 5.722.

t2
t4

16

18

10

20

22

AI,

30

5.126. Los momentos de segundo orden con respecto a la media de dos distribuciones son g y 16, mientras que los
momentos de tercer orden con respecto a la media son
-8.1 y -12.8 respectivamente. Qu distribucin est
ms sesgada a la izquierda?

6.127. Los momentos de cuarto orden respecto a la media de las dos distribuciones del Problema6.126 son 230y
780 respectivamente. Qu distribucin se aproxima ms a la distribucin normal desde el punto de vista de
(a) apuntamiento, (b) asimetra?

www.tutomundi.com

cAP.6l

TEORIA DE MUESTREO

193

PBOBLEMAS DIVEBSOS

5.128. Una poblacin de 7 nmeros tiene una media de 40 y una desviacin tpica de 3. Si muestras de tamao 5 se
ertraen de esta poblacin y se calcula la varianza de cada muestra, halla la media de la distribucin muestral
de varianzae si el muestreo ee (o) con remplazamiento, (b) sin remplazamiento.

5.129. Determinado tubos producidos por una compafa tienen una duracin de 900 horar y una dewiacin tpica
de 80 horas. La compafa envfa 1000 lotes de 100 tubo cada uno. En cuntos lotee cabe esperar que (o) la
duracin exceda 910 horar, (b) la dewirrcin tfpica de la duracin exceda 96 hora? Qu ruporicioner
deben hacerse?

6.130. En el Problema 5.129 si la medina de duracin es de 900 horas, en cuntos lotes cabe eErerar que la
mediana de duracin exceda a 910 horaa? Comparar u solucin con el hoblema 5.129(o) y explicar ous
reeultados.

5.131. En un exarnen las calificaciones fueron normalmente disribuidas con media 72 y dewiacin tpica 8. (o)
Hallar la calificacin mfnim del 2O% superior de los eetudianes. (b) Hallar la probabilidad de que en una
muestra aleatoria de 100 eetudianes la calificacin mnima del 2O% superior Eea menor que 76.

(n-1)d (eadecirun
6.132. (a) Demostrarquelarvarianzasdelconjuntoden nfrmerol a,a*d,al2d,...,aI
progresin aritmtica con primer trmino o y raz6n d) erlt6 dada por tl1-2 (n2 Dd2 .fsugerencio: Utilizar
-

l+2+3+..'*(n-1)=in(n-1),

1z+22+32+".+(n-l\z=fn(n-Il(2n-1).1

(b)Emplear(a)enel

hoblema 6.104.
6.133. Demoshar que los primeros cuatfo momentos con respecto a la media de progresin aitmtica a, a * d, a *

2d,...,a|(n-l)dson
11
ffit = 0, mz = i,@z-L)dz, mt = 0, tno = (n2-l\3n2-7'td4
CompararconelProblema 5.115. fSugerencia: 14+24 +34+' ..* (n - 1)a = $n(n-l)(2n-ll8n2-Bn1

).1

5.134. Una mueetra de 8 obeervacione

se hace aleatoriamente de una poblacin. Cul es la probabilidad de que lae


primeras tres obgervaciones sean mayores que las'ltimas cinco?

.135. Demoetrar que Vt y Vz definidas en el hoblema 5.22, pgina 175, son independientes.
6.136. Demostrar el resultado (I9), pfuina 160.

www.tutomundi.com

Captulo 6
rF

. a

|
..
eonq de
esttmocton

ESTIMAS INSESGADAS Y ESTIMAS EFICIENTES

En el Captulo 5-indicbamos que un estadstico se llama estrnador insesgado de un parmetro


poblacional si la media o esperanza del estadstico es igual al parmetro. El valor correspondiente
del estadstico se llama estima insesgada del parmetro. EJEMPLO 6.1. La media X y la varianza 3' d"finid". en las pginas 157 y 160 son estimadores insesgados de la
media poblacional r y de la varianza poblacional 02, puesto que E'(X) = u, U 13 t) = o2. Los valo^res i y 3 z se llaman
estimas insesgadas, Sin embargo, S realmente es un estimador sesgado de o, ya que en general Z(3) + o.

Si las distribuciones muestrales de dos estadsticos tienen la misma media, el estadstico con la
menor varianza se llama estimador eficiente de la media. El valor correspondiente del estadstico
eficiente se llama estima eficiente. Lgicamente se prefiere tener estimas que sean eficientes e
insesgadas, pero esto no siempre es posible.
EJEMPLO 6.2. La distribucin muestral de la media y la mediana, ambas tienen la misma media, la media poblacional' Sin embargo, la vaianza de Ia distribucin muestral de medias es ms pequea que la distribucin muestral de

medianas. Por tanto, la media provee una estima ms eficiente que la mediana. Vase Tabla 5-1, pgina 162.

En la prctica

se

utilizan estimas sesgadas o no eficientes, por la relativa facilidad con que algunas de

ellas pueden obtenerse.

ESTIMAS POR PUNTOS Y ESTIMAS POR INTERVALOS. SEGURIDAD

La estima de un parmetro poblacional dada por un nmero se llama estima de punto de.l
parmetro. La estima de un parmetro poblacional dada por doS nmeros entre loJ cuales se
considera que se encuentra dicho parmetro se llama estima de interualo del parmetro.
EJEMPLO 6.3. Si se dice que una distancia viene dada por 5.28 pies, se est dando una estima de punto. Si, por otra
parte, se dice que la distancia es 5,28 + 0.03 pies, es decir, la distancia real se encuentra entre 5.2_5 y 5.31 pies, se est
dando una estima de intervalo,

La precisin o conocimiento del error de una estima se conoce tambin como su seguridad.

ESTIMAS POR INTERVALOS DE CONFIANZA, DE PARAMETROS POBI,ACIONALES


Sean rs y o" la media y la desviacin tpica (error tpico) de la distribucin muestral de un
estadstico S. Entonces, si la distribucin muestral de S es aproximadamente normal (lo que se ha
visto-,.que es cierto para muchos estadsticos, si el tamao de muestra es n > 30), cabe esperar que el
estadsticoSseencuentreenlosintervalos&s o^s8.s*o.s, &s-2o"EFsl%a'" r.r--Bo, u-r"*
3o" , l 68.27 % ,95.46% y 99.73% de las veces, respectivamnte.

L94
www.tutomundi.com

TEORIA DE ESTIMACION

cAP.6l

195

Anlogamnte cabe esperar o se puede confiar en encontrar, ps er los intervalos S - o. a S * o'


delasveces,respectivamenllama a esto intervalos los interualos de confianza del68.27%,96.45%y
te. Poi estos se
99.73% para la estima de rs (es decir, para estima el parmetro poblacional, en el caso de un S insesgado). Los nmeros extremos de estos intervalos (S i o5, S -+ 2o., $ I 3or) son llamados los lmites
de confianza del 68.27 %, 95.46% y 99.73% o, como otras veces s conocen, Imites fiduciales.

S-3o, & S*Sorenel 68.27%,95.46%y99.73%


S-2o" a S+2o""pueden

Anlogamente, S +- 1.96 o, y S -r 2.58 o, son los lmites de confianza del96% V 99% ( 0.9q -V
0.99) para p". El porcentaje e confianza se"llama tambin nivel de confanza. Los nmeros 1.96,
2.68, etn., de los lmites de confianza se llaman coeficientes de confianza o ualores crticos y se
denotan por zc. De los niveles de confianza se pueden obtener los coeficientes de confianza y
recprocamente.
En la Tabla 6-1 se dan los valores de z" que corresponden a distintos niveles de confianza
utilizados en la prctica. Para niveles de confianza que no se encuentran en Ia tabla, los valores de z"
pueden sacarse de las tablas de la cuwa normal en el Apndice C.
Tabla 6-1
Nivel de confianza
zc

e9.73% s9% s8% s6% s5.46% 95% 90% 80% 68.27% 60%
3.00 2.68 2.33 2.05 2.00 1.96 1.645 r.28 1.00 0.6746

En los casos donde un estadstico tiene una distribucin muestral que es diferente de la distribucin normal (como chi-cuadrado, t 6 ,F') se hacen fcilmente modificaciones apropiadas para
obtener los intervalos de confianza.
INTERVALOS DE CONFIANZA PARA MEDIAS

1.

,Grandes muestras (n > 30).

Si el estadstico S es la media muestral X, entonces los lmites de confianza d'el95% y 99% para
la estimacin de la media poblacional ,r, vienen dados por X r- 1.96 o7 Y X + 2.58 ox respectivamente. Ms generalmente, los lmites de confianza esln dados por X * z"o* donde z" depende
del nivel de confianza que en cada caso se desee y puede obtenerse de la tabla anterior. Utilizando los valores de o;, obtenidos en el Captulo 5, se puede ver que los lmites de confianza para
la media pblacional vienen dados por

Xtz"*

vn

(r)

en el caso de muestreo en una poblacin infinita o si el muestreo es con remplazamiento en una


poblacin finita y por

X*2"*

vn

N-tt.
N-1

(2)

finita de tamao N.
En general, la desviacin tpica poblacional o es desconoc^ida, de modo que para obtener los
lmites de confianza anteriores, se utiliza la estima muestral S o S.

si el muestreo es sin remplazamiento n una poblacin

2.

Pequeas muestras (z < 30).

En este caso utilizamos la distribucin t para obtener los niveles de confianza. Por ejemplo si
-t.szs y .szs son los valores de ? para los que el 2.6% del rea se encuentra en cada "cola" de
la distribucin , entonces un intervalo de confianza para ? est dado por (vase pagina 161)
(N

-t.srs

- "\\
s

www.tutomundi.com

(3)

196

13ORIA DE ESTIMACION

lcAP.6

de lo que se deduce que p se encuentra en el intervalo

X-t."rr* a < r ( X+
vn

,tS
L 975---=

(t')

vn

con el 95% de confianza. En general los lmites de confianza pa medias poblacionales estn
dados por

y*"1

(5)

vn

donde eI valor f" puede leerse del Apndice D.


Comparando (5) con (I) se observa que para pequeas muestras remplazamoszc por t".Patan
> 30, z" y t" son realmente iguales. Debe anotarse que una ventaja de la teora de pequeas
muestra.s (que lgicamente puede emplearse para grandes muestras, es decir, esexacta) es que S
aparece en (5) de modo que la desviacin tpica puede utilizarse en cambio de la desviacin
tpica poblacional (que generalmente se desconoce) en (l ).

INTERVALOS DE CONFIANZA PARA PROPORCIONES


Si el estadstico S es la proporcin de "xitos" en una muesta de tamao n > 30 extrada de
una poblacin binomial en la que p es la proporcin de xito (es decir, la probabilidad de xito), los
lmites de confianza para p vienen dados porP ! z"op, dondeP es la proporcin de xitos en la
muestra de tamao n. Con los valores obtenidos en el Captulo 5 de op, S tiene que los lmites de
confianza para la proporcin poblacional son dados por

Ptz"

pq
?I

= Ptz"

(6)

para el caso de muestreo en una poblacin infinita, o con remplazamignto en una poblacin finita.
Anlogamente los lmites de confianza son

, t ,"1p-

N-n
N-1

(7)

si el muestreo es sin remplazamiento en una poblacin finih rre hmao N. Obsrvese que estos
resultados se obtienen de (I) y (2) remplazando X por P y o por Vpq.
Para calcular estos lmites de confianza puede utilizarse la estima muestral P para p. Un mtodo
ms exacto se da en el Problema 6.27.

INTERVALOS DE CONFIANZA PARA DIFERENCIAS Y SUMAS

Si Sr V S: son dos estadsticos mueshales con distribuciones muestrales aproximadamente


normales, los lmites de confianza para la diferencia de los parmetros poblacionales correspondientes a Sr y 52 vienen dados por
S,

S,

2.o..,-.s2

S,

- Sr! z"{fl--}s,

(8)

mientras que los lmites de confianza p^ra la suma de los parmetros poblacionales son
51

+52

""nrr*.s2
con tal de que las muestras sean independientes.

Sl + 52 t

r"1474,

(e)

Por ejemplo, los lmites de confianza para la diferencia de dos medias poblacionales, en el caso
de que las poblaciones sean infinitas, vienen dados por

www.tutomundi.com

T,

"",

"r- ",

(10)

cAP.6l

L97

TEORIA DE ESTIMACION

'donde Xpopnr y X2,o2,n2 son las respectivas medias, desviaciones tpicas y tamaos de las dos
muestras extradas de las poblaciones.

Anlogamente, los lmites de confianza paa la diferencia de dos proporciones poblacionales,

siendo las poblaciones infinitas, estn dados por

W*"-t z"orr_r, : P, - P, = ,"1=;


*'T
donde Pt y Pz son las dos proporciones muestrales, flt! nz son los tamaos
P,

(11)

Pr.

extradas de las poblaciones, y


Pt V Pz).

pr y p2

de las dos muestas


son las proporciones en las dos poblaciones (estimadas por

INTERVALOS DE CONFIANZA PARA VARIANZAS


El hecho de que nS2/o2=(n-t32A tenga una distribucin chi-cuadrado con n-l gradosde
libertad nos permite obtener los lmitesdeconfianzapra o2 6o. Porejemplosi x%rry X?szs sonlos
valores de 2 para los cuales 2.6% del rea se encuentra en cada "cola" de la distribucin, entonces
un intewalo de confianzadel95% es
nS2

v2

o2

^.02S

(12)
^.975

o de manera equivalente
-.2

X!.ozs

(13)

De esto vemos que o puede estimarse que se encuentra en el intervalo

S\n -

(1t

X.ozs

S{n-7

(1

5)

X.szs

con confianza de g5%. En forma semejante ohos intervalos de confianza pueden encontrarse.
Generalmente es deseable que la amplitud del intervalo de confianza sea tan pequeo como
posible. Para estadsticos con distribuciones muestrales simtricas, como las distribuciones normal y
, esto se consigue utilizando colas de reas iguales. Sin embargo, para distribuciones no simtricas,
como la distribucin chi-cuadrado puede ser deseable ajustar las reas en las colas de tal manera que
se obtenga el intervalo ms pequeo. El proceso se ilustra en el Problema 6.28.

INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS


En el Captulo 5,

p$na

161, vimos que si dos muestras aleatorias independientes de tamaos m


de vatianzas ol, of,

y n con varianzas S, Si se extraen de'dos poblaciones distribuidas normalmente


respectivamente, entonces la variable aleatoria

S$
si,/4

tiene una dishibucin

F con fr - I,

gndos de libertad. As por ejemplo si denotamos por F.ot y tr'.ss los valores de F para los cuales 1%
del rea se encuentra en cada "cola" de la distribucin.F.entonces con98% deconfianzatenemos
A

F.or

s?/a

(r6)

s7/"7

De esto podemos ver que un intervalo de confianza del98% para la relacin de vaianzas
dos poblaciones viene dada por

1S?
F;; g

Fo,S,

www.tutomundi.com

ql

de las

(17)

198

TEORIA DE ESTMACION

lcAP.6

Advirtase que F.ss se obtiene de la tabla del Apndice F. El valor de F.or s el inverso de .F.ee con
los grados de libertad para el numerador y el denominador inyertidos, de acuerdo con el Teorema
4-8, pgina 118.

De una manera semejante podramos hallar un intenalo de confianza del g0% empleando la
tabla apropiada en el Apndice F. Esto vendra dado por

r
F.ss

,31

o-n
o-t
-

$z

(r8)

I' .05 p2
a2

ESTIMAS DE MAXruA VEROSIMILITUD

Aunque los lmites de confianza tienen valor para estima un parmetro poblacional es conveniente tener un estimador por punto. Paa obtener el "mejor" de tales estimadores, empleamos una
tcnica conocida como el estmador de mxima uerosimilifud, debida a Fisher.
Para ilustrar el mtodo suponemos que la poblacin tiene una funcin de densidad que contiene
d-eterminado.
Por tanto, la funcin de densidad puede denotarse por f (x, d ). Suponiendo que hay n obsenaciones
independientes x1 ,. . . , xn, la funcin de densidad conjunta para estas obsenaciones es

un parmetro poblacional, por ejemplo g, que se va a estimar por un estadstico

L - f(r?\

f(n2,0). . . f(r",0)

(1e)

que se llama la uerosimilitud. Laruxima uerosimilitud puede obtenerse tomando la derivada deZ con
respecto a 0 e igualndola a cero. Para este propsito es conveniente tomar primero el logaritmo y
luego la derivada. De esta manera hallamos

af(rt|) +

f@;tr

De aqu podemos obtener 0 en trminos de

1 0f(r",01
"'+ fl*,,e\ffi
=o

(20)

r.

El mtodo puede generalizarse. As para el caso donde existan varios parmetros tomamos las
derivadas parciales con respecto a cada uno de los parmetros, los igualamos a cero y resolvemos las
ecuaciones resultantes simultneamente.

Problerna,s resueltos
ESTIMAS INSESGADAS Y EFICIENTES

6.1.

Dar ejemplos de estimadores (o estimas) que sean (c) insesgados


no eficientes, (c) sesgados y no eficientes.

()

son dos de tales ejemplos.

La media muestral X y Ia varianz.zmuestral modificadas

3t = ,

--LtSz

eficientes, (b) insesgados y

(b) La mediana muestral y el estadstico

muegtral *(Qt + Qs), donde Qr y @ on las cuartilas muestrale


inferior y superior, son dos de talee ejemplos. Los dos son estimadores insesgadoe de la media poblacio-

nal, puesto que la media de sus dishibuciones muestrales es la media poblacional. Sin embargo ambo no
son eficientes si se les compara con X.
desviacin tpica muestral g la desviacin tpica modificada ,3,
semi-intercuartlico son cratro de tales ejemplos.

(c) fa

www.tutomundi.com

desviacin media y el reconido

cAP.6l

6.2.

199

TEORIA DE ESTIMACION

Una muestra de cinco medidas del dimetro de una esfera se registraron como 6.33, 6.37,
6.36, 6.32 y 6.37 centmetros. Determinar unas estimas insesgadas y eficientes de (c) la
verdadera media, (b) la verdaderavarianza.
(o

Estima insesgada y eficiente de la verdadera media (es decir, de la media poblacional).


JC =

(b) Estima

tr.JDani

insesgada y eficiente de la verdadera varianza (es decir, de la varianza poblacional).

=
=

n .
n-1"

2(n-\2
-

(6.33-

n-l

6.35)2

+ (6.36-6.35)2+ (6.32

(6.3?-6.35)2

6.35)2 F (6.3?-6.35)2

5-1

0.00055 cm2

Ntese que 0 = /0"00055 = 0.023 es una estima de la verdadera desviacin tpica pero esta estima no
es insesgada

6.3.

ni eficiente.

Supngase que las estaturas de 100 estudiantes de la Universidad XYZ representan una
muestra aleatoria de las estaturas de los 1546 estudiantes de la universidad. Determinar unas
estimas insesgadas y eficientes de (o) la verdadera media, (b) la verdadera varianza.

(o) Del Problema

.33:

Estima insesgada y eficiente d la verdadera altura

(b)

pulgadas.

Del Problema 5.38:


Estima insesgada y eficiente de la verdaderavaianza
,? = /8.6136 :
y.iroentre s yG.

As

6.4.

media: t : 67.46

= i2 = ;!1t,

iT

$.5275)

8.6136

2.93. Advirtase que puesto que n es grande, no hay esencialmente diferencia entre

Dar una estima insesgada

y no eficiente

s2

del verdadero dimetro medio de la esfera del

Problema 6.2.
La rediana es un ejemplo de una estima insesgada y no eficiente de la media poblacional. Para las cinco
medidas puestas en orden de magnitud la mediana es 6.36 cm.

ESTIMAS POR INTERVALOS DE CONFIANZA PARA MEDIAS (GRANDES MUESTRAS}

6..

Hallar los intervalos de confianza del (a) 95% y (b\ 99% para estimar la estatura media de los
estudiantes de la Universidad XYZ del Problema 6.3.

(a)

Los lmites de confianza del 95% son X

t I.96"/\f;.

Utilizando n : 67.45 pulgad.as y i : 2,93 pr]adas como una estima de o (vase Problema 6.3), los
lnites de confianza son 6?.45 ! 1.96(2.93/V100) 67.45 ! 0.57 pulgadas. As, pues, el intervalo de
confianza del 95% para la media poblacional t es 66.88 a 68.02 pulgadas, que puede denotarse por
66.88

< tt<68.02.

Se puede, por tanto, decir que ia probabilidad de que la estatura media de la poblacin se encuentre
entre 66.88 y 68.02 pulgadas es, 4er. 95Vc 0.95. En smbolos se escribir P(66.88 < p < ti8.02): 0.96.
Esto es equivalente a decir que se tiene un 95% de confionzo en que la media de Ia poblacin (o verdadera media) se encuentre entre 66.88 y 68.02 pulgadas.

(b)

Los lfmites de confianza del 99% son

+ z.saa =
tln

2.58o/t. Para la muestra dada


67.45

! 2.58-?+ =
V100

www.tutomundi.com

67.45

--

0.TG pulgadas

200

TEORIA DE ESTIMACION

lcAP.6

Asf, puee, el intervalo de confianza del 997o para la media poblacional r e 66,69 a 68.21 pulgadas, que
puede denotarse por 66.69 ( < 68.21.
Para obtener los intervalos de confianza, se supone que la poblacin es infinita o tan grande que se pueda

considerar que las condiciones son las mismas que


poblaciones finitas

si el muesheo fuese con remplazamiento.

muestreo sin remplazamiento, se utilizara

embargo, se puede considerar el factor

lugar de

o^.

t;'

Para

srn

0.96? como 1.0, de modo gue no

utilizalo. Si se utiliza, los lmites de confianza anteriores se convie:rten en 67.45 1 0.b6 y


0.73 pulgadas, respectivamente.

es necesario

6?.45

6.6.

Lad medidas de los dimehos de una muestra de 200 cojinetes de bolas hechos por una
determinada mquina durante una.semana dieron una mdia de 0.824 pulgadas y un desviacin tpica de O.O42 pulgadas- Hallar los lmites de confianza del (o) 55"1. v (bl99% para el
dimetro medio de todos los cojinetes.
(o

Los lmites de confianza del g5% son

6
(b)

x t 1.g6a =
Vn

,i :,

r.so! =
Vn

0.824

t 1.96ry =
\/200

0.824

0.00b8 pulgadas

0-824:t 0.006 Pulgadas

Los lmites de confianza d,el 99o/,, son

xtz.sa| = r*z.ss9 = 0.824=z.E8y- =


vn
Vn
V200

0.824

0.824:r0,00??putgadas

0.008 pulgadas.

Advirtase que se ha supuesto que la desviacin tpica dada es la desviacin tpiez modificd i Si la
desviacin tpica dada fuese S, se habra empleado ?: \/n/@4s = y'200[99s que puede tomarse
como i para todos los propsitos prcticos. En general, para n > 30 se puede asumir que s y 3 son
prcticamente iguales.

6.7.

Hallar los lmites de confianza del (a) 98%, (b) 9O% y (c' 99.73% para el dimetro medio de

los cojinetes del Problema

(a)

G.G.

tal que el rea bajo la curva normal a Ia derecha de z

Sea z

: z, es

"
por simetra, el rea a la izquierda de z:-zce8
lok. Entonces
tambin lVo, de modo que el rea sombreada eselgSVo del rea

total.
Pueso que el rea total bajo la curva es 1, el rea desde z
eE 0.49; de aqu que z":2.33.

z:zc

O es

Asi pues, los lmites de confianz del 98% son

r ! 23g+ =
\/7i

0.824

* 2.gg9!9 =

0.824

(b) S" busca z" tal que el ea desde z :


entonces z. : t.645.
Asi

0.0069 pulgadas

\/zo0

Oa

z : zc ea O.4.

pues, los lmites de confianza del90ak son

n!I.645a

= 0.824! 0.0049oulgadas
,{= 0.82!L.6450'942
t/-zoo

(c)

Los lmites de confianza d,el 99.73V.

!3+

\ -

sn

0.824tSL93 =

0.824t0.0U89pulgadas.

\/zoo

www.tutomundi.com

Fig.6-l

cAP.7I
6.8.

TEORIA DE ESTIMACION

20L

Al medir el tiempo de reaccin, un siclogo estima que la dewiacin tpica del mismo es de
0.05 segundos. Cul es el nmero de medidas que deber hacer para que sea del (a) 96% y
(b) 99% La confianza de que eI enor de su estima no exceda de 0.01 segundos?
(c)

Loe lmitee de confianza del 95% on

.f I l.9Tolfi,siendo

el error de la etima l.g6ol{n.Tomando o

0.05 segundoe, se tiene que el error ser6 igual a 0.01 si (1.96X0.05)/\,6 : 0.01, er decir, 1fi =
(1.96)(0.06)/0.01 : 9.8 n : 96.04. As, pues, se puede estar en la confianza del 96% de que el enor de

la estima eer menor de 0.01 i n e 97 o mayor.

del 99% son X t 2.58o/{i. Entonces (2.58')(0.051/\/n = 0.01, < n. : 166.4. Aef,
pues, 8e tiene la confianza del99% de que el error de la etima eer menor de 0.01 soliamente i n es 167
o mayor.

(b) Loe lmite de confianza

6.9.

Una muestra aleatoria de 50 calificaciones de matemticas de un total de 200, arroj una


media de 75 y una desviacin tpica de 10. (o) Cules sonloslmitesdeconfianzadel9%
para la estima de la media de las 200 calificaciones? (b) Con qu grado de confianza po
.decirse que la media de las 200 calificaciones es 75 r 1?

(o)

Puesto que la poblacin no es muy gtande en relacin con el tamao de la mueetra, debe emplearse la
frroul para poblaciones finitas con muestreo sin remplazamiento. Entonces los lfmite de confianza del
964o eon

.i=r.goo*. = * t1.9df

vn

(b) tos

N-n
A-1 =

75

t 1.96+
v50

- 50
2oo-L = 76!2.4

200

lmitee de confianza pueden repreaentarse por

tz"ox

N-n
N-1

- X+r"L

r
-- r.*-.q'-:

(10)

v50

200-1 =

200

60

75

1.23 zc

hestoqueestodebeserigualaTSll,setienequel.2S z"=L6 z"=0,81, Elreabajolacurvanormal


: O t z: 0.81 es 0.2910; de aquf que el grado de confianza pedido *162(O.29lO):0.682

deede z
68.21o.

ESTIMAS POR INTERVALOS DE CONFTANZA PARA MEDTAS (PEQUEAS MITESTRAS)

6.10. Los coeficientes de confianza del 96Vo ("d,oble cola")


para la distribucin normal vienen dados por i1.96.
Cules son los coeficientes correspondientes pala la distribucin si (a) v = 9, (b), : 20, (c) v : 30, (d) t= 60?
Paa los coeficientes de confinza del 96% ("doble cola") el rea
el rea ombreada en la col
derecha es 0.026 y el valor crtico correepondiente es .orr.Entonces
los coeficientes de confianza pedidos son t.e?'. Para lo valores
de v dados egtos son (a) t Z.Ze, () +2.09, (c' t2.04, (d)
=2,00.

total en la Fig. 6-8 debe ser 0.05. Asf

Fig. 6-3

6.11. Una muestra de 10 medidas del dimetro de una esfera dio una media : 4.38 pulgadas y
una desviacin tpica s : 0.06 pulgadas. Halla los lmites de confianza para el dimetro
verdadero del (o) 96% y (b) 99%.
(o)

por.t = t.n r1s/t/.


Puegtoque.,:n-L:10-1:g,hallamoat.gzs:2.26fvaeetmbinProblema6.10(c)].Entonce
utilizando : 4.38 y c : 0,06, lo lmitee de confianza del96% pedidos eon

Los llmitee de confianza delglovo estn dados

4.38

2.26

&-

Vlo-1

4.38

0.0452 pulgadaa

www.tutomundi.com

202

TEORIA DE ESTIMACION

lcAP.6

Asf, pues,

(b)

se puede estar en la confianza del 96a/o de que el valor vedadero se encuentra entre 4,38
4.335 pulgadas y 4.38 + 0.045 : 4.426 pulgadas.

0.045

Para v

= 9,

t.se5

3.25. Entonces loe lmites de confianza del 99lo rcn

i t .ssr(S/t-l,l =

4.88

g.Z5(0.06/y'10

- f) =

4.88

0.06b0 pulgadas

y el inervalo de confianza del99% e 4.315 a 4.446 pr'lgadas.

6.L2. (a) Soluciona el hoblema 6.11 suponiendo vlidos los mtodos de la teora de
muestras. (b) Comparar los resulados de los dos mtodos.
(a

grandes

Mediante loe mtodos de Ia teora de grandes muestras los lmites de confianza del 95% son

X t 1.96-9- =
v-n

4.88

1.96-0-,qq

/lo

4.88

+ g.O37pulgadas

donde se ha utilizado la desviacin tpica muestral 0,06 como estima de o. Anlogamente, los lmites de
confianza del 99% son 4.38 * (2.58)(0.06) /\t1,0 = 4.38 t 0..049 pulgadas.

(b) En cada caso, los intervalos de confianza

obtenidos mediante ios mtodos de pequeas muestras o teora


exacta del muestreo son ms anchos que los obtenidos por los mtodoe de grandes muestras. Esto era de
esperarse dada la menor precisin que re obtiene en pequeas muestras con relacin a Las grandes

muesras.

ESTIMAS POR TNTERVALOS DE CONFIANZA DE PROPORCIONES

6.13. Una muestra de 100 votantes elegidos aleatoriamente entre todos los de un distrito dado,
indic que el 55% de ellos estaban a favor de un determinado candidato. Hallar los lmites de
confianza del (a) 95%, (b) 99%y (c) 99.73% para la proporcin de todos los votantes que
estaban a favor de este candidato.

(a

Los lmites de confianza d,el95o/o para la poblacin p son

P : l.l)6or, = P t 1.96./e(l -p)


?

0.55

I(0'55)(0'45)
:r '^^
1'e6!ff

o'55t0'10

donde se ha tomado la proporcin muestral 0.55 para estimarp.

(b)

Los lmites de confianza del99% parap son 0.55 2.586:5EXb:BtTdd


=

(c)

Los lfmites de confianza del 99.73% parap son 0.55

t 3058)16:8

10d

0.55

+ 0.13.

0.55

0.15.

Para hacer este problema de una foma ms exacta, vase Problema 6.27.

6.14.

Qr' tamao de muestra debe tomase en el Problema 6.13 para que la confianza de que el
candidato sea elegido sea del g5% z

El candidato se elige si p ) 0.50, y para tener una confianza del g5% de su eleccin necesitamos
: 0.95. Puesto que (P - p')/\/p(l - pV" es normal asintticamente,
0D > 0.50)

/ J--ct
t)_p
- -'\
r1/pg-p)/n
/

rB
I l-r'-tt'/zy
t/2,
- J_.

Prob(

Prob(p

>

e-Bt/p6-ffi

= +t/2r J(t

-- "-,2/zy

Al comparar con Prob(p > 0.50): 0.9 utilizando el Apndice C indica que

e-Bt/fi-fl/n:0.b0
Entonces, utilizando P

0.55 y la estima p

donde B =

L645

0.55 del Problema 6.18, tenemoe

0.55- 1.6a5y'i6lBB)Io-75j7i :

0.50

www.tutomundi.com

n=

27r

que

hob

cAP.6l

TEORIA DE ESTMACION

203

6.15. En 40 lanzamientos de una moneda, se obtuvieron 24 caas. Hallar los lmites de confianza
d9l (c) 96% y (b) 99.73% para la proporcin de caras que se obtendran en un ilimitado
nmero de lanzamientos de la moneda.

(a) Al nivel del g5o,/,,, z" = 1.96. SustituyendolosvaloresP:24140 = 0.6V n:40 enlafrmula
\tF(l=A/;, se tienep : 0.60 + 15, dando el intervalo 0.45 a 0.75.
(b) Al

nivel del 99.il3li, z" = 3. Mediante la frmula aproximada p = P


+ 0.23, dando, pues, el intervalo 0.37 a 0.83.

t z/F(=ffi,

se

gt=

Ptz"

tienep = 0.60

La frmula ms exacta del Problema 6.27 da el intervalo de confianza del 95'ib como 0.45 a 0.?4 y el
intervalo de confianza del 99.73% como 0.BZ a 0.?9.

INTERVALOS DE CONFIANZA PARA DIFERENCIAS Y SUMAS

6.16. Una muestra de 150 bombillas del fabricante A dieron una vida media de 1400 horas yuna
desviacin tpica de 120 horas. Una muestra de 100 bombillas del fabricante B dieron una
vida media de 1200 horas y una desviacin tpica de 80 horas. Hallar los lmites de confianza del (a) 95% y 99% para la diferencia de las vidas medias de las poblaciones A y B.
[-os lmites de confianza para la diferencia de medias de,4 y B son dados por

(a)

*o- Xn-.
-loi*o'o
-"1/"o-""
Los lmites de confianza del 9b7o son: 1400 1200 ,t 1.96/il2OtG0I80)2/100
-

As, pues, se puede esperar con el


encuentre entre 175 y 225 horas.

95"/o de

(b) Los lmites de confianza d,el 99% son: 1400

200

24.g.

confianza que Ia diferencia'de las medias de las poblrcionee

1200 12.58\,/i120)r/15+-G0)r400

ae

200 + 82.6.

As, pues, se puede esperar con el 994n de confianza que la diferencia de las medias de las poblaciones se
encuentre entre 167 y 233 horas,

6.tr

7. En una muestra aleatoria de 400 adultos y 600 adolescentes que vean un cierto programa de
televisin, 100 adultos y 300 adolescentes dijeron que lei gustaba. Hallar toi t-mites ae
confianza del (c) 967" y (b) 99% para la diferencia d propoiones de todos los adultos y
adolescentes que ven el programa y les gusta.

Los lmites de confianza para la diferencia de proporciones de los dos grupoe estn dados por

PtQt ,

PzQz

'll1
1t2
dondelossubndicesly2serefierenaadolescentesyadultos,respectivamente.AquPr:300/600:0.50
! Pz : 100/400 : 0.25 son las proporciones respectivas de adolescentes y adultos a quienes les gusta
programa.

(a) Los lmites de eonfianza del 95Va son 0.50

O.Zb

1.96

As, pues, se puede esperar con confianza d,el 96% que

encuentre entre 0.19 y 0.31.

() Los lmites de confianza d,el ggVoson 0,50

As( pues, se puede

0.25

=
La verdadera

! Z.5B

0,25 = 0.06,

diferencia de proporciones

www.tutomundi.com

se

0,25 = 0.0g.

esperar con confianza d,el 99Vo que la verdadera diferencia de proporciones

encuentre entre 0.17 y 0.33.

el

se

204

6.f8.

TEORIA DE ESTIMACION

[cm.

FfJ voltaje medio de las bateras producidas por una compaa es de 45.1 V y la desviacin
tpica 0.04 V. Si se conectan 4 bateras en serie, hallar ls lmites de confianladel (a) g5%,
(b) 99%, (c) 99.73% y (d) 5O% para el voltaje total.
Si

Er,

82, Es y Eq representan los voltajes de las 4 bateras, se tiene

ltlt+Ez+at+o

Fu,

* uotr*

l'a,,

* l'a,

t;r+r 2+Er+84

= ,[4:

"'rJ o'r.* o",

= lLEt lr',,= lr', = 45.1 voltioE y dc, = orr, oE,r-= oE, = 0.04 volios,
osr* Ez+t:.t+ti, = 1la1ffiy : 0.08
Er+nz+E+Eo = 4(45.1) = 180.4 V

Entonces, puesto que /rr

(o)

r
de confianza del 99% son: 180.4 + 2.58(0.08) = 180.4 t
de confinza del 99.73% con: 180.4 t 3(0.08) = 180.4 t

Los lmites de confianza del95% son: 180.4 + 1.96(0.08)

) Los lfmites
(c) Loc lmites
(d) toslfmitesdeconfianzadel
(b

180.4

0.16 voltios.
0.21 voltios.
0.24

voltios.

5O%son:180.4i0.6?45(0.08)=180.4:t0.0b4voltios.

El valor de 0.054 voltios se llama error probable,

INTERVALOS DE CONFIANZA PARA VARIANZAS


6.19. La desviacin tpica de las duraciones de una muestra de 200 bombillas fue de 100 horas.
Hallrr los lmites de confianza del (a) 95% y (b) 99% para la desviacin tpica de la poblacin
de tales bombillas.

En este caso se aplica la teora de grandee muestras. Por tanto (vase Tabla 5-1, pgina 162)loslmites de
confianza para la dewiacin tpica de la poblacin son dados por S * z,.o/yEi, donde 2,. indica el nivel de
confianza. Se utiliza la dewiacin tpica muestral para estima o.

(o) Alniveldel 95",/nloslmitesdeconfianzason:100 11.96(100)i/200 = 100:tg.g.


As, pues, se puede esperar con confianz
entre 90.2 y 109.8 horas.
(b

d,el 95Vo que la desviacin

tpica de la poblacin

se encuentre

del 99% los lmites de confianza son: 100 * 2.58(100)/r/Zbd = 100 r 12.9.
As, pues, ee puede esperar con confianza del 99'y'" que la deerein tpica de la poblacin se encuentre
entre 87.1 y 112.9 horas.

) Al nivel

6.20. Qu tamao de muestra en el Problema 6.19 deber tomarse para que con confianza del
99.73% la verdadera desviacin tpica de la poblacin ::o difiera de la desviacin tpica
muestral en ms del (c) 6%, (b)LO%?

De igual forma que en el Problema 6.19, los lmites de confianza del 99,73"/o para o son S .r Bo/l-zn
Ss/\/Zn, utilizando s como una estima de o. Entonceg el error porcentual de la desviacin es
3s/t/-at

= s.x

300 _

{2n
() Si

300//t = 5, entonces n :

(b) Si }OO/\E

10, entonces n

1800. As, pues, el tamao de la muestra deber ser 1800 o ms.

46O.

Aei

pues, el tamao de la muestra deber ser 450 o ms.

6.2L. La desviacin tpica de las estaturas de 16 estudiantes seleccionados aleatoriamente en un


colegio de 1000 estudiantes es 2.4O pulgadas. Hallar los lmites de confranza del (c) 95% y
(b) 99"/. de la desviacin tpica para todos los estudiantes del colegio.
(a) Loslmites

de confianza delgSv" estn dados por sy'7/x.e75

www.tutomundi.com

st/n/x.ozs.

cAP.6l

206

TEORIA DE ESTIMACION
Para o

= 16-

= 15 gradoode libertad,

x?szs

= 27,5 6 x.!75= 5.24 y

x?ozs

= 6.26 6

7.n25

= 2.50.

Entonces los lmites de confianza del 95% son 2.40\f-I6/5.24 y 2.40\R/2.50, esto es, 1.83 y 3'84
pulgadas. Por tanto se tiene la confianza del 95% de que la dewiacin tpica poblacional se encuentra
entre 1.83 y 3.84 pulgadas.

(b) tos lmites de confianza del 99\i, estn dados por Sy'-nlx ors y Sl-n/y.5.
Paray:16-1:lSgradosdelibertad,]oor=32.8 .oe5=5.?3 y xz.oos:4.60 y.s5=2.14,
Entonces los lmites de confianza del 997o son 2.40Vf 6 /1.73 y 2.40\f-16/2.14, ee decir, 1.68 y 4.49
pulgadas. Por tanto se tiene la confianza del 99/o de que la dewiacin tpica poblacionl se encuentra
entre 1.68 y 4.49 pulgadas.

6.22. Solucionar el Problema 6.19 utilizando la teora de pequeas muestras.


(o)

Los lmites de confianza d,el95')h estn dados por Sy'-n;/x


Para v :

200 - 1 :

St/T/x.ozs.

199 grados de libertad, hallamos como en el Problema 4.11, pfuina 137'


l-l

x,.n,
x2nzs
de donde .o75

sr. y

= |{zsrr;_;

Vz(rssl

-r)z =

itt.sor-79.9212

239

= olz02s+V2(199)-1)e =;t-t.SO+19.92)2 =

- 15.5 y

X.ozs

161

\2.7.

Entonces los lmites de confianza del 95o/,' son 100y'2b-0 115.5 = 91'2 y 100y'200/12'1 = 111'3 horas
respectivamente. Por tanto se tiene la confianza del 95% de que la desviacin tpica poblacional se
encuentra entre 91.2 y 111.3 horas.
Este resultado debe compararse con eI del Problema 6.19(a).

(b)

Los lmites de confianza d,el99% estn dados por Sy'-nl.ee5


Para v

200

Sy/i/7.s5.

199 gados de libertad,

x1,t,"

1_l
. it.,,,,r+l/Z[I6Ef-Tz
=

jtz.sa+19.92)2

253

x%os

= 15.9 y x.oos = 72.2.


Entonces los lmites de confianza del 99% son 100/E6
de donde X sq

lL6.g = 88.9 y 1001800/t2.2= 115.9 horas


respectivamente. Por tanto se tiene la confianza del 99% de gue la desviacin tpica poblacional se
encuentra entre 88.9 y 115.9 horas.
Este resultado debe compararse con el del Problema 6.19(b).

INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS

6.23. Dos muestras de tamaos 16 y 10 respectivamente

se extraen aleatoriamente de dos

nes normales. Si se encuentra que sus varianzas son 24

de confianza del (c) 98%

(o)

Tenemos nt

= l(t,

rz

y (b\ 90% para la relacin de varianzas.

= 10, s! = 20,

3?

"?

18 de modo qrre

= t=r"i = (lf)rznl =

a;= r\ri=

poblacio-

y 18 respectivamente halla los lmites

(f;)rto
=
\/

www.tutomundi.com

26.2

2o.o

206

IEORIA DE ESTIMACION

[cAP.6

Del Problema 4.47(b), pgina 13p, tenemos F ge = 4.96 parapl : 16 1 : 15 ! U2 =LO-1 =9 grados
de libertad. Tambin del Problema 4.47(d), tenemos pataUl: 15 y ez:9 grado de libertad f or :
1/3.89 de modo que l/F.e = 3.89. Entonce utilizando (171, pfui1g 19?, hallrrmoe para el intervalo de
confianza del 98%.

(#)(ffi3)

=#

= "; =

o.z8a

(b) Como en (o) hallamos del Apndice F que


confianza del g0%

= rsee,(ffi)

F.e5

4.eo

2.84 V F.os

1t2.59. Por tanto el intervalo de

es

#(ffi) s +=
6

0.4437

('z'6'g)(?q,0.)

= *o

Obsrvese que el intervalo de confianza del9O% e mucho ms pequeo que el intervalo de eonfianza del
98Vo, como lgicamente era de eryerarse.

6.24. Hallar los lmites de confianza del (al 98%


tpicas del hoblema, 6.23.
Al tomar la raz cuadrada

v Q) 90% para la relacin

de las desviaciones

de las desigualdades del Problema 6.23 hallamos los lfmitec de confianza para el

98% v el9o%.

()

o.sg<!=z.zt
oz

()

0.6?=1=r.eg
oz

ESTIMAS DE MAXIMA VEROSIMILITUD

6.25. Si n obsewaciones Xr
& se toman de una poblacin distribuida normalmente de la
cual se desconoce la media y se conoce la varianza. Halla la estima de mxima verosimilitud
de la media.

gue
tenemos
(I)

l(rx, =

Puesto

r-<x-2rzoz

-J-

\/2ro2

L = f(nt, pl" 'f (r,, pl =

(2to2)-tt2-zbk-r)2t2o2

Por tanto

(z')

tL =

Tomando Ia derivada parcial con re4ecto

- #>@t-pl2

g, reculta

raL 1:'
fr, = 3)@*-Pl

(r)
Fijando Lldp =

Q,

-f,tn1z,'or

reeulta

)("*-p) = o edecir )"*-nr

(6)
Af l ectima

2 an

p-n

de mrima veroimilitud e la media muetral.

www.tutomundi.com

cAP.6l

207

TEORIA DE ESTMACION

6.26. Si en el Problema 6.25 se conoce la media pero se desconoce la varianza, halla la estima de
mxima verosimilitud de la vaiarza.
Si escribimos f (rx,"2) en cambio d,e f(x,p), todo lo efectuado en el hoblem 6.25 hata la ecuacin (2)
aplica. Entonces tomando la derivada parcial con reqrecto a 02, tenemos

i'#

ee

= -fi+ ur> @t-r)2

Fijando aLl0o2 - 0 hallamos

2 (rr

02=

pl2

Vse Problema 6.63.

PROBLEMAS DIVERSOS

6.27. (a) Si P es la proporcin observada de xitos en una muesha de tamao n, mostrar que los
lmites de confianz^ para estimar la proporcin de xitos p en la poblacin a un nivel de
confianza determinado po zc esn dados por

+ft*

p-

P(l-P) , z7
n -4

22

z"

r+4n

(b) Utilizar la frmula de () para obtener los lmites de confianzadel99.TS% delProblema


6.13. (c) Mostrar que pa grandes valores de n la frmula de (c) se reduce a p=P2"

\FF -nn,
(a)

como la utilizada en el Problema 6.13.

La proporcin muestral P en unidades tipificadas

- p
oP = -1,
{P(L

- P)/n
Los valores mayor y menor de esa variable tipificada son tzc, donde z" deermins el nivel de confianza.
En estos valores extremos, por tanto, se tiene
p(,L

= *2"

P-P

pl

Elevando al cuadrado los dos miembros,

pz-2pp*p2:

"?P#

Multiplicando los dos miembros por y simplificando, queda,

(nI

zp\p2

(2nP

z?lp

* nPz =

Si o=n+z!, b--(2nP+"7) y c=nP2, estaecuacinsereduceaafi*bp*c:0,cuyassoluciones para

p son dadas por

p=

La

frmula cuadrti,ca

z"P+27=W

_6 + 1/@=lo"

2(n*

2a

2nP

22"

z7\

""t/6F(L1VlT7"
2(nI
zf,)

Dividiendo numerador y denominador por 2n, se tiene

e+

flt

""

P(L-PI , zi
n -4nz

+!

www.tutomundi.com

208

TEORIA DE ESTIMACION
(b) Paraloslmitesdeconfianzadelgg.TSVo,z,,=B.Entonces,utilizando
de (a), se tienep : 0.40 y 0.69 en acuerdo con el problema 6.13(a).
(c) Si n es gtande, entonces zf,/zn, zf,/Anz
que se obtiene la frmula pedida.

6.28.

Es posible obtener

lcAP.6

p=0.55yn:100enlafrmula

22"/nson despreciables y pueden sustituirsepor cero, de forma

un intervalo de confianzadelg]c%para la desviacin tpicapoblacional

cuya amplitud sea menor que la del Problema 6.22(al?

Loe lmites de confianza del 95 para la desviacin tpica poblacional como se hallaron en el Problema
6.22(a) fueron obtenidos escogiendo valores crticos de y2 de tal manera que las reas en cada cola fueran
2.6%.Es posible haltar otros lmitee de confianza escogiendo valores crticos de X2 gar;a los cuales la suma de
las reas en las colas sea61,', 0.05, pero de tal manera que las reas en cada cola no sean iguales.
En la Tabla 6-2 se indican varios valores crticos y los conespondientes intetwalos de confianza del 95%.

Valores Crtico

.6 = 12.44, 2g.e6 :

Tabl 6-2
Intervelo de confianza
d.el 95"tb

Amptud

15.32

92.3

a Lt3.7

2r.4

7.s2=12.64,7s7=15.42

91.7

111.9

20.2

7.$=12'76, es=15.54

91.0 a 110.8

19.8

20.r

.e4

= 12.85,

X.ge

15.?3

89.9

110.0

De la tabla se observa que un intervalo del95%, de amplitud sol.amente 19.8, es de g1.O a 110.8.

Un intervalo con amplitud afn menor puede hallaree continuando el mismo mtodo de aproximacin
x.or y x e8l, X 032 y X 12, etc.
Sin embargo, en general, la disminuein en el intervalo que 8e obtiene es comnmente despreciable y no

empleando talores crticos tales como

justifica el trabajo involucrado.

Probletn.a,s srplernenta,rlos
ESTIMAS INSESGADAS Y EFICIENTES

6.29.
6.30.

Las medidas de pesos de una muestra fueron registradas como 8.8, 10.6, g.7, 8.8, 10,2 y 9.4 libras,
respectivamente. Determinar estimae insesgadas y eficientee de (o) la media de la poblacin v (b) la varianza
de la poblacin. (c) Comparar la desviacin tpica muestral con la desviacin tpic de la poblacin estimada.
Una muestra de 10 tubos de televisin producidoe por una compaa, dieron una duacin media de 1200
y una desviacin tpica de 100 horas. Estimar (o) la media y (b) la desviacin tpica de la poblacin de
todos los tubos de televisin producidos por esta compaa.

horas

6.31.

(o) Solucionar el Problema 6.30 si se obtienen los mismos resultados para 30, 50 y 100 tubos de televisin
muestreados' (b) Qu se puede deduc de la relacin entre las desviaciones tpicas muestrales y las estimas
de las desviaciones tpicas de la poblacin para los diferentes tamaos de mueetra?

ESTIMAS POR INTERVALO DE CONFIANZA DE MEDIAS (GRANDES MESTBAS)

6.32.

La media y la desviacin tpica de las cargas mximas soportadas por 60 cables (vase Problema 5.98) estn
dadas por 11.09 ton. y 0.?3 ton,, respectivamente. Hallar los lmites de confianza del (o) 951/,, y (b)99dto
para la media de las cargas mximas de todos los cables producidos por la compaa.

6'33. La

media y la desviacin tpica de los dimetros de una muestra de 250 remaches fabricados per una
compaa gon O.72642 pulgadas y 0.00058 pulgadas, respectivamente (vase Problema 5.100). Hallar los
lmites de confianza del (o ) 99%, (b) 98Vo, (c) 95% y (d) 90% para el dirimetro medio de todos los remaches
fabricados por la compaa.

www.tutomundi.com

TEORIA DE ESTIMACION

cAP.6l'

6.94" Hallar () los

lmites de confianza del 5O%

y (b) el error

209

probable para la media de los dimetros del

Problema 6.33.

6.g5.

Si la desviacin tpica de la duracin de los tubos de televisin se estima en 100 horas, qu tamao de
muestra deber tomarse pua que sea del (a\96%, (b)g|%t (c)997oV @)59.73% la confianza de que el
error en la media de la duracin estimada no exceda de 20 horas?

6.86.

no debe
Cules sern los tamaos de muestra en el Problema 6.36 si el error en la duracin media estimada
superar las 10 horas?

ESTTMAS POR INTERVALO DE CONTIANZA DE MEDIAS (PEQUEAS MUESTRAS)

6.g?.

y una
Una muestra de 12 medias de resistencia a la rotura de hebras de algodn dio una media de 7.38 onzas
real'
(b)
para
resistencia
la
y
997o
(c)
95%
del
confianza
lmites
de
los
desviacin tpica de 1.24 onzze. Hallar

6.gg.

grandes muestras y comparar


Solucionar el problema 6,3? suponiendo aplicables los mtodos de la teora de

los resultados obtenidos.

6.g9.

como 0'28,
Cinco medidas del tiempo de reaccin de un individuo a un cierto estmulo fueron registradas
real de
0.80, 0.2?, o.3g, 0.g1 sfoundos. Hallar los lmites de confianza del (a) 95% y (bl99% para el tiempo
reaccin.

ESTIMAS POR INTERVALO DE CONFIANZA PARA PROPORCIONES

6.40.

Una rrna contiene una proporcin desconocida de bolas rojas y blancas. Una muestra aleatoriade 60 bolas
extradas con remplazamiento de la urna, dio el 7O% de bolas rojas. Hallar los lmites de confianza del (c)
g5%, (b\ 99% y G\ gg.7g% para la proporcin real de bolas rojas en la urna. Dar los resultados utilizando la
frmula aproximada y la ms exacta del Problema 6'27.

6.41.

para que la confianza de que la proporcin


Qu tamao de muestra se debera tomar en el Problema 6.40
verdadera no difiera de la proporcin muestral en ms del 6Vo sea (a) del 95Vo, (b ) del 99%, (c) del 99.73V"?

6.42.

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

INTERVALOS DE CONFIANZA PARA DfFERENCIAS Y SUMAS

6.43.

De dos grupos anlogos de enfermos A y B formados de 50 y 100 individuos, respectivamente, al primero le


fue dado un nuevo tipo de somnfero y al segundo un tipo convencional. Para los pacientes del primer grupo
el nmero medio de horas de sueo fue 7.82 con una desviacin tpica deO.2[horas.ParalosdelgrupoB
fueron 6.76 y 0.30 horas, respectivamente. Halla los lmites de confianza del (a) 96%V @)99% para la
diferencia del nmero medio de horas de sueo inducidas por los dos tipos de somnferos.

6,44.

Una muestra de 200 cerrojos producidos por una mquina mostr que 15 eran defectuosos, mientras que de
100 cerrojos de otra mquina 12 eran defectuosos. Hallar los lmites de confianza del (a) 95%' (b)99o/oy (c)
gg .7 Bdn p.a h diferenc de proporciones de cerrojos defrctuosos de las dos mquinas' Estudiar los resultados obtenidos.

6.45.

Una compaa fabrica cojinetes de bolas que tienen un peso medio de 0.638 libras y una desviacin tpica de
y (b) del 99Vo pata los pesos de lotes de 100
cojinetes cada uno.

0.012 libras. Hallar los lmites de confinza (a) del 95%

INTEBVALOS DE CONFIANZA PARA VARIANZAS Y DESVIACIONES TIPICAS

6.46,

La desviacin tpica de resistencia a la rotura de 100 cables producidos por una compaa fue de 180 libras.
HaIIar los lmites de confianza del (o) g5%, (b)gg%y (c)99J37" para la dewiacin tpica de todoslos
cables producidos por la compaa.

6.41.

Hallar eI error probable de la desviacin tpica del Problema 6'46'

www.tutomundi.com

2to
6.48.

TEORIA DE ESTIMACION

[cAP.6

Qu tamao de muestra deber tomarse para que la confianza sea del (a) 95%, (b) gg% y (c) gg,7T% de
que la desviacin tpica de una poblacin no difiera de la desviacin tpica muestral en ms del 2%?

6.49. La desviacin tpica

de la duacin de 10 bombillas fabricadas por una compaa es 120 horas. Hallar los

lmites de confianza del (o) 96'/o y (b)99Eb paa la desviacin tpica de todas las bombillas fabricadas

compaa.

igr

la

6.50.

Solucionar el Problema 6.49 si 25 bombillas tienen la misma desviacin tpica de 120 horas.

6.51.

Solucionar el Problema 6.49 utilizando la distribuciny2 si una muestra de 100 bombillas tiene la misma
desviacin tpica de 120 horas. Comparar los resultados con los obtenidos empleando la distribucin normal.

INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS

6.62.
6.53.

Las desviaciones tpicas de los dirnetros de los cojinetes de bolas producidos por dos mquinas son 0.042
cm y 0.035 cm respectivamente, basados en muestras de tamao 10 cada una. Hallar Ios intervalos de confianza del (a) 98% y (b) 90% para la relacin de Ias varianzas.

Determinar los intervalos de confianza del (o) 98%v @\gOVapara larelacindelasdesviacionestpicasdel

hoblema 6.52.

6.54,

Dos muestras de tamaos 6 y E respectivamente tienen la misma varianza. Hallar los intervalos de confianza
del (o) 98% y (b)907, para la relacin de las varianzas de las poblaciones de donde se exhajeron.

6.55.

Considera que las dos muestras del hoblema 6.54 fueron extradas de la misma poblacin? Justificar su
solucin.

6.56.

Solucionar el (o) Problema 6.52 y (b) Problema 6,54 si las muestras tienen tamao 120 cada una.

ESTIMAS DE MAXIMA VEROSIMILITUD

6.57. Si n observaciones

X1, . . , , Xn se toman de una distribucin de Poisson con parmetro tr desconocido.


Hallar el estiniador de mxima verosimilitud de ).,

6.58,

Una poblacin tiene una funcin de densidad dada por i@l = 2rt/r/" 2s-v*, -t 1 r ( -. Si
Xr, . . , , Xn de esta poblacin, hallar la estim-a de mxima verosimilitud de z.

8e

toman n

observaciones

6.59.

Una poblacin tiene una funcin de densidad dada por

[(A'+t)st

0<:<1

de otra forma

l(r) = l^0
Si se toman n observaciones X1 , . . . ,

Xn

de esta poblacin hallar la estima de mxima verosimilitud de h.

PBOBLEMAS DIVERSOS

6.60.

Los coeficientes de confianza del 999 ("doble cola") para la distribucin normal estn dados por 12.58.
Cules son los coeficientes correspondientes para la distribucin f si (o) v = 4,(b)v:12,(c)v:25,(d)v
: 30' () v: 40?

6.61.

Una compaa tiene 500 cables. En una prueba de 40 cables seleccionados aleatoriamente resulta una media
de la resistencia de rotura d,e 24OO libras y una dewiacin tpica de 150 libras. (o) Cules son los lmites de
confianza del 951/o y 99% para estimar la media de la resistencia de rotura de los 460 cables restantes? (b)
Con qu grado de confianza podramos decir que la media de la resistencia de rotura de los 460 cables
restantes es de 2400 1 35 libras?

6.62.

Cul es el intervalo de confianza del 957. del Problema 6.51 que tiene la menor amplitud?

6.63.

Si se toman n observaciones, X, . . . , Xn de una poblacin distribuida normalmente con media l y varianza


Pueden determinarse estimas de mxima verosimilitud de t y o2 en trminos d,e 11, . . , ,
r,,? Son lc mismos a los dados en los hoblemas 6.25 y 6.26? Explicar.

02 desconocidas.

www.tutomundi.com

Captulo 7
t

cJo

. a

Ensoyo de hiptesis y srgnlllc(Iclon


DECISIONES ESTADISTICAS

Muy a menudo, en la prctica se tienen que tomar decisiones sobre poblaciones, partiendo de la
informacin muestral de las mismas. Tales decisiones se llaman decisiones estadsticag Por ejemplo,
se puede querer decidir a partir de los datos del muestreo, si un suero nuevo es realmente efectivo
para la cura de una enfermedad, si un sistema educacional es mejor que otro, si una moneda
determinada est o no cargada, etc.

HIPOTESIS ESTADISTICAS. HIPOTESIS NULA


Para llegar a tomar decisiones, conviene hacer determinados supuestos o conjeturas acerca de las
poblaciones que se estudian. Tales supuestos que pueden ser o no ciertos se llaman hiptesis
estadsticas y, en general, lo son sobre las distribuciones de probabilidad de las poblaciones.

En muchos casos se formulan las hiptesis estadsticas con el solo propsito de rechazarlas o
invalidarlas. Por ejemplo, si se quiere decidir si una moneda est cargada, se formula la hiptesisde
que la moneda est. bien, es decir, p : 0.5; donde p es la probabilidad de cara. Anlogamente, si se
quiere decidir sobre si un procedimiento es mejor que otro, se formula la hiptesis de que no hay
encia observada se debe meramente a
diferencia entre ios procedimientos (es decir,
hiptesis se llaman tambin hiptests
fluctuaciones en el muestreo de la misma po
y
por
flo
denotan
.
nulns se
Cualquier hiptesis quedifiera de una hiptesis dada se llamahiptesis alternatiuc. Por ejemplo,

siunahiptesis-esp:'0.5,hiptesisalternativassonp:O.7;p#O.56p>0.5.Unahiptesis
alternativa de la hiptesis nula se denota por

Ilt .

ENSAYOS DE HIPOTESIS Y SIGNIFICACION

Si en el supuesto de que una hiptesis determinada es cierta, se encuentra que los resultados
observados en una muesha aleatoria difieren macadamente de aquellos que caba esperar con la
hiptesis y con la variacin propia del muestreo, se dira que las diferencias observadas son significatiws y se estara en condiciones de rechazar la hiptesis (o al menps no aceptarla de acuerdo con la

evidencia obtenida). Por ejemplo, si en 20 lanzamientos de una moneda se obtienen 16 caras, se


estara inclinado a rechazar la hiptesis de que la moneda est: bien, aunque sera posible que fuese
un rechazamiento enneo.
Los procedimientos que facilitan el decidir si una hiptesis se acepta o se rechaza o el determinar si las muestras observadas difieren significativamente de los resultados esperados se llaman
ensayos de hiptesis, ensoyos de significacin o reglas de decisin.
ERRORES DE TIPO

I Y TIPO II

Si se rechaza una hiptesis cuando debera ser aceptada, se dice que se comete vn error del Tipo
se acepta una hiptesis que debera ser rechazada, se dice que se comete un

/. Si por el contrario,

277

www.tutomundi.com

212

ENSAYOS DE HIPOTESIS Y SIGNIFICACION

error del Tipo

II. En cualquiera de los dos casos se comete

[cAP.

un error al tomar una decisin equivoca-

da.

Para que cualquier ensayo de hiptesis o reglas de decisin sea bueno, debe disearse de forma
que minimice los errores de decisin. Esto no es tah sencillo como pueda parecer puesto que para un
tamao de muestra dado, un intento de disminuir un tipo de error, va generalmente acompado por
un incremento en el otro tipo de error. En la prctica, un tipo de error puede tener ms importancia
que el otro, y as se tiende a conseguir poner una limitacin al error de mayor importancia. La nica
forma de reducir al tiempo ambos tipos de error es incrementar el tamao de la muestra, lo cual
puede ser o no ser posible.

NIVEL DE SIGNIFICACION
La probabilidad mxima con la que en el ensayo de una hiptesis se puede cometer un error del
Tipo I se llama niuel de significacn del ensayo. Esta probabilidad se denota frecuentemente por o;
generalmente se fija antes de la extraccin de las muestras, de modo que los resultados obtenidos no
influyen en la eleccin.
En la prctica se acostumbra a utilizar niveles de significacin del 0.05 0.01, aunque igualmente pueden emplearse otros valores. Si, por ejemplo se elige un nivel de significacin del O.05 6 6"/,, al
disear un ensayo de hiptesis, entonces hay aproximadamente 5 ocasiones en 100 en que se
rechazara la hiptesis cuando debera ser aceptada, es decir, se est con un 95% de confianza de
que se toma la decisin adecuada. En tal caso se dice que la hiptesis ha sido rechazada aI niuel de
significacin del O.O5,lo que significa que se puede cometer error con una probabilidad de 0.05.
ENSAYOS REFERENTES A LA DISTRIBUCION NORMAL
Paa aclarar las ideas anteriores, supngase que con una hiptesis dada, la distribucin muestral
de un estadstico S es una distribucin normal con media p" y desviacin tpica o". Entonces la
distribucin de la variable tipificada dada por Z : (S ,.)/o.,
es una normal tipificada (media 0, varianza 1) y se muestra en la
Fig. 7-1.

Como se indica en la figura, se puede estar con el 957o de


confianza de que, si la hiptesis es cierta, el valor de e obtenido
de una muestra real para el estadstico S se encontrar entre 1.96 y 1.96 (puesto que el rea bajo la curva normal entre estos
valores es 0.95).

--lglj

.=lD6

I'ig.7-l
Sin embargo, si al elegir una muestra aleatoria se encuentra
que z para ese estadstico se halla fuera del recorrido
- 1.96 a
1.96, lo que quiere decir que es un suceso con probabilidad de solamente 0.05 (rea sombreada de la
figura) si la hiptesis fuese verdadera. Entonces puede decirse que esta z difiere signifcatiuamente
de la que caba esperar bajo esta hiptesis y se estara inclinado a rechazar la hiptesis.

El rea total sombreada 0.05 es el nivel de significacin del ensayo. Representa la probabilidad
de rumeter error al recbazar la hiptesis es decir, la probabilidad de cometer error del Tipo I. As
pues, se dice que la hiptesis se rechaza al niuel de significacin del0.05 o que la z obtenida del
estadstico muestral dado es significatiua al niuel de significacin del 0.O6El conjunto de las z que se encuentran fuera del rango -1.96 a 1.96 constituyen lo que se llama
regin crtica o regin de rechace de Ia hiptes's o regin de significacin.El conjunto de lasz que
se encuentran dentro del recorrido - 1.96 a 1.96 poda entonces llamase regin de aceptacin de h
hiptesis o regin de no significacin.
De acuerdo con lo dicho hasta ahora, se puede formula la siguiente regla de decisin o ensayo
de hiptesis o signi{icacin:

(o) Se rechaza la hiptesis al nivel de significacin del0.05 si la z obtenida para el estadstico S


se encuentra fuera del recorrido - 1.96 a 1.96 (es decir, z > I.96 z 1- 1.96). Esto
equivale a decir que el estadstico muestral observado es significativo al nivel del 0.05.

www.tutomundi.com

cAP.7l

(b)

2L3

ENSAYOS DE HIPOTESIS Y SIGNIFICACION

Se acepta Ia hiptesis (o si se desea no se toma decisin alguna) en caso conhario.

Debe ponerse de manifiesto que puedgn igualmente emplearse otros niveles de significacin. Por
ejemplo, si se utilizase el nivel del 0.01 se sustituira 1.96 en todo lo visto anteriormente por 2.58
(vase Tabla 7-L). La Tabla 6-1, pgina 195, puede tambin emplearse, puesto que la suma del nivel
de significacin y el nivel de confianza es L00%.

ENSAYOS DE UNA Y DOS COLAS

En el ensayo anterior se atenda a los valores extremos del estadstico S o su correspondiente z a


ambos lados de la media, es decir, en las dos "colas" de la distribucin. Por esta raz6n, tales ensayos
se llaman ensayos de dos colns o ensayos bilaterales.
Si4 embargo, con frecuencia se puede estar solamente interesado en los valores extremos a un
solo lado de I media, es decir, en una "cola" de la distribucin, como por ejemplo, cuando se est
ensayando la hiptesis de que un proceso es mejor que otro (que es diferente a ensayar si un proceso
es mejor o peor que otro). Tales ensayos se llaman ensayos de una cola o ensayos unilaterales. En
tales casos, Ia regin crtica es una regin a un lado de la distribucin, con rea igual al nivel de
significacin.
La Tabla 7-1, que da los valores crticos de z para ensayos de una y dos colas a distintos niveles
de significacin, ser de utitidad para propsitos de referencia. Valores crticos de z para otros
nivelei de significacin, se pueden encontrar utilizando la tabla que da las reas bajo la curva
normal.
Tabla 7-1

Nivel de significacin o

0.10

Valores crticos de z para


ensayos unilaterales

Valores crticos de z para


ensayos bilaterales

001

0.05

-t.28

-1.6

45

1.28

1.645

-1.645

1.96
1.96

1.645

0.005

-2.58

-2.33

c 2.33

-2.58

2.58

-2.81

2.58

2.8I

0.002

-2.88

2.88

-3.08
y 3.08

ENSAYOS ESPECIALES DE SIGNIFICACION PARA GRANDES MUESTRAS


Para muestras grandes, las distribuciones muestrales de muchos estadsticos son distribuciones
casos' se pueden
tpica
a !s V
casi
normales
tesis y significan o en
reglas
ante
utilizar lo
de inters prctl
de los
ente u
asos
cin. Los
co. En cada caso, los resultados son para poblaciones infinitas o para muestreo con remplazamiento'
Para muestreo sin remplazamiento de poblaciones finitas los resultados debern modificarse. Vanse
pginas 158 y 160.

1.

Medias.

Aqu S :

media muestral; tss =,.i: t, media poblacional; o, = op: o/1/i, donde o es la


desviacin tpica poblacional y n es el tamao de la muestra. La variable tipificada viene dada
por

X,la

X-,,
Z = -.-:
1V11,

(f)

Cuando es necesrio se utiliza la desviacin muestral observada s ( G), para estimar o.


Para ensayar la hiptesis nula

-EI6

de que la media poblacional es p

o utilizaamos el estadsti-Ee (o al menos no lo

co (I ). Entonces, utilizando un ensayo de dos colas, aceptaramos


www.tutomundi.com

2I4

ENSAYoS DE HIPoTESIs Y sIGNIFIcAcIoN

lcAP.

rechazaramos) al nivel 0.05 si pa una muestra especfica de tamao n con media

-1.e6

= "+ =

1.e6

(2)

y lo rechazaramos por el contrario. Para otros niveles de significacin cambiaramos (2) apropiadamente.
Para ensayar la hiptesis de que la media poblacional es mayor que o utilizamos aun la hiptesis
nula I/o de que es igual a a. Entonces, utilizando un ensayo de una cola, aceptaramos Ilo (o al
menos no la rechazaramos) al nivel 0.05 si

ry
olVn

(vase Tabla 7-1). Para ensay la hiptesis de que la media poblacional es menor que a acepta-

ramos.EIo al nivel 0.05 si

i
2.

(4)

Proporciones.

Aqu S : P, la proporcin de "xitos" en una muestra; r" : ltp : p, donde p es la proporcin


y n es el tamao de la muestrsi o" : o, : ltulln, donde e : ! - p. La
variable tipificada viene dada por
de xitos en la poblacin

P-p

z:
En el caso de que P .= X/n, donde X

es el

en

(5)

\/pql"

nmero real de xitos en una muestra, (5) se convierte

Z= X-np

(6)

\nLPrI

Consideraciones semejantes a las hechas anteriormente para medias pueden hacerse.

3.

Diferencias de medias.
Sean Xr V iz las medias muestrales obtenidas en dos muestras gtandes de tamao nt y nz
extradas de poblaciones respectivas qqe tienen de media lt y ttz y desviaciones tpicas ot y oz.
Considrese la hiptesis nula de que no hay diferencia entre las medias poblacionales, es decir,
lt : !z- De (//), pgina 159, haciendo gr : Irz s ve que la distribucin muestral de la
diferencia de medias se distribuye aproximadamente como una normal con media y desviacin
tpica dadas por

,r.*r_*,

O:.

'\ l

(7)

x2

donde se puede, si es necesario, utilizar las desviaciones tpicas muestrales


como estimas de or y 02.

sr

V sz

0t y 3,

Con la variable tipificada dada por

X,-X2-0
z _:.-'.;;.;,_

Xr-X"

\;

18)

de una manera semejante a la descrita en la Pate 1 se puede ensayar la hiptesis nula contra la
hiptesis alternativa (o la significacin de una diferencia observada) a un nivel de significacin
apropiado.

www.tutomundi.com

4.

2L6

ENSAYOS DE HIPOTESIS Y SIGNIFICACION

cAP. 7l

Diferencias de Proporciones.

y P2 las proporciones muestrales de dos grandes muestras de tamaos txt Y ttz extradas
de poblaciones respectivas que tienen proporciones pr V p2 . Considrese la hiptesis nula de que
no hay diferencia entre los parmetros poblacionales, es decir, p1 : p2, y as lasmuestras son
realmente extradas de la misma poblacin.
Sean P1

De (JJ), pgina 159, haciendop, : pz: P, se ve que la


de pioporcines se distribuye aproximadamente como una
dadas por

Itn, r" : 0
donde P =

t;T;-

se

traldeladiferencia
y desviacin tpica

orr-*, =

(e)

utiliza como una estima de la proporcin poblacionalp.

Con la variable tipificada

v _ Pt-Pz-O

"Pf

Pt-Pz
oPf

(10)

P,

se puede ensayar las diferencias observadas a un nivel de significacin apropiado

y de este modo

ensayu la hiptesis nula.

Ensayos referentes a otros estadsticos pueden disearse anlogamente. (vase Tabla 5-1, pgina

162).
ENSAYOS ESPECIALES DE SIGNIFICACION PARA PEQUEAS MUESTRAS
En el caso de pequeas muestras (n < 30) podemos formular ensayos de hiptesis y significacin
utilizando otras distribuciones adems de la normal. como Ia de Student, chi-cuadrado, F, etc.
Estas distribuciones incluyen la teora de muestreo exacto y lgicamente son vlidas an cuando las
muestras son grandes, en cuyo caso se reducen a las dadas anteriormente. Los siguientes son algunos
ejemplos.

1.

Medias.
Para ensayar la hiptesis

IIo

de que una poblacin normal tiene de media r utilizamos

X-,
q1
,t.:
_s-6-: X-l
?/t

(1

1)

es la media de una muestra de tamao n. Esto es anlogo al utilizar la variable


A
X-,t
para grandes n, excepto que se utiliza 3:tftl@=TS enlugardeo. La
tipificada t =:#

donde

diferencia estriba en que mientras Z se distribuye normalmente, ? sigue una distribucin de


no es exactamente
Student. Los resultados tambin pueden emplearse cuando la distribucin
normal pero tiene una curva de distribucin en forma de campana. Ensayos de hiptesis semejantes a los de las medias en la pgina 213 pueden hacerse empleando valores crticos de en
cambio de valores crticos de z.

2.

Diferencias de medias.
Supngase que se extraen aleatoriamente dos muestras de tamaos nr Y n, de poblaciones
normales cuyas desviaciones tpicas son iguales (ot: o2). $upngase tambin que estas_dos
muestras tienen medias y desviaciones tpicas dadas por X,, X: y Sr l 52 , respectivamente. Para
ensayar la hiptesis I/o de que las muestras provienen de la misma poblacin (es decir, Pt : trz
lo mismo que 01 : sz) se utiliza el valor de dado por

T-

Xt-Xz

11
"\l nr- n"

donde

www.tutomundi.com

rrS?

n:S:2

rr+n!-2

(1

2)

ENsAyos DE HrporEsrs y

2L6

srcNrFrcAcroN

Se'tt. t

La distribucin de ? es una distribucin de Student conv: n, * n., -2 gradosde'libertad. El


empleo de (12) est plenamente justificado al hacer o, - oz : o en(12), pgina 159, y despus
utilizar como estima de o2 la media ponderada
(n,

- 1)^ii + fn, - J)9j

(rz'

1)

(nz

donde ^31 t ,3 son estimas insesgadas de oi


combinar los datos.

3.

n,s? +

l'

-1)--

n,s',

n.;t

y o!. Esta es la uarianza

combinada obtenida al

Varianzas.

Para ensayar la hiptesis 116 de que una poblacin normal tiene varianza o2 consideramos la
variable aleatoria
(13)

que (vase pgrna 161) tiene la distribucin chi-cuadrado con n - 1 grados de libertad. Entonces
si una muestra aleatoria de tamao n tiene varianza s2 aceptaramos flo , basados en el ensayo de
dos colas, (o al menos no la rechazaramos) en el nivel 0.05 si
o<nsz<

(14)

X.'oz

y la rechazaramos de otra forma. Un resultado

semejante puede obtenerse para el nivel 0.01 u

otro nivel.
Para ensayar la hiptesis H, de que la varanza poblacional es mayor que o2 emplearamos la
hiptesis rilo , pero entonces emplearamos un ensayo de una cola. Por tanto rechazaramos Hs,
en el nivel 0.05 (y por tanto concluiramos que f/, es correcta) si la varianza muestral especfi-

ca, s2, fuera tal

que

nsz

t2

y aceptaramos IIo (o al menos no la rechazaramos) de otra forma.

4.

Relaciones de varianzas.

En algunos problemas deseamos decidir si dos muestras de tamaos m y n respectivamente,


cuyas varianzas medidas son sl y sr2, provienen o no de la misma poblacin normal. En este caso
utilizamos el estadstico (vase pgina 161)

F=

(16)

fi, fi son las varianzas de las dos poblaciones normales de donde se extraen las muestras.
Si /o denota la hiptesis nula de que no hay diferencia entre las varianzas poblacionales, es
decir = o3. Bajo esta hiptesis (16) se convierte en

donde

"!

F::-l

q2

(17)

q2
\,.)

Para ensayar esta hiptesis al nivel 0.1.0, por ejemplo, primero anotamos que F en (16) tiene la
distribucin F con fr - t, n - 1 grados de libertad. Entonces, utilizando un ensayo de dos colas,
aceptaramos,EIo (o no la rechazar4mos) en el nivel 0.10 si

Fo,

;s

F'o.

(/8)

y lo rechazaramos en el caso contrario.


Procedimientos semejantes empleando ensayos de una cola pueden formularse en el caso que
deseemos ensayar la hiptesis de que una varianza poblacional determinada sea mayor que otra.

www.tutomundi.com

ENSAYOS DE HIPOTESIS Y SIGNIFICACION

cAP. 7l

2t7

R,ELACION ENTRE LA TEORIA DE ESTIMACION

Y ENSAYO DE HIPOTESTS

las
estimacin
notamos q

se puede obsenrar que existe

De

alos de confianza y la teora de en


aceptar flo en el nivel 0.05 es eq
pigtm 195 conducente al intervalo de confianzadel96"/o

_ L.elo

eora de
ejemplo,

(/ ) en la
(1e)

vn

vn

Por tanto, al menos en el caso de los ensayos de dos colias, poamos realmente emplear el intervalo
de confiaza del Captulo 6 para esayar ttiptesir. Un resultado semejante para_ ensayos de una cola
requerira intervaloi de confianza unilaterals. A pesar de que la necesidad de tales intervalos es rara'
es posible definirlos (vase Problema 7.136 y tambin Problema 6.14).
CURVAS CARACTERISTICAS DE OPERACION. POTENCIA DE UN ENSAYO
Se ha visto cmo el error del Tipo I pued,
significacin. Es posible evitar el riesgo de error <
nunca la hiptesis. Sin embargo, en muchos casos
utilizan a menudo curuos caracterstcas de Ia opet
las probabilidades de errores del Tipo II bajo dife
cmo en ensayos dados se logra minimizar los errt
ensayo para evitar el toma decisiones equivoci
mostrar, por ejemplo, qu tamaos de muestras deben emplearse.

GRAFICOS DE CONTROL DE CALIDAD


importante conocer cundo un proceso ha cambiado suficientemente,
la si
de modo que puedan darse los pasos
rpid
ejemplo en control de calidad, donde s
camb
se deben simplemente a fluctuaciones
causa de deterioro en las mquinas, rrores de los empleados, etc. Los grficos de control suministran un mtodo til y sencillo para tratar tales problemas (vase Problema 1.29).
Es a menudo en la prctica

AJUSTE DE LAS DISTRIBUCIONES TEORICAS A DISTRIBUCIONES


DE FRECUENCIA MUESTRALBS
Cuando se tiene algiuna indicacin sobre la
probabilsticos u otra causa, es posible frecuenten
llamadas "modelos" o distribuciones "esperadas")
tras de la poblacin. El mtodo utilizado general:
tpica de la muestra para estimar la media y des
7.30,7.32 y 7.33.

a la bondad d.el aiuste de las distribuciones tericas a las distribuciones


muestrales es esencialmente el mismo que l de decidir si hay diferencias importantes entre los
de significacln imporante para la bondad del
valores cle la poblacin y la muestra. tt
"trrayo
ajuste de distribuciones teric as, el enmyo chi-cuadrado, se describe ms adelante.
El problema de

ensay

En un intento para determina si una distribucin normal representa un buen ajuste para datos
dados, conviene utllizar papel grfico de curua normal o papel grfico de probabilidad, como a veces
se le llama (vase Problema 7.31).

www.tutomundi.com

2r8

EI{SAYOS DE HTPOTESIS

SIGNIFICACTON

lcAP.

ENSAYO CHI.CUADRADO PARA LA BONDAD DEL AJUSTE

)s" en una muesha de tamao n extrada de una


p de xitos, hemos utilizado el estadstico

acional

s sucesns

At, Az

pueden

pyq-1-p.Unvalor
A 1 en

obserwdn para el suceso

tanto que np se llama la fteuencia esperad

EJEMPLO 7'1- Si obtenemos una muestra de 100 lanzamientos.de una moneda honrada,
de modo que n : lO0, p
entonces la frecuencia esperada de caras (xitos) es np : (1OOX1/2) : 50.
La frecuenci observada en la
muestra podrfa lgicamente ger diferene.

: Il2,

- 9n" generalizacin al c
bilidades Pt , Fz , - . . , Pk,

sucesos posibles Ar, A,


A con probacaso tenemb, unapoacn muiti-omial'(vare
io n de esta poblacibn las frecuencias obsenadas
por las variables aleatorias Xr, . .. , X (cuyos
uencias observadas para la muestra), en tanto que
. , npp respectivamente. Los resuitados pu"den

ir k

pgina 113). Si

extraemos
At, . . , An
os 11, x2, . . .
speradas estar
,

e hace en la Ta

Tabla 7-2
Suceeo

Frecuencia
observada

Frecuencia
esperada

EJEMPLO

7.2-

A1

A2

Ak

X1

42

nPt

npz

npk

Si obtenemos una muestra de 120 lanzamientos de un dado honrado, de modo que n

l, 2,
uencias
caras q

..., p6 t
y todas ig
lgicarnen

as

ente

20)(t)

120,

son todae

: 20.

La

rentes.

. La clave para la posible generalizacin del estadstico (6) que poa medir las discrepancias
existentes entre las frecuencias observadas y esperadas en la Tabia 7-2 * obtiene al eleva al
cuadrado el estadstico (6) y escribindolo como

22 =

(X

- nP\' = (Xt- np)2 *


npq
np

(Xz

ne)2

(20)

nq

donde Xt = X es la variable aleatoria asociada con ,,xitos,, y X, : n-X1 es lavariable aleatoria


asociada con "fracaso". Ntese que ng en (20\ es la frecuencia obsenada de iraca.os.
das

La forma del resultado (20) sugiere que una medida de la discrepancia entre frecuencias observay esperadas para el caso general se suministra por el estadsfico

x, =

(Xt:-!t?t)z

n?t

(xz-nqz\2

...
nPz +

(xn-npn\z '-

nPr

$.(x-np\z
np

t?,

(21)

donde la frecuencia total (es decir el tamao muestral) es n, de modo que

Xt*Xz+"'+Xr=n

(22)

Una expresin equivalente a (21) es


k22'

).!-n
"x2 = -=t
nP
www.tutomundi.com

(28)

ENSAYOS DE HIPOTESIS Y SIGNIFICACION

Si v2 : 0, las frecuencias observadas y esperadas concuerdan exactamente, mientras que si z- )


0; no toinciden exactamente. A valores mayores de y2, mayores son las discrepancias entre las
frecuencias obsenadas y esperadas.

por (21) se
muestral
a
Como se demuestra en el
eleccin
de
tanto,
or
c
aproxima muy estrechamente
cin mejora
iguales a
simbolo en (-21) si las frecuen
para los valores superiores. El nmero de gradosrde libertad z est dado por
(a) v : h - | si las frecuencras esperadas pueden calcularse sin tener que estimar parrmelros
poblacionales con los estadstics muestrales. Advirtase que el restar 1 a k es a causa de la
ondicin restrictiva (221 que denota que si son conocidas k - 1 de las frecuencias esperadas, la fiecuencia restante puede ser determinada.
(blv : k - L - m si las frecuencias esperadas solamente pueden calcularse estimando m
parmetros de la poblacin a paftir de los estadsticos muestrales.
En la prctica, las frecuencias esperadas se calculan de acurdo con una hiptesis flo- Si bajo
esta hiptesis el valor calculado de x'
f;r, que son los valores crt
como xf,,-se
deduce que las frecuencias
mente),
rechaza llo al nivel de significacin correspondienl
rechazar.-Este procedimiento se llama ensayo o prueba de ehi-cuadrado de la hiptesis.

aq
con cierto recelo, pu-esto que-

en que x2 est muy prximo

a, cero debe mirarse


bien con
demasiado
ncias obiervadas concuerden

Debe advertirse que en

las esperadas. pa examfuia tales situaciones se puede determinar si el valor calculado 4" I' ":
-"noi eue 2", Xl,, en cuyos casos se decide que i" concordancia es bastante buena a los niveles de
significacin de 0.05 a 0.01 respectivamente.

Adems de aplicarse a la distribucin multinomial, la prueba chi-cuadrado puede-ser empleada


para determinar de qu forma distribuciones tericas tals como la normal, de Poisson, etc., se
;j*h a distribuciones empricas, es decir, aquellas que se obtienen de los datos muestrdes. Vase
Problema 7.44.

TABLAS DE CONTINGENCIA
tabla de clasifict'

(lase "1por h").


en las que las fre

tabhs

d,e

contin-

gencia.

Correspondindose con cada fiecuencia obsenada en una tabla de contingenciahX k, hay un-a
y segn las reglas de probabilidad'
o esperada gue se calcula bajo
ncia se llaman frecuencas elemen'
q,re cupan ias corliilas de un t
tales. La frecuenci total de cada fila o columna es la llamada frecuencin marginalPara estudia el acuerdo entre las frecuencias observadas

x2

y esperadas, se calcula el estadstico

?g#a

(2tt\

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

www.tutomundi.com

220

ENSAYOS DE HIPOTESIS Y SIGNIFICACION

I estad

lcAP.

in muestral muy prxima a la distribucin


no sean demasiao pequeas. Et nmer
dado para h > l, k il por

de
Y de es
tal

:. (h - L\q 1) si las frecuencias-.esperadas pueden calcularse sin tener que estimar


-parmetros ooblacionales
con los estadsticos muestrales. Para.rtt" pr.rU" de esto vase el
Problema 7.48.

(a) v

(b) u :

(h.- L)(k - 1F nz si las frecuencias observadas pueden solamente calcularse estimando


m parmetros poblacionares con los estadsticos muestrales.

- Los ensayos de significacin para tablas h x h son anlogos a los de las tablas 1 X k. Las
frecuencias esperadas-son halladgf bajo una determinada hipteiis llo. Una triptesis normalmente
supuesta es la de que las dos clasificaciones son independientes enhe si.
Las tablas de contingencia pueden extenderse a un nmero mayor de dimensiones. As por

ejemplo, se pueden tener tablas h X h X I donde estn presentes 3 chsicaciones.

CORRECCION DE YATES PARA LA CONTINUIDAD

- Cuando se aplican a datos discretos los resultados para distribuciones continuas deben hacerse
ciertas correcciones, como se ha visto en captulos ant-eriores. Una correccin anloga
cuando se utiliza la distribucin chicuadrado-. La correccin consiste en poner (21) coimo"rsigue
"pii""ui
2

(corregida)

= tL\-g!)-

!'5Y

* !4-grP

+...*!4t_"p_4;t.
nPr

@s)

se conoce frecuentemente como correccin de Yates. Tambin existe una modificacin anloga de
(24).

En general, la correccin

se hace solamente cuando el

nmero de grados de libertad es z

1. En

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

www.tutomundi.com

22r

ENSAYOS DE HIPOTESIS Y SIGNIFICACION

CAP. ?]

Problema,s resueltos
ENSAYOS DE MEDIAS Y PROPORCIONES UTILIZANDO DISTRIBUCIONES NORMALES

7.1.

Hallar la probabilidad de obtener entre 40 y 60 caras inclusive en 100 lanzamientos de una


moneda.
Segn la distribucin binomial, la probabilidad pedida es

/1\'t0
'oocoo(

i)

/r \6r'
/1Yo -1" ... ,'| rrx'ti'\r/
. /1Y. /tY'
- /lY'
(;) +'noc.'lJ
\-/ (;/
\-/
\-/ \ql
\-/
\-/

La media y la desvicin tpica del nfmero de caas en 100 hnzamientos vienen dadas por

o-{ffi=['r{ffi='

t, -- ,tp = 1oo(;) =. uo

Pueeto que np y nq son ambas mayores de 5, puede utilizarse para la eraluacin de la suma anteriqr la
aproximacin normal a la distribucin binomial.
En una escala continua, entre 40 y 60 caras inclusive es lo mismo que entre 39.5 y 60,5 caras.
39.5 en unidades tipificadas

Probabilidad pedida

7.2.

q9'5-:-E

:
:

_2.10

60.5,en unidadee tipificadas =

rea bajo la curva normal

2(reaentre

z:

z:

ete

z:

-2.1O y

z:

60.5

50

2.I0

2.lO

2.10)

Para ensayar la hiptesis de que una moneda est bien hecha, se toma la siguiente regla de
decisin: (1) se acepta la hiptesis si el nmero de caras en una serie de 100 lanzamientos se
encuentra entre 40 y 60, ambos inclusive; (2) de otro modo, se rechaza.

(c) Hallar la probabilidad de rechazar la hiptesis, cuando en realidad es cierta.


(b) Interpretar grficamente la regla de decisin y el resultado del apartado (c).
(c) Qu conclusiones se sacaran si en la muestra de 100 lanzamientos se obtuviesen

53

caras? 60 caras?
(d) Podan ser errneas las conclusiones de (c)? Explicar.

(o)

Por el Problema 7.1, la probabilidad de no obtener entre 40 y 60 caras inclusive si la moneda est bien
hecha 1 - 0.9642 : 0.0358. Entonces la probabilidad de rechazar la hiptesis cuando es correcta :
0.0358.

(b)

La regla de decisin se ve grficamente en la Fig. 7-2,que


muestra la distribucin de probabilidad de caras en 100
Ianzamientos de una moneda bien hecha.
Si en una serie de 100 lanzamientos sg obtiene una z entre
la hiptesis; de otro modo se
-2.L0 yy 210, se acepta
rechaza se decide que la moneda no est bien hecha.

El error que se puede cometer de rechazar la hiptesis

cuando debera aceptarse q el error del Tipo.I de la regla


de decisin y la probabilidad de cometer este error es igual
a 0.0358 del apartado (o), est representado por el rea
total sombreada de Ia figura.

Regin de
recbace
?

- -210
caras)

(39.5

2 l0

(60.5 caas)

FiE.7-2

Si en una serie de 100 lanzamientos se obtiene un nmero de caras cuya z se encuentra en las regiones
sombreadas, se dir que esta z difiere significatiuamente de lia que cabra esperar si la hiptesis fuese
cierta. Por esta razn, el rea total sombreada (es decir, probabilidad de error del Tipo I) se llama nuel
de significacin d,e la regla de decisin y es igual a 0.0358 en este casc. As, pues se habla de rechazar la
hiptesis a un nivel de significacin de 0.0358 6 3.58%.

www.tutomundi.com

222

ENSAYOS DE HIPOTESIS Y SIGNIFICACION

[cAP.

(c) Segn la regla de decisin, en ambos casos se aceptara la hiptesis de que la moneda est bien hecha. Se
puede argir que con solo una cara ms que se hubiese obtenido, se habra rechazado la hiptesis, Esto es
lo que se debe afrontar cuando para tomar decisiones se toma cualquier lnea de divisin.

(d) Si. Se puede aceptar la hiptesis cuando realmente debera rechazarse como, por ejemplo, sera el caso
cuando la probabilidad de cara fuese realmente 0.? en lugar de 0.5.

El error que se comete al aceptar la hiptesis cuando debera


decisin. Para mayor discusin vanse Problemas

7.3.

rechazarse ea error del Tipo 1I de la

.23-7.25,

Disear una regla de decisin para ensayar la hiptesis de que una moneda est, bien hecha si
en una muestra de 64lanzamientos de la moneda se toma un nivel de significacin de {c) 0.05
y (b) 0.01.

(o) Primer mtodo: Si el nivel de significacin es 0.05, cada6rea


sombreada en la Fig. 7-3 es 0.025 por simetra. Entonces el rea
entre 0 y zr = 0.5000
- O.O25O : O-4750,y z : 1.96.

As, pues, una posible regla de decisin es:

(I

Aceptar la hiptesis de que la moneda est: bien hecha si Z


est entre

(2)

-1.96 y

1.96_

-zr

Rechazar la hiptesis en cualquier otro caso.

Los valores crticos


la Tabla 7-1-

-1.96 y 1.96 pueden

2r

Fis.7-B

ser tambin sacados de

Para expresar esta regla de decisin en trminos del nmero de caae a obtenerse en los 64 lanzamientos
de la moneda, ntese que la media y la desviacin tpica de la distribucin binomial exacta de caras estn
dadas por

! - np:

64(0.5)

- 32

o -= t/iw = y'6llos)(05) =

bajo Ia hiptesis de que la moneda est bien hecha. Entonces Z

= (X -

p)/o

= (X -

32\14.

SiZ:1.96,(X-32)l:1-96X:39.84.5i2:-1.96,(X-32)14:-1.966X=24.t6.Aspues,
la regla de decisin resulta:

(i ) Se acepta la hiptesis de que la moneda est bien hecha si el nmero de


24.16 y 39.84, es decir, entre 25 y 39 ambos inclusive.

(2)

Se rechaz la hiptesis en caso

caras se encuentra entre

contrario.

Segundo mtodo: Con probabilidad 0,95, el nmero de caas se encontrar entre


es

decir, np- 1.96ypq

y np+1.96{npq o entre

lleva a Ia regla de decisin anterior,

32

1.96(4)

1.960 y

:24.76y 32+ -1.96(4):

+ l.960,

89.84que

-1.96 < z < 1.96 equivale a - 1.96 <(x-gz)l,< 1.96. Entonces- 1.96(4)< (x6 32- 1.96(4)< X< 32 + 1.96(4), es decir, 24.16<X< 39.84,que tambin conducea

Tercer mtodo:

32)

<

1.96(4)

la regla de decisin anerior.


(b

Si el nivel de signilicacin es 0.01 , cada rea sombreada en la figura anterior es 0.005. Entonces, el rea
entre 0 y zr es 0.5000
0.0050 :0.4950 ! zt = 2.bg (msexacarnente 2,575). Estopuedetambin

obtenerse de la Tabla ?-1.

Siguiendo el mismo procedimiento del mtodo segundo del apartado (o ), se ve que con probabilidad 0.99
- 2.58o y pt*. 2,58o, es decir, g2-2.58(4):21.68 y Bz +

el nmero de caas se encontrar entre lr

2.58(4\: 42.32.

Entonces la repla de decisin sera:

(l)

Aceptar la hiptesis si el nfrmero de caras se encuentra entre 22 y 42 inclusive.

(2) Rechazarla en cualquier otro caso.

www.tutomundi.com

7.4.

223

ENSAYOS DE HIPOTESIS Y SIGNIFICACION

cAP. 7l

Cmo se podra disea una regla de decisin en el Problema ?.3 que evite el enor del Tipo

T?

El error del Tipo I[ se c.omete al aceptar una hiptesis que debera ser rectrazada. Para evitar este etlor, en
lugar de aceptar la hiptesis, lo que se hace es simplemente no rechazarla, lo que efnificarfa que ee rehuaa
cualquier decisin en este caso. As por ejemplo, la regla de decisin del Problema 7.3(b) serfa:
(I

)
(2)

No recltzz,ar la hiptesis si el nmero de caras se encuentra efte 22 y 42 inclusive.


Rechazar Ia hiptesis en ca6o contrao.

Sin embargo, en muchos ejemplos prcticos es importante decidir si una hiptesis debe eer aceptada o
rechzada. Una completa discusin de tales casos requiere l consideracin de errores del fipo II (vanee
hoblems 7.23-7.26').

7.6. En un experimento

sobre percepcin extrasensorial (E.S.P.) un individuo (sujeto) en una


habitacin fue preguntado sobre el color (rojo o azul) en una carta elegida por otro individuo
en otra habitacin-de un conjunto de 50 cartas bien barajadas. Es desconocido-para el zujeto
cuntas cartas rojas o azules hay en el lote. Si el zujeto identifica conectamente 32 cartas'
determinar si los resultados son significativos al nivel de significacin de (c) 0.05 y (b) 0.01.

p es la ptobabilidad de que el sujeto elija conectamente el color de una catta, entonces se tiene que decidir
entre las dos hiptesis siguientes:

Si

Hoi p: 0.5 V el sujeto est simplemente adivinando,

Ht: p )

es

decir, los resultado son totalmente casuales

0.5 y el sujeto tiene fuerza de E.S.P.

Se elige un ensayo de una cola, puesto que no se est interesado en la facultad de obtener valoree bajos, sino
en la facultad de obtener aciertos numerooos.

Si la hiptesis
est dado por

ff6

es cierta, la media

p=.np =

50(0.5)

y la desviacin tfpica del nmero de cartas identificadc

= zb

o=\/wq

= /86(05)(-05) = /Es =

correcamente
3.54

(a) Para un ensayo de una cola al nivel

de significacin de 0.06 se
debe elegit z1 en la Pig. 7-4 de modo que el rea sombreada en
la regin crtica de ralores alos sea 0.05, Entonces el rea enre
O y zt = 0.4500, Y zr : 1.645. Esto puede tambin eacarse de
la Tabla 7-1.

Asfrpues, la regla de decisin o enaayo de significacin es:

(f

Si la z observada es mayor que 1.645, los resultados son


significativos al nivel del 0.05 y el indiduo tiene fueza de

zl

E.S.P.

(2)

Si z es menor de 1.645 los resultados Be deben a la casualidad, es decir, no significativos al nivel del 0.05.

Fig. 7-4

Puesto que 32 unidades tipifrcadas (32 - 25\15.64:1.98 es mayor que 1.645, la decisin
rnantiene es decir, se concluye que al nivel del 0.05 el individuo tiene fuerza de E,S.P.

(I)

ee

Adrtase que tealmente debera aplicarse una coneccin de continuidad, pueso que 32 en una eecala
continua est entre 31-5 y 32.5. Sin embargo, 31.5 iene un valor tipificado de (31.5 - 26)13.64: 1.84
llegndose a Ia misma conclusin anterio,

(D) Sielniveldesignificacines0.01,entonceselreaenteOyzt:0.4900Y2r:2.33.Puestoque32(
31.5) en unidades tipificadas es 1.98 ( 1.84) que es menor que 2.33, se deduce que los reeultado no
son significauos al nivel de 0.01,
Algunos estadsticos adoptan la terminologa de que lios resultados significativos al nivel del 0.01 on
altomente significatiuos, los resultados significativos al nivel del 0.05 pero no al nivel del 0.01 son
probablemente significotiuos, mientras que los resulados significativos a niveles superriores al 0.06 son no

significatiws.

la erminologfa, se concluye que los resultados del experimento anterior wn probablemente


significatiuos. de modo que posteriores investigaciones del fenmeno estn probablemente justificadas.

Seglrn

www.tutomundi.com

224

ENSAYOS DE HIPOTESIS Y SIGNIFICACION

lcAP.

Puesto que los niveles de significacin sirven de gua en la toma de decisiones, algunos estadsticos citan
las probabilidades reales inherentes. Por ejemplo, en este problemapuesto quep(Z > 1.84):0.0322 el
estadstico puede decir que en base a la posibilidad de que en el experimento se llegue a una conclusin
errnea sobre que el individuo tiene fuerza de E,S.P, es sobre el 3 por 100. ta probabilidad citada en-este caso 0.0322, se llama a veces niuel de significacin erperimental o descriptiuo.

7.6.

El fabricante de una patente mdica sostiene qu la misma tien'e un 9O% de efectividad en el


alivio de una aler_gia, por un perodo de 8 horas- En una muestra de 200 individuos que tenan
la alergia la medicina suministrada alivi a 160 personas. Determinar si la aseveiacin del
fabricante es cierta.
Dentese porp la posibilidad de obtener alivio de la alergia utilizando la medicina. Entonces
tre las dos hiptesis:

Ho:

p:

se debe

decidir

0.9 y la aseveracin es correcta

Hy: p10.9 y la aseveracin

es falsa

Se elige un ensayo unilateral, puesto que Ee es interesado en


determinar si la proporcin de gente aliviada por la medicina es
demasiado baja.

Si se toma el nivel de significacin del 0.01, es decir, si el rea


sombreada en la Fig. 7-5 es 0.01 , entoncegz : -2.33, como
puede deducirse del koblema 7.5(b), mediante la simetra de la
curva, o de la Tabla 7-1.
Se

zl

Fig.

7-5

toma como regla de decisin:

(1) La aseveracin no es legtima si Z es menor de -2.33 (en cuyo caso se rechaza H).
(2) En caso contrario, la aseveracin es legtima y los resultados obtenidos se deben a la casualidad (en
cuyo caso
Si

fle

se

es cietta p

acepta

np

116 ).

200(0.$)

1AO y

\/"pq = /?2ooxo.9)(o.r = a.23.


Ahora 16O en unidades tipificadas (160 - l8O)14.23:
3, que es mucho menor de
-2,33. Aspues,
por la regla de decisin se deduce que la aseveracin no-4.
es legtima y que los resultados muestrales son

"

altamente significatiuos (vase final del Problema ?.5).

7.7. La duracin

media de una muestra de 100 tubos fluorescentesproducidosporuna compaa


resulta ser 15?0 horas, con una desviacin tpica de 120 horas. Si .r es la duracin media de
todos los tubos producidos por la compaa, comprobar la hiptesis : 1600 horas contra la
hiptesis altemativa r # 1600 horas con un nivel de significacin de (a) 0.05 y (b) 0.01.
Se

tiene que decidir entre las dos hiptesis:

Ho; lt:1600 hora.s,


H1: t* 1600horas
Un ensayo bilateral debe utilizarse aqu puesto que g

1600 incluye valores mayores y menores de 1600.

(a) Paraunensayobilateralalniveldesignificacinde0,Ossetienelasiguienteregladedecisin:
(/) Se rec}raza 116 si la z de la media muestral est fuera del rango - 1.96 a 1.96.
(2) Se acepta l/6 (o no se toma decisin alguna) en caso contrario.
El estadstico bajo consideracin es la media muestral X. La distribucin muestral de X tiene una media

rx-yunades.viacintpicaop:s/1/i.,dondegvoscnlamediayladesviacintpicadelapobla-

cin de todos los tubos producidos por la compaa.

www.tutomundi.com

cAP. 7l

ENSAYOS DE HIPOTESIS Y SIGNIFICACION

226

Bajo la hiptesis I/6, se tiene g : 1600 y o* = a/t/n = 120/\/L00 = 12, utilizando la desviacin tpica
muestral como una estima de o. Puesto que / : (X
- 1600)/12 : (L570 - 1600y12 : -2.50 se

eneuentra fuera del rango

' (b)

-l

.96 a

1 .9

6, se rechaza /16 al nivel de significacin del 0.05.

Si el nivel de significacin es 0.01, el rango -1.96 a 1.96 en la regla de decisin del apartado (c) se
sustituye por -2.58 a 2,58, Entonces, puesto que z
-2.50 se encuentra dentro de este rango, se acepta
Ile (o no se toma ninguna decisin) al nivel de sfinificacin
del 0.01.

7.7, ensayar la hiptesis p : 1600 hora.s frente a la alternativa


horas, con los niveles de significacin de () 0.05 y (b) 0.01.

7.8. En el Problema
Se debe

<

1600

decidir entre las dos hiptesis:

Ho: lJ:

II1: t{ 1600 horas.

1600 horas,

Debe aqu utilizarse un ensryo unilateral (vase Fig. 7-5).

(a) Sielniveldesignificacines0.05, lareginsombreadadelaFig.T-Stieneunreade0.0Sysetieneque


zt :
Se adopta, por tanto la regla de decisin:
-L.645.

Hs si Z es menor de -1.645.
)
(2) Se acepta.Ff6 (o no se toma ninguna decisin) en caso contrario,

(1

Se ecltaza

Como en el Problema

7 ,7

(a), el valor de z es
-2,50, que es menor de

-1

.645, se rechaza pues,

fle al nivel

de significacin del 0.05. Advirtase que esta decisin es idntica a la obtenida en el Problema 7.7(a)
mediante un ensayo bilateral.

(b)

Si el nivel de significacin es de 0.01 eI valor de z1 en la Fig, 7-5 es -2.33. De aqu que se adopte la regla
de decisin:

(I ) Se rechaza H si Z es menor de
-2.33.
(2) S. acepta H6 (o no se toma ninguna decisin)

en caso contrario.

Como en el Problema 7.7(a), el valor de e es -2.50, que es menor de -2,33, se rechaza pues, /ls al nivel
de significacin del 0.01. Advirtase que esta decisin es la misma que la obtenida en el Problema 7.7(b)
mediante un ensayo bilateral.
Las decisiones concernientes a hiptesis'lfe dadas, basadas en ensayos de una o dos colas, no estn
siempre en concordancia. Esto cabe, naturalmente esperarse, puesto que se ensaya I/6 conha una
alternativa diferente en cada caso.

7.9.

La resistencia a la rotura de los cables producidos por un fabricante tienen una media de 1800
libras y una desviacin tpica de 100 libras. Mediante una nueva tcnica en el proceso de fabricacin se aspira a que esta resistencia pueda ser incrementada. Para ensayar esta aspiracin,
se ensaya una muestra de 50 cables y se encuentra que su resistencia media es de 1850 libras.
Puede mantenerse que, en efecto, hay un aumento de resistencia al nivel de significacin del
0.01?
Se

tiene que decidir entre las dos hiptesis:

Ho: lJ:
Ht: lt >

1800 libras, y realmente no hay cambio en la resistencia

1800 libras, y hay un cambio en la resistencia

Aqu debe emplearse un ensayo unilateral (vase Fig, 7-4). Al nivel de significacin del 0.01 la regla de decisin es:
(I

) Si eI valor de z es mayor que 2.33 los resultados son significativos al nivel de 0.01 y.F/0
(2) De otro modo, Ilo es aceptada (o no se toma decisin alguna).
Bajo la hiptesis de que

I/e

es

es rechazada.

cierta, se tiene

X-p
ol\n

1850 - 1800
-------------.oo

loo/v5o

que es mayor de 2.33. De aqu se deduce que los resultados son olamente significatiuos y Ia aspiracin de
mejora debe ser admitida.

www.tutomundi.com

ENSAYOS DE HIPOTESIS Y SIGNIFICACION

226

[g.lp.

ENSAYOS RELACIONADOS CON DIFERENCIAS DE MEDIAS Y PROPORCIONES

7.10. Se hizo un examen p dos clases formadas por 40 y 50 estudiantes respectivamente. En la primera clase la puntucin media fue de 74 con una desviacin tpica de 8, mientras que en la
segunda clase la puntuacin media fue de 78 con una desviacin tpica de 7. Hay una diferencia significativa entre el restfltado de las dos ciases al nivel de significacin de (a) 0.05, (b)
0.01?
Supngase que las dos clases provienen de dos poblaciones que tienen de medias respectivas
decidir entre las hiptesis:

ces, se tiene que

l\ y tJz. Enton-

Ho: ltt : llz, ! la diferencia se debe simplemente al azar


H t : Pt * t2 ,hay una diferencia significativa entre las dos clases
la hiptesis lls, ambas clases provienen de la misma poblacin. La media y la desviacin tpica de la di-

Bajo
ferencia de medias estn dadas por

uir-i, =

n*r-'^" =

l"? ,

!t-",

"Z=

l8r- , ?,
!40*50 =

1.606

donde se han utilizado las desviaciones tpicas muestrales como estimas d.e o1 y o2.

z=

Entonces

(a)
()

o*r-fr,

= 1# =
-

-2.4s

Pata un ensayo bilaeral, los resultados son significativos al nivel de 0.05 si Z se encuentra fuera del recorrido -1.96 a 1.96. De aqu se deduce que al nivel de 0.0 hay una diferencia significativa entre las dos
clases y la segunda es probablemente mejor.
Para un ensayo bilateral, los resultados son significativos al nivel de 0.01 si Z se encuentra fuera del iri-2.58 y 2.58. De aqu se deduce que al nivel de 0.01 no hay diferencias significativas entre am-

tervalo

bas clases.

Puesto que los resultados scin significativos al nivel de 0.05 pero no al de 0.01, se deduce que los resultados son probablementesignificatiuos, de acuerdo con la terminologa utilizada al final del Problema 7.5.

7.11. La estatura media de 50 estudiantes de un colegio que tomaban parte en las pruebas atlticas
fue de 68.2 pulgadas con desviacin tpica d,e 2.5 pulgadas, mientras que 50 estudiantes que
no mostraban inters en tal participacin tenan una estatura media de 67.5 pulgadas con desviacin tpica de 2.8 pulgadas. Ensayar la hiptesis de que los estudiantes que participan en
las pruebas atlticas son ms altos que los otros.
Se debe

decidir entre las hiptesis:

Ho: llt :
H t: Ft )
Bajo la hiptesis.El6

ltz ,

p2

^o

hay diferencia entre las estaturas medias-

,la estatura media del primer gtupo

es

mayor que la del segundo

ur?,-*,

=o

n*r-rr"=

"? ,
ft1

"8,

n2

0.53

donde se han utilizado las desviaciones tpicas muestrales como estimas de o1 y o2Entonces
Con un enrayo unilateral y al nivel de significacin del 0.05, se rechaza la hiptesis lls si el valor de z fuese
mayor de 1.645. As pues, no se puede rechazar la hiptesis a este nivel de significacin.
Debe sin embargo ponerse de manifiesto que la hiptesis puede rechazarse al nivel de 0.10 si se est dispuesto
a correr el riesgo de tomar una decisin errnea con una probabilidad de 0.10, es decir, I vez cada 10.

www.tutomundi.com

CAP. ?]

7.L2.

227

ENSAYOS DE HIPOTESIS Y SIGNIFICACION

En cunto debern incrementarse los tamaos de muestra de cada uno de los dos grupos en
el Problema 7.II para que la diferencia observada de 0.7 pulgadas en las estaturas medias sea
significativa al nivel de significacin (o) 0.05, (b) 0.01?
Supngase que el tamao muestral de cada grupo eB n y qLe las desviaciones tpicas
manecen iguales a las de antes. Entonces, bajo la hiptesis tiI6, se tiene ,ir_*, = 0 V

o*r-

o?,"2

*, =

(2.5z

nn

14.09

3.75

,/"

".t,

p"."io"

dos grupos per-

Para la diferencia de 0.7 observada en las estaturas medias se tiene

xt - xz
-4 - o*r-*,
(a)

o.7
3.75/\n

0.7\n
3'75

La diferencia observada ser significativa al nivel de 0.05 si

Yif-t'uou

1/-n=8.8 n>78

As pues, deber incrementarse el tamao de cada grupo en ?8

(b) La diferencia observada

50

28 al menos.

ser significativa al nivel de 0.01 si

ui'!!=r.tt

d \/a>r2.5

De aqu que se debera incrementar cada muestra en al menos

t57

n>1b?
-

50

lO7

7.13. Dos grupos A y B fomados cada uno de 100 individuos, padecen una enfermedad. Se administra un suero al grupo A, pero no al grupo B (que se llama gtupo control); siendo en todo lo
dems los dos grupos tratados idnticamente. Se encuentra que en los grupos Ay 8,75 y 65
individuos, respectivamente se han recuperado de la enfermedad. Ensayar la hiptesis de que
el suero ayuda a curar la enfermedad al nivel de significacin del (a) 0.01, (b) 0.05, (c) 0:10.
Dentese por

utiliza suero.

Se debe

r!

respectivamente las proporciones poblacionales curadas ( I ) utilizando el suero , (2 ) sin


decidir entre las dos hiptesis:

p2,

Ho: Pt : Pz,l las diferencias observadas son debidas al az,zt,


H t : pt ) pz,y el suero es efectivo

es decir, el suero no es efecivo

Bajo la hiptesis 116,

urr-r', =

o,r-r, =

ro.zorro.ebr(-#.#) =

donde se ha utilizado como estima de la proporcin


65)1200 : 0.70 y donde q : 1 p : 0.30. Entonces
ry-

(c)

P,_P"
orr- r,

p de curas

0.?50

0.0648

en los dos grupos muestrales el valor (?5

0.650
0.0648

1.54

De acuerdo con un ensayo unilateral al nivel de significacin del 0.01, se r*}lrazara lahiptesis1116 solamente si z fuese mayor de 2.33. Puesto que el valor de z es 1.54, se debe deducir que los resultados se
deben al azar a este nivel de significacin.

() De acuerdo con un ensayo unilateral

al nivel de significacin del 0.05, se rechazara la hiptesis IIs solamente si z fuese mayor de 1.645. De donde se deduce que a este nivel tambinlas diferencias se deben al
azgt,

(c)

Si se utilizase un ensayo unilateral al nivel de significacin de 0.10 se rechazara f/e solamente si el valor
de z fuese superior a 1.28. Puesto que esta condicin es satisfecha, se deducira que el suero es efectivo al
nivel de significacin de 0.10.

www.tutomundi.com

ENSAYOS DE HIPOTESIS Y SIGNIFICACION

228

[cAP.

Adrtase que las conclusiones anteriores dependen de lo que se est dispuesto a arriesgar de tomar una
decisin errne. Si los resultados se deben realmente aL azar y se toma la decisin de que son debidos al
suero (error del Tipo I), se puede proceder a dar el'suero a grandes grrlpos de gente solamente para obtener entonces que realmente es inefectivo. Este es un riesgo que nb siempre deseamos suponer.
Por otro lado, se puede deducir que el suero no ayuda cuando realmente s lo hace (error del Tipo II)Tal decisin es muy importante especialmente si hay vidas humanas en juego.

?.14. Solucionar el Problema 7.13 si cada grupo


dividuos del Grupo,zt y 195 del grupo B.

se compone de 300

individuos y si se curan 225

i*

: 0.750 y 195/300
Advirtase que en este caso la proporcin de gente curada en los dos grupos son 225/300
: 0.6b0 respectivamente, que son las mismas del problema anterior. Bajo la hiptesis ^FIe,
l'pr-pz =
donde (225

',-t'r=

- 195y600:0.70

se

'G;t

ro.zol ro.sol( r*-L

r*-L

0.0374

utiliza como estima dep. Entonces

z==P,-P,

0.750

0.650
0.0374

2.67

puesto que el valor de z es mayor de 2.33, se puede rechazar la hiptesis al nivel de significacin del 0.01,
decir, se deduce que el suero es efectivo con solo una probabilidad de 0.01 de equivocacin.

es

Esto muestra cmo al incrementarse el tamao de la muestra aumenta la seguridad de las decisiones. Sin embargo, en muchos casos es imposible el aumentar el tamao de la muestra. En tales casos, se est forzado a toma decisiones en acuerdo con la informacin utilizable y as se tendr que correr mayor riesgo de tomar decisiones errneas.

?.15. Una muestra de 300 votants del distrito A y 2O0 del distrito B mostr que el 66% y el 48%
respectivamente, estaban a favor de un candidato dado. Al nivel de significacin del 0.05 ensayir la hiptesis de que (o) haya diferencia entre los distritos, (b) el candidato sea preferido
en el distrito A.
Dentese por pr y p2 las proporciones de todos los votantes de los distritos A y B, respectivamente, que estn a favor del candidat<.
Bajo la hiptesis (Ho:

l,, _ 1,"

pt:pr

= 0

) se tiene

or,,

,,

(D=@=00456

dondesehautilizadocomoestimadepyqlosvalores
0.472. Entonces

z- -

P, - P"
=
rrar,

f(0.56)(300)

+(0.48)(200)l/500:0.528

- 0.480 =
-0^0456==
0.560

y 1-0.528 =

l'75

() Si solamente se desea determinar si hay diferencia entre los distritos, se debe decidir entre la hiptesis
(Ho : P t : pz\ y (Ht : P t * pz), que se estudia con un ensayo bilateralCon un ensayo bilateral y al nivel de significacin del 0.05, se rechazara Hs si Z estuviese fuera del in'
tervalo-1 .96a1.96.Puesto queZ:1.?S,encontrndosedentrodelintervalonosepuedetechazatH
a este
(b

nivel,

es

decir, no hay diferencia significativa entre los distritos'

Si se desea determinar si el candidato es preferido en el distrito A, se debe decidir entre la hiptesis (f/e
), que se estudia con un ensayo unilateral.

Pt : Pz)y (Ht: pt ) pz

Cor un ensayo unilateral y al nivel de significacin del 0.05 se rechaza H si Z fuese mayor de 1.645.
Puesto que ste es el caso, se rechaza 16 a este nivel y se deduce que el candidato es preferido en el dis'
trito A

www.tutomundi.com

cAP. 7l

ENSAYOS DE HIPOTESIS Y SIGNIFICACION

ENSAYOS RELACIONADOS CON LA DISTRIBUCION

DE STUDENT

7.16. En el pasado una mquina ha producido arandelas con un grosor de 0.050 pulgadas. Para determinar si la mquina sigue en buenas condiciones de produccin, se toma una muestra de
10 arandelas, que resulta tener un grosor medio de 0.053 pulgadas y una desviacin tpica de
0.003 pulgadas. Ensayar la hiptesis de que la mquina est en buenas condiciones de produccin al nivel de significacin del (o) 0.05, (b) 0.01.
Se desea

decidir entre las hiptesis

Ho: lt:0.050, y la mquina


Ht: P + 0.050, y la mquina

se encuentra en buenas condiciones

no se encuentra en buenas condiciones

de modo que se requiere un ensayo bilateral.

Bajo la hiptesis

(o

tiene

se

, =

4---f, -t/n-

t = 9!$-.f;4!9 0 -t

-_- g.00.

Para un ensryo bilateral al nivel de significacin del 0.05 se adopta la regla de decisin:

(I)
(2)

Se acepta fle si f se encuentra dentro del intervalo-f cz a f e75, lo cual para 10


libertad es eI intervalo -2.26 a 2.26.
Se rechaza

Puesto que

()

?:

lls

-1 :9

gradosde

en caso contrario.

3.00,

se rechaza

I/6 al nivel de 0.05.

Para un ensayo bilateral aI nivel de significacin del 0.01 se adopta Ia regla de decisin:

(I

(9)

Se acepta .F/6 si ? se encuentra dentro del intervalo --f.ee; .ee5, que para 10-1
tad es el intervalo -3.25 a 3.25.
Se rechaza.16 elr cso contrario.

Puesto que

?:

9 grados de liber-

3.00, se acepta,Efs al nivel 0.01.

Ya que se rechaza lls al nivel 0.05 pero no al nivel 0.01, se dice que lamuestraresultaproboblemente
significatiua (vaee la terminologa del final del Problema 7 .6), ABI sera aconsejable comprobar la mquina o al menos toma otra muesha.

7.17. Un ensayo sobre resistencia a la rotura de 6 cuerdas fabricadas por una compaa mostr una
resistencia media de 7750 lb y una desviacin tpica de 145 lb mientras que el fabricante sostena que la resistencia media de sus cuerdas era de 8000Ib. Se puede admitir la afirmacin
del fabricante aI nivel de significacin del (a) 0.05, (b) 0.01?
Se

tiene que decidir entre las hiptesis


Ho:.
H

lJ:

8000 libras, y la afirmacin del fabricante est justificada

1 : t 1 8000 libras, y la afirmacin del fabricante

es falsa

de modo que se requiere un ensayo unilateral.

Bajo la hiptesisae se tiene


(o

?l|'!-_99rnJ

Seacepta116 si ?esmayorde -.o., que para 6


Se rechaza.F/6 eri caso

Puesto que T =

1=

,i6= =

-8.86.

Para un etsayo unilateral al nivel de significacin del 0.05 , se adopta Ia regla de decisin

(l)
(2)
(b

, - L7"-

-3.86,

-1:5

gradosdelibertad da

?)

Se acepta

f/
:

si ? es mayor de -f.un, que para 5 grados de libertad da

-B

Se deduce que la

se rechaza .F/s.

Se rechaza.F/e en caso

Puesto que ?

-2.01

contrario.

Para un ensayo unilateral al nivel de significacin del 0.01 , se adopta la regla de decisin

(1)
(2)

7') -3.36.

contrario.

.86 , se rechaza

ffs

afirmacin del fabricante es extremadamente improbable que est justificada.

www.tutomundi.com

ENSAYOS DE HIPOTESIS Y SIGNIFICACION

[cAP.

?.18. El I. Q. (cociente de inteligencia) de 16 estudiantes de una zona de una ciudad dio una media
de 107 con una desviacin tpica de 10, mientras que el L Q. de 14 estudiantes de otrazona
de la ciudad dio una media de 112 con desviacin tpica de 8. Hay diferencia significativa
entre el I. Q. de los dos grupos al nivel de significacin del (o) 0.01, y (b) 0.05?
Si se denota por l-. y r2 las medias poblacionales del
decidir entre las hiptesis

I. Q. de los estudiantes de las dos zonas,

se tiene que

Ho: lt : ltz ! no hay diferencia esencial entre los grupos


Hti ltt =* tlr,y hay diferencia esencial entre los grupos
Bajo la hiptesis

lls,

xt-x,

T-

"t/U"t+ Y"2

n,S! + nrS!

donde o -

n1

-ln2-2

Entonces

=9.44

t6+L4-2

T=

ltz -

t07

9.44\/ l/16 +

l/t4

1.45

() Con rn ensayo bilateral al nivel de significacin del 0.01, se rechazar la hiptesisl{6 si ?se encuentra
fuera del recorrido --t rg, a .ee5, eue para n I nz - 2:.16 + 74 - 2: 28 grados de libertad es el recorrido -2.?6 a 2.76.

As pues, no se puede rechazar,Ef6 al nivel de significacin del 0.01.

(b) Con un ensayo bilateral aI nivel de significacin del 0.05, se rechazar Hs si T se encuentra fuera del recorrido -t.ctsa e75, eue para 28 grados de libertad es el recorrido -2.O5 a 2.05.
As pues, no se puede rechazar
Se deduce que no

116

al nivel de significacin del 0.05.

hay diferencia significativa entre el I. Q. de los dos grupos.

7.19. En una estacin agrcola se deseaba ensayar el efecto deun determinado fertilizantn sobrela
produccin de trigo. Para ello, se eligieron 24 parcelas de terreno de igual superficie; la mitad
de ellas fueron tratadas con el fertilizante y la otra mitad no (grupo control). Todas las dems
condiciones fueron las mismas. La media de trigo conseguida en las parcelas no tratadas fue
de 4.8 fanegadas con una desviacin tpica de 0.40 fanegadas, mientras que la media en las
parcelas tratadas fue de 5.1 fanegadas con una desviacin tpica de 0.36 fanegadas. Puede
deducirse que hay un incremento significativo en la produccin de trigo por el empleo del fertilizante al nivel de significacin del (a\ 7% V Q) 6%?
Si r y pt2 son las producciones poblacionales medias en los suelos tratados y no tratados, respectivamente,
tiene que decidir entre las hiptesis

se

Ho: lt : ltz,y la diferencia se debe al azar


H t: pt ) tt1- ,y el fertilizante incrementa la produccin
Bajo la hiptesis

I/6,

T=
Entonces

"=!ffi
(a)

12(0.4012

xt-

X,

"tf;ffi
+

12(0-36)2

t/",

nrsl + n252,
n1*n2-2

donde

=o'397 v

T=

5.1

4.8

0.3s7\n/12 + Urz

1.85

Con un ensayo unilateral aI nivel de significacin del 0.01, s rechazar Ia hiptesis f16 si ? fuese mayor
que .ee, lo cualpara n1 * nz - 2 : 72 + t2
- 2 : 22gradosde libertad es 2.51.
As pues, no se puede rechazar

16

al nivel de significacin del 0.01.

www.tutomundi.com

cAP. 7l

ENSAYOS DE HIPOTESIS Y SIGNIFICACION

237

() Conunensayounilateralalniveldesignificacindel 0.05,serechazarlahiptesisfl6si?fuesemayor
que .e5, lo cual para22 grados de libertad esL.72.

As, pues,

se

rechaza.Ffs al nivel de significacin del 0.05.

Se deduce que el incremento en la produccin de trigo alttilizar el fertilizante es probablemente significoiuo. Sin embargo antes de sacar conclusiones definitivas referentes a la conveniencia del fertilizante.
sera deseable tener alguna prueba ms.

ENSAYOS RELACIONADOS CON LA DISTRIBUCION CHI-CUADRADO

7.?0. En el pasado la desviacin tpica de los pesos de ciertos paquetes de 40.0 onzas, llenados por
una- mqlLlina era de 0.25 onzas. Una muestra aleatoria de 20 paquetes dio una desviacin tipica de 0.32 on?T. Es el aparente incremento de vaiabilidadsignificativa al nivel de signifiacin del (a) 0.05 y (b) 0.01?
Hay que decidir entre las dos hiptesis:

Ho: o :0.25 onzas, y los resultado observados se deben alazar


H 1 : o > O .25 onzas, y la variabilidad se ha incrementado
El valot de 12 para la muestra 8 X2 : nsz/sz :20(0.32)2/(O.Z5l2

(o)
(b)

82.8.

Mediante un ensayo unilateral, se rechaza .EI6 al nivel de significacin del 0.05 Si el valor de X2 muestral
fuese mayor 9ue x?gs, que es igual a 30.1 para v : 20
- 1 : 19 grados de libertad. As puee, se rechaza
^Ef6 al nivel de significacin del 0.05.
Mediante un enaayo unilateral, se rechazar.EIe al nivel de

12 fuese mayor-

9tt" 4'rn, que s igual

vel de significacin del 0.01.

a 36.2 para 19 grados

sig
de

I O.01 si el valor muestral

de
pues, no se rechaza.16 al ni-

Se deduce que la variabilitlad se ha, probablemente incrementado. Y deber efectuase una revisin en la
mquina.

ENSAYOS RELACIONADOS CON LA DISTRIBUCION

'

7-2L. Un instructor tiene dos clases, A y B. en una asignatura especfica. LaclaseA tiene lGestudiantes en tanto que la clase B tiene 25 estudiantei. En el mismo examen, aunque no hubo diferencia significativa en medias de las calificaciones,la clase A tuvo una desviain tpica de 9
en tanto que la clase B tuvo una desviacin tpica de1'2. Podemos concluir al nivel d-e significacin del (c) 0.01, (b) 0.05 que la variabilidad de la clase B es mayor que la de la clase A?
(o) Tenemos, empleando eubndices 1 y 2 para las clasee A y B respectivamente, sr g, sz :12 de modo
-que

G?

= ,,_Lr'? = if

(e)2

= 86.4,

4 = ,!4

'*rrrr'=

1Eo

Hay que decidi entre las dos hiptesis

: o = o2, y cualquier vaiabilidad observada se debe al azol


i1: o1>- oz,y la variabilidad de la claseA es mayor que la de la B

Itr

La decisin debe por tanto baearse en un ensayo unilateral de la dietribucin F. El nmero de grados de
libertad para las clases son respectivamente rr :16-1:lb,
Vz:26-L=24.Alnivel 0.01 paraZ
= L5,v2 = 24 tenemos del Apndice F, F.ee : 2.8g. Entonces, p.t h. muestras en cuestin,
Ad

, =E
r.74
e = *n@ =
Entonces, ya que

F(

.nn

no podemos techazar ff6 al nivel 0.01.

(b) Ya que f'.er:z.LL

para 15, 24 grados de libertad (vase Apndice F), vemos que


tampoco podemos rechazar.ltle al nivel 0.06.

www.tutomundi.com

f (

F.sr.Por tanto

ENSAYOS DE HIPOTESIS Y SIGNIFICACION

232

lcAP.7

7.22. Canbiaran sus conclusiones en eI ProblemaT.2L si existe una diferencia significativaenla


media de las calificaciones de las clases? Justificar su solucin.

Puesto que la media real de las calificaciones no se us para nada en el Problema 7 ,2L no ineiresa su valoree.
Esto es de esperarse ya que no estamos tratando de decidi si hay una diferencia en las medias de las calificaciones, sino solamente si hay una variabilidad en las calificaciones.

CURVAS CARACTERISTICAS DE OPERACION

7.23. Con referencia al Problema 7 .2

cu6l es la probabilidad de aceptar la hiptesis de que la moprobabilidad


real de caa es p : Q.J?
hecha
cuando
la
neda est bien

La hiptesis ff6 de que la moneda est bien hecha,

p = 0.6

p=o.7

p-0.5

nmero de caras en 100 lanzamienos se encuentra entre 39. y


60.5. La probabilidad de rechazar Ffe cuando debera aceptarse (es decir, probabilidad de error del Tipo I) viene: dada por el rea tod c de la regin sombreada ba,jo la curva normal de La izquierda en la
Fig. 7-6. rOalculada en el Problema 7.2(ol, esta ea
d, que representa el nivel de significacin del ensayo
de lfe, es igual a 0.0358.
es decir,

se acepta cuando el

39 5
caras

60.5

caras

Fig.7-6

Si la probabilidad de cara es p : 0.? , entonces la distribucin de carag en 100 lanzamientos eet representada
por la curva normal de la derecha en la Fig. ?-6. En el diagtama se ve claramente que la probabilidad de acepLr .Efs cuando realmente p : 0.7 (es decir, probabilidad de error del Tipo II), est dada por el rea rayada p
de la iigura. Para calcular esta rea se obeerva que la distribucin bajo la hiptesisp : 0.? tiene una media y
una desviacin tpica que Bon dadas por

p=np=(100)(0.7)=70

' -

60.5 en unidades

tipificadas =

39.5 en unidades

ipificadas

r/"pq

70

to'l.O

tn

60.5

4.58

y'6oo)(oJ)(0.3)

-2.07

-6.66

4.58

Entonces

I:

teabajo la curva normal entre z

--6'66 y z

-2-O7

0.0192

As, pues, con la regla de decisin dada hay muy poco riesgo de aceptar la hiptesis de que la moneda eetd
bien hecha, cuando realmente P

0.7.

Advirtase que en este problema se tena la regla de decisin de la que se obtenfa c y p. En la prctica se pue'
den presentar otras dos posibilidades:

(I

) Se decide sobre c (tal como O.O5 O.O1), llegando a una regla de decigin
(2) Se decide sobre Q y P y despus se llega a una regla de decisin.

y despus

se calcula p.

?.24. Solucionar el Problema 7.23 si (a)p:0.6, (b)p : 0.8, (c)p :0.9' (d) P : O-4.
(a) Sip : 0.6, la media y la desviacin tpica de la distribucin de caras vienen dadas por

!=np=(100X0.6)=60

Entonces

9:

= lnpq =

60.5 en unidades tipificadas =

60.5

39.5 en unidades tipificadas =

39.5

rea

bajo la curva normal entre z

V(100)(0.6)(0.4)

60

0.102

60

-4.18

4.90
4.90

: -4.18

yz

4.99

: O.tO2: 0.5405

Asi pues, con la regla de decisin dada hay un gran riesgo de aceptar la hiptesis de que la moneda est
bien hecha cuando realmente P : 0.6.

www.tutomundi.com

cAP.7l

ENSAYOS DE HIPOTESIS Y SIGNIFICACION

(b) Sip=0.8,enoncea p=np = (100)(0.8) = 80 y o=,,/nW=


60.5 en unidades tipificadaa
39.6 en unidadeb tipificadas
Entonces

p:

rea bajo la curva normal entre z

= ry
= q9?
:

233

y'(100X0-S)(0)

-4.88

-10.12

=.

:
-10,12 y z -4,88 = 0.0000 muy aproximadamene.

1c) Comparando con (b) o por clculo, Be ve que sip = 9.9,9: 0 paa todos los propeitos prcticoe.
(d) Porsimetrap = 0.4 da el miemo valor deq.t"p:0.6;eedecir,p:0.5405.

7.25. Representar grficamente los resultados de los Problemas 7.23y 7.24 construyendo un grfico cuyos ejes sean (a\ I y p, (b) ( 1 p ) y p. Interpreta los grficos obtenidos.
La Tabla 7-3 muestra los valores de p correspondientes a valores dados dep, comolorobtenidosenlosPro-

blemas7.23y7.24.

Tabla 7-3
p

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

0.0000

0.0000

0.0192

0.5405

0.9642

0.5405

0.0192

0.0000

0.0000

Ntese que p representa la probabilidad de aceptar la hiptesis p : 0,5 cuando realmente p tiene un valor
distinto a 0.5. Sin embargo, si realmente'p : 0.5 se puede interpretar p como la probabilidad de acepoar p :
0'5 cuando debiera ser aceptado. Esta probabilidad es igual a 1 0.0358 :0.9642 y ha eido introducida en

la Tabla 7-3.

L-p
1.0

1.0

0.9

0.9

0.8

0.8
0.?

0.6

0.6

06

0,6

0{

0.4

0.3

0.3

02

0.2

0.1

0.1

(a)

(D)

Fig. 7-z

(o) El grfico p, p ee muestra en la Fig. 7-1.(a),se


gla de la decisin o enoayo de hiptesis.

llama curua caroctersca de operacin o curva OC de la re-

la ditancia del punto mximo de la curva OC a la lnea p


cin del ersayor

: I

es igual a

0.098 al nivel de significa-

En general, el apuntamiento mayor de la curva OC es la mejor regla de decisin paa techazar hiptesis
que no son vlidas.

www.tutomundi.com

234

ENSAYOS DE HIPOTESIS Y SIGNIFICACION


(D

[cAP.

) E

grfico (1 - P), p e muestra en la Fig. 7 -7 (b), e llama curua de potencio de la regla de decicin o ensayo de hiptesis. Esta curva ae obtiene encillamente invirtiendo la curva OC, de modo que realmente
ambos grficoe aon equivalenee.

I cantidad (l - p) e llama a menudo funcin d.e potencia, puesto que indica la aptitud o potencb de
un ensyo para rechazar hipesie que son falsas, es decir, que debieran ser rechazadas. La cantidad p se
llama tambinfuncin caructerstico de operocin de un ensayo.
7.26. Una compaa fabca cuerdas cuyas resistencias a la rotura tienen un valor medio de 300 li
bry" y una desviacin tpica de 24libras. Se cree que mediante un nuevo proceso de fabrica-

cin

puede incementarse la resistencia media. (c) Disear una regla de decisin para rechazar
el proceso primitivo al nivel de significacin del 0.01 si se pone d manifiesto qu debe rechazarse al ensayar 64 cuerdas. (b) Bajo la regla de decisin adoptada en (a), cul es la probabilidad de aceptar el proceso primitivo cuando en efecto el nuevo proceso incremente la resistencia media a,310 libras? Supngase que la desviacin tpica se mantiene en z4libras.

(a)

Si

es

la resistencia media,

Ho: U:
Ht: ! )

ae

quiere decidir enhe las hiptesis:

300 libra, y el nuevo proceso es igud que el primitivo


300 libras, y el nuevo poceso es mejor que el primitivo

un ensayo unilateral d nivel de significacin del 0.01,


tiene la siguiente regla de decigin (referene eon la Fig. ?-8):
Paa

(t

Se rechaza

lle

si la e de la media de resistencia muestal

se

es

riayor que 2.33.

(2) Se'aceptqlfq
pueto

en caso contrario.

'que z =

*r.J = 't- 9qo, i 800 *sz.Enton=


"lr/ 24/\/u

cessi Z>2.33, X>300+3(2.33) =30?.0 lb.

As, la regla de decisin anterior se convierte en:

(I

)
(2)
()

Se rechaza 116 si la reeistencia media de 64 cuerdae excede a 30?.0 libras.


Se acepta ^fs en caeo

contraio.

Considrense las doe hiptesis (Ho:

bras)

y (Ht: tt: 310 libras).

tt:

300 li-

Las distribuciones
de las resistencias medias correspondiente a estas dos hipteeis se repreeentan, respectivamente con las distribuciones normales de la izquierda y de la derecha de la Fig. 7-9.

Ia probabilidad de aceptar el proceeo primitivo


cuando la nueva resistencia media sea realmente
310 libras se representa por el rea de la Fig.
7-9. Para hallar su valor ntese que 307.0 libras
en unidade tipificadas

-1.00;

de aqu que
A

iren,

(307.0

300

310)/3 =

bajo la curva normal de la derecha a la izquierda de z

Esta es Ia probabilidad de aceptar Ho: ! : 300 libras cuando realmente


es la probabilidad de comeer error del Tipo II.

dect,

tb

307

tb

3r0 lb

Fig.7-9

: -1.00 = 0.158?.
H t : ! -- 310 libras es cierta,

es

7.27. Constmir (a) una curva OC v (b) una cuna de potencira para ei Problema 7.26, suponiendo
que la desviacin tpica de las esistencias se mantiene en z4libras.
Razonando anlogamente a como se hizo en el Problem 7,26(br, se puede hdla p para loe caeor en que el

www.tutomundi.com

235

ENSAYOS DE HIPOTESIS Y SIGNIFICACION

cAP. 7l

nuevo proceco da un resistencia media r igual a 306 librar, 315 librae, etc. Por ejemplo, ri r
tonces 307.0 libra en unidades tipificadas: (307.0 - 305y9 = 0.6?, y de aqu

9:

iea bajo la curva normal de la derech

la izquienda de z

:0.6? :

396 librae, en-

0.?4Eo

De esa forma se obtiene la Tabla 7-4.

Tabla 7-4
tt

290

296

300

305

3r0

316

320

1.0000

1.0000

0.9900

0.7486

0.1687

0.0038

0.0000

L-

1.0

0.9
0.8
o.7
0.6
0.5
0.,1

0.
o.2
0.1

p (lb)
300

300

(o)

3to

3t5

()

Fig.7-r0
() La curva OC se muestra en la Fig. ?-10(o). En esta curva 6e ve que la probabilidad de seguir con el proce'
so primitivo, si el nuevo da una resistencia menor de 300 librar, es picticamente,l (excepto para el nivel
de significacin del 0.01 cuando el nuevo proceeo da una media de 800 librar). Eeepus, la curva baia r-

pidamente hacia cero, de modo que no hay probabilidad de aeguir con el proceeo primitivo cuando la
media de resistencia es mayor de 316 libras,

(b) La curva de potencia se ve en la Fig.7-10(b); sepuedenobtenerdeellalaomismasinterpretacionesque


de la curva OC, ya que lae dog curvag eon esencialmente equivalentes.

7.28. Para ensayar la hiptesis de que una moneda est bien hecha (es decir, p : 0.5) mediante un
nmero de lanzamientos de la moneda, se desea imponer las siguientes restricciones: (A) la
probabilidad de rechazar la hiptesis cuando sea realmente conecta debe ser a lo sumo 0.05;
() U probabilidad de aceptar la hiptesis cuando realmentep difiera de 0.5 en 0.1 o ms (es
decir, p > 0.6 6 p f 0.4) debe ser lo sumo 0.05. Determinar el tama1o mnimo de muestra
necesario y enunciar la regla de decisin resultante.
lmite al riesgo de error del Tipo I
Por ejemplo, la restriccin (A) impuesta
requiere que la probabilidad de error del Tipo I sea a
lo sumo c : 0.05, mientras que la restriccin (B) requiere que la probabilidad de error del Tipo II eea a
lo sumo 0 : 0.05. La eituacin planeada se ve gtficamente en la Fig.7-11.
Aqu

se ha puesto

y Tipo II.

Dentese por n el tamao de muestra pedido y por


el nmero de caras en los n lanzamientos, por encima del cual se rechaza la hiptesis de que p : 0.5.
De la Fig. 7-11 se tiene:

www.tutomundi.com

236

ENsAyos DE Hrpornsls y sIGNIFrcAcroN

09"
Vnpq= "-O.t/n

(f.) Elreabajolacurvanorrnalp:0.Saladerecha a" 7


(9)

:0.6

El rea bajo la curva normalp

a la izquierda ae

lcAP.

es 0.025.

es 0.05.
7vnpq = '--...0'6n
0.49{n

Realmente el rea entre

(n- r) -

0.6 n

-f.4r rt-

0.6n

0.4s 1/A

es 0.05; (2) es una cantidad muy aproximada. Obervese que tomando la probabilidad de aceptacin como

0.05 en el "peor de loc casos", p = 0.6, automticamente tomaramos como 0,05 o menos cuando p tiene
cualquier otro valor por fuera del recorrido 0.4 a 0.6. Por tanto un promedio ponderado de todas estas probabilidades, que representan la probabilidad de error del tipo II, tambin sr 0.05 o menoa.

De(/) x - 0.5n = 1.96 r (Sl u, = 0.6 r *


0.5\/n

De

e' 9-.9!=
-r.645 (t)
o.49\/n

n = o.6

0.9801fa-

n-

0.806y'-n

De (3) y (4),n: 318.98. Se sigue que el tamao de la muestra debe ser al menos 31g,
la moneda al menos B1g veces,.Haciendo n : 319 en (3) o (4),x :177.
Para

0.5,

np

:1-77

159.5

(o) Se acepta la hiptesiep:0.5,

L7 .5.

decir, se debe lanzar

As pues, se adopta la riguiente regla de decisin:

si el nmero de carac en Slg lanzamientos est dentro del recorrido 159.5

+ 17 .5, e decir. enfte 742 y 177

(b) S rechaza la hiptesis

es

en caso contrario.

GRAFICOS DE CONTROL DE CALIDAD

7.29. Se construye una mquina que pr-oducfu cojinets de bolas teniendo un dimetro medio de
una desviacin tpica de 0.008 pulgadas. Para determinar si la mquina esconstruida para el fin que se destina, se toma una muestra de 6 cojinetes
ejemplo, y se obsena el dimetro medio de la muestra. (o) Disear una.egla de decisin mediante la cual se puede estar razonablemente cierto de qe la calidad del
producto es de acuerdo con las nonas requeridas. (b) Mostrar cmo se.re'presentara grrticamente la regla de decisin de (a).

(o

Con confianza del 99 ,7 3% se puede decir que la media muestral X debe estar denro del intervalo (p

3o) a (p*3o)
con el 9.73% de
O.O\4\'\/E) o

a
m

entre

t:0.674,o:0,008yn=6,seeigueque
I se encontrar entre (0.574 - 0.014l\/6\ y (0.524 *
Puestoque

De aqu que la regla de decicin eea como sigue:

(l ) Si la media muestral

cae

dentro del intervalo 0.564 a 0.584 pulgadasi

decuada para el trabajo pedido.

(2) De otro modo, la mquina

ee

supone que la mquina es a-

no sr adecuada y habr que buscar la razn de su ineptitud.

(b) Un registro de las medias

muestrales puede tlevarse por medio de un grfico tal como ee muestra n la


Fig. 7'l2,llamado grfico de control de colidad. Cada vez que se observa una media muestral se represent por un punto en el grfico. En tanto que los punoe se encuentran entre los lmites 0.564 y 0.584 pulgadas, el procelo est bajo control. Cuando un punt'o se rale de estoe lmite control (tal como en la tercera muestra tomada el jueves), hay la posibilidad de que falle algo y se precisa una invesigacin del posible fallo.

Los lmites de control determinadog anteriormente se llaman lmites de confianza del gg.7 BVo o brevemente lfmite 3o. Sin embargo, pueden igualmente determlnarse otros lfmies de confianza, tales como
los lmitee d'el 99% o d,el 95V". La eleccin en cada caso depende de la circunetancias particulares del
tnismo.

www.tutomundi.com

cAP.7l

ENSAYOS DE HIPOTESIS Y SIGNIFICACION

Lunes

Mircoles

Martes

297

Viernes

Jueves

osal

bD

1}

{,

os74

0 s64

Fis.

7-12

AJUSTE DE DATOS A DISTRIBUCIONES TORICAS

7.30. Ajustar una distribucin binomial

a los datos del Problema 5.30, pgina 178.

Se tiene P(x caras en una serie de 5 lanzamientos) : f() = sCrprqs-", dondep y q son las probabilidades resy sello en un solo lanzamiento de la moneda. La media del nmero de caras es ,1: np : 6p.

pectivas de cara

Para la distribucin de frecuencias observada, la media del nmero de caras es

2fr_

_2470=2.47
-

rooo

Igualando las medias tericas y real se tiene 5p


da viene dada por /(r) = .C..(0.94)(0.506)5-.

:0.494. As

2.47 6 p

pues, la distribucin binomial ajusta-

En la Tabla 7-5 se han obtenido estas probabilidades as como las fecuencias esperadas (tericas) y las observadag. El ajuste se observa que es bueno. La bondad del ajuste se estudia en eI ProblemaT.43.
Tabla 7-5

Nmero de caras

(r

caras)

0.0332

0.1619

0.3162

0.3087

0.1507

0.0294

Frecuencia

Frecuencia

esperada

observada

6 33
161.9 162
316.2 316
308.7 309
150.7 151
29.4 6 29
33.2

38

t44
342
287
164
25

7.31. Utilizar papel grfico de probabilidad para determinar si la distibucin de frecuencias de la


Tabla 5-2, pgina 163 puede ajustarse a una distribucin normal.

www.tutomundi.com

ENSAYOS DE HIPOTESIS Y SIGNIFICACION

238

Tabla

[cAP.

76
Frecuenei

Rcltiv

Estatun
(pulgad)

Acumulada (%)

menor que 61.6

6.0

menor que 64.6

23.0

menor que 67.5

Io

a
E

65.0

a
()

90
80

ql

70
Q0

menor que 70.6

92.0

a
(t

menor que 73.6

100.0

Primero, la distribucin de frecuencia dada se convierte en


una ditribucin de frecuencia relativas acumuladas, como se
muestra en la Tabla 7-6. Despus, las frecuencias relativa acumuladas expreeadar en porcentajes, son pasadas sobre los lmites reales superiores de clase, en un papel.grfico de probabilidad eepecial, como se ve en la Fig. 7-13. El grado en que los
puntoe as dibujados ee encuentran sobre una lnea recta, determina la bondad de ajuste de la distribucin dada a la distribucin normal. Por lo anterior, se observa que hay una distribucin normal que se ajusta etrechamente a los daos. Vase

95

50
40

o
a

30

to

o
a

.E

20

62.5

66.6

68.5 7.5

7t.6

&tatura (pulgada)
Fis. ?-r3

hoblema ?.32.

7.32. Ajustar una cunra nonnal

a los datos de la

Tabla 5-2, pgina 163.


Tabla ?-7

Estatura

de clase

z pan los
lmites reales

cuna normal

Area para

Flecuencia

Frecuencia

(pulgdas)

de clas

desde 0 hata z

cada clee

eeperada

observada

59.5

-2.72

0.0413

62.5
oD.a

-1.70
-0.6?

68.5

0.36

7L.6

1.39

0.4177

74.6

2.41

0.4920

6 4
20.68 6 2l
38.92 39
27.7L 6 28
7.43 t 7

Lfmite realee

60-62

6L65
6&68
69-71

72-74

Area bajo la

0.2068

61.46

pulgadar, s

0.3892
0.2771
0.0743

4.t3

18
42
27
8

2.92 pulgadas

El trabajo puede organizase como en la Tabla 7 -7 . Par:a. caicular e de los lmites reales de clase, se rutiliz,z z =
- tlls, donde la media i y la desviacin tpica 6 se han obtenido en los Problemas 5.35 y 5.40 respectiva-

(x

mente

La cuata columna, que da las reas bajo la curva normal de 0 a z se obtiene con la tabla del Apndice C. De
aqu se sacan las reas bajo la curva normal entre los valores sucesivos de , dadas en la quinta columna. Estas
se obtienen restando las eas sucesivas de la cuarta columna cuando las correspondientesz tienen igual signo
y sumndolas cuando ienen aigno contrario (lo cual solo ocurre una vez en la tabla). Laaz6 de esto se ve
claramente con un diagrama.

Multiplicando lo valores de la quinta columna (que representan las frecuencias relativas) por la frecuencia total n (en ete ceso n = 100), se obtienen lae frecuencias esperadas de la sexta columna. Y se pone de manifiesto que ee ajuetan batante bien con las frecuencias observadas realmente, anotadas en la ltima eolumna,
La "bondad {el ajuste" de la distribucin qe congidera en el Problema ?.44.

www.tutomundi.com

239

ENSAYOS DE HTPOTbSIS Y SIGNIFTCACION

CAP. ?]

7.33. La Tabla 7-8 muestra el nmero de das f durante un perodo de 50 das, durante los cuales r autos tuvieron accidentes en una ciudad. Ajustar los datos a una distribucin

Nmero de I Nmero de
accidentes,rj das,f

de Poisson.
El nmero medio de accidentes

0l2r

es

(21)(0)

7-t

Tabla

= ;* :

(18X1)

'50

(7X2)

1118
2

+ (?liQ_l q)(a)

Entonces, de acuerdo con la distribucin de Poisson,

P(r accidentes)

313
{11

o.eo

= Iq"+ill

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

{r

N(rmero de dasr

Nmero de das

espeado

obsenado

accidentes)

6
18.30
20.33

0.4066

0.3659

0.1647

8.24

0.0494

0.0111

2.47
0.56

20

2L

18

18

6
6

Ntese que el ajuste de los datos dados a una distribucin de Poiseon es bueno.
Para una verdadera distribucin de Poisson, la varianza d : L. El clculo de la varianza de la distribucin da'
da, da 0,9?. Comparando con el valor de \ : 0.90 hallado, puede ser esto un indicio de la adaptabilidad de la
distribucin de Poison a la muestra de datos.

LA PRUEBA CHI.CUADRADO
se obsen'aron 115 caral y 85 sellos. Ensayar la hiptesis
de que la moneda est bien hecha con un nivel de significacin del (c) 0.05, (b) 0.01.

?.34. En 200 lanzamientos de una moneda

Las frecuencias de caras y sellos observadas son, respectivamente

Las frecuencias de caras


vamente. Entonces

xz =

rr = 115,'12 -

eeos esperadas si la moneda est bien hecha son np

@t:lptlz -(rz:..np)z
npt
npz -

Pueeto que el nmero de categoras o clases (caras,

(115__100)2

100
sellos) es h:2,v:

85.

100, np2

+ (85:!00)2
=
100
h

tOO, respecti-

4.50

- 7:2 -L = l.

xlo para 1 grado de libertad es 3.84. Entonces, puesto que 4.50


ptesis de que la moneda est bien hecha al nivel de significaein del 0.05.

> 3,84, se rechaza

la

hi'

El valor crtico xlso para 1 grado de libertad = 6.63. Entonces, puesto que 4.60
hiptesis de que la moneda est bien hecha al nivel de significacin del 0.01.

< 6.63, no se rechaza

la

(o) El valor crtico


(b

Se deduce de los resultado observados que aon probablemente significotivos y la moneda no est probablemente ben heclu.
Para una comparacin de este mtodo con los mtodos utilizadog anteriormente, vaee mtodo 1 del Pro"

blema 7.36.

www.tutomundi.com

240

ENSAYOS DE HIPOTESIS Y SIGNIFICACION

[cAP.

7.35. solucionar el Problema 7.34 utilizando la correccin de yates.


x2 (conegida)

(lzt

(1115

=
Puesto que 4'205

>

3.84

nptl

0'5)z

nPt

1001

100

+ !1""-

np2l

- 0.5)2 ,_ (185
_
__ -

0'5\2

npz

4.5)z )_
- 0.5)z = _100
_ (L[.s)z
100_
100 =

1001

y 4.2o5 < 6.63 se deducen las mismas

tt q^<
4.zvb

conclusiones que en el Problema ?.84.

Paa una comparacin con los mtodos a4teriores, vase mtodo 2 del Problema 2.86.

7.36. Solucionar el Problema 7.34 mediante la aproximacin normal

a la

distribucin binomial.

Bajo la hiptesis de que la moneda est bien hecha, la media y la desviacin tpica del nmero de caras espe-

radasen200 lanzamientosdelamonedasonr=np=(200)(0.5) =100yo=1fipq=/IZOOO.S(0f)--7.07,


respectivamente.

Mtodo 1.
115 caras en unidades tipificadas

: (l1b -lOO)t7.07 :2.L2.

Con un nivel de significacin del 0.05 y un ensayo bilateral, se rechaza la hiptesis de que la moneda eet
bien hecha, si el valor de z est fuera del intervato
-1.96 a 1.96. Con un nivel de 0.01 el intervalo sera
a2,58. Se sigue como en el Problema 7.34 que la hiptesis se rechaza al nivel de 0.05 pero no al de 0.01.-2.b8
Ntese que el cuadrado del valor anterior, (ZJ2)2 : 4.60, es el mismo valor de X2 obtenido en el probl,ema

7.34' Esto

se cumple siempre que la prueba de chi-cuadrado comprende dos categoias. Vase Problema 4.86,

Mtodo 2.
Con la correccin para la continuidad, 115 o ms caras equivale a 114.5 o ms caras, Entonces 114.5 en uni: (114.5 - 7OO)17 .O7 : 2.06. Esto conduce a las mismas conclusiones que por el primer
mtodo.
dades tipifica5

Ntese que el cuadrado de este valor, (2.05)2 : 4.20, es igual al valor de 2 corregido con la correccin de
Yates pra la continuidad del Problema7.35. Esto se cumple siempre que la prueba de chiruadrado eomprende dos categoras y se aplica la correccin de Yates, de nuevo en consecuencia del Problema 4.86.

-37. La Tabla 7-10 muestra las frecuencias observadas y esperadas allanzat un dado 120 veces. Ensayar la hiptesis de que el dado est bien hecho al nivel de significacin del 0.05.
Tabla 7-10
Cra
Frecuencia
obaervada

Frecuencia
eeperada

25

t7

15

23

24

l6

20

20

20

20

20

20

o _ (rt-np)2 , (rz-npzl2 , (rs-np,)z , (rt-nptl2 , (rr,-nps)2 (ra-npe)2

^-------::-:-;npr

np2
np|
np4
np|
np6
(16_20z _
_ (25-20)2,93_4)' _(15-20\2
, (24-20\2,+=5.00
*--lO-+ , (23-20)2
20-+
n
20 +--lO
Puestoqueelnmerodecategorasoclases(carasl,2,g,4,5,6)esh:6,v:h-1-:6-1:b.
El valor crtico a2e5 para 5 gados de libertad es 11.1. Entonces, puesto que 5.00
la hiptesis de que el dado est bien hecho.

<

11.1, no se puede rechazar

Para 5 grados de libertad x%s: 1.15, de modo que X2 : 5.00 > 1.15. De ello se sigue que la concordancia entre ambas frecuencias no es tan buena como para no dudar de Io deducido.

www.tutomundi.com

cAP.7I

241

ENSAYOS DE HIPOTESIS Y SIGNIFICACION

7.38. Una tabla de nmeros aleatorios de 250 dgitos mostr la distribucin delosdgitos 0,L,2,
. , . , 9 que se da en la Tabla 7-11. Difiere sigrificativamente la distribucin observada de la
distribucin esperada?
Tabla 7-11

Dgito

Frecuencia
obserrada

L7

31

29

18

l4

20

35

30

20

36

25

26

26

25

25

25

25

26

26

26

Frecuencia
eoperada

x2

ry*ry.Qe-2512 try+

... r

ry

2s.g

El valor crtico d" x.'nr parav: h -1:9 gradosdelibertad es21-.7;como 23,3 >2!3 sededucequeladistribucin observada dfiere significativamente de la esperada al nivel de significacin del 0.01. Se deduce que
cabe sospechar alguna tendencia no aleatoria en dicha tabla de nmeros.

?.39. En los erperimentos de Mendel con guisantes, obsery 315 lisos y amarillos, 108lisos y verdes, 101 rugosos y amarillos y 32 rugosos y verdes. De acuerdo con su teora, estos nmeros
deberan presentarse en la proporcin 9:3:3:1. Hay alguna evidencia que permitadudarde
su teora al nivel de significacin del (a) 0.01; (b) 0.05?

El nmero total de guisantes es 315 + 108 + 101 + 32:556. Puesto que los nmeros esperados estn en la
proporcin 9:3:3:1 (y 9 * 3 + 3 + 1 : 16),se esperaran

fttssel

312.75lisosy amarillos

Struol =

tssol

--

tol.zS lisos y verdes

frtssol

ft

104.26 rugosos y amarilloe


B4.zb rugosoe y verdes

Entonces

x2=

(3L5

*W

3L2.76\2

3t2.76

0.470

Puestoquehaycuatrocategoras,h=4yelnmerodegradosdelibertadesv=4-1=3.

(o)

Para v

(b)

Para v

= 3,

3, x?ss: 11,3, de modo que no se puede rechazar la teora al nivel de 0.01.


x2.ss=

?,81, de modo que no se puede rechazar la teora al nivel de 0.05.

Se deduce pues, que la

teora y los reeultados del experimento estn de acuerdo.

Ntese que para 3 gtados de libertad, $5: 0,352 y X2 :0.4?O > 0.352. De modo que aunque el acuerdo es bueno, loe resultados obtenidoe estn sujetoe a unh razonable influencia de error muestral.

7.40. Una uma contiene un gran nmero de bolas de cuatro eolores difeentes: rojo, naranja, amari'llo y verde. Una muestra de 12 bolas extrada aleatoriamente de la urna dio 2 rojas, 5 naranjas, 4 amarillas y 1 verde. Ensayar la hiptesis de que la urna contenga proporciones iguales de
los diferentes colores.
Bajo la hiptesie de que la urna contiene proporciones iguales de los cuatro colores, cabra esperar 3 bolas de
cada clase en la muestra de 12 bola.

Puesto que eetos nmeros esperados Bon menores de 5, la aproximacin de chi-cuadrado ser errnea. Para
evitar esto se agrupan las categoras de modo que los nmeos esperados en cada categora sea al menos 5.

www.tutomundi.com

242

ENSAYOS DE HIPOTESIS Y SIGNIFICACION

[cAP.

Si se desea rechazar la hiptesis, se agrupan las categoras de forma que la evidencia en contra de Ia hiptesis
se muestre claramente. Esto se consigue en nuestro caso considerando las categoras "roja o verde" y "naranja o amarilla", para las que la muestra dio 3 y 9 bolas, respectivamente. Puesto que el nmero esperado en cada categora bajo la hiptesis de iguales proporciones es 6, se tiene
(9

^-

ez
-9

Parav:2-l:1,1.-ss:3.84.Asnosepuedetechazrlahiptesisalniveldesignificacindel 0.05(aunque s se puede al nivel de 0.10). Los resultados observados pueden imaginablemente deberse al azar, aun
cuando las proporciones de los colores sean iguales.

Otro mtodo: Utilizando la correccin de Yates, se tiene

x: = 0qj:_6Fo..(ig:lf-!E. = ry.tz;rP. =

z.r

que conduce a las mismas conclusiones anteriores. Esto caba esperarse puesto que la correccin de Yates
siempre reduce el valor de 2

Debe ponerse de manifiesto que si se emplea la aproximacin de


siado pequeas, se obtendra

(2-3z , (5-e)z , (4--3)2 ,


.,
x' _

a pesar de que las frecuencias sean dema-

(1

-3:r

ooo

Puestoqueparav=4-1:3,xjr;:?.81 sellegaraalasmismasconclusionesqueantes.Desgraciadamente,
la aproximacin ' para frecuencias pequeas es pobre, de aqu que cuando no sea aconsejable agrupar fre-

cuencias se debe recurrir a los mtodos exactos de probabilidad incluyendo la distribucin multinomial.

7.41. En 360 lanzamientos de un par de dados, se observaron 74

veces

"siete" y 24 veces "once".

Ensayar la hiptesis de que el dado est bien hecho al nivel de significacin de 0.05.
Un par de dados puede caer de 36 formas. "Siete" se puede presentar de 6 formas y "once" de 2 formas.
Ento-,ces P("siete")

1/6(360):60

veces

6/36 : 1/6 y P("once") :2136: 1/18. As pues, en 360 lanzamientos cabra esperar
"siete" y 1/18(360):20 veces "once", de modo que

.) _ (74-60)2 , (24-20\2 =
x2
-6-.:-:_+r::__-::_:-

4.07

Parav:2-1:7,x2l)s==3.84.Entonces,puestoque4.0?>3.84seestarainclinandoarechazarlahiptesis de que los dados estn


X

bien. Sin embargo, empleando la correccin de Yates, se tiene

(correglda, =

(174

60l

- 0.5)2

60 -

(124

2ol

0.5)2

#-g*):

3.65

De acuerdo, pues con la X2 corregida, no se rechazara la hiptesis al nivel de 0.05.

En general, para grandes muestras tales como las de aqu, los resultados que se obtienen utilizando la correc-

cin de Yates son ms dignos de confianza que los resultados no corregidos. Sin embargo, puesto que incluso
el valor corregido de y2 se encuentra cerca del valor crtico, se duda acerca de la decisin que se debe tomar.
En tales casos, lo mejor quiz sea incrementar el tamao muestral haciendo ms observaciones si se est interesado de una manera especial por alguna razen el nivel de 0.05. De otro modo, se rechazara la hiptesis a
algn otro nivel (tal como 0.10).

7.42. l)na encuesta sobre 320 familias con 5 nios dio la distribucin que aparece en la Tabla ?-12.
Es el resultado consistente con la hiptesis de que el nacimiento de varn y hembra son
igualmente probables?

www.tutomundi.com

243

ENSAYOS DE HIPOTESIS Y SIGNIFICACION

cA. 7l

Tabla ?.12

Nmero de
nios y nias

5 nios
0 nias

4 nios
1 nia

3 nios
2 nias

2 nios
3 nias

18

56

110

88

Nmero de
fmilias

nio 0 nios
4 nias 5 nias
40

TOTAL
s20

Seap:probabilidaddenacimientodevarn,yg:1-p:probabilidaddenacimientodehembra,Entonpiobabilidadee de (5 nios), (4 nios y 1 nia), . . . , (5 nias) son dadas por loe trminos del desarro-

.".,i".

llo binomial
(p

C)5

p5

5p1q

SiP:O:t12,setiene
P(niosy0nias) = (+)5 : #
P(4niosylnia) = 5(-)4() : tz
P(3niosy2nias) = f0(l)3(i)2 = #
Enonces el nmero de familiae que 8e espera

l|psqz

l0pzqs

Spqt 1-

qs

P(2nioey3nias) : f0(l)2(l)3 = i8

P(lnioy4nias) = 5(+X+)4 = t
P(OnioeySnias) = (+)5 = +
tengan 5,4,3, 2,1y0 nioseobtienemultiplicandolasres'

pectivas probabilidades anteriores por 320, y los reaultados son 10, 50, 100, 100, 50, 10, De aqu

(40-50)2,

(8_10)2 _,,^
_ (18_10)2 (56_60)2, (110_100)2, (88_100)2.,
x.=--_a6---_E-----J-----i6b--_-Ed.--_-16-_&.U
Puesto que x:e5:11.1 y x.sss:15.1 para y:61:6gtadosdelibertad,serechazarlahiptesisalnivel
de significacin del 0.05, pero no al 0,01. As se deduce que los reeultados son probablemente significativos y
el nacimiento de varn y hembra no son probablemente iguales.

BONDAD DE AJUSTE

?.43. Utilizar la pmeba chi-cuadado para determinar la bondad de ajuste de los datos del Problema
7.30.

x-- =

(s8_33.212.(L44_161.9)2 .(342_316.2)2 .(287_308.?)2, (164-150.?)2 ,(26-29.412_

-58:t--

- --II-

- ---rIf,:z - ---T08J- - --lo:t-

Puesto que el nmero de parmetros utilizados para estimar las frecuencias esperads e8 m
metro p de la dietribucin binomial), v : k - L - m : 6 - 1 - 1 : 4.
Para V

Para y

1 (que er el par-

los datos es muy bueno.


: 4,x2.os:0.?11. Asf'puesto que X2 = 7 .64 > O.?11, el ajuate no es tan bueno como pudiera

= 4, X?ss = 9.49.

- -,.
"!

- -El-

De aquf queel ajuste de

creerse.

7.44. Determina la bondad de ajuste de los datos del Problema 7.32.


,!.-r3)2 *(18-2-0:68)2
,z = 6 4.13
7.43
20.68*(a2:^-39=92\2-(27:3ft7rl2
38.92
27.7t *(8:?'j13)z:0.959
Puecto que el nmero e parmetros empleadoc en estimar las frecuencias esperadas es m
dia g y la dewiacin tpica o de la distribucin normal), v = k - 1 - m : 5 - 1 - 2 : 2.
Para v

= 2, x2.os= 5.99. Se deduce que el ajuste

2 (que son la me-

de los datos es muy bueno.

Paa rr = 2, xLs:0.103. Entonces, puesto que X2

= 0.959 > 0.103, el ajuste no

es

"demaiido bueno".

TABLAS DE CONTINGENCIA

7.45. Solucionar el Problema 7.13 utilizando la prueba chi-cuadrado.


La condiciones del problema se presentan en la Tabla ?-13, Bajo la hipteeis nula lfq de que el suero no tie'
ne efecto, cabra esperar que 70 individuos de cada uno de los grupos Be recuperase y 30 en cada grupo no se
recuperase, como 8e indica en la Tabla ?-14. Advirtaoe que fo es equiyalente a afirma que la recuperacin
eeindependiee del empleo del suero, es decir, lag claificaciones 8on independientes.

www.tutomundi.com

244

ENSAYOS DE HIPOTESIS Y SIGNIFICACION


Tabla 7.13
FRECUENCIAS OBSERVADAS

[cAP.

Tabl 7-14
FRECUENCTAS ESPEBADAS BAJO Ho

Se re- No ee recuperan cupetan TOTAL

Grupo A

(utilizando suero)

75

25

65

35

Se re- No e recuperan cuperan TOTAL

Grupo A

70

30

100

70

30

100

140

60

200

(utilizando suero)

100

Grupo B

Grupo B

(no utilizando

(no utilizando

100

suero)

suero )

TOTAL

14r,

60

o _ (75 - 70)2
x-1rc-?o

200
(65

70)2

TOTAL
(25

(36
- 30\2
*ffi

30)2

2'38

Tabla 7-16

Para determinar el nmero de grados de libertad, conaidrese la Tabla 7-15, que es igual a la dos dadas anteriormente, pero en la que solamente se han puesto los totales. Est claro que solamente se tiene libertad lara colocar un nmero en una de las cuatro casillas vacas, pueeto que una vez hecho esto loq nmeros de las restantes
casias vienen obligados por los otales ya indicados. De
modo que hay un grado de libertad.

Se
No e
recuperan recuperan

TOTAL

Grupo.A

100

Grupo B

100

TOTAL

140

200

60

3.84 para 1 grado de libertad y puesto que 2 = 2.38 < 3.84, se deduce que lob resultados
en condiciones de rechazar Il a este nivel y se deduce o
que el suero no es efectivo o se deja sin tomar decisin en espera de posteriores ensayos.
Puesto

eue

X.ss

no son significativos al nivel de 0.05. No se est as

Ntese que X2 : 2.38 es el cuadrado del valor de z : 1.54, obtenido en el Problema ?.13. En general, la
prueba chi-cuadrado en relacin con proporciones muestraleg de una tabla de contingencia 2 X 2 equivale a
un ensryo de significacin de diferencias de proporciones mediante la aproximacin normal, como en la pgina 215 (vase Problema ?.51).
Ntese tambin que yn ensayo unilateral utiliaando 12 equivale a un enEayo bilateral utilizando;, ya que,

porejemplo, x2)x2ss correrpondea x>x.e5x{-x.gs.Puestoqueparalastablas2Xz,Xz egelcua-

drado Cel valor de z,^se sigue que X er lo mismo que z en este caso. Asf pues, al rechaza una hiptesis al nivel
de 0.05 utilizando X" equivale a rechazar esta hiptesis con un ensayo unilateral al nivel de 0.10 uilizando z.

7.46. Solucionar el Problema 7.45 aplicando la correccin de Yates.


or^_.--.-,!t_, _
(corre(rda) =

(i75 -70\- 0.5)2


*
----?O-

(i65-701 -0.5)2 , (125-301 -0.5)r , (35-301 -0.5)2


* ----TO*

?O

S0

_
^.
= .I.v

Obtenindose que las conclusiones del Problema 7.45 son tambin vlidas aqu. Esto podra haberse visto rpidamente, ya que la correccin de Yates siempre disminuye el valor de ".

Tabla ?-16

7.47. En la Tabla 7-16

se indican los estudiantes aprobados y suspendidos por 3 profesores: Sr. X, Sr.


Y y Sr. Z. Ensayar la hiptesis de que las proporciones de estudiantes suspendidos por los tres
- profesores son iguales.

Bajo la hiptesis H de que las proporciones de estudiantes suspendidos por los tres profesores son las mismas,
habran suspendido 27 lL80 : Ic/o de los estudiantes y

FRECUENCIAS OBSIERVADAS
Sr. Y

Sr.Z

TOTAL

50

47

56

153

L4

27

DO

61

64

180

Sr.

Aprobados
Suspendidos

www.tutomundi.com

TOTAL

ENSAYOS DE HIPOTESIS Y SIGNIFICACION

CAP. ?]

habran aprobado el 86Vo de los estudiantes. Las frecuencias esperadas bajo FI se muestran en la Tabla 7-17.
Tabla 7-17
ITRECUENCIAS ESPERADAS RAJO
Sr. X

Sr. Y

85% de 55

Aprobairc

85% de

4G.75

I5% de 6t

Suspen- L5% de 55

didos
TOTAL

6l

51.85

8.25

S. Z

TOTAI,

85V" d.e 64
54.40

153

bados

15% de 64

qn

didos

9.15

Sr.

Sr. Y

St. Z

TOTAL

Apro-

153

Suapen-

27

9.60
TOTAL
64

61

OD

Tabla 7-18

IO

55

180

64

61

180

Entonces

, (47- 51.85)2 (56-54.40)2 (5-8.25)2 , 4-9.15)2 (8-9.60)2


4175 -- 5135-547-----d25
9J5 --.60-=4.+

(50-46.75\2

o_
x--

Paa determinar el nmero de grados de libertad, considrese la Tabla 7-18, que es igual que la Tabla 7-L7 pe-

ro en la que solamente se han puesto los totales. Est claro que como cada fila y cada columna han decumplir con lo totales, solamente se est en libertad de poner al azat un nmero en una de las easillas de la primera columna y oto en una de las casillas de la segunda o tercera columna, despus de lo cual, todos los nmeros restantes vienen obligados por lo8 totales. As pues, hay en este caso dos grados de libertad.
Puesto que x.zs : 5.99, no se puede rechazar I/e al nivel de 0.05. Ntese, sin embargo, que puesto que x:eg
: 4.61, se puede rechazar lfs aI nivel de 0.10 si se est dispuesto a correr el riesgo de estar equivocado 1 vez
de cada 10.

7.48. Mostrar que para una tabla de contingenciah X h


tad es (h - 1Xk - 1).
Hay h

&

(fz

>

1, k

> 1) el nmero de grados de liber-

1 totales independientes de un total h. Se deduce que el nmero de gtados de libertad

hk

- (h+Ic-l) = (h-lx/-

eg

1)

como se requera. Ntese que este resultado es vlido si se conocen los parmetros poblacionales necegarios
para obtener las fr.ecuencias teiicas; de otra forma se necesitan ajustes como los descritos en ( b ), p,gina 22O ,

7.49. Demostrar que

-paa

la tabla de contingencia 2 X 2 que se muestra en la Tabla 7-L9

x2=

n(arb2-

azbt\2

TL\lLzlLfl's

Tabla 7-19

Tabla ?-20

RESULTADOS OBSERVADOS

RESULTADOS ESPERADO.S

II

TOTAL

n1nln

n2nln

rl

fiB

nrnsln

n2n/n

fl3

tt

TOTAL

n1

'tL2

II

TOTAL

at

A2

fL

br

b2

TOTAL

nl

rL2

Como en ql Problema 7-45, los resultados esperados bajo la hiptesis nula aparecen en la Tabla 7-20. Entonce8

*.
Pero

(ar-

ntftl.
at__n_

(r nrnsln)2 (b2- n2nslnl2


- -- nnR/n
"r',r"/"

(a"- n"nln\z'

nrnn/n)z

nrnn/n

-nrrxJn
=

(o, * 1)(o1 * o2)


o1*q*a21b2

www.tutomundi.com

a1b2

a2b,

246

ENSAYOS DE HIPOTESIS Y SIGNIFICACION

Anlogamenta

az-ry = ur-ry

2fts
,
Or--m

lcAP.

arb2

a2b,

As, se puede escribir

..
^

n /otbr-ozbt\2
n lotbr- ozbr\2 n /orbz-ozt\2
ml?B\ n
n
nzn\ n
nr\
/
/
/

n fatbr-tzDt\2
n
?zrs\
/

que al simplificar, da

x' :
D'-

(t)

n(a,bq

aqb'12

"rr"r"^""

nL2
nrnznAnB

donde A:&tbz-azbt, f,=&r*a2*b1*b2, n1=at*b nz=a2*b2, frA=r*az, ns = r*2. Sise


aplica la correccin de Yates, (/ ) se remplaza por
x2

(21

(conegida

n(ltl- ln)?
= -"r!rrrr"

7.50. Ilustrar el resultado del Problema 7.49 paralos datos del Problem^I.45.
EnelProblemaT.4S, a1 =75, a2=26, Dr = 65, bz:35, nt=140, n2:60, r = 100, ns = 100, yn:2OO;
entonces riI ) del Problema 7.49 da

x2 =

2.38

Empleando la correccin de Yates, el resulado eg el mismo que en el Problema 7.46

2 (corregida)

n(1aft2- azbtl - tn)z

= ---^""

200il(?5x35)

(25X65)l

- 10012 =

(140)(60X100X100)

1.93

7.51. Demostrar que una prueba chi-cuadrado que se refiera a dos proporciones muestrales es equivalente a un ensayo de significacin de diferencia de proporciones utilizando la aproximacin
normal (vase pagina 215).
Dentese por P1 y P2 las dos proporciones muestrales y
blema 7.49, se tiene

P, =

(r)

#,,

P, -

O2

lz'
fL

(2')

,
1-Pr ,=;,
-flg
L-p

tl'

p la proporcin poblacional.

l-P2 =

Con referencia al Pro-

bc

-=

= q = -;

de modo que

(r)

1 = nlPy

az = nzPz, r :
'tL = flP,

(4)

rr(1

Pr),

= nz(l-

bz

Pz)

tlg = flq

Utilizando (3) y (4), e tiene del Problema 7.49

x2=

n(ap2- a2b)2

nrn2nAnB
nrn2(Pr- P)2

-T

nWtPrA$ - Prl - n2P2n{l - Pr)]2


nrnnpnq

(Pt- P)2

= nfri\+LlllrJ (Ya que n = nt+tt2l

que es el cuadrado del estadstico Z, dado en (IO) en la pgina 215.

COEFICIENTE DE CONTINGENCIA

?.52. Halla el coeficiente de contingencia para los datos de la tabla de contingencia del Problema
7.45.

C=

vra = {*#fu

www.tutomundi.com

r/d'6112e

= 0'1084

ENSAYOS DE HIPOTESIS Y STGNIFICACION

cAP. 7l

24V

7.53. Hallar el valor mximo de C para la tabla 2X 2 del Problema 7.13.

Tabl,a 7.21

valor mximo de C ee presenta cuando la

do clasificaciones son perfectamente dependiente o aociadas. En tal caso, todor loe que
tomen el suero 8e recuperarn y todor lor que

no se lo tomen no Be recuperarn. Esta tabla de


contingencia aparece en la Tabla 7-21.
Pueeto que las frecueneias eeperadas, suponiendo independencia total, son todas igualea a 50.

Se recuperan

No se recuperan

TOTAL

100

100

100

100

100

100

200

GrupoA
(utilizando auero)

(irupo

(no utilizando
;ueno)
TOTAL

- 50)2 (0 - 0o)z (0 - ro) , (100 - 60)2


50 - ---80- - -60 - ----80Entonceg el valor mximo de C e ,/Zt(xz + n'l = t/l@6T 2oo-) = 0.?0?1.
(100

x-" =

zw

En general, para la dependencia total en uua tabla de coningencia, en la gue el nmero de fils y columnas
eon ambas iguales a &, las nicas frecuenci de casillas que no Eon cero aparecen en la diagonal que baja de izquierda a derecha de la tabla. Para taleo caos, C.o, = 1/@-ffi. (Vase Problema 7 .L27).

PROBLEMAS DIVERSOS

7.64. Un instructor hace un cuestionario forurado por 10 preguntas falso-verdadero. Para ensaya la
hiptesis de que el estudiante acierte por carudidad, adopta la siguiente regla de decisin: (i)
si 7 o ms respuestas son acertadas el estudiante no las acierta por casualidad; (ii) en caso contrario, el estudiante est adivinando. Hallar la probabilidad de rechazar la hiptesis cuando es
corTecta.
Seap la probabilidad de que una pregunta sea contestada correctamente.
La probabilidad de conteetar correctament
Bajo la hiptesisp

pregunta de las 10 ser rcCrqqto-', donde g

=L-

p.

= 0.5 (ee decir, el etudiante acierta alazar).

P(7 o ms correctas)

P(7 correctas)

P(8 conectas) + P(9 corectae)

P(10 correctae)

= ,,",(+X) * ,,".(iX;i . ,,",(;X;* ,.",,() = 0.,?1e


Asi

pues, la probabidad de decidi que el eetudiante no reeponde al aza cuando es que si, ee 0.1?19. Ntees la probabilidad de error del fipo I.

ee que sta

7.55. En el problema 7.54, hallar la probabilidad de aceptar la hiptesis p


P

0.5 cuando realmente

= O'7'

Bajo la hiptesis p

O.?

P(menoc de 7 corectas)

:
-

-P(7 o mc conectas)
1 - [roOi(0.7)7(0.3)3+ r0Cs(0.7)8(0.3)2+

r0Ca(0.7)e(0.3)

r0Cr0(0.3)10]

0.3504

7.56. En el Problema 7.54, hallar la probabilidad de aceptar la hiptesisp = 0.5 cuando realmente
(a) p : 0.6, (b)P : 0.8, (c)p : 0.9, (d) p : O.4, (e) p : 0.3, (f) p : 0.2,(g)p : O.t.

(a) Sip :

0.6 la probabilidad pedida ser


1

[P(? conectas)

=|-

P(8 correctas) + P(9 cotrectas) + P(10 correctas)]

ho0?(0.6)?(0.4)3+ roOs(0.6)8(0.4)2+ ro0a(0.6)e(0.4)

www.tutomundi.com

10010(0.6)101

0.618

248

ENSAYOS DE HIPOTESIS Y SIGNIFICACION

[cAP.

Loa resultados de (b), (c), . . . , (g) pueden hallare anlogamente y se indican en la Tabla 7-22 junto con el
valor correspondiente a p : 4.7 hallado en el Problema 7 .65. Ntese que la probabilidad se denota por p (probabilidad de error del Tipo II). Se ha irrcluido tambin el valor para p : 0.5 dado por p : 1 - 0.1?19 :
0.828 del Problema 7.54.

Tabl ?-22
p

01

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1.000

0.999

0.989

0.945

0 828

0.618

0.350

0.121

0.013

7.57. Utilizar el Problema 7.56 para construir el grfico de y p obteniendo as


la cuna caracterstica de operacin de
la regla de decisin del Problema,1.64.

l0
09

08

El grfico pedido es el de la Fig. 7-14. Ad-

0?

del

06

Si se hubiese dibujado (1 -p) yp, se habra


obtenido la curvo de potencia de la regla de

03

decisin.

02

virtase la semejanza con


Problema 7-27.

la curva OC

El grafico indica que la regla de decisin dada ee muy odecuado para rechazat p:0.5

0.1

cuando realmente p > 0.8.

7.68. Una moneda que se lanza 6 veces da 6 veces cara. Puede deducirse que al nivel de significacin (c) 0.05 y (b) 0.01 la moneda no est bien hecha? Considerar ensayos de una y dos colas.
Sea

p la probabilidad de caa en un solo lanzamiento de la moneda.

Bajo la hiptesis (Ho:

p:

0.5)(ee decir, la moneda est bien hecha),

f(x\ = P(x

caraa en 6

lanzamientos) =

Entonces lae probabilidsdes de 0, 1, 2, 3, 4,6 y 6 caras


son dadas, respectivamente, por #,qn, +i,t+, **,t v
i,!, como se muestra grficamente en la ditribucin de
probabilidad de la Fig. 7-15.
Ensayo unilateral:

Aqu se deeea decidi entre las hiptesis (Ho: p: 0,6) y


(Ht: p > 0.5).Puesto queP(6 caras): f :0.01662 y
P(6 6 carad) = * +-# : 0.1094, ee puede rechazar fe

al nivel 0,05, pero no al 0,01 (es decir, el resultado observbdo es significativo al nivel 0.05, pero no d 0.01).

Ensayo bilateral:

Aqu se desea decidir entre la hiptesir (Ho: p : 0.) y


(Ht:. p + 0.5). Puesto que P(0 6 carar): t'o+* =
0.03125, se puede rechazar.Ele al nivel 0.06, pero no al
0.01.

7.59. $oluciona el Problema 7.58, si en la moneda sale 5 veces cara.


Ensayo uilateral. Pueeto que P(6 6 earar): * + # = a:0.1094,

al nivel de

se puederechazar.trf6

llnivelde

no ee puede rec}ntzar

0.05 0.01.

Ensayo bilateral. Puesto queP(0

5 6 caras)

= 2(t) = 0.2188, no

0.05 0.01.

www.tutomundi.com

cAP.7l

ENSAYOS DE HIPOTESIS Y SIGNIFICACION

249

7.60. Mostrrir que una prueba en chi-cuadrado que comprende dos categoras es equivalente al ensayo especial de significacin para proporciones (pagina 214).
Tabl ?.23

Si P es la proporcin muetral para La categoes la proporcin poblacional y n eo la


frecuencia total, ce pueden describir las ei-

ra I, p

tucione por medio de la Tabla 7-23, Enoncec, por definicin,

- np\2
-p

(nP

[n(r

P)

nP

Frecuencia esperada

np

TOTAL

n(l-p)=nq

n
,L

Pll2

"q

nz(P-p)z*n2(P-plz

nP

n(L

Frecuencb observada

II
n(l- Pl

Pq

n(P- p)z
= ,,p_rrll*l)
'' \P q/ =
Pq =

(P-.p)2
PQI'I

que es el cuadrado del estadstico Z, (5) de la pgina 214.

7.61. Suponga que Xt; Xz


X tienen una distribucin multinomial, con frecuencias esperadas
flPt,nPz,. .., npp respectivamente. Sean f, iYr,...,Yt vaiablesmutuaienteidependientes con distibucin de Poisson y parmetros tr : npt,l\z : npz
trr : zpr respectivamente. Demostra que la distibucin condicional de las f dado que

Yt*Yz+ "'+Yx =

ft

es precisamente la distribucin multinomial de las X.


Paa la funcin de probabdad conjunta de

(r)

p(y,=

ut, y2= u2, ..., yx=

ax)

Y tenemos

19#)1-+gj;

)...1'"'-;:-^*f

e-^

dondehemouuizadoelhechodequept*pz+.'.+ph=L,

Iadiribucincondicionalqueeetamos

buscndo est dada por

(21

Yz* ... *Yr= n


PlYr=At,Y2=U2, .,.Yt=Ur Y Yt+Yz+ "' *Yr=
P(Yr+ Yz| "' * Y = n

P(Yt- aL,Yz=Az, ...,Y=Ur I

Yr +

Entonces, el numerador en (2) tiene, de (I ), el valor

e-n
En cuanto aI denojminador, sabemos del hoblema 4.96, pgina 14?, que Yr + Y, + ' ' ' + Y es en s migma
una valble de Poieon con parmetro np * np2 + . . , i npn: n, Asl el denominador tiene el valor

"":;"
Por tano (2) ee conerte en

P(Yr=Ur,Yz=U2r ...tYx=at I Yr* Yz-1.., *Y= n =


que ee la distribucin multinomial de la X [comprese

(I6), pgina 118].

^#--"Jpltpf2"'plk

7.62. Epplear el resultado del ProblemaT.6t paa demostrar que 2, como se define por (21),pgtna 218, tiene aproximadamente una distribucin chi-cuadrado.
Tal como oe establece, (21) ea diffcil de manipular ya gue las X diribuidas multinomialmene son dep.endientec, de acuerdo con la resriccin (221. Sin embargo, el Problema 7.61 demuestra que podemos remplaza las X por lae Y independienes con dietribucin de Poisson ai ae cumple que Y + Y2 + " '* Y": .
Por tnto reeecribimo (2/ ) como

(r)

x2

= /t'=^')'*f"'=^'\'*...*/t'-^'\'
\V^r/
\Vrzl
\Vrr, /
www.tutomundi.com

250

ENSAYOS DE HIPOTESIS Y SIGNIFICACION


Cuando n

[(1 4 ), pgi'nla

@, todos loe L tienden


2] resulta

@, y el teorema del lmite central para las distribuciones de Poircn

1L

(2)

x2

zi+ zZ+ ...+ zi

donde las Z son variables norniales ind.ependientes con media 0 y varianza


dependiendo del suceso.

(s)

lcAP.

llrzr+t/xrzr+...+

tf-xrz*

- o 6

cuya digtribucin es condicional

{eLzL+\/pzzz+...+ {przr =

o, ya que las variables son continuas,

l{nz,+162+...+

(t')
Dentese

rl-prz*l

<

por Fy(r) la funcin de distribucin acumulada para una vaiabli chi-cuadrado con

r.r

bertad. Entonces lo que desearnos demoetra es:


(5)

grados de

li-

PQI+ z3+ ... + zi =

r I lfnrzt+ \/p2z2l- ... + lTt zrl <,)


pe?+zi+... r7f,<r y !{ltZtr.,/pzZzr... +fpylrld
P(l{-ptzt+\/pzz2+'..+l/lrz*l<,)

_
'\r)
= D,-\

para un valor apropiado de y.


Es fcil establecer (5) si utilizamos nuestra intuicin geomtrica. Primero que odo, el Teorema 4-3 demueg221 + Z|+ . , ' + Zles chi-cuadrado con k grados de libertad, Por tanto, ya que la funcin de densidd pan cada Z e (2r)-r/zs-z2rz,

tra que la distribucin incondicional de


Ft

(6)

@) = (2n'-r,rz .,I

,,f
zl'zl+. . +zl3-t

,-tzl+zl+

'

+z!)/2

dzldzr...dz

Adems, tenemos para el numerador de (5):

(
(
e-(zl+zl+ " +zl)/2 dz1dz2. . .dz
JJ
:l+zl+ ..+z!=r,
' + 6;zhl <
l Fo rz r+ vF.+ '

(?)

Numerador = (Zr)-krz

Recordamos de la geometra analtica que en el espacio tridimensional rl+ r2"* n!


= o2 representa un slido
esfrico de radio c con centro en el origen, en tanto que rr1 ! a2r2 i a3r, i= 6 6s un"plano a travs del origen cuya normal es el vector unitario (at,qz, a3). La Fig, 7-16
indica la intereccin de los dos cuerpos. Es lgico que
cuando una funcin que depende solamente de la distancia desde el origen, es decir
f

(r\

donde

, = ,[r,r+ ,?+ ,1

se integra sobre el ea circular


-o a ravs de una tira delgada en esa rea- el valor de la integral es completamente
independiente de los cosenos direccionale et, dz, d3. En

otras palabras, todos los planor cortantes a trav del ori-

gen dan la misma integral,

Por analoga concluimos que en (7), donde


sirLlgra sobre la interseccin de una hiperesfera "-/t2
alrededor del
origen, se pueden da los valores convenienteg arbitraios
a las

p. Escogemos

Pt=Pz="'=Pk-r=0,Pt=|
y obtenemos

(s)

Fig.

Numerador

= (Z)- rtz

4r4l.
(2r)-

rrz

f
.

e-

*",1-,=,

P'r-tlrrrrr',

utilizando (6). El factor 2e es el eopesor de la tira.

www.tutomundi.com

Q1+

zi+. .. + z!- )/2

7-16

dz1 dz2. . . d.z_

/2e)

cAP.7l

ENSAYOS DE HIPOTESIS Y SIGNIFICACION

26L

Para evaluar el denominador de (5) notamos que la variable aleatoia

W = lptZl *
es

normal (puesto que

e8

+ ... + {pt

Zt,

una combinacin lineal de la variablee Z normaies e independientee), y que

E\W\

Por tanto la funcin

l-p222

VE(O) + \/p2(o)+

... + V!f,(o :

. Var (W) = pr(l) * pz$) * ... * p(1) =


de denidad paraW es p(rr) : (Zr)-r/2e-u2/2, y

(.e)

Denominado

p(lWl < e)

e4(0)(Z)

Al dividir (8) por (9) obtenemos el resultado deseado, donde z : h

s
1

(Zr)-t/2(ze)

7.

La "demostracin" anterior (que puede hacerse rigurosa) muestra incidentalmente que cada restriccin lineal
colocada alas Z, y por tanto a la Y o a las X reduce el nmero de grados de liberta en
X2 en 1. Eso provee

las bases para las reglas dadas en la pgina 219.

Problernas suplem,entarios
ENSAYOS DE MEDIAS Y PROPORCIONES UTILIZANDO DISTRIBUCIONES NOBMALES

?'63.

Una urna contiene bolar roja.e y azules. Para ensayar la hipteeis de proporciones iguales de eto colores, se acuerda en tomar una muesra de 64 bglas con
anotando lo colore extrados y adoptando
la siguiente regla de decisin: (I ) se acepta la
raen entre 28 y 36 bolas rojae;1i ee rechaza
en caso cortraio. (o) Hallar la probabilidad de rechazar la hiptesis cuando en realidad aea correcta. () Interpretar grficamente la regla de decisin y el resultado obtenido en (o).

7.64. (o) Qu regla de decisin

se adoptara en el Problema 7.63 si ee quisiera que la probabitidad de rechazar la


hiptesis siendo realmente conecta sea a lo sumo 0.01, ee decir, se quiere un nivel de significacin del 0.01?
(b) A qu nivel de confianza ee aceptara la hiptesis? (c) Cul era la regla de deciein si ee adoptara un
nivel de significacin del 0.05?

?.65.

Supngase que en el Problema ?.63 se desea eneayar la hipeeis de que hay moyo, proporcin d,ebolac rojas
que de azules. () Cul eera la hiptesis nula y cul la alternativa? (b) Se utilizara un ensayo de una o doe
colas? Por qu? (c) Qu regla de deciin se adoptarfa si el nivel de significacin fuera del b.0? (d)
Cul
sera la regla de decisin si el nivel de significacin fuera del 0.01?

7.66.

Se lanza un par de dado 100 veces y se observa que un total de ('siete" apasce 23 veces. Enaayar la hipteaie
de que los dados esn bien hechos, es decir, no cargados, mediante (of un ensayobilateralyla,,trLtroyo
uniiateral y un nivel de significacin del 0.05. Discutir las razones de las posibles preferencias de uno de estoe
ensayos sobre el otro,

7.67.

Solucionar el Problema 7.66 ei el nivel de significacin

7'68.

Un fabricante sostien que al menos el 95% de los equipos que Euministra a una fbrica eet de acuerdo con
las especificaciones requeridas. Un examen sobre una muegtra de 200 de talee equipos revel que 18 eran defectuosos. Ensayar la afirmacin del fabricante al nivel de aignificacin del (o) O.Of
O.OO.

es

del 0.01.

,lO

7.69.

La experiencia ha demostrado que la media de resistencia a la rotura de una determinada clase de hilo e de
9-72 onzas con uria desviacin tpica de 1.40 onzas. Recientemente, una muestra de 36 piezas de hilo dieron
una resistencia media de 8.93 onzas. Se puede deducir al nivel de signicacin del (o) 0.05 y () 0.01 que el

hilo
7 .7

o.

es ahora peor?

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

yos.

www.tutomundi.com

ENSAYOS DE HIPOTESIS Y SIGNIFICACION

252

7,7L.

lcAP.

Solucionar el Problema 7.70 si el nivel de significacin es del 0,01.

ENSAYOS REFERENTES A DIFERENCIAS DEMEDIAS Y PROPORCIONES

7,72.

Una muestra de 100 bombillas de un fabricante A dio una duracin media de 1190 horas y una desviacin tpica de 90 horas. Una muestra de 75 bombillas de otro fabricante B dio una duracin media de 1230 horas
con una desviacin tpica de 120 horas. Hay diferencias entre las duraciones medias de las bombillas de los
dos fabricantes al nivel de significacin del (o) 0.05 y (b) 0,01?

7.73,

En el Problema 7 ,72 ensayar Ia hiptesis de que las bombillas del fabricante B sean mejores a las del fabricante A utilizando un nivel de significacin del (o) 0.05, (b) 0.01. Explicar las diferencias entre esto y lo que se
peda en el problema anterior. Se contradicen los resultados con los del problema anterior?

4.

En un examen de ortografa en una escuela elemental, la puntuacin media de 32 nios fue de 72 con una
desviacin tpica de 8, mientras que la puntuacin media de 36 nias fue de 75 con una desviacin tpica de
6. Ensayar la hiptesis de que a los niveles de significacin (a) del 0.05 y (b) del 0.01 las niastengan mejor
ortografa que los nios.

1 .7

7.76.

Para ensayar los efectos de un nuevo fertilizante sobre la produccin de trigo, una parcela de terreno se dividi en 60 cuadrados de reas iguales, todos ellos tenan idnticas caractersticas de suelo, exposcin a la luz
del sol, etc. El nuevo fertilizante se aplic a 30 de estos cuadrados y el antiguo fertilizante a los restantes. El
nmero medio de fanegadas de trigo cosechadas por cuadrado en los que se utiliz el fertilizante nuevo fue
de 18.2 con una desviacin tpica de 0.63 fanegadas. [,a media y desviacin tfpica correspondientes a los
otros cuadrados fueron 17.8 y 0,54 fanegadas, respectivamente. Con un nivel de significacin del (a) 0.05 y
(b) 0.01, ensayar la hiptesis de que el nuevo fertilizante sea mejor que el antiguo.

7.76.

Muestras al azar de 200 tuercas fabricadas por la mquina A y de 100 tuercas fabricadas por la mquina B
dieron 19 y 5 tuercas defectuosas, respectivamente. Ensayar la hiptesis de que (o) las dos mquinas tengan
diferente calidad de fabricacin y (b) la mquina B sea mejor que A. Utilizar el nivel de significacin del

0.05.
ENSAYOS EN RELACION CON LA DISTRIBUCION

7.77.

7 .7

8.

DE STUDENT

La duracin media de Ias bombillas producidas por una compaa ha sido en el pasado de 1120 horas con una
desviacin tpica de 125 horas, Una muestra de 8 bombillasdelaproduccinactualdiouna duacinmedia
de 10?0 horas. Ensayar la hiptesis de que la duracin media de las bombillas no ha cambiado, con los niveles
de significacin de (o) 0.05 y (b) 0.01.

En el Problem a 7 .7 7 ensayar la hiptesis : 1120 horas contra la hiptesis alternativa tt


diante un nivel de significacin del (o) 0.05 y (b) 0.01.

<

1-t2O horas, me-

7.19.

Las especificaciones para Ia produccin de una cierta aleacin piden el 23.2% de cobre, Unamuestrade 10
anlisis dio una media de contenido en cobre de 23,5% y una desviacin tpica de 0.24%. Puede deducirse al
nivel de significacin del (c) 0.01 V (b) 0.05 que el producto presenta las especificaciones requeridas?

?.80.

En el Problema 7.79 ensayar la hiptesis de que el contenido medio de cobre sea ms alto que el que marcan
las especificaciones, mediante un nivel de significacin del (a) 0.01 y (b) 0.05.

?.8f

7.a2.

7.83.

Un experto efieiente mantiene que introduciendo un nuevo tipo de maquinaria en un proceso de produccin
se puede disminuir sustancialmente el tiempo de produccin, A causa de lo costoso del mantenimiento de estas mquinas resulta que a menos que el tiempo 4e produccin ee disminuyaen un8.O7o laintroduccinde
tales mquinas en eI proceso resulta antieconmico. En seis pruebas de este tipo se obtuvo un decrecimiento
en eI tiempo de produccinde 8.4a,/o con una desviacin tpica de 0.32%. Utilizando un nivel de significacin
del (a) 0.01 y () 0,05 ensayar la hiptesis de que las mquinas deben ser introducidas.
Dos tipos de soluciones qumicas, A y B fueron ensayadas paa ver su pH (grado de acidez de la solucin).
Anlisis de 6 muestras de A dieron un pH medio de 7.52 con una desviacin tpica de 0.024. Anlisis de 5
muestras de B dieron un pH medio de ?.49 con una desviacin tpica de 0.032. Mediante unniveldesignificacin del 0.05, determinar si los dos tipos de soluciones tienen diferentes valores de pH.
En un examen de psicologa de 12 estudiantes de una clase hubo una puntuacin media de 78 con una desvia-

cin tpica de 6, mientras que 15 estudiantes de otra clase tuvieron una puntuacin media de 74 con una

www.tutomundi.com

des-

263

ENSAYOS DE HIPOTESIS Y SIGNIFICACION

cAP. 7l

viacin tpica de 8. Con un nivel de significacin del 0.05 determinar si el primer grupo

es

superior al segun-

do.

ENSAYOS EN RELACION CON LA DISTBIBI'CION CHI.CUADRADO

7,84,

La desviacin tpica de resistencia a la rotura de ciertos cables producidos por una compaa viene dada por
240 libras. Despus de introducir un cambio en el proceso de produccin de estos cables, La resistencia a la
rotura de una muestra de 8 cables dio una desviacin tpica de 300 libras, Investigar la significacin del aparente incremento enla variabilidad, mediante un nivel de significacin del (a ) 0.05 y (b ) 0.01.
desviacin tpica de las temperatwas anulegde una ciudad en un perodo de 100 aos fue de 16" Fahrenheit. Con la temperatura media del da 15 de cada mes, durante los 15 ltimos aos, Ia desviacin tpica
de las temperaturas anuales fue calculada como de 10o Fahrenheit. Ensayar la hiptesis de que las temperaturas en esta ciudad presentan ahora menos variabilidad que en el pasado, al nivel de significacin del (a) 0,05,

?.85. t

(b ) 0.01

?.86.

En el Problema 7.77 una muestra de 20 bombilta revel una desviacin tpica en la duracin de 150 horas.
Concluira que esto no es comn? Explicar.

ENSAYOS EN RELACION CON


7

.81

LA DISTBIBUCION F

Dos muestras consisten de 21 y 9 observaciones, tienen varianzas dadas por s? : 16 y s2 : 8 respectivamente.


Ensayar la hiptesis de que la primera varianza poblacional es mayor que la de la segunda a un nivel de significacin del (o ) 0.05, (b ) 0.0f .

?.E8,

Solucionar el Problema 7.87 si las dos mueetras coniten de 60 y 120 observaciones respectivamente.

?.89.

En el Problema 7.82, podemos concluir que hay una diferencia significativa en la variabilidad de los valores
del pH para las dos soluciones al nivel de significacin del 0.01?

CUBVAS CARACTERISTICAS DE OPEBACION

?.90.

En relacin con el Problema 7.63, determinar Ia probabilidad de aceptar la hiptesis de que haya igual proporcin de bolas rojas y azules, cuando la proporcin real p de bolas rojas sea (o) 0.6, (b) 0.7, (c) 0.8, (d) 0.9,
(e )

?.91.

0.3.

Representar grficamente los resultados del Problema ?.90 construyendo un grfico de (c)p V p, (b) (1 -p)
y p. Comparar estos grficos con los del Problema ?.25 considerando Ia analoga de bolas rojas y azules con
caras y sellos respectivamente.

.92.

(o ) Solucionar los Problemas 7 .26 y 7 .27 si se eruayan 400 cuerdas. (b ) Qu conclusiones pueden sacarse de
acuerdo con Ios riesgos de error del Tipo II cuando se incrementan los tmaos muestrales?

?,93. Construir (a) unacurva

OC

y ()

curvas con las del ProblenaT .27

una curva de potencia correspondientes al Problema 7.65. Comparar estas

GBAFICOS DE CONTROL DE CALIDAD

7.94. En el

pasado, un cierto tipo de hilo producido por un fabricante tena una resistencia media de roura de
8.64 onzas y una desviacin tpica de 1.28 onzas. Para determinar si el producto est de acuerdo a estas normas, se toma cada 3 horas una muestra de 16 piezas de hilo y se determina la resistencia media. Hallar los lmites de control del (a) 99.731o 3o, (b) 99% sobre un grfico de control de calidad y explicar sus aplicaco-

nes.

7.95. Alrededor del lVo de las tuercas producidas

por una compaa son defectuosas. Para mantener esta calidad de


produccin, se toma una muestra cada 4 horas de 200 de las tuercas producidas. Determinar los Imites de
control del (a ) 99% y (b)95% pam el nmero de tuercas defectuosas de cada muestra. Advirtase que en ese
caso solo son necesarios los lmies de control super,ores.

www.tutomundi.com

254

ENSAYOS DE HIPOTESTS Y SIGNIFICACION

[car.

AJUSTE DE DATOS A DISTRIBUCIONES TEORICAS

7.96.
7 '97

Tabla

Ajustar una distribucin binomial a los datos dela Tabla 7 _24.

-24

16

l0

. utilizar papel grfico

de probabilidad para determinar si los datos


del Problema 5.g8 pueden ser aproximados estrechamente a una
distribucin normal.

7.98.

Ajustar una distribucin normal a los datos del problema 5.gg.

7.99.

Ajustar una distribucin normal a los datos del problema 5.100.

30

7.100. Ajustar una distribucin de poisson a los datos del hoblema 2.96 y
comparar con el ajuste obtenido utilizando la distribucin bino-

62

Tabla

mial.

?-101. En 10 unidades del ejrcito prusiano y en un perodo de 20 aos


1875-1894, el nmero de muertos por unidad y ao debido a coz
de caballo se dan en la Tabla ?-2b. Ajustar una distribucin de

Poiss<n a los datos.

10!

65

-25
I

22

LA PRUEBA CHI.CUADRADO

7'102' En 60 lanzamientos de una moneda

se observaron 37 caras y 23 sellos. Ensayar la hiptesis de que la moneda


est bien hecha utilizando un nivel de significacin del (o) 0.05, () 0.01.

7.103. solucionar el Problema 7.r02 utirizando la correccin de yates.


7.1'04. Durante un largo perodo de tiempo, las puntuaciones dadas por un grupo de profesores en un determinado
curso dieron un promedio d,e 12% A,LB% B,40% C,Lg?o D y 12% F. Un profesor nrevo da durante dos se_
mestres 22 A,34 8,66 C' 16 D y 12 F. Delerminar al nivel de significacin de 0.05 si el profesor nuevo sigue
las mismas nornns de puntuacin que los otros.

7.105. Se lanzaron tres monedas un total de 240 ve-

Tabla

se observ cada vez el nmero de caras


obtenido. Los resultados aparecen en la Tabla 7-26 junto con las frecuencias esperadas
bajo la hiptesis de que las monedas estn
ces

bien hechas. Ensayar esta hiptesis al nivel


de significacin del 0.0b.

Frecuencia
observada

Frecuencia
esperada

?.106. El nmero de libros sacados de una biblioteca pblica durante una semana determinada viene dado en la Tabla ?-22.
Ensayar la hiptesis de que el nmero de
libros sacados no dependa del da de la semana, con un nivel de significacin del (o )
0.05, (b ) 0.0r .

7.107. Una urna contienc 6 bolas rojas y

-26

0 caras

1 cara

,^

108

30

)0

Tabla

Lun.
Nmero de
libros sacados

2 caras

3 caras
t,l

90

3()

7 -27

Mar.

Mierc.

Juev.

Vier,

108

t20

114

146

blancas. Se

extraen aleatoriamente dos bolas de la urna, se


anota su color y se vuelven a la urna. Este proceso se repite un total de 120 veces y los resultados obtenidos.se muestran en la Tabla ?-2g.
(o) Determinar las frecuencias esperadas, (b)
Determinar al nivel de significacin del 0.05

si los

resultados obtenidos son consistentes

Tabla 7-28

Nmero de
extracciones

0 rojo
2 blanco

1 rojo
1 blanco

2 rojo
0 blanco

(;

53

6l

con Ios esperados.

?.108. Se eligieron aleatoriamente tuercas de la produccin de


,rrru de 4 mquinas. El nmero de defectuosas
fueron 2, 9, 10, 3. Determinar si existe entre las mquinas""d"
una diferencia significativa al nivel dc significacin
del 0.05.

www.tutomundi.com

cAP. 7l

ENSAYOS DE HIPOTESIS Y SIGNIFICACION

265

BONDAD DE AJUSTE

7.f09. (a) Utiliza la prueba chi-cuadrado para determinar la bondad de ajuste de los datos del Problema?.96.(b)
Es el ajuste

"bastante bueno"? Emplear el nivel de significacin del 0,0,

7.110. Mediante la prueba chi+uadrado determinar la bondad de ajuste de los datosde (o)Problem 7.98. (b)hoblema 7.99. Utilizar el nivel de significacin del 0,05 y en cada caso determinar si el ajuste es "bastante bue.

Dott.

7.111. Mediante la prueba chicuadrado determinar la bondad de ajuste de los datos de (c) Problema ?.100, (b) Problema 7.101. Es consistente el resultado de

(o )

con el del problema 7 .LOg?

TABLAS DE CONTINGENCIA
7

Tabla 7-29

.112. IA Tabla 7 -29 muestra el resultado de un erperimeno para

Se

No se

enfer

maron 'enfermaon

investigar el efecto de vacunacin de animales de laboraorio contra una determinada enfermedad. Mediante un nivel
de significacin del (o) 0.01 y (b) 0,06, ensayar la hiptesis
de que no haya diferencia entre los grupos vacunados y no
vacunados, es decir, la vacunacin y esta enfermedad son independientes.

Vacundos

42

No
Vacunados

L7

28

?.113. Solucionar el Problema 7.112 introduciendo la correccin

Tabla ?-30

de Yates.

Aproba-

7,114. La Tabla ?-30 muestra el nmero de estudiantes de cada una de dos cla-

A y B que aprob y suspendi un examen dado a ambos grupos. Mediante un nivel de significacin del (o) 0.05 V (b) 0.01, ensayar la hipteses

dos

didos

72

t7

Clase B

64

23

Clase

sis de que no haya diferencia entre. las dos claees. Hacer el problema con
y sin la correccin de Yates,

7.115. De un grupo de enfermos que se quejaban de que no dorman bien, a unos se les dio pfldoraspaadormi,
mientras que a otros se les dio pldoras de azcar (aunque todoselloscreonque suspldoraseranparadormir). Posteriormente, se Ies pregunt si las pastillas haban surtido efecto o no. El resultado de sus respuestas se muestra en la Tabla 7-31. Suponiendo que todos los pacientes dijeron la verdad,ensayarlahiptesis
de que no hay diferencia entre las pldoras de dormir y las de aziucar al nivel de significacin del 0.06.
Tabla 7.31
Durmie-

ron bien

Tabla 7-32

A favor

No durmieron bien
Demcratas

Tomaron pldoras para dormir

Tomaron pfldoras de azcar

44

10

81

35

Republicanos

En contra Abstencionistas

85

78

37

118

61

25

7.116. Sobre una decisin de importancia nacional, los votos de los demcratas y republicanos registraron los resultados que se observan en.la Tabla 7-32. N nivel de significacin del (a)0.01 y (b)0.05,ensayarlahipteois
de que no hay diferencia entre ambos partidos en lo que a esta decisin se refiere.
7.L17.

Ia Tabla 7-33 da la relacin entre las notas de los estudiantes en matemticas y fsica. Ensayar la hiptesis de
que las notas de fsica sean independientes de ls obtenidas en matemticas, mediane un nivel de significacin del (o) 0.05 v (b) 0.01.

7.118. Los resultados de una encuesta hecha para determinar si la edad de los conducores a partir de los 21 aoe,
tiene su efecto en el nmero de accidentes de automvil (incluyendo todo tipo de accidentes) se indican en la
Tabla 7-34. A un nivel de significacin de (a) 0.05 y (b) 0.01 ensayarlahipteaisdequeelnmerodeaccidentes es independiente de la edad del conductor. Qu poeiblee dificultades en las t&nicas de muestreo como en otras consideraciones pueden afectr las conclusiones?

www.tutomundi.com

266

ENSAYOS DE HIPOTESIS Y SIGNIFICACIOD

lcAP.

Tabla 7-33

MATEMATICAS
Notas
altas

O
CA

Notas

Notas

medias

bajas

Notas altas

Dt)

71

L2

Notas medias

AO

163

38

Notas bajaa

T4

42

85

Tabl 7-34
EDAD DEL CONDUCTOR

RH
HE<

oz
E

Bg
z<

21-30

31-40

41-50

51-60

61-70

748

82r

78s

720

672

74

60

51

66

50

3l

26

22

16

ID

10

lMsde2

7.119. (o) Demostrar eu 2 = 2@l/np,)

- ?r para toda tabla de contingencia, donde n s la frecuencia total de todas


las casillag. (b) Con el resultado de (c) hacer el Problema 7.117,

7.1

20. Si nI y n! denotan, respecivamente, la suma de frecuencias en la fila y en la columna j de una tabla de contingencia (frecuencias marginales), mostrar que la frecuencia esperada para la casilla perteneciente a la fila i y a
la columna j es nn;/n, donde n es la frecuencia total de todas las casillas.

7'.121. Demostrar el resultado (2) det Problema 7.49.

7.122. Por similitud con las ideas desanolladas para tablas de contingencia h X &, discutir las tablas de contingencia
h X k X I, sealando las posibles aplicaciones que pueden_tener.
COEFICIENTE DE CONTINGENCIA

7.L23. La Tabla 7-35 muestra la relacin entre el color


del pelo y los ojos de una mestra de 200 estudiantes. (
sin y con

resultado

Tabla ?-36

coeficiente de
n de yates. (b)
el coeficiente

COLOR DE PELO
Rubio

No rubio

Azules

49

25

No azules

30

96

contingencia,

7.121. Hallar el coeficiente de contingencia sin y con la


correccin de Yates para los datos de (o) problema 7.1L2 y (b) Problema 7.LL4.

Xu)
rY

8-

7.125. Hallar el coefieiente de contingencia para los datos del Problema ?,11?.
?.126. Demostrar que el coeficiente de contingencia mximo para una tabla 3 X 3
mente.

es

JUS:0.8165aproximada-

7.127. Demostrar que el coeficiente de contingencia mximo para una tabla fr X k es 1/1t

- .

PROBLEMAS DTVERSOS

I contienen igual nmero de bolas, pero se desconocen las proporciones de boias rojas y blancas en cada una de las urnas; se toma una muestra de 50 bolas con remplazamiento de cada una de las urnas,

7.128. Dos urnas A y

www.tutomundi.com

267

ENSAYOS DE HIPOTESIS Y SIGNIFICACION

cAP.7l

dando la de A 32 bolas rojas y la de B 23 bolas rojas. Mediante un nivel de significacin del 0.05 ensayar la
hiptesis de que (o) las dos urnas tengan igual proporcin de bolas rojas y (b)A tenga una proporcin de bolas rojas superior a 8.

?.129. Con referencia al Problema ?.54, hallar el menor nmero de preguntas que un estudiante debe contesta correctamente para que el instructor est seguro al nivel de significacin del (o) 0.05, (b) 0'01, (c) 0.001' (d)
0.06 de que el estudiante no est contestando al azar. Comentar los resultados.
?.130. Construir grficos anlogos

a los del Problema

7.23 pzra el Problema 7.55.

?.131. Solucionar los Problemas 7.64-7.56 si el 7 en la regla de decisin del Problema 7.54

es ahora 8.

Se puede rechazar la hiptesis de que la moneda est


bien hecha al nivel de significacin del (o) 0.0, (b) 0.10, (c) 0.01? Utilizar un ensayo bilateral.

?.132. Una moneda se lanza 8 veces y se obtienen ? caras.

?.133. Solucionar el Problema 7.132 empleando un ensayo unilateral.


7.134. Solucionar el Problema 7.132 si salen 6 caras.
?,135. Comentar cmo puede utilizarse la teora del muestreo para investigar las proporciones de diferentes tipos de
pescado presentes en un lago.

?.136. Explicar cmo podra definir interualos de confianza unilateroles y dar una posible aplicacin.
2.13?. El porcentaje de calificaciones A dadas en un curso de fsica en una universidad determinada durante mucho
tiempo fte L0%. Durante un perodo particular hubo 40 calificaciones A en un grupo de 300 estudiantes. Ensayar la significacin de este resultado a un nivel de (a) 0.05, (b) 0.01.
?.138. Con una determinada marca A de gasolina, el nmero medio de millas por galn consumido en 5 automviles
anlogos bajo idnticas condiciones fue de 22.6 con una desviacin tpica de 0.48. Con otra marca B, el nmero medio fue de 21.4 con una desviacin tpica de 0.54. Al nivel de significacindel 0.0Sinvestigarsila
marca A realmente es mejor que B proporcionando mayor recorrido por galn.

?.13g. En eI Problema ?.138 hay mayor variabilidad en millas por galn utilizando la marca B que utilizando la
marca A? Explicar.

7.140. Demostrar que para la Tabla ?-36

"y2

n (u"
++
= o(l++"?\
rt2
'tL2 ns/ * 2a
rr

?t

\tr

o?)
ns

?.141. Generalizar el resultado del Problema 7.140.


7.142. Utiliza el resultado del Problema

Tabla 7-36

-,

II

III

TOTALES

&1

A2

dg

b2

ng

TOTALES

fl1

lr2

'tLg

.l4O para obtener el valor de

12 para el Problema ?.4?.

www.tutomundi.com

Captulo B
Curvq de oiuste, regresin y correlocin
CURVA DE AJUSTE

Muy a menudo en la prctica se encuentra que existe una relacin entre dos (o ms) variables, y
se desea expresar esta relacin en forma matemtica determinardo una ecuacin'que cnecte las riables.
Un primer paso es la cbleccin de datos indicando los valores correspondientes de las variables.
Por ejemplo, si r y y denotan la estatura y peso de un adulto; entonces una muestra d.e n individuos
resultara en las estaturtsr, x2,.. .,xn y los pesos correspondientes !t,!2,. .. ,!n.

El paso siguiente es dibujar los puntos (xt, y, ), (, , lz\, . . . , (xn, y, ) err un sistema de coordenadas rectangulares. El conjunto resultante de puntos se llama a veces diagrama de dispersin.
Del diagrama de disper'sin es posible frecuentemente visualizar una curva que se aproxime a
los datos. Dicha curva se llamacurua de aproximacin. En la Fig.8-1, porejemplo,seoservaq.,e
los datos se aproximan bien por una recta y decimos que existe una relaci lieat entre las vaiiables. Sin embargo, en la Fig. 8-2 aunque existe una relacin entre las vaiables sta no es una relacin lineal y por esto la llamamos relacin no lineal. En la Fig. 8-3 parece que no hay ninguna relacin entre las variables.

Eig. 8-L

Fig. tl-2

['ig.

8-3

El problema general de hallar ecuaciones de curvas de aproximacin que se ajusten a conjuntos


de datos dados se denomina curua de ajuste. En la prctica el tipo de ecuacin se sugiere frecuentemente del diagrama de dispersin. As para la Fig. 8-1 podramos utilizar una recta
U

= a*br

(1)

mientras que para la Fig. 8-2 ensayaramos una curua cuadrtica o parablica

ll = a*lr*crz

(Z'l

Algunas veces conviene dibujar los diagramas de dispersin en trminos de uariables transformadas.
As por ejemplo, si logy vs. conduce a una recta trataramoslogy: a* bx comoecuacinpara
la curva de aproximacin.

258
www.tutomundi.com

cAP. 8l

CURVA DE AJUSTE, REGRESION Y CORRELACION

269

REGRESION

Uno de los propsitos principales de la curva de ajuste es estimar una de las variables (lauariable
dependiente) de la otra (la uariable independienfe). El proceso de estimacin se conoce como regresin. Si y se va a estimar a partir de r por medio de alguna ecuacin la llamamos ecuacin de regresin de y sobre r y a la curvarorrespondiente curua de regresin de y sobre x.
METODO DE MINIMOS CUADRADOS
Generalmente, ms de una curva de un tipo dado parece ajustar un conjunto de datos. Para evitar el juicio individual en la construccin de rectas, parbolas, u otras curua.s de aproximacin, es necesario obtener una definicin de la "mejor recta de ajuste"; "mejor parbola de ajuste", etc.
Para motiva una posible definicin considrese

la Fig. 8-4 en la cual los puntos de datos son (.r, ,


Jr ),
, (n, y"). Para un valor dado de .r, por
ejemplo r , habr una diferencia entre el valor de
! t y el valor correspondiente determinado de la
curva C. Denotamos esta diferencia por d, , que algunas veces se conoce como desuiacin, error, o residuo y puede ser positivo, negativo o cero. Anlogamente, correspondiendo a los valoresfz, . . ., xn
obtenemos las desviaciones d2, . . ., dn.

Una medida de la "bondad del ajuste" de la


curva C- al conjunto de datos la suministra la can. + d?". Si la suma es pequea
tidad d + d; +
el ajuste es bueno si es grande el ajuste es malo. Por
tanto tomamos la siguiente

Fig. 8-4

Definicin. De todas

las curvas de aproximacin de un conjunto de puntos de datos dados, la curva


que tenga la propiedad de que

?+A?'+

"'+dl

= unmnimo

mejor curua de ajuste.


Una curva con esta propiedad se dice que ajusta los datos en el sentido de mnimos cuadrados y se
llama curua de regresin de mtnimos cuadrados o simplemente curua de mtnimos cuadrados. Pot
tanto una recta con esta propiedad se llama recta de mtnimos cuadrados, una parbola con esta propiedad se llama pardbola de mnimos cuadrados. etn.
Se acostumbra a emplear la definicin anterior cuando r es la variable independiente y y es la
variable dependiente. Si r es la variable dependiente, la definicin se modifica al considerar las desviaciones horizontales en cambio de las verticales, que se reduce a intercambiar los ejes r, y. Estas
dos definiciones conducen en general a dos curvas de mnimos cuadrados diferentes. Al menos se especifique lo contrario consideraremos a y como la variable dependiente y a.r como la independienes la

te.

Es posible definir otra curva de mnimos cuadados considerando distancias perpendiculares

desde los puntos de datos a la curva en cambio de sus distancias verticales u horizontales. Sin embar-

go, esto no se emplea con frecuencia.

RECTA DE MTNIMOS CUADRADOS


Empleando la definicin anterior podemos demostrar (vase Problema 8.3) que la recta de mnimos cuadrados de aproximacin al conjunto de datos (r1,3lr ),. .. ,(xn, y,) tiene laecuacin

= a*bu

www.tutomundi.com

(e)

260

CURVA DE AJUSTE, REGRESION Y CORRELACION

lcAP.

donde las constantes a y b se determinan solucionando simultneamente las ecuaciones

2u = an*b)r
2rs =.a}r+b)12

(/r)

que se conocen como las ectnciones normales para la recta de mnimos cuadrados. Obsrvese que
por brevedad hemos utilizado

2a, 2ra

en cambio

de 2 o,, j=L r,o,.


r
t=r

Las ecuaciones norma-

les, (4), se pueden recordar fcilmente si se observa que la primera ecuacin se obtiene formalmente
sumando ambos lados de (3), mientras que la segunda ecuacin se obtiene primero multiplicando
por r ambos lados de (3) y luego sumando. Lgicamente esta no es una derivacin de las ecuaciones
normales sino solamente un medio para recordarlas.
Los valores de c y b obtenidos de (a) estn dados por

()sX)r')-()cX)cs)
"-w

h - n2ry

n_

- (>oX>y)
(2u12

n2r2

(5)

El resultado para b en (5) tambin puede escribirse como


(6)

Aqu, como es comn, una bana indica media, es decir,


primera ecuacin normal en (4) por n resulta

= (2r)ln. Al dividir ambos lados de la

= a*bi

(7\

Por tanto, si se desea podemos hallar primero b de (5) o (6) y luego emplear (7) para hallar a =
b. Esto es equivalente a escribir la recta de mnimos cuadrados como

a- = b(r-i:)

u_

=t&#p@_it\

(8)

El resultado (8) indica que la constante b, que es la pendiente de la recta (3), es la constante fundamental para determinar la recta. De (8) tambin se ve que la recta de mnimos cuadrados pasa a travs del puno (i, y), denominado el centroide o centro de gauedod de los datos.
La pendiente b de la recta de regresin es independiente del origen de coordenadas. Esto quiere
decir que si hacemos la transformacin (comnmente llanada traslacin de eies) dada por

n = a'Ih

a'+k

(e)

donde h y h son constantes arbitrarias, entonces b tambin est dada por

b-

n2r'g'

n2fr'2

(2r"(2y')
- ()c'z

(101

donde r, y han sido simplemente remplazadas por r', y' lpor esta razn decimos que b es invariante
bajo la transformacrn (9)1. Sin embargo, debe notarse que , que determina el intercepto sobre el
eje r, depende del origen (y por tanto no es invariante).
En el caso particular cuando h =

, k -- , (I0)

u-2f,2

se

simplifica a

2fr,U,

(11\

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

www.tutomundi.com

cAP. 8l

26r

CURVA DE AJUSTE, REGRESION Y CORRELACION

n-n = >(=o)t'=;l@-u\
2(u - a\'

Uz)

\'|

Debe notarse que en general (12) no es la misma recta que (8).

RECTA DE MINIMOS CUADRADOS EN TERMINOS


DE VARIANZAS Y COVARIANZAS MUESTRALDS

r, y estn dadas por


)(c - i)2. si : 2(U - )" ora 2(r - I;\(U_- )
) -_
, "-. -, -s ""
n-n
n

Las varianzas y covarianzas muestrales de

En trminos de stas, Ias rectas de regresin de mnimos cuadados de y sobre


den escribirse respectivamente como

u-=$t*-*l
_

Su,

r y de r

Q3)
sobre

y pue-

n-r:rrt@-

Ut+)

Si formalmente definim os el coeficiente de correlacin muestral por Icomparat (54), pgina 82]

,=
entonces (14) puede escribirse como

v-g
: ,(* o\
8u\s"/s.\ssi

l'\

e)

S Sy

ry : ,(Y- 3)

trul

En vista de que (r - )/s" y (U - U)/s" son valores muestrales. tipificados, Ios resultados en (16)
proveen unaiorma muy simple de rcordar las rectas de regresin. Es lgico que las dos rectas en
(l e ron diferentes al menoJ eu r = + 1, en cuyo caso todos los puntos-mue_strales estn sobre una
iecta [esto se demostrar en (26)] y hay una cotelacin y regesin lineal perfecta.

Tambin es de inters notar que si las dos rectas de regresin (f 6) se escriben como y
c * dy respectivamente, entonces
bcl -_ t2

b3c,

(17)

Hasta ahora no hemos considerado la significacin precisa del coeficiente de conelacin sino so'
lamente lo hemos definido en trminos de las vaianzas y covarianza. En la pgrna 263 se dar la significacin.

PARABOLA DE MINIMOS CUADRADOS


Las ideas anteriores se amplan fcilmente. Por ejemplo,laparbola de nnimos cuadrados que
ajusta un conjunto de puntos muestrales viene dada por

?l

= a*br*cr2

(f8)

donde a, b, c se determinan de las ecuaciones normales

2u : na-tb)*+c2n'
Zr'u : a2r +b>r2*c)rt
2*"u -' o2*" +r>#+c}ra

(19)

Estas ecuaciones se obtienen formalmente sumando ambos lados de (18) despus de multiplicar sucesivamente por 1, x y x2 respectivamente.

www.tutomundi.com

262

CURVA DE AruSTE, REGRESION Y CORRELACTON

lcAP.8

REGRESION MULTIPLE

Las
una
ces busc

por ejemplo, si creemos que


dos variables inaependi"fus
y, entn",
tenga la forma

s variables.

hay

z = a*br+cy

(20)

Esta se denomina ecuacin de regresin de z sobre r, y. Si r es la variable dependiente una ecuacin


semejante se llamar ecuacin de regresin de x sobre y, z.
que (20)

representa un plano en un sistema de coordenadas rectangulares tridimensional


__Puesto
se llama con frecuencia plano de regresin Paa hallar el plano de regresin de mnimos cuadrados
determinamos o, , c en (20) de modo que

lz = tmtb)r+ "2a
2*, = o2r +b>12*c)ry
2u" : "2u + b> ry 1- c)y2

(21)

Estas ecuaciones, llamadas las ecuaciones normales correspondientes a (20), se obtienen como resul-

tado de aplicar una definicin anloga a la de la pgina 2sg. nvirtase qe pueden obtenerse formalmente de (20) multiplicando por L, x, y respectivamente y sumando.
Genetalizaciones a ms variables, incluyendo ecuaciones lineales y no lineales conducentes a s- - -'
perficies de regresin en espacios tridimensionales y superiores, se hacn fcilmente.
'

ERROR TIPICO DE LA ESTIMA


Si.denotamos por U".r l valor estimado de y para un valor dado de , obtenido de la curva de
regresin de y sobre r, entonces una medida de la dispersin con respecto a la curva de regresin est suministrada por la cantidad

sg.- :

> (g/

u".r)2

que se llama el error tpico de


ple en la definicin de la pgin
mnimos cuadrados tiene el ms

(22)

puesto que >(A U."t)z = 22, como se emtodas la.s curvas de regrein posible, la cuna de
o de la estima.

r.

En el caso de una recta de regresin lest

: a*

br, con a y b dados por (4), tenemos


(23)
(24)

Tambin podemos expresu s,2, por la recta de mnimos cuadrados en trminos de la varianza v del
coeficiente de correlacin como

s?.'

: f"(L-r')

de donde incidentalmente se deduce como corolario que r2

(25)

l, esto es -1 < r < 1.

_ El error tpico de la estima tiene propiedades anlogas a esas de la desviacin tpica. Por ejemplo, si construimos pes de rectas paralelas a la recta de iegresin de y sobre r a distancias vertiales
te, debemos hallar si n es lo suficientemente grande para que estn
rectas alrededor del 68%,96% y 97% de los puntos muestrales res.23.
www.tutomundi.com

cAP. 8l

263

CURVA DE AJUSTE, REGRESION Y CORRELACION

As como hay una estima insesgada de la varianza muestral dada por 3t : nsz/(n - 1) igualmeninsesgada del cuadrado del error tpico de la estima. Este est dado por 3r2., :
nsl ./(n - 2). Por esta raz6n algunos estadsticos prefieren expresar (22) con n
- 2 en cambio de n
en el denominador.

te hay una estima

Las anotaciones anteriores se modifican fcilmente para Ia recta de regresin de r sobre


cuyo caso el error tpico de la estima se denota por s r) o para regresin no lineal o multiple.

(en

COEFICIENTE DE CORRELACION I,INEAL


Hasta el momento hemos definido eI coeficiente de conelacin formalmente por (I5) pero no
hemos examinado su significado. Al tratar de hacerlo notemos que de (25\ V las definiciones de sy...
y sy tenemos

)('?-U""')'
D2 = r
-

(26\

Entonces podemos demostrar que (vase Problema 8.24)

2@-' =

2ta

-?/"..)2

* 2(u.*-u)'

(27)

La cantidad a la izquierda de (27) se llama la uariacin total. La primera sunra a la derecha de (27)
se conoce como la uarincn no explicadc, mientras que la segunda suma se llama uariacin explicadn. Esta terminologa surge debido a que Ias desviaciones y
-U...r s comportan en una manera aleatoria o impredecible en tanto que las desviaciones /esr - .r7 se
explican por Ia recta de regtesin de
mnimos cuadrados y as tienden a seguir un patrn definido. Se deduce de (26) y (27) que
(28)

Por tantc 12'puede interpretarse como la fraccin de la variacin total que se explica por la recta de
regresin de mnimos cuadrados. En otras palabras, r mide qu tan bienla recta de regresin de mnimos cuadrados se ajusta a los datos muestrales. Si la variacin total se explica totalmente por la
recta de regresin, es decir, si 12 : L ; r : + 1, decimos que hay una correlacin lineal perfegta (y en
tal caso tambin regresin lineal perfecc). De otra parte si la variacin total no se puede explicar,
entonces la variacin explicada es cero y as r : 0. En Ia prctica la cantidad 12, algunas veces llamada coeficiente de determinacin, se encuentra entre 0 y 1.
El coeficiente de correlacin puede calculase de cualquiera de los resultados

)( -

Sru

)(u

-a\

/t6=w\/t6

S Sv

-nP

(2e)

(30)

que para regresin lineal son equivalentes. La frmula (29) se conoce como la frmuln producto-momento para correlacin lineal.
Frmulas equivalentes a las anteriores, que se utilizan en la prctica son

n2ry

- (>rX>y)

ra-ra
(?

- x"l(E

(3r)

(32)
a,)

www.tutomundi.com

264

CURVA DE AruSTE, REGRESION Y CORRELACION

[cAP.

Si utilizamos la transformacin (9), pgina 260, hallamos

n2n'y'- ()r')()y')

(83)

que indica que r es invariante bajo una traslacin de ejes. En particular, si lz : , k = A, (33) se convierte en

2'r'a'

(8t)

(2x'2)(2y'2)
que comnmente se emplea en computacion.

El coeficiente de correlacin lineal puede ser positivo o negativo. Si r es positivo y tiende a aumentar con (la pendiente de la recta de mnimos cuadrados es positiva) en tanto que si r es negativo y tiende a disminuir con r (la pendiente es negativa). El signo se toma en cuenta automticamene si empleamos el resultado (29), (31\, (32), (33) o (34). Sin embargo, si utilizamos (30) para obtener r debemos aplicar el signo apropiado.
COEFICIENTE DE CORRELACION GENERAL I ZADO
La definicin (29) [o cualquiera de las formas equivalentes (3/) a @ )l para el coeficiente de conelacin incluye solamente valores muestrales r, y. En consecuencia da el mismo nmero para todas
las formas de curvas de regresin y no es til como medida de ajuste, excepto en el caso de regresin
lineal, donde coincide con (30). Sin embargo, la ltima definicin, esto es

(85)

12=:

refleja la forma de la curva de regresin (va y*t) y de este modo es apropiada como la definicin de
un coeficiente de correlacin generalzado r. Utilizamos (35) para obtener coeficientes de correlacin no lineales (que mide qu tan bien se ajusta unz cun)a de regresin no lineal a los datos) o, por
generalizacin apropiada, coeficientes de correlccin mltiple. L'a conexin (25) entre el coeficiente
de conelacin y el error tpico de la estima es vlida para corelacin no lineal.
Puesto que un coeficiente de cortelacin simplemente ride qu tan bien se ajusta una cuna de
regresin (o superficie) a los datos muestrales, es ilgico utiliza un coeficiente de conelacin lineal
donde los datos no son lineales. Sin embargo, suponga que se aplica (29) a datos no lineales y se obtiene un valor que es considerablemente menor que 1. Entonces la conclusin a extraerse no es que
hay poca correlacin (conclusin algunas veces alcanzad,a pot aquellos laicos con los fundamentos
de la teora de correlacin) sino que hay poca correlacin lineaL En efecto, puede existir vna gran
correlacin no lineal.

CORRELACION GRADUAL

En cambio de utiliza valores muestrales precisos, o cuando la precisin no puede obtenerse, los
datos pueden clasificase en orden de tamao, importancia, etc., empleando los nmeros t,2, . . . n.
Si dos conjuntos correspondientes de valores.r, y se clasifican de tal forma, el coeficiente de conelacin gradual, denotado por rgrad o sencillamente r, es dado por
rsad

:
n:

donde d

6>d
= .L-i@r_l)

diferencias entre las clasificaciones de los conespondientes


nmero de pares de valores (r, y) en los datos

(86)

r, y

La frmula (36), es derivada en el Problema 8.36, se denomina frmula de Spearman para la conela-

cin graduaL

www.tutomundi.com

CURVA DE AJUSTE, REGRESION Y CORRELACION

cAP.8l

266

INTERPRETACION PROBABILISTICA DE LA REGRESION

Un diagrama de dispersin, como el de la Fig. 8-1, es una representacin gnfica de los puntos de
datos para una muestra particular. Al escoger una muestra diferente, o aumentar la original, un diagrama de dispenin algo diferente se obtena generalmente. Cada diagrama de dispersin resultara en una recta o curva de regresin diferente, aunque esperamos que las deencias no sean significantes si las muestras se extraen de la misma poblacin.
Del concepto de cun'a de ajuste en muestras pasamos al de curva de ajuste para la poblacin de
donde se tomaron las muestras. La dispersin de puntos alrededor de una recta o curva de regresin
indican gue para un valor particular de r hay realmente varios valores de y distibudos drededor de
la recta o curva Esta idea de distribucin nos eonduce naturalmente a la realizacin de que hay una
conexin entre curva de ajuste y probabilidad.
La conerin se implementa introduciendo las variables aleatorias X, Y que toman log diferentes
valores muestrales r, y respectivamente. Por ejemplo X, Y pueden representar las estaturas y pesos
de adultos en una poblacin de la cual se extraen las muestras. Entonces se supone que X, Y tienen
una funcin de probabilidad conjunta o funcin de densidad, f(x, y), segn si se consideran discretas
o continuas.
rias

Dada la funcin de densidad conjunta o funcin de probabilidad, /(.r, y), de dos variables aleatoX, Y, es lgico de las anotaciones anteriores preguntar si hay una funcin g(X) tI que

E{Y

- s(Xl)'} =

un

mnimo

(sr)

Una cuna con ecuacin y : g(r) con la propiedad(37) se llana curua de regresin de mnimoa cuadrados de Y eobre X. Tenemos el teorema siguiente:

& y son variables aleatorias con funcin de densidad conjunta o funcin de probabilidad f(x, y), entonces existe una curua de regesin de mnimos cuadrados de Y
sobre X con la propiedad (37), dada por
(88)
u = s(n) = E(Y lX=c)
siempre y cu-ando X, f tengan una varianza finita.
que E'(Yl X = rl es la esperanza condicional de dada X = x, como se define en ia pgina 83.

Teoreru

Ntese

8-7:

Si

Anotaciones anlogas pueden hacerse para ura curua de regresin de mnimoe ctndradoe de
sobre Y. En tal caso (37) se remplaza por

E{X

- h(Yll'l = un mnimo

y(SS) seremplaza porr = h(y)-- E(XIY = y). Lasdoscurvasderegresiny=g(rl,= h(y)son

diferentes en general.

Un caso interesante se presenta cuando ta aistribucin conjunta es la distribucin normal bidimensional dada por (491, fgna 118. Entonces tenemos el teorema siguiente:

Teoeru

8-2:

Si X, y son variables aleatorias con la distribucin normal bidimensional, entonces


la cun'a de regresin de mnimos cuadrados de Y sobre X es una recta de egesin
dada por
(3e)
(40'

donde
representa el coeficiente de conelacin poblacional.

www.tutomundi.com

266

CURVA DE AJUSTE, REGRESION Y CORRELACION

lcAP. s

Tambin podemos escribir (39) como

U-t"v = F@-

px)

(41)

e:fr

donde

(42

Anotaciones semejantes pueden hacerse para la cuva de regresin de mnimos cuadrados de X sobr9 Y, que tambin resulta ser una recta [dada por (39) con X, Y; x, y intercambiadas]. Estos resultados deben compararse con los correspondientes en la pgina 261.

- En cry9 d9 que no se conozca f(x, y) podemos an emplear el criterio (37) para obtener cunas
de regresin de aproximacin para la polacin. Por ejemplo, si suponemos'que g() : a I px
obtenemos Ia recta de regresin de mnimos cuadados (39), donde a v g vienen daas en trminos
de los parmehos (desconocidos) /r,_ I'y, oy, r", p. Anlogamente sig(r) =a*Br*Tc2podemos
obtener una parbola de regresin de mniinos cudrados, etC. Vase Problema 8.39.
En general todas las anotaciones de las pginas 259 a 264 para muestras se amplan fcilmente
a la poblacin. Por ejemplo, el eror tpico de la estima en el caso de la poblacin vi-ene dado en trminos de la varianza y el coeficiente de correlacin por

n.x
que debe compararse con (25), pgna262.

= "'0-

(t s

e')

INTERPRETACION PROBABILISTICA DE LA CORRELACION

De las anotaciones anteriores es lgico que


una medida de qu tan bien una curva de regte
nales. Todas las anotaciones previamente enuncia
la poblacin. Por ejemplo, sig() se determinapor (37), entonces

Eg donde Y."t

g(X) V Y

acin poblacional debe da


ajusta a los datos poblacioen una muestra se-aplican a

i)'l = E[(v - Y"",)'] * E[(Y*t -Y\']

E(Y). Las tres cantidades en (44)

se

Qrr)

llaman las tnriaciones total, no expli-

uda y expliuda respectivamente. Esto conduce a la definicin del coeficiente de cotehcin poblacional p, donde

'

rariacin explicada
variacion

-------------------

total

E(Y*,
El(Y

- if1

Y)rl

(ts

Para el caso lineal, (45) se reduce a (40). Resultados anlogos a (31)-Q$ pueden escribirse para el
caso de una poblacin y regresin lineal. EI resultado (45) tambin se empleapara definir p en l caso

no lineal.

TEORIA MT.'ESTRAL DE LA REGRESION


La ecuacin de regresin y : a I bx se obtiene basados en los datos muestrales. Con frecuencia
estamos interesados en la correspondiente ecuacin de regresin !: q. * pr.paralapoblacindela
cual s9 extrajo la muestra. Los siguientes son algunos ensays relacionados con una-poblacin normal. Para consewar una notacin sencilla seguimos la convencin comn de indiearvalores de las
variables aleatorias muestrales en cambio de las variables aleatorias en s mismas.

1.

Ensayo de la hiptesis 0

b.

Para ensayar la hiptesis de que el coeficiente de regresin p es igual a algn valor especfico b
utilizamos el hecho de que el estadstico

t - B-b
t/n-2
Sy.zl8x
www.tutomundi.com

(40

cAP.8l

267

CURVA DE A'USTE, REGRESION Y COBRELACION

tiene una distribucin de Student con n - 2 grados de libertad. Esto tambin puede utilizase
para hallar intenalos de confianza pua coeficientes de regresin poblacionales de los valores
muestrales. Vanse Problemas 8,43 y 8.44.

2.

Ensayo de hiptesis para valores predichos.


Dentese por lo el valor predicho de y conespondiente i f : ts estimado de la ecucin de regtesin muestral, es decir, lo : a * bxs. Dentese Por Jp el valor predicho de y conespondiente
2, : s para la poblacin. Entonces el estadstico

@o-

t-

a"\{n-2

su.,ffi

Urr

tiene una distribucin de Student con n - 2 grados de libertad. De esta ecuacin se pueden ha'
llar lmites de confianza para valores de poblacin predichos. Vase Problema 8.45.

3.

Ensayo de hiptesis para valores medios predichos.


Dentese por Jo eI valor predicho de y correspondiente o,8 : to estimado de la ecuacin de regresin muestral, es decir, lo = a * bxs. Dentese por p elvalormedb predichodey correspondiente a x = o para la poblacin [esto es, fo = E(YIX = co)]. Entonces el estadstico

(ao-

t-

or\

ru.'\[+Fi;m

@a

tiene una distribucin de Student con n - 2 grados de libertad. De aqu pueden hallarse los
tes de confianza para valores medios poblacionales predichos. Vase Problema 8.46.

lmi

TEORIA MUESTRAL DE CORRELACION


Con frecuencia tenemos que estimar el coeficiente de correlacin poblacional p a partir del coeficiente de correlacin muestral r o ensayar la hiptesis relacionando a p.Para este propsito debemos conocer la distribucin muestral de r. En el caso de que p = O esta distribucin es simtrica y se
puede utiliza un estadstico con distribucin de Student. Para p + Ola distribucin es sesgada. En
ese caso una transformacin debida a Fisher produce un estadstico que aproximadamente tiene una
dishibucin normal. Los ensayos siguientes resumen los procedimientos involucrados.

1.

Ensayo de la hiptesis p

0.

Aqu utilizamos el hecho de que el estadstico

f = rl/n-z

\/fr

tiene distribucin de Student con n

2.

2 grados de libertad. Vanse Problemas 8.47

(+s

y 8.48.

Ensayo de la hiptesis p * 0.
Aqu utilizamos el hecho de que el estadstico

z =*r"(i+) = r.1618"",,(i#J

(50)

aproximadamente tiene una distribucin normal con media y desviacin tpica dadas por

-Zt" /1+p\ :
*, = 1.
(i=/

1'1513

/1+p\
= I
",
o/'
ffi

tos'o(1

(51)

Estos hechos pueden tambin utilizarse para hallar los lmites de confianza para los coeficientes
de correlacin. Vanse Problemas 8.49 y 8.50. La transformacin (60) se llama transformacin
Z de Fish.er.

www.tutomundi.com

268

3.

CURVA DE AJUSTE, REGRESION Y CORRELACION

[cAP. 8

Significado de una diferencia entre coeficientes de conelacion.

rr y tz extrados de muestras de tamaos n1


apreciablemente entre s, calculamos Z, y 22 conespondientes a
y rz utilizando (50). Luego utilizamos el hecho de que el estadstico

Paa determinar si dos coeficientes de correlacin

y nz respetivamente difieren

rt

Zr- Zr-

pzr-2,

(521

ozr-2,

donde
se

ozr-2, =

Itzr-|, = Pzr- lLzr,

nr-

n^ =

nt-3'

nz-B

(53')

disbibuye norma[mente. Vase Problema 8.51.

CORRELACION Y DEPENDENCIA

Si dos variables aleatorias X, Y tienen un coeficiente de correlacin diferente a cero, sabemos


(Teorema 3-15, pgina 82) que son dependientes en el sentido de probabilidad (esto es, su distribucin conjunta no se factoriza en sus distribuciones marginales). Adems, cuando p + O, podemos
utilizar una ecuacin de la forma de (39) pata predecir el valor de Y a partfu del valor de X.
Es importante aclaa que "correlacin" y "dependencia" en el sentido anterior no necesariamente implica una independencia causal diecta de X y Y. Esto se demuestra en los ejemplos siguientes.

EJEMPLO 8.1. Sen X, Y variables aleatoria que representsn eetaturas y pesos de individuos. Aqu hay una independencia directa enre X Y.

EJEMPLO 8.2. Si X representa los slarios anuales de los profesores en tano que Y representa la cantidad de crmenes, eI coeficiente de correlacin puede eer diferene de cero y podramos halla una ecuacin de regreein prediciendo una variable de la otra, Pero diffcilmente diramos que hay interdependencia decta entre X y Y.

Problerna,s resueltos
NECTA DE MINIMOS CUADROS

8.1.

Una recta pasa por los puntos

(xr,

lt ) y ( rr, y, ). Demostrar

U-Ut

que la ecuacin de la recta es

(Ty,)w-.,t

[,a ecuacin de una recta es ! : a * b*. Entonces


ya que (r, yr ) V @2, y2 ) son puntos sobre la recta
tenemoe

yt = a+bn1,

A2

= aibr2

Por tanto
(1)

u-a1 = @*br)-(a+b*t)

- b(r-r-1\

(2\

Uz-Ut - (.a*br)-(a*br1l = b(r2-r1l


Obteniendo que b : (yz - yt)lfz - 11 ) de (2) y
(l
pedido
sustituyendo en

), el resulado

se deduce.

La gfre de la reca .@ se mueetra en la Fig. 8-5.


La consante b : (yz - yt)l@z - r ) es la pen-

diente de la recta.

www.tutomundi.com

2-

trt

8.2.

269

CURVA DE AJUSTE, REGRESION Y CORRELACION

cAP.8l

Tabl 8-1

(c) Construir una recta que se aproxime a los datos


de la Tabla 8-1. (b) Hallar una ecuacin para esta
recta.
(o) Dibujar loe puntos (1,

t),

(3,

2),(4,4\, (6, 4), (8,

6),
(9, 7), (11, 8) y (14, 9) sobre un istema de coordena'
das rectangulares corno se muesha en l Fig. 8-6.

891114

Una rect que se aproxime a los datoc se dibuja a mono


olzada en la figura, Para un mtodo que emine la ne'
eecidad de juicio individual, vee Problema 8'4 que
emplea el mtodo de mfnimos cuadrados.
(b) Para obtener la ecuacin de la recta construida en (o),
escjarrse dos puntoe cualesquiera sobre la recta, tales
como P y 8, por ejemplo. Las coordenadas de etos
puntoa tomadoc de la grfica eon aproximadamente
(0,1 ) y (72,7 .61. Entonces el Problema 8.1

a-r

")t)'6"'

.rA'

.tl'

=ffiO-l,

6 y-l=0.542r U=l+0.642r.

8.3. Derivar

Fig. 8-6

las ecuaciones nonnales (4), pgina 260, para la recta de mnimps cuadrados.

Refirindonoa a la Fig. 8-?. f.os valores de y sobre la,


recta de mnimos cuadrados conespondientes a 11,
12,...rfnSOn

a*bry albr2, ..., albnn


Las dewiciones verticales correapondientes son

dz: albr2-9",
dn = a*bxn-yn

dt = a*br1-yt,

Entonces la suma de loe cuadrados de las dewiaciones e8

a?+ a3+

"'

Fis.

dl = (a4'br-at)z * (a*br2-Uzl2* "'*

>d2 : )(o+br_yz
Esto e una funcin de o y b, es decir, F(a,b) = l(o * br - g2, Una condicin

E-7

(a*bnn-An)2

mfnimo (o un mximo)

es

# = >f,t"*br-y\z =
# = I$r" *br-y)z :
obtenemos

es decir,

necesaria para que esto sea un

que aFlaa = O, aFlab = 0. Ya que

)("+ br-y) 2a = an*b)n

)2(a+br-ul
2zr(a*br-al

)r(o* bx-ul -

2ra = a2r*b2r2

como 8e pedfa. Puede demostrarse que eetas realmente resultan en un mnimo.

8.4. Ajustar una recta de mnimos cuadrados a los datos del Problema 8.2 utilizando a (c) r
variable independiente, (b) como variable dependiente.
www.tutomundi.com

como

CURVA DE AJUSTE, REGRESION Y CORRELACION

(o)

La ecuacin de la recta es

* b.

[cAP.8

ts ecuaciones normalee son

an*b)r

)Y:

a)r*b),sz

2ru:

El trabajo involucrado en el crilculo de las sumas puede ordenarse como ae indica en l Tabla 8-2. Aunque la ltima columna no se necesita para esta parte del problema, se ha agregado a la tabla para emplearla en la parte (b).

Tabl t-2
i

12

nu

I
I

a2

16

16

36

24

l6
l6

64

40

25

81

63

49

I
11

Lzl

88

64

l4

196

t26

81

)r=56

2v=40

2r2 =

Puesto que hay 8 pares de valores de.r, y, n

524

2ry =

364

2a2

266

8 y lias ecuaciones normles se convierten a

8o*56 = 40
56a*524b = 364
Resolviendosimultneamente =il 0.545, b=+ 0,636; yla rectade mnimoecuadradoopedida
es S t + lrx 6 U = 0.546 + 0.636 r. Ntese que esta no es la recta obtenida en el hoblema 8.2 utilizando el mtodo a mano alzadt.

Otro mtodo.

()y)()r2) - ()r)()ry)
(40)(524\ (56X364) 6 a = --lE
= f8-i6 = lt 0'545

g=w

(b)

=qffiffi#l

frao.oso

Si se considera a r como la variable dependiente y a y como la variable independiene, la ecuacin de la


la recta de mnimos cuadrados es : c * dy, las ecuaciones normales son

)c

= cnld)y

2ru = c2y*d2a2
Entonces utilizando la Tabla 8-2, las ecuacionee normales se convieten en

dedonde

c=-* -0.50, d=9 1.50.

8c*40d = 56
40ci256d = 364

Estos valoree tambin pueden obtenerse de

()rx)sz - Ga)(.)ru)
c=ffi==-0.50

d-

www.tutomundi.com

1.60

CURVA DE AJUSTE, REGRESION Y CORRELACION

cAP.8l

Por tanto la ecuacin pedida de la recta de mnimos cuadrados es

Ntese que al solucionar esta ecuacin para y obtenemos y


obtenida en la parte (o).

8.6.

r = 0.60 *

0.333 + 0'667

Representar grficamente las dos rectas obtenidas


en el hoblema 8.4.
Lar grficas de ls dos rectat, y

{.60 +

0.546

0.636,

1.50y, se indican en la Fig.8.E. Ntese quelas


dos rectas en ete caso prcicamente coinciden, lo cual es
un indicacin de que los datos estn muy bien descritos
po una relacin lineal.

1.60 y.

'

que no

ee

=-0.500*1.60y
y=

t2

e,
0.333

0.66?

10

8
6

La recta obtenida en la parte (o ) se llama la recta de regre'


ein de y sobre r y ce utiliza para estimar y para valores
dados de r. La recta obtenida en la parte (b) se llama la
recto de regreein de x eobre y, se utiliza para estimar r

u=

0.546

0.636

6tl012

para valores dados de y.

l mim rect

Fig.8-8

8.6.

(o) Demostrar que las dos rectas de mnimos cuadrados obtenidas en el Problema 8.4 intersectan en el punto (,,). (b) Estimar el valor de y cuando x: L2. (c) Estimar el valor de cuan'
doY: 3'

-2a40
a=T=-=o

Luego el punto (6, ), llamedo el centroide, es (7,6).

(o) El punto (?, 6) se encuentra en la recta U = 0.546 + 0.636 r o, ms exactamente, U = &* Lrrr, pueeto
eue6=*+t(?).Elpunto(?,6)seencuenhasobrelarerfar=-++$y,pueoque7=-*+*(6).
Oto mtodo.

y E=-t+*y.Resolviendoeimultnesmente,ha*+,
= 7 ,! :5. Por anto la rectas se interceptan en el punto (?,5).
(b) Al remplazar x.: L2 en la recta de regresin de y sobre n, U = 0'646 + 0'636(12) = g'Z'
(c) Al remplazary:3 enlarectaderegresinde sobre a, F = -0.60+1.50(3) = {.9.
[secuacionee delaedosrectassona=

llamos

8.7. Demostrar que una recta de mnimos cuadrados siempre pasa por el punto (i,,r.
Caso

1.

es

la variable independiente.

I ecuacin

de la recta de mnimos cuadrados

Una ecuacin normal para la recta

Al dividir ambo lados de

(2 )

es

= o I br
an i D)r
(t) A = a * bn

(f

de mfnimoa cuadrados es (21 2U =

por n

da

Reetando (3) de (I ), la recta de mnimos cuadrados puede escribirse como

a- = b@-n)

Q)

que muestra que la recta pas por el punto (, ti),


Caso

2.

es

la varirrble independiente.

hocediendo como en el co 1 intercambiando r, y; remplazando las constantes o, b por c, d respectiremen'


e, hallamos que la recta de

mfnimos cuadrados puede eecribirs como

(5)

r-

que indica que la recta pasa por el punto (4,

= tllu-l

f).

Ntese que en general, las rectas () V (S) no coinciden, pero e intergectan en (a,fi).

www.tutomundi.com

272

CT'RVA DE AJUSTE, REORESION Y CORRELACION

8.8.

Demostr^ar que la tecta de regresin de mnimos cuadrados de y sobre


forma (8), pgina 260.
Tnemo de

(l),

Problema 8.7

, U - = b(x- t).

puede escribirse en la

De la segunda ecuacin en (5), pdgina 260, tenemos

- ()X)y)
n)z - (2rlz

n2xy

D_

11)

[eAP. g

Entonces

2(r

- tz

2(z-2nr*12)
2r2-22r*2i:z
2r2-2n82 lniz
2s2 - n8z
2r2

)(>x)2

|n2rz - (Ic)z
Tambin

>(r

t)(v

- l

2(rs-i:y-ir*efrl
2ra-2u-2n1'2e
2rU-nE-nfrE*nitfi
2rU

- nE
(IX)z)
- - -;
ru
t

j[n2ra -

(>X>y)]

Por tanto (I ) oe conerte cn

de donde e obtiee el resultado (S ).

8.9.

sean c =

*h, u=u'*k,
h
v-_

Ir

>(z::elfu;al

2(a - ez
demotracin de (12),pdgina 261, re rigue intercambiando

dondeh

yk

r,

y.

son constantes.Demosharque

n2r,y, - (2r,)(2g,1
- (2r)(2r'l=-Ep=Tst
-F-tr-

n2uU

Del Problem 8.8 tenemos

f,
_ = n8ru-(2rl()
n2xz _ (2r)z
Entonces

ti

= t

I h, U -

g,

+ k,tenemos

,,=7+h, u=7+tc
Por anto

- n2r'a' - (2x')(2y'l
n)s'2 - (>,p'12
El resultsdo er til para dessrrolle un camino corto para obtener recte de mfnimo cudrado al eta contanter epropirad de lo valore dadoo de r, y (vae problema g.12).

8.10

Si en el Problema 8.9,

= , h = f, demostrar que

D--i#
www.tutomundi.com

cAF.8l

273

CURVA DE AJUSTE, REGRESION Y CORRELACION

Se deduce inmediatamente del Problema 8.9 ya que

2fr' = l(c-t)

ly' = 6.

y anlogamente

&11

= 2r-n

La Tabla 8-3 muestra las respectivas estaturas lc,y deuna muestra de L2 padres y sus hijos mayores. (c) Construir un diagrama de dispersin. (b) Hallar la recta de regresin de mnimos
cuadrados de y sobre r. (c) Hallar la ecta de regresin de mnimos cuadrados de r sobre y.
Tabla 8-3
Estatura

del padre (pulgadas)

Batua y del hijo (pulgadas)

(o) El diagrama

65 63 67 64 68 62 70 66 68 67 69

7L

68 66 68 65 69 66 68 65 7t 67 68

70

de dispersin se obtiene dibujando los

puntor (r, y ) sobre un sistema de coordenadas rectangulares como se muestra en la Fig. 8-9.

r = _8.88+r.086/___V

72

(b) f,a recta de regresin de y sobre r est dada por


y = a + b*, donde o y b se obtienen resolyiendo
las ecuaciones normales.

./

70
6
!a

9oe

2a'= an * lr
2ra - a2n*b2n2

2?

666

[,ae sumas se muestran en la Tabla 8.4. de modo


que lae ecuaciones normales se convierten en

12o*800:811
800o*63,418b = 64,L07
de donde hallamoe o : 36.82 y b = 0,476, de modo que y :96.82 + O.476x. La grfica de esta

864

62

62

6{

66

6t

?0

72

Estatura del padro (pulgadas)

ecuacin e muesta en la Fig, 8-9.

Fig.

E-9

Tabla E-4
g

t2

t)o

68

4225

4420

4624

63

66

3969

4158

4356

67

68

4489

4566

4624

64

65

4096

4160

4225

68

69

4624

4692

476L

62

66

3844

4092

4356

70

68

4900

4760

4624

66

65

4356

4290

4226

68

7l

4624

4828

6041

67

67

4489

4489

4489

69

68

4761

4692

4624

7L

70

6041

4970

4900

)c = 800

ly=8u

lcz =

63,418

Zny

www.tutomundi.com

54,197

)92 =

64,849

274

CURVA DE AJUSTE, REGRESION Y CORRELACION

lcAP.

Otro mtodo.

I]4ff

"=
(c)

Larectaderegresin

= 85.82, b =

de sobrey viene

dada por

ecuaciones normales

x:c*

ry#

0.4?6

dy,dondecydseobtienensolucionandolas

2a = cntd,2y
2uY = c2Y*d2Y2

Utilizando las sumae en la Tabla 8-4. se convierten en


L2c

-f SLld =

E1lc#54,849d

800
64,L07

delascualeshallamosc:-3,38,d=1.036,asfque:-3.38*1.036y.Iagrficadeestaecuacinse
muestr en la Fig. 8-9.

Otro mtodo.

(>XI=y2l- (lyX>ay)

. -

- 12sz

n2yz

_ _s.g8, = n>r!: (>!)l?nl =


n2a2 - ()y)2

8.12. Solucionar el Problema 8.11 utilizando el mtodo del Problema 8.9.


Rstese un valor apropiado, por ejemplo 68, de r, y ( los nmeros restados de r

1.086

y de y podrfan ser diferen-

tee). Esto nos conduce a la Tabla 8-5.

Tabla 8-5

g'

l'2

t'U'

-2

26

10

16

12

-6

-3
I
-2

36

L2

-2

-3

t)

-1

&

-3
-6

-l

-4
0

-l

)t = -16

2a' = -6

2r'2 = lO6

2rtg'-

2a'2 =

47

4l

De la tabla hallamoe

Tambin ya que &'

n
I

= - 68,

U' --

3l

68 tenemos

(12)!47);
(12X106)

(-16)f;5)

(10)z

r, = - 68, y, = -

0.476

68. Por tanto

=7*68 = -**68
= 66.6?, u =7*68 = -**68 =
IZ-LZ

6?.58

ecuecin de regreein pedida de y sobre x ea a -

= b(u- ), esto ee
a = 36.86 * 0.476u
u - 67.68 = 0.476(n-66.07) 6

de acuerdo con el Problema 8.11, aparte de los enores de redondeo, De una manera anloga podemos obtener l ecuacin de regreain de r sobre y.

www.tutomundi.com

276

CURVA DE AruSTE, REGRESION Y CORRELACION

cAP.8l

ECUACIONES NO LINEALES REDUCIBLES A FORMA LINEAL

8.13. La tabla 8-6 da valores experimentales de la presin P de una masa de gas dada correspondiente a varios valores del volumen V. De acuerdo con los principios de la termodinmica una relacin de la forma PV, = C, donde y y C son constantes, debe existir entre las variables. (c)
Hallar elvalorde y y C.(b) Escribirlasecuacidnes queelacionan aPy V. (c) EstimarPcuando V = 100.0 pulgadas cbicas.
Tabla 8-6

Volumen V (pul3

Presin P (lb/pul2 )
Ya que

PVt =

54.3

61.8

72.4

88.7

118.6

194.0

6r.2

49.5

37.6

28.4

t9.2

10.1

C, tenemos tomando logaritmos de base 10

logP = logC-ylogV
logC
logP*ylogV:
Tomando log I/: x,log P : y, la ltima ecuacin puede escribirse
(r)
U = oibr
donde:logC,b:-'1.
La Tabla 8-? da los valores , y conespondientes a los valores de V, P de Ia Tabla 8-6 y tambin indica los

clculos involucrados en eI cmputo de la recta de mnimos cuadrados (l ).


Las ecuaciones normales qorrespondientes a la recta de mnimos cuadrados

2a = on*)
de las cuales

()y)()rz)-(>rX:gl _
n2"2-1>n\z

(l

) son

2ry - a2r*b2r2
4.20,

, n.2ry - ()rX>u)
6=-ffi;ffiaf'=-1.40

Luego Y = 4.20-l.4Ou.
Tabl 8-7

s = logV

= logP

12

ra

3.0095

3.0997

L.7348

1.7858

1.7910

1.6946

3.2077

3.0350

1.859?

1.6762

3.4685

2.9294

t.9479

1.4533

3.7943

2.8309

2.074L

1.2833

4.3019

2.66L7

2.2878

1.0043

6.2340

2.2976

)r = 11.6953

lu = 8'7975

(o) Puestoqueo=4.20=logCy
(b) Pvt.to = 16,000.
(c) CuandoT=100, r=logV:2
25.1

lb/pulg2.

=-1.40=-y,

)12 =

23.0059

2xa

16.8543

C=1.60X104 y y=1.40.

y y= logP=4.20-1.40(21 =1.40.

Entonces P=antilog1.40=

8.14. Solucionar el Problema 8.13 dibujando los datos en un papel logJog.


Para cada pareja de valoree de la presin P y el volumen V en la Tabla 8-6, obtenemos un punto que se dibuja
en el popel log-log construido especialmente como se muestra en la Fig, 8-10.

www.tutomundi.com

276

CURVA DE AJUSTE, REOBESION Y COBRELACION

l0

3o

'

{0

[cAP.8

, m 60 so r00
Volumen Y

150

'{l

00

t00

Fig.8-r0
Tambin e indica un rectr (dibujada a mano alzada) que re aprorima a eeto puntos. Ir grifflca reultte
muerb que hay una relacin lieal entre log P y log V que puede repreeentarre por l ecucin

logP - o*blogV

g = o*bn

Ie pendiente D, que er negatlva en ete ce!o, re de numricrnente por l relacin-de la longitud AB a le longitud AC. [ medida en este eo indica que D = -1.4.
Paa obtener e neceit un punto sobre

l recta. Por ejemplo cuado

V:

100,

P:

26 de la glfic. Enton-

ce8

a = logP-log7 = lo926*1.4 los100 = l.a*(1.a)(2) =


de modo que

logP* 1.4 logV = 4.2, logPTlle - 4.2, y

PVtl =

4.2

16O00

PARABOLA DE MINIMOS CUAI)BAI)OS


E.16. Deriva las ecuaciones nomales (I9), prigina 261, para la parbola de mnimos cudradoo.

= a*ba*crz

Sen lo puntos muetalec (aIttl, (r*uzl, .. ., (nn,!nl. Entoncee lo veloree de y obe


moc crdrdor cotrecrondieatet a a1, e2, . . .1rn on

olbrlcu!,
Por tnto

l devircionee de.Ut

U2, . .

dt = qtbxIc,?"-al'

albn2*ct/,

l pabol

of bur*wl

. U ertfa dadar por

dc

= o*bu21-c-!2, ...) d^ = o*c"lorl-t^

y lrr ruma de lo cuadrado de le deviacionee eot dada por

)t = )(o+ bxlca2-t)1
www.tutomundi.com

de mfni-

cAP.8l

CURVA DE AUsTE, REGRESION Y CORRELACION

Et

ec

277

funcin de o, b, c, e decir

F(o,b,cl = )(o I

bx

cx2

U)z

Para minimizar esta funcin debemo tener

a^F^a'^dF

Ti=o' ;t=o' *=o


Enonces

# = ),o3to*c*cr2-a)2 = )2(o+br*crr-a)
dF

od

k = )*a{o*br]-cnz-u)2 = 2Zr(a*brtc2-a)
aF
:d,
? = )f,t"+ bx-tcr2-a\2 = )2rz1a*bnlcrz-a)
Al eimpficar cada un de eeta

igualndola a cero 8e obtienen la ecuacionee

BurnaE e

8.16. Ajustar una parbola de mnimos cuadrados de la forma !

a I bx

(I9), pgin 261.

cr2

a los datos de la

Tabla 8-8.

Tbb

[s

1.2

4.6 5.9 7.0 7.8 7.2 6.8 4.6

1.8

D.'

4.9

3.1

8.6

7.7

9.8
2.7

ecuacionec normales son

2A = an*I*c2n2

2ry = o)*b2r9*c2rs
2n2a = o,2r2]- lcs*clra

(r)

H trabajn involucrado

en computa la uma puede ordenarce qomo 8e mueha en la Tabla 8-9.

Tabl
u

1.2
1.8

xy

rzy

12

n3

4.5

1.44

1.73

2.08

6.40

6.48

6.9

3.24

5.83

10.49

10.62

19.12

14

3.1

7.0

9.61

29.75

92.36

21.70

67.27

4.9

?.8

24.OI

117.65

5?6.4E

38.22

r87.28

5.7

7.2

32.49

185.19

1065.58

4t.04

233.93

7.1

6.8

60.41

36?.91

254t.L6

48.28

342.79

8.6

4.6

73.96

636.06

6470.t2

38.70

s32.82

9.8

2.7

96.04

941.19

26.46

259.8r

I=

)u=

42.2

46.4

Puecto que n

(2)
Reolviendo, o
cin

Ic3 =

291.20

2276.36

2r2

9223.66

2ua

18,971.92

Zxu

230.42

2n2g

1449.00

= 8, lar ecurcior normler (I ) rc convierten en


8a I 42.2b + 291.20 c = 48.1
12.2a*2SL.2Ob+2275.36c = 230.42
291.20 o + 2276.360 + 18971.92c : 1449.00
2.688, b

2.066, c =

{).2110 ar la parbola

, =

2.588

2.065

de mfnimoq cuadrado pedida tiene

t - O.2ll0rt

www.tutomundi.com

ecr-

278

CURVA DE AJUSTE, REGRESION Y CORRELACION

8.17. Utilizar

la.

lcAP.8

parbola de mnimos cuadrados del Problema 8.16 para estimarlos valores de y de

los valores dados de

r.

Pata r = 1.2, Ue" = 2.588 + 2.065(1.2) - 0.2110(I.2)2 = 4.762. Anlogamente se obtienen otros valores estimados. [.os resultados se muestran en la Tbbla 8-10 junto con los valores reales de y.

Tabl 8-10
Uest

4.762

5.621

6.962

7.640

7.503

6.613

4.741

2.56L

4.5

5.9

7.0

7.8

7.2

6.8

4.5

2.7

REGRESION MULTIPLE

8.18

r, y por medio de una ecuacin de regresin de


a ! bx * cy. Demostrar que la ecuacin de regresin de mnimos cuadrados se
obtiene al determinar a, b, c de modo que satisfaga (21,), pgna 262.
Se desea estimar una variable z de las variables

la forma z

Sean los puntos muestrales (ryUyzr), ..., (n,Un,zn\, Entonces los valores de z sobre el plano de regresin
de mnimos cuadrados correspondientes a (r1, all, , . ., (rn,An) son respectivamene

a*br1*ey

a*bnr*cyn

Por tanto las desviaciones de z, . . ., z, vienen dadas por

dt = a*

br1

* cUt- zt,

dn = a* bnr* cUr- z

y la suma de los cuadrados de las desviacionee est dada por

2d2 = 2(a* br I

cy

zz

Considerando esto como funcin de o, b, c e igualando las derivadas parciales con respecto za, b y c a cero,
las ecuaciones normales pedidas (21) en la pgina 262 se obtienen,

8.19. La Tabla 8-11 muestra los pesos z ala libra ms cercana, las estaturas x, ala pulgada ms cercana y las edades y al ao ms cercano de 12 muchachos. (c) Hallar la ecuacin de regresin
de mnimos cuadrados de z sobre x, y. (b) Determina los valores estimados de e de los valores dados de r, y. (c) Estimar el peso de un muchacho de 9 aos y 54 pulgadas de estatura.
Tabla 8-11
Peso (z)

64

7l

53

67

DO

77

DI

56

51

76

68

Esatura (z)

ol

59

49

62

5l

50

DD

48

52

42

61

ol

l0

11

10

10

t2

Edad (s)

(a) La ecuacin

de regresin lineal de z sobre

r, y puede escribirse

z:

albnlcy

Las ecuaciones normales (21),pgina 262, vienen dadas por

(f)

2z = na*b2r*c2y
2rz : a2a * b2r2 * c2rg
2gz : a2y * b2rg -f c2yz

El trabajo involucrdo en computar las sumas puede otdenarse como se indica en la Tabla 8-12.

www.tutomundi.com

cAP.8l

CTRVA DE AruSTE, REGRESION Y CORRELACION


Tabla t-12
uz

uz

nu

64

3648

5t2

466

3481

100

4189

710

690

2401

36

2697

318

254

3844

Lzl

4L64

787

682
408

z.

12

4096

3249

59

10

5041

53

49

2809

67

62

11

4489

fi

64

Df

7l

y2

OD

51

3026

2601

64

2805

440

58

60

3364

2500

49

2900

406

:t50

77

oo

10

6929

3026

100

4296

770

60

67

48

3249

2304

81

2756

613

492

66

62

10

3136

2704

100

2St2

660

620

2t42

306

262

4686

912

732

8876

6L2

618

2rz =

2yz =

2uy =

40,830

6796

61

42

2601

t764

36

76

61

t2

6776

3721

t44

68

8245

4624

67

2z=

)c=

)?=

222

?53

643

106

48,139

2a2

81

2az =

9?6

34,843

6779

Utilizando esta tabla, las ecuaciones normales (I ) ee convieren en

l2a1-643b *106c
(2)

643

34,8436

106o*67?9b+976o
Rerolviendo, a

= 3.6612, = 0.8646, c =

(t)
(b

769

6779c

40,880

6796

1.6068, la ecuacin de regrerin pedida es

z = 3.66+0.865r+1.606u

Utilizando la ecucin de regrecin (3) obtenemos log valores egtimados de z, denoado8 pot

zesb al susti-

tui los valores correspondientes de x, y, r,e resultado e dan en la Tabla 8-18 junto con lo

valoreg

mueshaleg de z.

Tabl 8-13
2est
2

(c)

64.4t4 69.136 64.664 78.206 69.286 66.926 66.7r7 68.225 68.168 48.682 ?8.86? 65.920
64

Remplazando

7l

: 54,! :

63

67

DD

67

77

68

9 en (3), el peeo estimado es zest

61

66

68

76

63.356, o aprorimadamente 63 lb.

ERROR TIPICO DE LA ESTIMA

8.20. Si la recta de regtesin de mnimos cuadrados de y sobre


que el error tpico de la estima sy. st dado por

s'?v., =

2a'-

a2g
n

r viene dada por ! :

2(a-a."r)2

2fu-o-brlz

2afu

o.2(U-

-a.-brl -

b*,

b2rY

Loe valoreg de y ectimadoa a partir de la recta de regrerin viene'r dados

^,
=.r=n=

por

Ueet

= @ * . Entonces

o-bu) - b2r(u -a-br)

fl

www.tutomundi.com

demos-

280

CURvA DE AJUSTE, REGREsIoN Y coRRELAcIoN

2(A-a-bn) - 2y-an-Ir
= 0
2r(a-a-br) - 2na-o,2r-b2rz =

Pero

lcAP.

pueso que de las ecuaciones normales

2A = on * )c

2ru - a2r *

s., = 2a@-a-bt\
nll

Entonces

b2u2

2a2-a2a-b2ra

Este esultado puede extendere a ecuaciones de regresin no lineal.

8.21. Demostrar que el resultado del Problema 8.2O puede escribirse como
2(a

^z
u.

- )'-

b)(c
n

)(u

'l

Mtodo 1.

Si

= r' *

A, g = A'+ . Entonce del hoblema 8.20

N3' = 2u2-o'2a-b2xy
= 2(a' + )2 - o2(g' * fil - b2(r' * l@' * l
= 2(y'2*2ytfi*z - a(2U,*n') - b2(r,y, I yt * r,!* e!\
= 2a'2 + 2y29' * n2 - ana - b2r'g' - bt2y' - bi2r' - bn!
= 2U'2 + n2 - an - b2t'g' - bn,
= 2u'2 - b2rtgt * n( - o- bl
= 2O'' - b2r'Y'
= 2(a - a)2 - )(a - al@ - l
donde hemooutilizadoloreultedot2r'=0, 2u'=0 y = o*bt (que re deducen aldidiramboslado
de

ecuacin normal 2A

an

* b)r

por n. Erto demueetra el resultado pedido.

Mtodo 2.
Sabemo que la recta de regreein puede eecribiroe oomo

/ - = b(r - ), que corteeponde a empezar con


l--o+bryremplazando:oporcero,UpotA-,xpot-.CuandoeehacenestoeremplazoenelPro-

blem 8.20 se obtiene el reultdo pedido.

E.22. Catcular el error tpico de la estima

8.2 par

los datos del Problema 8.11.

Del hoblema 8.11(b ) la recta de regresin de y cobre x ea ! : 36.2 + O,47 6r. En la Tbbla 8-14 ee listan los
valores reales de y (de la Tabla 8-3) y los valorec estimado de y, denotados por lresr, como se obtienen de la
recta de regresin. Por ejemplo, cotrespondiendo a = 65 tenemotgest:36.82 + 0.476(66) : 66.76.
Tambin e indican lor valorea y

Uest,

ge e neceaitan para el clculo de oy.r.

Tabl t.14

65

63

67

64

68

62

70

66

68

67

69

7l

68

66

68

66

69

66

68

65

7l

67

68

70

Uesl

66.76

65.81

67.7L

66.28

68.19

66.33

69.14

67.24

68.19

67.71

68.66

69.62

L.24

0.19

0.29

-1.28

0.81

0.6?

-1.14 -2.24

2.81

-0.71

-0.66

0.38

Aest

>(u-u.")z
=
"1."
y 8t.x = lTiltr= 1.28 pulgadac.

(1.24)2+(0.r9)z:l-...+(0.98)2

www.tutomundi.com

12

L64z

28L

CURVA DE AJUSTE, REGRESION Y CORRELACION

cAP. 8l

8.23. () Construir dos rectas paralelas a la recta de regresin del Problema 8.11 a una distancia vertical sy.,. (b) Determinar el porcentaje de puntos de datos que se encuentren enhe estas dos
rectas.
recta de regresin y : 35.82 * 0.476 obtenida en el hoblema 8.11 se muestra slida en la
Fig. 8-11. Las dos rectas paralelas, cada una a
una distancia vertical su., = 1.28 (vase hoblema 8.22), se muestrana trazos en la Fig. 8-11.

(o) ta

(b) De la figura se ve que de los 12 puntos

'tz

?0

de datos,

7 se encuentran entre las rectas en tanto que

66

parecen estar sobre las rectas. Uir examen poste-

rior utilizando el ltimo rengln en la Tabla


8-14 revela que 2 de estos 3 puntos se encuentran entre lasiectas. Entonces el porcentaje pedido es 9lL2: 7 5%.

66

6l

Otro mtodo,
Del ltimo rengln de la Tabla 8-14, y-gfo", se
encentra entre -1.28 y 1,28 (es decir, ts,,)

62

para 9 puntos (, y). Entonces el porcentaje pedido es 9l12 : 7 5d,,.


Si los puntos estn distribuidos normalmente respecto a la recta de regresin, la teora predice que alrededor
d,el 6812 de los puntos se encuentra entre las rectas. Este hubiera sido el caso aproximado si el tamao fuera
ms grande.

NOTA: Una mejor estima del error tfpico de Ia estima de la poblacin de la cual
so., = tpiLo (1.28) = 1.40 pulgadas.
ne dada por 6r., = 1/@

se

tomaron las estaturas vie-

COEFICIENTE DE CORRELACION LINEAL

8.24. Demostrar que >(g


Elevando al cuadrado

A"'r)'* 2(U*r- A)'.


Il - [t = (y - y""t) * (Uost - g) sumando, tenemos
2(u-)2 - )(y-uu.t)2* )(yn"t-)2+ z>fu- un"J(v.,t-ti)

A)"

2(A

El resultado pedido se deduce si podemos mostrar que la ltima suma

es cero. En el caso de regresin

lineal

este es eI caso, ya que

)(v

Y'"')(v"

"r

- a) =

:y,; :: :;:: ;::;,:'-

- brt -

>@

bn)

=Q
puesto que de las ecuaciones normales 2(a

- a-

bn)

= 0, 2r(u - a-bxl =

Q.

Anlogamente puede demostrarse que el resultado es vlido para regresin no lineal utilizando una curva de
mnimos cuadrados dada por Aes = ao* ap t a2r2 I " ' * a,nrr,

8.25. Calcular (a) la variacin explicada, (b) la variacin no explicada y (c) la variacin total para
los datos del Problema 8.11.

: 67 .58 del Problema 8.12 (o de la Tbbla 8-4, ya qve


la Thbla 8-14 podemos construir la Tabla 8-15,

Tenemos
Uest de

: 8]-LlL2:

67.58). Utilizando los valores

Tabla,S-15
Uest

-0.82

(a) Variacin explicada

(b) Variacin no explicada

-t.77

0.13

-1.30

0.61

-2.25

1.56

-0.34

0.61

-)2 = (-0.82z+.'. + (2.0tz - rn.rr.


= )(U - U""t)2 - ne?., = 19.?0, del Problema 8.22.
)(U".r

www.tutomundi.com

0.13

1.08

2.04

282

CURVA DE AJUSTE, REGRESION Y CORRELACION

(c)

lcAP.8

Variacin total : 2(a - A)z = 19.22 + 19.70 = 38.92, del Problema 8.24,
Los resultados (b) y (c) pueden obtenerse por clculo diecto de la suma de los cuadrados.

8.26. Halla (o) el coeficiente de determinacin y (b) el coeficiente de correlacin paa los datos del
Problema 8.11. Utiliza los resultados del Problema 8.25.
(a) coeficientededetermiracin =

t = '1Hi1if*1"io" =m=

0.4e88.

(D) coeficiente de conelacin = r : tV7d58- = !0.7027.


Puesto que la varirable yn", aumenta a medida que r aumenta, la conelacin ec poeitiva y por tanto escri: O.7027 o con dos cifrar significativas r : 0,?0.

bimo r

8.27. A partir del resultado general (30), prgina263, para el coeficiente de conelacin, derivarel
resultado (34), pgina 264, (la frmula producto momento), en el caso de regresin lineal.
La reca de regreein de mnimos cuadrado de y sobrer puedeescribfuse 1lest=
b

= 2r,A,l2at2,

trt

=r-

E,

Ulst

= U.s- f. Entoncee, utilizando

&*br 6 Ulr=

bx,,donde

= y -f, tenemoa

A,

variacin explicada
vaiacin no explicada

2=

2b2r,z b22r,2 /?r,o,y /rorl


= EP= EF- = \E/ \r.) =
asr--*2r'a'

(2x,y,)z

ffi

\/trW

Sin embargo, puesto que la'gt'es positiva cuando 3/ss autnent a medida que r aumenta, pero negativa cuando /est disminuye a medida que r.aumenta, la expresin para r tiene automticamente el signo coneco asociado. Por tanto se sigue el reeultado pedido.

E.28. Utilizando la frmula producto-momento, obtener el coeficiente de correlacin lineal para los
datos del Problema 8.11.

El trabajo involucrado en la computacin puede organizarse como

se

indica en la Tabla 8-16. Entonces

2r'a'

40.34

\/G;4F7q

/i84s8)?58-3t

0.7027

de acuerdo con el Problema 8.26(b).

Tabla E-16

,,-0v
t'.'

il

'l

,[bb

tt

, ,',))'
l) n'\
\)
'\il t'
j

r-t

65

68

63

66

67

68

B4

66

68

69

62

66

70

68

66

66

68

7l

67

67

0.3

69

68

2.3

7t

70

4.3

) = 800
i,:800/lZ
= 66.7

a'=

a-v

u'a'

a'2
0.16
2.66

0.4

2.89

-0.68

-3.7

-1.6

13.69

5.92

0.3

0.4

0.09

0.L2

-2.7

-2.6

7.29

7.02

1.3

L.4

1.69

1.82

1.96

-4.7

-1.6

22.09

7.62

2.66

3.3

0.4

10.89

1.32

0.16

-0.7

-2.6

0.49

1.82

6.76

1.3

3.4

1.69

4.42

11.56

-0.6

0.09

-0.18

0.36

0.4

5.29

0.92

2.4

18.49

10.32

0.16
o. o

2rt2 =

2trtg'=

2a'2 =

84.68

40.34

38.92

-t.7

)y = 811
a = 8LUl2

tr'2

67.6

www.tutomundi.com

'

0.16
6.76

cAP.8l

CURVA DE A.TUSTE, REGRESION Y CORRELACION

288

8.29. Demostrar el resultado (17), pgrna 261.


[,a recta de regresin de y aobre r es

u=olbx
Anlogamente, la recta de regresin de

sobre y er

=a*ilu

Entonces

donde A=?I,

bt

donde =?

1g) =
= 1g\
\c"/\oy./

8y

rz

8.30. Utilizar el resultado del hoblema 8.29 para halla el coeficiente de correlacin lineal para los
datos del hoblema 8.11.
Del Problema 8.11 (b) y 8.11(c) respectivamente
484
'
=10fr=0.476

Enroncec

rz =

bd,

d=ffi

| gl\/e\ 6
-=(iiot/\al/
'

=1.036

=o'7o27

que est de acuerdo con lo Problemae 8.26(D) y 8.28.

8.31. Demostrar que el coeficiente de correlacin lineal viene dado por


f=
En el hoblema 8.27 ee demoetr que

(r)

Pero

Puesto que

= -4={@4

>(x-el(a-il = 2(ra-Da-s*el = 2uU-e2A-fr2ntnD!


= 2ru-n-nfro-lnn! = 2rg-nDfi
2xt - (>aXIY)
= --E
n
:E

= (2rlln V' = (2Alln"

Arlogamente,

2(a-nlz = 2(rz-2rt*r2) = 2s2 - 22r 4 ntz


(2112
2(2nl' ()r)2
= 2rz = 2r2 - nnn*

r(a-z = 2a2

.>IY

Entonces (I ) ee convierte en

r :

w@

:
www.tutomundi.com

n2rA-(2r'l(2A)

284

CURVA DE AJUSTE, REGRESION Y CORBELACION

[cAP.

8.32. Ubtlizar la frmula del Problema 8.31 para obtener el coeficiente de correlacin lineal para los
datos del Problema 8.11.
De la Tabla 8-4

n2ru

r=

- ()X)z)

(r2)(54,L071

(8oo)(811)

0.7027

como en los Poblemas 8.26(b), 8.2g y g.30.

COEFICIENTE DE CORRELACION GENERALTZADO

8.33. (c) Hallar el coeficiente de correlacin lineal entre las variables r,

I del Problema 8.16. (b)


Hallar el coeficiente de correlacin no lineal entre estas variables, supniendo la relacin parablica obtenida en eI Problema 8.16. (c) Explicar la diferencia entre los coeficientes de correlacin obtenidos en (c) y (b). (d) Qu porcentaje de la variacin total permanece como no
explicada por la suposicin de la relacii.n parablic a entre x, y?
(a

Utilizando los clculos de la Tabla 8-9 y agregando que 2tt2

n2ru

r=

(b) De Ia Tabla

8-9,

290.62, hallamos

()X)r)

(8X230.42)
[(8)(2e1.20)

(42.21(46.4',)

(42.2)r][(8X2e0.52)

(40.nzi

i = (2U)/n = (46.4)/8 = 5.80. Entonces


variacin total = 2(A - ilz =

De la Tabla 8-10

-0.3?43

21.4O

= l(g""t-Al2 = 2l.Oz
variacin explicada ,1 ,
y
r =0'9911
var6ei;;tal =ffi=0'9822
variacin explicada

Por tanto

(c)

t-=

El hecho de que la parte (a) muestra un coeficiene de correlacin de solo 4,3743 indica prcticamente
ninguna relacin lineal entre r, y, Sin embargo, hay una muy buena relacin no lineal dada por la parbola del hoblema 8.16, como lo indica el hecho de que el coeficiente de conelacin en (b) est muy
cercano a 1.
variacin no explicada
vaiacin total

(d)

= l-r2

= L-0.9922 =

0.01?g

Por tanto 7.78%de la variacin total permanece no explicada, Esto puede deberse a fluctuaciones aleatorias o a una variable adicional que no se ha considerado,

8.34. Hallar (a) s, y (b) sr., paralos datos del Problema 8.16.
(o) Del Problema 8.33 (b), 2(A - )2 = 21.40. Entonces la desviacin tpica de y es
8u=

()

2(u

\2

21.40
8

1.636

1.64

Primer mtodo.

Utilizando (a) y el Problema 8.33 (b), el error tpico de la estima de y sobre

B!."

= ss\/T=F =

1.636y'i-(0.99r1)2

www.tutomundi.com

0.218

es

o.2z

286

CURVA DE AJUSTE. REGRESION Y CORRELACION

cAP.8l
Segundo mtodo.

Utilizando el Problema 8.33'


variacin no explicada

0.218

0.22

Tercer modo.

Utilizando el Problema 8.16 y el clculo adicional 2gz


8y.a =

299.52, tenemos

2a2-a2a-b2ra-c2n2a

0.218

0.22

8.35. Explicar crno determinaa un coeficiente de correlacin mltiple para las variables en el
Problema 8.19.
y.
Ya que z se determina de , y estamos interesados en el coeficiente de corelaen mltiple de z sobre x,
que
Para obtenerlo, vemos del Problema 8.19

Variacin no explicada

2(z

zo"tl2

(64-64.4L4\2

+ "'+(68-65'920)2 =

258.88

2(z-2\2 - 222-n22
- L2(62.76)z = 888'26

Vaiacin total

48,139

Variacin explicada
Enonces

888.25

258.88

629.37

Coeficiente de correlacin mltiple de z sobre x, y

I va;l'ciexptat-= @ "" = 0'8418


= thffia
!ffi
Debe mencionarse que si furamos a considera la regresin de
eobre y, z gera en general diferente del valor anterior.

sobre y, z, el coeficiente de correlacin de

CORRELACION GRADUAL

8.36. Derivar la frmula de correlacin gradual de Spearman (36), pgna 264.


Aqu estamos considerando n valores de r (por ejemplo pesos) y n valores correspondientes de y (por ejem- pl; esbturas). Sea rr: el grado dado al j{simo valor de x, ! el grado dado al j'simo valor de y ' [,os grados son
enteros de 1 a n. [ media de r; ss
t+2+.-.*n
@l_ryz n*l
En

mientras que la varianza es

sf, = 12-82

12+22*... *n2
n

n(n*r)(2n*11/6
2

n2-l
t2
utilizando los reeultados 1 y 2 del Apndice A. Anlogamene, la media ylavarianzasf sonigualesa(n
l)12 y (n2 L)ll2 respectivamente.

Entonces si d : r i - I i son las desviaciones entre las graduaciones, la varianza de las desviaciones,
dada en trrninos de e2r, al y el coeficiente de correlacin entre grados por

a3: s?+r?-2rsads"sv
www.tutomundi.com

s2,

viene

286

cuRvA DE AJUsrE, REeRESIoN y coRRELAcIoN

lcAP.

Entoncee

(r)

eZ+sT-af;

fgrad =

heco que 7 =

0,

tor
\-"rttd-

"3

(l

e,rz)/n y

) ge

@2

%.s"

convierte en
7')/12

6>d2
- l\ltZ - (2d2)/n= -L-nfu2]

(nz

8.37. La Tabla 8-17 muesta cmo l0 estudiantes fueron clasificados segn su rendimiento en el laboratorlo y en teora de un curso de biologa. Hallar el coeficiente de correlacin gradual.
Tabla 8-17
Laboratorio
Teorfa

8 3I2
9510

7 r0 4 615
1873426

La diferencia de puntuaciones d en laboratorio y teorfa para cada estudiante se da en la tabla siguiente. Tbmbin se incluyen dz y 2dz.
Tabla 8-18
Diferencias de puntuacionee, d

-1 -2 -1

d2

Entonces

rgrad=

t-#!T

1-1
I

2-L

= t-ir#?u

-1
1

2d,2

24

0.8s45

indicando que hay una relacin entre el rendimiento en laboratorio y teorfa,

8.38. Calcular el coeficiente de correlacin gradual para los datos del Problema 8.11 y compararfos
rezultados con el coeficiente de correlacin obtenido por otros mtodos.

ordenadas en forma acendene de magnitud, las estatura de los padres eon

(r)

62, 63, 64, 66, 66, 6?, 6?, 69, 69, 69, 70,

71

Puesto que en esta ordenacin loe lugares sexto y r*ptimo represenan la misma estatura (6? pulgadas), le.c
asignamos a estos doe lugares un orden medo de 6.6. Anlogamente, a los lugares 8 y 9 ae les asigna el orden
8.6, As, a las etatura de loe padres ee les aaigna los rdenes

(2)

l,

2, 3, 4, 6, 6.5, 6.5, 9.5, 9.5, 10, 11,

12

De igual forma, lac estauras de loe hijos ordenadas en gentido creciente son

(3)

66, 66, 66, 66, 67, 69, 6g, 69, 6g, 69, 70, 7l

y puesto que los lugares 6, ?, 8 y 9 repreeentan la migma estatura (68 pulgadas), les asignamo w orden meg
[(6 + z + + 9) / 4 . por tanto las estatuas de los hijos quedan ordenadas

dio de 7 .5

1.6, 1.6, 3.6, 3.6, 6,7.6,7.6, 7.6,7.5, 10, 11, 1

Con las correspondencias

(t) y (2),(J) y (4), la Tabla

8-B se

convierte en

Tabla E-19
Graduacin del padre
Graduacin del hijo

4 2 6.6 3 8.6 1 11 6 8.66.6 10 t2


7.6 3.6 7.6 1.6 10 3.6 7.6 1.6 t2 5 7.6 11
www.tutomundi.com

CURVA DE AJUSTE, REGRESION Y CORRELACION

cAP.8l

diferencia en graduacionec d, los cmputos de d2 y

)d

se

muetran en la Tabla

8-20.

20.

Tabla 8-20

-3.5 -1.6 -1.0 1.5 -1.5 -2.6 3.5 3.6 -3.5 1.6 2.6 1.0
12.25 2.25 1.00 2.25 2.25 6.26 L2.26 L2.26 12.25 2.26 6.26 1.00
d

rgrad

Entonces

,-ffi!\

= t-#!T:

que concuerda muy bien con el valor r

= 0.7027 obtenido

2iP =
72.60

0.?466

en el Problema 8.26(b).

INTERPRETACION PROBABILISTICA DE REGRESION Y CORRELACION

8.39. Derivar (39) a partir de (37).


, Suponga que la ecuacin de regresin

es

! = E(YlX=r) = a*Fr
Para la recta de regresin de

E{lY (a+

mnimos cuadrados debemos considera

= E{I(Y - pvl - P(X - px) * (pv - Px- dlz}


= El(y -pv)21 + BzEl(X-r.}j'2l- zBEl(X-pi(Y -,v)l + Gv-Ft'x-o)2
= "? * F2oI - 2Boyy r (py - Fpx- 2
E(X - px) - 0, E(Y - rv) = 0.

px)12}

bor"-or utilizado

Denotando la ltima expresin por F(c, p) tenemos

AF
u =

dF

-2(pv

- Fpx- ol, E =

zBoi

2oxv

2px(pv

- 9px- "l

Igualando estas ecuaciones a cero, lo cud es una condicin necesaia para que F(q,F) sea un mnimo, halla-

mos
Por tanto si g

tv = ol Ftx
- a* pr entonces A -

Fy

= p(r -

Fok

o*v

r,a)

a-tly="4tr-u*)
A-Py
-

/'- px\
^t
u\ox)
|

Debe notarse la semejanza de la demostraein anterior para- poblaciones, utilizando esperanzas, con la correspondiente para muestras, utilizando sumas. En general, los resultados para muestras tienen resultados anlogos para poblaciones e inversamene.

8.40. La funcin de densidad conjunta de las variables aleatorias X, Y es

| f;(r+2y) 0<n<7,0=Y<L

l\r'a) :

{o

deotraforma

Hallar la curva de regtesin de (c) Y sobre X, (b) X sobre Y.


(a

La funcin de densidad marginal de X es

f{r)

[; lo+zoa, = f,o*t

www.tutomundi.com

288

cuBvA

y CORBELACION

DE AJUSIE, REORESION

[CAp. 8

par 0 r=1, y f{rl =0 deotraforma,Portanto,para 0 r<l,ladensidadcondicionaldeYd.


=
daXe
rz(utat

ssYsr
y<o 6 y>r

W = {X
[o

y la curva de regreain de Y sobre X est dada por

a - E(ylx=r\ = fl.ufr{ulOaa
('/"+zy\.
3,*4
Jra\"+1"v = 6'+6
Ni fz (yl*), ni la curva de regreein estn definidas para

(b)

Para 0

= y < I la funcin

de denidad marginal de

fztu)
Por tanto, para O

1.

yes

fo'!@+zula,

= y S L,la densidad condicional

de

= |tr*nr

dada Yes

t.

frotu\

ffi

= )';+# o='=1
L0

r<O r>.t

y la curva de regresin de X solre If viene dada por

t, =

E(x I y

= = tl-

rf ,t"lul a,

,'"(?i#)*
fi (ly), ni la curva de regresin se definen

) 1.
Nteequelaadoscurvasderegresin"=(3r+4llrcx*6),*:12*6y)/(3+12y)eondiferente.
l.I

8.41.

Hallar (a)

(a)
()

X, (qY,

@l

"?,

(d) o?, (e)

para y

0y

o*r, (D p paraladistribucindelProblema8.4O.

x = ,'=, J:'=, "l?o + zutlar ay = I


-'l
4r f-o
J,=o J"=ooLi<"+zYlfdrdY
rr

i:

= ill

fr = f,'=o.f"'=o",13r"+zvfanav = #
Entonces

(dl
Entonceo

ofi

= z-*z = *-(3)'= #

F = f,'=o "'=o o,lla +zut)an ay = t


ofr = F-tz = _(i*)' =
#
www.tutomundi.com

289

CURVA DE AJUSTE, REGRESION Y CORRELACION

cAP. 8l

xY =

(e)

,xY

Entonces

,'=o "'=o,o1f,o+zul)arav

n-x

oxY

*-(s)(i*)

-l/162

oxoy

,nfi162\/28/Bz4

=1
3

162

-0.0818

Ntese que el coeficiente de correlacin lineal es pequeo Fsto es de esperarse al observar las rectas de
regresin de mnimos cuadrados obtenidos en el Problema 8.42.

8.42. Escribir las rectas de regresin de mnimos cuadrados de (a) Y sobre X, (b) X sobre Y para el
Problema 8.40.

()

La recta de regresin de Y sobre X

-i :

= , (+)

es +
oXY
"+@
,-

(b) La recta de regresin de- X sobre Y es

q\
11 -,'lW\"
r
I
-..
x)

=
- -l/162/- - t I
a- r8fl

u-X =
'\"('-i\
sX
av

r- = -#(r-#)

r-i( =$<a-rt
oi

TEORIA MUESTRAL DE LA REGRESION N


E.43. En el Problema 8.11 se hall que la ecuacin de regresin de y sobre x eray: 35.82 + O.476x.
Ensayar la hiptgsis al nivel d-e significacin del O.Of Ae que el coeficiente de regtesin de la
ecuacin de regtesin poblacional es tan bajo como 0.180.
0.476- 0'19916=
B-b
=
t=r;lrv1l_z=-.2U'L66
ya que eo.r: L.28 (calculcda en el Problem a 8.22)y

ot :
". = {"- -

1.9b

2.66 del Problema 8'11'

Con un ensayo unilateral de Ia flistribucirin de Student a un nivel 0,05 rechazaramos Ia hiptesis de que el
coeficiente es tan bajo como 0.180 si ) .e5: 1.81 para L2 - 2 : 10 grados de libertad. Por tanto no podemos rechazar la hiPtesis.

8.44. Hallar los lmites de confianza del 95', para el coeficiente de regresin del Problema 8.43.
F
' = b-+f+)

\4\82 I

para 12

Loslmitesdeconfianzadcl 95?iparap(obteni.losaleolocar

- 2 = l0 grados de libertad)
h

es decir, se est en la

t=lt,szs=!2.23

vienen dados por

= 0.4?6 t Vlo\'
ryHt\ = 0.47G :t
' +('!!)
t/tz- 2\ t" /

o.B4o

confianza del 95% de que 6 se encuentra entre 0.136 y 0.8I 6.

8.45. En eI Problema 8.11, hallar los lmites de confianza d-ei 95'7, rara ias estaturas
yos padres tienen unas estaturas de (o) 65.0 y lb) 70.0 pulgadas'
puesto qu t

s7;:2.2g para 12 - 2:

LO grados de

r/o t

libertad,los I:rites de conftanza del

r---

de los hijos cu-

95oy' para

..--

--j:lq--,,,,, 1/ ,, .
Y
ltr-2
donde 37e : 85.82 + 0.4?6 r6 (Problema 8.11). sr.r: L.28, sx: 2.66 (Problema 8.43)' y n: !2
1

www.tutomundi.com

yp son

290

CURVA DE AJUSTE, REGRESION Y CORRELACION

(o)

Si 16 : 65.0, y : 66.?6 pulgadas. Tarnbin,


de confianza del g5% son

66.?6

2'23

lcAP.8

(ro - t)2 : (65 - 8OOtl2r2 : 2.78. Entonces

0.za\

66.?6

los lmites

3.80 pulgadas

es decir, se puede estar en la confianza del 96Vo de que las estaturas de los hijos estn entre 63,0 y ?0.6
pulgadas

(b) Si 16 :

70.0, /e : 69.14 pulgadas. Tambin (x ,iz : (?O.O


- SOO112)2 : 11.11. Entonces los lmites de confianza del 96Vo so 69.14 + 5.09 pulgadas, es decir, se puede esta en la confianza d,elgbVo de
que las estaturas de los hijos estn entre 64.1 y 7 4.2 pulgadas.
Ntese que para grandes valores de n, los lmites de conanza del 95% estn dados aproximadamente

Porlo +1.96sy.2y6!2so.rcontalquero -noseademasiadogrande.Estoconcuerdaconlosresultados aproximados mencionados en la pgina 262.Los mtodos de este problema son vlidos independiente del tamao de n to
- E, es decir, los mtodos muestrales son exactos para una poblacin nor-

mal.

8.46. En el problema 8.11, hallar los lmites de confianza del96% para las estaturas'medias de los
hijos cuyas estaturas de los padres son (a) 65.0 y (b) ?0.0 pulgadas.
Ya que t.s1t

2.23 para 1 0 grados de libertad, los lmites de confianza del 95% para
Uo

donde

y :

35.82 + 0.476

r6

fo

son

2.23

ffisv.'

(Problema 8.11),

sr.":

2.66 (Problema 8.48).

(o) Si.16 :65.0,

hallamos [comparar con el hoblema 8.45(c)] los lmites de confianza delg1l";66.76 1


1.07 pulgadas, es decir, se puede tener confianza de 95Vo que la estatura media de todos los hijos cuyas
estaturas de los padres son 65.0 pulgadas se encontrarn entre 65.? y 6?.8 pulgadas.

'

(b) Si re :70.0,

hallamos [comparar con el Problema 8.45()] los lmites de confianza del 95%;69.14 f
es decir, se puede estar en la confianza de| g6% de que la egtatura media de todos los hi
jos cuyas estaturas de Ios padres son 70.0 pulgadas se encontran entre 67.7 y 70.6 pulgadas.

7.45 pulgadas,

TEORIA MUESTRAL DE LA CORRELACION

8.47. Un coeficiente de correlacin basado en una muestra de tamao 18 result ser 0.32. Puede
concluirse a un nivel de significacin del (a) 0.05 y (b) 0.01 que el coeficiente de corrhcin
poblacional es apreciablemente mayor que cero?
Deseamos decidir entre las hiptesis (Ho: g

:0)

(llr

) 0).
o.sz\/ra-z
:

t = ,1/l-z =
=
,/i=@0,
(o)

l.Bb

Sobre la base de un ensayo unilateral de la distribucin de Student a un nivel 0.05, rechazaramosI/e si


) .ss :7.75 para 18 -2: L6 grados de libertad. Por tanto no podemosrechazaI/6 al nivel 0.05.

()

Puesto que no podemos rechazar

t/6 al nivel 0.05, ciertamente no podemos rechazarla al nivel 0.01

8.48. Cul es el tamao mnimo

de una muestra para que podamos concluir que un coeficiente de


correlacin de 0.32 sea considerablemente mayor que cero al nivel 0.05?

A un nivel 0.05 utilizando un ensayo unilateral de la distribucin

tal

que

032{n

r/i -to,sz),

= t.o

para n

de Student, el valor mnimo de n debe ser

2 grados de libertad

www.tutomundi.com

CURVA DE AruSTE, REGRESION Y CORRELACION


Para un nmero

infinito de grados

de libertad, .9r

1.64 y por tanto

n:

25.6.

n=26, v =24, t.s|= 1.7L, t - o.sz\/rLtt/l-(u32Y = 1.66.


para n=27, v
=26, t.s|= l.?1, t--032\r26^tr=@ = 1.69.
paa n=2g, v=26, t.s5=1.7L, t=0.s2\//\Flfu2p- =L.72.
Entonces el tamao mnimo de la mueetra ean:28.
Paa

8.49. Un coeficiente de correlacin basado en una muestra de tamao 24 se calcul era r : 0.75.
Podemos rechazrir la hiptesis de que el coeficiente de conelacin poblacional sea tan pequeo como (a) p

0.60, (b) p

0.50, a un nivel de significacin del 0.05?

z = t.r5tz'""(+l-&;:) =

(o)

o.rrro,

Fz

L
{zt

oz=

r.r6r3t""

(ff3*3) = o.unrr,

o.28z

La variable tipificada ee

Z-pz

0.6932
0.9730
0.2182

oZ

1.28

A un nivel de significacin del 0.05 utilizando un ensayo unilateral de la distribucin normal rechazara'
mos la hiptesis solamente si z fuera mayor a 1,64, Por tanto no podemos rechaza la hiptesie de que el
coeficiente de correlacin sea tan pequeo como 0.60.

(b) Sip:0.50,tJ2:1.L613 logS:0.5493y2:(0.9730-0.5493)/O.2182:L.94.Portantopodemos


rechazar la hiptesis de que el coeficiente de correlacin poblacional sea an pequeo como p: 0.50 a
un nivel de significacin del 0.05.

8.50. El coeficiente de correlacin entre las calificaciones finales de fsica y matemticas para un
grupo de27 estudiantes se calcul era0.80.Hallarloslmitesdeconfianzadel96% paraeste
coeficiente.
Puesto que r

0.80 y n = 21, los lmites de confianza d,el 95Vo pa pz vienen dados por

Z=L.96oz

/r r-\

1.16131og(++*)

\r-'l

/ 1
*t.s0(-/l

\
\y'n_B/

1.0e86 10.4620

Entonces t2 tiene el intervalo de confianza del9SVo;0.5366 a 1.5606.

si

pz

/r +"\
= l.rsr3 loc\t -;/ = 0.5366' p =

0.4904-

Si

Fz

= L.rrlb*'- (-)
\r -

0.e155.

P,/

1.5606, p

Por tanto los lmites de confianza del 95Vo para p son 0.49 y 0.92.

8.51. Dos coeficientes de correlacin obtenidos de muestras de tamaos nt : 28Y rtz:35 se cdcularon como rr : 0.50 y tz : 0.30 respectivamente. Hay una diferencia considerable entre
los dos coeficientes a un nivel de 0.05?

zr = r.L6rt*(=;)

nzr-2, =
Deseamos decidir entre las hiptesis

0.b4es,

zz: r.!613*(=;)

#*#=

(Hs p2r= Fzrl I (Hi Fzr*

www.tutomundi.com

0.266e

Fzrl.

0.B0eb

292

CURVA DE AJUSTE, REGRESION Y CORRELACION

lcAP.

Bajo la hiptesis IIq,

Z,

Zz - Qtzr- ttzrl
ozr- z,

0.5493-0.3095-0

0.2669

0.8986

Utilizando un ensayo bilateral de la distribucin normal, rechazaramos rlfe solamente si z ) 1.96 z ( 1 .96. Por tanto no podemos rechazat fo , y concluimos que los resultados no son considerablemente diferentes al nivel de 0.05.

PROBLEMAS DIVERSOS

8.52. Demostrar la frmula (25),

prytna 262.

Para la recta de mnimos cuadrados tenemos, de los Problemas 8.20 y 8.2L,

Pero por definicin,

2(u-12 _
-

2(r-:)(a-\ _
---i-

-z

"l!

o"v

y, por (6) en la pgina 260,

Por tanto
Una frmula anloga es vlida para la poblacin (vase Problema 8.54).

8.53. Demostrar que E[(y

-t\']= E[(Y - Y".,)2] + E[(y""r- n']para el crso de (c) una recta de


mnimos cuadrados, (b) una parbola de mnimos cuadrados.
Tenemos
Entonces

y as

Y-t = (Y-Y".J*(Y".,-i)
(y -i)z = (r- Y".t)2 * (Y"rt- tl" + z(V - r""t)(rort- i)
El(v-t21 = E[(v-Y".t)2] *E[(Yest-I1'] + 2El(Y- vest)(ts"sr-i)l

El resultado pedido se deduce si podemos demostrar que el ltimo trmino

(o)

Para regresin lineal,

es

cero.

I"., = a* PX. Entonces

El(v -Y",tXY"r-

nl = El(Y - d- Fx)(a+ Bx -tll


b- t)n(v - d- Bxl + BE(xY - ax -

Bxz

porque las ecuaciones normales

E(Y

- a-

FXI

- 0,

E(XY

aX

PX2)

(comparar con el hoblema 8.3).

(b)

Para regresin parabIica, Ycsr

El(v -Yest)(Y"st-

= d + pX + 7X2. Entoncea

i)l = El(v - d- Bx-vx2)(a'F px +$2-?)l


= (a- hnV - o- Bx - rx2, + BEIX(Y - a- Bx * yElxz(Y - "- FX - rr2)l
=Q

www.tutomundi.com

yxz)]

293

CURVA DE AruSTE, REGRESION Y CORRELACION

cAP. 8l

debido a las ecuaciones normales

E(Y-a-pX-'tX2)

= o, E1Xz(Y-4-px-vXz)l =

= 0, EIX(Y-e-pX-tX2))

Comparar las ecuaciones (19), pgina'261.


El resultado puede ampliarse a curvas de orden superior de mnimos cuadrados.

8.54. Demostrar que o|.* = o?(1- p') para re$esin de mnimos cuadrados.
Por definicin del coeficiente de correlacin generalizado p, junto con el Problema 8.53, tenemos para el caso
lineal o parablico

p2
y el resultado

='##

.E[(Y-Y""t)21
= L- Et'=il = -r--,;-

n?.*

se deduce inmediatamente.

Tbmbin para rdenes superiores la relacin sigue la curva de los mnimos cuadrados.

8.55. Demostrar que para el caso de regresin lineal el coeficiente de correlacin definido por (45)
se reduce al definido por (40).
EI cuadrado del coeficiente de correlacin, esdecir,elcoeficiente de determinacin, dado por (45) en el caso
de regresin lineal viene dado por

(f)
Pero dado que Y

= a*

BX,

(21

E[(a + pX

- Yr2l =

Elp26

o'*, o
l'-y
'- =

=
Entonces

(l

) se

convierte en

(3)

- X)\ =

oi
-;-

or*,

p2 =

44

BLE\(X

X)21

"'*"
--l-

o'x

p-r*

oxY

que era lo que se peda demostrar. (El signo correcto pa p se incluye en

oyv).

8.56. Referirse a Ia Tabla 8.2L. (a) Hallar una parbola de regresin de mnimos cuadrados que se
ajuste a los datos. (b) Calcular los valores de regresin (comnmente llamadosualores de ten-

dencia) para los abs dados y compararlos con los valores reales. (c) lstingar la poblacin err
1945. 1d nstimar Ia poblacin en 1960 y compararla con el valor real, 179.3. (e) Estimar la
poblacin en 1840 y compararla con el valor real, 17.1.
Tabla 8-21
Ao
Poblacin en EE.
UU. (millones)

1850 1860 18?0 1880 1890 1900 1910 1920 1930 1940

1950

25.2 31.4 39.8 60.2 62.9 76.0 92.0 105.7

161.1

122.8 131.7

Fuente: Bureau of the Census

(c) Dentese por las vaiables r, y el ao y Ia poblacin durante


parbola de mnimos cuadrados que se ajusta a los datos es

(f)

A = a*bx*crz

donde o, b, c se hallan de las ecuaciones normales

www.tutomundi.com

ese ao respectivamente. La ecuacin de la

294

CURVA DE AJUSTE, REGRESTON Y CORRELACION

[cAP.

2U = on*)c*c2rz

2ry = a2r*b2r2*c2rs
= o.2r2* I3*c)c{

(2)

2s2U

Conene localizar el origen de modo que el ao central, 1900, conesponda con r


- O, y los aos 1910,
1920' 1930' 1940, 1950 y 1890, 1880, 1820, 1860,18b0
con 1,2,8,4,5 y _L,-2,-g,
"orr"rpond.r,
y las ecuaciones (2) se simjfican.
-4, -5 respectivamente. Con esta seleccin )c y )e son cero

El trabajo a realizarse para el clculo puede ordenarse como en la Tabla 8-22. Laaecuaciones normales
(2) se convierten en

11o*110c =

(s)

110

886.8

1429.8

l10o*1958c =

b:

De la segunda ecuacin en (3),


Entoncee la ecuacin pedida es

(1)
donde el origen,

9209.0

13.00; de la primera

a:76.64,c:0.8974.

tercera ecuaciones,

u = 76.64+13.00r*0.397412
r = 0, es 1o. de julio de 1900 y la unidad de es diez aos.
Tabla 8-22

Ao

1850

-5
-4
-3
-2

23.2

25

1860
1870
1880
1890

-l

si.4

16

39.8

50.2

62.9

-t25
-64
-27
-8
-l

76.0

1900

1910

92.0

1.

1920

105.7

1930

t22.8

1940

131.7

16

1960

161.1

)r=0
()

13

u4

ra

fiz,u

625

-116.0

580.0

256

-r25.6

502.4

81

-119.4

358.2

16

-100.4

200.8

-62.9

62.9

92.0

92.0

16

21t.4

422.8

27

81

368.4

1105.2

64

266

526.8

2L07.2

26

t26

625

roD.o

3777.6

2a=

2r2 =

)s=0

886.8

110

2a4

1958

2aa

>r2a =

1429.8

Los valores de tendencia, obtenidos al eustitufu x :


-5, -4,-3,-2,-1,0,L,2,8,
tran en la Tabla 8-23 junto con los valores reales. Se observa que el ajuste e8 bueno.

9209.0

4, 5 en (4) se mues-

Tabla 8-23
Ao

t =-6 r=-4 t=-3

=-2 r= -l x=0

g=l

a=2 n=3 r=4 r=6

1880

1890

1900

1910

1920

1930

4t.2

62.2

64.0

76.6

90.0

L04.2

1r9.2 136.0 161.6

39.8

60.2

62.9

76.0

92.0

106.7 t22.8

1860

1860

1870

Valor de endencia

2r.6

31.0

Valor real

29.2

3L.4

1940

tlt.7

1950

161.1

(c) l94Scorrespondeax:4.5,paraIocualy:76.64+13.00(4,6)+0.3974(4.6)z=143.2.

(d) 1960correspondear:6,paralocualA=76.64+13.00(6)+0.3974(6)2=163,g.Estonoseajustamucho
al valor real, 179.3.

www.tutomundi.com

cAP.8l

CURVA DE AJUSTE, REGRESION Y CORRELACION

(e)

1840 corresponde a r : --, para lo cual


mucho al valor real 17.1.

76.64

+ 13.00(-6) + 0.3974(-G)2 : 12.9. Esto no

se

ajusta

Este ejemplo ilustra el hecho de que si se encuentra una relacin satisfactoria para un intervalo de valores
no implica necesariamente que lo sea para una prolongacin del intervalo de valores.

8"57. Los precios prornedios de acciones y obligaciones anotadas en el New York Stock Exchange
durante los aos 1950-1959 se dan en la Tabla 8-24. (a) Hallar el coeficiente de conelacin,
(b) interpretar los resultados.
Tabla E-24
Ao

hecio promedio

de

acciones (dlares)
Precio promedio de
obligaciones (dlares)

1950

1951

L952

1953

1964

1955

1956

1957

1958

1969

35.22

39.87

41.85

43.23

40.06

53.29

54.L4

49.12

40.71

oo.lD

r02.48

100.93

97.43

97.81

98.32

100.07

97.08

9r.59

94.86

94.65

Fuente: New York Stock Exchange


(o

Denotando por

r,

y los precios promedio de acciones y obligaciones, eI cIculo del coeficiente de correlase utiliza solamente para especificar Ios
valores correspondientes de r, y.

cin puede organizarse como en la Tabla 8-25. Ntese que el ao


Tabla 8-25

a'=

a-a

tr'2

%'a'

-10.04

4.91

100.80

-49.30

24.L|

-5.39

3.41

29.05

-18.38

11.63

-0.09

11.63

0.31

0.01

0.29

4.t2

-0.59

0.08

-5.20

0.80

27.04

-4.16

0.64

100.07

8.03

2.56

64.48

20.48

6.50

97.08

.4

-0.44

78.85

-3.91

0.19

49.r2

91.59

3.86

-22.89

35.16

40.7t

94.85

-4.55

-5.93
-2.67

14.90
20.70

t2.t5

7.13

oo.lo

94.65

9.89

-2.87

97.81

-28.38

8.24

2u'2 =

2t'y'=

2a'2 =

449.38

-94.67

93.69

r-r

35.22

L02.43

39.87

100.93

41.8

97.43

-3.41

43.23

97.81

-2.03

40.06

98.32

53.29
54.L4

--

2a=

452.64

975.16

45.26

97.52

a:
Entonces por la frmula producto-momento,

-94.67
v (44e.38)(e3.6e)

(b)

-0.4614

Se deduce que hay cierta correlacin negativa entre los precios de acciones y obligaciones (es decir, una
tendencia a disminuir los precios de las acciones cuando aumentan los de las obligaciones y v_iceversa),
aunque esta relacin no es muy marcada.

Otro mtodo.
La Tabla 8-26 muestra las graduaciones de los precios promedios de acciones y obligaciones para los aos
1950-1959 en orden de precios ascendentes, Tambin se indican las diferencias en graduaciones d y )d2.

www.tutomundi.com

296

CURVA DE AJUSTE. REGRESION Y CORRELACION

[cAP.

Tabla 8-26
Ao

1950

kecios de acciones
en orden de grad.
hecios de obligaciones
en orden de grad.

Diferencia de
graduacin d

Entonces
Esto

se

rsrad

1951

t952

1953

1954

955

1956

1957

1958

1959
10

10

.,

-9

-T

-4

81

49

16

25

36

64

= ,-#!t

= t--ffi;\

>d2

272

-0.6485

compara favorablemente con el resultado del primer mtodo.

8.8. La Tabla 8.27 muestra las distribuciones de frecuencia de Ias calificaciones finales de 100

es-

tudiantes en matemticas y fsica. Refirindose a esta tabla determinar (c) el nmero de estudiantes que obtuvieron calificaciones 7F79 en matemticas y 80-89 en fsica, (b) el porcentaje de estudiantes con calificaciones de matemticas inferiores a 70, (c) el nmero de estudiantes que obtuvieron una calificacin de 70 o ms en fsica y menos de 80 en matemticas, (d)
eI porcentaje de estudiantes que aprobaron aI menos una de las asignaturas suponiendo que
60 es la calificacin mnima de aprobacin.
Tabla 8-27
CALIFICACIONES DE MATEMATICAS

4G49

(h

lt

,o

50-59

60-69

70-79

90-99

8(H9

90-99

TOTALES

10

8G{9

l6

rf]

70-79

10

24

C)

60-69

o
t\

5G-59

4t)-49

15

25

an

z
o

Fl

TOTALES

(o

(b)

2L
L7

L2
23

20

10

Bajando por la columna rotulada 7O-79 (calificaciones de matemticas) hasta la fila rotulada
ficaciones de fsica). El resultado 4 da el nmero pedido de esudiantes.

Nmero total de estudiantes con calificaciones inferiocs a 70


: (No. con calif. 40-49) * (No. con caf. 50 -59) * (No. con calif. 60-69)

:7*15*25:47
Porcentaje de estudiantes con calificaciones menores a 70

www.tutomundi.com

47

ltOO:

47Vo,

100

80-89 (cali-

297

CURVA DE AruSTE. REGRESION Y CORRELACION

cAP. 8l

(c)

El nmero pedido de estudiantes es el total de las entradas en la Tabla 8-28, que representa parte
. Tabla 8-27.
Nmero de estudiantes pedidos: 1

+ 2 +.4 t
(t)

60-s9

90-99

E2
Fl Ei

8(}_89

<

70-79

10

fl

C)Q

(d)

DE MATEMATICAS

?x
oi

70-79

?*

CALIFICACIONEg

z
o

= 22.
Tabla 8'99

Tabla 8-28
CALIFICACIONES
DE MATEMATICAS

tt)

LO

de la

a2
Ftk
< fr
oo

40-49

50-59

50-59

40-49

Con referencia a la Tabla 8-29, que est sacada de la Tabla 8-27 ,ae obedrva gue el nmero de estudiantes

concalificacionesmenoresa60enmatemticasyfsicaesS*3+6+6=LT.Entoncegelnmerode
estudiantes con calificaciones de 60 o ms en fsica o maemticao en amba es 10 - 17 = 83, y el por'
centaje pedido es 83/100 :834a.
La Tabla 8-27 algunas veces se llama tabla de frecuencias de doble uoricin o distribucin de frecuencias de
doble uariacin. Cada cuadrado de la tabla se llama casilla y corresponde a un par de clases o intervalo de cla'
se. EI nmero indicado en la casilla se llama frecuencia de casillo. Por ejemplo, en la parte (o) el nmero 4 ee
la frecuencia dela casilla correspondiente 4l pa.r de intervalos de clase 70-79 en natemtlcas y 80-89 en ffsi'
ca.

Los totales indicados en la ltima fila y en la ltima columna se llaman totalee marginabl o frecuencioe mir'
ginales. Corresponden respectivamente a las frecuencias de clee de las distribuciones de frecuencia de la ca'
Iificaciones de matemticas y fsica por separado.

8.59. Mostrar cmo modificar la frmula del ProblemaS.Sl paraelcasodedatosagrupadoscomoen


la Tabla 8-27.
lPara datos agrupados, podemos considerar los diferentes valore de las variables r, y coincidiendo cQn lag
marcas de cliase, en tanto que f x I f y son las cprrespondientes frecuencias de clase o frecuencias marginales indicadas en la ltima fila y columna de la tabla de frecuencias de doble vaiacin. Si s representa por f ls diferentes frecuencias de casilla correspondientes a los pares de marcas de claee (r, y), entonbes podemoe remplazar la frmula del Problema 8.31 por

n2fru
(1)

(2f

"r)(2luu)

Sihacemos =Eo*,crury !=Ao+csL!, dondecr,cyBonlasamplitudesdeloeintervelosdeclase(supues'


tos constantes) y ro, Jo son rDarcas de clase abitrarias correspondientes a las variablee, la frmula anterior e
convierte a
(2)

n2 f u ru o

(2 |

"u,l

(2

| oun)

Este es el mtodo claue uttlizado en el Captulo 5 como un mtodo breve rara calcula medias, desviacione
tpicas y mompntos superiores.

8.60. Hallar el coeficiente de correlacin lineal de las calificaciones de matemticas y fsica del Problema 8.58.
Utilizamos Ia frmula (2) del Problem 8.59. El trabajo puede ordenarse como en la Tabla 8-30, que
tabla de correlacin.

www.tutomundi.com

se

llama

298

CURVA DE AJUSTE, REGRESION Y CORRELACION

lcAP.8

Tabl,r E-30

Glificaciones de matemticas, c

d
a

44.6

\%
y\

-2

94.5

84.6

Suma de

64.5

64.6

74.6

84.6

94.5

-1

10

20

40

44

16

16

16

3l

24

2L

-2L

2l

-3

L7

-34

d8

20

t2

-36

108

33

)fyu?

2furuo

los nme

ft

ros esqulnados en

fuuS

f vuv

cda fila

Ei
!

74.6

64.6

-1

64.6

-2

-3

10

r{
i

44.6

ii

f"u?

t-l
26

23

20

10

-t4

-15

23

40

30

2f ,u"

28

16

23

80

90

2f ,ul

32

3l

-1

24

39

Sum de los
nmelos

colura

cada

n=2f y )f yuy
==100 = -66

2f

16

tut

fn

t,

t-

263

L26

=64

286

2fu,uo

L25

El nmero en la esquina de cada casilla repreeenta el producto f uruo, donde f es la frecuencia de cailla, I suma de esos nmeros esquinados en cada fila se indica en la fila coespondiente en la ltima columna. La suma de esos nmeros esquinados en cada columna se indica en la columna correspondiente en la ltima fila.
Loe totales finales de la ltima fa y columna son iguales y representan ifu"uu.
De la Tbbla 8-30 tenemos

n2fu,uo

r=

(100)(125)

(2f

"u.)(2luunl
(64X-55)

16,020

,/(rr,6o4\2z,zn

0.7686

8.61. Utiliza la tabla de correlacin del Problema 8.60 para calcular (a) e,, (b) s", (c) Iry y verifi. car la frmula
(o)

()

(c)

".n

8x=cx

}f"u? /2f ,"\2

sy=a!

>fuui /2f

\n/

" -\ "

uuuY

"""olz|T-(+)(+)]=

10=

"\m_m

13.966

=t4.e25

(10x10)f100r?q-(#)(#)] =

www.tutomundi.com

,60.20

299

CURVA DE AruSTE, REGRESION Y CORRELACION

cAP. 8l

Por tanto las desviaciones tpicas de las calificaciones de matemticas y fsica son 14.0 y 14.9 respectivamente, en tanto que su covarinza es 160.2. Tenemoe

8xv

8"";-

160.20 G&r'-ifutB =

o'7686

que concuerda con r hallado en el Problema 8.60.

E.62. Escribir las ecuaciones de las rectas de regtesin de (c) y sobre


del Problema 8.60.

r,

(b)

sobre

y para los datos

De la Tabla 8-30 tenemos,

rr+qW = 64.5+E#9 =
- uo+qY: 145+q'qfrEq =
u=

De los resulado del Problema

8.61 a, = 13.966,

s!,

= L4.926 y r =

?o.e

Ge.o

0,?686.

Entonces utilizamos ( I 6 ), pgina 261 , para obtener las ecuaciones de las rectas de regtesin

()

a-u='!w-nt,

(b)

-69.0 =

r-='?o-o,
8y

y-6e.0=A+##?!)@-70.e),
0.821(o-70.9)

r-70.0=q9ff##q(v-6e.0),

x-?0.9 =

0.7t9(u-69.0)

8.63. Calcular los ertores tpicos de la estima (c) er.,, (b) sr., para los datos del Problema 8.60.
Utilizar los resultados del Problema 8.61.

(a)

Ey.,

= yt/Ti-rz =

f.gZfy'f

(OfOg6P

9.58

(bl

s,.v

= a"t/T7rz =

ts.s6oy'1:107686)

8.934

Problerrra,a guplementa,rlos
RECTA DE MINIMOS CUADRADOS

8.64.

Tabla 8-31

Ajustar una recta de mnimos cuadrados a los datos de la Tabla 8-31


utilizando a (a\ x como la variable independiente, (b ) r como Ia vaible dependiente. Representar grficamente los datos y las rectas de
mnimos cuadrados utilizando el mismq conjunto de ejes coordena-

3 6 6 8 911

234668

dos.

x=6,x=L2.(b) elvalordexparay:7'

8.66

ParalosdatosdelProblemaS.64,hallar(o)losvalore$deycuenda

8.66.

(o) Utilizar el mtodo a mano alzada para obtener Ia ecuacin para una recta de ajuste de los datos del Problema 8.64. (b) SolucionarelProblema 8.65 utilizardo el resultado de la parte (c)'

www.tutomundi.com

300

t.8?.

CURVA DE AJUSTE, REGRESION Y CORRELACION

[cAP.

La Tabla 8-32 muestra las calificacionee finales en lgebra y fsica obtenidas por diez etudiantes seleccionados alcatoriamente de un gran grupo de estudiantes. (o) Representar grficamente los datoe. (D) Hallar la recta de mnimos cuadrados que se ajuste.a los datos, utilizando a r como la variable independiente. (c) Hallar
la recta de mnimos cuadradoe que se ajuste a los daos, utilizando a y como la variable independiente. (d) Si
un estudiante obtiene una calificacin de ?5 en lgebra, cul es su puntuacin esperada en fsica? (e) Si un
estudiante obtiene una puntuacin de 95 en fsice, cul es su puntuacin eeperada en lgebra?
Tabla 8-32

E.68.

Algebra (c)

.ID

80

93

65

87

7L

98

68

84

tt

Fsica (y)

82

?8

86

72

91

80

95

72

89

74

Con referencia a Ia Tabla 8-33. (o) Construir un diagrama de dspersin. (b) Hallar la recta de regresin de my sobre r. (c) Hallar la recta de regresin de rnimos cuadrados de sobre y. (d) Representar grfioamente las dos recta de regresin de (b) y (c) sobre el diagrama de dispersin de (o).

nimos cuadrados de

fabla 8-33
Calificacin en el primer examen

Clificacin en el segundo examen

76104

8
10

8106

CURVAS DE REGBESION DE MINIMOS CUADRADOS

8:69,

Alustar una parbola de mnimog cuadrados, y

t
8.70.

il

Tabla 8-34

+ bx

o^

x?alos datos de Ia Tabla 8-3t.

t)

2.I 3.2 5.6 9.3 14.6 21.9

La Tabla 8-36 da las distancias de parada d (pies) de un automvil que viaja a una velocidad u (millas por horas) en el instane que se observa eI peligro. (a) Representar grficamente d,u. (b) Ajustar una parbola de

mnimoscuadradosdelaformad:oIbu*cuzalosdatos.(c)Estimardcuandou:45mi/hy80mi/h.
Tabla 8-36
Velocidad, u (mi/h)

20

30

40

50

60

70

Distancia de parada d(p)

54

90

138

206

292

396

E.?1. El nmero y

de bacterias por unidad de volumen presntes en un cultivo despus de horas viene dado en la
Tabla 8-36. (o) Representa loe datos en papel semi-Iogaritmo, con Ia escala logartmica para yr la escala ari-

mticaparar.(b)Ajustarunacurvademnimoscuadradosdelaforma !=abxalosdatosyexplicarporqu

esta ecuacin especfica da buenos resultados. (c) Comparar los valores de y obtenidos de esta ecuacin con
los valores reales. (d) Estimar el valor de y cuando r : J.

Tabla 8-36
Nmeros de horas ()

Nmero de bacterias por unidad de volumen (y)

32

47

65

92

132

190

275

8.72. En el Problema

8.71 rrcstrar c6mo una grfica en papel semilogartmico puede utilizarse para obtener la
ecuacin pedida sin emplear el mtodo de los mnimos cuadrados.

t.73.

Escribir las ecueciones normales para la curra cbica de mnimos cuadrados dada por
dx3

I :

t bx *

cx2

Tabla 8-37
REGRESION MULTIPLE

E.74. [,a Tabla 8-37 muestra los

valores correspondientes de tres


variables x, y, z. (o) Hallar la ecuacin de regresin lineal de
mnimos cuadrados de e sobre x, y. (b\ Estimar z cuando

.t--10,y:6.

www.tutomundi.com

to

10

90

72

54

42

t?

t4

30

12

8,76.

Demostrer que la ecuacin para regresin lineal de z sobre

z-2,=

r, y puede

escribirse como

a(r-l+b(u-l

y obtener exptesiones para los coeficientes de regresin de mfnimos cuadradoe

E.76. Utilizar
8.7

t.7t.

301

CURVA DE AJUSTE, REGRESION Y CORRELACION

cAP. 8l

o, D.

el resultado del hoblema 8.75 para solucionar el Problema 8.74.

Obtener las ecuaciones normales para la regresin lineal de mnimos cuadrado de


guna interpretacin geomtrica para esto? Explicar

r, y tiene la form
z = A 1- Br * Ca I Dr2 * Ery *

eobre

r,!

,z

. Hay al'

Una superficie de regreain de z sobre

Fyz

Obtener las ecuaciones normales para los eoeficientes de regresin de mnimos cuadrados.

ERROR TIPICO DE LA ESTIMA Y COEFICIENTE DE CORRELACION LTNEAL

E.79. Hallar (o) sy

",

(b)

$,

"

para los datos en el Problema 8.68.

E.EO. Calcular (a) la variacin total en y, (b) la vaiacin no explicada

en

y, (c) la variacin explicada

en y para los

datos del Problema 8.68.

8.8f

Utilizar los resultados del Problema 8.80 para hallar el coeficiente de correlacin entre los dos conjuntos de
calificaciones de los exmenes del Problema 8.68.

8.E2. (o) Hallar elcoefcientede correlacin entre

los dos conjuntos de calificaciones de los exmenes del Problema


8.68 utilizando la frtnula producto-momento y comparar con el resultado del Problema 8.81. (b) Obtener eI
coeficiente de correlacin directamente de las pendientes de las rectas de regresn del Problema 8.68(b) v
(c ).

E.t3.

Hallar la covarianza para los datos del Problema 8.68 (a) dircctamente, (b) utilizando la frmula ss = rss
y el resultado del Problema 8.81 u 8.82.
muestra las edades r y la presin sangunea y d,eL2 mujeres. (o) Hallar el coeficiente de corre'
r, y. () Determinar la recta de regtesin de mnimos cuadradoe de y sobre r. (c) Estimar la pre-

E.E4. La Tabla 8.38


lacin entre

sin sangunea de una mujer de 45 aos.

Tabla 8.3E

Presin Sangunea (y)

E.85.

55 49 38 42 68
r47 725 160 118 t49 t28 150 146 115 140 162
56 42 72 36 63

Flad (r)

47

165

Hallar los coeficientesde correlacin para los datos del (o) Problema 8.64, (b) Problema 8.67.

coeficiente de correlacinentredos variables, yesr:0.60.Sis"=1.50,


ballar las ecuaciones de la recta de regresin de (o) y sobre x, (b) r sobre y.

8.86. El
8.8?.

Calcular (o) sv.r, (b) sr.y para los datos del Problema 8.86,

8.88.

Si sv.- =

8.89.

60

3y

ss

sr:2.00,i=10, =20,

5, halla r,

Si el coeficiente de correlacin entre., y es 0.60, qu porcenaje de la varfacin total pennanece no explicada por la ecuacin de regresin?

8.90. (o) Calcular el coeficiente de correlacin entre los valores correspondientes de r, y dados en la Tabla 8-39. (b) Multiplicar todos los valores de por 2 y sumarles 6. Multiplicar todos los valores de y por 3 y
restarles 15. Hallar el coeficiente de correlacin entre los dos nuevos
conjuntos de valores, explicar por qu se obiene o no el mismo resultado que en la parte (a).

www.tutomundi.com

Tabla 8-39
x
a

2 4 5 6 811
18t210875

302

CURVA DE AJUSTE, REGRESION Y CORRELACION

[cAP.

COEFICIENTE DE CORBELACION GENEBALIZADO

E'91. Hallar el coeficiente


264.

de conelacin para las variabie en el hoblem" g.5g ufilizando el resultado (35), pgina

t.92.

Hallar el error tpico de la estima de z obre

t.93.

(o) Calcular el coeficiente de conelacin mltiple pars los datos del hoblema 8.74.
variacin toal es erplicada por la ruperficie de regreein?

t.94.

Demostraelresultado (27),pgina 263,paraelcaodeunaauperficiederegresinlinealparazsobrer,y.

, y para lo dao

del Problema 8.74.

(b) Quporcenajedela

COBRELACION GRADUAL

E.96.

Doa juecec en una competencia deban clasifica a 8 candidato A, B, C, D, E, F, G, H de acuerdo con sus preferencias, lo resultados se mueshan en la Tabla 8140. Halla el coeficiente de conelacin gradual y decidir eobre el acuerdo de loe jueces en su8 eleccioneg.

Tabl, 8.4O
Candidato

F'

himer

Juez

Segundo Juez

t.96. Illlar

el coeficiente de correlacin gradual para loa datos del (a) Problema 8.68 v (b) Problema 8.84.

t.97.

(o) Hallar el coefciente de correlabin gradual para los datos del Problema 8,90. (b) De,gus observaciones en
(o), estudiar una posible deeventaja del mtodo de conelacin gradual.

8.98.

Mostra cmo se puede disear un coeficiente de correlacin mltiple.

INTERPBETACION PROBABILTSTICA DE LA REGRESION Y LA CORRELACION

E.99.

La funcin de denidad conjunta de las variables aleatorias X, Y viene dada por

f(r,a) = [2r+3a
Io

o(c(L'o<Y<2
de otra

form

Ilalla la curva de regresin de (a) Y sobre X, (b) X eobre y.


8.rOO. Halla la reca de regesin de mnimoe cuadrados de (a) Y sobre X, (D) X eobre Y para el hoblema 8.99.

t.lol.

Obtener el coeficiente de correlacin lineal para el hoblema 8.99.

t.102. Hllrlacurvaderegreeinde(a)YsobreX,(b)XaobreYparalosdatosdelhoblema2.s,pgirra52.
t.lOS. tls[a la recta de rgresin de mnimos cuadrados de (a) Y robre X, (b) X cobre Y para Ios datos del hoblema 2.8, pgina 52.

t.104. Hallar el coeficiente de conelcin lineal para la variableg aleatoria del Problema 2.8,96gina 52.

t.lo6'

Da un ejemplo para demostrarcmo hallara (a) el error tpico de leestima,(D)larvariacionee explicaday


no erplicada, (c) el coeficiente de conelacin generalizado, en el cao de do variablee aleatorias X, Y con

funcin de densidad conjunta (o funcin de probabilidad conjuta) f(x, y\.

E.106. Ocurren algunae simplificaciones en la curvas de regresin Ce Y sobre X X sobre Y para el caso de variable aleatoriac independientes? Explicar.

www.tutomundi.com

303

CURVA DE AJUSTE, REGRESION Y CORRELACION

cAP. 8l

TEORIA MUESTRAL DE LA REGRESTON

8.10?. Sobre la base de una muestra de tamao 27 se encontr que la ecuacin de regresin de y sobre r era t =
25.0 + 2.00 . Si sr." = 1.50,sx = 3.00 y = 7.60, hallar los lmites de confianza del (c) 95%,(b\99% pra el coeficiente de regresin.

8.108. En el Problema 8.10? ensayar la hiptesis de que el coeficiente de regresin poblacional


1.?0, (b) tan alto como 2.20, a un nivel de significacin del 0.01.

es (o)

8.109. En el Problema 8.10? hallar los lmites de confianza del (o) 957o,(b\ 99% para y cuando

tan bajo como

6.00.

8.110. EnelProblemaS.l0?hallarloslmitesdeconfianza d,el(o)95%,(b)99%paralamedia'detodoslosvaloresde


y correspondientesa = 6.00.
8.111. ConreferenciaalProblema8.S4,hallarloslmitesdeconfianzadel 9fleparafo)elcoeficientederegresinde
y sobre r, (b) ta presin sangunea de las mujeres de 45 aos, (c) la media de lae presioes sanguneas de las
mujeres de 45 aos.

TEORIA MUESTRAL DE LA CORRELACION

8.112. Un coeficiente de correlacin basado sobre una muestra de tamao 27 se calcul como 0.40. Podemos concluir a un nivel de significacin del (o) 0,05, (b) 0.01, que el correspondiente coeficiente de correlacin poblacional

es

considerablemente mayor que cero?

E.113. Un coeficiente de correlacin basado sobre una muestra de tamao 35 se calcul como 0.50' Podemosre'
chazar la hiptesis de que eI coeficiente de correlacin poblacional es (o) tan pequeo como p : 0.30, (b) tan
grande como p : 0.70, utilizando un nivel de significacin del 0'05?

8.114. Hallar los lmites de confianza del (a) 957o,(b)997oparu un coeficiente de correlacin que se calculcomo
0.60 de una muestra de tamao 28.

8.115. Solucionar el Problema 8.114 si el tamao de Ia muestra es 52.


8.116. Hallar los lmites de confianza

d,el 95% para el

coeficiente de correlacin calculado en el hoblema 8.84.

8.11?. Dos coeficientes de correlacin obtenidos de muestras de tamaos 23 y 28 se calculaon como 0.80 y 0.95
respectivamente. Podemos concluir a un nivel del (o) 0.05, (b) 0.01, que hay una diferencia significativa en'
tre los dos coeficientes?
RESULTADOS DryERSOS

8.118. Verificar los coeficientes (5), pgina 260, para la recta de mlnimos cuadrados.

E.l19. DemostrarqueparaelcasoderegresinlinealelvalormnimodeE'{[]'-(o*lX)lz,tes

t?.* :
8.1

"l$-

c2)

20. Las rectas de regresin muestrales de mnimos cuadrados para un conjunto de datos involucrando X, Yvie'
nen dadas por 2:r - 5a = 3, 5r - 8,!l = 2. Hallar el coeficiente de correlacin lineal.

8.121. Demostrar que el ngulo entre dos rectas de regresin muestrales de mnimos cuadrados viene dado por

. .f-(1 -r2)s,tu]
tan-'L
rfti + si)

-l

E.I22. Demostrarqueelcoeficientedecorrelacinentre,ypuedeexpresarsecomo

il2 -:,211

g,\

es independiente de Ia eleccin del origen de las variables o de Ias


unidades en que se expresan. (Sugerencia: Suponga quer' = noi c1r, A' = llo * c2y, donde r !/6 cl,c2 soll
constantes arbitrarias, demuestre que el coeficiente de correlacin entre r', y'es eI mismo que el entre.d', y).

8.123. Demostrar que el ceficiente de correlacin

www.tutomundi.com

304

CURVA DE AJUSTE, REGRESION Y CORRELACION

8.L24. Demostrar que para regresin lineal

48 = +.
8

Es el resultado

[cAP.8

vlido para regresin no lineal?

8.L25. Ilalla el coeficiente de correlacin entre las estaturas y pesos de 300 adultos dados en la tabla de frecuencias
siguiente.

Tabla 8.41
ESTATURAS .r (pulgadas)
59-62

!e

ql

p!

h
tt)

o
(t)

67-70

75-78

71-74

9L109

110-129

130-149

15

22

150-169

L2

63

19

170-189

28

32

t2

190-209

10

20

e.

63-66

210-225

8.126. (o)HallarlarectaderegrecindemnimoscuadradosdeysobrerparalosdatosdelProblemaS.l2S.()Estimar los pesos de doe hombres cuyas estaturas son 64 y ?2 pulgadas respectivamente.

8.127. Hallar (o) s".r, (b) Br.y para loa daios del hoblema

8.1 25.

8.128. Hallar los lmites de confianza del 96% pra el coeficiente de correlacin calculado en el hoblema 8.125.
E.129. Hallar el coeficiente de corelacin entre los ndices de precios al consumidor y los ndices de precios aI por
mayor para todos los artculos indicados en la Tabla 8-42. El perodo base es de L94? 1949 : 100.

Tabla 8-42
Ao

1949

1950

1951

1952

1953

1954

1955

1956

1957

1958

Indice de
precios al
consumidor

101.8

102.8

111.0

113.5

r14.4

I14.8

114.5

116.2

r20.2

t23.5

99.2

103.1

114.8

111.6

I 10.1

10.3

I 10.7

114.3

1r 7.6

L19.2

Indice de
precios al

por mayor

Fuente: Bureau of Labor Statistics


8.130. Con referencia a la Tabla 8-43: (o) Representar grficamente los datos. () Hallar la recta de mnimos cuadrados que se ajusta a los datos y construir su grfica. (c) Calcular los valores de tendencia y compararlos con los
valores reales. (d) Predecir el ndice de precio para la asistencia mdic durante 1958 y compararlo con el valor verdadero (L44.4). (e) En qu ao podemos esperar que el ndice de costos mdicos doble el del 194?1949, suponiendo que las tendencias presentes continen?

Tabla 8-43

1950 1951 1952 1953 1954 1955 1956


consumidor pqr asis'
tencia mdica

(1947-1949=100)

Fuente: Bureau of Labor Statistics

www.tutomundi.com

1957

cAP.8l

CURVA DE AJUSTE, REGRESION Y CORRELACION

305

8,131. Con referencia a la Tbbla 8-44. (a) Representar grficamente los datos. (b) Hallar la parbola de mnimos cuadrados que se ajuste a Ios datos. (c) Calcular los valores de tendencia y compararlos con los valores reales. (d)
Explicar por qu la ecuacin en (b) no es til para propsitos de extrapolacin.
Tabla 8-44
Ao
Natalidad por cada
1000 habitantes

1915 1920 7925

1030

1935 1940 1945 1950

1955

23.7 21.3

18.9

16.9 17.9

24.6

25.0

Fuentet Department of Health, Education

ind

19.5

23.6

Welfaie

8.132. Sean X, Y variables a|s3fsis con funcin de densidad conjunta (o funcin de probabilidad) f(x, y). Demostrar que si 9(r) = E(Y \ X =

c)

EUY

entonces

donde ,(r) es cualquier funcin de

(x)1'!)

= E{LI'-

o(xlz + Ells(x)

q(x)l,)

para el cual estas esperanzas existen.

8.133. Estudiar la relacin, si Ia hay, del Problema 8.132 para variaciones explicadas y no explicadas.
8.134. Demostrar el Teorema 8-1, pgina 265. (Sugerencia.' Utilizar el Problema 8.132).

E.l35. En el Teorema 8-1,

es

g(r) nica? Explicar.

8.136. Demostrar el Teorema 8-2,pgina265.

www.tutomundi.com

Captulo 9
Anlisis de vqrionzq
PROPOSITO DEL ANALISIS DE VARIANZA

En el Captulo 7 utilizamos la teora de muestreo pua ensayar Ia significacin de diferencias entre dos medias muestrales. Supusimos que las dos poblaciones, de las cuales se extrajeron las muestras, tenan la misma vaianzi. En muchas situaciones existe la necesidad de ensayar la significacin
de diferencias entre tres o ms medias muestrales, o lo que es equivalente a ensayar la hiptesis nula
de que las medias muestrales son iguales.
EJEMPLO 9.1, Supngase que en un experimento agrcola cuatro ttatamientos qumicos diferentes del suelo producen rendimientos medios de trigo de 28, 22, tg y 24 hU}l'a respectivamente. Hay una diferencia apreciable en estas
medias o la dispersin observada simplemente se debe al azar?

Problemas como estos pueden resolverse utilizando una tcnica impoftante conocida como andlisis de uaranza, desarrollada por Fisher. Utiliza la distribucin F considerada anteriormente en los

captulos previos.

CLASIFICACION SIMPLE O EXPERIMEI{TOS DE UN FACTOR


En un experimento de un factor se obtienen medidas u observaciones para 4 grupos independientes de muestras, donde el nmero de medidas en cada grupo es b. Hablamos de a tratamientos,
cada uno de los cuales tiene b repeticiones o rplicas. En el Ejemplo 9'L, a : 4.
Los resultados de un experimento de un factor pueden representarse en una tabla con a filas y b
columnas (Tabla 9-1). Aquf r denota la medida en la fila j y Ia columna k, donde i : t, 2, . . . , dl
h : 7,2, . . ., b. Por ejemplo, r35 se refiere a la quinta medida para el tercer tratamiento.
Tabla 9'1

tt

rtz

xtb

fr1.

TYatamiento 2

E2l

rzz

itv

t2.

Ttatamiento

ol

fio2

rob

tra

Tlatamiento

Denotaremos por

la media de las medidas en la fila

_lb
fr:62r,r

j.

Tenemos

i:7,2,...,a

Q)

El punto en tj. se utiliza para indicar que el ndice k se ha sumado. Los valores i. se denominan
medias de grupo, medias de tratarrtiento o medias de fila. La gran media o media total es la media de
todas las medidas en todos los grupos y se denota por c, esto es

: a0
r - ,ao
-.1r2',,,
*ir,^
lk
i=t r=t
306

www.tutomundi.com

(2)

cAP. el

ANALISB DE VARIANZA

307

VARIACION TOTAL. VARIACTON DENTRO DE TRATAMIENTOS.


VARIACION ENTRE TRATAMIENTOS
Definimos la uariacin total, denotada por u, como la suma de los cuadrados de las desviaciones
i, es decir

de cada medida de la gran media

Variacintotal :
Al escribir Ia identidad

1) :

(3)

)(r;;u_r.,)t

rx-I = (cr,-r;.)*(i.-r)

(Ir)

y luego elevando al cuadrado y sumando sobre j y k podemos demostra (vase Problema 9.1) que

)i,k

j,k

(,;u

- o")' :

)i,k

(",u --

i,), 1 ) (r; - i'):


i,k